生成AIが効くのは「探す」と「下書きする」
品質クレームや社内の不具合への対応は、おおむね次の作業でできています。
- 不具合の内容を整理し、影響範囲を確定する
- 似た不具合が過去になかったか、過去トラ（過去のトラブル事例）や対策記録を探す
- 原因を調べ、根本原因を特定する
- 対策を決め、効果を確認し、再発防止を標準化する
- 顧客向け・社内向けの報告書（8Dなど）をまとめる
このうち生成AIが特に効くのは2と5です。過去の報告書は、品番も表現もばらばらな文書として蓄積されていることが多く、キーワード検索では見つけにくいためです。RAG（検索拡張生成：社内文書を検索して、その内容を根拠に生成AIが回答する仕組み）を使うと、「表現は違うが同じ現象」の過去事例を探しやすくなります。
国内では、日立が2026年6月に品質保証業務のAIエージェント「品質ナレッジシステム」の提供を始め、自社工場でトラブル対応事例の検索時間を約9割削減したと発表しています（同社発表）。
一方で3の根本原因の特定は、現物の確認、工程データの分析、試験を伴う判断で、生成AIに任せてはいけない部分です。
8Dの段階ごとの任せ方
8D（Eight Disciplines）は、自動車業界などで使われる不具合対応と報告の手順です。段階ごとに、生成AIに任せられる範囲を整理すると次のようになります。
| 段階 | 内容 | 生成AIに任せられること | 人が持つ判断 |
|---|---|---|---|
| D1 | チーム編成 | 過去の類似事例の担当部署の提示 | メンバーの決定 |
| D2 | 問題の記述 | クレーム文面から5W2Hの整理案を作る | 事実の確認 |
| D3 | 暫定対策 | 過去の暫定対策の例を提示 | 対策の決定と実施 |
| D4 | 根本原因の特定 | 過去の原因の候補一覧、なぜなぜ分析の書式整理 | 原因の特定（現物・データ・試験による） |
| D5 | 恒久対策の選定 | 過去の恒久対策と効果の例を提示 | 対策の選定 |
| D6 | 恒久対策の実施と効果確認 | 効果確認の記録の要約 | 効果の判断 |
| D7 | 再発防止 | 水平展開すべき類似品番・工程の候補提示 | 標準・FMEAの改訂 |
| D8 | 完了と称賛 | 報告書の清書 | 承認 |
各段階の詳しい使い方は8Dレポートを生成AIで下書きするで扱っています。
過去トラを「AIが探せる形」に整える
RAGの精度は、検索対象の文書の質で決まります。過去の不具合報告をそのまま入れても、期待した精度は出にくいのが実情です。整えるべき点は次のとおりです。
- メタデータを付ける：品番、工程、設備、不良コード、発生日、顧客、対策の完了状況。検索結果を品番や工程で絞り込めるようにする
- 版を管理する：同じ不具合の報告書が暫定版と最終版で複数あると、古い原因を引用してしまう。最終版を正とし、それ以外は除外するか版を明示する
- 不良コードをそろえる：同じ現象が部署ごとに違う言葉で書かれていると、類似事例の検索が難しくなる。不良コードの体系をそろえてからメタデータに使う（不良コード・停止理由コードの設計を参照）
- 図や写真の扱いを決める：不具合の報告では写真や図が重要だが、テキスト化しないと検索できない。キャプションや所見を文字で残す
詳しい条件は品質記録・過去トラのRAG検索で扱っています。
根本原因の判断を人に残す理由と設計
生成AIは、過去の事例から「それらしい原因」を文章として生成できます。これは候補の洗い出しには便利ですが、次の理由で根本原因の判断には使えません。
- 生成AIは今回の現物を見ていない。過去事例と表面上似ていても原因が違うことはよくある
- 生成AIの出力には、根拠のない内容が混ざること（ハルシネーション）がある
- 顧客への報告書に書いた原因は、品質保証上の責任を伴う
運用の設計としては、生成AIの出力に必ず根拠となった過去報告書へのリンクを付ける、原因欄は「候補」として提示し担当者が選択・記入する形にする、承認のフローは従来どおり人が行う、という形が現実的です。
効果の測り方
品質クレーム対応での生成AIの効果は、次の指標で測ります。
- 過去事例の検索にかかる時間（日立の発表は、この種の指標で約9割削減としている）
- クレーム受付から暫定対策までの日数
- 8D報告書の作成時間と、差し戻しの回数
- 水平展開の漏れ（後で同種の不具合が別の品番で再発した件数）
最後の指標は、生成AIで過去事例を探しやすくなったことの本来の価値を示します。時間の削減だけでなく、再発の防止につながっているかを見てください。
よくある質問
顧客の情報を含むクレーム文書を生成AIに入れてよいですか
社外のクラウドサービスに入れる場合は、契約上の守秘義務、データの保存場所、学習に使われない設定かどうかを確認してください。社内規程で入力してよい情報の範囲を決め、必要なら閉域環境やオンプレミスの構成を選びます。
過去トラが紙やPDFでしか残っていません
PDFでもテキストが抽出できればRAGに使えます。スキャン画像の場合はOCRが必要です。ただし量が多い場合は、まず直近数年分と重大な不具合から整備し、効果を確認してから範囲を広げるのが現実的です。
FMEAとも連携できますか
できます。不具合の対策が決まったら、関係するFMEAの故障モードや対策欄の改訂候補を生成AIに提示させる使い方があります。改訂の判断は設計・品質の担当者が行います。
この記事に出てくる用語
製造業の生成AI、どこまで任せられるか
文書検索、手順書の生成、品質報告のドラフト。人が承認する範囲と任せてよい範囲の線引き 全91本
- 製造業の生成AI活用の全体像：業務別12ユースケースと導入の順番
- 製造業の社内文書RAG入門：手順書・図面・品質記録を検索する5層構成
- Siemens Industrial Copilotの全体像：5系統の提供状況と狙い
- 生成AIの情報漏えい対策：製造業が決めるべき入力禁止情報とログ管理の7項目
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
