先に結論
図面が長年蓄積され、型式や部品名だけでは目的の資料を絞り込めない製造業では、画像や部品表から候補を探すAI検索を、熟練者への問い合わせを補う手段として検討できます。Kuken IndustriesはOpenAI APIを使った検索アプリで、交換部品の図面を見つける時間が約1時間から4.5分になったと報告しています。ただし、これは同社の事例であり、図面の特定や適合判断をAIだけに任せる根拠にはなりません。AIは候補探しを担い、適合は仕様と交換履歴で確かめる運用が出発点です。
GLOBAL AI BRIEF ・ COMPARISON
Kukenの検索アプリと開発中の図面審査ツールは、どこまで実証されているか？
- STEP 01図面検索アプリ候補図面を検索約1時間→4.5分の報告
- STEP 02年間工数の見込み検索時間を約90％削減Kukenの予測
- STEP 03図面審査ツール開発中の試作指摘の約90％が不一致見逃し率・本番効果は未確認
図面検索の時間が、修理判断の前に発生していた
本稿の問いは、過去の設計資料が大量に残る製造現場で、AI検索をどの業務から導入し、どこまで任せられるかです。対象読者は、保守・設計・生産技術の業務改善やAI導入を担う日本企業の担当者です。
OpenAIは2026年11月9日、空調・換気設備を製造する日本企業Kuken Industriesの事例を公表しました。同社は大型建築物や工場向けの設備を手がけ、OpenAIの紹介では日本の冷却塔市場で大きなシェアを持つ企業とされています。以下の成果や計画は、特記のない限りOpenAIの記事に掲載されたKuken側の説明です。
冷却塔の交換部品を選ぶには、現在の機器に合う過去の設計図を探す必要があります。Kukenによると、顧客や設置時期に応じて仕様が異なるため、部品名や型式で検索すると複数の図面が候補に上がることがありました。紙の記録を使っていた時期には、検索に半日かかる場合もあったとしています。
図面をデジタル化した後も、資料の保存場所や検索に使う名称・番号を知っていることが必要でした。経験の浅い技術者は、熟練者に探し方を尋ねたり、複数の情報をつなぎ合わせたりしていました。課題は紙を電子化することだけではなく、図面の内容と現場の機器を結び付ける手掛かりが、担当者の経験に偏っていたことです。
70年分の記録から、交換部品の候補を探す
KukenはAIスタートアップのRecursiveと検索システムおよび現場アプリを共同開発しました。OpenAIの紹介によると、チームは複数のAIモデルをさまざまな図面で試し、情報抽出の正確さとコストを比較したうえで、OpenAIのモデルとAPIを採用しました。候補モデルの評価条件や個別のスコアは、公開記事からは確認できません。
検索対象は、Kukenが保有する70年分の冷却塔関連図面です。利用者は図面番号や部品番号を入力できるほか、図面や部品表の画像・PDFをアプリへ渡せます。画面のスクリーンショットを貼り付け、一覧にある番号を一件ずつ入力せずに検索する使い方も紹介されています。
アプリは入力された番号を読み取り、似た設計を含む候補図面を返します。候補が出た後は、技術者が塔の仕様や過去の交換記録を確かめ、実際に適合する図面を選びます。したがって、この仕組みは図面の自動承認ではなく、資料の候補を探し出す検索支援として理解するのが適切です。
この分担は、顧客別・設置時期別に仕様が異なるという課題に対応しています。検索結果に似た図面が含まれても、それだけで交換部品の適合が確定するわけではありません。最終確認には、機器の仕様、設置情報、交換履歴を照合する作業が残ります。
4.5分という成果が示すこと、示さないこと
Kukenの技術者は、修理に使う交換部品の図面を見つけるまでの時間が、従来の約1時間から4.5分になったとOpenAIの記事で紹介されています。これは、個別の図面検索にかかる時間についての事例報告です。測定対象の件数、比較期間、検索担当者の経験差などの評価条件は、公開情報に記載されていません。
同社は、年間の図面検索に費やす時間を約90％削減できると見込んでいます。これは実績値ではなく、Kukenの予測です。4.5分という検索時間の報告と、年間工数削減の見込みは、事実の種類を分けて扱う必要があります。
現場では、検索時間を減らした結果、経験の浅い技術者がより幅広い仕事を自立して担当できるようになったとKukenは説明しています。熟練者は検索を案内する時間を減らし、後輩への指導や自分の技術業務に時間を使えるとしています。これらは同社が述べる運用上の変化であり、第三者が測定した能力向上や教育効果ではありません。
アプリ内で図面を確認できるため、印刷費の削減にもつながるとKukenは述べています。ただし、金額や削減率は示されていません。日本企業が経営効果を見積もるときは、検索時間の短縮と印刷費、再製作の回避、熟練者の支援時間を別々の指標として測る必要があります。
検索支援と図面審査は、別の成熟段階にある
Kukenは、パートナー企業が作成した図面を仕様書と照合するツールも開発中です。現状は技術者が図面を目視し、仕様や数量に不一致がないか確認しています。新しいツールは相違点を示し、見落としを減らしながら確認を速めることを目指しています。
この図面審査ツールは検索アプリと同じく、現場の作業を支援する方向ですが、公開時点では開発中です。Kukenによると、試作の検証ではAIが指摘した問題の約90％が実際の不一致でした。これは指摘のうち真の不一致だった割合として説明されており、図面審査全体の検出率や見逃し率を示す数値ではありません。
本番環境での利用や、確認時間の削減効果も公開記事では実証されていません。検索アプリの報告値と試作中の審査ツールの数値を一括して「AI導入の成果」と扱うと、導入成熟度を取り違えます。検索は利用事例、図面審査は試作段階として分けて評価する必要があります。
| 対象 | 公開情報で確認できる状態 | 報告された内容 | 導入判断で残る確認 |
|---|---|---|---|
| 図面検索アプリ | 利用・テストの成果として紹介 | 交換部品の図面検索が約1時間から4.5分 | 自社の検索対象、適合確認時間、誤候補の扱い |
| 年間検索工数 | Kukenの予測 | 検索時間を約90％削減する見込み | 年間検索件数と実測工数に基づく再計算 |
| 図面審査ツール | 開発中の試作 | AI指摘の約90％が真の不一致だったと説明 | 見逃し率、誤警報、対象図面、本番での再現性 |
図面に残る判断を、検索できる知識へ変える
Kukenが強調する目的は、古い図面をすばやく見つけることにとどまりません。個別の設備向けに技術者が下した設計判断を、次の世代が見つけて理解しやすくすることです。OpenAIの記事では、同社幹部が、製造業の技能を次世代へ引き継ぐ課題にAIが役立つ可能性を語っています。
ただし、検索できることと、判断の背景まで理解できることは同じではありません。図面だけでなく、変更理由、適用した設置条件、過去の交換記録が関連付けられているかは、この事例の公開情報から確認できません。資料が検索結果に出ても、設計意図の記録がなければ、後任者が判断を適切に再利用できない場合があります。
そのため、日本企業が同種の仕組みを検討する際は、AIモデルの性能に加えて、図面番号、機器の個体・設置時期、仕様書、交換履歴の関係をどの程度記録できているかを確かめる必要があります。これはKukenの公開成果として確認された条件ではなく、事例の仕組みから導く編集部の実務分析です。
日本企業は「検索候補」と「適合確認」を別々に試す
最初の対象には、検索頻度が高く、現行の確認手順を説明できる図面群が向きます。検索対象の範囲が明確なら、AIが見つけた候補と従来の検索結果を同じ案件で比較しやすくなります。一方、保管場所や図面の版が不明な状態では、検索精度の問題と資料管理の問題を切り分けにくくなります。
評価では、検索時間だけでなく、正しい図面が候補に含まれた割合、候補から適合図面を確定するまでの時間、熟練者へ問い合わせた回数、誤った候補を採用しかけた件数を記録します。Kukenが公表した4.5分は検索時間の報告であり、これらの指標すべてが改善したことを意味しません。
日本企業での実務判断として、検索結果を部品発注や設計変更へ直結させるのは、適合確認の工程と責任者を明確にした後にすべきです。図面の版管理や設備台帳が不十分な職場では、まず資料の識別情報と更新ルールを整え、AIを候補提示に限定して評価する方が、誤選択の原因を追いやすくなります。
入力する画像やPDFに顧客情報、設備固有の機密情報、第三者から受領した資料が含まれる場合は、利用権限、保管先、保持期間、モデルへ送るデータの範囲を事前に確認してください。OpenAIの紹介記事はKukenの構成を説明していますが、個別の契約条件、データ保持設定、機密情報の処理条件までは示していません。
導入可否を分ける確認項目
導入候補として前向きに評価できるのは、探すべき資料群を定められ、候補の正しさを熟練者が判定でき、検索時間と誤候補を同時に記録できる場合です。適合判定の責任者と誤候補の停止条件を先に定めることが、本番利用へ進む前提になります。
反対に、設備の仕様を照合する担当者がいない、図面の版や対象機器を識別できない、または誤った部品選定が安全や操業へ影響するのに承認手順がない場合、検索ツールだけを先行させるべきではありません。検索候補の表示は、部品の適合保証や修理作業の安全保証ではありません。
試行を始めるなら、検索対象と期間、従来手順、正解図面の判定者、検索時間の起点・終点、誤候補の記録方法を固定します。段階を分けて、第一に資料を探せるか、第二に候補から正しい図面を選べるか、第三に熟練者の支援時間や印刷費が変わったかを測ります。この順なら、検索性能と組織的な効果を混同しにくくなります。
よくある質問
Q. AIが返した図面を、そのまま交換部品の選定に使えますか？
A. この事例からは、AIが適合部品を自動で確定できるとは確認できません。Kukenのアプリは候補図面を返し、技術者が機器仕様や過去の交換記録を確認する仕組みとして紹介されています。自社でも、適合確認を終えるまで発注や作業指示へ進めない運用が必要です。
Q. 年間工数を90％削減できると見込んでよいですか？
A. 90％はKukenの見込みであり、他社で再現する保証でも、第三者が検証した成果でもありません。自社の年間検索件数、現在の平均時間、検索後の確認工数を計測し、検索と確認を含む総作業時間で評価してください。
Q. 図面審査ツールの「約90％」は、見逃しが約10％という意味ですか？
A. そうとは限りません。公開情報で説明されているのは、試作ツールが指摘した問題の約90％が実際の不一致だったという内容です。問題全体のうち何件を検出できたか、つまり見逃し率や再現率は確認できません。
Q. 検索の仕組みや評価結果を、自社で再現できますか？
A. 公開記事には、複数モデルを図面で試したことや、画像・PDF・番号を入力する操作が記載されています。しかし、使用モデルの詳細、評価データの規模、精度の測定方法、費用は示されていません。自社での再現性は未確認であり、実データを用いた限定評価が必要です。
出典・確認日・検証範囲
一次情報はOpenAIの公式事例記事「Kuken Industries searches 70 years of drawings in minutes」です。OpenAIは、同社のAPIを利用したKukenの取り組みを紹介しています。成果数値、開発中ツール、今後の見込みは、記事に掲載されたKuken側の説明として扱いました。
公開日：2026年11月9日。確認日：2026年11月10日。出典：OpenAI, Kuken Industries searches 70 years of drawings in minutes。
検証範囲：提示されたOpenAI公式記事の公開内容、構成説明、報告数値を確認しました。未検証範囲：第三者による成果確認、検索精度の測定条件、年間工数削減の実績、図面審査ツールの本番運用、導入・運用費用、契約上のデータ保持条件。更新条件：公式情報、提供条件、導入事例の数値に更新があった場合に再確認します。