製造業の調達にAIは使えるのか？——「人にしかできない領域」が競争力を決める理由

「AIで数分で見積もり」——その見積もりで、本当に量産できますか？

製造業のDXが加速しています。図面をアップロードすれば数分で見積もりが返るAIサービスが注目を集め、業界メディアでは図面1枚あたりの見積もり時間が80分から20分へ短縮された事例も紹介されています。

こうしたサービスは、規格品に近い単純形状の部品や、切削加工で完結する試作・小ロット品には一定の効果があります。しかし量産を前提とした金属部品の調達で、AIだけで最適解にたどり着けるケースは多くありません。本記事では、調達DXの全体像を整理しつつ、AIが得意な領域と人が担うべき領域を切り分けます。

調達DXは何から成り立っているのか

「調達DX」は複数のレイヤーのツールで構成されます。まずは全体像を整理します。

これらは補完関係にあり、どれか一つを入れれば調達DXが完成するわけではありません。自社のボトルネックを見極めたうえで、段階的に組み合わせるのが定石です。

AI見積もりが有効な領域と、限界が見える領域

AI自動見積もりは魔法の杖ではありません。工法や形状によって得意・不得意がはっきり分かれます。

AI見積もりが得意な領域（○）

• 板金系の単純部品：曲げ・抜き・溶接の工数がパラメータ化しやすい
• 切削加工の試作・小ロット：ツールパスが比較的定型化されている
• 規格品・標準品：カタログ化された部品や、寸法違いの同シリーズ品

苦手になりやすい領域（△）

• 鍛造・ダイカスト・MIMなど金型前提の工法：金型費、型寿命、取り数最適化が単価を支配するため形状係数だけでは算出できない
• 表面処理・熱処理を伴う部品：外注工程の組み合わせで単価が変動する

現実的に対応が難しい領域（×）

• 多工法のハイブリッド部品：各工程の歩留まりや外注先の稼働まで判断が必要
• 組立品・アッセンブリ：構成部品の調達先が分散する全体最適はAIのスコープ外
• 特殊材料・特注仕様：チタン合金など市況と調達ルートが絡む材料

「図面から見積もり」の技術的ハードル

AI見積もりの精度は、図面からどれだけ情報を引き出せるかで決まります。ここには想像以上のハードルがあります。

2D図面のAI読み取り精度：日本の製造業では2D図面が主流で、設計情報を紙や2D PDFで取引先に渡す企業が半数以上とされます。三面図の整合チェックや注記OCR、寸法線と公差記号の関連付けが必要で、読み取りミスが見積もり誤差に直結します。

3Dモデルベース定義（MBD）の現状：海外のMBE市場が年平均15%前後で成長する一方、国内の3DAモデル活用率は低く2D文化が根強いとされます。MBD対応3Dモデルが流通しない限り、AIは形状と製造情報を正しく紐づけできません。

公差・表面仕様・材料指定の抽出難易度：幾何公差、表面粗さ、熱処理指定など、見積もりに直結する情報ほどAIにとって解釈が難しい「注記テキスト」として書かれています。

調達DXの導入失敗パターン——なぜ定着しないのか

ツールを入れたものの定着せず、投資対効果が出ないケースは珍しくありません。典型的な失敗パターンを整理しておきます。

1. ツール導入が先行し、運用設計が後回し：入力ルールを決めないまま導入し、結局は電話・メールに戻る
2. マスタ整備不足：品目・サプライヤー・単価マスタが曖昧だとAIもRPAも出力の信頼性が落ちる
3. サプライヤー側のDX格差：取引先がFAX・電話中心だと中間で人手転記が発生し効果が相殺される
4. 経営KPIとの不一致：見積もりスピードを追いすぎて総調達コストや不具合率との紐づけが曖昧になる

中小企業基盤整備機構の調査でも、DXの最大の課題は「コスト負担」「IT人材不足」が上位です。ツール導入よりも運用を担う人の確保と業務プロセスの再設計のほうが重いテーマです。

中小サプライヤーのDX格差という現実

日本の製造業を支える企業の99.5%は中小企業で、金属部品を扱う中小企業は約7万社ありますが、その大半はデジタル化が進んでいません。

これは能力の問題ではなく構造的な問題です。長年のコストダウン要求でデジタル投資の余裕がなく、また技術ノウハウの多くが得意先の機密情報に関わり外部公開できないという背景があります。

実態を示す数字として、物流・製造業の中小企業のおよそ2人に1人が「毎日FAXを使う」と回答し、従業員30名以下の企業では約7割が「紙や口頭で業務を行っている」と報告されています。つまりAIが学習・参照できるデジタルデータは、製造業の実態のごく一部しかカバーしていないのです。発注側がDXしても、サプライヤー側の電話・FAX・紙図面の現実に接続する「中間機能」が必要です。

AIが「それらしい回答」を出すほど、危険が増す

AIの性能が上がるほど、見た目には説得力のある回答が返ってきます。しかし専門家から見ると表面的で部分的に正確でないことが多く、AIが提示した工法や材料が技術的に成立しても、公差設定・二次加工順序・金型寿命・設備稼働・品質管理体制など「現場の実情」を踏まえた判断はデジタルデータだけでは導き出せません。

「合ってはいないけれど、詳しくない人が見ると納得してしまう情報」が流通する環境は、むしろリスクを高めます。急速にAIが浸透する時代だからこそ、人によるセカンドオピニオンの価値が増しています。

【事例】AIでは再現できない"現場立会い"の価値

ある締結部品の案件で、私たちは客先の組立現場に入り、ねじ込みトルク・破壊トルク・適正締付トルク・戻しトルクを実測しました。そのうえでワーク側の材質・座面形状・下孔径の公差まで踏み込み、「量産ラインで作業者が安定してそのトルクで締められるか」まで見に行きます。

データ取得自体はセンシングで自動化できますが、「この条件で本当に現場が回るか」の判断は、立会った人間にしかできません。作業者の疲労、工具の個体差、ロット切替時のばらつきは、図面にも3Dモデルにも現れない情報です。私たちは年間十数件単位でこうした現場立会いを続けており、AI見積もりが普及するほどこの価値は相対的に上がっていくはずです。

AIが得意な領域と、人が担うべき領域

AIを否定するのではなく、それぞれの得意領域を正しく理解し、使い分けることが重要です。

AIが効率化できる領域

• 既存商流の受発注データ整理・可視化、リピート発注の効率化
• PLM・ERP連携による発注業務の自動化
• 規格品・標準品の価格比較、一次スクリーニング

人が担うべき領域

• 新たな商流の開拓・メーカー選定
• 加工法・材質の変更による技術提案、製造設計提案
• 品質トラブルの原因分析と改善策の実行
• 仕入先との信頼関係に基づく交渉・調整
• カントリーリスクやBCPを考慮したサプライチェーン設計
• 現場立会いによる実測と条件出し

既存商流をデータ化してAIで処理しても、QCDに大きな変化は生まれにくいのが現実です。本当の改善は、新たな商流を提案し、これまでにない選択肢を作り出す「人の知の繋がり」から生まれます。

「人＋AI」の協業モデル——分業の設計図

ここまでを踏まえると、調達業務は以下のような役割分担で設計するのが合理的です。

ポイントは、AIの一次処理結果を人がレビューし、最終判断と外部交渉は人が握る設計です。出力を鵜呑みにしない仕組みを業務フローに組み込まないと「それらしい回答」のリスクが顕在化します。

「AI＋人」が最適解——MONOCONのアプローチ

MONOCONはAIに対抗するサービスではなく、AIを強くするために人にしかできないことを担うサービスです。具体的には以下の価値を提供します。

競争力のある新商流データの創出： 1000社を超える協力メーカーネットワークと80年以上の取引実績を通じて、デジタル化されていない中小企業の技術力・生産能力の情報を蓄積しています。どのAIプラットフォームにも載っていない「現場の知」です。

工法・技術の提案力： 冷間圧造・ダイカスト・MIM・焼結など最適な工法を提案。お客様と一緒に新しい製造方法を考案し特許取得につながったケースもあります。

人手がかかる領域のアウトソーシング： 不具合対応、納期改善、国際商流の複線化など、人の判断と交渉が不可欠な領域を専属コンシェルジュがチームで対応します。

DXは「人を減らす」ためではなく、「人の価値を高める」ために

調達部門のDXというと「人手を減らして効率化する」というイメージが先行しがちです。しかし本当に必要なDXは、定型業務をAIに任せることで、人が付加価値の高い業務に集中できる環境を作ることです。「AI見積もりを試したが量産に使えなかった」「DXを進めたいがどこから手をつけるべきかわからない」——そうしたお悩みも含めて、MONOCONへお気軽にご相談ください。