「AIって、結局うちみたいな工場には関係ないですよね」
以前、品質管理の会議で若手のリーダーから言われた言葉です。彼が思い浮かべていたのは、ラインの端に取り付ける高額な画像検査装置や、ロボットアームが自動で仕分けをする映像だったと思います。何千万円もする設備投資の話だと思えば、「うちには関係ない」となるのも無理はありません。
私は食品工場で品質管理を担当している管理職です。ISO 9001の運用、外国人スタッフの教育、日々の会議や報告書づくりなど、現場と事務所を行き来しながら仕事をしています。プログラミングの経験も、情報システム部門にいた経験もない、ごく普通の非エンジニアです。
そんな私が今、毎日のように使っているAIは、何千万円もする検査装置ではありません。パソコンのブラウザで開く生成AIのチャット画面です。会議のメモを整理してもらったり、報告書の下書きを作ってもらったり、教育資料のたたき台を出してもらったり。金額でいえば、月に数千円のプランで十分でした。
正直に書くと、最初はうまくいかないことのほうが多かったです。あいまいな指示を出して当たり障りのない一般論しか返ってこなかったり、現場のデータを渡さずに聞いて見当違いの提案をされたり。それでも小さく試して、失敗して、直してを繰り返しているうちに、「これは確実に楽になった」と言える場面が増えてきました。
この記事では、私が実際に試した3つの活用事例と、うまくいかなかった活用、そして食品工場特有の情報の扱い方まで、包み隠さず書きます。高額な設備投資の話ではなく、今日から自分のパソコンで始められる話です。
工場のAI活用は「高額な画像検査装置」だけではない
工場のAI活用というキーワードで検索すると、出てくるのは異物混入を検知する画像検査、需要予測による自動発注、ロボットによる搬送の自動化といった大規模な事例がほとんどです。共通しているのは「導入には数百万円から数千万円の投資が必要」「専門のベンダーとの契約が前提」という点で、中小規模の食品工場で管理職が独断で始められる話ではありません。
ただ、ひとくちに「AI」といっても、実はいくつかの種類があります。
先ほど挙げた画像検査装置や需要予測は、多くの場合「従来型AI」と呼ばれる仕組みです。特定のタスクのために大量のデータで学習させた専門特化型のシステムで、精度は高い一方、導入や運用には専門知識と投資が必要になります。
一方、私が日常的に使っているのは「生成AI」です。文章や画像を新しく作り出せるタイプのAIで、ChatGPTやClaude、Geminiといったチャット形式のサービスが代表的です。月額数千円、あるいは無料の範囲でも十分に試せますし、話しかけるように文章で指示を出すだけで使えます。
もうひとつ、「RPA」という言葉もよく出てきます。パソコン上の定型作業を、あらかじめ決めた手順どおりに正確に繰り返してくれる仕組みで、生成AIとは性質が違います。
管理職である私たちが今日から扱えるのは、この中では圧倒的に「生成AI」です。専門部署を通さなくても、パソコンとブラウザさえあれば触れます。この記事で紹介する事例も、すべて生成AIによるものです。
一方で、AIを使わないほうがよい課題もあります。食品の安全に直結する判断（賞味期限の設定、アレルゲン表示の最終確認、HACCPの基準値の決定など）は、AIに任せてよい領域ではありません。これは後の章で詳しく書きますが、先にはっきりさせておきます。AIは「調べものと下書きを手伝ってくれる優秀な部下」であって、「最終判断をする責任者」ではありません。
食品工場の管理職である私がAIを試した背景
私がAIを触り始めたきっかけは、目新しさへの興味ではありませんでした。単純に、日々の業務が回らなくなりかけていたからです。
食品工場の現場には、独特の事情がいくつかあります。人手不足で外国人スタッフに支えてもらう工程が増え、ISO 9001の運用では記録・チェックリスト・是正報告書といった書類が絶えず発生します。新しく入ったスタッフ、特に日本語が母語でないスタッフには作業手順や衛生ルールを丁寧に教える必要があり、「あの人にしかできない」という属人化も、あちこちの工程に残っていました。
これらはどれも、一つひとつは小さな負担です。でも積み重なると、管理職の時間を静かに食いつぶしていきます。気づけば、会議のメモを整理するだけで小一時間、報告書の言い回しを考えるだけで小一時間、という日が続いていました。
情報システム部門に「AIを導入してほしい」と要望を出す発想もありました。でも、うちのような規模の工場では、そもそも情報システム部門が独立して存在しないことのほうが多く、あったとしても稟議を通すだけで何ヶ月もかかりそうでした。
そこで私は、現場主導で、自分の担当業務の範囲から小さく始めることにしました。会社として大きな投資判断をする前に、まず自分ひとりが日常的に使う場面で試してみる。うまくいったら周りに共有する、うまくいかなければ静かにやめる。それくらいの気軽さで始めたのが、今につながっています。
以前、Excelの有給管理台帳をAIと一緒に自動化した話を記事に書きました。紙で100人分の有給を管理していたところから、2回の設計やり直しを経て、ボタン2つで更新できる仕組みになるまでの記録です。あの取り組みも、最初は「自分の担当業務だから、まず自分で試してみよう」という小さな一歩から始まっています。
実践事例1：日報・会議・報告書作成の時間を減らす
最初に試したのは、もっとも地味で、もっとも毎日発生する業務でした。会議の議事録づくりと、報告書の下書きです。
工場の会議は、決まって話がいろいろな方向に飛びます。品質の話をしていたはずが人員配置の話になり、また品質の話に戻る。録音や手書きのメモを整理して「誰が」「何を」「いつまでに」やるのかという形にまとめ直すのは、想像以上に時間がかかる作業でした。
そこで、会議の音声を文字起こししたテキストや箇条書きのメモを、NotebookLM（ノートブックエルエム）やGem（ジェム、Googleのカスタムアシスタント機能）に読み込ませて、「決定事項」「持ち越しになった論点」「次回までのタスクと担当者」に整理してもらうようにしました。人間がやると30分から1時間かかっていた作業が、確認と手直しだけで済むようになっています。
報告書についても同じです。月次の品質報告や上司への状況報告は、書き出しの一文が決まらないだけで手が止まることがよくありました。要点を箇条書きでAIに渡し、「工場の管理職が上司に提出する報告書の文体で、丁寧語でまとめてほしい」と指示すると、たたき台が出てきます。もちろんそのまま提出はせず、数字の間違いや社内の言い回しに合っているかを自分の目で確認したうえで仕上げます。
この一連の取り組みは、実際に連載記事として8回にわたって書きました。NotebookLMとGemを使って、議事録整理や文書要約をどう業務に組み込んでいったかを、試行錯誤も含めて公開しています。もう少し詳しい学び直しの過程は、40代非エンジニアの生成AI学び直しの記事にまとめていますので、興味のある方は合わせて読んでみてください。
会議や報告書にどれだけの時間が浮いたかは、業務全体の中できっちり切り分けて計測できていないのが正直なところです。ただ体感としては、「手が止まる時間」がはっきり減った実感があります。ゼロから書き始めるのと、たたき台を直すのとでは心理的な負担がまったく違います。
実践事例2：教育資料と作業手順のたたき台を作る
工場の管理職にとって、教育資料づくりは避けて通れない仕事です。特にうちの工場のように外国人スタッフの割合が増えてくると、日本語の教育資料をそのまま渡すだけでは伝わらない場面が出てきます。
これまでは、ベテランの担当者が経験と勘で「なんとなく」教えていた作業も少なくありませんでした。口頭で見せながら教える方法は教える側の負担が大きいうえ、教え方が人によってばらつく、属人化の典型例です。
そこで、作業手順を言葉にする最初の一歩を、AIに手伝ってもらうことにしました。現場で実際にやっている手順を箇条書きでメモし、「初めて工場で働く人にも分かるように、専門用語には簡単な説明を添えて手順書の形に整えてほしい」と指示すると、抜け漏れのない構成のたたき台が返ってきます。
特に助かったのは、外国人スタッフ向けに文章を調整するときです。難しい漢字や専門用語を避けてやさしい日本語に言い換えてほしいと頼むと、意図が伝わりやすい表現に直してくれます。もちろんこれはあくまで下書きで、実際の作業内容や安全上の注意点は必ず現場の担当者と一緒に確認します。衛生管理や機械の取り扱いに関わる部分は、文章だけでなく実演も併用しないと正確には伝わりません。
ISO 9001の内部監査で使うチェックリストも、同じ考え方で作りました。監査の観点をAIに壁打ちしてもらいながら、抜けがちな項目（記録の保存期限、是正処置のフォローアップなど）を洗い出し、チェックリストとキットの形にまとめています。ゼロから項目を考えるのではなく、まず一通りの案を出してもらい自分の知識と経験でふるいにかける使い方です。
AIが作るのは、あくまで「たたき台」です。手順書やチェックリストが正しいかを判断するのは、これまでと変わらず人間の役割です。白紙から書き始める負担がなくなっただけで、教育資料の整備にかけられる時間の総量は増えました。
実践事例3：改善提案とトラブル分析の支援
3つ目の事例は、少し毛色が違います。現場で起きたトラブルの原因分析や、改善提案の論点整理です。
品質管理の仕事をしていると、「なぜなぜ分析」という手法をよく使います。トラブルが起きたときに「なぜそれが起きたのか」を何度も掘り下げ、根本的な原因にたどり着こうとする手法ですが、実際にやってみると途中で思考が浅いところで止まったり、同じ論点をぐるぐる回ったりすることがよくあります。
そこで、起きた事象とそれまでに分かっている事実（いつ、どこで、誰が、どんな状況で）をAIに渡し、「考えられる原因の切り口を、複数の角度から出してほしい」と頼むようにしました。人員配置、設備、手順、教育など、自分ひとりでは思いつきにくい切り口を提示してくれることがあります。
大事なのは、AIが出してきた原因の候補をそのまま結論として採用しないことです。AIは工場の現場を実際に見ているわけではないので、事実と違う推測を混ぜてくることがあります。あくまで「論点の壁打ち相手」として使い、実際にその原因が正しいかは現場を見て自分たちで検証します。この使い方をしてから、なぜなぜ分析の初動が早くなり、「何から確認すればいいか分からない」という停滞が減りました。
改善提案の場面でも似た使い方をしています。現場から出てきたアイデアの断片を、実行可能な提案書の形に整えてもらう。効果やコストの見積もりまでは任せませんが、提案の構成や書き方を整えるだけでも、現場の担当者が提案を出しやすくなると感じています。
うまくいかなかったAI活用
ここまで、うまくいった話を中心に書きました。ただ、実際にはうまくいかなかった場面のほうが、最初は多かったです。正直に書きます。
一番よくある失敗は、指示があいまいなまま丸投げしてしまうことでした。「うちの工場の業務改善のアイデアを出して」とだけ頼むと、「コミュニケーションを活性化させましょう」といった教科書に載っているような一般論しか返ってきません。具体的な状況や制約を渡さない限り、AIは当たり障りのない答えしか出せないのだと痛感しました。
もうひとつの失敗は、現場のデータを渡さずに聞いたことによる誤った提案です。ある工程の停止時間を減らしたいと相談したとき、実際の稼働状況や設備の制約を伝えずに聞くと、うちの予算や人員体制では現実的でない提案が返ってきたことがあります。渡された情報の範囲でしか考えられないので、情報を渡さなければ、もっともらしく見えるだけの空論になります。
また、食品工場ならではの注意点として、専門的な数値をAIにそのまま生成させようとして危うい場面もありました。衛生管理の基準値や加熱条件の数値を尋ねると、それらしい数値が返ってきますが、実在する法定基準や社内規定と一致しているとは限りません。もっともらしい嘘、いわゆるハルシネーションが混ざるリスクが、この種の数値には特に高いと感じています。
これらの失敗から学んだのは、AIの精度は「渡す情報の質と量」に強く依存するということです。丸投げするほど答えは薄くなり、状況や制約を具体的に伝えるほど実務に使える提案が返ってきやすくなります。実際にやってみるまで、その差の大きさに気づけませんでした。
機密情報・食品安全を守る運用ルール
食品工場でAIを使ううえで、避けて通れないのが情報の扱い方です。ここを曖昧にしたまま便利さだけを追いかけると、思わぬところで会社に迷惑をかけることになります。私が実際に守っているルールを書きます。
まず、AIのチャットに入力してはいけない情報を明確に線引きしています。従業員の氏名や個人番号などの個人情報、取引先や仕入れ先の名称、レシピや配合といった機密性の高い技術情報、システムのパスワードやAPIキーのような認証情報です。これらは相手が信頼できるAIサービスであっても一切貼り付けず、相談したいときは固有名詞を伏せて「A社」「Bという工程」のように抽象化してから聞きます。
次に、AIに任せる範囲と人間が最終確認する範囲を分けています。前の章でも触れましたが、HACCPの基準値や賞味期限の設定、アレルゲン表示のような食品安全・法令に直結する判断は、AIだけで完結させません。調べものや論点整理を手伝ってもらうことはあっても、最終的な数値や判断は必ず社内の基準や保健所・専門機関への確認をもって決定します。AIが出してきた「それらしい基準値」を鵜呑みにしないことが何より大事です。
もうひとつ意識しているのは、上司への事前説明です。AIを業務に使い始める前に「こういう目的で、こういう範囲で使う」「機密情報は入力しない」ことを説明しておきました。現場が勝手にツールを使い始めて後から問題が発覚するのが一番まずいパターンなので、事前に了承を得たうえで進めます。
これらのルールは特別に難しいものではありません。「何を入力してよくて、何を入力してはいけないか」「どこまでをAIに任せて、どこからを人間が判断するか」を最初に決めておくこと。この2つを守るだけで、リスクの多くはコントロールできると感じています。
AI化する業務を選ぶ5つの基準
いろいろな業務でAIを試してきて、「これはAIに向いている」「これはAIに向いていない」という感覚が、だんだん自分の中で言語化できるようになってきました。今の私が、新しい業務にAIを使うかどうかを判断するときの基準は、次の5つです。
- 頻度が高い業務か：週に1回以下しか発生しない業務は、AIに任せる仕組みを整える手間のほうが大きくなりがちです。
- 時間を測定できる業務か：「なんとなく楽になった気がする」だけでは、改善したかを判断できません。
- 正解を人が確認できる業務か：AIが出した答えの正誤を自分や現場の担当者が確認できること。確認できない領域では、間違いに気づけないまま進んでしまいます。
- 製品安全に直結しない業務か：食品の安全や品質に直結する最終判断は、AIに任せる範囲から外し、下調べや下書きの領域にとどめます。
- 元に戻せる業務か：うまくいかなかったと分かったときに、いつでも元のやり方に戻せること。後戻りできない仕組みに、いきなりAIを組み込むのはリスクが高すぎます。
この5つの基準に照らすと、日報・議事録整理、報告書の下書き、教育資料のたたき台、なぜなぜ分析の論点出しはどれも当てはまります。逆に、HACCPの基準値の決定や最終出荷判断のような業務は、最初からAI化の対象から外しています。
非エンジニア管理職が30日で始める実証手順
最後に、これからAIを試してみたいという管理職の方向けに、私が実際に踏んだ手順を30日を目安にまとめます。特別な準備は要りません。
1週目は、自分の業務の棚卸しです。今の業務を1週間分書き出して、「頻度が高く」「時間がかかっていて」「AIに任せても安全そうな」業務を1つか2つに絞り込みます。欲張って同時に試そうとすると、どれも中途半端になります。
2週目は、絞り込んだ業務で実際にAIチャットを使い始めます。会議のメモや報告書のたたき台など、機密情報を含まない範囲から試します。最初はうまくいかなくて当然で、指示の出し方を変えながら少しずつコツをつかんでいきます。
3週目は、上司への共有と社内ルールの確認です。手応えが見えてきた段階で「こういう業務でAIを試している」「こういう情報は入力しないようにしている」ことを伝えます。会社としてのルールがすでにあるならそれに従い、まだないなら「入力してはいけない情報」の線引きを自分の中で明確にしておきます。
4週目は、続けるかどうかの判断と周囲への共有です。1ヶ月試して時間が浮いたか、負担が減ったかを振り返り、効果を感じた業務は続け、そうでない業務はやめる。うまくいった使い方は、同じ悩みを抱えていそうな同僚にも共有してみます。
大がかりな導入計画も、稟議も、専門部署との調整も、この30日には出てきません。必要なのは、パソコンと、生成AIのアカウントと、自分の業務を1つ選ぶ判断力だけです。高額な検査装置の導入は会社の大きな投資判断として進めればよい話で、管理職が今日から始められるのは、もっと足元の、地味だけれど確実に積み重なる工夫のほうだと感じています。
読んでいるあなたの職場にも、「毎回同じことに時間を取られている」業務が、きっと一つや二つあるはずです。まずはその一つから、小さく試してみてください。