作業手順書の動画AI化｜タイ工場の多言語OJTを変える投資設計

タイの工場で作業手順書を配っても、狙ったとおりに作業が再現されないことがあります。手順書はタイ語だけ、現場には複数の言語を話す作業者がいて、教える側の説明も人によって変わる。この構造的なズレを埋める手段として2026年に実用段階へ入ったのが、作業手順書の動画AI化です。本記事ではタイの日系自動車部品工場（従業員280名）をモデルに、OJT時間・初回合格率・手順逸脱リスクの3つを分解し、投資3層と回収年数まで試算します。

作業手順書の動画AI化とは｜2026年に何が変わったか

「作業手順書を動画にする」こと自体は新しい話ではありません。ビデオカメラで作業を撮り、編集ソフトでテロップを入れる。それを10年前からやっている工場もあります。それでも動画マニュアルが定着しなかった理由は明快で、撮影よりも編集と改訂と翻訳のコストが重すぎたからです。1本作るのに半日、手順が変われば作り直し、他言語版はさらに外注。この構造では120工程を維持できません。

2026年に変わったのは、この「編集・改訂・翻訳」の部分が生成AIで自動化されはじめた点です。

生成AIが手順書を動画の設計図に変える

いま実用化されているAI動画マニュアルの中核機能は、大きく3つに分かれます。

第1に、既存の非構造化データからの初稿生成です。テキストのSOP、PDF化された手順書、保全ログ、過去のトラブル報告書といったバラバラの資料をAIに読ませると、要点を抽出して動画のナレーション原稿とチャプター構成を組み立てます。ゼロから台本を書く工程が消えるため、着手のハードルが大きく下がります。

第2に、映像そのものの意味理解です。スマートフォンで撮った一連の作業映像に対して、AIが「いま何の作業を、どの順序でしているか」を意味の単位で認識し、手順ステップへ自動分割します。従来は人間が動画を再生しながら「ここが手順3の始まり」とマーカーを打っていた作業が、ほぼ自動になります。この手順分割こそが編集工数の大半を占めていたため、影響は小さくありません。

第3に、多言語ローカライズです。分割済みのステップごとにテキストが構造化されているので、翻訳は「動画1本まるごと」ではなく「ステップ単位のテキスト」に対して行えます。用語集を当てれば固有名詞のブレも抑えられ、音声合成を組み合わせればナレーション付きの他言語版が自動生成されます。

この3つを束ねて、テキストのSOPを投入するとAIアバターが解説する多言語動画マニュアルが短時間で生成され、ローカライズまで自動化される。こうした流れが海外の大手製造業を中心に加速していると報告されています。国内ツールでも192言語や100カ国語以上といった対応言語数が公表されており、言語の壁は技術的な制約ではなくなりつつあります。

AI音声合成が持つ、字幕とは別の意味

多言語対応というと字幕（サブタイトル）を思い浮かべがちですが、工場の現場では字幕と音声の価値がまったく違います。

理由は単純で、作業中の作業者は画面を見ていないからです。両手がふさがっている、保護具で視界が狭い、姿勢の関係でタブレットが視野に入らない。こうした場面で字幕は届きませんが、音声は届きます。さらに、読み書きの習熟度は話し言葉の習熟度と必ずしも一致しません。母語で話せても、その言語の文字を速く読めるとは限らない作業者は現場に一定数います。

つまり多言語の音声ナレーションは、字幕の上位互換の便利機能ではなく、「手順が正しく伝わらないこと」に起因するリスクを直接下げる装置です。後述する投資3層で、Tier AとTier Bの間に大きな段差ができるのはこの一点が理由です。

技能伝承AIとの切り分け

ここで、当サイトの技能伝承AIの始め方2026との関係を明確にしておきます。技能伝承AIの記事では暗黙知を「手順・判断基準・感覚」の3層に分け、AIに載せられない範囲がどこまでかを論じましたが、本記事はその逆側、すなわち「AIに載せられる範囲＝標準作業手順そのもの」を動画という媒体でどう資産化し多言語展開するかに絞っています。

言い換えれば、ベテランが「音で異常を感じ取る」領域は本記事の射程外です。本記事が扱うのは、手順書に書ける、書いてある、書けるはずなのに書ききれていない部分。この切り分けを最初にしておかないと、動画マニュアルへの期待値が過剰になり、「動画にしたのに熟練者の代わりにならない」という失望で止まります。

なぜタイの工場で多言語の動画マニュアルが効くのか

手段を知らない、使いこなせていない現場が多数派

2026年版のものづくり白書に関する解説では、技能伝承の課題として最も多く挙げられたのが「ベテランの知識や経験等の形式知化が難しい」で68.6%（複数回答）でした。注目すべきは次点で、「形式知化の方法やツールがわからない、活用できていない（動画記録・作業ログ・AI解析等）」が28.6%、「形式知化のための時間や経営資源が不足」が28.1%と続きます。

この2位と3位が示しているのは、意欲や必要性の認識が足りないのではなく、手段の側で詰まっているということです。動画で残せばよいと頭ではわかっていても、誰が撮るのか、誰が編集するのか、改訂は誰がやるのかが決まらないまま止まっている。逆に言えば、編集・改訂・翻訳の工数がAIで落ちるなら、この28.6%と28.1%の層はそのまま導入余地になります。

同白書では、作業手順・加工条件・検査基準・不具合対応をマニュアルや動画として残すことが、技能を「個人の経験」から「組織の情報」に変えると述べられています。動画AI化は、この変換のコストを下げる手段だと位置づけるのが正確です。

タイ工場特有の、人の入れ替わりと言語の多層構造

日本国内の工場と比べたとき、タイの製造現場には構造的な違いが2つあります。

ひとつは人の入れ替わりの多さです。タイの製造業は労働集約的な工程を多く抱えており、増員・配置転換・離職にともなう新規配属が国内工場より頻繁に発生します。これは「教える回数」がそのまま多いということであり、1回あたりの教育コストに掛かる係数が大きいことを意味します。教育を仕組み化した場合の効果も、その分だけ大きく出ます。

もうひとつが言語の多層構造です。現場にはタイ語を母語とする作業者に加え、近隣国から来た非タイ語話者も一定数含まれます。手順書がタイ語だけで書かれていると、非タイ語話者は同僚の口頭説明や身振りに頼ることになり、理解にばらつきが出ます。ここで問題なのは理解度が低いことそのものより、「理解できていないことが見えない」ことです。うなずいて作業を始めてしまうため、逸脱が起きて初めて伝達の失敗が発覚します。

なお、現場に占める非タイ語話者の比率は業種・地域・企業規模で大きく異なり、信頼できる一次統計で一律に示せるものではありません。本記事では具体的な人数や比率は置かず、「タイ語のみの手順書では理解にばらつきが出る構造がある」という定性的な前提までにとどめます。自社の実態は、各工程の作業者名簿で母語を棚卸しすれば1日で把握できます。

紙とExcelの手順書が抱える3つの限界

現行の紙・Excel＋写真の手順書には、動画と比べたとき次の限界があります。

• 時間軸が表現できない。「ゆっくり回す」「音が変わったら止める」といった、動きと時間に紐づく情報が静止画では落ちる
• 版管理が現場で崩れる。改訂したPDFを配っても、現場のファイルには旧版が残り、どれが最新かがわからなくなる
• 言語を増やすとメンテナンス対象が倍々になる。タイ語版を直したら英語版も直す運用は、数十工程を超えたところで必ず破綻する

動画AI化の本質的な価値は、3つ目にあります。手順のマスターが1つに集約され、そこから各言語版が生成される構造にすれば、改訂は1カ所で済みます。言語版が2つでも5つでも、改訂の手間はほぼ変わりません。

OJTの動画AI化の効果をモデル工場で試算する

ここからは具体的な数字に落とします。以下はTOMAS TECHの試算モデルであり、実際の数値は工場ごとに変わります。前提を明示するので、自社の数字に置き換えて読んでください。

モデル工場の前提

人時単価は当サイトの他のAI関連記事と揃えています。日額400 THBは最低賃金水準からの概算であり、実際の負担額には社会保険料や賞与が乗るため、保守的（小さめ）な見積もりです。

Baselineの年間OJTコスト

現状の教育負荷を数えます。

年間の新規配属・工程異動イベントは、離職補充・増員・ローテーションを合わせて55件と置きます。1件あたり平均2.5手順を新規に習得するので、年間の学習イベント数は55件 × 2.5 = 137.5、丸めて138件です。

1手順あたりのOJT所要時間は、班長（技能指導員）が2.0時間、新人が2.0時間。班長は付き添いで実演と確認を行うため、両者に同じ時間が乗ります。

• 班長の年間OJT時間 = 138件 × 2.0時間 = 276時間
• 新人の年間OJT時間 = 138件 × 2.0時間 = 276時間
• 年間OJTコスト = 276 × 150 + 276 × 50 = 41,400 + 13,800 = 55,200 THB

さらに、当社が現場評価に使っている独自指標として「初回合格率」を置きます。これはOJT直後の実技チェックを1回で通過した割合です。Baselineでは62%と設定しました。言語ギャップと、指導者ごとの説明のばらつきが主因です。

• 不合格件数（Baseline） = 138件 × 38% ≒ 52件
• 不合格1件あたりの手戻り時間 = 班長0.75時間 ＋ 新人0.75時間
• 不合格1件あたりの手戻りコスト = 0.75 × 150 ＋ 0.75 × 50 = 150 THB
• 手戻りコスト（Baseline） = 52件 × 150 = 7,800 THB

動画AI化後のOJT時間を式で分解する

ここからが効果の計算です。tebikiの導入事例（日本クロージャー株式会社）では、組み込み・分解・金型作業などをスマートフォンで撮影してAI字幕で動画マニュアル化し、OJTの約7割を動画に置き換えたうえで理解度が向上したと報告されています。この実績を根拠に、動画代替率を70%と置きます。

• 動画代替イベント = 138件 × 70% ≒ 97件
• 対面維持イベント = 138 − 97 = 41件（複雑工程・危険作業として対面を残す）

動画代替分の時間の置き方は次のとおりです。新人の視聴時間は対面実演の40%とします。動画は無駄な待ち時間や段取りが編集で落ちており、必要箇所の再生と巻き戻しで済むためです。班長は同席しませんが、品質を担保するため要点確認だけ0.5時間残します。ここをゼロにすると、動画を見ただけで実技チェックに進むことになり、初回合格率の想定が崩れます。

• 班長の年間OJT時間 = 97件 × 0.5時間 ＋ 41件 × 2.0時間 = 48.5 ＋ 82.0 = 130.5時間
• 新人の年間OJT時間 = 97件 × （2.0時間 × 40%） ＋ 41件 × 2.0時間 = 77.6 ＋ 82.0 = 159.6時間

削減量は、削減後の残り時間ではなく差分で取ります。

• 班長の削減時間 = 276 − 130.5 = 145.5時間 → 145.5 × 150 = 21,825 THB
• 新人の削減時間 = 276 − 159.6 = 116.4時間 → 116.4 × 50 = 5,820 THB
• OJT時間の便益合計 = 21,825 ＋ 5,820 = 27,645 THB/年

初回合格率の改善分

多言語ナレーション付きの手順動画では、説明内容が誰に対しても同一になり、母語で聞けるようになります。初回合格率を62%から84%へ改善すると置きます。

• 不合格件数（After） = 138件 × 16% ≒ 22件
• 手戻りコスト（After） = 22件 × 150 = 3,300 THB
• 品質便益 = 7,800 − 3,300 = 4,500 THB/年（削減件数30件 × 150 THB と同じ）

この改善は、動画代替率とは独立していることに注意してください。対面で教える41件についても、班長の手元には同じ動画マスターがあり、説明の順序と用語が統一されます。つまり初回合格率の改善は「全120工程が多言語動画化されていること」に依存するのであって、「何割を動画で置き換えたか」には依存しません。後述の感応度分析でこの区別が効いてきます。

労務削減だけでは投資を回収しない

ここまでの便益を合計します。

• 労務削減の便益合計 = 27,645（OJT時間） ＋ 4,500（初回合格率） = 32,145 THB/年

はっきり言えば、この金額では動画AI化の投資は回収できません。年間32,145 THBというのは、後述するTier Bの年間運用費15万THBにすら届かない水準です。日本円に換算してもおよそ14万円から15万円であり、ツールのライセンス費用で消えます。

この結論は、当サイトが他のAI関連記事でも一貫して示してきたものと同じです。工場のAI投資を「作業時間の削減」だけで正当化しようとすると、ほぼ必ず数字が足りません。人時単価が日本より低いタイでは、この傾向がさらに強く出ます。時間削減はあくまで副次的な効果であり、投資判断の主役にはなり得ません。

では何が主役になるのか。手順が伝わらないことで発生している損失そのものです。

リスク回避層｜多言語化がいちばん効くのは手順逸脱の抑制

期待損失の見積もり方

言語ギャップや伝達ミスに起因して、手順から外れた作業が行われることがあります。締結トルクの確認を飛ばす、治具のセット順を誤る、異常時の停止条件を取り違える。こうした逸脱のうち、ライン停止・不良流出・顧客への是正報告のいずれかに至った重大事象を、モデル工場では年3.5件と置きます。1件あたりの平均損失は70,000 THBです。

• 期待損失（Baseline） = 3.5件 × 70,000 THB = 245,000 THB/年

この数字は見積もりであり、実測値ではありません。3.5件という頻度は過去数年の是正報告書の件数から言語・伝達に起因すると判断できるものを抽出した想定値であり、1件70,000 THBは停止時間の機会損失・選別工数・輸送費の合算として置いた概算です。自社で試算する場合は、まず品質保証部門が持っている是正報告のリストを開き、原因欄に「作業者の理解不足」「指示の誤認」といった記述がある件数を数えることから始めてください。ここが実データに置き換われば、以降の計算はすべて自社の数字になります。

多言語音声化による低減

タイ語に加えて、現場で実際に使われている他言語と英語のナレーションを整備した場合、この逸脱の発生率を55%低減できると仮定します。

• 期待損失（After） = 245,000 × （1 − 55%） = 110,250 THB/年
• リスク回避の便益 = 245,000 − 110,250 = 134,750 THB/年

55%という低減率も仮定です。ただし、この仮定が多少ぶれても結論の向きは変わりません。仮に低減率が30%だったとしても便益は73,500 THBあり、労務削減の32,145 THBを大きく上回ります。投資対効果の議論において、どちらの層が主役なのかは動きません。

便益合計

• 便益合計 = 32,145（労務削減） ＋ 134,750（リスク回避） = 166,895 THB/年

便益全体の約81%がリスク回避層から来ています。この構造を理解しておくことが重要で、「動画にすれば教育時間が減ってコストが下がる」という説明で稟議を書くと、金額が足りずに落ちます。「手順逸脱による損失を減らす投資であり、教育時間の削減はその副産物」という組み立てが、数字と整合します。

投資3層モデル｜Tier A・B・Cと回収年数

同じ動画マニュアル作成AIの導入でも、どこまでやるかで投資額と便益がまったく違います。3つの層に分けて比較します。

Tier A｜スマートフォン撮影＋AI字幕（タイ語のみ）

既存のスマートフォンで作業を撮り、AIで字幕を自動生成する構成です。手順分割や翻訳は使わないか、使っても字幕の翻訳表示までにとどめます。

投資の内訳は次のとおりです。

• 初期投資 10,000 THB（三脚・外部マイクなどの撮影機材6,000、ツール初期設定とテンプレート整備4,000。撮影には既存のスマートフォンを流用）
• 年間運用 90,000 THB（字幕・翻訳のみの下位プランのライセンス54,000、改訂の撮り直し工数27,000＝40工程 × 4.5時間 × 150 THB、運用管理者の月次工数9,000＝月5時間 × 12カ月 × 150 THB）

ここで、Tier AとTier Bで改訂工数の置き方が違う理由を明示しておきます。年間の改訂対象工程数はどちらも40工程で同じです。違うのは1工程あたりの工数です。

Tier Aは手順分割機能がないため、動画が1本の連続映像として扱われます。手順の一部が変わっただけでも、撮影そのものは1.0時間で済む一方、字幕をすべて貼り直し、タイムコードをずらし、全体の尺を再編集する作業に3.5時間かかります。合計4.5時間です。Tier Bはステップが独立したオブジェクトになっているため、該当ステップの撮り直し0.5時間と、多言語ナレーションを再生成した結果の確認1.0時間で、合計1.5時間で済みます。同じ40工程の改訂でも27,000 THBと9,000 THBに分かれる。この3倍差が、手順分割機能の実質的な価値です。

もうひとつ、初期投資の前提も揃っていません。Tier Aは初回120工程の撮影を現行のOJT時間内で吸収する想定とし、追加費用を計上していません。Tier Bは多言語ナレーションの品質を担保するため、初回撮影とAI手順分割の確認を専任工数として初期に27,000 THB計上しています。この前提差はTier A側に有利に働きますが、それでも次に見るとおりTier Aは赤字です。

そしてTier Aでは多言語の音声ナレーションが出せないため、リスク回避層の便益は立ちません。

• 年間便益 = 32,145 THB（労務削減のみ）
• 年間収支 = 32,145 − 90,000 = −57,855 THB

毎年5.8万THBの赤字であり、初期投資の回収以前に運用が成立しません。しかも、ここで使った32,145 THBという便益自体が楽観側の数字です。初回合格率62%から84%への改善は言語ギャップの解消を織り込んだ想定なので、タイ語のみのTier Aで同じ改善が出るのはタイ語話者に限った場合です。非タイ語話者を含めれば、実際の便益はこれを下回ります。

Tier Aは「まず試す」のパイロットとしては意味がありますが、恒常的な運用形態としては選ばないほうがよい層です。

Tier B｜AI音声合成による多言語ナレーション自動生成

Tier Aに、手順の自動分割とAI音声合成による多言語ナレーション生成を加え、全120工程をカバーする構成です。

• 初期投資 150,000 THB（ツール初期設定とテンプレート整備40,000、撮影機材一式45,000＝スマートフォン2台・タブレット2台・三脚・外部マイク、120工程の撮影とAI手順分割の確認27,000＝120工程 × 1.5時間（撮影1.0時間＋分割結果の確認0.5時間） × 150 THB、多言語ナレーションの用語校正と現場レビュー38,000）
• 年間運用 150,000 THB（ライセンス108,000＝月9,000 THB、改訂撮影と再生成の内部工数9,000＝40工程 × 1.5時間 × 150 THB、多言語校正の外部委託24,000、運用管理者の月次工数9,000）

• 年間便益 = 166,895 THB
• 年間収支 = 166,895 − 150,000 = 16,895 THB
• 単純回収年数 = 150,000 ÷ 16,895 ≒ 8.9年

黒字にはなります。しかし年間の余剰が1.7万THB弱では、8.9年かかる計算です。初期投資を13万THBに抑えても7.7年、18万THBまで膨らめば10.7年。設備投資の稟議として通る年数ではありません。

ここで注意したいのは、Tier Bが「悪い投資」なのではなく、単独拠点では規模が足りないという点です。コスト側を分解すると、拠点数に素直に比例するものと、しないものが混在しています。ライセンス費（10.8万THB）は拠点や利用アカウントが増えればほぼ比例して増え、ボリューム契約で単価が1割ほど下がる程度です。一方、多言語ナレーションの用語校正（2.4万THB）とコンテンツ制作の内部工数は、共通工程を1回作れば拠点間で共有できるため、拠点数ほどには増えません。3拠点にしても、単純な3倍ではなく1.2倍から2.3倍程度にとどまります。

対して便益は、拠点数にほぼそのまま比例します。どの拠点でも新規配属は発生し、手順逸脱のリスクも拠点ごとに存在するからです。この「便益は比例するが、コストは一部しか比例しない」という非対称が、次のTier Cを成立させます。

Tier C｜複数拠点でコンテンツ基盤を共有する

グループ内の3拠点で動画マニュアルの基盤を共有し、拠点固有の工程だけ追加撮影する構成です。共通工程のマスターと多言語ナレーションは1回作れば横展開できます。

• 3拠点合計の年間便益 = 166,895 × 3 = 500,685 THB

投資額は、Tier Bを3拠点分そのまま積み上げれば初期450,000 THB・年間450,000 THBになります。共有によってこれがどこまで下がるかを、項目ごとに置きます。

初期投資は330,000 THB、つまり単独拠点（150,000 THB）の3倍ではなく2.2倍に収まります。内訳は、ツール初期設定とテンプレート整備80,000（3拠点分なら120,000。共通テンプレートは1回で足りるが、拠点固有の設定は残る）、撮影機材一式135,000（3拠点分の135,000から圧縮なし。機材は各拠点に必要）、共通工程の撮影とAI手順分割の確認61,000（3拠点分なら81,000。重複工程を1回で済ませた分だけ減る）、多言語ナレーションの用語校正と現場レビュー54,000（3拠点分なら114,000。共通工程の用語集と音声は1回の校正で足りるため、圧縮幅が最も大きい）です。

年間運用は360,000 THB、単独拠点の2.4倍です。内訳は、3拠点ボリューム契約のライセンス288,000（3拠点分なら324,000）、改訂撮影と再生成の内部工数18,000（同27,000。共通工程の改訂は代表拠点が1回実施）、多言語校正の外部委託30,000（同72,000）、運用管理者の工数24,000（同27,000）です。ライセンスがほとんど圧縮できていないため、年間側の圧縮率は初期側より小さくなります。

• 年間収支 = 500,685 − 360,000 = 140,685 THB
• 単純回収年数 = 330,000 ÷ 140,685 ≒ 2.3年

同じ仕組みでも、拠点数が3つになるだけで回収年数が8.9年から2.3年に縮みます。動画マニュアルのコンテンツは、一度作れば複製コストがほぼゼロという性質を持つため、規模の経済がきれいに効く領域です。

逆から言えば、単独拠点で動画AI化の投資を検討している場合、判断はかなり微妙になります。その場合は、グループ内の他拠点や将来の増設計画を含めて「何拠点で使う基盤なのか」を先に決めてから投資額を議論すべきです。

3層の比較

初期投資の欄を比べるときは、前提の違いに注意してください。Tier Aの10,000 THBには初回120工程の撮影工数が入っておらず（現行のOJT時間内で吸収する想定）、Tier B以降には専任工数として入っています。つまりTier Aは初期投資が実態より小さく見える置き方をしており、それでも年間収支が赤字です。

感応度分析｜動画代替率が60%だった場合

動画代替率70%は、tebikiの導入事例を根拠にした想定値です。自社の工程構成によっては、複雑工程・危険作業の比率が高く、ここまで置き換えられない可能性があります。代替率が60%だった場合を計算します。

ここで最も重要なのは、感応度の係数をどの効果に掛けるかです。動画代替率に依存するのはOJT時間の削減だけであり、初回合格率の改善とリスク回避層は依存しません。前者は全120工程が多言語動画化されていることに、後者は多言語音声が存在することに紐づくためです。すべての便益に一律で0.6/0.7を掛けると、結論が実態より悪く出ます。

代替率60%での再計算は次のとおりです。

• 動画代替イベント = 138件 × 60% ≒ 83件、対面維持 = 55件
• 班長の年間OJT時間 = 83 × 0.5 ＋ 55 × 2.0 = 41.5 ＋ 110.0 = 151.5時間
• 新人の年間OJT時間 = 83 × 0.8 ＋ 55 × 2.0 = 66.4 ＋ 110.0 = 176.4時間
• OJT時間の便益 = （276 − 151.5） × 150 ＋ （276 − 176.4） × 50 = 18,675 ＋ 4,980 = 23,655 THB

読み取るべき点は2つあります。

第1に、便益合計の減少は166,895から162,905へのわずか2.4%です。動画代替率という一見重要そうな変数が、実は全体の便益にはほとんど効いていません。便益の8割がリスク回避層で、そこが代替率に依存しないからです。

第2に、それでもTier Bの回収年数は8.9年から11.6年へ2.7年も伸びます。年間収支が薄い投資では、便益のわずかな変動が回収年数に大きく増幅されて出るためです。一方Tier Cは2.3年から2.6年と、0.3年しか動きません。前提の不確実性に対する頑健性という観点でも、複数拠点展開のほうが安全な設計だとわかります。

動画マニュアル作成AIツールの選び方

手順分割機能の有無が最大の分岐点

ツール選定でまず確認すべきは、AIによる手順の自動分割があるかどうかです。ここが編集工数を決めます。

手順分割がないツールは、撮った動画にそのまま字幕を付けて翻訳する方向性になります。1本の長い動画として扱うため、「手順5だけ改訂したい」というときに全体を撮り直すか、動画編集で該当部分を差し替える必要があります。改訂頻度の高い工程では、この差が運用の継続性を左右します。

手順分割があるツールでは、動画がステップ単位のオブジェクトに分解されます。改訂は該当ステップだけを撮り直せばよく、翻訳もステップ単位のテキストに対して走ります。前述のTier Bの年間運用費で改訂を1工程あたり1.5時間と置き、Tier Aで4.5時間としているのは、この分割機能の有無によるものです。

対応言語数と音声合成の有無

対応言語数は各社が公表していますが、数字の大きさより「自社の現場で実際に使われている言語がカバーされているか」と「音声合成まで対応しているか」を見てください。100言語対応でも字幕だけなら、前述のとおりリスク回避層の便益は立ちません。

主要ツールの比較

2026年時点で公開されている情報をもとに整理します。価格や対応言語数は変更される可能性があるため、検討時は必ず最新の情報を確認してください。

手順分割の有無は各社が同じ粒度で公表しているわけではありません。上表で手順分割について「確認できず」とした製品については、商談の場で「1工程の手順5だけを差し替えたいとき、何を撮り直す必要があるか」と具体的に聞くのが確実です。相手が工程を丸ごと撮り直すと答えたなら、それはTier A相当の運用になります。

タイの拠点で使う場合、日本国内向けツールはUIやサポートが日本語・英語中心である点に注意が必要です。現場の作業者が直接触る画面がタイ語表示になるか、管理者だけが日本語UIを使い作業者は生成された動画を見るだけの運用にするかで、選定基準が変わります。

現場に定着させるための3つの条件

ツールを入れても使われない、という失敗は動画マニュアルでもよく起きます。定着を左右するのは次の3点です。

• 撮る人を決める。「みんなで撮ろう」は誰も撮りません。工程ごとに撮影担当を割り当て、その工数を正規の業務時間として確保します
• 見る場面を業務フローに埋める。「必要なら見てね」ではなく、新規配属時のチェックリストに「該当動画の視聴」を項目として入れます
• 改訂のトリガーを決める。工程変更・4M変更・是正処置の3つが発生したら該当動画を更新する、というルールを文書化します

この定着の設計については、AI活用定着支援2026で当社の考え方を詳しく整理しています。ツールの選定と同じかそれ以上に、この部分に工数を割く必要があります。

導入ステップ｜90日で最初の30工程を動画化する

いきなり120工程を対象にすると、撮影が終わる前に息切れします。90日で30工程を仕上げ、そこで運用の型を固めてから残りに広げる進め方を推奨します。

最初の30日｜対象工程の選定と1工程の試作

対象工程は「新規配属者が最初に担当する工程」「初回合格率が低い工程」「重大な是正処置が過去に出た工程」の重なりから選びます。工程の重要度ではなく、教育の頻度と失敗のコストで選ぶのがポイントです。

この30日で必ずやるべきは、1工程だけ最後まで通すことです。撮影、AIによる手順分割、テキストの校正、多言語ナレーションの生成、現場の非タイ語話者に見てもらってのレビューまで。ここで用語集の必要性やナレーション速度の問題が必ず出てくるので、30工程に広げる前に潰します。

31日目から60日目｜30工程の撮影と用語集の整備

撮影は1工程あたり30分から1時間を見込みます。同じライン内の工程はまとめて撮ると段取りが効率的です。

並行して、固有名詞の用語集を作ります。設備名、治具名、社内で使っている略称。ここを辞書として登録しておかないと、AI翻訳が工程ごとに違う訳語を当ててしまい、作業者が混乱します。用語集の整備は地味ですが、多言語展開の品質を最も左右する作業です。

61日目から90日目｜運用ルールの文書化と効果測定の起点づくり

30工程が揃ったら、前述の「撮る人・見る場面・改訂トリガー」を文書に落とします。同時に、効果測定の起点になる数字を取っておきます。具体的には、動画化した工程の初回合格率と、OJTに要した時間の実測です。Baselineを取らずに始めると、半年後に「効果があったのか」を語れなくなります。

よくあるつまずき

現場で実際に起きやすい失敗を挙げておきます。

• 撮影がきれいすぎる。照明を当てて何度も撮り直した動画は、作りに時間がかかるうえ、実際の作業環境と違って見えます。手ブレのある現場の映像で十分です
• ナレーションが速すぎる。AI音声合成の既定速度は、非母語話者が作業しながら聞くには速いことが多いので、速度を落として現場で確認します
• 1本が長すぎる。10分の動画は誰も最後まで見ません。1手順1本、1本2分以内を目安にします
• 動画を作って終わりにする。改訂されない動画マニュアルは、半年で紙の手順書と同じ状態になります

他の工場でAIをどう使っているかの全体像は、現場AI活用事例2026にまとめています。また、生成AIを工場全体でどう位置づけるかという上位の設計については、生成AI導入ガイド2026を参照してください。

よくある質問

作業手順書の動画AI化とは何ですか

既存のテキスト手順書やスマートフォンで撮影した作業映像を生成AIに処理させ、手順ステップへの自動分割、ナレーション原稿の生成、多言語への翻訳と音声合成までを自動化して動画マニュアルを作る仕組みです。従来のビデオマニュアルとの違いは、編集・改訂・翻訳の工数が大幅に下がることにあります。撮影そのものはスマートフォンで行うため、特別な機材は必要ありません。

動画マニュアル作成AIの費用はどれくらいかかりますか

本記事のモデル工場（従業員280名、120工程）の試算では、字幕のみのTier Aで初期1万THB・年間運用9万THB、多言語ナレーションまで含むTier Bで初期15万THB・年間運用15万THBです。ただし単独拠点のTier Bは回収に約8.9年かかるため、投資として成立させるにはグループ内の複数拠点で基盤を共有する設計が現実的です。3拠点で共有するTier Cなら回収は約2.3年になります。

多言語の動画マニュアルはどうやって作るのですか

まず日本語またはタイ語のマスター版を作り、そこから各言語版を生成するのが基本です。重要なのは、翻訳を動画1本まるごとに対して行うのではなく、ステップ単位のテキストに対して行うことです。手順分割機能のあるツールを選べばこの構造が自然に得られます。また、設備名や治具名の用語集をあらかじめ辞書登録しておかないと訳語がぶれるため、この整備を先に済ませてください。字幕だけでなく音声合成まで対応させることが、現場での実効性を大きく左右します。

技能伝承AIとの違いは何ですか

技能伝承AIは、熟練者の判断基準や感覚といった暗黙知をどこまでAIに載せられるかという問題を扱います。本記事が扱う作業手順書の動画AI化は、その対極にある「すでに形式知化できる範囲＝標準作業手順」を、動画という媒体で資産化し多言語展開する取り組みです。動画マニュアルは熟練者の代わりにはなりませんが、標準作業の再現性を上げることで、熟練者が本来向き合うべき非定型の判断に時間を割けるようにします。両者は競合せず、順序としては動画AI化を先に済ませるほうが投資対効果が明確です。

まとめ

作業手順書の動画AI化は、2026年に編集・改訂・翻訳の工数が生成AIで大きく下がったことで、ようやく120工程規模の運用に耐える手段になりました。ものづくり白書が示すとおり、多くの現場は必要性を認識しながら手段の側で詰まっており、その詰まりが技術的に解けつつあります。

一方で、投資判断の数字は正直に見ておく必要があります。モデル工場の試算では、OJT時間の削減と初回合格率の改善を合わせた労務削減は年間32,145 THBにとどまり、Tier Bの年間運用費すら賄えません。投資を成立させるのは、多言語音声化によって手順逸脱を抑える年間134,750 THBのリスク回避層です。そのうえで単独拠点のTier Bは回収に約8.9年を要し、3拠点でコンテンツ基盤を共有するTier Cにして初めて約2.3年という実務的な水準に収まります。

つまり、この投資を検討する際の最初の問いは「どのツールを選ぶか」ではなく「何拠点で使う基盤にするか」です。ここが決まれば、必要な機能も投資額も自動的に絞り込まれます。

自社の工程数や言語構成でこの試算がどう変わるかは、是正報告書の件数と作業者の母語構成という2つのデータがあれば概算できます。TOMAS TECHではタイの日系製造業向けに、現場の実態に合わせた動画マニュアル基盤の設計と、複数拠点展開を見据えた投資計画の作成を支援しています。まだ導入を決めていない検討段階でも構いませんので、自社ではどの層まで踏み込むべきか整理したい場合は、お問い合わせページからお気軽にご相談ください。

参考情報・出典

• 製造業のAI動画マニュアル活用 エムニ 2026年版
• AI動画マニュアル作成ツール比較 DiveDX 2026年版
• tebiki導入事例 日本クロージャー株式会社
• AI work instruction software comparison by Manual.to
• 2026年版ものづくり白書の解説 技能伝承の課題