工場のラインが止まる。設備が突然故障する。ベテラン保全員の勘と経験が、退職とともに失われていく——在タイ・ASEANの日系製造業の現場で、こうした「見えないコスト」は今も静かに利益を削り続けています。2026年、この構造的課題に対する現実解として急速に存在感を増しているのが「AIエージェント」です。
単なるチャットボットや画像認識にとどまらず、自ら状況を判断し、複数のツールを操作し、タスクを最後までやり遂げる——そんな自律的なAIが、いよいよ製造現場の生産管理・設備保全・バックオフィスに実装され始めました。本記事では、Anthropic Claude Agent SDKやOpenAI Codexといった基盤技術の最新動向から、ダイキン・パナソニックなど先進企業の導入事例、そして在タイ製造業がAIエージェントを現場に根づかせるための具体的ロードマップまでを、工場ITインテグレーターの視点で徹底解説します。
なぜ今、製造業に「AIエージェント」なのか
「生成AI」から「エージェントAI」への地殻変動
2023年〜2024年にかけての生成AIブームは、文章生成や要約、画像生成といった「問いに答える」タイプの活用が中心でした。しかし2026年に入り、産業界の関心は明確に次のフェーズ——「AIエージェント（Agentic AI）」へと移っています。
AIエージェントとは、与えられたゴールに対して、自らタスクを分解し、必要なツール（社内システム、データベース、センサー、外部API）を呼び出し、実行結果を検証しながら、人間の逐一の指示なしに一連の業務を完遂するAIを指します。「答えを返す」AIから「仕事をやり切る」AIへ——この違いが、製造現場にとって決定的な意味を持ちます。
なぜなら、工場の業務の多くは「一問一答」ではなく「一連の手順」で成り立っているからです。設備が異常を示したとき、保全員は①アラームを確認し、②過去の故障履歴を照合し、③図面で構造を確認し、④原因を推定し、⑤対策手順を実行し、⑥記録を残します。この一連のワークフロー全体を支援できるのが、AIエージェントの本質的な価値です。
製造業を取り巻く3つの構造的圧力
在タイ・ASEANの日系製造業がAIエージェントに注目せざるを得ない背景には、3つの構造的な圧力があります。
第一に、熟練人材の不足と技術伝承の危機です。在タイ製造拠点では、設備の高度化に対して保全・生産技術の経験者を継続的に確保し、複数言語で標準作業を定着させることが課題です。ベテランの判断根拠を記録し、検証可能な組織知として継承する仕組みが求められています。
第二に、人件費の上昇と品質要求の高度化です。かつて「安い労働力」を強みとしたタイの製造拠点も、最低賃金の上昇と、日本本社・グローバル顧客からの品質要求の厳格化に挟まれ、省人化と品質安定化の両立を迫られています。
第三に、データはあるが活かせていない現実です。IoT・生産管理システムの普及で工場には膨大なデータが蓄積されていますが、それを意思決定や現場改善に結びつけられている企業はごく一部にとどまります。AIエージェントは、この「眠れるデータ」を現場アクションに変換する翻訳装置となり得ます。
「自動化」と「エージェント化」は何が違うのか
ここで、従来の自動化（RPAや固定ルールのプログラム）とAIエージェントの違いを明確にしておきましょう。従来の自動化は「決められた手順を、決められた通りに繰り返す」ことに強みがありました。しかし、手順から少しでも外れた例外——想定外のアラーム、フォーマットが崩れた帳票、過去にない故障パターン——が発生すると、途端に人間の介入が必要になります。製造現場の実務は、この「例外処理」に多くの工数が費やされているのが実情です。
対してAIエージェントは、状況を解釈し、文脈に応じて判断を変え、複数の選択肢から最適な行動を選べます。「このアラームは過去のどの故障に近いか」「この帳票の記載は仕様書のどの項目に対応するか」といった、これまで人間の判断力に依存していた領域に踏み込めるのが決定的な違いです。だからこそ、定型業務の効率化にとどまらず、判断を伴う業務の標準化・高速化という、より大きな価値を生み出せるのです。
AIエージェント基盤の最新動向（2026年）
現場実装を考えるうえで、まず土台となる基盤技術がどこまで成熟したのかを押さえておく必要があります。2026年前半、この領域は驚異的なスピードで進化しました。
Anthropic Claude Agent SDK — 「仕事をやり切る」ための道具立て
Anthropicが提供するClaude Agent SDKは、2025年9月に「Claude Code SDK」から改称され、AIエージェントを本番運用するための開発基盤へと成長しました。PythonとTypeScriptに対応し、ファイル編集やコマンド実行などのツール、権限管理、フックを備えており、実装側が業務リスクに応じた人間の承認チェックポイント（human-in-the-loop）を設計できます。
特に製造業にとって重要なのが、サブエージェントとMCP（Model Context Protocol）への対応です。サブエージェントは、大きなタスクを独自のコンテキストを持つ子エージェントに委譲する仕組みで、「生産計画立案」「設備診断」「帳票処理」といった専門タスクを分担させる設計を可能にします。MCPは、社内の生産管理システムやセンサーデータ基盤といった外部システムにAIを安全に接続する共通規格であり、既存の工場システムとAIエージェントを橋渡しする鍵となります。
Claude Cowork — デスクトップからクラウド、そして現場へ
2026年5月のAnthropic公式発表では、ClaudeはMicrosoft 365アドインを通じてExcel、PowerPoint、Word、Outlookで直接作業でき、Claude CoworkのDispatchではテキストや音声からタスクを依頼できると説明されています。許可したローカルファイルに対する作業を利用者の離席中も継続し、戻った後に結果を確認できる設計です。製造業では、送信・更新・設備操作など影響の大きい処理に承認と権限分離を組み込むことが前提です。
製造業の文脈でこれが意味するのは、「本社オフィスの管理業務」と「工場現場のオペレーション」をまたぐ自動化の可能性です。たとえば、現場で発生した設備アラートを起点に、AIエージェントが保全指示書を起票し、関係者に通知し、部品在庫を照会する——といった部門横断のワークフローが視野に入ります。
OpenAI Codex — エンタープライズ標準への台頭
競合のOpenAIも急速に地歩を固めています。Codexは2026年版のGartner Magic Quadrant（エンタープライズAIコーディングエージェント部門）でリーダーに位置づけられました。OpenAIの2026年6月の公式発表では、Codexの週間利用者は500万人を超え、その約20%を非エンジニアが占めるとされています。コードベースを理解し、変更を加え、テストを実行して人間のレビューに備える機能が、開発部門以外にも広がっています。
2026年6月には、フロントエンド開発を経由せずに業務アプリを構築できる「Sites」や、その場編集の「Annotations」が追加され、財務・法務・採用といった非エンジニア部門への浸透が進みました。製造業のIT部門にとっては、社内システムの拡張や現場向けツールの内製化を、これまでにない速度で進められる環境が整いつつあります。
こうした基盤の進展により、AIエージェントを実業務へ組み込む選択肢は増えました。ただし製造現場の本番利用には、権限管理、監査ログ、人間による承認、停止時のフォールバック、データ品質をそろえ、影響範囲を限定したパイロットから段階的に広げることが不可欠です。
製造現場で何が起きているか：先進導入事例
理論だけでは現場は動きません。ここでは、実際に成果を出し始めている日本の製造業の事例を見ていきます。
ダイキン×日立：「止まらない工場」を支える設備故障診断エージェント
総合空調メーカーのダイキン工業は、日立製作所と協創し、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2025年4月に開始しました。この取り組みは、AIエージェントが製造現場でどう機能するかを示す象徴的な事例です。
その仕組みは示唆に富みます。ダイキンが蓄積してきた生産設備・ユーティリティ設備の図面を、生成AIが読み取れる「ナレッジグラフ」に変換。これに保全記録などの「OTデータ」と、STAMPなどに基づく日立独自の故障原因分析プロセス「OTスキル」を学習させることで、一般的な保全技術者と同等以上の診断を実現しました。
事前の実証実験では、この設備故障診断AIエージェントが10秒以内に、90%以上の精度で故障原因と対策を回答できることが確認されています。2025年4月の公式発表で、ダイキンと日立は試験運用を同年9月までに完了し、その後の実用化と国内外の生産拠点への展開を目指す計画を示しました。これは発表時点の計画であり、後続展開の完了実績としては扱いません。
この事例が在タイ製造業に示す教訓は明快です。AIエージェントの価値は「図面」「保全記録」といった、これまで倉庫や個人の頭の中に眠っていた資産を、現場が使える形に変換する点にあります。データがないのではなく、活かす仕組みがなかった——多くの工場が抱えるこの課題への直接的な回答なのです。
パナソニック コネクト：図面照合の97%削減が示すバックオフィス革命
もう一つ注目すべきは、パナソニック コネクトが2026年2月に導入した、図面と設計仕様の照合業務に特化したAIエージェントです。この取り組みでは、照合作業時間を最大97%削減したと報告されています。
設備保全のような「現場オペレーション」だけでなく、設計・調達・品質管理といった「間接業務」にもAIエージェントの効果が及ぶことを、この事例は示しています。図面照合、仕様書チェック、伝票処理、検査記録の突合——製造業には人手による目視照合作業が数多く残っており、その多くがAIエージェントとAI-OCR技術の組み合わせで劇的に効率化できる領域です。
事例から抽出できる成功パターン
これらの先進事例に共通するのは、次の3点です。第一に、特定の業務プロセスに狙いを絞っていること。「AIで何でもやる」ではなく、故障診断、図面照合といった明確なユースケースから着手しています。第二に、自社に眠るデータ資産（図面・保全記録・仕様書）を燃料にしていること。第三に、人間を置き換えるのではなく、人間の判断を高速化・標準化していることです。
在タイ・ASEAN製造業の現実とチャンス
先進事例は魅力的ですが、在タイ製造業の足元の現実はどうでしょうか。データは、大きなギャップと同時に大きなチャンスを示しています。
「導入意欲は高いが実装は進まない」ギャップ
タイ投資委員会（BOI）は、製造効率と競争力の向上に向け、オートメーション、ロボット、デジタル技術への投資を促進しています。Thailand i4.0 Indexのように設備・データ・組織能力を段階別に評価する枠組みもあり、単一の普及率ではなく、自社工場の成熟度を工程単位で把握することが重要です。
現場で繰り返し問題になるのは、データの欠落や表記ゆれ、古い設備との接続、部門ごとの権限、サイバーセキュリティ、運用人材です。対象工程ごとにデータ品質、接続性、影響範囲、承認者、復旧手順を確認する必要があります。
ギャップこそが競争優位の源泉
段階的な整備が必要だからこそ、対象工程を絞って早く学習を始める企業には改善余地があります。BOIの現行要件への適合性を個別に確認しつつ、停止時に手動へ戻せる小規模なユースケースから価値を検証するのが現実的です。
重要なのは、「完璧なデータ基盤が整うまで待つ」のではなく、「今あるデータで小さく始める」ことです。ダイキンの事例が示したように、図面や保全記録といった既存資産こそがAIエージェントの燃料になります。データ品質の課題は、AI導入と並行して段階的に解決していくべきものであり、着手を遅らせる理由にはなりません。
もう一つ、在タイ製造業ならではの追い風があります。それは、日本本社が先行して蓄積してきたAI活用のノウハウを、タイ拠点に移植できる点です。ダイキンが「国内外の生産拠点へ展開」と明言しているように、グローバルに拠点を持つ日系メーカーにとって、AIエージェントで培った暗黙知の形式知化は、そのまま海外拠点の立ち上げ速度と品質を底上げする資産になります。タイ拠点は「本社の後追い」ではなく、人材不足という切実な課題ゆえに、むしろAIエージェント活用の先進拠点になり得るのです。
TOMAS TECHの実践知見：現場をつなぐAIエージェント実装
TOMAS TECHは、在タイ日系製造業に向けてPEGASUS生産管理・エネルギー管理システム、IoT設備データ収集、AI-OCR、FA・ロボット制御ソリューションを提供してきた工場ITインテグレーターです。この現場経験から見えてくるのは、AIエージェントを「絵に描いた餅」で終わらせないための実装のツボです。
なぜ「AIエージェント単体」では現場が動かないのか
多くの企業がAI導入でつまずくのは、AIモデルそのものの性能ではなく、AIと現場システムをつなぐ「配管」の不在にあります。AIエージェントがどれほど賢くても、生産実績データにアクセスできなければ生産計画は立てられず、設備センサーの値を読めなければ故障予兆は掴めません。
TOMAS TECHが強みとするのは、まさにこの「配管」の部分です。PEGASUS生産管理システムが持つ生産実績・工程・在庫のデータ、IoTで収集する設備の稼働・電力・振動データ、AI-OCRがデジタル化する紙帳票の情報——これらを一元的に整備してきた経験は、AIエージェントを現場に接続するうえで決定的な基盤となります。前述のMCPのような接続規格も、こうした既存システムとの橋渡しがあって初めて価値を発揮します。
4つの現場資産をAIエージェントでつなぐ
具体的には、TOMAS TECHが手掛けてきた4つの領域が、そのままAIエージェントの実装基盤になります。
生産管理（PEGASUS）：生産計画立案の支援、実績データに基づく納期回答、異常な進捗の自動検知。AIエージェントが生産実績を継続的に監視し、計画との乖離を早期に警告します。
IoT設備データ：ダイキン事例のような設備故障診断・予知保全の土台。センサーデータの時系列をAIエージェントが解釈し、異常の予兆と推奨アクションを提示します。
AI-OCR×バックオフィス：パナソニック事例が示した図面・帳票照合の自動化。紙の検査記録、納品書、仕様書をデジタル化し、AIエージェントによる自動照合・突合につなげます。
FA・ロボット制御：現場オペレーションとの接続。AIエージェントの判断を、実際の設備制御・ライン調整へと橋渡しする最終段です。
これら4領域を個別最適ではなく、AIエージェントを介して有機的に連携させることで、「設備の異常予兆を検知→保全指示書を自動起票→部品在庫を照会→生産計画を再調整」といった、部門をまたぐ一気通貫のワークフローが現実になります。これこそが、単なるツール導入とは一線を画す、AIエージェント時代の製造DXの姿です。
現地に根ざしたパートナーの価値
さらに見落とされがちなのが、言語と現場文化への対応です。タイの工場では、日本人管理者、タイ人スタッフ、そして多国籍のワーカーが混在します。AIエージェントが生成する指示や記録が、現場の一人ひとりに正しく伝わらなければ、その価値は半減します。日本語・タイ語・英語をまたいだ運用設計、そしてタイの製造現場の商習慣や設備事情を理解したうえでの実装——これらは、グローバルの汎用ツールをそのまま導入するだけでは決して埋まらない溝です。在タイ日系製造業に特化して現場を歩いてきたインテグレーターだからこそ、この溝を埋め、AIエージェントを「本当に使われる仕組み」へと落とし込むことができます。
導入ロードマップ：スモールスタートから自律化へ
では、在タイ製造業は具体的にどう進めればよいのでしょうか。TOMAS TECHの現場知見を踏まえ、無理なく成果を積み上げる4段階のロードマップを提示します。
ステップ1：データ資産の棚卸しと接続基盤の整備
まず、自社にどんなデータ資産があるかを棚卸しします。図面、保全記録、生産実績、検査記録、紙帳票——ダイキン・パナソニックの事例が示すように、これらこそがAIエージェントの燃料です。同時に、生産管理システムやIoT基盤をAIから安全にアクセスできる状態に整えます。完璧を目指す必要はありません。「まず1つの業務プロセスに必要なデータ」から始めます。
ステップ2：単一ユースケースでのパイロット
次に、効果と実現性の高い単一ユースケースを選び、パイロットを実施します。おすすめは即効性のある領域——設備故障診断の支援、AI-OCRによる帳票照合、生産進捗の異常検知など。この段階では、AIエージェントに人間の承認チェックポイント（human-in-the-loop）を必ず組み込み、AIの提案を人間が確認・修正する運用から始めるのが鉄則です。
PoCの予算・期間・合格基準を具体化する際は、タイ製造業向けAI PoCの費用と成功基準を参照してください。日本本社と海外拠点の役割分担やガバナンスは、海外子会社での生成AI導入ガイドで詳しく整理しています。
ステップ3：ワークフローの連結と横展開
パイロットで信頼性を確認できたら、複数の業務プロセスを連結します。「異常検知→保全指示→在庫照会」のように、点で導入したAIエージェントを線でつなぎ、部門横断のワークフローへと育てます。並行して、成功した拠点のノウハウを他拠点・他ラインへ横展開します。
ステップ4：段階的な自律化と技術伝承
最終段階では、信頼が蓄積された領域からAIエージェントの自律性を段階的に高めます。同時に、ベテランの判断根拠や例外対応を検証済みの知識として整備し、技術伝承の基盤にします。AIエージェントは人を置き換える前提ではなく、現場の能力を底上げする協働者として位置づけることが成功の鍵です。
AIエージェント導入でよくある失敗と回避策
先進事例の華やかさの裏で、AIエージェント導入がうまくいかないケースも少なくありません。調査でも、導入失敗の主因は技術的な限界よりも、推進体制・データ整備・現場連携の問題に集中していることが指摘されています。TOMAS TECHが現場で見てきた典型的な落とし穴と、その回避策を整理します。
失敗パターン1：ゴールを絞らず「AIで何でも」を狙う
最も多い失敗が、対象業務を絞り込めないまま「AIで全社的に変革を」と大風呂敷を広げてしまうケースです。成果が見えないままコストだけがかさみ、社内の期待がしぼんでいきます。回避策は明快で、まず1つの、効果が測定できる具体的なユースケースに集中することです。ダイキンが「設備故障診断」に、パナソニックが「図面照合」に絞り込んだのは偶然ではありません。
失敗パターン2：現場を巻き込まず、IT部門だけで進める
AIエージェントが提案する内容を、現場の作業員や保全員が信頼できなければ、どれほど精度が高くても使われません。現場の「なぜその判断になったのか」という納得感が、定着の生命線です。回避策は、人間の承認チェックポイントを設けて現場が検証しながら使える設計にすること、そして現場の暗黙知をAIの学習に反映させ、「自分たちの知恵が詰まったAI」として当事者意識を持ってもらうことです。
失敗パターン3：既存システムとの接続を後回しにする
AIモデルの選定や精度検証に注力する一方で、生産管理システムや設備データとの接続設計を軽視すると、実証実験は成功しても本番展開で頓挫します。「デモは動くが現場では使えない」——この谷を越えるには、初期段階から既存システムとの統合を前提に設計することが不可欠です。
よくある質問（FAQ）
Q1. AIエージェント導入には大規模なデータ基盤が必要ですか？
いいえ。完璧なデータ基盤の完成を待つ必要はありません。ダイキンの事例が示すように、既存の図面や保全記録といった「今あるデータ」から始められます。むしろ重要なのは、単一のユースケースに絞り、小さく始めて成果を確認しながら拡張することです。データ品質の課題は、導入と並行して段階的に改善していけます。
Q2. AIエージェントは現場の作業員の仕事を奪いますか？
先進事例が示す方向性は「置き換え」ではなく「能力の底上げ」です。ダイキンの故障診断エージェントは保全員の判断を高速化・標準化し、パナソニックの図面照合は人が担っていた単純照合を自動化して、人はより付加価値の高い判断に集中できます。ベテランの暗黙知を組織知として継承する器にもなり、技術伝承の危機への対策にもなります。
Q3. タイの工場でも日本と同じように導入できますか？
はい。在タイ拠点でも、対象工程のデータ、設備接続、言語、権限、保守体制を現地仕様で設計すれば導入できます。通信停止時の手動運用、タイ語を含む標準作業、現地の承認責任、サイバーセキュリティを確認し、現場システムとの接続まで設計することが重要です。
Q4. Claude Agent SDKやOpenAI Codexは製造現場でそのまま使えますか？
これらは強力な基盤技術ですが、そのままでは現場の生産管理システムや設備データにはつながりません。MCPのような接続規格を用いて既存システムと橋渡しし、現場の業務プロセスに合わせて設計・実装する工程が不可欠です。基盤技術の選定以上に、現場システムとの統合設計が成否を分けます。
Q5. 最初に取り組むべきユースケースは何ですか？
即効性と実現性のバランスが良いのは、①AI-OCRと組み合わせた帳票・図面照合、②既存の保全記録を活用した設備故障診断支援、③生産管理データに基づく進捗異常の検知、の3領域です。自社に最も豊富なデータ資産があり、かつ現場の困りごとが明確な領域から選ぶのが定石です。選定にあたっては、「効果の大きさ」だけでなく「失敗しても影響が限定的で、素早く学習を回せるか」という観点も重視してください。最初の成功体験が、社内の理解と次への投資を引き出す原動力になります。小さく始めて素早く学ぶ——この反復こそが、AIエージェント導入を確実に前へ進める最短ルートです。
まとめ：2026年は製造業AIエージェント元年
2026年、AIエージェントを実業務へ組み込む基盤と製造業の実例は増えています。公式発表では、ダイキン×日立の事前実証が10秒以内・90%以上の精度、パナソニック コネクトの図面照合が従来50〜340分から10分へ短縮し80〜97%削減とされています。いずれも評価条件が定められた事例であり、自社工程では別途検証が必要です。
一方、在タイ・ASEAN製造業では、既存設備との接続、データ品質、複数言語での運用、権限設計が成否を分けます。既存の図面・保全記録・生産実績を棚卸しし、単一ユースケースから小さく始め、人間の承認と手動復旧を前提に効果とリスクを測りながら段階的に進めることが鍵です。
そして、AIエージェントを「絵に描いた餅」で終わらせないためには、AIと現場システムをつなぐ「配管」が欠かせません。生産管理・IoT設備データ・AI-OCR・FA制御という4つの現場資産を有機的に連携させてこそ、部門を越えた一気通貫の製造DXが実現します。TOMAS TECHは、在タイ日系製造業の現場に寄り添い、この実装を伴走するパートナーとして、皆さまの「止まらない工場」づくりを支援します。AIエージェント時代の製造DX、その確かな第一歩を、ぜひ私たちとともに踏み出しましょう。
AIエージェントをどの工程から試すか、既存データや設備をどうつなぐかを検討中の段階でもご相談いただけます。TOMAS TECHが、小さく安全に始める構想づくりを支援します。詳しくはお問い合わせページをご覧ください。
