1/28ページ
ダウンロード(4.7Mb)
生成AIを導入したのに、なぜ現場で使われないのか。その答えは、AIに渡す「データ」にあります。
本資料は、ものづくりワールドでの講演資料を、資料として読みやすいように再編集したものです。企業が生み出すデータの約9割を占める非構造化データが、なぜAIに理解できないのかを、トラブル報告書や図面、手書きの技術標準などの具体例で紹介します。そのうえで、汎用AIを「現場で使えるAI」にするための取り組みを解説します。
【この資料でわかること】
・AIが理解できない社内データの具体例
・データの「AI-Ready度」の段階(検索できる→推論できる→行動できる)
・米国で注目される「コンテキストレイヤー」とAI-Readyデータの関係
・汎用AIを現場で使えるAIにする、3つの取り組み
【こんな方におすすめ】
・生成AIを導入したものの、現場での活用が進んでいない方
・図面や報告書など、社内の技術文書をAIで活用したい製造業の方
このカタログについて
| ドキュメント名 | 汎用AIが現場で使えない本当の理由とは|ものづくりワールド登壇資料【講演資料】 |
|---|---|
| ドキュメント種別 | ホワイトペーパー |
| ファイルサイズ | 4.7Mb |
| 登録カテゴリ | |
| 取り扱い企業 | 株式会社フライウィール (この企業の取り扱いカタログ一覧) |
この企業の関連カタログ
このカタログの内容
Page1
汎⽤AIが現場で使えない本当の理由とは
〜AI-Ready化の必要性〜
FLYWHEEL, Inc.
Page2
Mission
データを⼈々の
エネルギーに
フライウィールは、データを使って、ビジネス⽬標を最速で達
成するデータソリューション プロバイダーです。主⼒製品であ
るデータ活⽤プラットフォーム Conata(コナタ)™および
Conata Data Agent は、データによって組織をつなぎ、その
データを活⽤までつなぐことでデータのポテンシャルを最⼤限
まで引き上げます。
フライウィールとは、回転エネルギーを効率的に蓄えるように
設計された機械装置。⽇本語では「弾み⾞」と呼ばれる。
Page3
Mission実現に向けた活動の⼀環として
ビジネス成⻑に直結したAI活⽤は、⼈に優しい状態で管理されている社内データを解析可能な形式に整える
『AI-Ready化』と、それをフォーマットや保存先に関わらず横断して引き出す『検索技術』の掛け合わせで決ま
る。
『企業内データの AI-Ready化』
『検索技術』
© FLYWHEEL Inc. All Rights Reserved. 3
Page4
AI にとって、データは“燃料”
しかし、ただ集めるだけでは意味がない。
必要なのは、AI-Ready な状態での整備。
AI-Ready データの5つの条件
✅ 分かりやすい構造 → 構造化、モデリング 90%*
✅ 適切な意味づけ → ベクトル化、ラベリング
✅ 企業が⽣み出す扱いづらい
⾼い品質 → 誤り‧偏りの少ないデータ ⾮構造化データ
✅ 統⼀された管理 → ガバナンス、セキュリティ (⽂書/PDF等)
✅ 継続的な改善 → モニタリング&フィードバック
“AI を活かす企業”になるには、データそのものの⾒直しこそが成功の鍵
出典*:IDCホワイトペーパー、Box Inc:未開拓の価値:⾮構造化データについてあらゆる経営幹部が理解すべきこと 、Doc.US51128223、2023年8⽉
© FLYWHEEL Inc. All Rights Reserved. 4
Page5
AIの業務適⽤に向けた運⽤について※各段階で、扱うデータの種類も広がっていきます。
ビジネス成⻑を実現するために、AI活⽤は必須な時代。とはいえ、⼀⾜⾶びに理想にたどり着くことはできない。
業務の影響度
“予測”を含めた経営判断に直結する活⽤
経営判断
意思決定 AIによる“業務の代替”(⼈は意思決定中⼼)
組織横断 熟練⼯の“フィードバックループ”
“暗黙知の形式知化”
⾃チーム →『データのAI-Ready化』
まず重要なのはここ
⾃⾝の
個⼈ “業務効率化” ヒューマン・イン・ザ・ループ
若⼿ 中堅 熟練⼯ 管理職 経営層 ⼈物像
© FLYWHEEL Inc. All Rights Reserved.
Page6
AIの業務適⽤に向けた運⽤について※各段階で、扱うデータの種類も広がっていきます。
業務の影響度
“予測”を含めた経営判断に直結する活⽤
経営判断 ユーザーが活⽤する中で業務知識や業務理解を深める
意思決定 対象データ/業務の範囲を広げAIを育てる領域
AIによる“業務の代替”(⼈は意思決定中⼼)
組織横断 熟練⼯の“フィードバックループ”
デ“暗ー黙タ知の形AI式-R知e化a”dy化
⾃チーム アプローチの領域
⾃⾝の
個⼈ “業務効率化”
若⼿ 中堅 熟練⼯ 管理職 経営層 ⼈物像
© FLYWHEEL Inc. All Rights Reserved.
Page7
疎結合で実現する攻守両⽴アーキテクチャ
攻め(AIの積極活⽤)の領域では、技術が⽇々進歩している。現場がやりたいことに合わせて、その都度適切なAIを使
える環境を整えておくことが、競争優位に直結する。
アプリケーション層 ― 積極的に最先端AIを取り込む
攻 経営ダッシュボード 業務AIエージェント LLM / SLM / 新技術
ゲートウェイ ― データ提供 / 権限制御 / 監査ログ / クエリ最適化
疎結合 | DECOUPLED
AI-Ready層 ― データを徹底的に守り、AIが解釈できる形で提供
守 可視化 構造化 統合‧検索 ガバナンス
どこに何があるか AI-Ready化 Fan-out検索 権限 / 監査
最先端AIは⼊れ替え続ける。データは徹底的に守り抜く。
Page8
AIを導入したのに、
なぜ現場で使われないのか。
その答えが、本資料でお伝えする本題です。
© FLYWHEEL Inc. All Rights Reserved.
Page9
AIが理解できないデータの⼀例①
当社の⽀援の中で⾒られた事例をもとに作成しています(※画像はダミーデータです)
書類上 進捗状況 不具合対応中であるものの、赤
表記 色になっているので、進捗がう
不具合対応中
まくいっていないことが分かる
(人の目での判断)
不具合が対応中になっており、
問題がないように捉えられる
テキスト 進捗状況 不具合対応中
(AIの判断)
変換
© FLYWHEEL Inc. All Rights Reserved. 9
Page10
AIが理解できないデータの⼀例②
当社の⽀援の中で⾒られた事例をもとに作成しています(※画像はダミーデータです)
不具合名工事名 本体工事番号 製造工場
発生日:2020/8/20
電気コンバータ 耐熱仕様未対応 XVYUT-9365 PO-KL 214
2020 顧客番号 LKM-241 / 対応部署 担当者
顧客名 (株)〇〇製造 品質保証第2部 担当者A
不具合名工事名 詳細 発生年度 発生日 本体工事番号 製造工場
耐熱仕様未
電気コンバータ 25年度 8月26日 XVYUT-9560 PO-KL 304
2025 対応
顧客番号 LKM-241 対応部署 担当者 役職
顧客名 (株)〇〇製造 QA第2部 担当者B 課長
同じ不具合の記録でも、年によって書式や表記(項⽬の並び、社名‧部署名、⽇付)が変わる。
⼈は同じ内容だとわかるが、AIは別のデータとして扱ってしまう。
© FLYWHEEL Inc. All Rights Reserved. 10
Page11
AIが理解できないデータの⼀例③
当社の⽀援の中で⾒られた事例をもとに作成しています(※画像はダミーデータです)
不具合名工事名 本体工事番号 製造工場
発生日:2020/8/20
電気コンバータ 耐熱仕様未対応 XVYUT-9365 PO-KL 214
顧客番号 LKM-241 / 対応部署 担当者
顧客名 (株)〇〇製造 品質保証第2部 担当者A
詳細報告
接触部分の耐久性が弱く、
少しの摩耗で使用不可に
なる
報告書の中の写真や、写真に書き込まれた⽮印‧注記は、⽂字だけを読むAIには伝わらない。
© FLYWHEEL Inc. All Rights Reserved. 11
Page12
AIが理解できないデータの⼀例④
当社の⽀援の中で⾒られた事例をもとに作成しています(※画像はダミーデータです)
「↑(同上)」の記号や枠に収まらず詰めて書かれた⽂字は、⼈には読めてもAIには意味がわからない。
© FLYWHEEL Inc. All Rights Reserved. 12
Page13
AIが理解できないデータの⼀例⑤
現場でよく⾒られる⼿書き⽂書の例です(※画像はダミーデータです)
取り消し線での訂正、図への書き込み、丸で囲んだ指⽰など、⼿書きのメモは⼈には意味がわかって
も、AIには⽂脈ごと読み取れない。 © FLYWHEEL Inc. All Rights Reserved. 13
Page14
データアセスメント機能で実際に抽出を試み、⾒た⽬では分からない「読めないリスク」を数値で可視化する。
Page15
データアセスメント機能で、テキストの意味が「配置」にどれだけ依存しているかをスコア化する。
Page16
⼈は縦書きと横書きをまとめて読めるが、機械は⽂字を⼀次元の並びに落とすため、意味が崩れる。
Page17
業界トレンド:⽶国最前線で確認された「AI-Ready データ化」の中核性
SaaStr AI Annual 2026(2026年5⽉∕⽶サンマテオ‧参加者12,500⼈超)の登壇内容から、「AI-Ready
データ化」の重要性を⽰す3つの論点をご紹介
01 現場の声 02 市場構造 03 時間軸
「Good data = good agents」が 「コンテキストレイヤー」が AI 時代 「Agent Parity」到来前の
共通認識に の中核インフラに 12 ヶ⽉が勝負
Vercel COO の Jeanne DeWitt Grosser ⽒は、エージェントの “Fragmented definitions do not just create confusion, they “The best agents are just gonna win over the next 12
質は⼟台となるデータの質で決まると強調。 scale it.” ― Databricks 公式ブログ months.” ― SaaStr CEO Jason Lemkin ⽒
Vercel は COO 就任 6 週間で GTM Engineering チーム 業界⽤語‧指標‧関係性を⼀箇所に集約する「コンテ 現時点ではエージェントの実装精度に⼤差があり、差
を⽴ち上げ、10 ヶ⽉で中核業務の相当部分を⾃動化。 キストレイヤー」を、⽶国の有⼒ VC‧主要プラット が収束する「Agent Parity」は 24〜36 ヶ⽉後との⾒
Anthropic は Opus 4.6 後の急成⻑を Claude × 既存ス フォーマが AI 時代の中核と位置づけ。Tableau / ⽅。チャット UI 等の表⾯機能は均質化し、差別化は
タックの「縫合」で吸収。両社が挙げる前提は、デー Sigma / Looker / ThoughtSpot 等が接続を進める。 「業務領域への深い⼊り込み × データフライホイール
タ基盤‧⽤語整備‧評価基盤。 × FDE」に残る。今後 12 ヶ⽉が勝負の時間軸。
フライウィールの取り組み AI-Ready化+Relevance フライウィールの取り組み 業界⽤語集マスター + 業界 フライウィールの取り組み エンジニアによる業界知識へ
Framework スキーマ の深い⼊り込み
「業界縦深の AI-Ready化」は、⽶国最前線でも中核論点として確認された。
データを AI-Ready化することが、⻑期の競争優位を決める。
出典:SaaStr AI Annual 2026(2026年5⽉)セッション内容‧SaaStr 公式記事‧Databricks 公式ブログ‧各社プレスリリース等
© FLYWHEEL Inc. All Rights Reserved.
Page18
AI 活⽤の新たな主戦場「コンテキストレイヤー」
私たちのサービスは、⽶国で急速に注⽬を集める「コンテキストレイヤー」を企業特化で実装するもの
⽶国 VC の⾒⽴て なぜか
AI のボトルネックは、モデルではなくコンテキスト基 LLM の性能差は急速に収束。勝負を分けるのは「企業
盤に移りつつある、との⾒⽅が広がっている 固有の⽂脈をどう AI に届けるか」へ移⾏。
出典:a16z、Foundation Capitalの論考をもとに当社作成
コンテキストレイヤー = AI が企業データで正しく動くために必要な⽂脈基盤
コンテキストレイヤーの構成要素 (Atlan の整理) 私たちのサービスでの該当箇所
セマンティックレイヤー (指標‧⽤語定義) → 業界⽤語集マスター
オントロジー (エンティティ間の関係) → 業界スキーマ(設備/故障モード/原因)
オペレーショナルプレイブック (業務⼿順) → アノテーション基準書
アクティブメタデータ (判断の記憶) → Decision Record による判断履歴 × Relevance Framework
⽶国勢が全業種横展開を競う中、私たちは「製造業の現場深掘り」で縦深の優位を築きます
© FLYWHEEL Inc. All Rights Reserved.
Page19
データの “AI-Ready度” には段階がある
検索できる → 推論できる → ⾏動できる。競争差が出るのは reasoning-ready 以上です。
フライウィールが強みとするのは、
reasoning-ready
action-ready ⾏動‧提案できる 以上への引き上げです。
AIが現場で判断‧提案する。「この症状なら過去のあの対策」を即時提⽰し、再発防 サービス事業の差別化に直結
⽌まで踏み込む。
reasoning-ready 推論できる
AIが因果をたどって考えられる。判断‧ノウハウを階層‧因果等で 多くの企業で
構造化する必要がある。 「ノウハウのデータ化」が⽌まる壁
retrieval-ready 検索できる
キーワード∕意味で過去⽂書を探せる。センサー 多くの企業の到達点
データや Markdown 化済み⽂書はここに到達。
© FLYWHEEL Inc. All Rights Reserved.
Page20
具体的に必要な取り組み
汎⽤AIを「現場で使えるAI」にするには、3つの取り組みが共通して求められます
01 AI-Ready化 02 検索‧回答最適化 03 評価‧改善運⽤
⽂書を AI が扱える形へ 業務質問に答えられる状態へ 精度を測り改善し続ける
■ 業務⽂書の構造化抽出 ■ 検索基盤への投⼊準備 ■ 評価データセットの構築
■ 業界⽤語集による正規化 ▶ ■ 辞書/プロンプトチューニング ▶ ■ ⽉次精度評価レポート
■ 業界スキーマの適⽤ ■ 回答の根拠提⽰設計 ■ 判断履歴の蓄積と再活⽤
現場⽤語を AI に教える 現場で使える回答品質に 感覚ではなく数値で確認
© FLYWHEEL Inc. All Rights Reserved. 20