タイやASEANに製造拠点を持つ日系企業から、生成AI導入について「本社は使い始めたが、現地法人では何から手を付ければいいのか分からない」という相談が増えています。ツール選定の前に決めるべきことは、現在地の把握、着手の順序、費用とROIの数え方、セキュリティと現地法規制への備え、そしてPoCで終わらせないための設計です。本記事では、日本とタイそれぞれの公表調査を出典付きで整理しながら、海外拠点を起点にした実務の手順を具体的にまとめます。
生成AI導入の現在地を数字で把握する
議論を始める前に、まず自社が業界のどのあたりにいるのかを客観的な数字で確認しておきたいところです。感覚で「うちは遅れている」「うちは進んでいる」と語ると、投資判断が担当者の温度感に左右されてしまいます。
日本国内の状況については、帝国データバンクの「生成AIに関する企業の動向調査」が参考になります。この調査は2026年3月17日から31日にかけて実施されたもので、対象は2万3,349社、有効回答は1万312社(回答率44.2%)という規模です。この調査によると、生成AIを業務で活用していると回答した企業は34.5%でした。内訳は「非常に活用している」が4.4%、「やや活用している」が30.2%です。つまり、日本企業の約3社に1社が何らかの形で業務に生成AIを取り入れている一方で、深く使い込んでいると自己評価する企業は5%に満たない、というのが2026年春時点の実像です。
同じ帝国データバンク調査を規模別に見ると、大企業46.5%、中小企業32.4%、小規模企業28.0%と、規模が大きいほど活用率が高くなります。従業員数別ではさらに差が開き、1,000人超の企業では63.6%、301〜1,000人では51.9%であるのに対し、5人以下の企業では29.6%にとどまります。業種別ではサービス47.8%、金融38.6%、不動産34.9%が上位で、運輸倉庫27.5%、建設26.4%が下位に位置しています。
用途が「文章作成」に偏っているという事実
海外拠点の導入設計を考えるうえで、この調査でもっとも注目すべきは活用率そのものではなく、用途の内訳です。同調査では、用途として「文章の作成・要約・校正」を挙げた企業が45.1%と突出しており、以下「情報収集」21.8%、「企画立案」11.0%、「データの集計・分析」7.4%、「プログラミング支援」5.9%と続きます。
言い換えると、日本企業の生成AI活用は、いまのところ大半がオフィスワークの文章処理に集中しており、データの集計・分析はまだ1割にも届いていません。製造業の現場に引き寄せて解釈すれば、生産実績、設備の稼働ログ、品質検査記録、在庫データといった「工場が日々生み出している一次データ」には、生成AIがほとんど届いていないということです。ここが本記事全体を貫く問題意識になります。文章作成の効率化は確かに価値がありますが、それだけでは製造拠点の損益計算書は動きません。
なお、効果については同調査で86.7%が「効果があった」と回答しています(「大いにあった」25.2%、「ややあった」61.5%)。効果を感じている企業は多い。しかしその効果の中身が文章作成の時短に偏っているのだとすれば、経営として次に問うべきは「その先にどう進むか」です。
タイ現地企業のほうが先に動いている、という不都合な事実
日本本社の数字だけを見ていると、「本社が使い始めたら現地にも展開しよう」という順番が自然に思えます。しかし、タイ側の公表データを並べると、その前提はかなり怪しくなります。
タイの企業のデジタル成熟度については、全国834事業者を対象とした「Thailand Digital Outlook 2026」が公表されています。この調査では、タイ企業のデジタル成熟度が初めて中位レベルに到達し、平均スコアは4点満点中2.12でした。2025年の1.56から大きく上昇しています。規模別では大企業2.58、中堅企業2.41(前年1.97)、小規模企業2.01(前年1.45)で、小規模企業が初めて2点台に乗ったことが特徴として報じられています。同調査における先端技術の導入比率は、AIが21.2%で最も高く、ブロックチェーン20.1%、ビッグデータ分析19.9%、IoT 19%、ロボティクス17.8%と続きます。一方で、デジタル製品・サービスの開発とR&Dが弱点として指摘されています。
もう少し前の時点のデータとしては、ETDAとNSTDAによる「Readiness for the Application of AI Technology for Digital Services in 2024」があります。2024年7〜9月に3,758組織へ打診し580組織から回答を得た調査で、AIを導入済みの組織は17.8%(前年15%)、73%が検討中と報告されています。導入の障壁として挙がったのはデータ品質でした。また、生成AIの実装が進んでいる上位3領域は、製品・サービス開発およびR&D、マーケティング・営業・顧客対応、生産プロセスとされています。
さらに、UOBが実施した「Business Outlook Study 2026」では、タイの経営者・意思決定者265名への調査(タイでは2026年上期が初回実施)として、タイのSMEの70%超がAIを実装しており地域平均を上回ること、80%超が何らかのデジタル施策を導入していることが示されています。AIを導入した企業のうち58%がコスト削減を、44%が生産性向上を実感したと回答しました。加えて、80%超が2〜3年以内の海外展開を検討し、53%がASEAN域内での製造拡大を志向しているという結果も出ています。
数値の読み方に関する重要な注記
ここで強調しておきたいのは、上記の日本の数値とタイの数値を、そのまま並べて優劣を論じることはできないという点です。帝国データバンク調査は日本国内1万社超からの回答、Thailand Digital Outlook 2026は834事業者、ETDA/NSTDA調査は580組織の回答、UOB調査は265名の経営者・意思決定者への調査であり、母集団の規模も対象者の属性も、設問の定義も調査時期も異なります。「タイの70%対日本の34.5%」といった比較は、調査手法の違いを無視した誤読になります。
それでも読み取れる傾向はあります。タイの現地企業がAIを「検討中」から「導入済み」へ動かしつつあること、そしてその動機がコスト削減と生産性向上という、極めて実利的なところにあることです。日系現地法人が「本社の展開待ち」で足踏みしている間に、同じ工業団地の現地系サプライヤーや競合が先に手を動かしている可能性は十分にあります。
| 論点 | 日本本社の典型 | タイ現地法人の典型 |
|---|---|---|
| 使えるツール | 全社契約のクラウド版が配布済み | 本社契約の対象外で個人アカウント任せ |
| 主な用途 | 文書作成、要約、社内問い合わせ | 現場帳票、翻訳、多言語の作業指示 |
| データの所在 | 基幹システム・SharePointに集約 | 生産管理・設備・紙帳票に分散 |
| 使用言語 | 日本語中心 | 日本語・タイ語・英語が混在 |
| ガバナンス | 情報システム部が規程を整備 | 規程はあるが現地語版が無く形骸化 |
| 予算権限 | 本社IT予算で全社最適 | 現地法人の裁量が小さく単年度予算 |
| 適用法令 | 個人情報保護法 | タイPDPA、AI関連法案の動向 |
| 成果の見え方 | 間接部門の工数削減 | 歩留まり・停止時間・納期など現場KPI |
この表は、同じ「生成AI導入」という言葉で語っていても、本社と現地法人では前提条件がまったく違うことを整理したものです。本社で成功した施策をそのまま持ち込んでも動かないのは、能力の問題ではなく前提の違いによるものです。
生成AI導入の進め方を5つのフェーズで設計する
現在地が見えたら、次は順序です。ここを間違えると、投資額の大小にかかわらずPoCで止まります。海外拠点を起点にする場合、おおむね次の5フェーズで設計するのが実務的です。
フェーズ0——現在地の棚卸しと業務の可視化
最初にやるべきはツール選定ではなく、業務とデータの棚卸しです。現地法人でどの業務にどれだけの工数がかかっているか、その業務で扱う情報がどこに、どんな形式で存在しているかを洗い出します。紙で回っている帳票、Excelで管理されている台帳、生産管理システムの中にあるテーブル、設備から出力されるログ、担当者の頭の中にしかない判断基準。これらを一覧にするだけで、「生成AIで解けそうな課題」と「そもそもデータが無いので解けない課題」が分かれます。
この段階で決めておきたいのは、評価指標です。何をもって成功とするのか。単に「便利になった」では次の予算が取れません。対象業務の処理時間、エラー率、リードタイム、担当者の残業時間といった、既存のKPIに紐づく指標を先に決めておきます。
フェーズ1——全社共通ツールの配布とルール整備
次に、現地法人の従業員が安全に使えるツール環境を用意します。ここでのポイントは、機能の豊富さよりも「全員が同じ環境を、同じルールで使える」ことです。個人アカウントの野良利用が放置されている状態は、生産性以前にリスクです。
帝国データバンクの2026年3月調査では、生成AI活用の課題として「ルール整備が進んでいない」が25.5%挙がっており、また悪影響については「悪影響はない」が67.7%と大半を占めた一方、具体的な悪影響の内容としては「使いこなせる人とそうでない人の格差の拡大」が18.8%で最も多く挙がりました(「情報流出」は0.7%)。格差が広がるのは、多くの場合ツールの問題ではなく、使い方の型が共有されていないためです。現地法人であれば、タイ語と日本語の両方で利用ガイドラインと定型プロンプト集を用意するだけでも、立ち上がりの速度が変わります。
フェーズ2——自社データとの連携(社内文書・帳票の検索と要約)
汎用ツールの配布だけでは、効果はやはり文章作成の時短に留まります。ここから先が本題です。社内規程、作業標準書、設備マニュアル、過去のトラブル対応履歴、品質基準といった社内文書を検索対象に加え、根拠の出どころを示しながら回答させる仕組みを構築します。
この段階で初めて、「新人でもベテランと同じ判断材料にアクセスできる」という状態が生まれます。タイの製造現場では日本人駐在員の交代周期が短く、属人的なノウハウの引き継ぎが構造的な課題になりがちです。文書の検索性を上げるだけでも、この課題への効きは大きくなります。
フェーズ3——業務プロセスへの組み込みとエージェント化
社内文書の検索が定着したら、次は業務プロセスそのものへの組み込みです。人が生成AIに聞きに行くのではなく、業務の流れの中に生成AIが組み込まれ、複数ステップの処理を自動で進める形になります。
エンタープライズにおけるこの動きについては、Anthropicが2026年に向けて公開した調査「How enterprises are building AI agents in 2026」(技術リーダー500名超を対象、Material社と共同実施、2025年12月9日公開)が参考になります。同調査では、57%が複数ステップのワークフローでAIエージェントを運用しており、16%が部門横断プロセスで運用していると回答しました。さらに81%が2026年により複雑なユースケースに取り組む予定と答えています。用途としては開発・コーディングが突出しており、約90%が開発支援に利用、86%が本番コードでエージェントを運用しています。データ分析・レポート生成が60%、社内プロセス自動化が48%、リサーチ・レポーティングは56%が年内実装予定という結果でした。
フェーズ4——横展開と内製化
最後に、拠点間・工程間への横展開と、運用の内製化です。一つの工程で効果が確認できたら、同じ型を隣の工程や他国拠点へ移植します。ここで重要なのは、移植可能な形で設計しておくことです。特定の担当者が手作りしたプロンプトと手順書に依存していると、横展開の段階で必ず止まります。
| フェーズ | 主な内容 | 期間の目安 | 費用の考え方 |
|---|---|---|---|
| フェーズ0 | 業務・データの棚卸し、KPI設定 | 1〜2か月 | 内部工数中心。外部支援を入れる場合は調査費として計上 |
| フェーズ1 | 共通ツール配布、ガイドライン整備、教育 | 1〜3か月 | ユーザー数×月額のサブスクリプション+教育コスト |
| フェーズ2 | 社内文書・帳票の連携、検索基盤構築 | 3〜6か月 | 初期構築費+利用量に応じた従量費+文書整備の内部工数 |
| フェーズ3 | 業務プロセス組み込み、既存システム連携 | 6〜12か月 | 連携先システムの数と改修範囲に比例。最大の変動要因 |
| フェーズ4 | 横展開、内製化、運用体制の確立 | 継続 | 運用保守費+社内人材の育成投資 |
期間はあくまで一般的な目安であり、対象業務の複雑さ、既存システムの状態、現地の体制によって変動します。重要なのは、フェーズ2以降で必要になる「自社データの整備」に相応の時間がかかることを、最初の計画に織り込んでおくことです。
生成AI導入の費用とROIをどう見積もるか
費用の話は、多くの検討がつまずくポイントです。相場が見えないまま稟議を書くことになり、結果として「まずは小さく」と言いながら効果の出ない規模で止まる、という展開になりがちです。
日本国内の受託開発市場における目安としては、PoCで150万〜500万円、本格実装で1,500万円〜というレンジが事業者から公表されています。別のソースでは、PoCが100万〜500万円、本番実装は月額80万〜250万円×稼働月数という積み上げ方が示されています。
ただし、この数字の扱いには注意が必要です。これらはあくまで日本国内の受託開発の目安であり、タイでの調達価格ではありません。タイにおけるシステム開発の人月単価については公開統計が乏しく、本記事で断定的な数字を示すことは避けます。実務上は、日本の相場をそのまま持ち込むと現地の見積もりと乖離し、逆に「安いはずだ」という前提で予算を組むと、日本語対応や日本本社との調整工数が抜け落ちて破綻します。複数社から見積もりを取り、内訳(初期構築、ライセンス、従量課金、保守、教育)を同じ粒度で比較することが現実的な進め方です。開発パートナーの選び方については、タイのシステム開発会社の選び方で判断基準を詳しく整理しています。
ROIの分子と分母を、投資前に定義する
ROIを議論するときに最も多い失敗は、分子(効果)の定義を後回しにすることです。導入後に「どれくらい効果がありましたか」と聞いて回っても、比較対象となる導入前の数字がなければ、感想しか集まりません。
参考になる数字をいくつか挙げます。前述のAnthropicの調査では、回答企業の80%がAIエージェントへの投資から測定可能な経済的リターンを既に得ていると回答しています。個別事例としては、eSentireが脅威分析の所要時間を5時間から7分へ短縮したこと、DoctolibがClaude Codeの活用により機能提供を40%高速化したことが挙げられています。またタイ側では、前述のUOB Business Outlook Study 2026において、AIを導入した企業の58%がコスト削減、44%が生産性向上を実感したと報告されています。
これらはいずれも他社の事例であり、自社に同じ効果が出ることを保証するものではありません。しかし、共通しているのは「時間」という単位で効果を測っていることです。工場であれば、段取り替えの所要時間、異常発生から一次対応までの時間、月次報告書の作成時間、輸出入書類の照合時間といった具体的な工程時間を導入前に計測しておく。この一手間があるかどうかで、2年目の予算の取りやすさが決定的に変わります。
分母(投資)についても、ライセンス費だけを見ないことが重要です。実務上のコストの大半は、データを整えるための内部工数、既存システムとの連携開発、そして現場に定着させるための教育と伴走にかかります。ここを予算化せずにライセンスだけ買うと、使われないアカウントに毎月課金し続ける状態になります。
生成AI導入が失敗する理由——PoCで止まる構造
「PoCはうまくいったのに本番に進まない」という話は、日系現地法人でも頻繁に聞きます。原因は精神論ではなく、いくつかの構造的な要因に整理できます。
最も示唆的なのが、前述のAnthropicの調査で挙げられた課題の順位です。1位が「既存システムとの統合」で46%、2位が「データアクセスとデータ品質」で42%、3位が「チェンジマネジメント」で39%でした。つまり、企業がぶつかっている壁はモデルの賢さではなく、既存の業務システムと繋がらないこと、繋いだ先のデータが使える状態になっていないこと、そして人と組織が変わらないことです。
日本国内の調査でも同じ方向の結果が出ています。帝国データバンクの2026年3月調査における課題の上位は、「情報の正確性」50.4%、「専門人材の不足」41.3%、「活用範囲が不明確」40.0%、「情報漏洩リスク」33.5%、「ルール整備が進んでいない」25.5%でした。「情報の正確性」が半数を超えているのは、汎用モデルに自社の一次データを与えないまま質問しているケースが多いことの裏返しとも読めます。タイ側でも、ETDA/NSTDAの調査でデータ品質が導入障壁として挙げられており、地域を問わず同じ課題が繰り返し確認されています。
失敗の典型パターン
第一に、対象業務の選び方の問題です。「効果が大きそうだから」という理由で、いきなり品質不良の原因推定のような難易度の高いテーマを選ぶと、データの前処理だけで半年が過ぎます。最初のテーマは、データが既に電子化されていて、効果測定が容易で、失敗しても業務が止まらないものを選ぶべきです。
第二に、評価基準の問題です。PoCの成功条件を決めずに始めると、「なんとなく良さそう」で終わり、本番投資の判断材料になりません。「現状30分かかっている作業を10分以内にする」「正答率85%以上」のように、事前に合否ラインを定めておく必要があります。
第三に、体制の問題です。現地法人のIT担当が1名で、本業の運用保守を抱えたまま兼務でPoCを回す構図は珍しくありません。この体制では、PoCが終わった瞬間に誰も面倒を見なくなります。運用フェーズの担当者を、PoCの段階から巻き込んでおくことが必要です。
第四に、本社との関係の問題です。現地法人が独自に選定を進めた結果、本社のセキュリティ基準に適合せず差し戻される、あるいは本社が全社契約したツールと二重投資になる、という事態が起こります。稟議の前に、本社の情報システム部門と適用範囲をすり合わせておくだけで避けられる失敗です。
第五に、現場の合意形成の問題です。前述の調査でチェンジマネジメントが39%と3位に挙がっているとおり、これは世界共通の課題です。現場のオペレーターにとって、新しい仕組みは「監視されるのではないか」「自分の仕事が減らされるのではないか」という懸念と結びつきます。導入目的を現地語で説明し、まず現場が楽になる用途から始めることが、遠回りに見えて最短の道です。
生成AIのセキュリティと情報漏洩対策の実務
海外拠点での導入を検討する際、経営層から必ず出るのが情報漏洩への懸念です。帝国データバンクの2026年3月調査でも、課題として「情報漏洩リスク」が33.5%で4位に入っています。一方で、実際に生じた悪影響として「情報流出」を挙げた企業は0.7%にとどまり、67.7%が「悪影響はない」と回答しています。リスクの懸念は大きいが、実害の報告は限定的、というのが現時点の全体像です。
とはいえ、実害が少ないことは対策が不要であることを意味しません。とくに現地法人では、本社が整備した規程が現地語化されておらず、実態としては個人アカウントでの野良利用が黙認されている、という状態がしばしば見られます。この状態は、規程上は禁止だが誰も守れない、という最も危険な構図です。
実務的な対策は、次の階層で考えると整理しやすくなります。まず契約・テナントの層です。法人向けの契約形態を選び、入力データが学習に使われない設定になっていることを確認します。次にアクセス権の層です。誰がどの文書にアクセスできるかは、生成AIを導入する前の既存の権限設計がそのまま反映されます。権限管理が緩い状態で社内文書を検索対象にすると、これまで見えなかった情報が誰でも引き出せる状態になります。導入前に権限の棚卸しを行うことが不可欠です。
三番目がデータ分類の層です。図面、原価、人事情報、顧客情報など、外部サービスに載せてよいものと載せてはいけないものを、現地の実情に合わせて分類します。四番目がログと監査の層で、誰がどんな入力をしたかを記録し、定期的に確認できる状態にします。五番目が教育の層です。禁止事項の一覧を配るだけでは行動は変わりません。「この情報を入れるとなぜ問題なのか」を、現地スタッフの言語で具体例とともに伝える必要があります。
なお、工場では情報系ネットワークと制御系ネットワークが接続される場面が増えており、生成AI導入をきっかけに設備データを取り出す際には制御系側の安全確保が前提になります。この論点はタイ工場のOTセキュリティ対策で個別に整理していますので、設備データの活用を検討する段階で併せて確認しておくことをおすすめします。
タイ・ASEANの法規制——AI関連法案、PDPA、ベトナムAI法
海外拠点で生成AIを導入する場合、日本の法令だけを見ていては不十分です。2026年時点で押さえておくべき動きを整理します。
タイでは、AIに関する法案の整備が進んでいます。報じられている内容によれば、用途に応じて「禁止対象」「高リスク」「一般利用」の3分類で規制する枠組みが検討されており、デジタル経済社会省が主導し、ETDAが法案の策定にあたり、AIガバナンスセンター(AIGC)が協力する体制とされています。年度内の成立を目指すとされ、政府機関が違反した場合には人事評価等を通じた実質的な制裁も検討されていると伝えられています。また、著作物の無断学習利用が論点の一つとして挙げられています。ここで重要なのは、これはあくまで法案であり整備中の段階だということです。「タイのAI法が成立した」という前提で社内説明をすると、後で訂正が必要になります。実務としては、高リスク用途に該当し得る使い方(採用選考、与信、重要インフラの制御など)を自社が予定しているかを確認し、該当する場合は説明可能性とログの保全を今から設計しておくのが現実的です。
より直近で影響が大きいのは、既に施行されているタイのPDPA(個人情報保護法)です。制裁は行政上のものと刑事上のものが分かれており、行政制裁金は最大500万バーツとされ、悪質なケースではこれとは別に刑事罰(懲役)が科される可能性もあるとされています。原則としては、収集時に通知した目的の範囲内でのみ個人データを利用できると定められています。生成AIとの関係で重要なのは、「AIモデルの学習」が当初の収集目的に含まれていなければ、追加の同意が必要になるという点です。従業員データや顧客データを社内の生成AI基盤に取り込もうとする際には、収集時の同意文言まで遡って確認する必要があります。
ベトナムでは、人工知能法が2026年3月1日に施行されます。開発・試験・適用の原則を規定し、サンドボックス制度、研究開発・データ・計算基盤への優遇措置、企業の権利保護などを定める内容とされています。背景として、2024年末に政治局が発出したNghị quyết 57/NQ-TW(決議57)があり、AI研究開発において2030年までにASEAN上位3カ国入りを目指す目標が掲げられています。また、国家デジタル変革戦略2026-2030が承認され、SMEの40%超がMaaS、AIエージェント、共用AIソリューションを採用する見込みが示されています。国内エコシステムはVNPT、Viettel、FPT、CMCといった企業が牽引しているとされます。タイとベトナムの両方に拠点を持つ企業であれば、国ごとに規制の成熟度と方向性が異なることを前提に、共通部分(データ分類、ログ、権限管理)を標準化し、国別の差分だけを個別対応する設計が効率的です。
| 項目 | タイ | ベトナム | 日本本社との関係 |
|---|---|---|---|
| AI固有の法規制 | 法案を整備中(禁止/高リスク/一般利用の3分類が検討) | 人工知能法が2026年3月1日施行 | 本社基準に加えて現地の追加要件を反映する必要 |
| 個人データ保護 | PDPA施行済み。行政制裁金は最大500万バーツ。別途、刑事罰(懲役)の可能性もあり | デジタル関連法制と併せて確認が必要 | 越境移転の可否を契約と同意文言で確認 |
| AI学習への利用 | 収集時の目的に含まれなければ追加同意が必要 | 法の原則規定に沿った運用が求められる | 本社基盤へのデータ集約時に論点化 |
| 推進体制 | デジタル経済社会省、ETDA、AIGC | 決議57、国家デジタル変革戦略2026-2030 | 現地の優遇制度を活用できる場合がある |
| 実務上の優先対応 | 高リスク用途の該当有無の確認、ログ保全 | 施行に合わせた社内規程の更新 | 共通部分の標準化と国別差分の管理 |
多言語の工場現場で、生成AIをどう運用するか
タイの製造拠点における生成AI導入には、日本国内の記事ではほとんど扱われない固有の論点があります。言語です。工場では、日本人駐在員の日本語、タイ人スタッフのタイ語、外国人管理職や取引先との英語が日常的に混在します。作業標準書は日本語原本とタイ語訳が併存し、設備メーカーのマニュアルは英語、日々の日報はタイ語、本社への報告は日本語、という状態が普通です。
技術的にまず知っておきたいのは、タイ語には単語間にスペースが無いという特徴です。そのため、タイ語向けに十分学習されていないモデルは、語の区切りを誤ることがあります。文章として自然に見えても、固有名詞や専門用語の切れ目を取り違えれば、検索や分類の精度に影響します。
タイ語に特化したモデルの取り組みも進んでいます。SCB 10Xが開発するTyphoonは代表例で、Typhoon-7Bがオープンソースとして公開されているほか、Typhoon2.1 4BはGemma3をベースとしたタイ語・英語のバイリンガルモデルとされ、音声に対応したTyphoon2-Audioも提供されています。コミュニティ主導のOpenThaiGPTはLlama2をベースに、トークナイザへタイ語トークンを2万4,554語追加するアプローチを取っています。
ただし、「タイ語だから汎用モデルは使えない」と断定するのは適切ではありません。汎用の大規模モデルもタイ語の処理能力を年々高めており、用途によっては十分実用に耐えます。実務的な結論は、用途ごとに検証するということです。社内文書の検索、帳票の読み取り、作業指示の翻訳、日報の要約といった用途ごとに、実際の自社データでサンプルを作り、精度を測ってから判断する。この検証を省略して全社展開すると、現場で「使えない」と判断され、二度と使われなくなります。
運用面では、もう一つ重要な設計があります。回答の言語と、根拠文書の言語を分けて考えることです。タイ人オペレーターにはタイ語で回答し、日本人管理者には日本語で回答する。しかし参照している根拠文書は同一のものにする。この設計にしておくと、「日本語版とタイ語版で作業標準の内容が食い違っている」という、製造現場で実際によく起きる問題を構造的に減らせます。
用途別に「自社データ連携」が要るかどうかを整理する
生成AI導入の計画が曖昧になる大きな理由は、難易度も準備期間もまったく違う用途を、同じ「生成AI活用」という言葉で一括りにしてしまうことです。用途を、自社データとの連携が必要かどうかで分類すると、着手順序が自然に決まります。
| 用途 | 自社データ連携 | 準備の重さ | 着手の目安 |
|---|---|---|---|
| 議事録の要約、メール文面の下書き | 不要 | 軽い | 即日。ツール配布とガイドラインのみ |
| 日タイ英の翻訳、多言語の作業指示作成 | 不要〜一部必要 | 軽い | 用語集を整備すると精度が安定 |
| 社内規程・作業標準書の検索と回答 | 必要 | 中 | 文書の電子化と権限整理が前提 |
| 請求書・納品書・通関書類の読み取り | 必要 | 中 | 帳票様式の整理とAI-OCRとの組み合わせ |
| 設備の異常兆候の要約、日報からの傾向抽出 | 必要 | 重い | 設備データの収集基盤が前提 |
| 生産実績と在庫からの需給シミュレーション | 必要 | 重い | 生産管理システムのデータ品質に依存 |
| 品質不良の原因推定、工程改善の示唆出し | 必要 | 最も重い | 検査データと工程データの紐付けが前提 |
この表の上から3行までは、極端に言えば契約と教育だけで始められます。一方、下の3行は生成AIの性能ではなく、データが揃っているかどうかで成否が決まります。多くの企業が「効果が大きいのは下の行だ」と正しく認識しながら、上の行から始めて、そこで満足してしまう。あるいはいきなり下の行に挑んで、データが無いことに気付いて頓挫する。この二つのどちらかに陥りがちです。
現実的な進め方は、上の行で組織に慣れを作りながら、並行して下の行のためのデータ整備を進めることです。データ整備は生成AIの導入プロジェクトとは別の、地道な作業です。しかしここに投資しない限り、生成AIは永遠に文書処理ツールのままです。帳票の読み取りについては、AI-OCRによるバックオフィス自動化で、タイの現場でよく使われる書類ごとの実務を整理しています。
工場の既存システム・現場データと繋いで初めて効果が出る
ここまでの整理を踏まえると、海外拠点における生成AI導入の成否を分けるポイントは、かなりはっきりしています。既存システムと繋がるかどうか、そして繋いだ先のデータが使える状態になっているかどうかです。
前述のAnthropicの調査で課題の1位が「既存システムとの統合」(46%)、2位が「データアクセスとデータ品質」(42%)だったことは、この主張を裏付けています。同様に、ETDA/NSTDAの調査でもタイ企業のAI導入障壁としてデータ品質が挙げられていました。そして帝国データバンクの調査で、日本企業の生成AI用途が文章作成に45.1%集中し、データの集計・分析が7.4%にとどまっているという事実。これらは別々の調査ですが、同じ結論を指しています。生成AIは、業務データに繋がって初めて業務の数字を動かす、ということです。
製造拠点で「繋ぐ」対象は、大きく三つあります。一つ目は生産管理系のデータです。生産計画、実績、在庫、原価、工程進捗。これらは生産管理システムの中にありますが、システムが古い、拠点ごとに別のものを使っている、Excelとの二重管理になっている、といった理由で取り出しにくい状態にあることが少なくありません。生成AIの導入検討が、結果として生産管理そのものの見直しにつながることも少なくありません。この領域はタイの工場向け生産管理システムの選定で詳しく扱っています。
二つ目は、紙とPDFに閉じ込められたデータです。仕入先からの請求書、通関書類、検査成績表、手書きの日報。これらはAI-OCRで構造化して初めて、生成AIの入力になります。タイの現場では、日本語・タイ語・英語が混在した帳票が日常的に流通しており、多言語対応が前提になる点が国内案件との大きな違いです。
三つ目は、設備から出る時系列データです。稼働状況、電力使用量、温度、圧力、サイクルタイム。IoTで収集した設備データと、生産実績や品質データを突き合わせて初めて、「なぜこの日は歩留まりが落ちたのか」という問いに答える材料が揃います。
そして、これら三つを繋いだ先にあるのが、業務プロセスの自動化です。人が生成AIに質問するのではなく、業務の流れの中で自動的に処理が進む形。この方向性についてはAIエージェントと製造業DXの実務で、工場での具体的な適用の考え方を整理しています。
TOMAS TECHは、バンコクを拠点に、PEGASUS生産管理・エネルギー管理システム、工場の見える化、IoTによる設備監視、AI-OCR、受託開発を、タイ・ASEANの日系製造業向けに提供しています。生成AIの導入支援においても、単体のツール導入ではなく、既存の工場システムや現場データとどう繋ぐかという設計から関わることを重視しています。日本語・タイ語・英語で現地対応できることは、多言語が前提となるタイの製造現場では実務的な差になります。
よくある質問
生成AIの導入費用はどれくらいかかりますか?
日本国内の受託開発市場では、PoCで150万〜500万円、本格実装で1,500万円〜というレンジが事業者から公表されています。別のソースでは、PoCが100万〜500万円、本番実装は月額80万〜250万円×稼働月数という積み上げ方が示されています。ただし、これらは日本国内の受託開発の目安であり、タイでの調達価格ではありません。タイの人月単価については公開統計が乏しいため、本記事では断定を避けます。実務上は、初期構築費、ライセンス費、従量課金、保守費、教育費の5項目を同じ粒度で複数社から見積もり、比較することをおすすめします。また、費用の大半がツール代ではなくデータ整備と既存システム連携にかかることを、最初から予算に織り込んでおくことが重要です。
生成AIの導入はどう進めればよいですか?
まず現在地の棚卸しから始めます。業務とデータを洗い出し、評価指標を決めてから、共通ツールの配布とルール整備、社内文書との連携、業務プロセスへの組み込み、横展開という順序で進めるのが実務的です。重要なのは、自社データとの連携が不要な用途(要約、翻訳、文書作成)と、必要な用途(帳票処理、設備データ分析、需給シミュレーション)を分けて計画することです。前者で組織を慣らしながら、後者のためのデータ整備を並行して進める形が、最も止まりにくい進め方です。
生成AI導入が失敗するのはなぜですか?
技術ではなく、接続とデータと組織が原因であることがほとんどです。Anthropicが2026年に向けて公開した技術リーダー500名超への調査では、課題の上位が既存システムとの統合46%、データアクセスとデータ品質42%、チェンジマネジメント39%でした。帝国データバンクの2026年3月調査でも、情報の正確性50.4%、専門人材の不足41.3%、活用範囲が不明確40.0%が上位です。加えて実務では、PoCの合否基準を決めずに始める、運用担当者を巻き込まずに進める、本社のセキュリティ基準とすり合わせずに選定する、といった進め方の問題が重なります。
情報漏洩のリスクはどう抑えますか?
契約形態、アクセス権、データ分類、ログ監査、教育の5層で考えます。法人向け契約で入力データが学習に使われない設定を確認したうえで、社内文書を検索対象にする前に既存の権限設計を棚卸しすることが特に重要です。権限が緩いまま検索基盤を作ると、これまで見えなかった情報が誰でも引き出せる状態になります。なお帝国データバンクの2026年3月調査では、情報漏洩リスクを課題に挙げた企業が33.5%である一方、実際に情報流出の悪影響があったと回答した企業は0.7%でした。懸念は大きいものの実害の報告は限定的、というのが現時点の全体像です。
タイの現地法人でも日本本社と同じツールを使えますか?
技術的には多くの場合可能ですが、確認すべき点が三つあります。第一に、本社の全社契約に現地法人が含まれているかというライセンス面です。含まれていない結果、現地では個人アカウントの野良利用になっているケースが実際に見られます。第二に、データの保存先と越境移転の扱いです。タイのPDPAでは、収集時に通知した目的の範囲内でのみ個人データを利用できるとされており、AIモデルの学習が当初の目的に含まれていなければ追加同意が必要になります。第三に、運用ルールの現地語化です。日本語の規程だけを配布しても、現地スタッフの行動は変わりません。
タイ語の工場現場でも生成AIの精度は出ますか?
用途によります。タイ語は単語間にスペースが無いため、タイ語向けに十分学習されていないモデルは語の区切りを誤ることがあります。一方で、SCB 10XのTyphoon(オープンソースのTyphoon-7B、Gemma3ベースのバイリンガルモデルTyphoon2.1 4B、音声対応のTyphoon2-Audioなど)や、Llama2をベースにタイ語トークンを2万4,554語追加したOpenThaiGPTのように、タイ語に特化した取り組みも進んでいます。汎用モデルも能力を高めており、「タイ語だから使えない」と断定はできません。社内文書検索、帳票読み取り、作業指示の翻訳といった用途ごとに、自社の実データで精度を検証してから展開範囲を決めることをおすすめします。
現地法人で生成AIを始めるとき、本社とどう役割分担すべきですか?
セキュリティ基準、契約、データ分類の方針といった「守りの標準」は本社が定め、どの業務にどう適用するかという「攻めの適用」は現地法人が主導する、という分担が現実的です。現地の業務、言語、法規制、取引慣行を理解しているのは現地法人であり、そこに本社が細部まで口を出すと意思決定が遅れます。逆に、セキュリティ基準を現地任せにすると、拠点ごとにばらばらの状態が生まれ、後から統合できなくなります。稟議に入る前の段階で、本社情報システム部門と適用範囲をすり合わせておくことが、手戻りを防ぐ最も確実な方法です。
まとめ
海外拠点における生成AI導入は、ツール選定の問題ではありません。帝国データバンクの2026年3月調査が示すとおり、日本企業の活用は34.5%まで広がった一方で、用途は文章作成に45.1%が集中し、データの集計・分析は7.4%にとどまっています。タイ側では、Thailand Digital Outlook 2026でデジタル成熟度が平均2.12へ上昇し、AI導入比率が21.2%と先端技術のトップに立ちました。UOBの2026年調査ではタイのSMEの70%超がAIを実装しているとされます。調査手法も母集団も異なるため単純比較はできませんが、現地企業が実利的な理由でAIを業務に組み込み始めているのは確かです。
そして、日本でもタイでも、そしてグローバルのエンタープライズ調査でも、繰り返し同じ課題が挙がります。既存システムとの統合、データアクセスと品質、そして組織の変化。生成AIが業務の数字を動かすのは、工場の生産管理データ、紙帳票、設備の時系列データと繋がったときです。逆に言えば、そこに繋がっていない限り、どれだけ高性能なモデルを契約しても、成果は文書作成の時短にとどまります。まずは現在地を数字で把握し、自社データ連携が不要な用途で組織を慣らしながら、連携が必要な用途のためのデータ整備を並行して進める。この二本立てが、PoC止まりを避ける現実的な設計です。
TOMAS TECHでは、タイ・ASEANの日系製造業向けに、生産管理・エネルギー管理、工場の見える化、IoT設備監視、AI-OCR、受託開発を通じて、現場データと業務システムをつなぐ支援を行っています。「生成AIを入れたいが、自社のデータがどこまで使える状態にあるか分からない」「本社と現地でどう役割分担すべきか整理したい」といった構想・検討段階のご相談にも対応しています。まだ具体的な計画が固まっていない段階でも構いませんので、現状の整理からご一緒できればと思います。ご相談はお問い合わせフォームからお気軽にどうぞ。
参考文献
- 帝国データバンク「生成AIに関する企業の動向調査」(2026年3月17〜31日調査) https://www.tdb.co.jp/report/economic/20260514-genai/
- Bangkok Post「AI adoption helps Thai firms become digitally mature」(Thailand Digital Outlook 2026) https://www.bangkokpost.com/business/general/3283789/ai-adoption-helps-thai-firms-become-digitally-mature
- Bangkok Post「Data quality concerns a barrier to adoption of AI」(ETDA/NSTDA調査) https://www.bangkokpost.com/business/general/3051260/data-quality-concerns-a-barrier-to-adoption-of-ai
- ThaiPR「UOB Business Outlook Study 2026」(タイの経営者・意思決定者265名) https://www.thaipr.net/en/business_en/3735803
- Anthropic「How enterprises are building AI agents in 2026」(技術リーダー500名超、2025年12月9日公開) https://claude.com/blog/how-enterprises-are-building-ai-agents-in-2026
- バンコク週報「タイのAI関連法案」 https://bangkokshuho.com/thainews-1236/
- Unimon「Thailand PDPA AI Compliance Checklist」 https://unimon.co.th/en/blog/thailand-pdpa-ai-compliance-checklist
- VietnamPlus「Vietnam shapes AI ecosystem following 18-month implementation of Resolution 57」 https://en.vietnamplus.vn/vietnam-shapes-ai-ecosystem-following-18-month-implementation-of-resolution-57-post347781.vnp
- VietnamPlus「Vietnam approves national digital transformation strategy for 2026-2030」 https://en.vietnamplus.vn/vietnam-approves-national-digital-transformation-strategy-for-2026-2030-post348631.vnp
- Renue「生成AI開発費用・PoC価格ガイド2026」 https://renue.co.jp/posts/generative-ai-development-cost-poc-pricing-guide-2026
- SCB 10X「Introducing Typhoon 2 Thai LLM」 https://www.scb10x.com/blog/introducing-typhoon-2-thai-llm
