運用向けAI
デジタルトランスフォーメーション

チャットボットを超えて:離散製造業におけるエージェント型AIの仕組み

Patrick Lemay

AI Summary

Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.

アラートが作動する。上司がそれを確認する。その意味を把握する。別のシステムを開く。作業指示書を作成する。オペレーターに通知する。記録することを忘れずにしようと努める。時々、実際に記録することもある。

「データ→人間→意思決定→実行」という一連の流れにおいて、製造業におけるAIへの投資の多くはそこで止まってしまう。

多くのディスクリート製造業者のAI投資の第一段階は、ダッシュボードの機能向上、異常アラートの明確化、そしてより多くの場所からデータを確認できるようにすることに重点が置かれていました。しかし、同じ監督者たちは、今でも毎朝同じ手作業による優先順位付けを行わざるを得ず、しかも処理すべき案件の待ち行列は以前より長くなっているのが現状です。

問題はアーキテクチャにある。AIが洞察を提示しても、その洞察をその後のあらゆるアクション(作業指示書の作成、材料証明書の確認、オペレーターへの通知、応答の記録など)に人間が変換しなければならない場合、AIは情報層を改善したものの、実行層は変更されていないことになる。

航空宇宙、 医療機器、自動車などの業界では、たった1件の追跡されていない逸脱が、CAPA調査やリコール審査へと波及する可能性があるため、そのギャップは瞬く間にコンプライアンス上のリスクとなり得ます。

エージェント型AIには、そのギャップを埋める可能性がある。そこで決定的な要因となるのは、エージェントがスタックのどの部分に位置するかという点である。

「インサイト・エンジン」から「デジタル・ワーカー」へ

多くの人にとって、生成AIはデジタルコンサルタントのような役割を果たしています。質問への回答、要約の作成、推奨事項の提示、依頼に応じた文書の草案作成など、さまざまな作業を効果的にこなしてくれます。生成された結果は人間の手に渡り、どう対応するかは人間が決めます。一連の行動は、人間から始まり、人間で終わるのです。

エージェント型AIには、さらに一歩先へ進む能力があります。明確な目標と一連の運用上のガイドラインが与えられれば、エージェント型システムは状況を把握し、選択肢を評価し、連携したシステム全体で実行を行い、その結果を記録します。各ステップで人間の判断を必要としません。

製造現場では、その区別は明確です。「AI機能」を備えたMESは、ステーション4でトルクの偏差を検知すると、次のように応答するかもしれません。「直近の3個の製品について、公称値24~26 Nmに対し、22.3 Nmが測定されました。推奨措置:直近の組立工程を確認してください。」その後、オペレーターはアラートを確認し、作業指示を一時停止するかどうかを判断し、偏差を記録し、場合によっては品質担当技術者にメールを送信します。

エージェントシステムは、同じ逸脱を検知すると、シリアル番号に基づいて最後に規格に適合していたロットを特定し、そのロットに依存する下流の作業指示を保留にし、あらかじめ作成された証拠資料一式(測定値、材料証明書、作業者ID、改訂管理された作業指示書)を添付して、品質技術者のインターフェースに 再作業指示を送信するとともに、追跡可能な実行記録に自身の処理内容を記録します。

その違いは、「システムが何かを検知した」という時点と、「問題が解決された」という時点の間に何が起こるかという点にある。

デロイトは、製造業におけるエージェント型AIの導入率が、現在の6%から2027年までに24%へと4倍に増加すると予測している。この導入率の格差は、関心不足というよりは、実用段階でのエージェント型AIの導入に何が必要かについて明確な理解が欠けていることを反映している。

AIを早期に導入した企業は、製造業者に現状を伝えるソリューションの導入に注力しています。実際にアクションを起こす能力を備えたソリューションがもたらす可能性を探っている企業は、まだほとんどありません。

実務から離れすぎると、エージェント型AIはなぜ不十分になってしまうのか

ERPレベルのエージェント(SAP Joule、Oracle の組み込みAI、InforのIndustry AI Agentsなど)は、実際の計画上の課題に対処する能力を備えています。これらは、供給の混乱に応じて生産スケジュールを調整したり、 生産能力の配分を最適化したり、静的なダッシュボードでは到底提供できないほど豊富なコンテキストに基づいて受注管理上の意思決定を提示したりすることができます。これらのエージェントの展開基盤となるのは、エンタープライズ計画システムです。

そのレイヤーは、実際の業務が行われる場所の上位に位置しています。これらのソリューションは、現場での業務実行状況をリアルタイムで把握するようには設計されていません。

エージェントがERPデータを処理する場合、計画に関する意思決定を行うことができます。エージェントが現場の実行データを処理する場合、作業に関する意思決定を行います。 離散型製造においては、コンプライアンス記録(実施工記録/検査記録)は、実際に実施された作業を反映しています。

エージェントが必要とするデータ

エージェント型システムが、複雑な製造環境において安全かつ自律的な意思決定を行うためには、単なる作業指示書に記載されている情報だけでは不十分です。引き出された材料のロット番号、作業実行中に作業ステーションで収集されたデータ、作業者の身元と資格、その工程を規定した作業指示書、そしてこのユニットの合格に依存する下流の組立工程などの情報が必要となります。

この運用上の文脈は、実行レイヤーに存在します。つまり、ガイド付きワークフロー、作業現場でのデータ収集、そして業務の進行に伴い フロントラインプラットフォームが作成するステップ単位の記録などです。これがなければ、担当者は状況を完全には把握できないまま判断を下すことになります。その判断は迅速であり、通常は正しいものでしょう。しかし、その判断を裏付ける証拠の連鎖が存在しないため、規制当局による監査の場ではその判断を正当化することはできません。

ERP層のエージェントが動作する場所と、正当化可能な自律的な意思決定を行う必要がある場所との間のギャップは、エージェント型AIの導入事例の多くがまだ解決できていないアーキテクチャ上の課題である。このギャップを埋めるのが「コンテキストグラフ」である。これは、あらゆるアクションを、対象となる資材、ワークフロー、オペレーター、およびそのアクションが準拠すべき仕様と結びつける、運用データのリアルタイムなネットワークである。

コンテキストグラフ:現場のデータがエージェントの意思決定を正当化する理由

コンテキストグラフとは、特定の作業単位を、実行やコンプライアンスの観点から重要な要素――材料ロット、プロセスパラメータ、オペレータの身元および資格、有効な作業指示書の改訂版、タイムスタンプ、下流の依存関係――と結びつける、リアルタイムの運用データネットワークのことです。

Tulip のプラットフォームでは、作業の進行に合わせて継続的にデータが収集されます。ガイド付きワークフローが各ステップを捕捉し、センサーが各パラメータを記録し、オペレーターが各材料ロットをスキャンし、各意思決定ポイントがタイムスタンプとコンテキストとともにログに記録されます。エージェントが行動を起こす段階になる頃には、その推論の根拠となるコンテキストは、その特定のライン上のその特定のユニットの、まさにその瞬間のリアルタイムの状態を反映したものとなっています。

適切な計測機能を備えた最前線のプラットフォームは、エージェントの自律的な意思決定が精査に耐えうるかどうかを判断するのに役立つ6つの側面を捉えています:

  • 特定のシリアル番号またはロット番号に関連付けられた材料の認証およびロットのトレーサビリティ
  • その観測所でリアルタイムに測定されたプロセスパラメータ(実際に取得されたデータ)
  • 実行された各ステップごとのオペレーターの身元および資格状況
  • 実行時点で有効であり、適用されていた作業指示書の改訂版
  • シーケンス内のすべてのアクションに対するステップ単位のタイムスタンプ
  • 下流の依存関係、具体的には、このユニットのテストに合格することを前提としているアセンブリや操作

エージェントがこのレベルの詳細情報にアクセスできる場合、その意思決定は確かな根拠に基づいたものとなります。

意思決定の経緯はデータから導き出されます。フラグが立てられた作業指示書を審査する監査担当者は、何が起きたかを再構築する必要はありません。コンテキストグラフには、その意思決定を引き起こした条件、エージェントが処理したデータ、そしてエージェントがどのような行動をとったかが示されています。

それが、実行層におけるAIと計画層におけるAIとの違いです。

推定による証拠

航空宇宙、医療機器、およびISOやFDAの規制対象となるあらゆる個別製造環境において、コンプライアンス関連の文書作成は決して「完了」することはありません。 不適合事項はすべて、記録の提出を求められる可能性を秘めています。作業指示書の完了はすべて、実測図の作成が必要となる可能性があります。監査への備えは常に維持すべき姿勢であり、問うべき質問は常に同じです。つまり、「何が起こったのかを正確に示すことができるか」ということです。

AIエージェントが実行レイヤーの外側(ERP、BIプラットフォーム、あるいはスタンドアロンのAIツールなど)で動作する場合、その質問に対する答えを出すことはより難しくなります。

エージェントの行動は、完成図面には自動的に反映されません。誰かが手動で記録しなければ、そこには記載されません。実際には、体系的な記録メカニズムが整備されていない場所でエージェントが何かを操作した場合、その記録には欠落が生じることになります。

エージェントが実行レイヤー内で動作すると、記録は自動的に作成されます。エージェントが行うあらゆるアクション( 品質チェックの実施、下流の作業指示の一時停止、手直し指示の伝達、逸脱のフラグ付けなど)は、オペレーター自身の操作手順と同じ追跡可能な実行記録に記録されます。コンプライアンス担当者が後で照合しなければならない別のAIログではなく、その記録の中に直接記録されるのです。その記録には、トリガーとなった条件、エージェントが処理したデータ、そしてその結果が関連付けられています。

これが「デフォルトによる証拠」というものです。コンプライアンス関連の文書は、通常の生産活動の副産物となります。

Tulipの「Composable AI Agents」は、このモデルを基盤として構築されています。エージェントのあらゆるアクション(トリガーとなるイベント、意思決定、実行、結果)は、基盤となる実行データを収集したのと同じプラットフォーム内に記録されます。

AIの利用をめぐる規制上の重要性は、かつてないほど高まっています。現在施行されているEUのAI法では、高リスクのAIアプリケーションに関する違反行為に対し、最大3,500万ユーロ、あるいは全世界の年間売上高の7%に相当する罰金が科されます。製造業の品質管理システムも、この適用範囲に含まれる可能性が高いです。「AIのせいだ」という言い訳は、監査において通用しません。「エージェントが下したすべての決定、その判断の根拠となったデータ、そして生み出された結果」を提示することこそが、正当な説明となるのです。

ヒューマン・イン・ザ・ループ:残りの90%を管理することで、残りの部分を信頼できるようにする

エージェントが誤った判断を下し、しかもチームがその決定がエージェントによるものだと気づかなかった場合、どうなるのでしょうか?この疑問こそが、機能面のギャップよりも、エージェント型AIパイロットの実用化を阻んでいる最大の要因なのです。

それは当然の懸念です。デロイトによると、現在エージェント型AIを導入している企業のうち、成熟したガバナンスモデルを整備しているのはわずか21%に過ぎません。初期段階の導入におけるリスクの多くは、エージェントそのものにあるというよりは、エージェントに何が許可され、何が許可されていないかについて明確な境界が定まっていないことに起因しています。

90/10モデル

現場のオペレーターが個別生産の現場で直面する業務のほとんどは、日常的なものです。既知のパラメータ範囲内での測定。定められた生産能力の範囲内でのスケジューリングの調整。構造化された実行データから作成されたシフト概要。こうした状況は予測可能なパターンに従い、決定ロジックにも明確な枠組みがあり、コンプライアンスチームがすでに確認済みの結果を生み出します。これを「90%」と呼びましょう。つまり、オペレーターが十分な背景情報を持ち、明確なルールがあり、行動する権限も与えられている状況のことです。

この10%こそが、エスカレーションの対象となる領域です。エージェントが設定された範囲内で遭遇したことのない新たな故障モード。コンプライアンスの閾値を超え、承認者の署名が必要な意思決定。下流の生産に重大な影響を及ぼすアクション(バッチの廃棄、生産ラインの停止)。人間の承認を必要とする規制上の記録を生成するあらゆる意思決定。これらは自律的な実行の対象外であり、適切に設定されたエージェントはその違いを認識しています。

実際には、90/10の境界を定義することには、次の3つの意味があります:

  1. エージェントは、誰にも通知することなく、どのような決定を下すことができますか;
  2. エージェントが行動を起こす前に、どのような条件が満たされた場合に人間による審査が行われるか;および
  3. どの決定事項について、実行前に上司または品質技術者の承認が必要か。

これらの設定は、モデルではなくプラットフォーム内に保存されます。これらは、プロセスを担当するチームによって設定され、コンプライアンス部門による確認が可能であり、運用が成熟するにつれて調整することもできます。

Tulipの「Composable AI Agents」は、これら3つの要素すべてにわたって設定可能です。チームは、適用範囲、エスカレーションのトリガー、および人間の判断が反映されるインターフェースを定義します。判断に人間の入力が必要な場合、その入力はオペレーターの「Tulip 」インターフェースを通じて行われ、オペレーターが別途並行して確認しなければならない別のAIポータルを経由することはありません。このワークフローこそがガバナンスの仕組みなのです。

「グッド・ガバナンス」とはどのようなものか

マッキンゼーが2025年11月に発表した「AIの現状」レポートによると、エージェント型AIの導入が最も進んでいる組織には、ある共通の特徴が見られる。それは、人間が監督、検証、介入を行う「ヒューマン・イン・ザ・ループ」型の監視フレームワークを採用しているという点である。

それは次のような感じです:

  • 完全な監査証跡:エージェントによるすべての決定について、その決定のきっかけとなった条件、対象となったデータ、実行されたアクション、および結果が記録されます。
  • オペレーターレベルでの手動による上書き:エージェントによるあらゆるアクションは、権限を持つユーザーによって確認および取り消しが可能
  • スコープ制御:エージェントは特定のアクションセットに合わせて設定されており、範囲を拡大するには明示的な設定変更が必要となる
  • オペレーターインターフェースを通じたエスカレーション:人間の判断を必要とする決定事項は、オペレーターがすでに使用しているワークフローの中で浮上する
  • 定期的なパフォーマンス評価:定められた周期で、品質およびコンプライアンス指標に基づいてエージェントの行動を評価する

エージェントを自信を持って導入しているチームは、まずガバナンスモデルを設計し、その後に自動化を設計したチームである。

Agentic AIが既存の技術スタックとどのように連携するか

15年前に導入されたSAPシステムを運用している場合、AIエージェントを導入するためにそのシステムを置き換えることはありません。

高度にカスタマイズされたERPやレガシーMESシステムを導入しているメーカーの場合、これらのプラットフォームには運用ロジックが深く組み込まれているため、ビジネス的に合理的なスケジュールでそれらを撤去することは困難です。

実行層におけるエージェント型AIは、既存のシステムを完全に置き換える必要はありません。

エージェントはAPIを介して既存のシステムに接続します。Tulip 内で動作する高品質なエージェントは、SAPに対して現在の作業指示書に関連付けられた材料認証情報を照会し、作業指示書の仕様から管理限界値を取得し、対応する機器から測定値を読み取り、それらを比較して、適切なアクションを実行することができます。これらすべてが、単一の調整されたワークフローの中で行われます。 システムを置き換える必要はありません。中核となるインフラを移行する必要もありません。ERPは、本来保持すべき記録を引き続き保持し、実行プラットフォームは、ERPが本来把握するようには設計されていなかった現場の状況を捕捉し、エージェントが意思決定の時点でこの2つを結びつけます。

マッキンゼーはこれを「AIエージェントとERPの大きな隔たり」と名付けました。調査の結果、この隔たりは「置き換え」ではなく「機能強化」によって埋まることが明らかになりました。Tulip のようなプラットフォームが、その架け橋となるのです。

この決定を検討しているITアーキテクトにとって、重要な問いは以下の通りです:

現在稼働中のERPおよびMESシステムには、どのようなAPIが存在しますか?

それらのシステムが公開するデータは、どの程度構造化されているのでしょうか?

「ガバナンスに基づく統合」とはどのようなものなのでしょうか?

本番システムとの間で読み書きを行うレイヤーを追加する場合、たとえコアスタックの再設計を必要としない場合でも、セキュリティレビューと変更管理が必要となります。

Tulip 標準APIを通じて、SAP、Oracle 、ヒストリアン、PLC、およびさまざまなMESシステムと連携します。連携作業は実際に必要ですが、インフラの入れ替えは必要ありません。

離散型製造におけるエージェント型AIの活用事例

エージェントの記述内容と、実際の運用におけるパフォーマンスとの違いは、運用面においてより明確になります。具体的には、どのような条件でエージェントが起動したか、エージェントがどのような動作を行ったか、そして最終的に記録に何が残ったか、といった点です。以下に、これが実際にどのように現れるかについて、いくつかの具体例を示します。

品質逸脱への対応

あるオペレーターが、作業指示書4421、材料ロットTL-2209-Aにおいて、下限管理限界を下回るトルク値を3回連続で測定しました。オペレーターが常駐していないラインでは、この測定結果 により品質ダッシュボード上でアラートが発動します。品質技術者は次の監視サイクル中にこれを確認し、MESを開いてロットの保留の可否を判断し、オペレーターに通知した上で、その対応 内容をQMSに記録しようとします。検出から対応までの時間は数時間単位で計測されます。 監査証跡は、もし存在する場合、電子メールやメモから寄せ集められて作成される。

実行レイヤーに移行すると、エージェントはシリアル番号に基づいて、最後に規格に適合したロットを特定します。エージェントは、このロットに依存する下流の作業指示書を保持しています。そして、シリアル番号、測定値、材料証明書、および作業者IDが事前に組み込まれた再作業指示を、品質技術者のインターフェースに転送します。エージェントのこの動作は、元の測定値とともに、追跡可能な実行記録にログとして記録されます。品質技術者がキューに到達する頃には、証拠パッケージはすでにそこに用意されています。

対応時間が数時間から数分に短縮されます。竣工図の再作成は不要です。

NPIの移管

新製品、47工程の組立プロセス、BOM が前回の改訂版から変更されています。これまで別々だった3つの作業指示書は、初回品検査の前に整合させる必要があります。エージェントがいない場合、プロセスエンジニアが手作業でこれを行います。具体的には、改訂履歴の比較、研修資料の作成、初回品検査の前ではなく検査中に不備を発見することなどです。

エージェントを活用することで、生産開始前に、新しいBOM と現行の作業指示書の改訂版との相違点が特定されます。変更された工程は、エンジニアによる確認と承認のために提示されます。更新されたガイド付きワークフローには、ユニット1の新しい改訂版が反映されます。 オペレーターへのトレーニングでは、47ステップにわたる手順全体ではなく、具体的に変更された工程に焦点を当てます。どの作業指示書の改訂版がどのユニットに適用されたかという追跡可能な記録は、遡及的にではなく、初回製品段階で確立されます。

シフト引継ぎ

未解決の逸脱事項が3件。メンテナンスフラグが立っている機械が2台。予定より遅れている作業指示書が1件。退勤する監督者が作成した報告書には、そのシフトの状況次第で、これらすべてが網羅されている場合もあれば、そうでない場合もある。勤務を引き継ぐ監督者は、通常、最初の15分間を管理業務ではなく、状況把握に費やすことになる。

担当者は、実行データ(ステータスとタイムスタンプ付きの未解決の逸脱事項、最後に確認された状態を含む機械のフラグ、計画に対する 生産状況など)から、引き継ぎ内容を自動的にまとめます。引き継ぎを行う側の監督者がこれを確認・承認します。引き継ぎを受ける側の監督者は、現場に入る前に体系化された要約を確認します。未解決の事項が引き継ぎの過程で漏れることはありません。

検証文書の作成

医療機器製造施設の規制対象生産ライン向けに新たに構築されたアプリケーション。導入前にはGxPバリデーションガイドが必要となる。エージェントがない場合、バリデーションチームはアプリケーションの構造を手作業で確認し、使用目的を文書化し、リスク管理策をマッピングし、テストケースを作成する。アプリケーションの複雑さによっては、この作業に数日から数週間を要する。

Tulipの「バリデーション・ガイド・ジェネレーター」は、アプリケーションの構造を読み取り、GxP文書要件と照合して、ガイドの草案を自動的に作成します。バリデーションチームがこれを確認、修正、承認します。これにより、作業の重点が文書の作成から文書の確認へと移行します。

離散型製造業向けのエージェント型AIプラットフォームの評価

エージェント型AIベンダーの多くは、自社のシステムが製造業向けに特別に設計されていると主張するでしょう。いくつかの質問を投げかけることで、実行層向けに設計されたプラットフォームと、計画、文書化、あるいは汎用的なプロセス自動化向けに構築されたプラットフォームとを見分けることができます。

エージェントはスタックのどの部分で動作するのでしょうか?ERP内に配置されたエージェントは、インサイト・パイプラインを強化します。一方、作業が行われ、プロセスパラメータが取得され、オペレーターの操作手順が記録される実行レイヤーに配置されたエージェントは、実行ループを完結させることができます。ベンダーに対し、具体的な品質逸脱のシナリオについて、エージェントがどこからデータを取得し、どのシステムと連携し、最終的にどのような記録が残るのか、詳細に説明してもらうように依頼してください。

エージェントはどのような業務状況を把握できるのか?離散型製造における品質判断には、材料ロットデータ、リアルタイムの工程パラメータ、作業指示書の改訂履歴、およびオペレーターレベルの実行記録が必要となる。もしエージェントが毎晩同期されるERPデータに基づいて推論を行っている場合、それは直近1時間で状況が変わっている可能性のある「昨日の状況」を基に判断していることになる。エージェントのデータ遅延がどの程度か、また現場の実行記録にアクセスできるかどうかを確認すべきである。

ガバナンスモデルは実際にはどのような形をとっているのでしょうか?どのベンダーも「ヒューマン・イン・ザ・ループ」アプローチについて説明することはできます。実際にその仕組みを見せてくれるよう依頼してみてください。コンプライアンスチームは、エージェントがいつ自律的に動作し、いつエスカレーションを行うかを正確に設定できますか?エージェントのすべての判断は、その引き金となった条件と結果とともに、規制当局の審査に耐えうる形式で記録されていますか?オペレーターは現場レベルでエージェントの動作をオーバーライドできますか?もしガバナンスモデルの確認に別途ポータルが必要となる場合、実際には無視されてしまうでしょう。

新たなインフラが必要なのか、それとも既存のシステムと連携するのか。統合作業は避けられないが、プラットフォームの全面的な入れ替えについてはまた別の話だ。ベンダーに対し、ERPやMESとの連携にどのAPIを使用しているか、統合にはどのようなアプローチが必要か、そして基盤となるエンタープライズシステムが更新された際の保守モデルがどのようなものかについて、具体的に説明してもらうようにしよう。

これらは「罠」のような質問ではありません。これらは、本番環境への導入前にコンプライアンスチームが必ず尋ねる質問であり、これらに明確に答えられないベンダーには、何かしらの問題があるということです。

パイロット展開と本番環境への展開の違い

製造業におけるエージェント型AIの導入は、今後2年以内に4倍に増加すると予測されている。その成長の大部分は、パイロットプロジェクトの実施によるものとなるだろう。

パイロット運用と本番環境への導入を分けるのは、アーキテクチャです。つまり、エージェントがどこに配置されるか、どのようなコンテキストを把握できるか、どのようなガバナンスモデルがその動作を制限するか、そしてエージェントが生成する記録が規制当局の精査に耐えられるかどうか、といった点です。

実行層こそが、これらの問いに対する答えが存在する場所です。実行層が維持するコンテキストグラフ、デフォルトで収集するエビデンス、そして設定・適用される「ヒューマン・イン・ザ・ループ」型のガバナンスモデル。これらが、自律的な行動を正当化できる条件となります。これらがなければ、エージェントは単に余分な手順が追加された、高度な警報システムに過ぎません。

Tulipの「Composable AI Agents」は、この環境に合わせて設計されています。組み合わせて利用可能で、透明性が高く、設計段階から「ヒューマン・イン・ザ・ループ」を前提としており、業務と証拠が存在する最前線の実行レイヤーで動作します。

Tulip の「Composable Agents」が、離散型製造業の生産プロセスの自動化にどのように貢献しているかについて詳しく知りたい方は、 ぜひ今すぐ当社のチームメンバーまでお問い合わせください!

主体性を持つAIを活用して、現場での意思決定を統括する

Tulip を使用してデータとワークフローを連携させ、AIエージェントが文脈に沿ってタスクを実行できるようにすることで、連携とリアルタイム性能を向上させます。

バーチャルでインタラクティブな製品ツアーを体験しましょう
ある1日の様子を描いたCTAイラスト

よくある質問

製造業の各企業では、Tulip のようなエージェント型AIソリューションを活用し、生産状況に応じて多段階の対応を自律的に実行しています。具体的には、寸法偏差を検知し、その原因を特定の作業指示書や材料ロットまで特定し、下流工程を一時停止させ、適切な作業員に手直し指示を伝達します。これらの一連の処理は、監督者が各ステップを手動で連携させることなく行われます。

人間が行動を起こすための提案を生成する生成AIとは異なり、エージェント型AIは、制作ワークフローそのものの中で、検知と対応のループを完結させます。

生成AIは、要約、レポート、推奨事項、ドキュメントといったコンテンツを作成します。

エージェント型AIは自ら行動を起こします。製造現場では、生成型AIがシフトのまとめを作成したり、是正措置を提案したりすることがあります。一方、エージェント型AIは、トリガーとなる条件を検知し、是正ワークフローを実行し、そのアクションを追跡可能な実行記録に記録します。これらはすべて、定義された運用範囲内で自律的に行われます。実用上の違いは「ループの閉鎖」にあります。生成型AIでは、その出力に基づいて人間が行動を起こす必要がありますが、エージェント型AIは自らアクションを実行するのです。

製造AIにおける「ヒューマン・イン・ザ・ループ」ガバナンスとは、エージェントがいつ自律的に行動し、いつ人間にエスカレーションすべきかを正確に定義することを意味します。定型的で明確に定義された意思決定(標準的な品質チェックの実施、定められたパラメータの範囲内での生産タスクの再スケジュール、シフト引継ぎのまとめなど)については、エージェントが自律的に行動します。 コンプライアンスの閾値を超える意思決定、新たな故障モードが関与する意思決定、あるいは規制当局の承認を必要とする意思決定については、エージェントは行動に移す前に、オペレーターインターフェースを通じてその意思決定を提示し、人間の確認を求めます。チームがこの境界を設定し、エージェントはそれを遵守します。自律的な意思決定であれ、人間へのエスカレーションであれ、すべての意思決定は、その引き金となった状況と結果とともに記録されます。

はい。Tulip のコンポーザブル・エージェントは、既存のERPやMESインフラを置き換える必要はありません。

エージェントはAPIを介してレガシーシステムに接続し、SAPやOracle から作業指示書データ、材料証明書、BOM 構造を読み取り、MESシステムやヒストリアンから処理パラメータを取得しながら、現場のワークフロープラットフォーム内でアクションを実行します。Tulip は、エンタープライズデータとリアルタイムの実行コンテキストを結びつけるオーケストレーション層として機能し、製造業者に対し、インフラストラクチャの全面的な入れ替えを行うことなく、エージェント機能を付与します。

Tulip のような現場業務プラットフォーム内で AI エージェントが動作する場合、そのエージェントが行うあらゆるアクション(品質チェックの実施、作業指示の一時停止、手直し指示の伝達、検証文書の作成など)は、オペレーター自身のアクションと同様に、追跡可能な実行記録として記録されます。

竣工時および検査時の記録は、監査の前に遡及的にまとめられるのではなく、作業の進行に伴い蓄積されていきます。この「デフォルトによる証拠」モデルでは、コンプライアンス関連の文書は、別途作成する作業ではなく、生産過程において継続的に生み出される副産物となります。

離散製造業において、最も価値が高く、運用上の制約が最も少ないエージェント型AIのユースケースは以下の通りです:

  • 品質逸脱への対応(仕様外の状態を検出し、再作業ワークフローを自動的に起動する)
  • 生産スケジューリングの調整(設備の停止や生産能力の変化に応じて、作業指示書のルートを変更すること)
  • バリデーション文書の生成(アプリケーションの構造からGxPまたはISO準拠のバリデーションガイドを自動生成)
  • シフト引継ぎの自動化(実行データに基づく生産状況の集計)
  • 新製品の導入ワークフローの設定(初回試作前の作業指示書を更新されたBOMに合わせる)。

これらのユースケースには、明確に定義されたトリガー条件、範囲が限定された意思決定ロジック、そして明確なコンプライアンス上の価値という共通点があります。

離散製造において安全な自律的な意思決定を行うためには、エージェントがERPだけでは提供できない運用上のコンテキストにアクセスする必要があります。具体的には、その作業ステーションで使用されている具体的な材料ロット、リアルタイムで取得されたプロセスパラメータの測定値、有効だった作業指示書の改訂版、その工程を実施したオペレーター、工程ごとのタイムスタンプ、およびこのユニットに依存する下流の作業指示書などです。

この最前線のデータが相互に結びついたネットワーク――Tulip が「コンテキストグラフ」と呼ぶもの――こそが、エージェントの意思決定を業務上の現実に根ざしたものとするとともに、その意思決定を監査可能なものにしている。このコンテキストなしに動作するエージェントは、不完全な情報に基づいて推論を行っており、その意思決定は規制当局による審査において正当化することができない。