「新規品番の立上げが重なって、PFMEAの作成も改訂も追いつかない。故障モードを洗い出せるベテランが退職し、客先監査ではFMEAとコントロールプランの不整合を指摘された」。タイの日系の自動車部品・電子部品工場で、品質保証課長や生産技術課長からよく聞く悩みです。そこで検討に上がるのがFMEA AI 導入（FMEAへの生成AIの導入）ですが、結論から書きます。FMEAのAI導入で買うべきものは「速く書く道具」ではなく、故障モードの「漏れ」を見つける道具です。
研究もベンダー製品も、そろって「AIは提案し、判断は人が下す」という設計になっています。だから導入の成否は、AIの賢さそのものより、次の3つを発注前に決めているかどうかで決まります。
- AIに任せる工程と、人が決める工程の線引き（特に重大度Sは人だけが付ける）
- AIに参照させるデータ（基礎FMEA、過去の8D・顧客苦情、4M変更記録、コントロールプラン）の整備
- 受入試験で「漏れ」と「でっち上げ」を測る方法
そしてもう一つ、先に結論を言っておくと、工数削減だけでは投資は回収できません。回収できるかどうかは「FMEAの漏れに起因する顧客苦情を何件減らせるか」で決まります。これは後半のモデル試算で示します。
なお、本記事に登場する金額・時間・件数のうち、後述の「モデル工場R」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。自社の実績値に差し替えて使う「計算の型」として読んでください。
2026年、FMEAと生成AIで何が起きているか
主要なFMEAツールに生成AIが相次いで載った
2026年は、FMEAの専用ツールに生成AIが次々と組み込まれた年でした。
Siemensは2026年1月12日に公開した「Teamcenter Quality 2512」の紹介で、Teamcenter CopilotがAIでFMEAの構造作成の手間を減らすと説明しています。同社によると、システム要素・機能・故障、そして予防・検出タイプの品質処置の記述について「提案」を生成し、ユーザーが必要に応じて採用・編集する方式です。あわせて、AP・RPN・差分の各ダッシュボードからFMEAツリー上の該当箇所へ直接移動する機能や、バリアント間でFMEAを並べて比較する機能も追加したとしています。
続いてRelyenceは2026年3月20日に「Relyence 2026」を発表しました。同社によると、FMEAソフトの中でAIが機能・故障モード・影響・原因などを生成する「SmartSuggest」を追加し、ChatGPTを利用します。プロンプトの中身をすべて見せる「full prompt transparency」とトークン使用量の表示を備え、提案を採用・編集・破棄するかはユーザーが判断する設計です。既定では分析ツリーの項目名だけをプロンプトに含めるとしています。
そして2026年6月18日、Siemensは「Teamcenter Quality 2606」でTeamcenter CopilotのAI支援をTeamcenter Qualityの全モジュールに広げると説明しました。同社によると、コントロールプラン・検査計画の側でも、検査の定義・管理方法・反応計画（reaction plans）の提案を生成して作成を速めるとしています。FMEAの中だけでなく、FMEAからコントロールプランへつなぐ部分にもAIの提案が入り始めたことになります。
これに先立つ2025年7月には、Omnex Systemsが公開したウェビナーで「AQuA Pro」へのエージェント型AIの搭載を発表しています。同社によると、基礎FMEA（Foundation FMEA）を再利用して文脈に合ったPFMEA・DFMEAを生成し、故障モード・原因・管理・処置を推奨し、FMEAの完全性・一貫性・規格適合を検証するとしています。対応規格はAIAG-VDA第1版、AIAG第4版、SAE J1739で、BOM連携やコントロールプラン・プロセスフローへの構造的なリンクを持つとしています。
国内でも、株式会社Things（PRISM）の鈴木敦也CEOが日刊工業新聞社「機械設計」2026年6月号に「生成AIが変える未然防止活動 -DRBFM・FMEAにおけるAI活用の最前線-」を寄稿したと、2026年5月18日のプレスリリースで発表しています。同社は、DRBFM・FMEAの運用で「若手とベテランで心配点の数が2倍以上異なる」ことが珍しくないと指摘し、ベテラン退職による暗黙知の喪失や、社内文書が複数のシステムに分散している点を課題に挙げています。同社によると、PRISMは設計変更時に複数領域にまたがる心配点を提示し、数週間かかっていたDRBFMの作成を「数分」にするワークフローだとしています。
ここで注目したいのは、どの製品もAIの出力を「提案」と位置づけ、採用するかどうかを人に委ねている点です。各社の効果に関する主張はいずれもメーカー公称で、独立した精度の比較評価は本記事の調査範囲では見つかりませんでした。
IATF 16949 第2版は2027年半ばの発行予定（暫定）
IATF Global Oversightは2026年7月、Stakeholder Communiqué SC-2026-005でIATF 16949第2版の改訂状況を公表しました。優先テーマとして、簡素化・明確化・効率化（ISO 9001との重複回避）、ソフトウェア品質保証、Tier Nサプライチェーン管理、立上げ管理、顧客固有要求事項（CSR）の5つを挙げています。日程は暫定とされており、作業ドラフトと外部フィードバックが2026年、最終検証と翻訳・支援文書が2027年、発行は2027年半ばの予定です。
注意したいのは、この文書にFMEAやAIへの直接の言及はないことです。「第2版でFMEAにAIが求められる」といった話ではありません。一方で、認証機関Smithersは、IAOBのデータに基づくIATF 16949の頻出不適合として、8.3.5.2（製造工程設計のアウトプット：仕様の欠落やFMEA文書の不備など）と8.5.1.1（コントロールプラン：実際の製造工程の全ステップを反映していない、FMEAとの整合不足など）を挙げています。改訂の前に、FMEAとコントロールプランの整合を固めておく好機だと考えるのが自然です。第2版への備え全体については「IATF 16949 第2版への準備」で整理しています。
研究の結論は「人の検証が前提」
研究の側も、方向はベンダーと同じです。2026年4月7日に公開されたSAE技術論文（2026-01-0106）は、アーキテクチャ図を入力にLLMでFMEAを作る仕組みを人間参加型の検証と組み合わせて評価し（対象は機能安全系のシステム図）、S/O/Dの採点の正解率は70〜90%だったと報告しています。Design Science誌に掲載されたEl Hassaniらの論文は、LLMが入力データを超えて故障モードを外挿することがあり、出力は専門家（SME）による検証と修正が必要だと明記しています。詳しくは後の節で扱います。
タイの生産・投資の文脈
タイの現場に目を移すと、Trading Economicsが2026年9月28日に伝えたFTI（タイ工業連盟）の発表では、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。一方で輸出は2.04%減で、FTIは2026年通年の生産見通しを3.33%減としています。
投資の側では、タイ投資委員会（BOI）が2026年7月23日に発表した2026年上半期の投資申請で、電気電子が179件・35.6億ドル、自動車が122件、日本からの申請が123件でした（いずれも申請ベース）。また、New Straits Timesが2026年8月に報じたBOIの説明では、2023年から2026年半ばまでの半導体・電子関連の投資申請880件のうち、プリント基板（PCB）が224件・98.5億ドルと最大でした。新しい工場や新しい品番が増えれば、立上げのたびにPFMEAを作り、コントロールプランと整合させる仕事も増えます。限られた品質技術者で回すために、AIの助けを借りたいという要望が出てくるのは自然な流れです。
FMEAのAI導入とは — AIに任せる工程と人が決める工程
AIAG-VDA FMEAハンドブックは2019年6月に第1版が発行された、自動車産業のサプライヤー向けの参照マニュアルです。設計FMEA、工程FMEA、そして監視・システム応答のための補足FMEA（FMEA-MSR）の作成を支援するもので、SAE J1739との整合を図ったとされています。Quality-Oneの解説によると、AIAG-VDA FMEAは7つのステップで進め、従来のRPN（リスク優先数）は廃止されて、AP（処置優先度：H/M/L）に置き換えられました。
この7ステップに沿って、AIに任せやすい部分と人が決める部分を整理すると次のようになります。
| ステップ | 主な作業 | AIに任せやすいこと | 人が決めること |
|---|---|---|---|
| 1 計画と準備 | 範囲・CFT・日程の決定 | 過去の類似FMEAや基礎FMEAの検索 | 分析範囲、CFTの人選、顧客要求の確認 |
| 2 構造分析 | 工程・作業要素の分解 | プロセスフローからの構造の候補出し | 構造が実際の工程と一致しているかの確認 |
| 3 機能分析 | 機能・要求の記述 | 機能・要求の文案の提案 | 製品特性・工程特性と特殊特性の確定 |
| 4 故障分析 | 故障モード・影響・原因 | 過去の8D・苦情・4M変更記録を踏まえた候補出し | 候補の採否、自社工程で起こりうるかの判断 |
| 5 リスク分析 | 現行管理とS/O/Dの評価、AP | 現行の予防・検出管理の候補提示 | 重大度S・発生度O・検出度Dの評価とAPの確定 |
| 6 最適化 | 処置の立案と効果確認 | 処置案の候補と過去の有効策の提示 | 処置の決定、責任者と期日、効果の判定 |
| 7 結果の文書化 | 報告・コントロールプランへの反映 | 文書の整形、コントロールプランとの突き合わせ | 承認、顧客への報告内容の決定 |
候補を「出す」のはAI、「決める」のは人
表を見ると分かるとおり、AIの出番はステップ2〜4の「候補出し」と、ステップ7の「突き合わせ」に集中します。構造・機能・故障の候補を幅広く出すのは、AIが比較的得意な発散的な作業です。一方、ステップ5と6、つまりリスクの評価と処置の決定は、責任を伴う判断であり、人が決めます。
重大度Sは人だけが付ける
なかでも重大度S（Severity）は、AIに提案させる対象からも外すことを勧めます（受入試験でずれを測る目的で提案させる場合を除き、本番運用では提案機能を切っておく）。重大度は「その故障が顧客や最終ユーザーにどれだけ深刻な影響を与えるか」の評価で、その後の処置の要否を大きく左右します。AIが低めの重大度を提案し、それを人が忙しさのあまりそのまま採用すると、本来処置が必要だった故障モードが「対応不要」の扱いになりかねません。その損失の大きさは、後の試算（山場3）で示します。
RPNではなくAPで考える
もう一つの注意点は、AIに「RPNを計算させる」という発想が旧方式だということです。AIAG-VDA方式ではRPNは廃止され、APで処置の優先度を決めます。ツールを選ぶときは、AIAG-VDA方式のAPに対応しているか、既存のAIAG第4版方式のFMEAをどう扱えるかを確認してください。なお、S/O/Dの各評価基準やAPの組み合わせ表はハンドブック原本で確認するものであり、本記事では再現しません。
FMEAソフトのAI機能と汎用の生成AIは何が違うか
「FMEAに生成AIを使う」と聞いて、ChatGPTやClaudeのような汎用の生成AIに工程を説明し、FMEAの表を書かせることを想像する方も多いと思います。しかし、FMEAの専用ツールに組み込まれたAI機能と、汎用の生成AIにFMEAを書かせることは別物です。
| 観点 | FMEAソフトのAI機能 | 汎用の生成AIに書かせる場合 |
|---|---|---|
| 出力の置き場所 | FMEAの構造（ツリー）の中に提案として入る | チャット画面の文章・表。転記が必要 |
| 版管理・承認 | ツールの版管理・承認フローに乗る | 別途の仕組みが必要 |
| 監査証跡 | 誰が提案を採用・編集したかを残しやすい | 承認・版管理と結びついた監査証跡としては残りにくい |
| コントロールプラン連携 | 製品により構造的なリンクを持つ | 無い。人が手で整合させる |
| 参照データ | 基礎FMEAや過去のFMEAを参照できる製品がある | 都度貼り付けた情報だけ |
| データの送り先 | ツールベンダーとLLM提供者の両方を確認 | LLM提供者の条件を確認（個人向けプランは別条件） |
汎用の生成AIは、ブレインストーミングの相手としては役に立ちます。ただし、版管理・監査証跡・コントロールプラン連携が無いため、IATF 16949の文書として運用するFMEAそのものの作成手段にはなりにくいのが実情です。また、個人向けのChatGPTやClaude.aiは商用APIとは利用条件が異なるため、顧客図面や工程条件を含む情報を個人アカウントに貼り付ける運用は避けるべきです。
ツール側も一様ではありません。Relyenceのユーザーガイドには、ChatGPTまたはCopilotを使うこと、トークンを消費すること、オンプレミス版でも保守契約とRelyenceのアプリケーションサーバーとの通信が必要なことが記載されています。「オンプレだから外にデータは出ない」とは限らないので、この点はRFPで必ず確認すべき論点です。
AIが参照するデータ — 基礎FMEA・8D・苦情・4M変更記録
FMEA支援AIの出力の質を決めるのは、モデルの性能よりもAIに何を参照させるかです。一般論の故障モードなら汎用の生成AIでも出せます。現場で価値があるのは「この工程で、この会社で、過去に実際に起きた故障モード」を提示してくれることです。
基礎FMEA（ファミリーFMEA）
Omnexが「基礎FMEAを再利用して文脈に合ったPFMEAを生成する」と説明しているように、基礎FMEA（ファミリーFMEA）はAIの最も重要な入力の一つです。プレス・溶接・樹脂成形といった工程ごとに、標準的な構造・機能・故障モードを整理した基礎FMEAがあれば、新規品番のPFMEAはそこから出発できます。逆に、品番ごとにコピーと修正を繰り返してきた結果、基礎FMEAが存在しない、あるいは古いまま放置されている工場では、AIは古い内容を再生産するだけになります。
過去の8D・顧客苦情
最も価値が高いのが、過去の8Dレポートと顧客苦情の記録です。実際に流出した不具合は、FMEAで想定できていなかった故障モード、あるいは想定していたのに管理が効かなかった故障モードを示しています。AIがこれらを検索し、「この溶接工程では過去にこういう苦情が出ている」と候補に挙げられれば、それはまさに漏れを防ぐ働きです。8Dの作成そのものにAIを使う考え方は「是正報告書・8DのAI作成」で解説しています。
4M変更記録とコントロールプラン
人・機械・材料・方法の4M変更は、新しい故障モードの入口です。変更のたびにPFMEAを見直す運用が回っていれば、変更記録とFMEAの改訂履歴は対応しているはずです。AIに4M変更記録を参照させれば、「変更があったのにFMEAが改訂されていない工程」を見つける手がかりにもなります。4M変更の記録の仕組みについては「4M変更管理システム」を参照してください。設計側の変更を追う場合は「設計変更管理AI」も関係します。
データ整備が最初の山になる
現実には、過去の8Dは紙とExcelとメールに散らばり、苦情の記録は客先ごとに書式が違い、タイ語・日本語・英語が混在しています。Thingsも、社内文書が複数のシステムに分散していることを課題に挙げています。AIを入れる前に、少なくとも主要工程の基礎FMEAと、直近の8D・苦情を検索できる形に整えることが、導入プロジェクトの最初の山になります。ベテランの頭の中にある知見を文書に起こす作業は、「技能伝承AI」の取り組みとも重なります。
研究が示す生成AIの限界 — 漏れ・でっち上げ・S/O/Dのずれ
LLMでFMEAを作る研究はいくつか出ています。結果を並べると、AIに任せてよい範囲と、受入試験で何を測るべきかが見えてきます。
| 研究 | 対象 | 主な結果 | 読み方の注意 |
|---|---|---|---|
| SAE 2026-01-0106（Diwakaruniほか） | 自動車のシステム図からのFMEA | 信号抽出・コンポーネント分類の正解率92%、S/O/D採点の正解率70〜90% | 機能安全系のシステム図が対象。工程FMEAではない |
| El Hassaniほか（Design Science） | 車両のユーザーレビューからの故障モード抽出 | 専門家回答との類似度（10点尺度）で6以上の「実質的一致」がGPT-4で91% | 入力は利用者のレビュー。LLMが入力外の故障モードを外挿することがあると著者が明記 |
| Collierほか | 製品安全リスク評価の各タスク | 発散的タスクは比較的良好。ただし一般的すぎ、誤りや不整合あり | 専門家はAI出力の批判的レビューに役割を移すべきと提案 |
| IBM FMEA Builder（Lynchほか） | 設備保全FMEA | 主要内容の半分超を正しく生成 | 裏返せば半分弱は正しくない。製品・工程FMEAではない |
| Younusほか（arXiv 2511.17743） | AI×FMEAのレビュー | 課題はデータ品質・説明可能性・標準化・分野横断の採用 | 査読前のレビュー論文 |
ここから読み取れる限界は3つです。
1つ目は「でっち上げ」です。El Hassaniらは、LLMが入力データを超えて故障モードを外挿することがあると明記しています。発想を広げる意味では長所にもなりますが、自社の工程に根拠の無い故障モードがFMEAに紛れ込めば、CFTのレビュー時間を奪い、文書の信頼性を下げます。
2つ目は「漏れ」です。IBMの研究では主要内容の半分超を正しく生成できたとしていますが、裏返せば半分弱は正しくなかったことになります。Collierらも、出力が一般的すぎ、専門家の知識の深さを反映していないと評価しています。AIの候補に頼りきると、一般論では出てこない、その工場特有の故障モードが抜け落ちます。
3つ目は「S/O/Dのずれ」です。SAE論文ではS/O/D採点の正解率は70〜90%でした。対象は機能安全系のシステム図で、評価に使った図の数も要旨からは分からないため、この数字を一般化することはできません。それでも「専門家の評価と一定の割合でずれうる」ことを示す例として、S/O/DをAIに決めさせない根拠になります。
これらの研究はいずれも、工場の工程FMEAでの正答率を測ったものではありません。だからこそ、自社の過去FMEAを使った受入試験で、自社の工程に対する漏れとでっち上げを実測することが欠かせません。
FMEAとコントロールプランの連携をAIで検査する
先に触れたとおり、Smithersが挙げる頻出不適合には、8.3.5.2（FMEA文書の不備など）と8.5.1.1（コントロールプランとFMEAの整合不足など）が含まれます。同記事は、FMEAの不備がコントロールプランを弱める例として、「コントロールプランに定めた管理が、工程FMEAで特定した高リスクの故障モードに十分に対応していない」状態を挙げています。
16949store.comの解説も、コントロールプランはDFMEA・PFMEAのアウトプットを考慮するものだとし、見直しのきっかけとして不適合品の出荷、製品・工程の変更、顧客苦情、リスク分析に基づく頻度を挙げています。つまり、FMEAとコントロールプランは一度作れば終わりではなく、苦情や変更のたびに両方をそろえて更新し続ける必要があります。
ここに、AIを含むツールの使いどころがあります。おすすめしたいのは、文章を書かせるより先に、機械的な整合検査に使うことです。
- APがHの故障モードすべてについて、コントロールプラン側に予防または検出の管理が紐づいているか
- FMEAで特殊特性とした項目が、コントロールプランに漏れなく載っているか
- 4M変更や苦情で改訂されたFMEAの行に対応して、コントロールプランの版も更新されているか
- プロセスフロー、PFMEA、コントロールプランの工程番号と工程名が一致しているか
このうち最初の検査は、AIでなくても、FMEAとコントロールプランが構造的にリンクしたツールなら機械的に実行できます。AIの役割は、紐づけが無い故障モードに対して管理方法や反応計画の候補を提示することです。Siemensが2606でコントロールプランの反応計画の提案まで加えたのは、まさにこの部分に関わる動きです。ただし、提案された管理方法が実際の設備や測定器で実行できるかを決めるのは人です。客先監査でFMEAとコントロールプランの整合をどう見せるかは「客先監査とトレーサビリティ」も参考になります。
FMEA AI 導入の費用とROI — 工数削減だけでは回収できない
ここからは、モデル工場Rでの試算です。繰り返しますが、以下の数値はすべて本記事オリジナルの想定値で、業界平均ではありません。
モデル工場Rの前提
モデル工場Rは、タイ・ラヨーン県にある日系の自動車部品メーカー（プレス・溶接・樹脂成形）で、Tier 1／Tier 2サプライヤーで、従業員は450名、IATF 16949の認証を取得しています。
| 項目 | 計算 | 値 |
|---|---|---|
| 新規品番のPFMEA新規作成 | 年24件 × 60人時（CFTの会議時間を含む） | 1,440時間/年 |
| 変更・苦情・4M変更に伴うPFMEA改訂 | 年120件 × 8人時 | 960時間/年 |
| FMEA関連の年間工数 | 1,440 + 960 | 2,400時間/年 |
| 工数の金額換算 | 2,400時間 × 人時単価450 THB（仮置き） | 1,080,000 THB/年 |
| FMEA・コントロールプランの漏れに起因する顧客苦情 | 年6件 × 1件あたり損失250,000 THB | 1,500,000 THB/年 |
苦情1件あたりの損失250,000 THBには、選別、8D対応、特急輸送、客先からのチャージを含めています。
想定する構成と費用
構成は「AI付きのFMEAツール＋過去のFMEA・8D・4M変更記録の検索。S/O/Dと処置は人が決定」とします。
| 区分 | 内訳 | 金額 |
|---|---|---|
| 初期投資 | 基礎FMEA（ファミリーFMEA）と過去FMEA・8Dの整備 | 400,000 THB |
| 初期投資 | ツール設定・コントロールプラン連携 | 300,000 THB |
| 初期投資 | FAT/SAT（試験用FMEAセットの作成を含む） | 150,000 THB |
| 初期投資 計 | 400,000 + 300,000 + 150,000 | 850,000 THB |
| 年間運用 | ソフトウェア利用料（LLM利用料込み） | 360,000 THB/年 |
| 年間運用 | 保守 | 90,000 THB/年 |
| 年間運用 計 | 360,000 + 90,000 | 450,000 THB/年 |
初期投資の半分近くを、ツールではなくデータ整備に充てている点に注目してください。前の節で述べたとおり、ここを削るとAIは一般論しか出せません。
山場1 工数削減だけでは赤字になる
AIの候補出しで、新規作成が30%、改訂が25%速くなったと置きます。
| 項目 | 計算 | 削減時間 |
|---|---|---|
| 新規作成（60→42人時、1件18人時減） | 24件 × 18人時 | 432時間 |
| 改訂（8→6人時、1件2人時減） | 120件 × 2人時 | 240時間 |
| 合計 | 432 + 240 | 672時間/年 |
金額にすると、672時間 × 450 THB = 302,400 THB/年です。ところが年間運用費は450,000 THBなので、年間純便益は302,400 − 450,000 = −147,600 THB/年。運用費すら賄えず、初期投資は回収できません。5年累計では、−147,600 × 5 − 850,000 = −738,000 − 850,000 = −1,588,000 THBになります。
「AIでFMEAを速く書ける」ことだけを導入の理由にすると、こうなります。工数削減の割合をもっと大きく置けば数字は変わりますが、CFTで議論し、S/O/Dを評価し、処置を決める時間は、AIを入れても大きくは縮みません。むしろ縮めてはいけない時間です。
山場2 苦情を年2件減らせると回収できる
次に、過去の8D・苦情・4M変更記録を検索して、AIが「この工程で過去に起きた故障モード」を提示し、FMEAの漏れが減った結果、年6件の苦情のうち2件を防げたと置きます。
- 苦情の回避: 2件 × 250,000 THB = 500,000 THB/年
- 年間純便益: 302,400 + 500,000 − 450,000 = 352,400 THB/年
- 単純回収年数: 850,000 ÷ 352,400 = 約2.4年
- 5年累計: 352,400 × 5 − 850,000 = 1,762,000 − 850,000 = 912,000 THB
ところが、防げた苦情が1件だけだと、年間純便益は302,400 + 250,000 − 450,000 = 102,400 THB/年、単純回収年数は850,000 ÷ 102,400 = 約8.3年です。
| ケース | 年間純便益 | 単純回収年数 |
|---|---|---|
| 工数削減のみ | −147,600 THB/年 | 回収不能 |
| 苦情を年1件防ぐ | 102,400 THB/年 | 約8.3年 |
| 苦情を年2件防ぐ | 352,400 THB/年 | 約2.4年 |
「1件か2件か」で景色が大きく変わります。だからこそ、導入前に苦情の根本原因を「FMEAで想定済みだったのに管理が効かなかった」のか「FMEAで想定が漏れていた」のかに分類して記録する設計を最初に決めておくべきです。この分類が無いと、導入後に苦情が減っても、それがAIによる漏れの減少の効果なのか、別の要因なのかを説明できません。PoCの終わり方の決め方は「AI PoCの終了基準」でも詳しく扱っています。
山場3 重大度を1件下げ間違えたときのコスト
逆向きのリスクも数字にしておきます。AIの提案をそのまま採用して重大度Sを低く付け、処置が要らない扱いになった故障モードが1件流出し、1,000,000 THBの損失が出たとします。これは、山場1の工数削減効果302,400 THBの約3.3年分（1,000,000 ÷ 302,400）にあたります。
数年分の工数削減が、たった1件の重大度の下げ間違いで消える計算です。結論ははっきりしています。重大度Sは人だけが付ける。AIのS/O/D提案は、受入試験で「人の評価とのずれ」を測る対象であって、採用の対象ではありません。先に紹介したSAE論文でも、S/O/D採点の正解率が70〜90%にとどまった例があります。なお、この1,000,000 THBは比較のための物差しであり、上の純便益から差し引いて回収年数を計算し直すものではありません。
二重計上を避けるための注意
苦情1件の損失250,000 THBには、8D対応の工数が含まれています。一方、FMEA改訂の960時間の中にも、苦情をきっかけにした改訂が含まれています。本試算では、苦情防止の効果は「損失の回避」として数え、改訂工数の削減と同じ時間を二重には数えていません。また、苦情が減れば苦情を起点とする改訂件数も減りうるのですが、本試算では改訂件数を年120件に固定しています（保守的な置き方です）。
FMEAソフト・AI機能のRFPに書く12項目
FMEAソフトを比較するときは、デモの印象ではなく、次の12項目を発注仕様（RFP）に書き、各社に同じ形式で回答してもらうことを勧めます。
| # | 項目 | 確認したいこと |
|---|---|---|
| 1 | 対応規格 | AIAG-VDA第1版、AIAG第4版、SAE J1739などへの対応と、既存FMEAの取り込み方 |
| 2 | AIが提案する項目の範囲 | 構造・機能・故障・管理のどこまでを提案するか。S/O/Dを提案させない設定ができるか |
| 3 | 参照データの取り込み | 基礎FMEA・過去FMEA・8D・苦情・4M変更記録をどの形式で取り込み、どう検索させるか |
| 4 | 提案の根拠表示 | 提案がどの過去記録から出たのかを表示できるか |
| 5 | プロンプトと送信データの可視化 | どの項目がLLMに送られるかを利用者が確認・制限できるか |
| 6 | LLMの提供者とデータの扱い | LLMの提供者、データ保持期間、学習利用の有無、ゼロデータ保持の可否 |
| 7 | オンプレ・クラウドと外部通信 | オンプレ版でも外部通信が発生するか、その相手と内容 |
| 8 | 版管理・承認・監査証跡 | AIの提案を誰が採用・編集・破棄したかが記録されるか。承認ワークフロー |
| 9 | コントロールプラン・プロセスフロー連携 | 構造的なリンクの有無、AP=Hで管理が紐づかない行の検出機能 |
| 10 | 多言語 | 日本語・英語・タイ語のUIと入出力、用語辞書の管理 |
| 11 | 受入基準と測定方法 | 再現率・根拠の無い提案の出現率などをどう測り、何を合格とするか |
| 12 | 契約後の調整範囲 | 辞書・プロンプト・参照データ設定の調整を、契約後どこまで含めるか |
補足として、ベンダーがISO/IEC 42001（2023年12月発行のAIマネジメントシステムの規格）の認証を持っているかは、選定の判断材料の一つにはなります。ただし、IATF 16949の監査でそれが求められるわけではありません。開発会社や導入支援会社の見極め方は「AI開発会社の選び方」も参考にしてください。
FAT/SATで確認すること — 「漏れ」と「でっち上げ」を測る
受入試験（工場出荷試験FAT／現地受入試験SAT）では、デモで「それらしいFMEAが出る」ことを確認しても意味がありません。測るべきは、自社の工程に対する漏れとでっち上げです。
試験用FMEAセットの作り方として勧めたいのは、過去に苦情や8Dが出た品番のFMEAを複数件選び、実際に起きた故障モードを伏せた状態でAIに候補を出させる方法です。答えが分かっているので、AIが既知の故障モードをどれだけ拾えるかを客観的に測れます。ただし、参照データに当該の8D・苦情が残っていると「検索できたか」の試験になるため、汎化を見たい場合はそれらを参照データから外した条件でも測ります。
| 試験項目 | 測り方 | 合格値の例（自社で決める） |
|---|---|---|
| 既知の故障モードの再現率 | 伏せた故障モードのうち、AIの候補に含まれた割合 | 例: 8割以上 |
| 根拠の無い故障モードの出現率 | 入力データや参照記録に根拠の無い候補の割合 | 例: 1割以下 |
| S/O/D提案と人の評価のずれ | 提案させた場合に、CFTの評価とどれだけずれるか | 参考値として記録するだけ。合否には使わない |
| AP=Hへの管理の紐づけ検査 | 紐づけを意図的に外した行を含むデータで実行 | 外した行をすべて検出して止まること |
| 個人名の除去 | 8DやCFT名簿の担当者名を含むデータを投入 | LLMへの送信データに個人名が残らないこと |
| 版の差分記録 | AIの提案を採用・編集・破棄して保存 | 誰がいつ何を変えたかが差分として残ること |
合格値の例はあくまで本記事の例です。自社の過去データで試算し、CFTと品質保証部門で合意したうえで決めてください。大事なのは、FATで1回測って終わりにせず、SATでは自社のデータと自社の言語環境で同じ試験を繰り返すことです。
タイ固有の論点 — 機密・PDPA・AI法草案・多言語
顧客の機密とクラウドのAI
FMEAには、顧客の図面、工程条件、不具合の履歴、客先名が入ります。まず、顧客とのNDAや品質契約で、クラウドへの保存や第三者への提供が制限されていないかを確認してください。
LLMの提供者側の条件としては、Anthropicの商用利用規約は顧客コンテンツをモデルの学習に使わないと定めています。OpenAIのAPIの説明では、API経由のデータは明示的にオプトインしない限り学習に使わず、不正利用の監視ログは既定で30日保持、事前承認によりゼロデータ保持（ZDR）が利用できるとしています。ただし、「学習に使わない」と「保存しない」は別の話です。また、Relyenceのようにツール経由で外部のLLMに送る場合は、ツールベンダーとLLM提供者の両方の条件を確認する必要があります。
PDPA（個人情報保護法）
故障モードや工程条件そのものは通常、個人データではありません。しかし、FMEAのCFTメンバー名、8Dの担当者名、客先の担当者名は個人データになりえます。AIに渡す前に名前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。
タイのAI法草案
タイ電子取引開発機構（ETDA）は2026年7月2日、新たな人工知能法の草案を公表し、公聴を行いました。法律事務所Tilleke & Gibbinsの解説によると、草案はリスクベース型で、禁止AI・高リスクAI・登録対象AIの区分、タイ国内の人に影響する行為への域外適用、厳格責任などを含んでいます。まだ草案段階で成立していないため、社内のFMEA支援ツールがどう扱われるかは現時点では分かりません。今後の動向を注視し、必要に応じて所轄機関や専門家に個別に確認してください。
多言語のCFT
タイの日系工場のCFTには、タイ人の工程技術者、日本人の駐在員、そして日本本社の設計・品質部門が関わります。過去の8Dや苦情記録は、タイ語・日本語・英語が混在しているのが普通です。故障モードや原因の用語を辞書で統一しておかないと、同じ「バリ」や「溶接不良」が言語や表記の揺れで別物として扱われ、AIの検索が空振りします。辞書の整備は、データ整備と同じく最初の30日で着手すべき作業です。
FMEA AI 導入の90日計画
最後に、導入を90日で判定まで進める計画の例を示します。
| 期間 | やること | 終わりの状態 |
|---|---|---|
| 0〜30日 | 現状のFMEA工数と、苦情の根本原因の分類（想定済み／想定漏れ）を記録する。主要工程の基礎FMEAと直近の8D・苦情を整備し、用語辞書を作る | 試算の前提を自社の実績値で置き換えられる。試験用FMEAセットの材料がそろう |
| 31〜60日 | 1つの製品ファミリー・1つの工程（例: 溶接）に絞り、人のFMEAとAI支援のFMEAを並行して作って比較する | 再現率・根拠の無い候補の出現率・作成時間の実測値が出る |
| 61〜90日 | FAT/SATを実施し、合格値と照らして適用範囲の拡大を判定する | 拡大・条件付き拡大・中止のいずれかを決める |
ポイントは、最初の30日でAIのツールを触る前に「数える仕組み」を作ることです。苦情の根本原因を分類する記録が無ければ、61〜90日目の判定で、山場2のような効果を説明する材料がありません。また、並行運用を1工程に絞るのは、比較の条件をそろえるためです。複数の工程で同時に始めると、AIの効果なのか工程の難しさの違いなのかが分からなくなります。
よくある質問（FAQ）
Q1. FMEAに生成AIを使うとは？FMEAソフトのAI機能とChatGPTに書かせるのは何が違いますか？
FMEAに生成AIを使うとは、構造・機能・故障モード・管理などの候補をAIに提案させ、人が採否を決めることです。FMEAソフトのAI機能は、提案がツールのFMEA構造の中に入り、版管理・承認・監査証跡やコントロールプラン連携に乗ります。汎用の生成AIに書かせた場合は、それらの仕組みが無く、転記と整合の手間が残ります。また、個人向けプランに機密情報を貼り付ける運用は避けるべきです。
Q2. AIが作ったPFMEAはIATF 16949の監査で通用しますか？
監査で問われるのは、ツールが作ったかどうかより、CFTによるレビューの記録、コントロールプランとの整合、苦情や変更を反映した最新性だと考えられます。IATF 16949第2版は2027年半ばに発行予定（暫定）とされていますが、現時点の公表文書にFMEAやAIへの直接の言及はありません。具体的な判断は、認証機関に個別に確認してください。
Q3. AIにS/O/D（重大度・発生度・検出度）の評価を任せてもよいですか？
任せないことを勧めます。研究でもS/O/D採点の正解率が70〜90%にとどまった例があり、特に重大度Sを低く付け間違えると、本来必要な処置が抜け落ちます。本記事のモデル試算では、重大度の下げ間違い1件の損失が、工数削減効果の約3.3年分にあたりました。AIのS/O/D提案は、受入試験で人の評価とのずれを測る参考値として扱うのが安全です。
Q4. FMEAソフトを比較するときのポイントは？
デモの印象ではなく、本記事の12項目をRFPに書いて同じ形式で回答を集めることです。特に、S/O/Dを提案させない設定ができるか、提案の根拠となった過去記録を表示できるか、LLMに送られるデータを可視化・制限できるか、オンプレ版でも外部通信が発生するか、コントロールプランとの構造的なリンクがあるかは差が出やすい項目です。
Q5. FMEA AI 導入の費用と効果は？
本記事のモデル工場Rの試算（オリジナルの想定値）では、初期投資850,000 THB、年間運用費450,000 THBに対し、工数削減だけでは年間純便益が−147,600 THBで回収できませんでした。FMEAの漏れに起因する苦情を年2件防げた場合は、年間純便益352,400 THB、単純回収は約2.4年です。効果は「苦情を何件減らせるか」で決まります。
Q6. 導入までどのくらいかかりますか？
本記事では、記録とデータ整備に30日、1製品ファミリー・1工程での並行運用に30日、FAT/SATと拡大判定に30日の、計90日の計画を例として示しました。データの散らばり具合や、基礎FMEAの有無によって、最初の30日が延びることはよくあります。
まとめ
- FMEAのAI導入で買うべきは「速く書く道具」ではなく「漏れを見つける道具」です。2026年に相次いだツールのAI機能も、研究も、「AIは提案、判断は人」という設計でそろっています。
- AIに任せるのは構造・機能・故障の候補出しと、コントロールプランとの突き合わせです。S/O/Dの評価と処置の決定は人が行い、特に重大度Sは人だけが付けます。
- 出力の質を決めるのは、基礎FMEA、過去の8D・苦情、4M変更記録といった参照データです。データ整備が最初の山になります。
- 受入試験では、伏せた既知の故障モードの再現率、根拠の無い候補の出現率、AP=Hへの管理の紐づけ検査を測ります。
- モデル試算では、工数削減だけでは赤字で、苦情を年1件防いでも回収は約8.3年、年2件防げると約2.4年で回収できました。導入前に苦情の根本原因を「想定済み／想定漏れ」に分類して記録することが、効果を説明する前提になります。
- 機密、PDPA、タイのAI法草案、多言語の用語統一は、タイの工場ならではの論点です。判断が必要な部分は専門家や認証機関に個別に確認してください。
TOMAS TECHでは、苦情の根本原因の分類の仕方や、どの過去記録をAIに参照させるかの整理といった、ツールを選ぶ前の段階からご相談を承っています。FMEAとコントロールプランの整合をどう固めるか検討中の方は、お問い合わせフォームからお気軽にご連絡ください。
参考情報
- Siemens（Teamcenter Quality 2512）: https://blogs.sw.siemens.com/teamcenter/whats-new-teamcenter-quality-2512/
- Siemens（Teamcenter Quality 2606）: https://blogs.sw.siemens.com/teamcenter/whats-new-teamcenter-quality-2606/
- Relyence（Relyence 2026 発表）: https://relyence.com/?p=17326
- Relyence（SmartSuggest ユーザーガイド）: https://relyence.com/help/user-guide/smartsuggest-generate-suggestions.html
- Omnex Systems（AQuA Pro エージェント型AI ウェビナー）: https://my.omnex.com/webinars/transforming-fmea-launch-of-agentic-ai-in-aqua-pro
- PR TIMES（株式会社Things「機械設計」2026年6月号寄稿）: https://prtimes.jp/main/html/rd/p/000000018.000089483.html
- VDA（AIAG & VDA FMEA Handbook）: https://webshop.vda.de/QMC/en/aiag-vda-fmea-handbook_eng
- Quality-One（AIAG-VDA FMEAの解説）: https://quality-one.com/aiag-vda-fmea/
- IATF Global Oversight（SC-2026-005 告知）: https://www.iatfglobaloversight.org/?p=6589
- Stakeholder Communiqué SC-2026-005（IATF 16949 第2版の状況）: https://media-cdn.smithers.com/mediacontainer/medialibraries/smithersb4f/resources/2026/downloads/stakeholder-communique-sc-2026-005_iatf-16949-2nd-edition-status.pdf
- Smithers（IATF 16949 頻出不適合トップ5）: https://prd-b4f.smithers.com/resources/2025/december/iatf-16949-top-5-non-conformances-via-iaob
- 16949store.com（IATF 16949 コントロールプランの解説）: https://16949store.com/articles/iatf-16949-control-plan/
- SAE 2026-01-0106（AI Powered Failure Mode and Effect Analysis in Safety Critical Industry）: https://saemobilus.sae.org/papers/ai-powered-failure-mode-effect-analysis-safety-critical-industry-2026-01-0106
- El Hassaniほか（Design Science）: https://www.cambridge.org/core/product/22F110A2BF0DB4D01A69472CF17A0B43/core-reader
- Collierほか（How good are large language models at product risk assessment?）: https://vtechworks.lib.vt.edu/items/01506cca-0075-4ffe-8553-49ede6fb6d90
- IBM Research（FMEA Builder, arXiv 2411.05054）: https://arxiv.org/abs/2411.05054
- Younusほか（arXiv 2511.17743）: https://arxiv.org/abs/2511.17743
- ISO/IEC 42001:2023: https://committee.iso.org/standard/81230.html
- Anthropic（Commercial Terms of Service）: https://www.anthropic.com/legal/commercial-terms
- OpenAI（Your data）: https://developers.openai.com/api/docs/guides/your-data
- Tilleke & Gibbins（タイAI法草案の解説）: https://www.tilleke.com/insights/thailand-releases-new-draft-artificial-intelligence-act/
- Trading Economics（タイ自動車生産、FTI発表）: https://tradingeconomics.com/thailand/total-vehicle-sales/news/587114
- 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
- New Straits Times（タイの半導体・電子関連投資申請）: https://www.nst.com.my/amp/business/economy/2026/08/1503841/thailand-attracts-us268bil-chip-electronics-investment-bids-supply
