製造業のDXというと、生産設備のIoT化、画像認識による検査、予知保全など、工場内の技術に注目が集まりがちです。
しかし実際には、営業、受発注、購買、見積、在庫管理、物流、経理などのバックオフィスにも、多くの手作業が残っています。
メールで届いた注文内容を確認する。PDFの注文書から品番や数量を読み取る。Excelへ転記し、さらに基幹システムへ入力する。処理が終われば取引先へメールを返信する。
一つひとつは単純な作業でも、毎日繰り返せば大きな負担になります。
こうした業務を変える技術として重要になっているのが、生成AIとRPAの組み合わせです。
生成AIだけでも、RPAだけでもありません。
生成AIが文章や帳票の内容を「理解・判断」し、RPAが既存システムへの入力や転記を「確実に実行する」。この役割分担によって、従来のRPAでは自動化しにくかった業務まで対象を広げられる可能性があります。
なぜRPAだけでは製造業の業務自動化が止まりやすいのか
RPAは、決められた手順を繰り返す業務を得意とします。
たとえば、
・Excelからデータを取得する
・基幹システムへ転記する
・決められたフォルダへファイルを保存する
・定型メールを送信する
・在庫データを取得する
といった処理です。
「AならBをする」というルールが明確であれば、高い再現性で繰り返せることがRPAの強みです。
一方、製造業の実務には、完全には定型化できない情報が大量にあります。
取引先ごとに形式が異なる注文メール、PDFの注文書、自由記述の問い合わせ、図面、仕様書、過去の見積書などです。
こうした情報では、単純な「転記」の前に、「これは何について書かれているのか」「どの情報を使うべきなのか」という判断が必要になります。
ここが、従来型RPAが止まりやすかったポイントです。
生成AIとRPAは「頭脳」と「手足」に分けて考える
生成AIとRPAでは、得意な仕事が異なります。
生成AIは、メールや文書などの非構造化データを読み、文章の意味を理解したり、情報を分類・抽出したりすることを得意とします。
一方のRPAは、確定した情報を既存システムへ入力したり、ファイルを移動したり、ボタンを押したりする処理を得意とします。
つまり、
生成AI＝考える部分
RPA＝実行する部分
として設計すると分かりやすくなります。
受注処理を例にするとどうなるか
たとえば取引先からメールで注文が届いたケースを考えてみます。
まずRPAがメールを取得し、添付されたPDFやExcelを所定の場所へ保存します。
次に生成AIが本文や添付ファイルを解析し、
・取引先名
・商品名
・品番
・数量
・希望納期
・問い合わせ内容
などを抽出します。
内容に問題がなければ、そのデータをRPAへ渡します。
RPAはERPや販売管理システムを操作し、受注情報を登録します。
登録された受注番号や納期情報を取得した後、生成AIが取引先への返信文を作成し、最後にRPAがメール送信まで実行します。
これまで人が複数の画面を行き来しながら行っていた業務を、一つの連続したワークフローとして設計できるわけです。
製造業で効果が期待できる3つの業務領域
生成AIとRPAの組み合わせは、特に「情報を読んで判断した後、別システムへ入力する」業務との相性が良いと考えられます。
営業・受発注・問い合わせ対応
製造業の営業部門や受注センターでは、多数のメールやFAX、PDFが日々届きます。
RPAだけの場合、定型フォーマットでなければ処理が難しくなることがあります。
生成AIを組み合わせることで、自由記述のメールから注文内容や問い合わせ内容を読み取り、分類したうえで、CRMや受注管理システムへの登録までつなげることが可能になります。
問い合わせへの返信案についても、過去のやり取りや取引条件などを参照させることで作成支援ができます。
ただし、価格や納期など取引上重要な内容については、人による確認工程を残すことが重要です。
見積・設計・BOM作成
製造業では、見積やBOM（部品表）の作成に専門知識と多くの時間が必要になることがあります。
図面や仕様書から、
・品名
・材質
・数量
・規格
・加工方法
などを拾い出し、Excelへ転記し、原価を計算し、見積書を作るという流れです。
生成AIや画像認識技術を利用して図面・仕様書から必要情報を抽出し、過去の類似案件や原価データを参照する仕組みを構築できれば、見積作成の初期工程を大きく効率化できる可能性があります。
その後のERPへの登録や帳票作成はRPAが担当します。
重要なのは、熟練技術者を不要にすることではありません。
AIによって情報探索や転記を減らし、技術者が「本当に判断が必要な部分」に時間を使える状態を作ることです。
在庫・物流・サプライチェーン管理
物流業務もRPAと生成AIを組み合わせやすい領域です。
RPAによって在庫管理システムから定期的に在庫データを取得し、一定数量を下回った商品を検出する。
そこへ需要予測や受注状況などの情報を加味し、生成AIが注意すべき商品や理由を整理する。
その結果を担当者へ通知する、といった仕組みが考えられます。
物流手配についても、複数システムへの入力、配送情報の登録、進捗確認など定型操作が多いため、RPAによる効率化余地があります。
実は「古いシステム」がある企業ほどRPAが重要になる
製造業DXでは、レガシーシステムの存在が大きな課題になります。
長年利用している生産管理システムや在庫管理システムでは、最新のクラウドサービスと連携するためのAPIが用意されていないケースもあります。
この場合、生成AIがどれだけ高度になっても、結果を基幹システムへ反映できません。
そこで役立つのがデスクトップ型RPAです。
人間が画面を操作するのと同じように、
・システムを起動する
・入力欄を選ぶ
・データを入力する
・ボタンをクリックする
といった操作を自動化できます。
つまりRPAは、最新の生成AIと古い基幹システムをつなぐ「ラストワンマイル」の役割を担います。
すべてのシステムを一度に刷新しなくても、既存資産を使いながらDXを進められる点は、中小製造業にとって特に重要です。
「全部自動化する」ことを目標にしてはいけない
生成AIとRPAを導入すると、「人間を介さず完全自動化できないか」と考えがちです。
しかし、製造業ではこの考え方が必ずしも適切とは限りません。
生成AIは確率的に回答を生成するため、誤った内容を出力する可能性があります。
特に、
・見積金額
・発注数量
・契約条件
・納期
・重要顧客への回答
・設計上重要な情報
などについては、人間による最終確認を残す必要があります。
有効なのが「Human-in-the-loop」という考え方です。
AIとRPAが処理できる部分は自動化し、重要な判断だけを人間へ渡します。
目指すべきなのは100％の無人化ではなく、人間が確認する箇所を最小限にすることです。
セキュリティ設計は自動化と同時に考える
製造業では、生成AIへ入力する情報にも注意が必要です。
設計図面、BOM、原価情報、取引条件、顧客情報、製造ノウハウなどは、企業競争力に直結する重要情報です。
そのため、生成AI導入では機能だけではなく、
・どのデータをAIへ入力してよいか
・どのAIサービスを利用するか
・入力データが学習に利用されるか
・アクセス権限をどう管理するか
・操作ログをどう残すか
・社外へ送信できない情報をどう定義するか
といったガバナンス設計が必要になります。
高度な機密情報を扱う企業では、クラウド型AIだけでなく、オンプレミスAIや閉域環境、社内RAGなども選択肢になります。
「便利だから使う」のではなく、扱う情報の重要度に合わせて環境を分けることが重要です。
中小製造業は小さなPoCから始める
生成AIとRPAの導入で失敗しやすいのは、最初から全社的な自動化を目指すケースです。
まずは、処理量が多く、ルールが比較的明確で、効果を測定しやすい業務を一つ選びます。
たとえば、
「注文メールを確認して受注システムへ登録する」
という一つの業務だけでも構いません。
1. 現在の業務を分解する
誰が、どの情報を確認し、どのシステムへ入力しているのかを整理します。
2. AIとRPAの担当を分ける
文章理解や分類は生成AI、転記やシステム操作はRPAというように役割を決めます。
3. 人間の確認ポイントを設定する
金額、納期、顧客回答など、誤りが許されない工程には承認を残します。
4. 効果を測定する
処理時間、作業件数、手戻り、入力ミス、残業時間などを導入前後で比較します。
5. 成功した業務から横展開する
受発注で成果が確認できれば、購買、物流、見積、在庫管理などへ広げます。
この段階的な進め方のほうが、投資対効果も把握しやすくなります。
生成AI×RPAの本当の目的は「人を減らすこと」ではない
製造業で深刻なのは、単純な人手不足だけではありません。
熟練者が長年行ってきた判断や、複数のシステムを使いこなすための暗黙知が、特定の人に集中していることも大きな問題です。
生成AIとRPAを活用すれば、単純作業を自動化するだけでなく、業務そのものを整理し、判断基準を可視化するきっかけになります。
その結果、人はデータ入力や転記ではなく、
・顧客への提案
・例外案件への対応
・工程改善
・調達戦略
・新しい製品やサービスの企画
といった、より価値の高い仕事へ時間を使えるようになります。
まとめ
生成AIとRPAは、どちらか一方を選ぶ技術ではありません。
生成AIは、メールやPDF、仕様書などを理解し、必要な情報を整理する「頭脳」として機能します。
RPAは、その結果を既存のERPや生産管理システムへ確実に反映する「手足」として機能します。
両者を組み合わせることで、従来は人間の判断が必要だったため自動化できなかったバックオフィス業務まで、改善対象を広げることができます。
特に製造業では、既存の基幹システムをすべて入れ替えるのではなく、生成AI、RPA、API、RAGなどを適切に組み合わせながら段階的にDXを進める考え方が現実的です。
重要なのは、「どのAIを導入するか」から考え始めないことです。
まず現在の業務を分解し、人が判断すべき部分、AIに任せられる部分、RPAに任せられる部分を整理する。
その設計こそが、生成AI時代の製造業バックオフィスDXの出発点になります。
コメント