製造業の生成AI活用事例を調べても、華やかな成果数字だけでは自社の投資判断に使えません。本稿は2026年に公開・掲載されている7つの一次ソース事例を、何を作ったか、どの条件が成果を支えたか、90日で何を受入判定すべきかという実務の言葉に置き換えます。タイ工場で最初の案件を選ぶ経営者、工場長、DX・IT/OT責任者が、PoCを「デモ」で終わらせず、拡大・修正・中止を決めるためのガイドです。
先に結論：成果数字ではなく「再現条件」を買う
今回確認した事例は、保全文書検索、工程計画、対話型加工、品質分析、市民開発型エージェントまで用途が大きく異なります。それでも成功条件には共通点があります。対象業務を狭く定義し、正本データを決め、人が承認する境界を置き、業務KPIと安全KPIを一緒に測り、運用責任者まで先に決めていることです。
したがって、自社の事業計画に他社の「75%」「25%」「3週間」をそのまま置くべきではありません。買うべきものは数字ではなく、その数字が出た業務境界、データ、権限、現場運用、評価方法の組み合わせです。自社のベースラインを測り、同じ型を90日で試し、自社の実測値で次の投資を決めます。
本稿は事例の数値をすべて出典企業の対象案件に限定して記載します。ベンダーの顧客事例は有力な学習材料ですが、比較試験や業界平均ではありません。効果の一般化ではなく、受入条件を設計するために使います。
製造業の生成AI活用事例7件を比較する
| 企業・対象 | 生成AI／AIの役割 | 一次ソースが報告した結果 | 数字を再現する前に必要な条件 | 90日で置く受入指標 |
|---|---|---|---|---|
| Volkswagen Group | 保全チャットボットと共通AI基盤 | 保全チャットボットを8工場へ3週間で展開 | 共通基盤、工場別コンテンツ境界、権限、横展開テンプレート | 回答根拠率、重大誤答、検索時間、工場追加工数 |
| Jabil | 多言語の現場ナレッジ検索 | 初版を1週間で構築し、その後1,700超の方針・仕様・トラブル対応文書へ接続 | 正本文書、メタデータ、更新責任者、多言語評価 | 引用正確性、解決率、検索時間、古い回答率 |
| Sight Machine | 実績データから生産計画を再最適化 | 対象飲料メーカーで非付加価値生産時間75%減、能力5%以上向上 | 実制約データ、目的関数、実行可能性検査、承認者 | 制約違反ゼロ、承認までの時間、段取り・能力 |
| ARUM | 自然言語でNC加工準備を支援 | NCプログラム作成177工程を2工程へ、部品当たり製造コスト50%減と報告 | 命令範囲、安全インターロック、加工ライブラリ、初心者試験 | 危険命令遮断、段取り完了、初回良品率、介入回数 |
| AGCO | 従業員が業務エージェントを作る統制型市民開発 | 900人超が作り手として参加、一部品質レビューが数週間から約1時間 | 作り手教育、中央審査、重複統合、業務オーナー | 所有者設定率、審査合格率、利用率、事故件数 |
| Toyota Industries | 塗装データの統合・品質要因分析 | 3か月パイロットで欠陥約25%減、分析5日から4時間未満 | OTデータ文脈、変数定義、現場利用、対策履歴 | 分析時間、検証済み要因率、欠陥・手直し、誤警報 |
| Georgia-Pacific | 文書・保全記録・IoTと熟練知を統合した現場支援 | オフクオリティと停止時間の低減を報告。数値は本稿では不使用 | 熟練者レビュー、設備・拠点文脈、鮮度管理、出典表示 | 根拠付き回答率、一次解決率、停止時間、知識更新日数 |
表の結果は横並びのランキングではありません。計測対象も期間も成熟度も違います。たとえばVolkswagenの「3週間」は8工場への展開速度であり、投資回収期間ではありません。Jabilの「1週間」は初版で、1,700超の文書接続はその後のデータ統合作業を含みます。Sight Machineの数値は特定の飲料メーカーの計画最適化、Toyota Industriesの25%は塗装工程のパイロットという境界があります。この境界を消すと、経営会議で誤った期待値が固定されます。
事例1：Volkswagenは共通基盤で保全支援を横展開
AWSの事例によると、Volkswagen GroupはGeniusという中央生成AI基盤の一部として保全チャットボットを運用し、技術者が技術データへすぐアクセスできるようにしています。同社担当者は、保全チャットボットを8工場へ3週間で展開したと述べています。この数値から学ぶべきなのは、チャット画面を速く作れたことではなく、工場を追加するたびに基盤を作り直さない設計です。
再現するには、共通部分と拠点固有部分を分けます。認証、ログ、モデル接続、評価、監視は共通化し、設備台帳、保全手順、用語、閲覧権限は工場単位で分離します。タイ工場であれば、タイ語の俗称と英語の設備名、日本本社の文書番号が同じ設備へ結び付くメタデータも重要です。ここが曖昧だと、検索は動いても技術者が信用しません。
90日の受入試験では「何工場へ展開したか」より、代表故障50〜100問に対して正しい文書を提示できるか、版数と有効日を表示できるか、権限外資料を出さないか、回答できないときに保全責任者へ安全にエスカレーションできるかを先に測ります。そのうえで、2拠点目の追加に必要な設定工数を測ると、共通基盤への投資価値が見えます。
事例2：Jabilは「1週間の初版」と「1,700超文書の運用」を分けた
JabilのAWS事例では、現場アシスタントの初回版を1週間で構築し、その後数週間でデータソースを追加しました。公開時点では、複数言語の方針、製造仕様、トラブルシューティング文書など1,700超へリアルタイムにアクセスできると説明されています。重要なのは、初版の速さと、本番知識基盤の完成度を同じマイルストーンにしていない点です。
製造業の生成AI業務活用で最も起きやすい失敗は、ファイルを大量投入したことで「学習済み」と誤認することです。本当に必要なのは、どれが正本か、誰が更新するか、廃止文書をどう除外するか、設備・製品・工場・言語のメタデータが揃っているかです。回答には文書名、版、有効日、該当箇所へのリンクを付け、根拠の無い生成を許さない評価が必要です。
90日では、上位20の問い合わせを対象に、検索前の平均所要時間、AI利用後の所要時間、引用箇所の正解率、重大誤答数、エスカレーション率を測ります。回答速度だけをKPIにすると、もっともらしい誤答が増えても成功に見えます。業務時間と根拠品質を必ず対にしてください。
事例3：Sight Machineはチャットではなく「制約付き計画」を生成
Microsoftが2026年6月3日に公開したSight Machineの事例では、対象の飲料メーカーが週10〜15回の再計画を手作業の会議に頼っていました。実績のライン速度、段取り、立上げ、洗浄、需要などを結び、自然言語で表した課題を数理最適化モデルへ変換し、状況変化に応じて計画を再計算する構成です。同事例は、非付加価値生産時間75%減と生産能力5%以上向上を報告しています。
ここでの再現条件は、生成AI単体ではありません。最新の現場データ、守るべき制約、最適化したい目的、そして計画が実行可能かを検査する仕組みが一体です。「納期を守りながら洗浄を減らす」と言っても、アレルゲン、色順、金型、作業者資格、保全停止、材料ロットといった制約を形式化しなければ、安全な計画にはなりません。
PoCの受入は、提案計画の見栄えではなく、制約違反ゼロ、計算再現性、計画担当者の承認時間、現行計画との差分説明、異常時のロールバックで判断します。能力や非付加価値時間の改善は、その土台を満たした後の二次KPIです。制約違反が1件でも重大なら、平均スコアが高くても本番移行を止めます。
事例4：ARUMは自然言語を機械動作へつなぐ境界を限定
Microsoftが2026年4月15日に公開したARUM事例は、加工知識が少ない利用者でも対話で加工準備を進められる工作機械を紹介しています。一次ソースは、従来CAMで177工程あったNCプログラム作成を2工程へ減らし、部品当たり製造コストを50%削減すると報告しています。詳細本文では、NCプログラミングが部品コストに占める前提と自動化効果を結び付けて説明しているため、この50%を別の製品や工場へ一般化してはいけません。
会話型インターフェースから機械を動かす用途では、生成AIに自由な制御権を渡さないことが核心です。生成AIは意図解釈や手順説明を担当しても、許可された命令セットへの変換、工具・材質・回転数の整合、干渉確認、非常停止、PLCやCNC側の安全インターロックは決定論的に実装します。最終プログラムの承認者と、承認なしでは実行できない状態遷移も必要です。
受入試験には正常系だけでなく、曖昧な指示、単位間違い、存在しない工具、権限外の変更、センサー不一致を含めます。安全側に停止し、理由を説明し、人へ引き渡せることが合格条件です。初心者が速く操作できても、危険命令を一度通せば不合格という非対称な基準が必要です。
事例5：AGCOは市民開発を「自由」ではなく統制された供給網にした
Microsoftが2026年7月6日に公開したAGCO事例では、約2,200人が参加するリーダー会議で募集したところ、900人超がエージェントの作り手に手を挙げ、その後コミュニティが拡大しました。一次ソースは、一部の品質レビューが数週間から約1時間になったとも報告しています。注目すべきは人数の多さではなく、現場が摩擦点を出し、AIリーダーと専門家が本番向けに形を整える分業です。
企業でChatGPT活用事例を増やすだけなら、部門ごとの小さなボットが乱立します。データ分類、所有者、利用者、保持期間、モデル、外部送信、ログ、停止手順を登録し、似た用途は統合しなければ、保守費とリスクが後から膨らみます。AGCOの事例が示すのは、アイデア創出を分散し、本番公開権限は統制するポートフォリオ型の考え方です。
90日では、作成数よりも、業務オーナー設定率、評価データ保有率、審査合格率、重複統合件数、週次利用率、検証済み削減時間、インシデント件数を見ます。使われないエージェントを大量に作っても資産にはなりません。廃止基準を最初から持つことが、健全な市民開発を支えます。
事例6：Toyota Industriesはデータ文脈を先に整えた
Microsoftが2026年4月15日に公開したToyota IndustriesとSight Machineの事例は、塗装工程のセンサー値や環境条件を、工程の意味が分かる形で統合したものです。3か月の実データPoCを経て、一次ソースは対象期間の欠陥約25%減、分析サイクル5日から4時間未満への短縮を報告しています。約400変数を分析して欠陥と相関の強い信号へ絞ったという説明もあります。
「データは集めているが原因が分からない」工場では、生成AIを追加する前に、タグ名、単位、時刻同期、品種、設備状態、レシピ、良否、手直し結果を同じ出来事として結び直す必要があります。データ文脈が無いままAIに説明させると、分析文は流暢でも現場の因果関係から外れます。
受入指標は、分析時間だけでなく、AIが示した候補要因のうち現場試験で再現した割合、対策後に欠陥が戻らなかった期間、誤警報、データ欠損率、朝会準備時間です。相関を因果と断定せず、対策→結果→学習の記録を残すことで、次の品種や工程へ展開できます。
事例7：Georgia-Pacificは熟練知を文書化する業務を作った
Georgia-PacificのAWS事例は、デジタル文書、保全記録、IoTセンサーデータをChatGPという現場支援へつなぎ、設備や拠点に応じた回答を返す構成を説明しています。さらに、熟練者同士の会話を録音し、内容を要約して再利用可能な文書にする知識獲得の流れを設けています。一次ソースはオフクオリティと機械停止の低減を述べていますが、本稿では比較可能な確認済み割合がないため数値化しません。
この事例の本質は「AIが熟練者を置き換える」ことではなく、熟練者がレビューできるうちに暗黙知を正本へ変えることです。録音をそのまま正解にせず、設備ID、症状、前提条件、危険事項、確認者、有効日を付けて承認します。質問への回答から新たな知識不足が見つかったら、担当者へ戻して文書を更新する閉ループも必要です。
90日の評価では、代表トラブルの一次解決率、正しい文書への到達時間、回答の根拠表示、古い知識の検出、熟練者レビュー時間を測ります。熟練者の負担が永続的に増える設計では続きません。初期はレビュー工数を投資として認め、安定後に例外だけを確認する運用へ移します。
7事例から抽出できる5つの再現条件
1. 「AIを使う」ではなく一つの判断を定義する
対象を「保全を効率化」ではなく「設備Xの異常コード発生時に、有効な手順と確認項目を提示する」のように定義します。入力、出力、利用者、実行タイミング、次工程を明記すると、必要データとテストが決まります。対象が広すぎる案件は、90日で学べる単位へ分割してください。
2. 正本、権限、鮮度を同時に決める
RAGや検索機能は、誤った文書を正確に探すこともできます。文書オーナー、承認版、失効日、設備・品種メタデータ、閲覧権限、更新SLAが必要です。ERP、MES、保全システム、共有フォルダのどれを正本とするか、項目ごとに決めます。タイ語、英語、日本語が混在する場合は、翻訳語彙表と原文参照を受入条件に入れます。
3. 結果の重大性に応じた人の関与を置く
FAQ回答と生産計画の承認、NC実行では危険度が違います。低リスクは自動回答、中リスクは人の確認、高リスクは二者承認や決定論的インターロックというように段階化します。人が確認するだけでは不十分で、何を見て承認するか、何秒・何分以内に判断できるか、拒否時にどこへ戻るかを設計します。
4. 業務KPIとガードレールKPIを対にする
時間短縮だけでは、品質低下や事故を隠します。「検索時間＋重大誤答」「計画作成時間＋制約違反」「欠陥率＋誤警報」「自動化率＋人の上書き率」のように、速さと安全を同じダッシュボードで見ます。基準値はPoC開始前に測り、対象数量、品種、シフト、期間を固定します。
5. PoC後の運用責任と単価を先に試算する
本番化すると、モデル利用料より文書更新、評価、監視、問い合わせ、権限変更の費用が効きます。業務オーナー、データオーナー、技術オーナー、セキュリティ責任者を決め、1件当たり、1工場当たり、1ユーザー当たりの限界費用を試算します。拡大するほど単価が下がる共通基盤になっているかを確認します。
どの生成AIビジネス活用から始めるべきか
| 自社の摩擦点 | 向く最初の型 | 最初に揃えるデータ | 本番化前の停止条件 |
|---|---|---|---|
| 手順探索と問い合わせに時間がかかる | 根拠付きナレッジ検索 | 承認済み手順、版、有効日、設備ID | 重大誤答、権限漏えい、根拠なし回答 |
| 計画変更会議が多い | 制約付き計画支援 | 実績速度、段取り、在庫、納期、停止 | 実行不能計画、制約違反、差分説明不能 |
| 熟練者しか設備を扱えない | 対話型作業支援 | 許可命令、標準条件、工具、危険規則 | 危険命令通過、停止不能、無承認実行 |
| 原因分析に数日かかる | 品質・工程分析支援 | 時系列タグ、品種、良否、対策履歴 | 相関の断定、欠損過多、再現不能 |
| 小さな業務改善が多い | 統制型市民エージェント | データ分類、利用者、業務手順、所有者 | 無所有者、重複、監査ログなし |
初めての案件では、知識検索や分析支援のように、AIが直接設備を動かさない型が扱いやすい傾向があります。ただし検索であっても、保全安全や品質判定に使うなら高リスクです。用途の名前ではなく、誤答したときの影響で分類してください。
候補が多い場合は、既存記事のタイ製造業向け生成AIユースケース優先順位付けで、価値、データ準備度、実装難度、リスクを比較できます。現場用途の全体像は製造現場AI活用の4類型も併せて参照してください。
90日ロードマップ：デモではなく判断材料を作る
0〜2週：業務境界とベースラインを固定
経営スポンサーと現場オーナーを一人ずつ置きます。対象業務を一文で定義し、現状時間、件数、品質、停止、手直し、問い合わせ数を測ります。対象外を明記し、個人情報、営業秘密、顧客図面、輸出管理、設備制御などのデータ分類を行います。PoCの終了時に「拡大・条件付き継続・中止」のどれを誰が決めるかも合意します。
成果物は業務フロー、データ一覧、リスク登録簿、ベースライン、受入基準です。まだチャット画面を作る必要はありません。データが無い、所有者がいない、基準値を測れない場合は、この段階でスコープを縮めます。
3〜4週：薄い縦切りを作り、危険な失敗を先に出す
代表データだけで、入力から回答・提案・承認まで一連の流れを作ります。精度を上げる前に、権限外文書、古い文書、曖昧指示、入力欠損、モデル停止、ネットワーク断、タイ語表記揺れを試します。失敗時に安全停止し、利用者へ次の行動を示せるか確認します。
ここでのゲートは機能完成ではありません。重大リスクを制御できる設計か、正本データを継続取得できるか、現場が試験へ参加できるかです。一つでも否なら、追加開発より設計修正を優先します。
5〜8週：現場並行運用で比較する
既存手順を残したまま、限定したシフト、設備、品種、利用者で並行運用します。AI案と実際の判断を記録し、採用、修正、却下の理由を集めます。日次で重大エラーを確認し、週次で評価セットを更新します。モデルの回答だけでなく、画面の導線、出典の読みやすさ、承認負荷も測ります。
ゲートは、重大事故ゼロ、ガードレール達成、利用者が理由を理解して採否判断できることです。平均精度が高くても、特定設備や言語で失敗が集中するなら対象を分けます。
9〜12週：本番条件と拡大単価を検証
監視、アクセス申請、文書更新、障害対応、モデル変更時の再評価、廃止を含む運用手順を回します。2拠点目、2品種目、2部門目の追加を模擬し、設定時間と追加費用を測ります。効果は「削減できそう」ではなく、対象件数を掛けた保守的・標準・上振れの3シナリオで示します。
最終ゲートでは、KPI合格、残余リスク、年間運用費、責任者、次の90日計画を一枚にまとめます。合格しても全社展開とは限りません。条件が違う工場では再評価が必要です。
KPIと受入テストの設計例
| 用途 | 業務KPI | ガードレールKPI | 受入テスト例 | 判断ゲート |
|---|---|---|---|---|
| 文書検索 | 回答までの中央値、一次解決率 | 重大誤答0、引用正確性、権限漏えい0 | 承認済み100問、廃止文書20問、権限違い20問 | 重大誤答があれば停止。その他は閾値合格で限定展開 |
| 計画支援 | 承認までの時間、段取り時間、能力 | 制約違反0、実行可能率、差分説明率 | 実績週を再現し、突発停止・欠品・特急注文を注入 | 制約違反は即不合格。効果は現行計画と比較 |
| 対話型設備支援 | 段取り完了時間、初回良品率 | 危険命令遮断100%、無承認実行0 | 単位誤り、工具なし、権限外変更、センサー不一致 | 安全試験全件合格後のみ実機限定試験 |
| 品質分析 | 分析時間、欠陥・手直し率 | 誤警報率、再現確認率、欠損率 | 過去ロットで盲検し、現場試験で候補要因を検証 | 相関だけの説明は本番対策に採用しない |
| 市民エージェント | 検証済み削減時間、週次利用率 | 所有者100%、ログ100%、事故0 | 公開申請、権限変更、モデル更新、廃止まで通す | 審査未完・無所有者は公開不可 |
閾値は事例数字から借りず、自社のベースラインとリスク許容度から決めます。たとえば検索時間50%減を目標にしても、重大誤答ゼロが満たせなければ不合格です。逆に効果が20%でも、月間件数が多く共通基盤として展開できるなら投資価値が高い場合があります。
受入試験データは開発データと分けます。正解、許容回答、禁止回答、根拠、判定者を記録し、モデルやプロンプト、文書が変わるたびに再実行できるようにします。生成AIの品質は一度測って終わりではありません。運用中に入力分布と文書が変わるため、変更管理が製品品質の一部です。
タイで生成AIを業務活用する際のガバナンス
ETDAの「AI 2026」は、タイのAI利用を安全、透明、公平で、国際原則に沿う形で進める方向を示しています。同ページはAI Governance Guideline & Toolkitsの整備と実装支援を掲げ、利用可能な12セットに加えて2セットを開発中と説明しています。これは個別企業の法的適合を保証するものではありませんが、PoCの初日から責任者、リスク評価、人の監督、ログ、説明、停止経路を用意する実務的な背景になります。
最低限、利用目的、対象者、入力データ、外部送信先、保存期間、モデル、出力の利用範囲、承認者、インシデント窓口を台帳化します。個人情報、顧客機密、図面、契約、従業員評価を扱う場合は、法務・情報セキュリティ・データ保護の確認を案件計画に含めます。クラウドかオンプレミスかだけで安全性は決まりません。権限、暗号化、分離、ログ、削除、ベンダー条件、運用者の行動を合わせて評価します。
技術基盤を選ぶ前に、安全な生成AI環境の作り方で、データ分類、RAG、アクセス制御、監査ログ、モデル評価の考え方を確認すると、後戻りを減らせます。
投資・BOI検討はAI効果と分けて判断する
タイBOIのautomation関連ページは、制度確認の入口になります。ただし、適用対象、対象投資、申請時期、既存設備の扱い、効果指標などは案件と時点で確認が必要です。本稿は特定案件の恩典適用や税率を断定しません。最新条件をBOIまたは資格を持つ専門家へ確認してください。
重要なのは、恩典が無くても合理的な案件かを先に計算することです。PoC費、本番開発費、連携、データ整備、教育、運用、モデル利用、監査を含めた総費用と、検証済み時間削減、停止回避、品質、能力の効果を比較します。恩典は投資判断を補強する要素であり、価値の無い用途を正当化するものではありません。
内製か外部パートナーかを決める質問
完全内製と全面外注の二択ではありません。業務判断、正解データ、受入基準、運用責任は自社が持ち、共通基盤、連携、評価自動化、セキュリティ設計をパートナーと共同する形が現実的です。次の質問に答えられない部分が外部支援の候補です。
- 対象業務の正解と重大な誤りを誰が定義できるか。
- ERP、MES、SCADA、保全、文書のどれが正本か。
- ITとOTをまたぐ接続を誰が安全に実装・保守できるか。
- タイ語・英語・日本語で同じ品質をどう評価するか。
- モデル変更時の回帰試験、監視、停止を誰が担うか。
- 2工場目へ展開するときに再利用できる部分は何か。
- 90日後に拡大・修正・中止を決める経営責任者は誰か。
提案依頼では「チャットボットを作ってください」ではなく、対象件数、現行時間、接続先、禁止データ、受入テスト、運用SLA、成果物の所有権を提示します。比較すべきはデモの流暢さではなく、現場データへ安全につなぎ、測定可能な状態で引き渡せる能力です。
FAQ
生成AIの業務活用は製造業のどの部門から始めるべきですか？
文書探索、計画変更、品質分析など、頻度が高く、現状時間を測れ、最終判断を人が保持できる業務が候補です。効果だけでなく、データ準備度と誤答時の影響を評価します。設備を直接動かす用途は価値が高くても安全設計が重いため、最初は提案支援に限定する方法があります。
生成AIのビジネス活用でPoCの成功をどう定義しますか？
「動いた」ではなく、事前に合意した業務KPIとガードレールKPIの両方を満たした状態です。対象範囲、基準値、試験データ、合否閾値、判定者を開始前に固定し、90日後に拡大・条件付き継続・中止を決めます。
製造業のAI活用で他社事例の成果数字を目標にしてよいですか？
参考にはできますが、そのまま予算効果に置くべきではありません。設備、製品、データ、期間、ベースラインが異なるためです。他社事例からは再現条件と評価方法を借り、自社の基準値から目標を設定してください。
ChatGPTの活用事例を企業で安全に増やすには何が必要ですか？
承認済み環境、データ分類、業務オーナー、評価セット、ログ、公開審査、廃止基準が必要です。アイデアは現場から広く集めても、本番公開権限は統制し、似たエージェントは共通化します。個人アカウントへの機密入力を放置しない教育と代替環境も必要です。
タイ工場で多言語の生成AIを評価する方法は？
日本語のテストを翻訳するだけでなく、タイ語の現場用語、略語、設備の英語名、表記揺れを含む実質問を集めます。言語別に根拠到達率、重大誤答、回答不能時の引継ぎを測り、原文を参照できることを合格条件にします。
まとめ：90日で答えるのは「AIがすごいか」ではない
7事例は、生成AIが製造業の知識検索、計画、加工支援、品質分析、業務エージェントで価値を出せることを示しています。一方で、報告された成果はそれぞれの顧客、工程、期間、データ、運用に固有です。自社が90日で答えるべき問いは、対象業務で安全に再現できるか、運用を続けられるか、次の拠点へ合理的な単価で広げられるかです。
TOMAS TECHでは、タイの製造現場を対象に、ユースケース選定、IT/OTデータ接続、RAG・AIエージェント、受入テスト、運用設計までを一緒に整理できます。まだ要件が固まっていない段階でも、90日で何を測れば投資判断できるかという相談から始められます。お問い合わせはこちらから現状の課題をお知らせください。
参考情報
- Volkswagen Group — Using generative AI to transform production with AWS
- Jabil — Manufacturing transformation with generative AI
- Sight Machine — AI-driven manufacturing optimization
- ARUM — LLM-enabled machining center
- AGCO — Employee-built AI agents
- Toyota Industries — Azure industrial AI in paint processes
- Georgia-Pacific — Operator efficiency using generative AI
- ETDA — AI 2026: Driving Trust AI Governance
- Thailand BOI — Automation measures
