製造業現場での AI 活用のリアル。ハマる罠とうまくいく実践知_すきやねんAzure

すきやねんAzure 2026/09/25 製造業現場での AI 活用のリアル。 ハマる罠とうまくいく実践知 登壇者 野村 宏樹 所属 KINTOテクノロジーズ株式会社 枠 15:10 – 15:40（30分） KINTO Technologies

自己紹介

CHAPTER 1 · SPEAKER 自己紹介 GROUP AI First TEAM AI Engineering MVP Microsoft MVP for Microsoft Foundry 略歴・バックグラウンド KINTOテクノロジーズ 野村 宏樹 HIROKI NOMURA しろくま 前職では、自動車制御設計領域への生成AI活用案件の開発リードを経験。 2025年8月にKINTOテクノロジーズ入社。AIファーストG所属。 KTCでは生成AIアプリエンジニアを従事。 販売店向けAIプロダクト、社内生成AIツール、生成AI研修、トヨタグループのAI活用の伴走支援などを実施 コアスキル / CORE STRENGTHS 技術スタック / TECH STACK 01 生成AIを含むプロダクト開発 Azure（インフラ・アプリ全般） Claude Code / GitHub Copilot Microsoft Agent Framework / LangChain 02 Azure Infra / PaaS 03 車両開発ドメイン知識

会社紹介

CHAPTER 1 KINTO テクノロジーズ株式会社について （グループ組織） トヨタ自動車株式会社 トヨタファイナンシャルサービス株式会社 海外販売金融会社 トヨタファイナンス 株式会社 世界40 以上の国と地域で サービスを展開 販売金融・クレジットカード など KINTOテクノロジーズ 株式会社 株式会社KINTO

CHAPTER 1 KINTO テクノロジーズ株式会社について （グループ組織） 室町オフィス 東京都中央区日本橋室町2-3-1 室町古河三井ビルディング（ Osaka Tech Lab COREDO 室町2） 大阪府大阪市北区梅田3丁目1番3号 ノースゲートビルディング 神保町オフィス 東京都千代田区神田錦町3丁目22 番地 テラススクエア Fukuoka Tech Lab 福岡県福岡市中央区大名2丁目6-50 福岡大名ガーデンシティ 名古屋オフィス 名古屋市中村区名駅4丁目8番18 号 名古屋三井ビルディング北館

CHAPTER 1 · COMPANY KINTOテクノロジーズについて トヨタグループのエンジニア内製組織 1 モビリティサービスの開発・運用 KINTOをはじめとするモビリティサービスを、自ら開発し運 用する。 2 トヨタグループ各社との協働 AI・クラウド領域で、グループ各社を支援する。 今日の話はこちら側。

CHAPTER 1 · OUR APPROACH AI活用の支援内容 エージェントや 仕組みを設計・構築

AI導入で起こりがちなこと

AIを使った組織やチームでの業務効率化、 価値は出ていますか？ ツールは入れたけどさ、、、みたいなことありません？

CHAPTER 2 · THREE TRAITS AI案件が普通のシステム導入と違う3つの性質 1 2 3 挙動が現場で決まる 非決定性 デモ→本番の崖 その現場のデータと業務の癖で挙動 が決まる。 同じ入力でも出力が揺れる。厄介な のは、間違った出力が 一見正しく見 える こと。静かに業務に紛れ込む。 デモは"うまくいく場面"のお膳立て。本 番では想定外の入力・膨らむコスト・運用 の手間・つなぎ込みが一気に来る。 ここには 組織の壁 もある

CHAPTER 2 · PATTERN 01 起こりがちなパターン① 求める価値が人によって違う そもそも何の価値を出すかが、組織で合意されていない。 例：「業務文書の作成を支援するエージェント」 何が起きるか 「書類を自動で生成してくれるんですよね」 LLMは柔軟すぎて「何でもできそう」に見える 人ごとに違う期待を背負い込む 期待値とズレた瞬間、 使われなくなる 「多角的にレビューしてくれるんですよね」

CHAPTER 2 · PATTERN 02 起こりがちなパターン② 業務を変えずに、AIだけを乗せる 既存の業務を変えていないから、組織の数字が変わらない。 既存のフロー・帳票・承認手順（そのまま） 何が起きるか 「AIを入れたのに、楽にならない」 個人がAIを使う分には速くなった気がする その上にAIを乗せる 出力を人が全部チェック ＝ 二重作業 業務全体のリードタイムは1日も縮まらない

CHAPTER 2 · PATTERN 03 起こりがちなパターン③ 立派なAI基盤から作り始める 価値が出る前に、一番大きなコストを払ってしまう。 「全社で使うから、まず立派な共通基盤を」 何が起きるか 出来上がる頃には、現場の使い勝手や最新のAI活用方法と 異なってしまい、敬遠される 現場は先に別の道具を使い始める 管理外のエージェントが乱立、ガバナンスが効かない 立派な共通基盤ができたときに、代表するユースケースがな く使われない。（例：データレイヤー先行）

「AIを作る」から「業務を動かす」へ

CHAPTER 3 · REFRAME 発想の転換 —「AIを作る」から「業務を動かすシステムの設計」へ 欲しいのは業務の効率化。AIエージェントは、その部品の1つ。 賢いチャットを作る → 業務を動かすシステムを設計する モデルの精度を追いかける → 責任分界と成功の基準を定義する → 改善のループで育てていく PoCで精度を判定して終わり ＝ループエンジニアリング

CHAPTER 3 · THE MAP 進め方の型 AI導入計画時、構築時、運用時 それぞれのフェーズでの考え方と便利ツールを活用 Q1 Q2 Q3 Q4 本当に やるべきか 何を 作るか どう 作るか どう運用・改善し続けるか AsIs＆ToBe業務フロー 人とAIの協働設計 AI導入ROI PRD AIとツールの分担設計 評価セット 資産化・横展開

CHAPTER 3 · IN PRACTICE AT KTC 実践例 KTCが実践しているAIエージェント導入時のノウハウ 01 02 03 もの情作成AI 現場ナレッジ 継続運用 AIエージェント 評価 現場の業務をヒアリングしてフロー図に 起こす作業をSkill化。第1章の「業務フロ ーの整理」はこれで回る。 AIのためのナレッジは最初に作って終わ りだと腐る。利用中の「情報不足」や会議 結果を踏まえた新たな情報をナレッジに 反映する、継続的なナレッジ運用 正しさだけでなく、途中でどのツールを どう使ったかという「ふるまい」を評価し 、エージェント、ツール、ナレッジの改善に つなげる。

CHAPTER 3 · IN PRACTICE AT KTC 実践例 KTCが実践しているAIエージェント導入時のノウハウ 01 02 03 もの情作成AI 現場ナレッジ 継続運用 AIエージェント 評価 現場の業務をヒアリングしてフロー図に 起こす作業をSkill化。第1章の「業務フロ ーの整理」はこれで回る。 AIのためのナレッジは最初に作って終わ りだと腐る。利用中の「情報不足」や会議 結果を踏まえた新たな情報をナレッジに 反映する、継続的なナレッジ運用 正しさだけでなく、途中でどのツールを どう使ったかという「ふるまい」を評価し 、エージェント、ツール、ナレッジの改善に つなげる。

CHAPTER 3 · IN PRACTICE AT KTC 事例①：もの情AI （ものと情報の流れ図） AIと人との協働のために、AIエージェントを含めた業務フローを設計すべき 業務設計に AIエージェントも含める

CHAPTER 3 · IN PRACTICE AT KTC 実践例 KTCが実践しているAIエージェント導入時のノウハウ 01 02 03 もの情作成AI 現場ナレッジ 継続運用 AIエージェント 評価 現場の業務をヒアリングしてフロー図に 起こす作業をSkill化。第1章の「業務フロ ーの整理」はこれで回る。 AIのためのナレッジは最初に作って終わ りだと腐る。利用中の「情報不足」や会議 結果を踏まえた新たな情報をナレッジに 反映する、継続的なナレッジ運用 正しさだけでなく、途中でどのツールを どう使ったかという「ふるまい」を評価し 、エージェント、ツール、ナレッジの改善に つなげる。

CHAPTER 3 · IN PRACTICE AT KTC 事例②：業務とともに継続改善できるナレッジのメンテナンスAI AIと人との協働のために、AIエージェントを含めた業務フローを設計すべき

CHAPTER 3 · IN PRACTICE AT KTC 実践例 KTCが実践しているAIエージェント導入時のノウハウ 01 02 03 もの情作成AI 現場ナレッジ 継続運用 AIエージェント 評価 現場の業務をヒアリングしてフロー図に 起こす作業をSkill化。第1章の「業務フロ ーの整理」はこれで回る。 AIのためのナレッジは最初に作って終わ りだと腐る。利用中の「情報不足」や会議 結果を踏まえた新たな情報をナレッジに 反映する、継続的なナレッジ運用 正しさだけでなく、途中でどのツールを どう使ったかという「ふるまい」を評価し 、エージェント、ツール、ナレッジの改善に つなげる。

CHAPTER 3 · IN PRACTICE AT KTC 事例③：業務とともに継続改善できるAIエージェントの評価と改善 AIと人との協働のために、AIエージェントを含めた業務フローを設計すべき

CHAPTER 3 · LOOP ENGINEERING 共通している考え方は、、、

CHAPTER 3 · LOOP ENGINEERING バズワードになってた ループエンジニアリング ↓ 難しそうなよくわからない名称がついているが、 やっていることは今までと変わらない。

CHAPTER 3 · LOOP ENGINEERING ループエンジニアリングを業務活用エージェントに当てはめると 品質を上げる × 仕組み改善のループ＝学びを蓄積し、エージェントを継続運用する

CHAPTER 3 · LOOP ENGINEERING 人とAIの協働で回す ナレッジデータの継続的なメンテナンス

CHAPTER 3 · LOOP ENGINEERING さらに拡張した、業務デジタルツインの運用を行い始めました。

CHAPTER 3 · LOOP ENGINEERING 人とAIの協働で回す ナレッジデータの継続的なメンテナンス やっていることはWorkIQの再発明だった！？ 自前で作りこまなくても済むのがWorkIQでした、、 ※Work IQ API（6/16 GA）の課金は Copilot Credits の従量制

CHAPTER 3 · LOOP ENGINEERING 人とAIの協働で回す ナレッジデータの継続的なメンテナンス M365の中にある文脈はWork IQに任せ、 自分たちはデータになりづらい、 • 現場暗黙知の抽出と • データの健全性 集中したい

お知らせ

お知らせ

ご清聴ありがとうございました