事例の概要
| 企業 | Siemens Senseye Maintenance Copilotのパイロット顧客（社名非公表） |
|---|---|
| 地域 | 欧米 |
| 業種 | 機械 |
| 企業規模 | 大企業 |
| 用途 | 生成AI・ナレッジ |
| 使われた技術 | Siemens Senseye Predictive Maintenance＋生成AIのMaintenance Copilot |
| 関連する製品・サービス | Senseye Predictive Maintenance（Maintenance Copilot）（Siemens AG） |
成果
取り組みの内容
設備が故障したあとの修理（事後保全）では、原因の切り分けや過去の対処の確認に時間がかかり、熟練者が不在だと復旧が遅れます。予知保全で兆候を捉えても、実際に何をすべきかを判断する段階で人の経験に頼る部分が残っていました。
Siemensは2025年3月24日、予知保全サービスSenseye Predictive Maintenanceに生成AIの「Maintenance Copilot」を加え、機能を絞ったEntry Packageと全機能のScale Packageの2つで提供すると発表しました。異常の検知に加えて、保全担当者への対処の助言を生成AIで行う構成です。
同じ発表で、パイロットでは事後保全の時間が平均で約25%短縮したと説明されています。ただし、パイロットの顧客名、社数、対象設備、期間、比較の方法は示されていません。ベンダーが名前を伏せたパイロットの実測値という位置づけで読む必要があります。
保全向けの生成AIは、根拠にする保全履歴の質で結果が変わります。現象・原因・対処・結果が記録に残っていない工場では、同じ効果は期待しにくいと考えられます。
この事例から読み取れること
- 当サイトの見方では、25%は顧客名と条件が伏せられたパイロットの値であり、自社の効果見積もりにはそのまま使えない
- 事後保全時間という業務指標で効果を示している点は、利用回数より成果に近い測り方として参考になる
- 自社で評価する際は、保全履歴の記録項目が揃っているかを先に確認する必要がある
本ページは企業・提供元が公開した情報にもとづき、費用負担を受けずに作成しています。成果の数字は発表時点のもので、当サイトによる検証値ではありません。
