「生成AIを活用した開発に取り組みたいものの、何から着手すればよいのかわからない」と悩んでいる方も多いのではないでしょうか。生成AIを活用した開発では、単に新しい技術を取り入れるだけでは不十分です。生成AIでどの業務課題を解決したいのか、開発した仕組みをどのように現場へ定着させるのかまで見据えて進めることが、生成AI開発を成功させるうえで重要になります。
そこで本記事では、生成AIを活用した開発の進め方をわかりやすく整理したうえで、生成AI開発の前に押さえておきたい考え方、開発を進める基本手順、実際の活用例まで解説します。
生成AIを活用した開発とは？
生成AIを活用した開発とは、チャットや要約のような生成機能を業務システムに組み込み、情報探索・文書作成・コード生成・問い合わせ対応などを支援するシステム開発のことです。
近年の生成AI開発では、社内文書や図面など自社データを参照させるRAGを中核にしたアプローチが主流になっています。そのため、生成AIを活用した開発は、自社の業務フローの中で、どの情報を参照し、どの場面で回答や提案を返し、どこまでを人が確認するのかまで含めて設計する開発だといえます。
従来のシステム開発との違い
従来のシステム開発は、入力されたデータに対して、あらかじめ決められた処理を行い、想定した結果を返す仕組みが中心です。一方で、生成AIを活用した開発は、従来のシステム開発とは性質が異なります。生成AIの開発では、同じ質問を入力しても、表現や文脈の違いによって出力が変わることがあります。
そのため、生成AI開発では評価と改善を繰り返しながら品質を高めていく進め方が重要になります。
| 項目 | 従来のシステム開発 | 生成AIを活用した開発 |
|---|---|---|
| 出力の特性 | 決定的で結果が安定しやすい | 確率的で出力が揺れやすい |
| 要件定義の進め方 | 初期段階で正解の形を固めやすい | 最初に固定し切るのが難しい |
| 開発の進め方 | 設計通りに実装を進めやすい | 評価と改善を短い周期で繰り返す必要がある |
| 品質管理の観点 | 機能要件や動作確認が中心 | 回答精度、再現性、使い勝手の検証も必要 |
| 主なリスク | バグや要件漏れが中心 | ハルシネーション、プロンプトインジェクションなども考慮が必要 |
生成AIを活用した開発では、どの情報を参照させるのか、誤回答をどのように検知・抑制するのか、権限管理をどう設計するのかといった観点まで含めて考える必要があります。つまり、生成AI開発は機能要件だけでなく、リスク管理や運用設計まで含めて品質をつくり込む開発だと捉えることが重要です。
生成AIを活用した開発で使われる主な技術
生成AIを活用した開発では、目的に応じて複数の技術を使い分けることが重要です。中でも、生成AI開発でよく使われる代表的な技術が、LLM、RAG、ファインチューニングの3つです。
| 開発技術 | 概要 |
|---|---|
| LLM | 大量のテキストを学習した大規模言語モデル |
| RAG | 外部データを検索して、その結果をもとにLLMが回答する仕組み |
| ファインチューニング | 特定データで追加学習し、モデルの出力傾向を調整する手法 |
実際の生成AI開発では、この3つを対立するものとして考えるのではなく、課題に応じて選ぶことが大切です。まずはLLM単体でどこまで業務に使えるかを試し、その後、自社文書や社内ナレッジを参照させたい段階でRAGを組み込む流れは、生成AIを活用した開発でよく見られる進め方です。
ここまでをご覧になって、生成AIを活用したシステム開発を実施する知識・スキルを身に付けたいという方は生成AIセミナーの受講を検討してみてください。
生成AIセミナーでは、「生成AIを活用したWebアプリの作成」「ノーコードでの自社独自の生成AIチャットの作成」など、生成AIを活用したシステム開発の技術を学習することができます。また、LLMやRAGに関する知識も身につけられるため、システム開発を短期間で可能になります。以下のリンクから詳細をチェックしてみてください。
| セミナー名 | 生成AIセミナー |
|---|---|
| 運営元 | GETT Proskill（ゲット プロスキル） |
| 価格(税込) | 29,700円〜 |
| 開催期間 | 2日間 |
| 受講形式 | 対面（東京・名古屋・大阪）・ライブウェビナー・eラーニング |
製造業で生成AIを活用した開発が注目される理由
製造業で生成AIを活用した開発が注目を集めている背景には、現場特有の情報管理の難しさと人材面の課題があります。ここでは以下3つの課題に着目して解説します。
- 技術情報や図面関連データが分散しやすいため
- 属人化しやすい業務が多いため
- 人手不足の中で生産性向上が求められているため
①技術情報や図面関連データが分散しやすいため
製造業では、技術情報の保管場所やデータ形式が統一されていないことが珍しくありません。しかも、それぞれが別のシステムやフォルダ、個人管理のファイルに保存されていると、必要な資料を探すだけでも手間がかかります。
こうした課題に対しては、図面や技術文書を横断的に検索し、必要な箇所を根拠付きで提示できるRAGを組み込んだ生成AI開発が有効です。最近では、画像とテキストをあわせて扱えるマルチモーダルRAGを活用した生成AI開発にも注目が集まっており、図面や画像を含む情報資産をより活かしやすくなっています。
②属人化しやすい業務が多いため
出典：PRTIMES
製造業の現場では、マニュアルだけでは説明しきれないノウハウが数多くあります。しかし、属人化が発生しているのが実情です。実際にPRTIMESが公表している「【建設業・製造業の管理職に調査】」によると、属人化している業務があると回答した割合は7割以上にのぼります。
生成AIを活用した開発は、過去の対応履歴や点検記録、ベテランの知見を検索可能な情報として整備し、それをもとに質問応答や判断支援を行えるようにできます。その結果、特定の担当者に依存しすぎない運用に近づけます。つまり、生成AI開発は現場の知見を組織全体で活用しやすくするための開発としても重要です。
③人手不足の中で生産性向上が求められているため
出典：経済産業省
製造業で生成AIを活用した開発が注目される理由には、人手不足による課題も挙げられます。経済産業省の「2025年版｜ものづくり白書」の概要では、製造業の就業者数が2023年は1,055万人、2024年は1,046万人減少したことが記載されています。
このような状況で、生成AIを活用した開発は現場担当者の負担を軽くする方法として注目されています。生成AIは人を置き換えるためのものではなく、人が本来集中すべき業務に時間を費やすための仕組みと言えるでしょう。
生成AIを活用したシステム開発の企業事例5選
ここでは実際に生成AIを活用したシステム開発の企業事例を5つ紹介します。
| 企業・事例 | 課題 | 取り組み | 成果 |
|---|---|---|---|
| Siemens Industrial Copilot | 反復作業が多く、設計スピードと正確性の両立が課題 | Industrial CopilotをTIA Portalに接続し、自然文からコードや可視化のたたき台を作成 | 反復作業の削減やミス低減、生産性と品質向上につながる体制を構築 |
| パナソニック コネクト | 知的業務が全社で積み上がり、工数負担になっていた | コード生成、リファクタリング、資料レビュー、手順書作成などへ生成AI活用を広げる | 2024年の業務時間削減効果は44.8万時間、利用回数は240万回 |
| 日立×ダイキン | 設備故障診断が熟練者依存になりやすく、原因特定や対策判断の標準化が難しい状態 | OTデータと保全知見を組み合わせ、設備故障診断AIエージェントを試験運用を実施 | 10秒以内に90％超の精度で原因と対策を提示できることを確認 |
| トヨタ車体×CTC | 品質管理が熟練者の判断に依存しやすく、技能伝承も難しいことが課題 | 画像、動画、センサー値、文書を扱うマルチモーダルAIエージェントを共同研究 | 品質予測と技能分析を支援する仕組みとして、有効性を検証している段階 |
| トヨタシステムズ×富士通 | 基幹システム更新時の非互換調査や修正作業が膨大で、改修工数が重い | 約15,000ファイルを対象に、生成AIで影響箇所の抽出や修正を支援 | 人手対応と比べて約50％の作業時間削減を実現 |
①Siemens Industrial Copilot｜製造・自動化のエンジニアリング業務を支援
Siemensは、工場の自動化や制御設計に関わるエンジニアの負担が大きいという課題がありました。製造・自動化の現場では、PLC向けのコード作成、可視化画面の初期設定などの作業が日常的に発生します。これらは一つひとつが極端に難しいわけではないものの、件数が多く、繰り返しも多いため、設計者の時間を奪いやすい業務です。
そこでSiemensは、MicrosoftのAzure OpenAI Serviceと自社の産業分野の知見を組み合わせた生成AI開発を進め、Siemens Industrial CopilotをTIA Portalに接続しました。この生成AIを活用したシステム開発により、エンジニアは自然文で質問しながら、SCLコードの生成、WinCC Unified向けの可視化作成、マニュアル検索を進められるようになっています。
参考サイト：SIEMENS
②パナソニック コネクト｜社内向け生成AIを広げ業務時間の削減
パナソニック コネクトでは、知的業務の細かな負担が、広い部門で積み上がっていたことが課題でした。こうした業務は一件あたりの作業時間が短く見えても、日々繰り返されるため、全社で見ると大きな工数になります。生成AIを活用した開発を現場で使える形にしなければ、こうした見えにくいロスは減りません。
そこで、コード全体の生成やリファクタリング、アンケートコメント分析といった作業を任せる使い方へと、生成AIを活用した開発を広げました。その結果、2024年のAI活用による業務時間削減効果は44.8万時間、利用回数は240万回、1回あたりの削減時間は28分、画像利用を含む場合は36分まで伸びています。
参考サイト：Panasonic Group
③日立×ダイキン｜保全領域の知見をAIエージェントで活かす取り組み
出典：HITACHI
日立とダイキンでは、設備故障の診断が熟練者の知見に依存しやすく、原因特定や対策判断に時間がかかることが課題でした。工場の保全業務は、設備を止めないためのスピードが求められる一方で、判断の質も重要になるため、経験差がそのまま対応力の差になりやすい分野です。
そこで、日立のOT領域の知見とダイキンの現場ナレッジを組み合わせ、設備故障診断を支援するAIエージェントの試験運用を始めました。この生成AIを活用したシステム開発によって、設備トラブル時に原因と対策を素早く提示できるようにしています。その結果、10秒以内に90％超の精度で故障原因と対策を提示できることが確認されており、保全の属人化を抑えながら判断の標準化を進める生成AI開発として注目されています。
④トヨタ車体×CTC｜マルチモーダルAIエージェントで品質管理の高度化
トヨタ車体では、品質判断や技能分析の多くが熟練者の経験に支えられており、画像、動画、センサー値、記録文書などをまたいで総合的に判断する必要があることが課題でした。こうした業務は、ノウハウの継承も難しいため、品質管理の高度化と技能伝承を同時に進めるための生成AI開発が求められていました。
そこで、CTCと共同で、画像・動画・数値・文書を横断して扱えるマルチモーダルAIエージェントの研究を進めています。この生成AIを活用した開発では、品質予測と技能分析を担う複数のAIエージェントが連携する仕組みを構築し、熟練者依存の判断を再現しようとしています。
⑤トヨタシステムズ×富士通｜基幹システム改修の負担を生成AIで減少
出典：富士通
トヨタシステムズでは、基幹システムのアップデートに伴い、非互換情報の調査、影響箇所の抽出といった改修作業が負担になっていました。対象ファイル数が多いため、人手だけで進めると時間も工数もかかりやすく、保守・改修の効率化に向けた生成AI開発がテーマになっていました。
そこで、富士通と連携し、JavaやSQLJで開発された約15,000ファイルを対象に、生成AIを活用した開発として非互換箇所の抽出やプログラム修正を支援する実証実験を行いました。その結果、人手で対応する場合と比べて約50％の作業時間削減が可能であることが確認され、2025年1月から実業務への適用も始まっています。
生成AIを活用した開発を成功させるポイント
ここでは、生成AIを活用した開発を成功に近づけるうえで、重要な考え方を3つに絞って紹介します。生成AI開発は、単に新しい技術を導入すれば成果が出るものではありません。
- 新しい価値を生む目的を明確にする
- 小さく試しながら改善を繰り返す
- 回答精度とセキュリティを両立する
①新しい価値を生む目的を明確にする
生成AIを活用した開発では、既存業務をそのまま置き換えるだけよりも、生成AI開発によって新しい価値を生み出すことを目的にしたほうが成果につながりやすくなります。たとえば、図面と手順書をまたいで必要な情報を探し、根拠を示しながら回答する仕組みは、従来の検索や人手対応では時間がかかりやすかった業務を変えられる可能性があります。
一方で、目的が曖昧なまま「とりあえず生成AIを入れてみたい」という発想で開発を進めると、生成AI開発の方向性がぶれやすくなります。
②小さく試しながら改善を繰り返す
生成AIを活用した開発は、最初から完璧な仕組みを作ろうとすると失速しやすい分野です。RAGを組み込む生成AI開発では、検索対象の文書整理、チャンク分割など、精度に影響する要素が多くあります。そのため、生成AIを活用した開発は、実際の利用状況を見ながら改善していく前提で進める必要があります。
また、生成AIは従来のシステムのように、常に同じ入力に対して同じ結果を返すとは限りません。だからこそ、生成AI開発では、実際の質問ログや現場での使われ方をもとに改善を重ねることが重要になります。ここで大切なのは、「小さく始める」ことと「小さく終わる」ことは違うという点です。
③回答精度とセキュリティを両立する
製造業の生成AI開発では、精度を高めるために多くの社内データを使いたい一方で、機密情報や個人情報の管理も厳しく求められます。そのため、精度向上と安全性は別々ではなく、最初から一緒に設計する必要があります。具体的には、
- 参照元の提示
- アクセス権に応じた検索制御
- 機密情報のマスキング
- 入力と出力の制御
- 監査ログの整備
などが重要です。逆に言えば、精度とセキュリティを両立できれば、生成AIを継続的に活用できる開発へとつなげやすくなります。企業の生成AI開発では、精度だけでなく、安全性や運用面まで含めて設計することが前提条件です。
以下の記事では、生成AIでできることについて解説していますので、あわせてご覧ください。
生成AIを活用したシステム開発についてのまとめ
生成AIを活用した開発は、自社の業務課題に合った形で仕組みを設計し、現場で使える状態まで落とし込むことが開発において重要です。特に製造業や設計現場では、日々扱う情報が多く、検索や確認、引き継ぎに時間がかかりやすい傾向があります。
こうした場面で生成AIを活用した開発を進めれば、情報探索の効率化、文書作成の負担軽減、判断支援の高度化などにつなげやすくなります。ただし、生成AI開発は導入しただけで成果が出るものではありません。生成AI開発は目的を明確にし、小さく試しながら改善を重ね、回答精度とセキュリティを両立させることが開発では必須と言えるでしょう。
