資料請求 お問い合わせ

Blog

2026.07.26

AIエージェント最新動向2026｜製造業DXと自律型AIの現在地

AIエージェント最新動向2026｜製造業DXと自律型AIの現在地

「AIを試してみたが、結局PoC(概念実証)で止まった」——在タイ日系製造業の経営層や工場長の方々と話すと、2024年から2025年にかけてこの言葉を何度も聞きました。チャットボットに現場の質問を投げてみた、画像認識で外観検査を試した、けれども本番ラインには乗らなかった。理由はたいてい同じです。AIが「答えを返すだけ」で、その先の作業——生産管理システムへの入力、担当者への連絡、伝票の起票、設備への指示——は結局人が手でやらなければならなかったからです。

2026年に入り、この構図が明確に変わり始めました。キーワードは「エージェントAI(Agentic AI)」です。答えを返すだけでなく、目的を与えられれば自分で手順を計画し、複数のシステムをまたいで実行し、結果を検証して報告するAI。2026年上半期はAnthropicとOpenAIの双方から、この方向性を決定づける発表が相次ぎました。そして製造業では、その導入が「実験」ではなく「業務」として数字に現れ始めています。

本記事では、2026年上半期のAIエージェントの進化を整理したうえで、製造業・物流の現場に何が起きるのか、そして在タイ・在越の日系製造業がいま何をすべきかを、バンコクで工場ITの導入現場に立ち続けてきたTOMAS TECHの視点から具体的に解説します。

2026年、AIエージェントは「試す」から「使う」へ

導入率は1年で約4倍という予測

まず、業界全体の温度感を数字で押さえておきましょう。Manufacturing Diveの報道によると、Deloitteは製造業におけるエージェントAIの導入率が2026年に6%から24%へと約4倍に増加すると予測しています。母数の小ささを差し引いても、1年で4倍という変化率は無視できません。これは「一部の先進企業が試している段階」から「同業他社の4社に1社が実際に使っている段階」への移行を意味します。

もう一つ、より現場に近い指標があります。業界予測では、生産スケジューリングシステムを保有する製造業の40%超が、2026年までにAI駆動機能へのアップグレードを行うとされています。生産スケジューリングは製造業のITの中でも最も「現場に近く」「最も属人的」な領域です。ここにAIが入り始めているという事実は、AIの適用対象が管理部門の効率化から、生産そのもののオペレーションへと移動していることを示しています。

在タイ日系製造業の経営層の方にとって重要なのは、この変化が「いつか来る未来」ではなく「今期の予算サイクルで検討すべき課題」になったということです。競合が生産計画の立案時間を半分にし、受注処理の8割を自動化したとき、その差はリードタイムと見積回答スピードという、顧客が直接体感する形で現れます。

なぜ2026年が転換点なのか

エージェントAIという概念自体は2024年頃から語られていました。では、なぜ2026年に実装が一気に進んだのか。技術的な理由は3つに整理できます。

第一に、モデルの「長時間タスク遂行能力」が実用水準に達したことです。従来の生成AIは、一問一答なら優秀でも、20手、30手と続く手順を最後まで破綻せずに実行することが苦手でした。2026年のモデル世代では、この持久力が大きく改善しています。

第二に、AIを外部システムに接続するための標準的な作法が整ったことです。ERPや生産管理システム、MES、設備のPLCといった既存資産にAIを「つなぐ」ための共通の仕組みが普及し、個別開発の負担が下がりました。

第三に、非エンジニアが使えるエージェントの登場です。これまでエージェントAIはソフトウェア開発の文脈で先行していましたが、2026年は経理、購買、生産管理といった現場部門の担当者が直接エージェントに仕事を任せられるツールが揃いました。この点は次章で詳しく見ていきます。

Anthropic・OpenAIの最新動向(2026年上半期)

Anthropic:Claude Coworkが「非エンジニアのエージェント」を開いた

2026年上半期でもっとも象徴的だったのは、Anthropicが2026年1月12日に発表したClaude Coworkでしょう。NBC Newsの報道によれば、これは非エンジニア向けの汎用AIエージェントであり、ソフトウェア開発以外の一般業務をAIに任せることを目的としています。

さらに2026年7月時点で、Claude CoworkはWeb・モバイル・クラウド実行へと利用範囲を拡大し、デバイスがオフラインの状態でもタスクを継続できるようになりました。この「オフラインでも継続」という点は、製造業の読者にとって想像以上に実務的な意味を持ちます。工場の管理者は一日の大半をデスクの外——現場、会議室、取引先——で過ごします。PCを閉じた瞬間に処理が止まるツールと、指示を出したあとクラウド側で走り続け、戻ってきたときに結果が揃っているツールとでは、業務への組み込みやすさがまったく違います。

Anthropicはまた、Claude 5ファミリーという新しいモデル階層を投入しました。用途と要求精度に応じてモデルを使い分ける前提の設計であり、コストと性能のバランスを業務ごとに最適化しやすくなっています。加えてClaude Agent SDKにより、自社業務に合わせたエージェントの構築が一般化しつつあります。これは「ベンダーが用意したAI機能を使う」段階から「自社の業務プロセスに合わせてエージェントを組む」段階への移行を意味し、社内にIT機能を持つ企業にとっては差別化の余地が広がったことになります。

Claude Codeの2026年7月アップデートが示す「管理する側」の視点

開発者向けのClaude Codeにも、2026年7月に注目すべきアップデートがありました。ひとつは/code-reviewのバックグラウンドサブエージェント化です。レビュー作業を別のエージェントに切り出し、裏側で走らせる。人間が待たなくてよい設計であり、エージェントを「複数同時に働かせる」という考え方が標準化しつつあることを示しています。

もうひとつは管理コンソールに追加された利用状況と価値の2つの新しいタブです。組織のアクティブ開発者数、セッション数、上位コマンドが日次で更新されるようになりました。これは経営層にとって重要な変化です。AIツールの導入がこれまで「効果測定が難しい投資」だったのに対し、誰がどれだけ使い、どんな作業に使われているかが可視化される方向に進んでいる。工場のIT投資においても、稼働率が見えない設備は改善できないのと同じで、利用実態が見えることが定着の前提になります。

OpenAI:GPT-5.6 Solと、音声で動かすマルチエージェント

OpenAI側では、2026年7月9日にGPT-5.6 SolがCodexのデフォルトモデルとしてGA(一般提供)になりました。ベンチマークではTerminal-Bench 2.1で88.8%、SWE-Bench Proで64.6%というスコアが公表されています。これらはソフトウェアエンジニアリングのタスク遂行能力を測る指標であり、「与えられた課題を最後まで自力で片付けられるか」を評価するものです。数値そのものより、こうした実タスク型ベンチマークが主要な指標になったこと自体が、業界の関心が「賢い受け答え」から「仕事の完遂」へ移った証拠だといえます。

実務上さらに興味深いのは、音声によるマルチエージェント操作への対応です。複数のエージェントに音声で指示を出し、並行して作業させる。手が塞がっている、あるいは画面を見られない状況での操作を前提とした設計です。ここに製造現場との親和性を感じた方も多いのではないでしょうか。ライン脇で手袋をしたまま、あるいは巡回中に音声で指示を出し、戻ったときには報告が上がっている——という運用は、技術的には視野に入ってきています。

またTechCrunchが2026年7月15日に報じたところによれば、OpenAIはCodex向けに230ドルの専用キーボード「Codex Micro」を発売しました。AIエージェントの操作に専用ハードウェアが登場したという事実は、エージェントが「たまに使うツール」ではなく「毎日長時間触る道具」になりつつあることの傍証です。道具に専用のインターフェースが生まれるのは、その道具が日常業務に定着した後だからです。

東南アジア側の動き:タイのAI採用は域内平均を上回る

グローバルの動向と並行して、タイ国内の状況も押さえておく必要があります。UOB Business Outlook Study 2026によれば、タイのSME(中小企業)の7割超がすでにAIを導入しており、これは域内平均を上回る水準です。「タイはまだこれから」という感覚をお持ちの方は、認識を更新したほうがよいかもしれません。実際、サプライヤーや物流パートナーの側でAI活用が進み、自社だけが手作業のままという状況は十分起こり得ます。

中長期の見通しとしては、TDRI(タイ開発研究所)がタイのAI産業は2020年から2030年にかけて年平均成長率(CAGR)42.4%で成長すると予測しています。Thailand 4.0政策の下で、製造業の高度化とデジタル人材育成への政策的な後押しも続いています。さらにNikkei Asia Forumでは、ASEAN製造業の経営層がAIによる変革可能性を議論しており、地域全体として「AIをどう産業競争力に変換するか」が経営アジェンダの中心に上がっていることがうかがえます。

エージェントAIの仕組みと、従来AIとの決定的な違い

「答えるAI」から「片付けるAI」へ

ここで改めて、エージェントAIとは何かを整理しておきます。従来の生成AI(チャット型AI)は、基本的に「入力に対して出力を返す」装置でした。人が質問し、AIが答える。その答えを使って何をするかは、すべて人間の仕事です。

エージェントAIは、この構造にプランニング(計画)と実行(アクション)、そして検証のループを加えたものです。目的を与えられると、まず達成手順を自分で分解し、必要な情報を取りに行き、外部システムを操作し、結果を確認して、うまくいかなければやり直す。人間が指示するのは「何を達成したいか」であって、「どういう手順でやるか」ではありません。

製造業の言葉に置き換えるなら、従来のAIが「聞けば教えてくれるベテラン」だとすれば、エージェントAIは「任せれば段取りから片付けまでやる担当者」です。この違いは決定的で、効果の出方がまったく変わります。前者の効果は「人が考える時間の短縮」に留まりますが、後者は「人が作業する工数そのものの削減」に及びます。

エージェントを成立させる4つの構成要素

実装レベルで見ると、業務で使えるエージェントは概ね4つの要素で構成されます。

1. プランナー(計画立案)——目的をサブタスクに分解し、実行順序を決める部分です。「今月の生産計画を再作成する」という指示を、「受注データの取得」「在庫の確認」「設備稼働カレンダーの参照」「制約条件下での割付」「差異の説明生成」といった手順に分解します。

2. ツール接続(システム横断連携)——ERP、生産管理システム、MES、WMS、設備データ基盤、メールやチャットといった外部システムを操作するインターフェースです。エージェントの実力の大半は、実はここで決まります。どれだけモデルが賢くても、基幹システムのデータに触れなければ、それは単なる物知りに過ぎません。

3. メモリ(文脈保持)——過去のやりとり、業務ルール、過去の判断根拠を保持する仕組みです。「この客先の特急対応は営業部長承認が必要」といった暗黙のルールを蓄積できるかどうかで、実用性が大きく変わります。

4. 検証・ガードレール——実行結果を確認し、権限外の操作を止める仕組みです。製造業では特に重要で、「読み取りは自動、書き込みは人の承認」といった段階設計がないと、現場は安心して任せられません。

製造業でとりわけ重要になる「人間の承認ポイント」の設計

エージェントAI導入の成否を分けるのは、モデルの選定よりも、この承認ポイント(Human-in-the-Loop)の置き方だというのが、私たちの実感です。

たとえば生産計画の再作成であれば、データ収集と代替案の生成まではエージェントに任せ、最終確定は生産管理者が承認する。設備異常の検知であれば、データの相関分析と原因候補の提示までは自動で、保全指示の発行は保全課長が判断する。受注処理であれば、定型的な条件を満たす案件は自動処理し、価格逸脱や与信懸念のある案件だけ人に上げる。

この線引きを最初から精緻に決める必要はありません。むしろ重要なのは、運用しながら自動化の範囲を段階的に広げられる設計にしておくことです。最初は全件人が確認する。3ヶ月運用して、エージェントの判断と人の判断が一致し続けた領域から順に自動承認へ移す。この進め方であれば、現場の心理的な抵抗も小さく、監査対応上の説明もつきます。

AIエージェント最新動向2026｜製造業DXと自律型AIの現在地 - figure 1

製造業・物流の現場に何が起きるか——具体的ユースケース

先行事例が示す効果の大きさ

抽象論だけでは判断できませんので、すでに公表されている先行事例を見てみましょう。Manufacturing Diveに掲載されたInforの事例では、次のような成果が報告されています。

  • Suzano(製紙・パルプ):資材データの照会時間を95%削減
  • Danfoss(産業機器):受注処理におけるトランザクション判断の80%を自動化
  • Elanco(動物用医薬品):文書管理の自動化により、1拠点あたり最大130万ドルの生産性損失を回避

注目していただきたいのは、これらがいずれも「花形の技術領域」ではないことです。資材データの照会、受注処理、文書管理——どれも、どの工場にも存在する、地味で、量が多く、属人化しやすい業務です。エージェントAIが最初に効くのは、まさにこうした領域なのです。

投資対効果についても参考になる調査があります。米企業におけるエージェントAI導入の平均ROIは192%、投資回収期間は12〜18ヶ月と報告されています。数年がかりの大型基幹システム更新と比べれば、はるかに短いサイクルで判断できる投資だといえます。

ユースケース1:生産計画・スケジューリング

在タイ日系製造業の工場で、最も属人化しているのが生産計画です。ベテランの生産管理者が、受注状況、部材の入荷予定、設備の状態、作業者のスキル、客先の優先順位を頭の中で組み合わせて計画を立てる。この人が休んだ日、あるいは退職した日に何が起きるかは、多くの工場長が実際に経験されているはずです。

エージェントAIは、この領域で二つの働き方をします。ひとつは計画案の自動生成。制約条件を与えれば、複数の代替案を短時間で作り、それぞれのトレードオフ(納期遵守率と段取り替え回数など)を説明します。もうひとつは変更対応です。急な特急オーダー、部材の遅延、設備故障が発生したときに、影響範囲を即座に洗い出し、再計画案を提示する。前述の通り、生産スケジューリングシステムを持つ製造業の40%超が2026年までにAI駆動機能へアップグレードするという予測は、この需要の強さを反映しています。

ユースケース2:設備保全とダウンタイム削減

IoTで設備データを取得している工場は増えましたが、「取っただけ」で終わっているケースも同じくらい多いのが実情です。データはあるが、それを見る人の時間がない。閾値アラートは鳴るが、オオカミ少年になって誰も見なくなった——という状態です。

エージェントAIはここで、監視と一次診断を引き受けます。振動、電流値、温度、サイクルタイムといった複数の指標を横断的に見て、異常の兆候を検知したら、過去の類似事象、直近のメンテナンス履歴、部品の交換周期を自動的に照合し、「原因候補と推奨アクション」の形で保全担当者に提示する。担当者は生データではなく、整理された仮説から仕事を始められます。

ユースケース3:受注処理・見積回答のバックオフィス自動化

Danfossの事例が示す通り、受注処理は自動化の効果が出やすい領域です。日系企業の場合、日本の親会社や商社とのやりとりが日本語のPDFやExcel、タイ側のサプライヤーとのやりとりが英語やタイ語という「多言語・多フォーマット」の状況が常態化しています。この読み取りと転記に、間接部門の相当な工数が費やされています。

AI-OCRとエージェントを組み合わせると、注文書を読み取り、品目マスタと突合し、価格と納期の妥当性を確認し、生産管理システムに登録し、例外だけを人に上げる、という一連の流れを通しで処理できます。ポイントは、OCR単体では「読み取ったデータのExcel出力」で止まってしまうこと。その先のシステム登録と判断まで含めて初めて、工数削減として実感できる規模になります。

ユースケース4:物流・在庫とトレーサビリティ

物流面では、出荷計画とトラック手配、通関書類の準備、在庫の配置最適化といった領域が対象になります。タイの場合、輸出入手続きに伴う書類作業が多く、これはまさにElancoの事例と同じ「文書管理の自動化」が効く領域です。

トレーサビリティでは、品質問題が発生したときの遡り調査が典型例です。ロット番号を起点に、使用部材、製造設備、作業者、検査記録、出荷先を横断的に集める作業は、従来は数日がかりでした。データが揃っていれば、エージェントは同じ作業を分単位で行い、報告書のドラフトまで作成します。客先への一次回答スピードは、品質問題における信頼回復の重要な要素です。

ユースケース5:現場の知識継承と多言語コミュニケーション

在タイ・在越の日系工場に固有の課題として、日本人管理者とローカルスタッフの間の言語・知識のギャップがあります。作業標準書、不具合報告、朝礼の指示事項——これらの多言語化と、蓄積された知識への検索性の確保は、長年の課題でした。

エージェントAIは、社内文書を横断して質問に答え、必要な言語で出力し、さらに「この不具合は3年前に類似事例がある」といった関連付けまで行います。ベテランの暗黙知を形式知に変える作業を、AIが下支えする形です。

AIエージェント最新動向2026｜製造業DXと自律型AIの現在地 - figure 2

TOMAS TECHの実践知見——現場データがなければエージェントは動かない

私たちが導入現場で見てきたこと

TOMAS TECHはバンコクを拠点に、在タイ日系製造業向けにPEGASUS生産管理システムおよびエネルギー管理システム、IoT設備データ収集、AI-OCRによるバックオフィス自動化、FA・ロボット制御ソリューションを提供してきました。生産計画、実績収集、トレーサビリティ、設備稼働監視の導入実績を重ねるなかで、現場(Genba)主義を一貫して掲げています。

その立場から申し上げたいことは、ひとつです。エージェントAIの実力は、モデルの性能ではなく、つながっているデータとシステムの質で決まる。

どれほど優秀なエージェントを導入しても、生産実績が紙の日報でしか存在しないなら、AIには何も見えません。設備の稼働状況が担当者の記憶の中にしかないなら、予知保全は成立しません。逆に言えば、生産管理システムとIoTデータ基盤が整っている工場では、エージェントAIの導入は驚くほど短期間で効果を出します。この差は年々広がっています。

PEGASUS生産管理システム:エージェントが読み書きする「土台」

エージェントAIが生産計画に関与するには、受注、部材在庫、工程進捗、設備カレンダー、実績データが構造化された形で存在している必要があります。PEGASUS生産管理システムは、まさにこの構造化されたオペレーションデータを保持する基盤です。

私たちがお客様にお伝えしているのは、「AIのために新しいデータを作る」のではなく、「すでに生産管理システムに入っているデータをAIから参照できるようにする」という順序です。多くの工場では、必要なデータの7割はすでにシステム内にあります。足りないのは、それを横断的に取り出し、判断に使える形にする経路です。この経路整備は、AI導入の前段階として位置づけるべき投資であり、AIを使わなかったとしても、可視化と分析の面で確実に価値を生みます。

IoT設備データ収集:予知保全とエネルギー管理の前提

設備データ収集は、エージェントAI時代においてその価値がもう一段上がった領域です。従来、IoTデータの用途は主に「ダッシュボードで見る」ことでした。しかしエージェントAIは、人が見る前にデータを解釈し、異常を切り出し、対処案まで提示します。データの利用効率がまったく違います。

エネルギー管理システムについても同様です。タイの製造業では電力コストが経営を直接圧迫しており、ピーク電力の抑制、設備ごとの原単位管理は継続的な課題です。エージェントAIは、生産計画とエネルギー消費の関係を分析し、「この段取り順に変えればピークを下げられる」といった具体的な提案を、計画立案のプロセスに組み込むことができます。

AI-OCR:バックオフィス自動化はエージェント化で完成する

私たちがAI-OCRを提供してきた経験から言えば、OCR単体の導入で満足度が高くなるケースは限られます。読み取り精度が99%でも、残り1%の確認と、読み取ったデータをシステムに入れる作業が残るためです。

エージェントAIと組み合わせることで、この「最後の一歩」が埋まります。読み取り、突合、判断、システム登録、例外エスカレーションまでを一連の流れとして設計できるからです。前述のElancoの事例で1拠点あたり最大130万ドルの生産性損失を回避したという報告も、文書を読むこと自体ではなく、文書に関わる業務プロセス全体が自動化された結果だと理解すべきでしょう。

FA・ロボット制御との接続:安全と責任分界を最優先に

最後に、FA・ロボット制御領域におけるエージェントAIの位置づけについて、明確にしておきます。現時点で、AIエージェントに設備を直接制御させることを、私たちは推奨していません。

理由は安全性と責任分界です。PLCによる制御は決定論的でなければならず、確率的に振る舞うモデルを安全関連の制御ループに入れることは、リスク評価上も認証上も現実的ではありません。

一方で、制御系の「周辺」には大きな余地があります。段取り替えパラメータの推奨値提示、生産条件の最適化提案、ロボットのティーチングデータの管理と検索、稼働ログの異常分析、トレーサビリティ情報の自動収集——これらはすべて、制御の安全性を損なわずにAIが貢献できる領域です。「AIが提案し、人が確定し、PLCが実行する」という責任分界を守ることが、製造現場でAIを長く使い続けるための条件だと考えています。

導入ステップ:6ヶ月で成果を出すための現実的な進め方

ステップ1:業務棚卸しと候補領域の特定(1ヶ月目)

まず、AIを前提に考えないことから始めます。間接業務と現場業務を棚卸しし、「件数が多い」「手順が定型的」「複数システムをまたいでいる」「担当者が属人化している」という4条件に当てはまる業務を洗い出します。先行事例が資材照会、受注処理、文書管理といった地味な領域で効果を出しているのは、これらの条件を満たしているからです。

ステップ2:データとシステム接続性の診断(1〜2ヶ月目)

候補領域について、必要なデータがどこに、どの形式で存在するかを確認します。生産管理システム内なのか、Excelなのか、紙なのか。ここで「紙しかない」領域が見つかった場合、AI導入より先にデータ化の設計が必要です。この診断を飛ばしてPoCに入ると、ほぼ確実にデータ整備で頓挫します。

ステップ3:小さく閉じたPoCを1本だけ(2〜3ヶ月目)

対象業務は1つに絞ります。複数を同時に走らせると、うまくいかなかった原因の切り分けができません。この段階では、エージェントの出力はすべて人が確認する前提で構いません。測るべきは「AIの正答率」ではなく、「人が確認込みで、従来より速く終わったか」です。

ステップ4:ガードレールと承認フローの設計(3〜4ヶ月目)

PoCの結果をもとに、自動化する範囲と人が承認する範囲を線引きします。読み取り専用の操作、書き込みを伴う操作、金銭や納期に影響する判断を階層に分け、それぞれに権限とログを設定します。監査証跡の設計もこの段階で行います。日系企業の場合、親会社の内部統制要件との整合を早めに確認しておくと後戻りがありません。

ステップ5:本番展開と効果測定(4〜6ヶ月目)

本番展開では、効果測定の指標を事前に決めておくことが決定的に重要です。処理時間、処理件数、エラー率、担当者の残業時間——何を改善したかったのかを数値で持っておかなければ、次の投資判断ができません。Claude Codeの管理コンソールに利用状況と価値の可視化タブが追加されたように、業界全体が「使われているか」「価値が出ているか」を見える化する方向に進んでいます。自社の導入でも同じ発想を持つべきです。

ステップ6:横展開と内製化(6ヶ月目以降)

1本目が回り始めたら、隣接業務へ横展開します。このとき、社内に「エージェントを設計できる人」を育てておくと展開速度が変わります。Claude Agent SDKのようなツールによってエージェント構築の敷居は下がっており、外部ベンダーにすべてを依存しない体制は現実的な選択肢になりました。平均ROI192%、投資回収12〜18ヶ月という調査報告も、こうした段階的な展開を前提とすれば十分に射程に入る数字です。

AIエージェント最新動向2026｜製造業DXと自律型AIの現在地 - figure 3

よくある質問(FAQ)

Q. AIエージェント導入は中小規模の工場でも現実的ですか?

現実的です。むしろ、意思決定が速く、業務プロセスの変更が通しやすい中小規模の工場のほうが、成果が出るまでの期間は短い傾向があります。UOB Business Outlook Study 2026で、タイのSMEの7割超がすでにAIを導入しており域内平均を上回っているという結果も、規模が決定的な障壁ではないことを示しています。

重要なのは、全社一斉導入を狙わないことです。受注処理、資材照会、文書処理といった単一業務から始め、月あたりの処理件数と削減時間で効果を測る。初期投資を抑えた形で1本目を回し、その成果を次の投資の根拠にする、という進め方が現実的です。

Q. 既存の生産管理システムやERPを入れ替える必要はありますか?

多くの場合、入れ替えは不要です。エージェントAIは既存システムの「上に乗る」層として設計するのが基本です。生産管理システムやERPが持つデータを参照し、必要に応じて書き込む形をとります。

ただし、前提条件が2つあります。ひとつは、システムが外部からデータを取得できる経路(API、データベース参照、連携ファイル出力など)を持っていること。もうひとつは、マスタデータが整備されていることです。品目コードや取引先コードの表記ゆれが放置されていると、エージェントは正しく突合できません。この整備は、AI導入の有無にかかわらず取り組む価値のある作業です。TOMAS TECHでは、PEGASUS生産管理システムを含む既存環境の接続性診断から支援しています。

Q. 現場のオペレーターやスタッフの反発が心配です。どう進めるべきですか?

「人を減らすため」ではなく「探す・待つ・転記する時間を減らすため」という位置づけを、最初に明確にすることをお勧めします。実際、先行事例で効果が大きかったのは資材データの照会時間95%削減(Suzano)のような、担当者自身が最も苦痛に感じていた作業です。当事者にとってメリットが実感できる業務から着手すれば、反発ではなく歓迎されることのほうが多いというのが私たちの経験です。

もうひとつのコツは、エージェントの判断を最初から自動確定させないことです。数ヶ月間は人が確認する運用を挟み、「AIの判断は自分たちの判断と一致する」という信頼が現場に蓄積されてから、自動化範囲を広げていく。この順序を守れば、定着率は大きく変わります。

Q. セキュリティや機密情報の扱いはどう考えればよいですか?

製造業では、図面、原価、客先情報、製造条件といった機密性の高いデータが対象になるため、設計段階での整理が不可欠です。実務上は次の4点を最低限押さえます。

第一に、データの取り扱い範囲の明確化——どのデータをAIに渡し、どのデータは渡さないかを業務ごとに定めます。第二に、権限設計——エージェントに与えるシステム権限を必要最小限にし、書き込み操作は特に絞ります。第三に、ログと監査証跡——エージェントが何を参照し、何を実行したかを追跡できるようにします。第四に、契約とデータ処理条件の確認——利用するAIサービスのデータ取り扱いポリシーを、親会社の情報セキュリティ規程と突合します。

なお、エージェント基盤側でも管理機能の整備は進んでおり、Claude Codeの管理コンソールに利用状況を日次更新で可視化するタブが追加されたことは、組織的なガバナンスを重視する流れの一例といえます。

まとめ:いま着手すべきは「AI導入」ではなく「AIが働ける現場づくり」

2026年上半期の動向を整理すると、方向性は明確です。Anthropicは2026年1月12日にClaude Coworkを発表し、非エンジニアが汎用エージェントを使える環境を開きました。2026年7月時点ではWeb・モバイル・クラウド実行に対応し、オフラインでもタスクが継続します。Claude 5ファミリーとClaude Agent SDKにより、自社業務に合わせたエージェント構築も一般化しました。OpenAIは2026年7月9日にGPT-5.6 SolをCodexのデフォルトモデルとしてGAとし、Terminal-Bench 2.1で88.8%、SWE-Bench Proで64.6%というタスク遂行性能を示しています。音声によるマルチエージェント操作や、TechCrunchが7月15日に報じた230ドルのCodex Microキーボードの登場は、エージェントが日常的な仕事道具になったことの表れです。

そして製造業では、Manufacturing Diveの報道によるDeloitteの予測——エージェントAI導入率が2026年に6%から24%へ約4倍——が示す通り、普及が実際に始まっています。生産スケジューリングシステム保有企業の40%超が2026年までにAI駆動機能へアップグレードするという予測、Suzanoの資材データ照会時間95%削減、Danfossの受注処理判断80%自動化、Elancoの1拠点あたり最大130万ドルの生産性損失回避、そして平均ROI192%・投資回収12〜18ヶ月という調査結果。いずれも、この技術が実験段階を越えたことを裏づけています。

タイに目を向ければ、SMEの7割超がAIを導入済みで、TDRIはタイのAI産業が2020年から2030年にCAGR42.4%で成長すると予測しています。Thailand 4.0政策の後押しもあり、Nikkei Asia ForumではASEAN製造業の経営層がAIによる変革を議論しています。周囲の環境は、確実に動いています。

そのうえで、私たちが在タイ・在越の日系製造業の皆様にお伝えしたいのは、いま着手すべきは「AIの導入」そのものではなく、AIが働ける現場をつくることだという点です。生産実績が構造化され、設備データが継続的に収集され、帳票がデジタル化され、マスタが整備されている——この土台があれば、エージェントAIは短期間で成果を出します。逆に土台がなければ、どれほど高性能なモデルを契約しても効果は出ません。そして幸いなことに、この土台づくりは、AIの流行り廃りに関係なく、可視化と改善という形で確実に価値を返してくれる投資です。

TOMAS TECHは、バンコクを拠点に在タイ・在越の日系製造業向けの工場ITインテグレーターとして、PEGASUS生産管理システム、エネルギー管理システム、IoT設備データ収集、AI-OCRによるバックオフィス自動化、FA・ロボット制御ソリューションを、現場主義で提供してきました。「自社のデータはAIを使える状態にあるのか」「どの業務から着手すれば投資回収が見込めるのか」——こうした現在地の見極めから、ご一緒させていただけます。現状のシステム構成と業務課題をお聞かせいただければ、御社の状況に即した実現可能なステップをご提案いたします。まずはお気軽にご相談ください。

参考情報

採用情報

「AI・DX・自動化」で、製造業の未来を
一緒に変革していく仲間を募集しています。

View More

導入事例

View More

資料請求

View More

お問い合わせ

View More