製造現場の「匠の技」、消滅の危機にどう立ち向かうか
「あの人がいなくなったら、この機械の『ご機嫌』を取れる人間がいなくなる」
製造現場の経営層や工場長の間では、必ずと言っていいほどこの話題が挙がります。経済産業省が2018年の『DXレポート』で警鐘を鳴らした「2025年の崖」のリスクは、単なるレガシーシステムの老朽化にとどまりません。団塊世代のベテラン社員が一斉に引退を迎えることに伴う、技術伝承の断絶という形で、まさに今、現場を脅かしています。
これまで多くの現場が、マニュアル作成や作業動画のアーカイブ化によるデジタル化を試みてきました。しかし、本当に残したい「勘」や「コツ」、トラブル時の瞬時の判断といった暗黙知は、形式的な手順書にはなかなか落ちてきません。
そこで注目されているのが、生成AI（LLM）の活用です。しかし、製造業には特有の高い壁が立ちはだかります。「図面や配合表などの機密情報をクラウドには上げられない」「汎用的なAIでは現場の専門用語が通じない」という壁です。
ITコンサルティングやシステム開発の現場において、技術的な実現可能性とビジネス上の成果を両立させる観点から見ても、この製造業特有のジレンマを解消する「切り札」として、NTTが開発した国産の軽量LLM「tsuzumi（つづみ）」には大きな可能性があります。
今回は、単なるツール導入論ではなく、どうすれば現場の泥臭い「暗黙知」をtsuzumiに学習させ、次の世代へバトンを渡せるのか。その具体的な5つの極意を、データ分析やシステム実装の実務視点から掘り下げていきます。
なぜ今、製造現場のAIに「tsuzumi」が選ばれるのか
製造業におけるAI導入において、ChatGPTの最新モデルをはじめとする巨大な汎用LLM（大規模言語モデル）が、必ずしも最適解とならない明確な理由があります。それは「データの機密性」と「現場用語の特殊性」という2つの大きな壁です。NTTが開発した「tsuzumi」は、この2点において、驚くほど製造現場のニーズにフィットする戦略的な特性を持っています。
「クラウドに図面は出せない」を解決する軽量性
製造業にとって、図面データ、配合表、製造プロセスのパラメータといった情報は、競争力の源泉であり生命線です。これらを外部のクラウドサーバーに送信することは、どれほどセキュリティが担保されていると謳われていても、経営リスクに直結するため、多くの現場で厳しく制限されています。
ここでtsuzumiの「軽量性」が決定的な意味を持ちます。NTTの公式発表（2023年11月時点）等の仕様によると、tsuzumiには超軽量版（6億パラメータ）や軽量版（70億パラメータ）といったラインナップが存在します。これらは、巨大な計算資源を必要とする汎用LLMとは異なり、推論だけであれば一般的なGPUを搭載したローカルサーバーや、特定のPC環境でも動作するように設計されています。
つまり、インターネットに接続しないオンプレミス環境（自社内サーバー）で、完全なプライベートAIを構築できるのです。これにより、外部への情報流出リスクを物理的に遮断しながら、社外秘の技術文書や過去のトラブル報告書を存分に学習させることが可能になります。これは、セキュリティポリシーが極めて厳しい製造現場にとって、導入の決定打となり得る要素であると断言できます。
現場特有の「専門用語」への圧倒的な適応力
もう一つの強みは、日本語処理能力の高さとファインチューニング（追加学習）の柔軟性です。多くの海外製モデルは英語データ中心で学習されているため、たとえ最新バージョンであっても、日本語の繊細なニュアンスや、製造現場で使われる独特な言い回し、略語の理解に苦戦するケースが見受けられます。
対してtsuzumiは、日本語データでの学習に重点を置いて開発されており、さらに「アダプタ技術（Adapter）」を用いることで、ベースモデルのパラメータを固定したまま、特定の業界や組織固有の知識を効率的に追加学習させることが可能です（参照：NTT R&D Website『tsuzumiの技術特性』）。
例えば、「バリ取り」「公差」「チョコ停」といった業界用語はもちろん、内部だけで通じる製品コードや工程の通称も、低コストかつ短期間で覚えさせることができます。汎用AIが「一般的な回答」でお茶を濁してしまう場面でも、tsuzumiなら「現場文脈に即した具体的な回答」を返すことができるのです。この「現場への適応力」こそが、実用段階で大きな差を生むポイントとなります。
Tip 1: 「きれいなマニュアル」より「現場の日報」を集める
ここからは、実際にAIナレッジベースを構築するための具体的な戦略に入ります。まずは、AIの頭脳となる「データ準備」です。
形式知化されていないトラブル対応ログこそが宝
「AIに学習させるために、まずはマニュアルを完璧に整備しなければ」と考えがちですが、実はこれが大きな落とし穴です。完成されたマニュアルには「正解（標準手順）」は書かれていますが、「例外」や「現場の苦労」は削ぎ落とされていることが多いからです。
技術伝承で本当に必要なのは、「マニュアル通りにやったけど動かない時、ベテラン技術者はどこを調整して直したか」という泥臭い情報です。
だからこそ、「現場の日報」や「申し送りノート」、「トラブル対応報告書」を集めることを強く推奨します。手書きのメモ書きでも構いません。最新のAI-OCR技術を活用すれば、手書き文字も高精度にデジタル化可能です。さらに、近年の技術トレンドとして、単なる文字認識だけでなく、読み取ったデータを分析しやすい形式に加工するETL機能なども進化しており、アナログな記録を効率的に学習データへ変換できる環境が整っています。
そこには、「異音がしたので〇〇のボルトを半回転緩めたら直った」といった、生々しい解決策が眠っています。
実際、過去の「不具合対策シート」を蓄積・学習させることで、ベテランしか知らなかった「冬場の朝一番に起きる特定のエラー」への対処法をAIが回答できるようになったケースも報告されています。きれいな文章にする必要はありません。現場の生の声をそのままデータとして蓄積することが、賢いAIを育てる第一歩です。
tsuzumiの学習効率を高めるデータの選び方
ただし、何でもかんでも読み込ませれば良いわけではありません。tsuzumiの学習効率を高めるためには、データの「鮮度」と「質」の選別が必要です。
例えば、10年前の旧型機のトラブル事例と、最新機の事例が混在していると、AIが混乱する原因になります。データセットを作る際は、「機種ごと」「工程ごと」にフォルダを分け、メタデータ（タグ情報）を付与することが重要です。
tsuzumiは軽量モデルゆえに、特定のドメイン（領域）に特化させることで真価を発揮します。「全工場の知識を持つ万能AI」を目指すより、「第1工場のプレス工程に詳しいAI」を目指してデータを絞り込む方が、結果として回答精度は高くなります。
Tip 2: 「あれ」「これ」を具体化する辞書を作る
ベテラン同士の会話を聞いていると、「例のあれ、調子どう？」「あそこ、ちょっといじっといたから」といった具合に、指示語だけで会話が成立していることに驚かされます。これこそが「暗黙知」の正体の一つですが、AIにとってこれほど厄介なものはありません。
現場の隠語・略語をAIに教えるマッピング術
AI導入において、システム開発やデータ分析の観点から極めて重要となるのが「現場用語辞書」の構造化です。単なるリスト作成にとどまらず、用語間の関係性を定義することが、最新のAI活用では求められます。
- 「親機」→「メインコンプレッサーA号機」
- 「弁当箱」→「制御ユニットのカバー」
- 「カチカチ音」→「リレーのスイッチングノイズ」
このように、現場で使われている通称や隠語を、正式名称や技術的な現象と紐づけるマッピングリストを作成します。
最新のRAG（Retrieval-Augmented Generation）技術、特にGraphRAGのようなアプローチでは、言葉の定義だけでなく「言葉と言葉のつながり」をAIに理解させることがトレンドです。この辞書をtsuzumiのシステムプロンプトや、RAGの検索クエリを最適化する「クエリリライト」の処理に組み込むことで、AIは「弁当箱を開けて」という質問を「制御ユニットのカバーを取り外す手順を検索」と内部で変換し、正確な回答を導き出せるようになります。
コンテキストを理解させるためのメタデータ付与
言葉の意味だけでなく、文脈（コンテキスト）の理解も不可欠です。「温度を上げて」という指示が、洗浄工程の話なのか、焼き入れ工程の話なのかで、意味も操作も全く異なります。
ここで有効なのが、ハイブリッド検索を見据えたメタデータの付与です。データを学習・インデックス化させる際、単なるテキストだけでなく、「工程：塗装」「対象：Bライン」といった属性情報を付与します。
検索時に「塗装工程について教えて」とAIに条件を与えることで、ベクトル検索（意味の近さ）とキーワード検索（完全一致）を組み合わせた高精度な検索が可能になります。tsuzumiのような日本語に強いモデルであっても、この「データの前処理」が回答精度を左右します。
これはプロンプトエンジニアリング以前の、データ整理という非常に地味な作業ですが、ここを疎かにすると「使い物にならないAI」が出来上がってしまいます。現場へのヒアリングを通じて、この辞書とメタデータを充実させることが、成功への確実な近道です。
Tip 3: 現場作業員が「手袋をしたまま」使える検索を設計する
どれだけ賢いAIを作っても、現場で使われなければ意味がありません。製造現場の環境は、静かなオフィスとは全く異なります。油で汚れた手袋、騒音、狭い作業スペース。ここでPCのキーボードを叩くのは非現実的です。
音声入力×tsuzumiの可能性
ナレッジベースのインターフェースは、UI/UXデザインの観点からタブレットやスマートフォンを前提にし、極力文字入力を減らす設計が必要です。
ここで活きるのが音声入力です。最近の音声認識技術は騒音下でもかなり精度が高くなっています。「tsuzumi、エラーコードE-05が出た。対策を教えて」と話しかけるだけで回答が返ってくる。これなら作業の手を止めずに済みます。
tsuzumiの高い日本語処理能力は、話し言葉（口語）の意図理解にも役立ちます。「なんか変な音がするんだけど」といった曖昧な問いかけに対しても、「どのような音ですか？高い金属音ですか、低い振動音ですか？」と聞き返すような対話フローを設計することで、現場での実用性が格段に上がります。
回答は「要約」と「根拠図面」のセットで返す
また、AIからの回答も長文では読まれません。現場が欲しいのは「結論」です。
「バルブを閉めてください」という短い指示（要約）を大きく表示し、その下に「詳細は図面A-123を参照」としてリンクを表示する。あるいは、該当する図面の箇所を画像としてポップアップさせる。
tsuzumiの要約能力を活用し、まずは3行で結論を伝える。そして、ハルシネーション（AIがもっともらしい嘘をつくこと）のリスクを回避するために、必ず情報のソース（根拠となるマニュアルや過去の日報）を提示する。この「要約＋根拠」のセット表示が、現場での信頼獲得には不可欠です。
Tip 4: スモールスタートで「育てるAI」を意識する
AIプロジェクトで最も危険なのは、最初から「組織全体のあらゆる質問に答えられる完璧なシステム」を目指すことです。これは大抵、データ準備で挫折するか、期待値とのギャップで失敗します。
特定の生産ラインから始める部分導入のすすめ
まずは、特定の課題を抱えている一つのライン、あるいは一つの製品群に絞って導入することが推奨されます。「第2工場の射出成形機のトラブルシューティング」だけに特化したAIを作るのです。
範囲を狭めれば、学習データの準備も楽になり、用語の定義もブレにくくなります。そこで成功体験を作り、「AIって意外と使えるな」という実感を現場に持ってもらってから、徐々に対象範囲を広げていくのが定石です。
現場からのフィードバックを再学習させるループ作り
tsuzumiの軽量性は、再学習（Re-training）のコストが低いというメリットにもつながります。NTTの技術資料でも、アダプタ学習を用いることで、フルパラメータの再学習に比べて計算コストを数十分の一に抑えられることが示されています。
現場でAIが間違った回答をした時、作業員が「役に立たなかった」ボタンを押せるようにしておきます。そして、「正しくはこうだった」というフィードバックをコメントで残してもらいます。
このフィードバックデータを定期的にtsuzumiに追加学習させることで、AIはどんどん賢くなります。「新人教育」と同じです。最初は間違えることもありますが、現場全体で育てていく。このプロセス自体が、実は技術伝承の文化を醸成することにもつながるのです。
Tip 5: セキュリティポリシーを「AI前提」にアップデートする
オンプレミスでtsuzumiを運用するとはいえ、セキュリティポリシーの見直しは避けて通れません。従来の「紙とハンコ」時代のルールのままでは、AIの利便性を殺してしまいます。
ローカル環境だからできる権限設定
クラウドサービスを利用する場合、組織全体で一律のセキュリティ設定になりがちですが、自社運用のtsuzumiなら、きめ細かなアクセス制御が可能です。
例えば、「設計部門のAIは全図面にアクセスできるが、製造ラインのAIは閲覧のみ可能」「協力会社の作業員用端末からは、特定のノウハウにはアクセスできない」といった制御を、データソース側（RAGの検索対象）で行います。
重要なのは、「AIに見せるデータ」と「見せないデータ」を明確に区分けすることです。人事情報や経営会議の議事録まで学習させてしまい、現場のAIが不適切な情報を回答してしまった、という事例も報告されています。学習データのガバナンス（統制）は、システム構築前に必ず設計すべき項目です。
出力データの取り扱いルール
また、AIが生成した回答（出力データ）の扱いも決めておく必要があります。AIが要約した手順書を、そのまま正式なマニュアルとして採用して良いのか、必ず人間の責任者が承認するフローを挟むのか。
製造業ではPL法（製造物責任法）などの観点からも、AIの回答を鵜呑みにして事故が起きた場合の責任所在が問われます。「AIはあくまで支援ツールであり、最終判断は人間が行う」という原則を、運用ルールとして明文化しておくことが重要です。
まとめ: 技術伝承は「待ったなし」。今日からできるデータ整理
ここまで、tsuzumiを活用した技術伝承のアプローチについて解説してきました。AIは魔法の杖ではありませんが、正しく設計し、育てていけば、ベテランの背中を見て育つしかなかった技術継承のあり方を劇的に変えるツールになります。
tsuzumiのような軽量LLMの登場により、製造業はようやく「守り（セキュリティ）」と「攻め（DX）」を両立できる武器を手に入れました。
今日からできること：
- 日報の棚卸し: 過去のトラブル報告書がどこに、どんな形式で眠っているか確認する。
- 現場用語のリストアップ: ベテラン社員にインタビューし、よく使う隠語や略語を書き出してみる。
- スモールスタートの選定: どのライン、どの工程ならAI導入の効果が出やすそうか（課題が深いか）を検討する。
技術伝承は時間との戦いです。ベテランがいるうちに、その知恵をデジタルという新しい器に移し替える。そのパートナーとして、tsuzumiは非常に有力な選択肢となるはずです。
より具体的な導入事例や、tsuzumiを活用した製造業向けソリューションの詳細については、ぜひ以下の事例集をご覧ください。先行事例としてどのように壁を乗り越えたか、その実例はプロジェクトの大きなヒントになるはずです。
コメント