町工場のAI番頭町工場のAI番頭
多品種・小ロット・一品物の町工場では、生産管理システムへ入力しても、 その価値が現場へ返ってきません。 新しく作るのはAIではなく、すでに社内にある「こう作った」の引き出し方です。 AI番頭は過去を探し、案を出すところまで。考えて決めるのは、人です。
いま何に困っているか
多品種・小ロット・一品物の現場では、入力しても価値が返りにくい。 これは担当者の努力不足ではなく、仕組みの側に理由があります。
多品種・小ロットで標準化しにくい
同じものを繰り返し作らないため、標準手順に落とし込む前提が成り立ちません。
一回限りの製品も多く、毎回考え直しになりやすい
過去に似たものを作っていても、それを探し出す手段がなく、毎回ゼロから考えることになります。
生産管理システムに入力しても、現場メリットが見えにくい
入力は「会社のため」の作業になり、入力した本人の次の仕事は楽になりません。
図面は必ずあるが、工程条件づくりに時間がかかる
図面PDFは必ず存在します。しかし、そこから加工条件を組み立てる作業が毎回発生します。
ベテランや担当者の頭の中に判断が残りやすい
「この場合はこうだな」という判断は、記録されないまま個人の中に留まります。
零細企業では高額なAI投資は難しい
数千万円規模のAI投資も、月額の従量課金も、現実的な選択肢にはなりません。
「入力が現場へ返ってこない」こと。
AI番頭は、眠っている情報を整理して次の仕事へ返します。
新しい入力を増やすのではなく、すでに入力されたものを現場へ戻す方向の仕組みです。
解決コンセプト
図面から、過去の知恵を呼び出し、今回との差分を見せる。 AI番頭は生産管理システムから知見をひきだし、判断材料をそろえるところまでを担当します。
-
INPUT
新規図面PDF
受注した図面のPDFを、AI番頭の画面にドロップするだけ。新しい入力作業は増えません。
-
AIの担当
類似図面・過去品検索
図番・材質・寸法などのキーで、過去に作った似た製品を既存データベースから探し出します。
-
AIの担当
仕様・工程条件・実績を収集
見つかった過去品について、製品仕様書・工程条件・作業実績・単価を横断して集めます。
-
AIの担当
AIが差分と候補を提示
「今回はここが違う」という差分と、参考にできる候補を並べて提示します。断定はしません。
-
人の担当
人が判断・修正
工程や部材を職人が判断し、違うところを直します。ここが仕組みの主役です。
-
人の担当
見積もり案作成
そろった判断材料をもとに、見積もり案を組み立てます。根拠が過去実績で裏付けられます。
-
OUTPUT
生産管理へ登録
確定した内容を、これまでどおり既存の生産管理システムへ登録します。運用は変わりません。
主役は人です。
人が：図面をAI番頭の画面にドロップ
「この製品、どう作る？」
AI番頭：似た製品が3件あります
| 候補 | 製品コード | 版数 | 一致度 |
|---|---|---|---|
| ① | CD 12345 | HAN 4 | 92% |
| ② | CD 08421 | HAN 2 | 87% |
| ③ | CD 10318 | HAN 1 | 78% |
人が：工程や部材を判断・修正
「これは楽！」
AI番頭：過去データから単価・工程を抽出し、案を提示
候補として並べるところまで。決めることはしません。
人が：最終判断
最後に決めるのは、いつも人です。
製品仕様書 7,201件、工程実績 11.8万行。
これまでの「こう作った」が、すでに社内のシステムの中に入っています。
新しく作るのはAIではなく、その引き出し方です。
AI番頭の育て方
AI番頭を育てるのは、たった一行。 職人が「なぜ直したか」を書く、その一行だけです。
AIが候補を出す
似た3件と、その実績を並べて提示します。
職人が直す
「それは違う、これだ」と、人が候補を修正します。
理由を一行
なぜ直したかを、一行だけ書き添えます。
別表に残る
AIが経験知として保管し、次の判断材料になります。
「なぜそれを選んだか」は、今どこにも残っていません。
残っているのは結果だけです。理由は既存システムに存在しない唯一のデータであり、 将来の精度向上の唯一の燃料です。 既存システムを書き換える必要はありません。 AI提示／人の修正／修正理由を別テーブルに蓄積する。 これが「AI番頭を育てる」の実体です。
育てる作業は、日々の判断のついでに終わります。 新しい入力業務を作らないこと、これが定着の条件です。
技術的な実現性 ① ― 資産の棚卸し
もう、社内に全部あります。 AI番頭のために新しく集めるデータはひとつもありません。
すでに社内に存在するデータ資産
| データ資産 | 内容 | 規模 |
|---|---|---|
| 製品仕様書 | 製品ごとの標準仕様・加工条件 | 1万件 |
| 工程実績 | 5工程分の作業実績 | 15万 行 |
| 加硫実績 | 温度・時間・使用機械 | 5万 行 |
| 接着実績 | 接着剤・前処理の条件 | 3万 行 |
| 図面 | 図番と製品が紐付けられた状態で社内に実在（DB＋共有フォルダ） | 社内に実在 |
| 改訂履歴・クレーム履歴 | うまくいかなかった記録＝失敗知も残っている | 社内に実在 |
15年分の「こう作った」は、すでに既存システムの中に入っています。
新しく作るのはAIではなく、その引き出し方です。 既存システムの入れ替えも、データの作り直しも発生しません。
技術的な実現性 ② ― なぜ安く実現できるのか
零細企業でも払える金額で実現できます。 高価な仕組みを使わないから安い、というだけの話です。
類似検索は SQL
正しい5項目キーでJOINし、件数を数えて並べるだけ。 特別な検索技術は使いません。
LLM は説明だけ
「なぜ似ているか」を日本語にする役に限定します。 判断はさせません。
図面は pdftotext
テキスト層＋正規表現で読み取ります。 スキャン図だけOCRを併用します。
全件メモリに載る
7,201件という規模なら、ベクトルDBも検索エンジンも不要です。
だから安く、速く、壊れない。
- LLMが必要なのは「なぜ似ているか」を言葉にするところだけです。
- ベクトルDBも検索エンジンも要りません。7,201件は全件メモリに載る規模です。
- 従量課金もありません。ローカルLLMで社内完結します。
- 図面は一切外部に出しません。社外へのデータ送信は発生しません。
ローカルLLMと社内完結の構成については Ａi事業(SooS)のページ、 AIの権限と記録の統制（委任状・監査記録）については SOOS製造業版 で詳しくご説明しています。
技術的な実現性 ③ ― 実ソースを読んで分かったこと
20年前の設計者と、同じ思想です。 既存システムのソースを実際に読んだところ、AI番頭と同じ形が最初から実装されていました。
製品仕様書（標準）
160℃ / 20分
プレス機 D-3 200ｔ
製品ごとの標準条件が、マスタに登録されています。
実績入力画面
初期値をセット
温度・時間の欄に標準値が入っている
画面を開いた時点で、システムが候補を出しています。
作業実績
158℃ / 22分
8回連続・不良 0
人が直した結果が、実績として残っています。
標準値が初期値としてセットされ → 人が現場に合わせて直し → その実績が残る。
―― この形は、既存の生産管理システムに最初から実装されていました。
AI番頭は、その思想の延長線上にあります。
新しい思想を持ち込むのではありません
記録するシステム
入力した情報は、記録として残る
- 入力は会社のための作業になる
- 過去を探す手段が用意されていない
- 判断の理由はどこにも残らない
結果は正しく蓄積されています。ただ、その蓄積が次の仕事を助ける形になっていません。
過去の仕事が次の仕事を助けるシステム
新規図面のときだけ、過去が出てくる
- 入力した本人の次の仕事が楽になる
- 似た過去品が候補として並ぶ
- 修正理由が経験知として蓄積される
既存システムが最初から持っていた思想を、10,000件・15万行の規模まで広げるだけです。
書き込まない。読むだけ。新規図面のときだけ出てくる。
既存システムには一切手を入れない範囲から始めます。だから、止まりません。
町工場AI番頭構想
AI番頭を職人のパートナーに。 AIと人の担当範囲を、はじめにはっきり決めておきます。
AI番頭がやること
探す・調べる・案を出す
- AIに過去を探させる。
- AIに下調べをさせる。
- AIに案を出させる。
AIに人を管理させない。ここは最初から線を引いておきます。
人がやること
考える・決める・育てる
- 人が考える。
- 人が決める。
- 人がAIを育てる。
決定権は人が持ち続けます。AIは判断しません。
AI番頭が、ベテランのノウハウを吸収し、次世代へと伝えます。 技術伝承は、記録を残すことではなく、次の仕事で使える形にすることです。
まずは、社内にあるデータの棚卸しから
現在お使いの生産管理システムと、図面の保管状況をお聞かせください。 AI番頭が成り立つ条件がそろっているかどうかを、実際のデータ構成を見ながらご説明します。 訪問・オンライン（Zoom等）いずれも対応いたします。
バナースペース
