ウイングアーク1stは2026年10月20日に都内で記者説明会を開き、新たなデータ活用基盤「DataTetra(データテトラ)」を発表した。生成AIの業務利用が広がるなかで表面化してきた、精度の低下やコストの増大といった問題に基盤の側から応えるものだ。説明会では、現場の側からAIの不完全さに向き合った例として、ヤンマー建機の事例も紹介された。同社はウイングアーク1stの既存のBIツールとAIエージェントを使い、ベテラン2人のノウハウに支えられてきた生産計画の作成を効率化した。熟練者の暗黙知をどう引き出し、AIの提案に生かすのか。同社の取り組みからその手がかりを探る。
ウイングアーク1st 取締役執行役員CTOの島澤甲氏は、企業がAI活用を本格化させる過程でぶつかる壁として「精度低下」「安定性の欠如」「コスト高騰」の三つを挙げた。
精度低下の背景にあるのが「コンテキスト腐敗(コンテキストロット)」だ。AIに大量の社内データを読み込ませ続けると、文脈が混濁したり不要な情報がノイズになったりして、かえって期待通りの回答が得られなくなる現象を指す。安定性の問題は外部の大規模言語モデル(LLM)に依存していることから生じる。モデル側が更新されたり仕様が変わったりすると、ある日突然出力の質が変わり、業務フローが崩れかねない。
三つの壁のうち、企業を最も悩ませているのがコストだ。大手ベンダーのAIサービスの多くは従量課金型を採用している。推論やデータアクセスのたびに料金がかかるため、利用が広がるほど費用が膨らんでいく。ウイングアーク1stの社内試算では、こうしたサービスでAIの利用を拡大すると、費用は当初想定の20倍に達するとの結果になった。
しかも、データや処理の仕組みが特定の基盤に囲い込まれていれば、費用が膨らんでも簡単には乗り換えられない。海外メガクラウドへの過度な依存が続けば、企業はコストやデータの主導権を失いかねない。島澤氏はこうした状況を『デジタル植民地化』と表現し、強い危機感を示した。この問題意識がDataTetra開発の出発点になった。
DataTetraの設計思想は「ユーザー主権」と「ロックインフリー」である。企業のデータを特定のクラウドに囲い込まず、将来的にはオンプレミスを含む他の環境へも移せるようにする。また、既存のクラウドのデータウエアハウス(DWH)や社内に点在するデータ基盤を置き換えるのではなく、それらを仮想的に結びつけて横断的に活用できる点も特徴だ。料金も従量課金ではなく、処理能力などの利用枠に応じて月額100万円から支払うキャパシティ課金とし、予算を立てやすくした。
安定性とコストの両面に効くのが「AI Reinforce」という仕組みだ。AIが一度組み立てた処理ロジックやクエリを再利用し、外部AIを呼び出す回数を最小限に抑える。毎回LLMに一から推論させるのではなく、確定した処理を繰り返し実行するため、費用を抑えられるうえ、出力の再現性も保ちやすいという。精度の課題に対しては、業務や領域ごとに文脈を分離・管理する設計とAI Reinforceを組み合わせ、情報が混ざり合って精度が落ちるのを防ぐ。
こうした基盤の上で同社が目指すのが「フェデレーテッド・ガバナンス」の実現である。情報システム部門が全社の統制を保ちながら、事業部門が自らデータを扱うエンドユーザーコンピューティング(EUC)も認める、集中と分散を両立させた管理のあり方を指す。島澤氏は「企業が自らのデータ主権を取り戻し、予測可能なコストで持続的にAIを使いこなせる世界を目指しました」と語る。
もっとも、基盤を整えてもAIの出力の精度には限界がある。それを現場でどう確かめ、直していくか。説明会ではその一例として、ヤンマーホールディングス傘下で建設機械の開発・製造を担うヤンマー建機の取り組みが紹介された。DataTetraではなく、既存製品であるAIエージェント「dejiren AI」とBIダッシュボード「MotionBoard」を組み合わせた事例である。
同社は福岡県の工場で、0.5トンのミニショベルから10トンクラスの建機まで幅広い製品を手がける。仕向地ごとのカスタマイズに加え、キャビン仕様や油圧アタッチメントなどのオプションも細かく分かれ、製品のバリエーションは仕様違いを含めて数千に及ぶ。ところが、それらを組み立てるメインラインは2本しかない。重さが20倍も違う機械が同じラインを流れるため、部品の供給リードタイムやクレーン設備の制約、作業員の負荷のバランスを踏まえて組立順序を決めなければならない。順序によっては特定の工程に作業が集中し、工場全体の生産効率が落ちてしまう。
この組立順序を決める「日次生産計画」の作成は、長年ベテラン担当者2人が担ってきた。2人は積み重ねてきた知見をもとに、毎日100台余りの生産順序をExcel上で1台ずつ並べ替え、3〜4時間を費やしていた。
ヤンマー建機 経営戦略部イノベーション推進部 部長の田中重信氏は当時をこう振り返る。「ベテランの頭の中にあるノウハウは非常に高度で、何をもとに順序を決めているのか外からはまったく見えませんでした。熟練社員の引退が現実味を帯びるなか、この暗黙知を形式知にして次の世代に引き継がなければ、いずれ工場が回らなくなるという強い焦りがありました」
プロジェクトを率いた同社DX推進グループの下川和人氏らがまず決めたのは、「最初から100点を狙わない」ことだった。細かな例外条件まで含めた最終判断は人が担い、AIには叩き台づくりを任せるという考え方だ。田中氏も「AIに最初から完璧な答えを求めれば必ず失敗します。作業負荷が半分になれば大成功です」と話す。こうして生まれたのが、AIの提案と人の判断を組み合わせる「職人 in the Loop」の体制である。AIの判断プロセスに人間が関与する「ヒューマン・イン・ザ・ループ(Human in the Loop)」をもじった呼び名だ。
業務の流れは三つのステップからなる。第1ステップはルールの抽出だ。熟練者へのヒアリングを重ね、「7トンクラス以上の重量車の前後には特定の機種を置かない」「キャビン仕様の機種が続きすぎないよう分散させる」といった、言葉にできる制約条件を約10項目洗い出した。これらをdejiren AIのプロンプトや、RAG(検索拡張生成)の参照データに組み込んだ。
第2ステップはAIエージェントによる順序案の作成である。担当者がチャット画面で組立完了予定日(組完予定日)を指定すると、dejiren AIが2〜3分で生産順序の案と、制約条件への抵触状況をまとめた検証レポートを出力する。
肝となるのが第3ステップの人による仕上げだ。AIの出力をMotionBoardに取り込み、熟練者が画面上で最終確認をする。機種や仕様ごとに自動で色分けされるため、特定機種の連続や負荷の偏りなど、Excelでは見つけにくかった違和感のある箇所がひと目でわかる。その場でドラッグ&ドロップして順序を入れ替えることもでき、修正にかかる時間は数分から数十分程度だという。MotionBoardの画面は、熟練者がふだんの判断基準でAIの提案を点検し、直すための接点になった。
取り組みを通じて、暗黙知を引き出す糸口も見えてきた。職人にとって、ノウハウをゼロから言葉にするのは難しい。だが、示された案の欠点ならすぐに指摘できる。下川氏は「ベテランに『どうやって並べ替えているのですか』と尋ねても、『体で覚えているから説明できない』と返されるのが常でした。ところがAIが作った70点、80点の案を見せると、『ここはクレーンの稼働が重なるから駄目だ』『この順番では部品供給が間に合わない』と、具体的な指摘が次々に出てきたのです」と話す。
職人がMotionBoard上で修正した理由やコメントはデータベースに蓄積される。そのフィードバックをもとにプロンプトや判断ロジックを更新し、AIの提案精度を高めていく。
同社はこの仕組みを2026年10月に本番運用へ移した。運用開始前の検証では、毎日3〜4時間かかっていた計画作成が1.5〜2時間程度と、ほぼ半分になった。部材調達の遅れや仕様変更が急に生じてもすぐにAIで計画を組み直せるため、計画変更への対応力も高まるとみている。浮いた時間は後進の指導やライン全体の工程改善に充てる考えだ。
ヤンマー建機がウイングアーク1stの製品を選んだ決め手は何だったのか。説明会の質疑応答で下川氏が挙げたのは、現場主導で運用しやすいことと、手厚いサポート体制の二点だった。
このプロジェクトはIT部門が主導したシステム開発ではなく、業務部門が自らの課題を解決するために立ち上げたものだ。メンバーはプログラミングやデータ基盤の専門知識を持たない状態から始めた。そのため、画面を直感的に設計でき、すぐに試作品を動かせるノーコード・ローコードの操作性が欠かせなかった。
もう一つが問い合わせへの対応の速さと柔軟さである。下川氏によれば、海外ベンダーでは「サポートの範囲外」「本国の開発チームに確認するので数週間待ってほしい」と返され、現場のスピードが落ちることもあるという。一方のウイングアーク1stについて下川氏は、現場の細かな要望に対応し、ユーザーコミュニティを通じて他社の知見も共有してくれたと評価する。
「私たちのやりたいことに寄り添い、仕様の壁にぶつかっても逃げずに一緒に解決策を考えてくれた。それが現場での定着につながりました」(下川氏)
ヤンマー建機は今後、この取り組みを月次計画や前後の工程にも広げていく考えだ。その先のグループ全体でのデータ連携を見据え、関心を寄せているのがDataTetraである。
ヤンマーグループは全社基盤としてSnowflakeやDatabricksといったクラウドのDWHを導入している。一方で、買収した海外拠点などでは独自のシステムが動いており、データがサイロ化(分断)している。これらを物理的に一つにまとめたり、EAI(企業アプリケーション統合)ツールを全面的に導入したりするのは、かかるコストと手間を考えると割に合わない。そこでヤンマー建機は、既存のデータソースを仮想的に結びつけるDataTetraに注目する。使い慣れた画面から安全にアクセスでき、連携にかかるコストも抑えられるとみており、グループ全体のデータ連携を進める手段として期待を寄せている。
職人の暗黙知は聞き取りだけでは引き出しきれない。ヤンマー建機はAIに70点の下書きを作らせ、職人が直した箇所とその理由を記録することで、言葉にならなかったベテランの知見を少しずつ言語化し、知識ベースとして蓄積しつつある。日々の計画作成そのものを、知見を次の世代へ引き継ぐ場に変える試みだ。AIに完璧な答えを求めず、職人の知恵を引き出す下書き役に徹させる。この割り切りは技能継承に悩む多くの製造業にとって、試してみる価値のある方法だろう。