1/28ページ
カタログの表紙 カタログの表紙 カタログの表紙
カタログの表紙

このカタログをダウンロードして
すべてを見る

ダウンロード(4.7Mb)

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】

ホワイトペーパー

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