製造業向けAI・AIエージェントソリューション｜生産データ分析からPhysical AIまで
工場に眠るデータと現場知を、AIエージェントが理解できる状態に変える。
設備ログや検査記録だけでなく、熟練者の判断基準や例外対応、作業手順といった現場知までAIエージェントが参照できる状態（AI Ready化）にすることで、AIが現場のデータを分析し、異常や不具合の原因を推論し、対応を提案する----そして必要な場面では、その判断をPhysical AIによる実行にまでつなげていく。
ヘッドウォータースは、この「人とAIエージェントが共に現場を高度化する」体制づくりを、生産データ分析から一歩ずつ支援します。
01 -- 製造業におけるAI活用の課題
現場の悩みは、
4つに集約されます。
生産計画が崩れる。 予期しない設備停止は、その後の生産計画・納期・追加コストに連鎖します。停止が起きるたびに生産技術・保全担当者が現場に張り付き、原因調査のために過去のログや日報を手作業で洗い直す、という対応が繰り返されがちです。
停止してから原因を調べるのではなく、予兆の段階で気づける仕組みへ切り替えることが、生産計画への影響を最小化する鍵になります。
なぜ起きるか分からない。 不良の原因を過去の記録から探すのに時間がかかり、原因究明そのものが属人的な経験に依存しがちです。
検査要領書や測定データが紙・帳票ベースのまま残っている現場では、類似の不良事例を横断的に検索することすら難しく、同じ原因による不良が繰り返し発生してしまうケースもあります。
若手に引き継がれない。 設備トラブル対応やノウハウの多くが、ベテラン個人の頭の中に留まったままになっています。
「この音がしたらこの部品を疑う」「この工程はこの順番で確認する」といった暗黙知は、マニュアル化されないまま退職・異動とともに失われ、後任者は同じ試行錯誤を一から繰り返すことになりがちです。
現場の負荷が上がり続ける。 検査・監視・保全といった業務を、限られた人数でこなさなければならない状況が続いています。
多品種化・多工程化が進むほど確認すべき項目は増える一方で、増員は容易ではなく、既存メンバーの負荷が年々積み上がっていく構造になっています。
製造業の生産データ分析・AI活用
生産データ・設備データ・品質データのAI分析
生産データから、現場の意思決定まで。 日報、設備ログ、検査記録、過去のトラブル対応だけでなく、熟練者が持つ判断基準・例外対応・作業手順といった「現場知」までが、製造現場には眠っています。
ヘッドウォータースが取り組むのは、これらをAIエージェントが参照・検索・分析できる状態にする「AI Ready化」です。データを集めること自体はゴールではありません。AI Ready化された生産データ・現場知をもとに、AIエージェントが横断的に検索・分析し、原因調査や改善活動を提案できるようにすることが目的です。
設備データを分析すれば異常検知・予兆保全の精度が上がり、品質データを分析すれば不良原因の特定が早まり、生産データ全体を統合すればOEE・稼働率の改善につながります。
これから紹介する異常検知・予兆保全・品質・OEE改善は、すべてこの生産データ分析（AI Ready化）を入口として成り立っています。
SLM（小規模言語モデル）による生産データの検索・分析
生産技術部門向けに、日報や生産データをSLM（Small Language Model：小規模言語モデル）が横断的に検索・分析し、設備停止の原因調査や不良分析にかかる時間を短縮する取り組みを提案・検証しています。汎用の大規模モデルではなく、業務データに適したSLMを用いることで、社内データを扱う際の運用コストや応答速度の面でも実用性を確保しやすくなります。従来は人が個別に記録を探していた作業を、AIが該当データを見つけ、提示する形に変えます。
SLMの活用そのものについては、SLM（小規模言語モデル）アプリ開発でも個別にご支援しています。
Microsoft Fabricを用いた設備・品質・生産データと現場知の統合基盤
設備データ、品質データ、生産計画データに加え、熟練者の判断基準や例外対応、作業手順といった現場知までを統合し、AIエージェントが参照できる状態（AI Ready化）にした上で、記述的（何が起きたか）・診断的（なぜ起きたか）・予測的（次に何が起きるか）な分析へつなげる構想を進めています。
統合基盤にはMicrosoft Fabricを想定し、非構造データも含めてData Agent（データエージェント）機能から横断的に照会できる構成を検討しています。将来的には、ここで統合された基盤の上に、処方的（何をすべきか）な分析までを積み上げ、AIエージェントが改善アクションそのものを提案できる状態を目指します。
製造業AI活用ロードマップ｜生産データ分析からPhysical AIまで
現場データ・現場知のAI Ready化がAIエージェントの分析・判断・実行を支える
データが、判断になり、行動になる。 ヘッドウォータースの製造業向けAI活用は、バラバラの機能の詰め合わせではなく、生産データ分析を起点に、異常検知、予兆保全、OEE改善、そして工場自動化（Physical AI）へと発展する一つのロードマップです。「データを見る」→「異常に気づく」→「壊れる前に手を打つ」→「現場全体の稼働率を上げる」→「実行そのものを自動化する」という順に、対応範囲を広げていきます。品質管理・生産計画・技能継承・デジタルツインは、この本流を補強する周辺領域として位置付けています。
※ 品質管理・生産計画最適化・技能継承・デジタルツインは、このロードマップを補強する周辺領域です。詳しくは各セクションをご覧ください。
製造業向けAI異常検知
設備・ロボットの異常検知AI
異常を、見つけるだけで終わらせない。 AI Ready化された生産データ・設備データをもとに、異常検知モデルが異常を検知し、その検知結果と現場コンテキストをAIエージェントが突き合わせて診断する段階です。設備の異常は、発生してからでは対応コストが跳ね上がります。ヘッドウォータースは、実際の製造現場での異常検知モデル開発支援から、AIが原因や影響範囲まで踏み込んで推論する判断支援まで、段階的に取り組んでいます。
塗装工程設備の異常検知モデル開発支援
自動車部品メーカーの塗装工程において、設備の異常検知モデルの開発を支援しました。データ拡張・再学習による精度改善、異常パターンの整理、試作環境から実運用環境への移行までを担当しています。
塗装工程は、色ムラ・異物混入・膜厚不足・タレといった不具合が多様で、かつ発生頻度が工程によって大きく偏るため、異常データが十分に集まりにくいという特有の難しさを持っています。
このような現場では、少ない異常事例を水増しして学習を補うデータ拡張や、正常時のデータから外れ方を捉える手法が有効になりやすく、検知精度は現場投入後の再学習を重ねながら高めていくアプローチが求められます。
また、試作段階で高い精度が出たモデルも、実際のライン速度やカメラ・照明条件が変わる実運用環境ではそのまま性能が出ないことが多く、試作から実運用への移行そのものが技術的な山場になります。
教師なし学習・Transformerモデルによる異常検知・診断
半導体製造ロボットを対象に、リアルタイムセンサーデータを教師なし学習（正常データのみから異常パターンを学習する手法）とTransformerモデル（時系列の文脈を捉えるのに適したモデル構造）で解析し、検知した異常をLLM（大規模言語モデル）が診断・通知するところまでを一気通貫で実証しました（Microsoft主催ハッカソンでの技術実証）。最終判断は人が行うHITL（Human-in-the-Loop）の設計を組み込んでいる点も特徴です。
教師なし学習を採用しているのは、異常データを大量に集めてラベル付けする作業が現場にとって大きな負担になるためです。正常な波形パターンだけを学習させ、そこから外れる度合いで異常を判断する仕組みのため、異常データの収集が不要になり、どんな設備・どんなプログラムにも汎用的に適用しやすいというメリットがあります。
検知（Detect）から診断（Diagnose）、対応（Act）までを一気通貫でつなぐ設計としており、実際のPoCではこの手法で95%（F値）の検知精度を達成しています。
設備・検査装置・ロボットの原因推定と対応判断支援
設備やロボットの稼働情報と現場の情報を組み合わせ、異常の発生を検知するだけでなく、原因や影響範囲の推定、対応の選択までAIが支援する仕組みを検討しています（NVIDIAとの協業構想）。
異常検知が実用段階に入るにつれて、現場で次に課題になりやすいのが「検知はできても、原因の切り分けや対応の優先順位付けに時間がかかる」という点です。
複数の設備・センサーから得られる情報を横断的に照合し、過去の類似事例や保全履歴と突き合わせることで、原因の絞り込みや影響範囲の推定を支援できる可能性があると考えています。
異常検知の先にある「診断」と「意思決定支援」の領域として、今後の技術検証を進めていく方針です。
製造業向けAI予兆保全
AIエージェントによる保全判断・作業支援
壊れてから直すのではなく、壊れる前に手を打つ。 異常検知で「気づく」ことができるようになったら、次はAIエージェントが原因や保全方法まで推論し、対応を提案する段階です。保全要員の不足が進むなか、設備の状態を常時監視し、故障の予兆を捉えてから人へつなぐ仕組みが求められています。異常検知の延長線上にある「判断」と「対応指示」まで見据えた取り組みです。
半導体設備の予兆保全｜予兆検知エージェント「越見波（エツミナミ）」
半導体製造設備を対象に、設備データの収集からログ解析、原因特定、予兆検知、保全エンジニアへの支援までを一連の流れとして実証しました。
半導体工場では装置1台の停止が1分あたり数万〜数十万ドル規模の損失につながるとされ、従来の閾値監視からAIによる予知保全への転換が業界共通の課題となっています。
この課題に対し、ヘッドウォータースグループが開発した予兆検知エージェント「越見波（エツミナミ）」は、異常検知にとどまらず、原因分析・対応優先度の整理・作業指示の生成までを一体化し、「検知→人が判断→対応」という分断されたプロセスから、判断と実行までを含むAgentic AI型の保全運用への転換を実証しました。
本ソリューションは、Microsoft Agent Hackathon（東京エレクトロンデバイス協賛、参加240チーム）の企業部門において最優秀賞を受賞しています。
詳しくはプレスリリースへ
Agentic保全｜検知後の判断・作業指示までつなぐ
AIエージェントによる予知保全という考え方のもと、異常の検知だけでなく、保全コストの最適化や装置稼働率向上を見据えた判断・作業指示までをつなぐ仕組みのリファレンスモデルです。
従来の予知保全では、機械学習モデルにより異常の発生確率を予測することはできても、その結果をどう解釈し、いつ対応するかという運用判断は人手に依存するケースが多くありました。
このリファレンスモデルでは、異常検知後に、異常の背景や影響範囲の分析、対応優先度の整理、作業指示の生成・通知までを自動化し、エンジニアは内容を確認・承認するだけで対応できる仕組みを想定しています。
これにより、「検知→人が判断→対応」という分断されたプロセスから、判断と実行までを含むAgentic AI型の保全運用への転換を目指します。
CBM（状態基準保全）・予兆保全を工場業務全体の中に位置付ける
CBM（Condition Based Maintenance：状態基準保全）・予兆保全を、決められた周期で部品を交換する時間基準保全（TBM）とは異なる考え方として、保全作業の自動指示や保全予測モデルの継続的な改善を含めて、工場業務全体のリファレンスアーキテクチャの中に位置付けています。
TBMは部品の状態にかかわらず一定周期で交換するため、まだ使える部品を早めに交換してしまう過剰保全や、逆に周期の間に予期せぬ故障が起きるリスクを避けにくいという課題があります。
CBM・予兆保全では、センサーデータから設備の実際の状態を継続的に把握し、劣化の進み方に応じて保全のタイミングを判断するため、部品交換や点検の無駄を減らしながら、突発的な停止のリスクも下げやすくなります。
このリファレンスアーキテクチャでは、データ収集から異常検知・予兆分析、保全作業の指示、実行後のフィードバックによるモデル改善までを一つの循環として設計し、工場全体の保全業務を継続的に高度化していく構成を想定しています。
製造業の品質管理・歩留まり改善AI
不良の原因を、データから突き止める。
過去の記録から、不良原因の仮説を素早く立てる。
生産データや過去の記録をAIが横断的に検索・分析することで、不良原因の究明にかかる時間を短縮する取り組みを提案・検証しています。従来は担当者が過去の帳票や報告書を個別に探し出して照合していた作業を、AIが関連する記録を横断的に拾い上げる形に置き換え、原因究明の初動を速めることを狙いとしています。
検査要領書をデータベース化し、類似事例を検索できるようにする。
検査要領書から項目を抽出してデータベース化し、類似の検査事例を検索・参照できるようにすることで、検査指示書の作成を支援する事例があります。文書として個別に管理されがちな検査要領書を構造化データに変換することで、過去の判断基準を新しい案件・工程にも再利用しやすくなります。
測定データを自動収集し、手書き入力をなくす。
測定データを自動収集することで手書き入力の手間を減らし、トレーサビリティを強化した事例が公開されています（外部公開事例の引用）。手書き転記を挟まないことで、転記ミスによるデータの信頼性低下を防ぎ、後から測定条件や結果をさかのぼって確認しやすくなる点もメリットです。
AIによるOEE改善・設備稼働率向上
停止・性能・品質のロスを、一つの画面で見る。 異常検知・予兆保全で個々の設備停止が減ると、次に見えてくるのが工場全体の稼働率です。AI Ready化の対象を設備単位から工場全体へ広げ、AIエージェントが停止・性能・品質という3種類のロスを横断的に分析し、改善判断を支援します。
停止ロス・性能ロス・品質ロスを、一つの構成で見渡す。
アンドン（OEE）や設備稼働率、異常停止、生産進捗をモニタリングし、保全計画とあわせて改善する構成を、製造業向けリファレンス設計として整理しています。OEE（設備総合効率）は、稼働率・性能・良品率の3要素の掛け合わせで算出されるため、どのロスが効率低下の主因かを切り分けられる形でモニタリングできることが、改善活動の優先順位付けに直結します。
停止原因の調査時間を短縮し、稼働率改善につなげる。
AIによるデータ検索・分析で設備停止の原因調査にかかる時間を短縮し、ダウンタイム削減・稼働率改善につなげる取り組みを提案しています。原因調査にかかる時間そのものを圧縮できれば、同じ人員体制でもより多くの停止事象に対応でき、結果として工場全体の可動時間を底上げすることにつながります。
AIによる生産計画最適化
工場全体の稼働状況が見えるようになった先で、生産計画そのものの見直しにもAIエージェントの分析を活用します。
生産進捗の遅れに応じて、計画とリソースを組み替える。
特急生産の指示や進捗遅れの回復に対して、最適なリソースを自動的に手配し、納期アラートを出す構成を検討しています。計画変更のたびに人手で工程・人員の割り当てを組み直す負担を減らし、遅れが顕在化する前にアラートとして検知できれば、納期遵守率の維持にもつながります。
技能継承AI・工場データ統合・デジタルツイン
現場に眠る知識も、使える資産にする。
ベクトル検索による技能継承・現場ナレッジの構造化
ベテランが持つ設備トラブルの判断やノウハウを、過去の質問・回答から抽出してナレッジ化し、ベクトル検索（文章の意味的な近さで検索する技術）によって、キーワードが完全一致しなくても類似の過去事例にたどり着けるようにする取り組みを進めています。誰が聞いても同じ水準の回答にたどり着けるようにすることで、特定の熟練者への問い合わせ集中や、対応できる人が不在の間の業務停滞を減らすことを狙います。
こうした暗黙知の構造化は、SyncLect Data Intelligenceが取り組む「会話からの知識抽出」のアプローチとも重なる領域です。
Microsoft Fabricによる工場データ統合基盤
Microsoft Fabricを用いて生産データを統合し、記述的（何が起きたか）・診断的（なぜ起きたか）・予測的（次に何が起きるか）な分析へつなげるデータ統合基盤の構想です。異常検知・予兆保全・品質分析の土台となる領域であり、部門ごとに分断されたデータを一箇所に集約すること自体が、後続のAI活用すべての前提条件になります。
Microsoft Fabricを中心としたデータ基盤の整備そのものについては、Microsoft Fabricソリューションで個別にご支援しています。
デジタルツインによる仮想検証
NVIDIA Omniverseなどを用いて、実機投入前に設備やロボットの動作を仮想空間で検証する取り組みを行っています。実機を止めて試行錯誤する前に、シミュレーション上で動作パターンや干渉の有無を確認できるため、現場への影響を抑えながら検証サイクルを回せる点が利点です。
デジタルツインの構築そのものについては、デジタルツイン開発でも個別にご支援しています。
製造業向けPhysical AI・工場自動化AI
検知・判断の次に来るのが、実行の自動化です。 データ分析、異常検知、予兆保全、OEE改善を積み重ね、AIエージェントが現場を理解し判断できるようになった先、人手不足がより深刻な現場では、その判断を実行そのものへ接続する必要が出てきます。AIエージェントの判断力をロボットや自動化設備に組み込み、実行まで担わせるのが工場自動化（Physical AI）です。あくまでロードマップの最終段階に位置する差別化要素であり、多くの現場はここまで到達する前の段階から着手します。ヘッドウォータースは、遠隔ロボット制御の共同検証や、AIの判断を物理的な動作へ安全につなぐ独自構想「Physical AI Harness」により、この領域にも段階的に取り組んでいます。
AIエージェント×音声認識による遠隔ロボット制御
リモートロボティクス株式会社が提供するリモートロボット操作基盤「Remolink」を活用し、音声を起点にロボットを扱えるフィジカルAIの高度化を支援しました。
AIが単にロボットを自動で動かすのではなく、現場の人が専門的な操作を担わずに判断へ参加し、AIがその判断を受けて実行するという運用モデルを具体化しています。
開始・投入・排出・再実行といった一連の作業フローを音声指示で扱える構成とすることで、製造・物流・各種オペレーション現場における自動化・高度化への適用可能性を広げています。
本取り組みの方向性は、Microsoft AI Tour Tokyo 2026でも紹介されました。
詳しくはプレスリリースへ
Physical AI Harness｜AIの判断を安全な動作へ
詳しくはPhysical AI Harnessのページへ. AIが提案した行動を実行前にチェックし、承認・ブロック・人への確認へ振り分ける実行基盤の構想です。判断ログを構造化し、なぜその行動を止めたのかを説明可能にします。
HWS Agent Camp｜Quick WinでAI活用の実装イメージを掴む
大がかりなシステム発注の前に、まず手を動かして確かめる。 生産現場のAI活用は、いきなり本番システムを発注するには不確実性が大きく、現場・経営双方にとって踏み切りにくい投資判断になりがちです。HWS Agent Campは、数日程度のワークショップ形式で、AIエージェントの設計・実装・評価を実際に体験しながら、自社の課題に対する実装イメージを具体化するプログラムです。
大規模な要件定義や長期のPoC契約を組む前に、まず小さく検証し、Quick Winを積み重ねながら次のステップを判断できる点が特徴です。
リモートロボティクス｜音声制御プロトタイプ開発
ソニーグループと川崎重工業の合弁会社であるリモートロボティクス株式会社に対し、HWS Agent Campを通じて音声制御プロトタイプの開発を支援しました。Azure AI SpeechやAzure OpenAIを用い、音声コマンドによるロボット・カメラのリアルタイム遠隔操作を試作し、ロボティクス領域に求められる低遅延・高信頼のリアルタイム制御を検証しています。
詳しくはプレスリリースへ
デンソーテン｜マルチエージェントRAG構築の社内ハッカソン運営支援
株式会社デンソーテンのマルチエージェントRAG活用を見据え、HWS Agent Campの前身となるワークショップ型プログラムの運営を支援しました。参加者自身がシングルエージェントを構築し、FAQ連携やチャット履歴の活用まで実装する中で、実装イメージの具体化と技術検証、社内人材の育成を後押ししています。
詳しくはプレスリリースへ
※ HWS Agent Campは、当時「生成AIハッカソン」という名称で提供されていたプログラムを含みます。
10 -- 3つの提供価値
業務課題からの逆算設計
技術を起点にせず、設備停止・品質・人手不足・生産性という現場の課題から、必要なAI活用の形を設計します。
実案件で培った実装力
塗装工程設備の異常検知モデル開発など、実際の製造現場での支援を通じて得た知見を、他の現場への提案に活かします。
検知から判断・実行までの一気通貫設計
異常やリスクを検知するだけでなく、原因分析、対応判断、現場への指示までをAIエージェントでつなぐ設計を行います。
11 -- 信頼性の裏付け
自動車部品メーカーの塗装工程での実案件支援
塗装ロボットの異常検知モデルについて、開発支援から実運用環境への移行までを担当した実績があります。
Microsoft主催ハッカソンでの技術実証
半導体製造ロボットを対象としたリアルタイム異常検知・診断、半導体設備の予兆保全のモデルを、Microsoft Agent Hackathonにて実証しています。
NVIDIA・Microsoftとの協業・協業構想
NVIDIA Omniverse/Isaac Simを用いたデジタルツイン検証や、NVIDIAとの異常検知・原因推定に関する協業構想を進めています。
川崎重工「KAWARUBA」への賛同参画
川崎重工業のソーシャルイノベーション共創拠点「CO-CREATION PARK - KAWARUBA」の趣旨・目的に賛同を表明し、ロボット技術・製造業の知見を持つ大手製造業や多様なパートナーとのオープンイノベーションに参画しています。
詳しくはプレスリリースへ
製造業向けAI活用のセキュリティ・ガバナンス
生産設備や品質データを扱うAI活用では、機能面と同じくらい、誰がどう責任を持って運用するかという統制面が問われます。ヘッドウォータースは、AI・DXインテグレーターとして培ってきたガバナンス体制を、製造現場のAI活用にも適用しています。
責任分担型のガバナンス体制
生産技術・安全担当・AI/MLエンジニア・IT/OT担当がそれぞれ責任を持つ領域を明確にし、作業標準・安全境界・モデルの変更を、単一責任者に集約せず版管理する体制を基本方針としています。AIエージェントや標準ルールの変更は、責任者の確認・判断を経る運用を前提とします。
第三者審査・認定水準の統制
当社のAI開発フレームは、ISSI（情報システム・ソフトウェア国際標準化機構）による第三者審査、およびMicrosoft Specialization（AI Platform／Agentic DevOps）認定水準のガバナンス統制を前提としています。属人的な自己流ではなく、外部の評価軸に照らして型化されたプロセスで運用します。
オンプレミス・機密データへの配慮
図面・検査基準・設備仕様など、社外に出せない機密データを扱う製造現場が多いことを前提に、クラウド・オンプレミスいずれの構成が適切かは、データの機密区分や既存のIT/OT環境に応じて個別に設計します。まずは扱うデータの機密区分の整理から、ご相談に応じます。
12 -- 関連ソリューション
現場の知見を、複数のケイパビリティで支える。
製造業向けのAI活用は、単一の機能では完結しません。現場ナレッジの構造化、AIエージェント開発の組織標準、クラウド基盤との連携を組み合わせることで、PoCから本番運用まで一気通貫で支援します。
13 -- これからの展開
実証を、現場実装へ。
ヘッドウォータースは、生産データ分析・異常検知・予兆保全の実案件・実証で得た知見をもとに、品質改善やOEE改善への展開、さらには工場自動化（Physical AI）による安全な自律化まで、段階的に対象領域を広げていく方針です。まずは自社の生産データや現場のどこに課題があるかの棚卸しから、お気軽にご相談ください。
14 -- よくある質問
Q1. 生産データ分析はどのように進めますか？
日報・設備ログ・検査記録など、部門ごとに分散したデータの棚卸しから始め、AIによる横断的な検索・分析の仕組みを構築します。まずは特定の工程・課題を対象にした小規模な検証から着手することを推奨しています。
Q2. AI異常検知・予兆保全はどの段階ですか？
塗装工程設備での異常検知モデル開発支援という実案件に加え、半導体設備の予兆保全やAgentic保全については技術実証・リファレンスモデルの段階です。案件ごとに実績の段階が異なるため、個別にご相談の上、現状に合った進め方をご提案します。
Q3. どの業務課題から着手すればよいですか？
生産データ活用、異常検知、予兆保全、品質、OEE、生産計画のいずれからでも構いません。まずは現状のデータや課題感をヒアリングした上で、優先度と実現可能性の高い領域から着手することを推奨しています。
Q4. Physical AI・工場自動化は必須ですか？
必須ではありません。人手不足が特に深刻な現場や、検知・判断の先に自動実行まで求められる場合の選択肢として位置付けています。まずは異常検知・予兆保全・データ分析から着手し、必要に応じて拡張する形を推奨しています。
Q5. 小規模なPoCから始めることはできますか？
可能です。まずは特定の工程・設備を対象に、データの棚卸しと課題の言語化から始める小規模な取り組みを推奨しています。
Q6. 図面や検査基準など、社外に出せない機密データも扱えますか？
扱うデータの機密区分や、既存のIT/OT環境によって、クラウド・オンプレミスいずれの構成が適切かは変わります。生産技術・安全担当・AI/MLエンジニア・IT/OT担当が責任を分担するガバナンス体制を前提に、まずは機密区分の整理からご相談に応じます。
現場の課題を、まず聞かせてください。
設備停止、品質のばらつき、人手不足、生産性----どの課題からでも構いません。現場のデータや状況をお伺いした上で、最適なAI活用の進め方をご提案します。