モンスターラボ、熟練技術をAIで継承 判断一致率85％

モンスターラボは2026年10月20日、製造業の熟練者が経験から身に付けた判断基準を記録し、組織内で再利用できるようにするAIソリューション「TakumiRebuild AI」の提供開始を発表した。生成AIだけに判断を任せるのではなく、明文化したルールと機械学習を組み合わせる。技術継承の難しさに加え、担当者ごとの判断のばらつきや、外部ベンダーへの依存を減らすことを狙う。

ベテランの「勘」を再利用できるルールに

同社が課題として挙げるのは、製造現場で長年積み重ねられてきた暗黙知だ。複雑な製品の配置や設計判断には、マニュアルに書き切れない条件が存在する。担当者の退職や異動で判断の根拠が失われると、若手への引き継ぎだけでなく、同じ状況で同じ結論を出すことも難しくなる。今回のサービスは、経験者へのヒアリングと業務データから、こうした判断を言語化する仕組みを提供する。

生成AI・ルールエンジン・機械学習の3層

第1層では生成AIがヒアリング内容や業務データから判断基準の候補を抽出し、読めるルールとして残す。第2層では数理最適化やルールエンジンを使って判定処理を組み立て、同じ条件で一貫した結果を返せるようにする。第3層では運用データから例外や異常を検出し、新たなルール候補を提案。現場で確認・承認した内容を第1層へ戻す循環を想定している。

試作で一致率50％から85％へ

発表によると、大手製造業の少量多品種・受注生産品を扱う物流配置業務で、5週間のプロトタイプ開発を実施した。熟練者の判断ルールを抽出して判定エンジンを作り、複数製品を対象に検証した結果、熟練者との判断一致率は約50％から約85％に上昇。熟練者が要する工数も約3分の1に減ったという。いずれも同社が公表した検証結果であり、すべての製造工程で同じ改善幅が得られることを示すものではない。

若手育成と保守性への効果を想定

判断結果だけでなく「なぜその結論に至ったか」をルールとして残せることが特徴だ。若手はベテランの選択を単にまねるのではなく、判断の根拠を参照できる。また、設定されたルールを現場側で追加・修正できれば、改修のたびに開発会社へ依頼する負担を減らせる可能性がある。もっとも、ルールの妥当性を誰が検証し、変更を承認するかという運用設計は重要になる。

別の製造現場でも知識を構造化

同社は別の大手製造業でも、熟練者の技能や設計判断を整理する取り組みを紹介している。スキルマトリクス、業務フロー、過去の設計ナレッジを構造化し、判断の根拠を共有・追跡できる基盤を構築したという。この事例では主に第1層に当たる知識のルール化を活用しており、前述の物流配置業務の検証数値をそのまま当てはめることはできない。

実運用で問われるのはルールの更新

熟練者の知識を残す取り組みは、初期の抽出だけで完結しない。製品や設備、作業条件が変われば判断基準も見直す必要がある。今回の仕組みは機械学習による異常検知と人の承認を組み合わせ、更新を続ける設計を掲げる。今後は、長期運用で判断精度が維持されるか、現場の確認負担がどの程度残るかなど、導入後の実績が評価材料になりそうだ。