結論から言う。「職人の勘」はもう仕組みにできる

町工場のベテランが定年で抜けたら、品質がガタ落ちする。この恐怖、製造業の経営者なら身に覚えがあるはずだ。

今、3つの技術が同時に立ち上がってきたことで、この構造が根本から変わりつつある。工業プロセス最適化AIエージェント「little m」、LLMベースの合成データ生成、そしてCNC転送学習。それぞれ単体でも面白いが、組み合わせると「属人化を月額コストで消せる」という、中小製造業にとって無視できない話になる。

順番に、何が起きているのかを具体的な数字で見ていく。

—

1. 「little m」——工場の最適化問題を、自然言語で解けるようにした

製造業は世界のエネルギー消費の約3分の1を占める。にもかかわらず、多くの中小工場では「ベテランの経験則」でプロセスを回している。温度設定、圧力、タイミング。数値化されていない暗黙知が、工場の心臓部を動かしている。

この暗黙知を数理最適化モデルに変換するのが「little m」だ。

従来、工業プロセスを数学的に定式化するには、オペレーションズ・リサーチの専門家が必要だった。自然言語で書かれた仕様書を、厳密な数式に翻訳する作業。これだけで数百万円、数ヶ月かかる。

「little m」はドメイン特化型の知識リポジトリとLLM（大規模言語モデル）を組み合わせることで、この翻訳を自動化する。論文上の評価では、汎用LLM（GPT-4等）と比較して、最適化モデルの正確性で大幅に上回る結果が報告されている。

ここで重要なのはコスト構造の変化だ。

従来、OR専門家を外注すると1案件あたり300万〜500万円。「little m」のようなAIエージェントをAPI経由で使う場合、推論コストは1回あたり数百円〜数千円。月に何十回最適化を回しても、月額5万〜15万円程度に収まる計算になる。

つまり、「最適化の専門家を雇う」から「最適化をサブスクで回す」に変わる。これは中小製造業にとって、ゲームチェンジだ。

ただし注意点がある。現時点で「little m」は研究段階のプロジェクトであり、商用サービスとしてそのまま契約できるわけではない。初期のモデル構築やドメイン適応には、自社の工程データを整理してフィードする工程が必要になる。ここに50万〜150万円程度の初期コストを見込んでおくのが現実的だ。

—

2. 合成データ生成——「データがない」がもう言い訳にならない

中小製造業がAIを入れようとして最初にぶつかる壁。「うちにはデータがない」。

これは半分正しく、半分間違っている。データ自体はセンサーやPLCに溜まっていることが多い。ただし、「ラベル付きの、機械学習に使える形のデータ」がない。異常が起きたときのデータ、正常時のデータ、それぞれにタグを付けて整理されたデータセットなど、中小工場にはまず存在しない。

ここで登場するのがLLMベースの合成時系列データ生成だ。

最近の研究では、製造プロセスの条件（温度プロファイル、加工速度、素材特性など）をプロンプトとして与え、LLMに現実的な時系列データを生成させる手法が提案されている。RAG（Retrieval Augmented Generation）を組み合わせることで、実データの統計的特性を保ちながら、データの多様性を拡張できる。

論文上の結果では、この合成データで学習したモデルが、従来手法（ARIMA、LSTM等）で実データのみを使った場合と比較して、異常検知の精度で同等以上のパフォーマンスを出している。

コスト感はこうだ。

• LLMのファインチューニング費用：クラウドGPU利用で10万〜30万円
• RAG用のデータ整備・前処理：10万〜20万円
• 合計：20万〜50万円で「データがない問題」を突破できる

従来、同等のラベル付きデータセットを人手で作ろうとすると、センサー設置からアノテーションまで含めて200万〜500万円、期間は半年以上。この差は大きい。

もちろん、合成データは万能ではない。実データとの分布のズレが下流タスクの精度に影響するリスクはある。だからこそ、少量の実データと合成データを組み合わせる「ハイブリッド学習」が現実解になる。実データ1ヶ月分＋合成データで、実データ12ヶ月分相当の学習効果が得られるなら、導入のハードルは劇的に下がる。

—

3. CNC転送学習——1台で学んだことを、全台に展開する

中小製造業の現場には、メーカーも年式も違うCNC（コンピュータ数値制御）機械が並んでいる。A社の旋盤、B社のマシニングセンタ、10年前のモデルと3年前のモデル。センサーの数も種類も違う。

従来のAIモデルは、機械ごとに個別に学習させる必要があった。1台あたり数十万〜100万円。5台あれば500万円。これでは中小企業には手が出ない。

ここで注目されているのが「SAAC-JEPA（Schema-Adaptive Action-Conditioned Joint-Embedding Predictive Architecture）」という転送学習の枠組みだ。名前は長いが、やっていることはシンプル。1台の機械で学習したモデルを、センサー構成が異なる別の機械にも転用できるようにする技術だ。

部分的に重複するセンサー（例えば振動センサーは両方にあるが、温度センサーは片方にしかない）があれば、共通部分を足がかりにモデルを適応させる。異なるダイナミクスやインターフェースの差異を吸収しながら、予測精度を維持する。

コスト構造はこう変わる。

• 従来：機械1台ごとにモデル構築 → 1台あたり80万〜150万円 × 台数
• 転送学習導入後：ベースモデル構築に100万〜200万円 + 追加機械への適応は1台あたり10万〜20万円

5台の機械にAIを入れる場合、従来なら400万〜750万円。転送学習なら140万〜300万円。半額以下になる。

さらに重要なのは、運用フェーズでのコスト削減だ。機械の状態予測が標準化されることで、「あの機械はAさんしか分からない」という属人化が消える。異常の予兆検知が自動化されれば、ベテランの「音で分かる」を、誰でも使えるダッシュボードに置き換えられる。月々の保全コスト削減効果は、機械1台あたり5万〜15万円と試算できる。

—

3つを組み合わせると何が起きるか

ここからが本題だ。この3技術をバラバラに見ていても意味がない。組み合わせたときの構造変化を見る。

ステップ1：合成データで「データがない」を解決する（20万〜50万円）
少量の実データからLLMで合成データを生成。異常検知モデルの学習に必要なデータセットを短期間で構築する。

ステップ2：CNC転送学習で「全台展開」する（ベース200万＋追加1台20万円）
1台で作ったモデルを、工場内の他の機械に横展開。センサー構成が違っても適応可能。

ステップ3：「little m」でプロセス全体を最適化する（月額5万〜15万円）
個別機械の状態監視だけでなく、工場全体のエネルギー効率・生産スケジュールを数理最適化で回す。

5台のCNC機械を持つ従業員30人規模の町工場を想定すると、

• 初期投資：合計300万〜500万円
• 月額運用コスト：15万〜30万円
• 期待される月間コスト削減効果：保全費25万〜75万円＋エネルギー最適化で10万〜30万円

初期投資の回収は6ヶ月〜1年。月額で見れば、属人化を消すコストは実質ゼロかプラスになる。

—

で、結局どうすればいいのか

「全部いっぺんに入れろ」とは言わない。中小企業にとって現実的なステップはこうだ。

まず、合成データ生成から始める。 コストが最も低く（20万〜50万円）、効果の検証が最も早い。自社の1台の機械で、異常検知モデルが動くかどうかを2〜3ヶ月で確認できる。

次に、転送学習で横展開する。 1台で動いたモデルを他の機械に適用する。ここで「1台ずつ個別にAIを作る」という従来の常識が壊れる。

最後に、プロセス最適化を載せる。 個別機械の監視データが揃った段階で、工場全体の最適化に踏み込む。

この順番なら、最初の一歩は50万円以下で踏み出せる。

—

注意すべきリスク

楽観的な話ばかりしても仕方ない。現時点でのリスクも明記しておく。

1. 技術の成熟度： 「little m」もSAAC-JEPAも、まだ研究段階の技術だ。商用サービスとして安定提供されるまでには、インテグレーターの介在が必要になる。
2. データ品質の壁： 合成データは便利だが、元になる実データの品質が低ければ、合成データも使い物にならない。最低限のセンサー整備と数週間分の実データ収集は前提条件だ。
3. 現場の抵抗： 「AIに仕事を奪われる」ではなく、「AIがベテランの知恵を全員に配る」という説明が必要。ここを間違えると、どんなに良い技術も現場に定着しない。

—

属人化は「コストの問題」になった

かつて、属人化の排除は「教育」や「マニュアル化」の問題だった。ベテランに聞いて、手順書を作って、若手に教える。それでも10年かかった。

今、属人化は「月いくら払えば消せるか」というコストの問題に変わりつつある。合成データで学習し、転送学習で横展開し、AIエージェントで最適化する。この3つが揃ったとき、ベテラン1人の頭の中にあった暗黙知は、月額15万〜30万円の仕組みに変わる。

問いかけたい。あなたの工場のベテランが来年辞めたとき、その知識は残るか？　残すための仕組みに、月30万円は高いか？

答えは、たぶんもう出ている。

—