製造業・工場の現場で実行できる8つの施策

公開日：2026年8月25日｜カテゴリ：製造業DX・AI活用・現場自動化

「AIで業務改善」の記事は山ほどある。だが読み終わって「で、明日から何をどう動かせばいいのか」が分かるものは驚くほど少ない。

本記事は、製造業・工場の現場で実行できる8つの施策を、実装コマンド・ファイル構成・難易度まで含めて具体的に示す。特に後半で扱う「PLC・ラダー図のドキュメント化」は、多くの工場が抱える属人化問題への直接的な回答になる。

Claude Codeには CLAUDE.md（プロジェクトのルールや前提知識を読ませる指示ファイル）と Skills（定型作業の手順をSKILL.mdとして登録する仕組み）がある。この2つを使うと、「使い捨てのプロンプト」から「育てる自動化」へ変わる。現場改善で決定的な差になるのはここだ。

第1章：なぜ「プロンプト」ではなく「仕組み」にすべきなのか

認知科学：手順の外部化が、属人化を防ぐ

毎回チャット欄にプロンプトを打ち込む運用には限界がある。うまくいったプロンプトが担当者の頭の中とチャット履歴に埋もれ、「あの人が休むと回らない」という新しい属人化を生むからだ。AI活用が属人化を解決するどころか、悪化させる皮肉な結果になる。

認知科学の「外部化された認知（Distributed Cognition）」——知識を人の頭ではなく環境（道具・文書）に置くことで、組織全体の能力が上がる——という考え方が、ここで効く。

Claude Codeのスキルは、指示・メタデータ・オプションのリソース（スクリプト、テンプレート等）をパッケージ化したモジュール型の拡張機能だ。プロンプトが「1回限りのタスク用の会話レベルの指示」であるのに対し、スキルは複数の会話にわたって同じガイダンスを提供する。つまり、手順を組織の資産として固定できる。

行動経済学：「毎回考える」コストが定着を殺す

行動経済学の「摩擦（Friction）」の概念では、行動のハードルがわずかでも高いと実行率は激減する。「AIに聞けば早いけど、いいプロンプトを考えるのが面倒」——この数分の摩擦が、AI活用が定着しない最大の理由だ。

スキル化・コマンド化は、この摩擦をゼロにする。一度作れば、次からは1コマンドで済む。だから最初の構築に半日かける価値がある。

第2章：製造業・工場のAI業務改善8選

※難易度 ★☆☆＝当日着手可／★★☆＝数日〜1週間／★★★＝IT担当者や外部支援が必要。以下、No.5〜8を実装レベルで掘り下げる。

第3章：No.5 見積根拠づくり——「勘」を「根拠」に変える

なぜ効くのか：見積の属人化は利益率に直結する

受注生産の現場では、見積が特定のベテランの勘に依存していることが多い。この状態には2つの損失がある。①その人が不在だと見積が出せない（機会損失）、②根拠がないため値引き交渉に弱い（利益率の低下）だ。

過去の見積DBを参照させることで「類似案件Aでは工数◯人日、材料費◯円でした」という数字の裏付けが瞬時に出る。これは交渉の場での強力な武器になる。

実装手順

Step 1：過去の見積実績をxlsx形式で1ファイルに集約する（案件名・品目・材質・寸法・数量・工数・材料費・受注可否）。この整理作業が全体の8割で、ここを飛ばすと精度が出ない。

Step 2：Claude Codeに読ませ、類似案件検索スクリプトを書かせる。

Step 3：営業担当がCLIで叩ける状態にする。ここで「見積金額そのものをAIに決めさせない」ことが重要だ。AIが出すのはあくまで「過去実績という材料」であり、最終的な金額は人が決める。

行動経済学の注意点：アンカリングを自覚する

AIが提示した過去案件の金額がアンカーになり、判断が引きずられるリスクがある。「前回800万円だったから今回も」と機械的に決めると、材料費高騰や仕様の違いを見落とす。出力に「今回と過去案件の相違点」を必ず併記させるプロンプト設計で、この罠を回避できる。

第4章：No.6 生産計画のシナリオ比較——CLAUDE.mdが主役

なぜ★★★なのか：制約条件の記述が難しい

生産計画の最適化は、AIに「良い感じにやって」と頼んで済む領域ではない。設備能力・段取り時間・人員シフト・納期・在庫上限といった制約条件を正確に記述できるかどうかが成否を分ける。

ここで CLAUDE.md が効く。これはプロジェクトのルールや前提知識をClaude Codeに読ませる指示ファイルで、すべてのセッションで自動的に読み込まれる。つまり、一度書けば毎回説明する必要がない。

CLAUDE.md への記述例

この状態で「来月の受注データを読み、需要が±20%変動した場合の生産計画案を3つ作り、それぞれのトレードオフを比較して」と指示すると、制約を踏まえた実用的な案が出る。最適化にはOR-Tools等のライブラリを使うスクリプトをClaude Codeに書かせる。

認知科学：シナリオ比較が「決断の質」を上げる

意思決定研究では、選択肢が1つしかない状態での判断は質が著しく低いことが知られている。「この計画でいくか、いかないか」の二択より、「A案・B案・C案のどれか」のほうが、人はトレードオフを正しく評価できる。AIの価値は「正解を出すこと」ではなく「比較可能な選択肢を安価に量産すること」にある。

第5章：No.7 5S・安全パトロールの自動起票——最も簡単で効果が早い

なぜ★☆☆なのか：既にあるデータを使うだけ

8施策の中で最初に着手すべきはこれだ。理由は3つある。新規のデータ整備が不要（スマホ写真とメモが既にある）、効果が即座に見える（起票の手間が消える）、失敗しても損失がない。

現場のパトロールでは、写真を撮ってメモを取ったあと、事務所に戻って指摘票に清書する作業が発生する。この清書が面倒で報告が滞る、という現場は多い。ここを自動化する。

実装手順

Step 1：パトロール当日の写真とメモを1フォルダにまとめる。ファイル名に場所・日付を入れておくと精度が上がる（例：20260825_第2工場_通路.jpg）。

Step 2：フォルダごと解析させ、指摘票テンプレへ流し込む。

Step 3：出力された指摘票を人が確認・修正して確定する。安全に関わる判断は必ず人が最終決定する——これは絶対に崩してはいけない原則だ。

定着のコツ：Skillにして摩擦をゼロにする

毎回プロンプトを書くのは面倒だ。.claude/skills/patrol-report/SKILL.md として手順を登録しておけば、次回からはフォルダを指定するだけで済む。この「1回作れば以後ゼロ手間」の状態を作れるかどうかが、AI活用が根付くかの分岐点になる。

第6章：No.8 PLC・ラダー図のドキュメント化——最大の属人化に挑む

なぜこれが最重要施策なのか

多くの工場が抱える最悪の時限爆弾が、「PLCを組んだ人がもういない」という状態だ。設備は動いている。だが誰も中身を説明できない。改造もできない。トラブル時は手探りになる。設備更新の見積すら取れない。

この問題が深刻なのは、時間が解決しない点だ。放置すれば状況は悪化する一方で、当時を知る人が完全にいなくなった時点で「動いている限り触らない」という消極的な運用しか選べなくなる。

実装手順

Step 1：ラダー図をテキスト形式でエクスポートする（メーカーのソフトからCSV・命令リスト形式等で出力）。画像しかない場合は、まずテキスト化が必要だ。

Step 2：出力ファイルをGitリポジトリに入れる。これで変更履歴が追える状態になる。ドキュメント化と同時にバージョン管理を手に入れられる点が大きい。

Step 3：Claude Codeに仕様書生成とコメント付与を依頼する。

最重要の注意点：「要確認」を必ず出させる

ここが本施策の生命線だ。AIは分からない箇所でも、もっともらしい説明を生成してしまう（ハルシネーション）。制御プログラムの誤った仕様書は、設備事故に直結しかねない。

だからプロンプトに必ず「不明な箇所は『要確認』と明記し、推測で断定しないこと」を入れる。そして出力された仕様書は、当時を知る人が存命なら必ずレビューしてもらう。いなければ、実機の動作と照合しながら段階的に検証する。

それでも価値は極めて大きい。ゼロから解読するのと、8割方書かれた仕様書を検証するのとでは、労力が桁違いだ。「完璧な仕様書」を待つのではなく、「検証可能な叩き台」を手に入れることが目的だと理解すれば、この施策は今日から始められる。

第7章：8施策の着手順序——どこから始めるか

※機密性の高いデータ（原価・図面・制御プログラム）を扱う施策では、自社のAI利用ガイドラインを必ず確認する。クラウドAIに載せられない場合はローカルLLM構成を検討する。

第8章：成功者の思考パターン——「動かない設備」より「読めない設備」を恐れる

優れた製造業の経営者は、設備投資の判断で共通した視点を持つ。「壊れたら直せるか」ではなく「中身を理解している人がいるか」を見る。

動かない設備は、金を払えば直る。だが誰も中身を説明できない設備は、金を払っても直せない。この非対称性を理解しているかどうかが、10年後の工場の姿を分ける。

行動経済学の「現在バイアス」——目先のコストを将来の損失より重く見る——により、ドキュメント化はいつも後回しにされる。「今は動いているから」が先送りの理由になる。だが動いている今だからこそ、実機と照合しながら仕様書を検証できる。止まってからでは、照合する相手すらいない。

AIは、この後回しにされ続けた作業のコストを劇的に下げた。やらない理由が「面倒だから」だった時代は終わった。

まとめ：今日から動ける3つのアクション

アクション1（今日中）： 直近のパトロール写真とメモをフォルダにまとめ、No.7を試す。データ整備ゼロで着手できる唯一の施策だ。ここで成功体験を作ることが、社内展開の最短ルートになる。

アクション2（今週中）： 自社のPLC・制御プログラムについて「今、中身を説明できる人は誰か」を確認する。該当者が1人しかいない、または退職予定があるなら、No.8を最優先タスクに繰り上げる。

アクション3（今月中）： うまくいったプロンプトを .claude/skills/ にSKILL.mdとして登録する。個人の工夫を組織の資産に変える。この一手間が、AI活用による新たな属人化を防ぐ。

製造業のAI活用は、派手な技術導入ではない。今そこにある写真・CSV・図面を、読める形に変えていく地道な作業だ。だがその積み重ねが、5年後に「誰でも回せる工場」と「あの人がいないと止まる工場」を分ける。

データ出典：Claude Code公式ドキュメント（Agent SDK／Skills）・Zenn各技術記事・GMO天秤AIメディア（2026年6月）・各社公開情報（2025〜2026年）。コマンド例は環境やバージョンにより異なる場合があります。安全・品質に関わる判断は必ず有資格者・責任者が最終決定してください。

タグ： 製造業 | AI活用 | Claude Code | 業務改善 | PLC | ラダー図 | 属人化 | 見積 | 生産計画 | 5S