問いはシンプルだ。「あの人が辞めたら、この現場は回るのか？」

ベテランが退職届を出してから慌てても遅い。中小製造業にとって、熟練工の暗黙知が消えることは「人が減る」ではなく「ノウハウごと蒸発する」に等しい。

では、AIでベテランの頭の中をデジタル化できるのか？　最近出てきた3つの研究を、中小製造業の現場目線で「実コスト」と「限界」に絞って読み解く。結論から言えば、使える部分はあるが、魔法ではない。しかも「どこに金をかけるか」の順番を間違えると丸損になる。

—

1. トラブルシューティングガイドの知識抽出——手作業300時間が、AIで何時間になるか

現場にある故障対応マニュアル。フローチャート形式で「この症状ならここを見ろ」と書いてある、あの紙の束だ。問題は、あれをデジタル化・構造化しようとすると、とにかく手間がかかること。

最新の研究（arXiv:2601.22754）では、Vision Language Models（VLMs）——つまり画像とテキストの両方を理解するAIモデル——を使って、トラブルシューティングガイドから知識を自動抽出する手法が検証された。

何がわかったか

• 2種類のVLMを比較。標準的なプロンプト（指示文）と、トラブルシューティング特有のレイアウトに最適化した拡張プロンプトで精度を比較した
• レイアウトの読み取り精度と、意味の正確さの間にトレードオフがある。 フローチャートの矢印や分岐を正しく読めるモデルは、逆に文脈の意味を取り違えやすい傾向が出た。その逆もある
• つまり、「完全自動で一発OK」にはまだならない。人間のレビューが必須

中小企業にとってのコスト感

手作業でトラブルシューティングガイドを構造化する場合、1ページあたり30分〜1時間。時給換算で約5,000円とすると、100ページのマニュアルで25万〜50万円。これが複数設備分あれば、年間で100万〜300万円が知識整理だけに消える。

VLMを使えば、抽出作業そのものは数時間で終わる。API利用料は100ページで数千円〜数万円程度。ただし、出力結果のレビューと修正に全体の3〜5割の時間がかかるのが現実だ。完全自動化ではなく「手作業の6〜7割を削る」と考えるのが妥当。つまり、300万円かかっていた作業が100万円前後になる、というイメージ。

ここが急所： そもそも「紙のマニュアルに書いてある知識」は氷山の一角だ。ベテランの本当の暗黙知——音で異常を聞き分ける、手の感触で素材の状態を判断する——はマニュアルに載っていない。VLMが抽出できるのは「すでに文書化されたもの」だけ。ここを勘違いすると、「AIで暗黙知をデジタル化した」つもりが、実は表面しか拾えていなかった、ということになる。

—

2. 製造知識グラフの信頼性——「入れたデータ、本当に正しいのか？」問題

知識をグラフ構造（ノードとリレーションのネットワーク）で管理する「知識グラフ」。製造業では、設備・工程・不良原因・対策の関係をつなげることで、「この不良が出たら、原因はこれ、対策はこれ」と即座に引ける仕組みになる。

しかし、データの出所がバラバラな中小製造業では「そのデータ、いつの、誰の、どの条件のものか？」が曖昧になりがちだ。

arXiv:2608.21418で提案された信頼性インフラは、この問題に正面から取り組んでいる。

4つの信頼性機能

1. SHACLバリデーション ——データの形式や制約を自動チェック。「温度の欄に文字列が入っている」みたいなゴミデータを弾く
2. PROV-O起源追跡 ——そのデータが「いつ・誰が・どのシステムから」入れたものかを記録。責任の所在が明確になる
3. 二重時系列管理 ——「事実が発生した時刻」と「データベースに記録された時刻」を分けて管理。後から修正しても履歴が残る
4. グラフネイティブな決定オブジェクト ——「このデータに基づいてこの判断をした」という意思決定の記録をグラフ内に埋め込む

中小企業にとってのコスト感

正直に言う。この信頼性インフラをフルスペックで構築するには、設計・開発・データ移行込みで300万〜500万円は見る必要がある。さらに運用・保守で年間50万〜100万円。

ただし、ここで考えてほしいのは「信頼性がないデータベースのコスト」だ。 間違ったデータに基づいてトラブル対応し、原因を見誤り、ラインを止める。1回の誤判断で数十万〜数百万の損失が出る現場は珍しくない。年に3回それが起きれば、信頼性インフラの投資は1年で回収できる計算になる。

とはいえ、従業員30人以下の工場がいきなりフルスペックの知識グラフを入れるのは現実的ではない。 まずはExcelやNotionレベルでもいいから「誰が・いつ・どの条件で」を記録する習慣をつけるところから始めるべきだ。信頼性インフラは、その先の話。

—

3. AI視覚検査——「導入したら終わり」ではない現実

衣料品の縫製ライン向けに、CNNベースの視覚検査システムを検証した研究（arXiv:2608.21426）。ジャンプステッチ（飛び縫い）の欠陥検出に取り組んでいる。

結果のポイント

• 特定の生地では高精度で欠陥を検出できた
• しかし、生地の色・質感・パターンが変わると精度が大幅に落ちる。 学習データに含まれていない生地では使い物にならないケースも
• 欠陥サンプルが少ない（不良率が低い製品ほど学習データが集まらない）という根本的な問題

中小企業にとってのコスト感

システム構築に200万〜300万円。カメラ・照明・PCなどのハードウェアを含めると、もう少し上がる場合もある。

だが、ここで冷静に計算してほしい。 「年間数十万円のコスト削減」では、投資回収に5〜10年かかる。これは中小企業にとって割に合わない。

AI視覚検査が本当にペイするのは、以下のどちらかだ。

• 検査ミスによる損害が大きい場合。 クレーム1件で100万円飛ぶような製品なら、年に数件防ぐだけで元が取れる
• 検査員の確保自体が困難な場合。 人が採れない地方の工場では、「コスト削減」ではなく「事業継続」の投資になる

逆に言えば、「なんとなく効率化したい」程度の動機では導入すべきではない。

—

で、結局どうすればいいのか？

3つの研究を並べて見えてくるのは、こういう構造だ。

中小製造業が今日からやるべき3つのこと

1. まず、ベテランのマニュアルをスマホで撮れ。 VLMに読ませる準備はそれだけでいい。API代は数千円。試してみて「使えるかどうか」を自分の目で確かめろ。

2. 「誰が・いつ・どの条件で」を記録する仕組みを作れ。 Excelでいい。知識グラフの前に、まずデータの信頼性の土台を作る。これはゼロ円で始められる。

3. AI検査は「損害額」で判断しろ。 「AIで検査を自動化」は響きがいいが、投資対効果が合わないなら後回しでいい。検査ミス1件あたりの損害額を計算して、年間何件防げば元が取れるかを先に出す。

—

本当の勝負は「AIを入れた後」にある

AIで知識を抽出しました、グラフにしました、検査を自動化しました。それで終わりではない。

抽出した知識を「使われる形」にして現場に届けること。 グラフに入れたデータを「更新し続ける仕組み」を作ること。検査AIの精度を「現場のフィードバックで改善し続ける」こと。

ここが属人化するなら、結局また同じ問題に戻る。

中小企業の強みは、意思決定が速いこと。大企業が稟議を回している間に、試して、失敗して、修正できる。AIの導入コストが劇的に下がっている今、「まず小さく試す→効果を数字で測る→続けるか止めるか判断する」というサイクルを回せるかどうか。それが、ベテランがいなくなった後も現場が回り続けるかどうかの分かれ目になる。

—