AIエージェントが生産指示を自律実行——最初の現場設計
リード（導入）
「また設備が止まった。原因がわからないまま、とりあえず電源を入れ直す」——そういう経験が、あなたの工場でも一度や二度はあるはずだ。
熟練の保全技術者が「あの音は軸受の摩耗だ」と即座に判断できる現場がある一方で、ノウハウが属人化したまま、ベテランが退職するたびに現場が脆弱になっていく。この課題に、AIエージェントが正面から向き合い始めた。
2025年、製造業の現場に「自律実行するAI」が本格参入してきた。単に情報を検索するだけでなく、設備異常の検知から原因分析・保全スケジューリング・部品手配まで、一連の工程を自律的にこなすAIエージェントが、大手企業の工場で動き始めている。中小製造業の現場担当者が今、最初に考えるべきは「どの工程から任せるか」だ。
設備異常をリアルタイムで診断するAIエージェント。熟練技術者の判断を補完する存在として工場に浸透しつつある
AIエージェントとコパイロットは何が違うのか
「AIエージェント」という言葉は、よく耳にする「AIアシスタント」や「コパイロット（副操縦士）」とは根本的に違う。
コパイロットは受動的だ。人間が「この設備、何が悪い？」と質問して初めて動く。一方、AIエージェントは能動的に動く。設備のセンサーデータを常時監視し、異常パターンを検知した瞬間に、故障診断・保全手順の提示・部品発注の手配まで、一連のプロセスを自ら判断して実行する。
Siemensは2025年5月のAutomate 2025でこの転換を明確に打ち出した。「コパイロットは答えを返す。エージェントはプロセスを動かす」——この違いが、現場設計に求められるものを大きく変える。
世界の製造現場でAIエージェントが動き始めた
Siemens——自律エージェントが製造工程全体を担う
SiemensはAutomate 2025で、設計・生産計画・エンジニアリング・現場オペレーションの各工程に特化したAIエージェントを発表した。目標は生産性50%向上だ。
注目すべきは制御の設計思想だ。ユーザーは「どのタスクをエージェントに委任するか」を自分で選べる。全自動ではなく、委任する範囲を人間が決める設計になっている。産業用セキュリティ国際標準のIEC 62443に準拠した多層防御も組み込まれており、2025年末にはAGV（無人搬送車）の速度をリアルタイムで監視するSafe Velocityエージェントのリリースが予定されている。
BMW——Physical AIロボットが30,000台超の生産を支援
BMWは2025年にSpartanburg工場（米国）で、Figure AIのヒューマノイドロボット「Figure 02」を試験導入した。BMW Group公式発表によると、Figure 02は約10カ月間にわたり、BMW X3の30,000台超の生産を支援した。ここで扱うべきポイントは、生成AIソフトウェア単体ではなく、ロボット・現場データ・作業判断を組み合わせたPhysical AIが、実際の量産現場で検証され始めていることだ。
コパイロット（受動的）とAIエージェント（能動的）の違い。エージェントは複数工程を連続して自律実行する
国内最前線——日立×ダイキンの10秒故障診断
国内でも動きは具体的だ。日立製作所とダイキン工業は2025年4月、ダイキンの堺製作所臨海工場（大阪府堺市）でAIエージェントの試験運用を開始した。
このエージェントがやっていることは明快だ。ダイキンが長年蓄積してきた設備図面をナレッジグラフに変換し、過去の保全記録（OTデータ）と日立独自の故障原因分析プロセス「OTスキル」を生成AIに組み合わせて学習させる。これにより、熟練保全技術者と同等以上の診断能力を持つエージェントを構築した。
実証実験で確認された数字は明確だ。
- 診断時間：10秒以内
- 診断精度：90%以上
「10秒・90%」は、現場での即応性と信頼性という両立が難しい二つの要件を同時に満たしている。2025年9月に試験運用を完了し、国内外のダイキン生産拠点へ順次展開する予定だ。
この事例が中小製造業に示す示唆は大きい。自社に設備図面と保全記録が蓄積されているなら、それが「AIエージェントの学習素材」になりうる、ということだ。
「間違った指示をしないか」——安全を担保する3つの仕組み
AIエージェントが自律実行するとなれば、真っ先に気になるのが「誤った判断をしたとき、誰がどう止めるのか」だろう。
これは現時点でのAIエージェント設計における最重要課題であり、実際の導入事例では3層の仕組みで対処されている。
① ガードレール設計——行動の範囲を事前に定義する
AIエージェントには、あらかじめ「できること・できないこと」の境界線を設定する。入力（どのデータを参照するか）、処理（どのロジックで判断するか）、出力（どのアクションを実行するか）の三段階それぞれにチェック機構を組み込む。Siemensがユーザーに「委任するタスクを選ばせる」設計を採用しているのも、このガードレールの考え方に基づいている。
② エスカレーションプロトコル——自信がなければ人間に聞く
優れた実装では、エージェントが「自分の判断に自信が持てない」と判断した場合、自律実行を止めて人間に承認を求める。日立×ダイキンの故障診断AIエージェントが「診断結果を提示する」にとどまり、最終判断は保全担当者が行う形で試験運用を始めたのも、このプロトコルを意図した設計だ。
③ 段階的自律化——一気に「完全自律」にしない
現場でAIエージェントへの信頼を積み上げるには段階が必要だ。「閲覧のみ」→「推奨を提示」→「人間の承認を経て実行」→「自律実行」という4段階を経ることで、現場担当者は「このエージェントはここまでなら信頼できる」という感覚を持てるようになる。最初から「完全自律」にしようとすると、最初の失敗で現場の信頼を一気に失う。
AIエージェントの安全設計3層構造。ガードレール・エスカレーション・段階的自律化を組み合わせることで現場の信頼を醸成する
中小製造業が「最初に任せる工程」の選び方
では、中小製造業が実際にAIエージェントを導入するとき、どの工程から手をつけるべきか。
次の3つの条件が揃う工程から始めることを推奨する。
条件1：データが蓄積されている AIエージェントは学習データがなければ機能しない。設備のセンサーログ、過去の保全記録、故障履歴——これらが電子データとして存在している工程が対象になる。紙の台帳しかない工程は、まずデータ化が先決だ。
条件2：判断の基準が言語化できる 「このアラームが出たら、まず〇〇を確認する」という手順が言葉で説明できるなら、エージェントに学習させやすい。逆に「経験でわかる」としか言えない暗黙知の工程は、まず言語化から始める必要がある。
条件3：誤判断の影響が限定的 最初に任せる工程は、万が一エージェントが誤った診断を出しても、影響範囲が小さい工程を選ぶ。設備の稼働停止に直結する判断より、「次回の保全スケジュールを提案する」程度の工程が入口として適切だ。
日立×ダイキンの事例が「故障診断の提示」から始めたのも、この考え方と一致する。最終的な保全指示は人間が出す、という制約を設けることで、現場の混乱を最小化しながらエージェントを試運転している。
まとめ——AIに任せる前に決めるべきことがある
AIエージェントが製造現場に入ってくるのは、もはや「if」ではなく「when」の話だ。Siemens、日立×ダイキン、BMWの事例が示すように、2025年は自律実行の実証段階に入っている。
しかし、ここで急いではいけない。AIに任せる前に、現場担当者が先に決めるべきことがある。
「何をAIに任せないか」を決めること
例外時の判断ルール、責任の所在、エスカレーションの基準——これらを曖昧にしたまま「あとはAIが考える」にしてしまうと、最初のトラブルで現場の信頼を失う。AIエージェントの導入は技術の問題より、運用設計と責任設計の問題だ。
「最初に任せる工程」を小さく決め、3層の安全設計を組み込み、段階的に信頼を積み上げていく。その地道な積み重ねが、AIエージェントを「現場の戦力」にする唯一の道だ。
「これ、AIでできない？」
業務の流れに落とし込みます。
相談内容をもとに、
AIで支援できそうな工程と、
人が確認すべきポイントを整理します。
まずは、分かる範囲で構いません。
参考・出典
- Siemens introduces AI agents for industrial automation (Robotics & Automation News, 2025/05/13)
- How AI agents reshape industrial automation and risk management (Help Net Security, 2025/05/27)
- ダイキンと日立が協創、工場の設備故障診断を支援するAIエージェントの実用化に向けた試験運用を開始 (EnterpriseZine, 2025/04/22)
- BMW Group to deploy humanoid robots in production in Germany for the first time (BMW Group PressClub, 2025/06/17)
- Managing the Rise of Agentic AI in Manufacturing (IIoT World, 2025)