ChatGPTに顧客情報や品質データを入力するのは禁止だ
公開日：2026年5月1日｜カテゴリ：AI活用・製造業DX・品質管理
あなたの会社のIT担当やコンプライアンス部門から、こう言われたことはないか。
「ChatGPTに顧客情報や品質データを入力するのは禁止だ」
その判断は正しい。クラウドAIは便利だが、社外秘の受注情報・製品仕様・不良履歴を外部サーバーに送信することは、情報漏洩リスクとして看過できない。
だが「AIが使えない」と諦めていたとすれば、それは大きな機会損失だ。ローカルLLM（社内完結型AI）は、この問題を根本から解決しながら、クラウドAIと同等以上の業務価値を生む。
本記事は「理論の紹介」ではない。受注生産型の製造業・加工業が今すぐ着手できる、品質管理AI・PDCA自動化・新人QAシステムの設計と実装の具体論だ。
第1章：ローカルLLMのメリット・デメリット——製造業視点で正直に語る
製造業がローカルLLMを選ぶ最大の理由は「データの性質」だ。受注情報・顧客仕様書・品質不良データ・原価構成——これらはすべて競合他社に渡れば致命的な機密情報だ。クラウドAIに入力できない情報が、最も業務価値を生む情報でもある。まず下表でクラウドとの違いを確認してほしい。
図1｜ローカルLLM vs クラウドAI コスト比較
|
推奨 ローカルLLM |
クラウドAI（参考） | |
|---|---|---|
| 初期費用 |
50〜800万円
GPU機器＋構築費
|
ほぼ0円
アカウント開設のみ
|
| 月額ランニング |
ほぼ0円
電気代・保守のみ
|
5〜100万円＋
API従量課金
|
| 機密データ利用 |
完全可
社外に一切出ない
|
原則不可
社外サーバーへ送信
|
| オフライン稼働 |
対応
閉域ネットでも動作
|
不可
ネット接続必須
|
| ROI達成（月30万円の場合） |
約14ヶ月
初期400万円の場合
|
—
累積コストのみ増加
|
| 3年間の総コスト |
約400〜500万円
初期投資のみで済む
|
約1,080万円
月30万円×36ヶ月
|
メリット5つ（製造業の現場に直結する観点で）
① 社外秘データを制限なく活用できる
受注品ごとの品質検査記録、不良率推移、取引先との品質取り決め——これらを丸ごとAIに読み込ませて分析・質問できる。クラウドAIでは絶対にできないことが、ローカルLLMでは当たり前にできる。
② 月額AI費用がゼロになる
社員全員が何度でも質問しても追加費用は発生しない。製造現場での「ちょっと確認したい」という使い方が、コストを気にせずできる。
③ RAGで「社内専用の知識AI」を作れる
RAGを導入した企業では誤回答率が平均40〜60%低下した（Gartner 2025年調査）。自社の作業手順書・過去の不良対策報告をRAGに投入することで、汎用AIでは答えられない「自社固有の質問」に正確に答えるAIができあがる。
④ オフライン・閉域ネットワークでも動く
工場の生産ラインそばの端末は、セキュリティ上インターネット接続を制限していることが多い。ローカルLLMは社内ネットワークのみで完結するため、このような環境でも問題なく動作する。
⑤ 3年以内に総コストでクラウドを逆転
長期的な利用では3年以内にTCO（総保有コスト）が逆転するケースが多い。月額クラウドAPI費用が積み重なるほど、ローカルへの移行メリットは拡大する。
デメリット3つ——ここを曖昧にする業者は信頼するな
初期投資は本物のコストだ： GPU機器の調達から環境構築まで、最低でも50〜150万円（スモールスタート）、本格導入なら300〜800万円が必要だ。「すぐに試したい」ならクラウドの方が合っている。
性能の上限がある： ハードウェアの制約により、クラウド型の最上位モデルと完全に同等の精度は現時点では出ない。ただし、RAGと組み合わせれば「自社固有の質問」に対しては圧倒的に精度が高くなる。
技術担当者が必要： モデル更新・サーバーメンテナンス・データ更新を担当する人材（外注でも可）が必須だ。「入れて終わり」では急速に陳腐化する。
第2章：構築費用の現実——3パターンと補助金活用
スモールスタート（50〜150万円）：「まず動かす」
GPU搭載PC（NVIDIA RTX 4090クラス、30〜50万円）に、無料で使えるOllama/LM Studioをインストールし、Qwen3などの日本語対応モデルを動かす。DifyをインストールすればノーコードでチャットUIを作れる。RTX 4090クラスで約30万円の初期GPU投資は半年〜1年で回収可能だ。このフェーズではRAGを簡易的に構築し、作業手順書数十件を読み込んでQAシステムの動作検証を行う。1〜2名での部門レベルの検証（PoC）に最適だ。
中規模オンプレ（300〜800万円）：「本番で使う」
GPUサーバー（NVIDIA A40クラス以上）にDify＋ベクトルDB（ChromaDB or pgvector）を構築する。社員10〜100名が同時に利用できる本番環境だ。RAGへのデータ投入とSI費用が全体コストの30〜40%を占める。品質管理データ（過去5〜10年分）を一括投入し、月次PDCAレポートの自動生成と新人QAシステムを同時稼働させる。
エンタープライズ（1,000万円〜）：「全工場展開」
専用GPUサーバー（NVIDIA A100以上）での複数拠点展開、基幹システム（ERP・MES）との連携、カスタムファインチューニング込みの構成。大規模製造業・複数工場を持つ企業向けだ。
補助金活用で初期費用を大幅圧縮
2026年現在、以下の補助金でAI・IoT導入が対象になっている（申請時期と要件は必ず最新情報を確認のこと）。「IT導入補助金」は最大75%補助（上限450万円）。「ものづくり補助金」は設備投資として計上可能な場合あり。「中小企業省力化投資補助金」は人手不足解消が目的のAI導入を支援する。500万円の投資が補助金活用で実質125〜200万円になるケースは珍しくない。
第3章：RAGシステムの設計——何を読み込ませ、どう質問するか
下の構成図がローカルLLM＋RAGシステムの全体像だ。社内データが「ベクトルDB」に変換されてローカルLLMに渡り、改善ロードマップと新人QAの2つのアウトプットを生む。データは社内ネットワーク内で完結し、一切外部に出ない。
図2｜ローカルLLM＋RAGシステム構成
| 社内データ | 処理エンジン | 出力・活用 | ||
|
品質検査記録
合否・不良・工程
不良報告書
原因・対策・担当者
作業手順書 SOP
工程別・設備別
ヒヤリハット
新人教育ナレッジ
受注品仕様・図面
顧客要求・公差
|
→ |
Dify（UI）
ノーコードで構築
↓
ベクトルDB
意味で類似検索
↓
ローカルLLM
Qwen3 / Gemma3
|
→ |
改善ロードマップ
不良分析・優先施策・PDCA自動連携
新人QA・教育支援
手順を即回答・ヒヤリハット警告
|
|
社内ネットワーク完結——データは一切外部に出ない
|
||||
受注生産企業がRAGに投入すべきデータ（優先順位付き）
最優先（今すぐ投入すべき）： 過去の品質検査記録（合否判定・不良箇所・発生工程・担当者）。これが最も価値が高く、最も「ゴミデータ」が混じりやすい。投入前に「いつのデータか」「製品コードは統一されているか」「不良分類は標準化されているか」を確認する。不良原因報告書と対策実施記録も優先度が高い。「なぜなぜ分析」の結果が含まれていれば特に価値が高い。
第2優先（1〜2ヶ月以内）： 標準作業手順書（SOP）。工程別・設備別に整理されているほど精度が上がる。PDFよりもテキスト化した方がRAGの検索精度が高い。設備ごとのトラブルシューティングガイドとヒヤリハット情報——これが新人QAシステムの「事故防止AI」として機能する。
第3優先（3〜6ヶ月以内）： 受注品の仕様書・図面の説明文（NDA管理のもと）。材料ロット別の物性データ。顧客要求事項と検査基準。
「ゴミデータを入れればゴミが出る」——前処理が成否を決める
RAGの精度は投入データの品質で9割決まる。製造業のデータでよくある問題と対策：「製品コードの表記ゆれ」→品番を統一したマスターテーブルを作成する。「スキャンPDFの画像品質が低い」→OCRでテキスト化してから投入する。「略語・社内用語の多用」→用語集を別ファイルで作成してRAGに追加する。
第4章：AIが回すPDCAの実装——具体的な月次フロー
下のPDCA図で各フェーズのAI担当タスク・人間担当タスク・実際のプロンプト例を確認してほしい。このサイクルを毎月回す仕組みを作ることが、品質改善を「習慣」にする唯一の方法だ。
図3｜AIが回す月次PDCAフロー
|
Plan
・品質データを入力 AI
・不良上位3工程を特定 AI
・施策を優先順位付け AI
・実現可否を判断（人）
先月データを分析し、不良率上位3工程の改善ロードマップを作成してください
|
Do
・現場で施策を実施（人）
・手順をQAで即確認 AI
・ヒヤリハット警告 AI
・結果データを記録（人）
この工程の手順と過去の類似事例を教えてください
|
Check
・前後データを比較 AI
・費用対効果を算出 AI
・継続/修正判断（人）
・経営会議でレポート共有
施策前後を比較し、継続すべきか評価してください
|
Act
・成功知見をRAGに登録 AI
・手順書を自動更新 AI
・翌月Planへ反映（人）
・↻ Planへ戻る
今月の知見をナレッジ文書の形式に整形してください
|
| ↑ このサイクルを毎月繰り返すことで、AIは使うほど賢くなる | |||
月次PDCAの定型プロンプト設計
毎月1日に以下の質問をAIに投げる仕組みを作る（Difyでスケジュール実行可能）。
Planフェーズ用プロンプト：
「先月の品質検査データを分析してください。（1）不良率上位3工程を特定し前月比の変化を示してください。（2）各工程の根本原因仮説を過去の不良報告書データから検索し類似事例を提示してください。（3）今月実施すべき改善施策を優先順位・工数・期待効果で整理したロードマップを作成してください。」
Checkフェーズ用プロンプト：
「先月実施した[施策名]の効果を評価してください。実施前後のデータを比較し、（1）統計的に有意な改善が確認できたか、（2）費用対効果はどうか、（3）継続・修正・廃止のどれを推奨するか、理由とともに回答してください。」
行動経済学が教える「PDCAを継続させる設計」
「毎月PDCAを回そう」と決意するだけでは、3ヶ月で形骸化する。これはダニエル・カーネマンが指摘した「意図と行動のギャップ」だ。成功する組織は「意志力に頼らない仕組み」を作る。具体的には「月次PDCAレポートを経営会議の議題に固定する」——これが行動経済学でいう「コミットメントデバイス」であり、「やらない」という選択肢を構造上消す方法だ。
第5章：新人教育QAシステム——「聞ける人がいない」問題をAIが解決する
製造業の属人化問題をAIで断ち切る
ベテランが退職するとともに、頭の中の「なぜこう作るのか」という知識が消える。ローカルLLMのQAシステムは、このベテランの知識を「問答可能な形で永続化する」仕組みだ。
QAシステムへの知識投入——ベテランの知恵を引き出す3つの方法
インタビュー方式： ベテラン社員に1時間インタビューし、「なぜこの製品はこの温度設定なのか」「このロットのときはなぜ電流を落とすのか」という暗黙知を引き出す。その会話を文字起こしし、ナレッジドキュメントとしてRAGに投入する。
「誰が書いたかわかる」記録方式： 日報・作業メモ・改善提案書を書いた人の名前と経験年数をメタデータとして付与してRAGに投入する。「経験25年のベテランが書いた溶接コツ」と「経験3年のスタッフが書いた手順書」では信頼性が異なることをAIが判断できるようになる。
ヒヤリハット逆引き方式： 「このミスが起きたとき」という形式でデータを整理する。新人が類似作業をするとき、AIが自動的に「過去にこういうミスが起きています。注意点を確認してください」と警告を出す仕組みを作る。
認知科学が教える「効果的な新人教育AI」の設計
ヴィゴツキーの「最近接発達領域」理論が示すように、人は「今の実力より少し難しい課題」で最速で成長する。QAシステムを「答えを教えるツール」ではなく「考えさせてから教えるツール」に設計することが重要だ。
Difyのシステムプロンプトに以下を設定する：
「新人からの質問に対しては、まず『あなたはどう思いますか？』と返し、本人が考えを述べた後に正解と解説を提示してください。ただし安全に関わる質問には即座に回答してください。」
QAシステムも、更新しなければ陳腐化する。毎月「AIが間違えた回答リスト」を担当者が確認し、正しい情報を追加してRAGを更新する——この「誤答→改善」のループがシステムをどんどん賢くする。
第6章：今日から動ける実装チェックリスト
今週（0円でできる）： ChatGPT等のクラウドAIに、自社の匿名化した品質データの一部を入力し、どのような洞察が得られるかを試す。同時に「このデータをクラウドに上げることの不安感」を体感する——その不安感こそがローカルLLM導入の動機だ。
今月（5〜10万円でできる）： 中古GPU搭載PCにOllamaをインストールし、Qwen3の8Bモデルを動かす。DifyのDockerを立ち上げ、作業手順書10〜20件をPDFで投入してQAシステムのプロトタイプを作る。社内の1〜3名で1週間試験運用する。
3ヶ月以内（補助金活用で実質100〜200万円）： IT導入補助金の申請を進めながら本格的なGPUサーバーを調達する。過去5年分の品質検査データを整形してRAGに投入する。月次PDCAレポートの自動生成プロンプトを設計し、経営会議に組み込む。
まとめ——「技術導入」ではなく「競争力投資」として考える
優れた経営者は、コストを「費用」と「投資」に明確に分けて考える。ローカルLLMは「IT費用」ではない。「5年間にわたって自社の品質管理・人材育成・意思決定を競合他社より速く高精度で行うためのインフラ投資」だ。
500万円の投資が5年間で品質不良による損失を年間200万円削減できれば、それだけで投資回収は達成する。新人の独り立ちが3ヶ月早まれば、その人件費と生産性向上でさらに数百万円の価値が生まれる。
「始めた日」と「始めなかった日」では、1年後・3年後・5年後に決定的な差が生まれる。その差は、今日どちらの選択をするかで決まる。
データ出典：AI総合研究所・各社公開技術情報・Gartner 2025年調査レポート（2025〜2026年）
タグ： ローカルLLM | RAG | 品質管理 | 受注生産 | PDCA | 新人教育 | 製造業DX | AI活用 | Dify | 行動経済学
