「見積依頼は増えているのに、図面を見て値段を出せる人が社内に2〜3人しかいない。回答が遅れて、そのまま失注している」。タイの日系の受託加工会社で、社長や営業部長からよく聞かれる悩みです。そこで加工見積へのAI導入が検討に上がりますが、結論から書きます。加工見積のAI導入とは、AIに価格を決めさせることではありません。見積担当の判断を「読取」「類似検索」「原価計算」「承認」の4工程に分け、AIに任せる工程と人が責任を持つ工程の境界を決めることです。
成否を分けるのは、AIの精度そのものより、発注前に次の3つを決めているかどうかです。
- どの図面をAIの見積に通してよいか（適用範囲）
- AIが読み違えたとき、誰がどこで止めるか（承認ゲート）
- 精度を何で測り、何を合格とするか（受入基準）
なお、本記事に登場する金額・時間・件数・比率のうち、後述の「モデル工場Q」に関するものは、すべて本記事オリジナルの試算値・想定値です。業界平均でも調査値でもありません。自社の実測値に差し替えて使うための「計算の型」として読んでください。
2026年、加工見積のAI化で何が起きているか
資金と製品が「見積」に集まり始めた
2026年の夏から秋にかけて、加工見積の周辺で大きな動きが続きました。
キャディは2026年9月15日、シリーズDで177億円を調達し、企業価値は1,820億円になったと発表しました。資金使途として独自AI技術の開発、プラットフォームの拡充、北米事業の強化などを挙げています。それに先立つ8月6日には次世代版の「製造業AIデータプラットフォームCADDi」を発表し、業務特化の製品群の中に、2024年9月に提供を始めた見積プラットフォーム「CADDi Quote」と、年内に提供予定の原価査定製品「CADDi Cost Review」を並べています。同社の発表によれば、日経225企業の半数以上が導入し、22カ国で利用されているとのことです。
英国では、AI CAMの「CAM Assist」で知られるCloudNCが2,000万ドルを調達し、機械加工の見積・積算にAIを適用する新製品「Quote Agent」を2026年内に投入する予定だと、2026年9月9日に報じられました。報道によれば、同社CEOのTheo Saville氏は “Quoting is one of the biggest hidden bottlenecks in precision machining” と語っています。見積は加工現場の「見えないボトルネック」だという認識です。ただしQuote Agentは本記事執筆時点でまだ提供前で、精度や価格は公表されていません。
米国の見積ソフト企業Paperless Partsは、2026年4月に5件目の米国特許を取得したと発表しました。対象は図面をアップロードした時点で読み取り、見積や調達に使える構造化情報に変換するAIで、幾何公差（GD&T）、材料指示、表面仕上げ、ねじ仕様の解釈、PDF図面からの要求事項の抽出、注記と3D形状の対応付け、回転したり劣化したりした図面への耐性を特許の柱に挙げています。同社はそれ以前の2025年9月、見積段階でGD&Tや重要注記を自動でハイライトし、ルールに基づいて高リスク条件にフラグを立てる「Requirements Review」を発表し、プライベートβを経て2025年10月に一般提供する予定としていました。
買い手側の道具と、売り手側の道具は別物
ここで一つ整理が必要です。「AI見積」と呼ばれる製品には、立ち位置の違う2種類が混ざっています。
1つ目は買い手（発注側）の調達ツールです。CADDi Quoteは、見積依頼の一括送信、比較表の自動生成、過去の見積・調達データに基づく類似品候補の提示などを特徴とする、発注側の見積業務向けのクラウドです。米Xometryや米Protolabsのような加工プラットフォームが提供する即時見積も、発注者が図面や3Dデータを入れると価格と納期が返ってくる仕組みです。Xometryは2026年3月、機械加工のリードタイム予測モデルの学習データを従来の4倍にし、形状特徴や顧客の購買履歴などから見積ごとに価格を調整するモデルを使うと発表しました。Protolabsは2026年2月、AIによる見積と製造性解析を組み合わせた「ProDesk」を発表し、同社の説明によれば2026年に約5万社の顧客が利用する見込みだとしています。ミスミのmeviyは、iCADの3D CAD「iCAD SX」から寸法公差の情報を自動で連携する機能を2026年3月に提供開始し、対象は切削（角物）と板金で、従来の手動再設定と比べて見積設定工数を約25%削減したとしています。これはミスミの発表値で、比較の条件の詳細は公表されていません。
2つ目は売り手（受託加工側）が自社の見積を出すための仕組みです。Paperless PartsやCloudNCのQuote Agentはこちらに当たります。本記事の読者の多くは、こちらの立場でしょう。
両者は用途が違いますが、無関係ではありません。顧客側で調達ツールが普及すると、受託加工側には「より速く、揃った形式で」見積を返す圧力がかかります。顧客の比較表に並ぶ以上、回答が遅い会社や、項目が欠けた見積を出す会社は検討の土俵から外れやすくなります。受託加工側のAI見積は、この圧力への備えでもあります。
経営は効果を感じているが、見積の現場にはまだ届いていない
キャディが2026年8月4〜10日に製造業の経営者484名を対象に行ったオンライン調査（9月10日発表）では、AIへの投資・活用について経営へのインパクトを実感している経営者は57.8%でした。一方で、AIの効果が設計・見積・調達などの専門業務や現場の工程まで及んでいる企業は17.2%にとどまったとしています。AI見積の製品を提供する企業自身の調査で、対象も日本の経営者ですが、「経営層は手応えを感じているのに、見積のような専門業務には届いていない」という構図は、タイの日系工場の実感とも重なるはずです。
タイ側でも投資の流れはあります。タイ投資委員会（BOI）の発表によれば、2026年上半期の投資申請のうち、機械更新・デジタル技術導入・自動化やロボット統合を対象とする「Smart and Sustainable Industry」施策には132件、約172億バーツの申請がありました（申請ベースの数字で、実際の投資額ではありません）。足元の需要については、タイ工業連盟（FTI）の発表を伝えたTrading Economicsによると、2026年8月の自動車生産は前年同月比10.93%増の124,646台でしたが、8月の車両輸出は前年同月比2.04%減で、FTIは2026年通年の生産を3.33%減と予測しています。受注の山谷が読みにくいときほど、少ない見積担当で多くの依頼をさばき、取れる案件を確実に取る仕組みの価値は上がります。
加工見積のAI導入とは — 見積を4工程に分ける
ベテランの見積担当が頭の中で一度にやっている仕事を分解すると、おおむね次の4工程になります。
- 読取: 図面から材質、数量、寸法公差、幾何公差、表面粗さ、熱処理やめっきなどの注記を拾い出す
- 類似検索: 過去に似た部品を作ったか、そのとき実際にいくらかかったかを探す
- 原価計算: 材料費、段取りと加工時間、外注工程、検査、梱包・輸送を積み上げる
- 承認: 利益と納期とリスクを見て、最終価格と回答納期を決める
AI見積の議論が混乱しやすいのは、この4工程をひとまとめにして「AIで見積を自動化できるか」と問うからです。工程ごとに見れば、AIが得意な部分と、人が責任を持つべき部分ははっきり分かれます。読取と類似検索はAIを活かしやすい工程（ただし読取結果は人が確認する前提）で、原価計算は要素によって向き不向きがあり、承認は人の仕事です。
また、AI見積は周辺の仕組みとも混同されがちです。オプションを選んで価格が決まる構成型製品の見積は、CPQと呼ばれる別の仕組みで扱います（詳しくは製造業のCPQ導入の記事を参照してください）。加工プログラムのツールパスをAIで作るのはAI CAMの領域で、見積とは目的が違います。ただし、AI CAMで算出した加工時間を見積の原価計算に使う、という連携はありえます。
第1工程 図面の読取 — 2D図面・3Dデータ・GD&Tと重要注記
2D図面（PDF）の読取
タイの受託加工の現場には、今も2DのPDFで届く図面が少なくありません。読取の対象は、表題欄（図番、版、材質、数量）、寸法と寸法公差、幾何公差、表面粗さ、そして熱処理・めっき・研磨・バリ取りなどの注記です。幾何公差の記号と解釈は、ISO系の図面ではISO 1101、米国系の顧客の図面ではASME Y14.5で定められています。日系の顧客はJISやISO系、米系の顧客はASME系というように、一つの工場の中で図面の体系が混在しうる点は、読取の仕様を決める段階で意識しておく必要があります。
3Dデータ（STEP AP242）とPMI
3Dデータで受け取る場合、2025年8月に第4版が発行されたISO 10303-242（STEP AP242）は、寸法・幾何公差のデータや設計・製造計画段階の製品製造情報（PMI）をスコープに含んでいます。PMI付きのデータであれば、形状の特徴と公差を図面を経由せずに読めます。ところが実務では、形状だけを出力したPMIの無いSTEPが少なくありません。その場合、公差情報はAIに渡らず、別途2D図面を読む必要があります。meviyがiCAD SXから公差情報を自動連携する機能を出したのも、公差は3Dモデル側から渡すのが確実だという考え方の表れと言えます。
汎用の生成AIで図面を読む場合の限界
ChatGPTやClaude、Geminiのような汎用の生成AIに図面のPDFを読ませる方法もあります。ただし各社の公式文書には、はっきりした制約が書かれています。
Anthropicの公式文書は、画像理解の限界として、低品質の画像、回転した画像、200ピクセル未満の小さな画像では誤りが起こりうること、座標や位置の出力は概算であることを明記し、完全な精度が必要な作業では人の監督なしに使わないよう求めています。PDFについては、最大リクエストサイズ32MB、1リクエストあたり最大600ページ（コンテキストが100万トークン未満のリクエストでは100ページ）で、パスワード付きや暗号化されたPDFは扱えず、1ページあたりおおむね1,500〜3,000トークンを使うとしています。画像には解像度の上限があり、大きな画像は縮小されて処理されるため、A3図面の細かな公差記号は判読しにくくなりうると考えるべきです。
GoogleのGemini APIは、PDFを最大50MBまたは1,000ページまで受け付け、1ページを258トークン相当として扱い、大きなページは最大3072×3072に縮小するとしています。OpenAIのAPIは、PDF入力を1ファイル50MB未満、1リクエスト合計50MBまでとし、画像処理の詳細度を調整するパラメータを用意しています。
つまり、汎用AIで図面を読むなら、図面の解像度、ページ構成、回転の有無を前処理でそろえ、読取結果は必ず人が確認するという前提を置くことになります。
読取の目的は、価格計算より先に「危険な要求」を見落とさないこと
読取で最も重要なのは、実は価格を出すことではありません。公差や注記の読み落としは、見積額が少しずれるという問題ではなく、受注後の赤字や不良に直結するからです。例えば熱処理の指示を見落とせば外注費がまるごと抜け、厳しい幾何公差を見落とせば加工方法も検査方法も変わります。
Paperless PartsのRequirements Reviewが、価格計算ではなく「GD&Tや重要注記のハイライト」と「高リスク条件のフラグ」を前面に出し、担当者の割り当てや監査履歴など人のレビューを前提にした設計にしているのは、この点を象徴しています。読取AIの受入基準には、金額の誤差より先に「重要注記を落とさないこと」を置くべきです。
第2工程 類似図面検索と実績原価
「似た部品を前にいくらで出したか」では足りない
見積担当が新しい図面を見て最初にするのは、「前に似たものを作ったことがあるか」を思い出すことです。AIによる類似図面検索は、この作業を人の記憶から切り離します。形状や寸法、材質、注記の近さで過去の図面を引き当てる仕組みについては、図面検索AIの記事で詳しく扱っています。
見積で重要なのは、引き当てた過去案件に何が紐づいているかです。過去の見積「金額」だけが紐づいていても、その金額が採算の取れたものだったかは分かりません。値引きして取った案件、赤字になった案件、失注した案件の金額も混ざっているからです。精度を決めるのは、過去案件が実績原価、つまり実際にかかった段取り時間と加工時間、外注費、不良による手直しと結びついているかどうかです。
データ整備が最初の山になる
タイの日系工場では、見積はExcel、図面はファイルサーバー、実績工数は生産管理システム、外注費は会計システム、というように情報が分散していることが多いはずです。類似検索を見積に役立てるには、図番と版をキーにしてこれらを結びつける作業が要ります。図面の版がずれていると、古い版の実績原価で新しい版を見積もることになり、誤差の原因になります。図面の版管理の考え方は設計変更管理AIの記事も参考になります。
この整備は地味ですが、後述のモデル試算でも初期投資の4分の1を占める重要な工程です。
第3工程 原価計算 — AIに任せやすい要素と任せにくい要素
原価計算は、材料費、段取り時間、加工時間、外注工程、検査、梱包・輸送の積み上げです。このうち、AIに任せやすい要素と任せにくい要素ははっきり分かれます。
| 原価要素 | AIへの任せやすさ | 理由と注意点 |
|---|---|---|
| 加工時間の推定 | 任せやすい | 形状特徴と過去の実績工数から推定しやすい。ただし実績工数が記録されていることが前提 |
| 段取り時間 | 条件付き | 段取り回数や治具の要否は工程設計次第。類似品があれば推定しやすい |
| 材料費 | 任せにくい | 材料の寸法から重量は計算できるが、材料単価は改定されるため、単価表の更新ルールが要る |
| 外注工程（熱処理・めっき・研磨） | 任せにくい | 外注先の価格と納期は時価で、注記の読み落としがそのまま原価の抜けになる |
| 検査 | 条件付き | 公差の厳しさや顧客指定の検査項目で大きく変わる |
| 梱包・輸送 | 条件付き | 顧客ごとのルールで決まることが多く、AIより顧客別のマスタで扱う方が確実 |
学術研究では、条件を限れば機械学習で製造コストを一定の精度で推定できることを示したものがあります。2025年8月にarXivに投稿された研究は、自動車のサスペンション・ステアリング部品の2D図面13,684枚（24製品群）から約200の特徴量を取り出し、勾配ブースティング木で製造コストを予測した結果、製品群全体で平均絶対誤差率がほぼ10%だったと報告しています。ただし、これは査読前のプレプリントで、特定のデータセット（自動車サスペンション・ステアリング部品）での結果です。この数字を「AI見積の一般的な精度」と読むことはできません。条件を限ればここまで推定できることを示す研究がある一方で、自社の部品群で測らない限り、精度は分からないというのが正確な理解です。
現時点で、AI見積の精度について公的・独立のベンチマークは見当たりません。ベンダーが示す精度の数字は、どの部品群、どの期間、どの基準で測ったものかを必ず確認してください。
第4工程 承認ゲート — 人が止める条件を明文化する
最終価格と回答納期は、人が承認します。ここで大事なのは「人が見る」と言うだけでなく、どの条件ならAIの見積をそのまま通さず、必ず人が止めて確認するかを明文化することです。条件が曖昧だと、忙しい時期ほど確認が形だけになります。
承認ゲートで止める条件の例を挙げます。いずれも業界標準ではなく、自社で決める基準の例です。
| 止める条件の例 | 止める理由 |
|---|---|
| 材質が材料マスタに未登録 | 材料単価も加工条件も推定の根拠が無い |
| 公差が自社で決めた基準より厳しい（例えば自社基準でIT6相当より厳しいもの） | 加工方法・検査方法・不良率が変わる |
| 熱処理・めっき・研磨などの外注工程がある | 外注先の価格・納期は時価で、AIの推定が外れやすい |
| 新規顧客、または新しい業種の顧客 | 検査・梱包・書類の要求が既存顧客と違う可能性がある |
| 図面の版が不明、または版が複数届いている | 古い版で見積もるリスクがある |
| 類似品が見つからない、または類似度が低い | 推定の根拠が薄い |
| 数量が過去の実績から大きく外れる | 段取り費の配分や工程設計が変わる |
| 読取結果に「読めなかった」項目がある | 読み落としを放置しない |
承認画面には、AIの見積額だけでなく、根拠になった類似案件、読み取った重要注記のハイライト、止まった理由を並べて表示させます。承認者が「なぜこの金額か」を数十秒で確かめられる画面になっているかどうかは、受入基準に含めるべき項目です。
切削と板金・樹脂で何が違うか
同じ「加工見積」でも、工法によって難しさの種類が違います。以下は一般論として、どこに注意が必要かの整理です。
切削加工は、形状特徴（穴、ポケット、ねじ、溝など）と公差、表面粗さで加工時間が大きく変わります。丸物と角物で工程が違い、段取り回数や治具の要否も影響します。読取と加工時間の推定が見積の中心で、AI CAMなど加工側のデータとつながると推定の根拠が増えます。
板金加工は、展開形状、曲げ回数、穴や切り欠きの数、そして1枚の材料から何個取れるかというネスティングの効率が原価を左右します。数量によって材料の取り方が変わるため、数量別の見積を出す仕組みが要ります。溶接や塗装が入ると外注や後工程の比重が上がります。
樹脂成形は、金型の有無で見積の構造がまったく変わります。金型費と成形単価を分けて考える必要があり、金型を新たに起こす場合は金型設計の判断が入るため、図面からの自動見積はさらに難しくなります。
いずれの工法でも共通するのは、最初から全工法・全材質を対象にしないことです。最も件数の多い工法と材質から始め、そこで受入基準を満たしてから範囲を広げるのが現実的です。
精度は何で測るか — AI見積の受入基準の作り方
後ろ向きテスト（過去案件での比較）
AI見積の精度を確かめる最も確実な方法は、過去に受注して実際に作った案件の図面をAIに通し、AIの見積と実績原価を比べることです。過去の見積額と比べるのではありません。過去の見積額そのものが外れていた可能性があるからです。比較に使う案件は、学習に使った案件と分けておく必要があります。
平均ではなく「誤差の分布」を見る
精度を平均誤差の1つの数字だけで判断すると危険です。平均が良くても、一部の案件で大きく外れていれば、その案件で赤字を出します。見るべきは誤差の分布で、特に「大きく下に外れた（安く見積もりすぎた）案件がどれだけあるか」です。
受入基準に入れる指標の例
| 指標 | 測り方 | 合格値の決め方（例） |
|---|---|---|
| 原価推定の誤差の分布 | 過去の受注案件で、AIの推定原価と実績原価を比較 | 自社で決める。例えば「下振れの大きい案件の割合」に上限を置く |
| 読取項目の再現率 | 試験図面セットで、材質・公差・注記を人が読んだ結果と比較 | 例えば重要注記（熱処理・めっき等）は読み落としゼロを条件にする |
| 承認ゲートでの停止率 | 止める条件に当たる図面が、実際に止まった割合 | 条件に当たる図面はすべて止まることを条件にする |
| 承認ゲートを通った案件の比率 | 全件のうち、止まらずに承認に回った件数の割合 | 低すぎると効率が上がらない。自社の目標を決めておく |
| 回答リードタイム | 依頼受付から回答までの営業日数 | 導入前の実測と比較する |
ここで示した合格値は、どれも自社で決める例です。部品群や顧客によって妥当な水準が違うため、ベンダーの言う「精度◯%」をそのまま受入基準にしてはいけません。PoCをどこで打ち切り、本導入に進むかの決め方は、AI PoCの終了基準の記事でも整理しています。
費用とROI — 工数削減だけでは回収できない
ここからは、本記事オリジナルのモデル工場で試算します。繰り返しになりますが、以下の数値はすべて想定値・試算値で、業界平均ではありません。
モデル工場Qの前提
- タイ・チョンブリー県の日系の精密切削・板金の受託加工会社、従業員320名
- 見積依頼（RFQ）は年1,800件（月150件）
- 見積1件あたりの見積担当の作業時間は平均2.0時間（図面確認、工程設計、外注先への問い合わせ、計算、承認を含む想定値）
- 見積作業の年間時間は、1,800件 × 2.0時間 ＝ 3,600時間
- 見積担当の人時単価は400バーツ（技術系の見積担当の給与に社会保険等を含めた本記事の仮置き値）
- 見積作業の年間人件費は、3,600時間 × 400バーツ ＝ 1,440,000バーツ
- 受注率は20%で、年1,800件 × 20% ＝ 360件を受注
- 1件あたりの平均受注額は300,000バーツ、限界利益率は25%で、1件あたりの限界利益は75,000バーツ
- 現在の見積回答リードタイムは平均5営業日
想定する構成と費用
構成は「AIによる図面読取＋類似図面検索＋原価テーブル、最終価格は人が承認」です。
| 費目 | 金額（バーツ） |
|---|---|
| 要件定義・原価モデル整備 | 350,000 |
| 過去見積・実績原価データ整備 | 300,000 |
| ERP・生産管理との連携 | 400,000 |
| FAT/SAT（工場受入試験・現地受入試験） | 150,000 |
| 初期投資 計 | 1,200,000 |
| ソフトウェア利用料（年） | 480,000 |
| 保守（年） | 120,000 |
| 年間運用費 計 | 600,000 |
山場1 工数削減だけでは10年かかる
見積作業時間を50%削減できた（1件2.0時間が1.0時間になった）と置きます。削減時間は3,600時間 × 50% ＝ 1,800時間で、人件費に換算すると1,800時間 × 400バーツ ＝ 年720,000バーツです。
ここから年間運用費600,000バーツを引くと、年間の純便益は120,000バーツしか残りません。単純回収期間は1,200,000 ÷ 120,000 ＝ 10.0年です。5年間の累計では、120,000 × 5 − 1,200,000 ＝ −600,000バーツで、赤字になります。工数を半分にしても、工数削減だけでは投資は回収できないということです。
受注率が1ポイント上がると景色が変わる
次に、回答リードタイムが短くなった効果として、受注率が20%から21%に1ポイント上がったと仮に置きます。増える受注は1,800件 × 1% ＝ 18件で、限界利益の増加は18件 × 75,000バーツ ＝ 年1,350,000バーツです。
このとき年間の純便益は、720,000 ＋ 1,350,000 − 600,000 ＝ 1,470,000バーツになります。単純回収期間は1,200,000 ÷ 1,470,000 ＝ 約0.8年（約10か月）、5年間の累計は1,470,000 × 5 − 1,200,000 ＝ 6,150,000バーツです。
| ケース | 年間純便益（バーツ） | 単純回収期間 | 5年累計（バーツ） |
|---|---|---|---|
| 工数削減のみ（50%削減） | 120,000 | 10.0年 | −600,000 |
| 工数削減＋受注率1ポイント上昇 | 1,470,000 | 約0.8年（約10か月） | 6,150,000 |
計算上の注意を3つ書いておきます。第一に、受注率の効果は「限界利益」で数えています。受注額300,000バーツをそのまま効果に足すと、効果を大きく見せすぎます。第二に、工数削減の720,000バーツ（人件費）と受注率の効果1,350,000バーツ（限界利益）は別の種類の効果なので足し合わせていますが、見積依頼の件数1,800件は変わらないため、受注が増えても見積作業が増えるわけではありません。第三に、この試算では受注が増えた分の生産能力は足りているものとしています。
結論ははっきりしています。投資判断を決めるのは工数削減ではなく、受注率です。 ただし受注率は、価格、品質、納期、景気、顧客側の事情にも左右され、AI見積の効果だと証明するのは簡単ではありません。だからこそ、導入前の30日間で現状の受注率、回答リードタイム、失注理由を記録し、導入後に同じ指標で比べる設計を最初に決めておく必要があります。逆に言えば、受注率の改善を約束する提案は疑ってかまいません。
山場2 読み違い1件のコスト
もう一つの物差しを置きます。公差や熱処理・めっきなどの注記の読み落としで、原価割れの受注が年4件発生し、1件あたり150,000バーツの損失が出たとします。損失は4件 × 150,000バーツ ＝ 年600,000バーツです。
これは、山場1の工数削減効果720,000バーツの約83%（600,000 ÷ 720,000 ＝ 0.833）に当たります。なお、この損失額は工数削減効果と比べるための物差しとして示しているもので、山場1の純便益から差し引いた別の試算を作るためのものではありません。
ここから言えるのは、AI見積は承認ゲートを外した瞬間に、削減した人件費のほとんどを失いうるということです。承認ゲートで止める条件と、読取結果を人が確認する画面（重要注記のハイライト）を受入基準に入れる根拠はここにあります。
タイの中小企業向け税制について
タイでは、中小企業のデジタル投資について200%の損金算入を認める勅令第802号が2026年2月に発効したと、会計事務所の解説で紹介されています。対象は払込資本500万バーツ以下かつ年間売上3,000万バーツ以下の法人で、2025年6月1日から2027年12月31日までの支出が対象、上限は30万バーツとされ、ソフトウェアやハードウェアはデジタル経済振興庁（DEPA）の登録品であることが条件です。上限額が追加控除分か総額かを含めて解釈の確認が必要で、モデル工場Qのような規模の会社は対象要件を満たさない可能性もあります。適用の可否は、税務の専門家や歳入局に個別に確認してください。
加工見積システムのRFPに書く12項目
AI見積の発注で揉める原因の多くは、「何をもって完成とするか」が仕様書に書かれていないことです。発注仕様書（RFP）には、少なくとも次の12項目を書いておくことをおすすめします。
| No. | 項目 | 書く内容の例 |
|---|---|---|
| 1 | 対象工程・材質・サイズ範囲 | 最初に対象とする工法（切削角物、板金など）、材質、ワークサイズの範囲 |
| 2 | 入力形式 | PDF、STEP（PMIの有無）、DXFのどれを受けるか。スキャン図面や回転した図面の扱い |
| 3 | 読取項目一覧 | 表題欄、材質、数量、寸法公差、幾何公差、表面粗さ、注記の各項目と、読めなかったときの表示方法 |
| 4 | 類似検索の対象データ | 何年分の図面・見積・実績原価を対象にするか。版の扱い |
| 5 | 原価モデルの所有と編集権 | 原価計算のルールや係数を自社で見られるか、変えられるか。契約終了時に持ち出せるか |
| 6 | 材料単価の更新方法 | 誰が、どの頻度で、どの画面から単価を改定するか |
| 7 | 承認ワークフロー | 承認ゲートで止める条件、承認者、差し戻しの流れ、承認履歴の保存 |
| 8 | 精度の受入基準と測定方法 | 後ろ向きテストの対象案件、誤差の分布の見方、読取の再現率、合格値 |
| 9 | 顧客図面の保存場所・保持期間・学習利用の有無 | データの保存地域、保持期間、削除方法、AIモデルの学習に使うかどうか |
| 10 | ERP・生産管理との連携 | 見積番号、図番、実績工数、受注情報をどう受け渡すか |
| 11 | 多言語 | 画面と出力の言語（日本語・タイ語・英語）、用語辞書の管理 |
| 12 | FAT/SATと契約後の調整範囲 | 受入試験の内容、本稼働後の再学習・係数調整をどこまで契約に含めるか |
特に5番の「原価モデルの所有と編集権」は見落とされがちです。原価モデルがベンダーのブラックボックスになると、材料単価や機械チャージが変わるたびにベンダーへの依頼が必要になり、見積の根拠を自社で説明できなくなります。開発会社の見極め方はAI開発会社の選び方の記事、契約で押さえる点はシステム開発契約の記事もあわせて参照してください。
FAT/SATで確認すること
工場受入試験（FAT）と現地受入試験（SAT）では、デモでは見えない部分を確かめます。
- 過去案件での後ろ向きテスト: 学習に使っていない過去の受注案件で、推定原価と実績原価を比べ、誤差の分布が受入基準を満たすか
- 重要注記の読み落としゼロ: 熱処理、めっき、厳しい幾何公差、特殊な検査指示などを意図的に含めた試験図面セットを自社で作り、すべて拾えるか
- 承認ゲートが確実に止まること: 止める条件に当たる図面を流し、1件残らず承認者に回るか
- 個人名が残らないこと: 表題欄の設計者名や承認者名が、読取結果や学習データに残らない設計になっているか
- 版違い図面の扱い: 同じ図番で版が違う図面を流したとき、別物として扱い、古い版の実績原価を誤って使わないか
- 回転・スキャン図面: 傾いたスキャン図面や、解像度の低い図面でどう振る舞うか。読めない場合に「読めない」と表示されるか
試験図面セットは、ベンダーに用意させるのではなく、自社の実際の図面から作ることが重要です。ベンダーが用意したサンプルでは、自社の図面の癖や、自社の顧客に多い注記の書き方が反映されません。
タイ固有の論点 — 図面の機密・PDPA・輸出管理・多言語
顧客図面の機密とクラウドAI
顧客の図面は、多くの場合、秘密保持契約（NDA）の対象です。まず、顧客とのNDAで図面の第三者提供やクラウドへの保存が制限されていないかを確認してください。
クラウドの生成AIのAPIを使う場合、主要ベンダーは商用APIの顧客データを学習に使わないことを規約や公式文書で明記しています。Anthropicの商用利用規約（2025年6月17日発効）は、商用サービスの顧客コンテンツでモデルを学習しないと定めています。OpenAIの公式文書は、APIに送られたデータは明示的にオプトインしない限り学習に使わないとしたうえで、不正利用の監視ログを最長30日保持すること、承認制でゼロデータ保持（Zero Data Retention）が使えることを記載しています。データの保存地域として日本やシンガポールなどを選べますが、一覧にタイは記載されていません。
ここで注意したいのは、「学習に使わない」と「保存しない」は別だということです。学習に使われなくても、一定期間ログが保存される場合があります。また、個人向けプランは商用契約と条件が異なります。顧客図面は、必ず会社として結んだ商用契約の経路で扱い、社員が個人のアカウントで図面を読ませる運用は禁止しておくべきです。
PDPA（個人情報保護法）
タイの個人情報保護法（PDPA）では、個人データを「直接・間接に個人を識別できる、個人に関する情報」と定義しています。図面の形状や公差そのものは、通常これに当たらないと考えられます。ただし、図面の表題欄にある設計者名や承認者名、見積依頼メールにある顧客担当者の氏名や連絡先は、個人データになりうると考えられます。読取結果や学習データから個人名を落とす設計にしておくのが安全です。具体的な扱いは、法務部門や専門家に個別に確認してください。
輸出管理
タイでは、大量破壊兵器関連の貿易管理法に基づく商務省の告示により、2026年7月30日から、カテゴリー0（原子力関連）のデュアルユース品の輸出・再輸出に、外国貿易局（DFT）のシステムでの許可が必要になったと報じられています。一般的な機械加工部品の見積への直接の影響は限定的と考えられますが、図面の内容によっては技術データの扱いに注意が必要になる場合もありえます。本記事の情報は報道などの二次情報に基づくもので、該当するかどうかは商務省外国貿易局（DFT）や専門家に個別に確認してください。
多言語
タイの日系工場では、タイ人の見積担当、日本人の営業、日本本社や日系の顧客が同じ見積に関わります。図面の注記も、日本語、英語、タイ語が混在することがあります。読取結果の項目名、特に材質記号や表面処理の名称は、用語辞書で統一しておかないと、同じ材料が別の名前で登録され、類似検索も原価計算も崩れます。用語辞書の管理者を決めることも、導入前の準備の一つです。
加工見積AI導入の90日計画
最後に、導入の進め方を90日で示します。
| 期間 | やること | 終了時に決めること |
|---|---|---|
| 0〜30日 | 現状の見積工数、受注率、回答リードタイム、失注理由を記録する。過去の図面・見積・実績原価を図番と版で結びつける | 比較の物差し（導入前の実測値）と、最初の対象範囲 |
| 31〜60日 | 1工程・1材質・1顧客群に限定して、AIの見積と人の見積を並行運用し、結果を比べる | 承認ゲートの条件の見直し、受入基準の合格値 |
| 61〜90日 | 後ろ向きテストと試験図面セットでFAT/SATを行い、適用範囲を広げるかを判定する | 本導入に進むか、範囲を広げるか、打ち切るか |
最初の30日でいちばん大切なのは、AIを触ることではなく、現状を記録することです。導入前の受注率や回答リードタイムが分からなければ、導入後に何が良くなったのかを誰も説明できません。山場1で見たとおり、投資判断を決めるのは受注率です。その受注率を比べる土台は、導入前にしか作れません。
31〜60日の並行運用では、AIの見積を顧客に出さず、人の見積と並べて比べます。ここで、AIがどの種類の図面で外れやすいか、どの条件で承認ゲートに止めるべきかが見えてきます。
よくある質問（FAQ）
Q1. AI見積とは？従来の見積システムと何が違いますか？
従来の見積システムは、人が材質や加工時間を入力すると、決められた計算式で金額を出す道具でした。AI見積は、その前段の「図面を読む」「似た過去案件を探す」「加工時間を推定する」部分をAIが担う点が違います。ただし最終価格と納期回答は人が承認する、という線引きは変わりません。
Q2. 図面から見積を自動化すると、どのくらいの精度になりますか？
一般的な精度の数字はありません。公的・独立の精度ベンチマークは見当たらず、学術研究の数字も特定の部品群のデータセットで得られた査読前の結果です。自社の過去の受注案件をAIに通し、実績原価と比べる後ろ向きテストで、誤差の分布と読取の再現率を測るしかありません。合格値は自社で決めます。
Q3. 切削加工と板金でAI見積の難しさは違いますか？
違います。一般論として、切削は形状特徴と公差から加工時間を推定する部分が中心で、板金は展開形状や曲げ回数、ネスティングの効率が原価を左右します。樹脂成形は金型の有無で見積の構造が変わります。最初は最も件数の多い工法・材質に絞って始めるのが現実的です。
Q4. 顧客の図面をクラウドのAIに送っても大丈夫ですか？
まず顧客とのNDAで、第三者提供やクラウド保存が制限されていないかを確認してください。主要ベンダーは商用APIのデータを学習に使わないと明記していますが、「学習に使わない」と「保存しない」は別で、ログが一定期間保存される場合があります。図面の表題欄の氏名などは個人データになりうるため、PDPAの扱いを含め、法務部門や専門家に個別に確認してください。図面の内容が輸出管理に関わりうるかどうかも、所轄の外国貿易局（DFT）や専門家に個別に確認するのが安全です。
Q5. 中小の受託加工会社でもAI見積を導入できますか？費用は？
本記事のモデル工場Q（従業員320名、見積依頼年1,800件）の試算では、初期投資1,200,000バーツ、年間運用費600,000バーツと置きました。これは想定値で、構成や範囲で大きく変わります。工数削減だけでは回収に10.0年かかる一方、受注率が1ポイント上がれば約10か月で回収できる、という構造を自社の数字で確かめてください。タイの中小企業向けデジタル投資の200%損金算入は資本金や売上の要件があり、解釈の確認も必要なため、税務の専門家や歳入局に個別に確認してください。
Q6. 導入までどのくらいかかりますか？
本記事では90日の計画を示しました。最初の30日で現状の記録とデータ整備、次の30日で範囲を限った並行運用、最後の30日でFAT/SATと範囲拡大の判定です。過去の実績原価がどれだけ整っているかで、最初の30日の負荷は大きく変わります。
まとめ
- 加工見積のAI導入は、AIに価格を決めさせることではなく、見積を読取・類似検索・原価計算・承認の4工程に分け、AIと人の境界を決めることです。
- 読取の目的は、価格計算より先に、公差や熱処理・めっきなどの危険な要求を見落とさないことです。
- 類似検索の精度は、過去の見積金額ではなく、実績原価と結びついているかで決まります。
- 承認ゲートで止める条件を明文化し、承認画面で根拠と重要注記を確認できるようにします。
- 精度は、過去の受注案件での後ろ向きテストと誤差の分布で、自社の部品群で測ります。
- モデル試算では、工数削減だけでは回収に10.0年かかり、投資判断を決めるのは受注率でした。一方、読み違いによる損失は工数削減効果の約83%に達しうるため、承認ゲートは外せません。
- 導入前の30日で現状を記録することが、すべての比較の土台になります。
見積工数や受注率の現状をどう記録するかという段階や、どの図面をAIの見積に通すかの線引きを考える段階からでも、ご相談いただけます。自社の数字で試算を引き直したい場合も含め、お問い合わせからお気軽にご連絡ください。
参考情報
- The Next Web（CloudNCの資金調達とQuote Agent）: https://thenextweb.com/news/cloudnc-20m-cam-assist-quote-agent
- Robotics 24/7（IMTS 2026 CloudNC）: https://www.robotics247.com/article/imts-2026-cloudnc-raises-20m-to-expand-ai-tools-for-precision-machining
- Paperless Parts（5件目の特許取得）: https://www.paperlessparts.com/press/paperless-parts-awarded-fifth-patent-advancing-its-position-as-the-leading-intelligence-platform-for-the-industrial-supply-chain/
- Paperless Parts（Requirements Review発表）: https://www.paperlessparts.com/press/paperless-parts-new-ai-features-surface-critical-requirements-helping-shops-quote-faster-with-confidence/
- キャディ（次世代プラットフォーム発表）: https://caddi.com/ja-jp/news/press/20260806
- キャディ（シリーズD資金調達）: https://caddi.com/ja-jp/news/press/series-d-funding
- キャディ（製造業経営者484名調査）: https://caddi.com/ja-jp/news/press/20260910_aiimpact
- マイナビニュース（CADDi Quote正式提供）: https://news.mynavi.jp/techplus/article/20240918-3027513
- CIMdata（Xometry Instant Quoting Engineの拡張）: https://www.cimdata.com/en/industry-summary-articles/item/29596-xometry-deepens-ai-native-marketplace-advantage-with-new-enterprise-lead-time-intelligence-and-personalized-pricing-models
- ネットショップ担当者フォーラム／PR TIMES（meviyとiCAD SXの公差連携）: https://netshop.impress.co.jp/index%2Ephp/r/prtimes/items/000000332.000012100
- Digital Commerce 360（Protolabs ProDesk）: https://www.digitalcommerce360.com/2026/02/17/protolabs-launches-prodesk-ai-quoting-production-management/
- ISO 1101:2017: https://committee.iso.org/standard/66777.html
- ISO 10303-242:2025（STEP AP242）: https://committee.iso.org/standard/84300.html
- ASME Y14.5-2018: https://www.asme.org/codes-standards/find-codes-standards/y14-5-dimensioning-tolerancing/2018
- arXiv 2508.12440（2D図面からの製造コスト予測、査読前）: https://arxiv.org/abs/2508.12440
- Anthropic（Vision）: https://platform.claude.com/docs/en/build-with-claude/vision
- Anthropic（PDF support）: https://platform.claude.com/docs/en/build-with-claude/pdf-support
- Anthropic（Commercial Terms of Service）: https://www.anthropic.com/legal/commercial-terms
- OpenAI（Your data）: https://developers.openai.com/api/docs/guides/your-data
- OpenAI（PDF files）: https://developers.openai.com/api/docs/guides/pdf-files
- Google Gemini API（Document processing）: https://ai.google.dev/gemini-api/docs/document-processing
- タイ個人情報保護法（PDPA）英訳: https://pdpa.msu.ac.th/wp-content/uploads/2022/05/EN-PDPA-2019.pdf
- Nation Thailand（デュアルユース品の輸出許可制）: https://www.nationthailand.com/news/policy/40068484
- Lex Bangkok（タイのデュアルユース輸出管理）: https://lexbangkok.com/thailand-dual-use-export-controls/
- タイ投資委員会（BOI）2026年上半期発表: https://www.boi.go.th/upload/content/PR117_2569EN.pdf
- Trading Economics（タイ自動車生産、FTI発表）: https://tradingeconomics.com/thailand/total-vehicle-sales/news/587114
- Forvis Mazars（タイ中小企業デジタル投資200%損金算入）: https://www.forvismazars.com/th/en/insights/doing-business-in-thailand/tax/how-smes-benefit-from-the-200-tax-deduction
