プロジェクト概要

精密部品を多品種少量で受注生産する中堅製造業 (年商 50 億規模) から、受注見積もり業務の自動化を目的に仕組みづくりを請けました。1 件の見積もりに含まれる部品点数が多く、図面と仕様書を読み解いて加工工程・材料・工数を積み上げる作業が、特定のベテラン見積担当に集中していたのが出発点です。

この会社の見積もりは、単なる単価計算ではありません。「この形状なら 5 軸加工が要る」「この公差なら検査工程を追加する」といった判断が、図面を見た瞬間にベテランの頭の中で走ります。その判断こそが受注の利益率を左右する一次情報であり、若手には簡単に引き継げない暗黙知でした。属人化を放置すれば、繁忙期の積み残しと担当者の退職リスクが、そのまま受注機会の損失に直結します。

私たちはこの案件を「AI で見積もりを全自動化する」プロジェクトとは捉えませんでした。ベテランの判断を AI が言語化・再現し、人間が最終承認する協調型の仕組みとして設計しています。

業務上の課題

着手前のヒアリングと業務観察で、課題は大きく 4 つに整理できました。

  • 見積もりがベテラン 2 名にほぼ依存していました。この 2 名が休むと見積もりが止まり、若手が引き継ごうにも判断基準が文書化されていませんでした。
  • 見積リードタイムが長く、引き合いから回答まで平均 3 営業日かかっていました。短納期案件では「回答が間に合わず失注」が常態化していました。
  • 図面から拾った寸法や数量を表計算ソフトへ手入力する過程で桁を間違え、受注後に赤字が発覚する転記ミスが年に数件ありました。
  • 引き合いが集中する繁忙期はベテランの処理能力が飽和し、回答待ちの案件が滞留していました。

いずれも「人を増やせば解決する」課題に見えますが、肝心の判断ができる人材の採用と育成には年単位の時間がかかります。だからこそ、ベテランの暗黙知をどう仕組みに移すかが本質的な論点でした。

アプローチ1: 過去見積データと図面・仕様書を AI で構造化

最初に着手したのは、過去 5 年分の見積データ (約 8,000 件) と、それに紐づく図面 PDF・仕様書の構造化です。見積もりの根拠は、つまるところ「どの図面のどの特徴が、どの工程・コストにつながったか」の対応関係に集約されます。この対応関係を機械が扱える形に変換しなければ、AI は何も学べません。

具体的には、図面 PDF からタイトルブロック (品番・材質・数量・公差等級) を抽出し、過去見積の明細 (加工工程・段取り時間・材料費・外注費) と突き合わせて、1 件ずつ構造化データに落とし込みました。図面は手書き寸法の追記や古いスキャン品質のものも混在していたため、OCR だけでは精度が出ません。そこでマルチモーダルに図面画像を読ませ、抽出結果を過去明細とクロスチェックして矛盾を検出する処理を組みました。

この工程で得られたのは、見積データ以上のものでした。「同じ材質・同じ形状なのに、ある時期から段取り時間が長く計上されている」といった、人間が無意識に行っていた補正ルールが浮かび上がってきたのです。ベテランへのヒアリングで「設備更新で治具が変わった時期」と判明し、これも構造化データの属性として取り込みました。暗黙知の言語化は、このデータ整備の過程そのものから始まっています。

アプローチ2: 見積根拠を自動生成し人間が最終承認する協調設計

構造化データを土台に、新規の引き合い図面を入力すると見積根拠を自動生成するエンジンを設計しました。ここで一貫して守ったのは、AI が出すのは「金額」ではなく「根拠」だという原則です。

エンジンは図面を読み込むと、類似する過去案件を検索し、加工工程の構成・想定段取り時間・材料区分・必要な検査工程を、それぞれ「なぜそう判断したか」のコメント付きで提示します。たとえば「公差 ±0.01 のため研削工程を追加 (類似案件 No.4821 を参照)」のように、根拠と参照元をセットで出すのが特徴です。見積担当はこの根拠を画面上で確認し、納得すれば承認、違和感があれば工程や時間を修正します。

flowchart LR
  D["引き合い図面・仕様書"]
  P["特徴抽出 Node"]
  S["類似案件検索 Node"]
  G["見積根拠生成 Node"]
  R["人間レビュー画面"]
  A["承認・基幹登録"]

  D --> P --> S --> G --> R
  R -- 修正あり --> G
  R -- 承認 --> A

人間が修正した内容は、次回以降の判断材料として蓄積されます。修正の傾向を定期的に分析し、AI の生成ロジックへ反映する運用にしているため、使うほど人間の介入が減っていく構造です。承認ラインを残したことで、見積担当は「ゼロから積み上げる人」から「根拠を吟味して判断する人」へ役割が変わり、若手でも一定の品質で見積もりを出せるようになりました。

承認フローをどこまで AI に任せ、どこで人間が止めるかという線引きは、AI エージェントを業務に組み込む際の共通論点でもあります。私たちが別案件で扱った運用自動化の事例は 顧客対応オペレーションを AI エージェントで自動化した事例 でも詳しく紹介しています。

アプローチ3: 基幹システム連携と精度の継続評価ハーネス

仕組みが現場で使われ続けるには、既存の業務フローに無理なく溶け込む必要があります。この会社では受注管理・原価管理に基幹システム (生産管理パッケージ) を使っていたため、承認済みの見積もりをそのまま基幹側へ登録できるよう連携を組みました。見積担当が別画面に二重入力する手間をなくし、転記ミスの発生余地を構造的に潰すのが狙いです。連携は基幹側の API とバッチ取り込み仕様に合わせ、夜間に差分同期する設計にしています。

もう 1 つ重視したのが、精度の継続評価です。AI の見積根拠が実態とどれだけ合っているかは、運用を続けるほど少しずつずれていきます。材料価格の変動、設備の更新、扱う部品形状の変化など、現場は止まらないからです。そこで、新規見積もりのうちサンプルを抽出し、最終承認額と AI 初期提案額の乖離率、参照した類似案件の妥当性、追加・削除された工程の傾向をスコア化する評価ハーネスを Claude Code で構築しました。週次でスコアを確認し、乖離が大きいパターンが増えたら生成ロジックや参照データを見直します。

この評価ハーネスはモデルに依存しない設計です。将来 AI モデルを差し替えても、同じ評価軸で品質を比較できるため、モデル更新のたびに作り直す必要がありません。評価の仕組みづくりは AI エージェント開発・運用設計サービス の中核として、どの案件でも最初に固める部分です。

工数・品質の実数値

導入前と導入 12 週後の主要指標を比較します。数値はクライアント合意のもと、相対値・レンジで公開しています。

指標導入前導入 12 週後
見積もり 1 件あたりの作業工数100 (基準)約 30
見積リードタイム平均 3 営業日平均 0.5 営業日
転記ミスに起因する手戻り年 数件ほぼゼロ
ベテラン 2 名への依存度高 (実質専任)若手でも一次対応可
繁忙期の見積積み残し常態化解消

見積もり 1 件あたりの作業工数はおよそ 70% 削減され、見積リードタイムは 3 営業日から半日へ短縮しました。短納期の引き合いに即日回答できるようになったことで、これまで取りこぼしていた案件の受注機会が広がっています。

ここで強調しておきたいのは、工数削減そのものより、見積担当の役割が変わった点です。ベテランは個別交渉や難案件の判断という、本来時間を割くべき業務へ集中できるようになりました。若手は根拠を吟味する過程でベテランの判断基準を学べるため、育成の場としても機能しています。

学びと再利用可能なナレッジ

この案件から得られた、他の製造業 DX にも応用できる学びを整理します。

最大の発見は、暗黙知の言語化はデータ整備の過程で自然に進むということです。「ベテランの頭の中を聞き取って文書化しよう」と正面から取り組むと、本人も意識していない判断は出てきません。一方で、過去データを構造化して矛盾や例外を AI に検出させ、それをベテランに問い返す形にすると、「ああ、それは設備が変わったからだ」と判断の背景が言葉になって出てきます。AI を業務分析の道具として使う価値はここにあります。

もう 1 つは、人間承認ラインの設計が仕組みの寿命を決めるということです。見積もりのような利益直結の業務で完全自動化を急ぐと、例外案件で大きな損失を出し、現場の信頼を一度で失います。最終判断を人間に残し、その判断を学習に回す協調設計にしたからこそ、現場が安心して使い続けられる仕組みになりました。

ありがちな落とし穴

製造業の見積もり自動化で、私たちが意識的に避けた落とし穴を共有します。

1 つ目は、完全自動化率を KPI に置いてしまうことです。自動化率を追うと、AI が自信のない案件まで無理に金額を出し、利益率を読み違えます。私たちは「承認時の修正率」と「リードタイム」を主要 KPI に置き、AI が迷う案件は素直に人間へ渡す動機を仕組みに埋め込みました。自動化率はあくまで結果として後からついてくる数字です。

2 つ目は、データ整備の運用を設計しないことです。導入直後は精度が出ても、材料価格や工程が変われば参照データは古くなります。新しい確定見積もりを参照データへ取り込む流れと、評価ハーネスでの定期チェックを最初から運用に組み込まないと、半年後には精度が静かに落ちていきます。仕組みは作って終わりではなく、回し続けて初めて資産になります。

3 つ目は、現場の業務フローを無視して新しい画面を増やすことです。見積担当が既存の基幹システムと AI 画面を行き来して二重入力するようでは、かえって工数が増えます。既存システムへの連携を含めて 1 つの流れにすることが、現場に定着させる前提条件でした。

製造業に限らず、AI を実プロジェクトへ組み込む進め方は AI 駆動開発サービス でも体系的に整理しています。

よくある質問

Q. 製造業の見積もり自動化の費用感は？

A. 本案件相当 (図面・仕様書の構造化、見積エンジン設計、基幹システム連携、評価ハーネス構築) で 8 週間、おおむね 600 万〜1000 万円が目安です (税抜)。過去見積データの量と図面の状態、連携する基幹システムの仕様によって変動します。まずは引き合い件数と現状の業務フローを伺ったうえで、ご相談内容に応じたお見積もりを出します。

Q. 既存の基幹システムや生産管理パッケージと連携できますか？

A. はい。本案件でも生産管理パッケージと API・バッチ取り込みで連携しています。API が用意されていない古いシステムでも、CSV 連携や中間データベースを介した同期で対応できるケースが多いです。連携可否は既存システムの仕様を確認したうえで、移行リスクの小さい方式を提案します。

Q. AI モデルが新しくなったら作り直しになりますか？

A. いいえ。データ構造化の仕組みと見積根拠の生成ロジック、精度の評価ハーネスはいずれもモデルに依存しない設計にしています。AI モデルを差し替えても同じ評価軸で品質を比較できるため、プロンプトの最終調整だけで移行が完了します。特定ベンダーのモデルにロックインされない設計を最初から前提にしています。

製造業の見積もりや帳票まわりの業務自動化をご検討中なら、AI 駆動開発の無料相談で現状の業務フローを伺うところから始められます。属人化した判断業務をどこまで仕組みに移せるか、具体的な進め方を お問い合わせフォーム からご相談ください。