MASTER + AI · A DAY IN THE SHOP
熟練者がAIを連れて現場へ：あるCNC熟練者とAIが協働する一日
01なぜ「一日」で協働を語るのか？
AIが工場に入ると聞くと、多くの人の頭に浮かぶのは「機械が勝手に動き、人は追い出される」という光景です。しかし実際にCNC加工の受託現場に落ちてくるのは、別の絵です。三十年やってきた熟練者の机の上に、疲れを訴えず、呼べばいつでも来る助手が一人増えた——という光景です。自動化とコンピュータ統合生産の古典的な論考は、自動化導入の要点は「人がいるかいないか」ではなく「人とシステムがそれぞれどの区間を受け持つか」にあると、とうに指摘しています。反復的で標準化できる作業はシステムに委ね、人は判断と例外処理に集中する、というわけです[1]。
ですから「AIは熟練者に取って代わるのか」を抽象的に論じるより、一日を具体的に辿るほうが有益です。以下の「陳さん」は、アルミ部品とステンレス板金を請け負う中小の受託工場に勤めています。この日、彼は新しく入ってきた顧客図面を一枚さばくことになります。各段落で二つのことを明示します——AIが何をしたか、熟練者が何を判断したか。まず「知識をどう残すか」というより長期の問いを理解したい方は、熟練者が退職、30年の経験をどう残すかを併せてお読みください。本稿が扱うのは、日々の協働です。
0207:30 図面の受領とAIによる読図
陳さんが出社してまず行うのは、昨晩に営業が回してきた顧客図面を開くことです。今回、顧客が渡してきたのはDWGネイティブファイルで、スマホで撮った旧部品の写真も一枚添えられています。彼は図面をシステムに放り込み、AIが読図を始めます。
AIが何をしたか：図面上の寸法記入、穴位置、ねじ穴仕様、標準的な加工フィーチャ（ポケット、溝、島、丸穴）を認識し、2D図面を初期的に構造化しました。深層学習をベースとした図面／フィーチャ認識は、近年のスマート製造研究で実行可能な方法論として検証されており、かつては人が一つひとつ判読していたフィーチャを、まずモデルに一版作らせられます[2]。DWGのような構造化された電子ファイルこそ、認識精度がもっとも高い入力です。
熟練者が何を判断したか：陳さんは撮影された旧部品を一目でさっと確認しました——写真には影とパースの歪みがあり、AIはある穴が貫通穴なのか止まり穴なのかを「要確認」と記していました。彼は経験から、それが座ぐり止まり穴だと判断し、手動で修正しました。AIが読むのは「図面に描かれているもの」であり、熟練者が補うのは「顧客が本当は何を求めているか」です。この一歩が一日の基調を決めます——AIが下書きし、熟練者が裁定する。
0309:00 3Dモデルと公差の確認
読図を終えると、AIは認識結果に基づいて3Dモデルを生成しました。陳さんはお茶を一杯淹れ、確認を始めます。
AIが何をしたか：構造化された図面情報を可視の3Dソリッドとして構築し、独立した二つ目のAIがモデルの寸法と元図の記入を一つひとつ照合し、合わない箇所を能動的に赤く印を付けました。この「一版を生成し、独立した仕組みでもう一版を検査する」やり方は、深層学習システムに対するスマート製造の文献の提言と呼応します。モデルの出力には独立した検証がなければ、現場で信頼され得ない、というものです[2]。
熟練者が何を判断したか：公差と基準です。図面にはいくつか個別に公差が記されていない寸法があり、AIは一般公差の通則に従って処理しました。しかしそのうちの一つの穴位置は後工程の組立に関わり、陳さんはそこを締める必要があると分かっていて、測定基準面を指定し直しました。製造システム理論は、工程計画と意思決定の質は、部品がシステム全体の中で果たす機能と組立意図を理解しているかにかかっている、と早くから強調してきました——こうした文脈判断こそ、製造システムにおいて人が代替されない位置です[3]。AIは寸法が正しいかどうかを計算できても、その寸法が「なぜ重要か」は計算できません。
0410:30 AI初版のG-codeと工具のチェック
モデルを確認すると、AIは自社設定に従って第一版のG-codeを下書きしました。
AIが何をしたか：自社専用の工具ライブラリ（工具コード、標準長、切削パラメータ）、機械コントローラの方言、ストローク／回転数の上限を参照し、初版の加工プログラムを生成し、実際に工具庫に存在する工具を選びました。工具ライブラリと機械上限を境界条件として入力しているため、AIは工場に無い工具を組んだり、機械の能力を超える回転数を出したりはしません。熟練者の経験を「再利用可能なルールとしてエンコードする」というこの発想は、本質的には自動化文献が論じる工程知識の標準化——ノウハウをもはや誰か一人の頭の中だけに閉じ込めない——にほかなりません[1]。
| 段階 | AI（勤勉な弟子） | 熟練者（最終判断） |
|---|---|---|
| 読図 | 寸法、穴位置、標準フィーチャを認識 | 顧客意図を判読、曖昧な記入を修正 |
| モデリング | 3Dを生成、寸法を照合 | 公差と基準を設定 |
| コード生成 | 工具庫と機械上限に従いG-codeを下書き | 切削順序と保持戦略を審査 |
| 検証 | 切削シミュレーション、干渉を指摘 | 例外と現場状態を確認 |
熟練者が何を判断したか：切削順序と保持です。AIが組んだ荒加工パスの効率は悪くありませんでしたが、陳さんはそのうちの一区間が薄肉付近で攻めすぎており、ワークが保持力と切削力の両方に一緒に押されて変形しかねないと見抜きました。彼は荒加工と仕上げの配分を調整し、反転戦略も変えました。AIが与えるのは「一応動く版」であり、熟練者が与えるのは「安定して動く版」です。
0513:30 切削シミュレーションとAIによる照合
昼休みのあと、修正したプログラムを3D切削シミュレーションにかけます。
AIが何をしたか：画面上で材料が一層ずつ除去されていく過程をシミュレートし、削り過ぎ、削り残し、治具干渉、ストローク超過をチェックし、疑わしい衝突点を印付けしました。同時に寸法照合をもう一度走らせ、修正後のモデルが元図と依然として一致していることを確認しました。つまり実機にかける前に、仮想世界の中でこのプログラムを一度「試し切り」したことになります。
熟練者が何を判断したか：シミュレーションは、工具のシャンクと治具の距離が近めの箇所を一つ指摘しました。陳さんは、実際の治具剛性のもとではこれは許容範囲だと判断しつつ、念のため短めの工具長に替え、空運転による確認を一手間加えました。シミュレーションは「幾何的にぶつかるか」は計算できても、「この機械が今日の状態で持ちこたえるか」は計算できません——後者は、機械の前に三十年立ち続けて積み上げた手の感覚です。シミュレーションと二重検証の仕組みをより完全に理解したい方は、柱となる記事 BestAI CAM 自動プログラミング完全ガイド を併せてお読みください。
0615:00 実機前の最終承認
すべてが整い、もっとも重要で、もっとも自動化できない一歩にたどり着きます。
AIが何をしたか：完全な準備パッケージ——3Dモデル、G-code、工具リスト、シミュレーション結果、照合レポート——を整理し、各判断ノードの記録に痕跡を残しました。熟練者が一目で再確認でき、後日の追跡もしやすくなります。
熟練者が何を判断したか：サインです。陳さんは工具長補正、進退刀、ストローク安全、そしてこの機械の当座の状態を一項目ずつ確認し、準備パッケージに承認して通しました。このサインは形式ではありません——「責任を負う一人の人間が、このプログラムを実機にかける最終責任を負う」ことを意味します。AIが前段の九割の準備をどれほど速く上手にこなそうと、通す最後の関門はつねに人に残されます。AIはもっとも勤勉な弟子ではあり得ても、弟子はサインをしません。
07退勤前 弟子との振り返り
仕事じまいの前に、陳さんは今日の準備パッケージを呼び出し、工場の若手技師の林さんを呼んで一緒に振り返ります。
AIが何をしたか：今日の一歩ごとのバージョンと差分を完全に残しました——AIの初版の切削戦略、熟練者が直した版、シミュレーション前後の対照です。これらの痕跡が「熟練者が結局どこを、なぜ変えたか」を目に見え、議論できるものにします。
熟練者が何を判断したか：どう教えるか、です。陳さんは林さんにまずAIの初版を見せ、「どこに問題があると思う？」と問い、次に自分が直した版と照らし合わせ、「なぜ薄肉をこう切ってはいけないか」を言葉にしました。かつてこの種のノウハウは、傍らに立って眺め、ゆっくり体得するしかありませんでした。今はAIがプロセスを対照群として残し、抽象的な経験が振り返り可能になります。これもまた、個人の経験を組織の資産へ変える鍵となる一歩です——判断の理由が言葉にされ、記録され、人とともに去っていかないようにする[1]。この成長の道筋を体系的に計画したい方は CNCエンジニアのAI時代の学習ロードマップ を、AI CNCの定義を一から理解したい方は AI CNCとは何か をご覧ください。
一日が終わります。AIは陳さんのどの判断にも取って代わっていません。ただ彼を「一つひとつのモデリング、一行ずつのタイピング、繰り返しの試し切り」から解放し、本当に彼にしかできないこと——判断すること、そしてその判断を受け継がせること——に充てる時間を与えただけです。
08よくある質問 FAQ
熟練者がAIを連れるということは、AIに取って代わられるということですか？
むしろ逆です。AIはもっとも勤勉な弟子の役割を担い、読図・モデリング・G-codeの下書き・シミュレーション実行といった時間のかかる準備作業を受け持ちます。切削戦略が妥当か、公差や基準をどう設定するか、実機前にサインして通せるかは、依然として熟練者の判断です。AIが拡大するのは熟練者の生産能力であり、置き換えるのは反復的な準備工数であって、判断力ではありません。
AIが生成した3DモデルとG-code、熟練者は毎日どれくらいの時間をかけて確認するのですか？
本記事は仮想シナリオであり、具体的な削減数値を主張するものではありません。実務では確認の重点はいくつかの重要な節目に集中します。モデルと元図の寸法が一致しているか（まず二つ目のAIが照合し異常を指摘する）、公差と基準の設定、切削と保持の戦略、そして実機前の最終承認です。AIが一つひとつのモデリングとタイピングによるコード生成の時間を吸収したため、熟練者の注意はより判断に集中できます。
AIは熟練者の切削の癖を学習しますか？
制御された範囲内で学習できます。システムは自社の工具ライブラリ、コントローラの方言、そして過去に検証された成功プログラムを取り込め、AIの生成を自社で慣用される加工パターンに近づけられます。しかしこれは熟練者の判断を境界条件としてエンコードすることであって、AIに自由にやらせることではありません。特殊工法や反転補正といった現場でのその場の工夫は、依然として熟練者自身が決める必要があります。
弟子を育てるとき、AIがあることで新人が何も学べなくなりませんか？
鍵は使い方です。AIの出力を教材と対照群として扱い——弟子にまず自分で判断させ、次にAI版と比較し、熟練者が差異を講評する——ようにすれば、AIはむしろ抽象的なノウハウを議論可能で振り返り可能なものにします。要は、熟練者が判断の理由を言葉にし、AIがそのプロセスの痕跡を残すことです。
新しい記事や動画の解説が公開されたらお知らせします——受信箱をあふれさせず、ワンクリックで購読解除。（ニュースレターは中国語）
READY FOR A CONTROLLED PILOT?
AIを、熟練者にとってもっとも勤勉な弟子にする
図面品質、機械コントローラ、工具ライブラリから確認・承認ポイントまで、貴社の熟練者の判断を、AIが生成する際の境界条件へと変えるお手伝いをします。
導入コンサルタントに連絡 トレーニングコース09参考文献
- Groover, M. P. (2019). Automation, Production Systems, and Computer-Integrated Manufacturing (5th ed.). Pearson.
- Wang, J., Ma, Y., Zhang, L., Gao, R. X., & Wu, D. (2018). Deep learning for smart manufacturing: Methods and applications. Journal of Manufacturing Systems, 48, 144–156.
- Chryssolouris, G. (2006). Manufacturing Systems: Theory and Practice (2nd ed.). Springer.