中小製造業向けの自動化案件で繰り返し見るパターンがあります。AIエージェントを乗せても、見積り対応と図面処理レイヤーで必ず崩れる。本記事ではその構造的理由と、3つの実案件で取った設計指針を整理します。
前提と環境
- 対象: 従業員50〜300名の中小製造業(部品加工、精密部品、機械加工)
- スタック: n8n + Claude API + Supabase + 既存ERP(SAP/Mfg.PRO/オンプレOracle等)
- 制約: ERPへの直接書き込み禁止、機密図面はオンプレ保管
事例1 — 見積り自動応答の分割設計
東京近郊の部品加工会社。1日30件の見積り問い合わせ全件を営業手動で対応。OCR + LLM で図面解析を試みたが精度70%で頓挫した案件。
取った設計指針: 見積り対応を「単純返信」と「正式見積書」の2系統に分離し、単純返信パスにのみ自動化を適用。標準部品/小ロット試作/繰返発注の3カテゴリで全体の62%。
// n8n workflow: quote-classifier
// Step 1: Email Trigger (IMAP) → Body + Attachment 取得
// Step 2: LLM分類(Claude haiku) — 3カテゴリ判定
const classify = await llm({
model: "claude-haiku-4",
system: "見積り問い合わせを以下3カテゴリのいずれかに分類: standard / prototype / repeat / drawing_required",
user: emailBody,
});
// Step 3: drawing_required → 営業へエスカレーション
// Step 4: それ以外 → 自動見積り生成 → メール返信
結果: 営業1名の見積り対応時間が4h/日 → 1h/日。図面が必要な38%は引き続き人手。
事例2 — 図面メタデータ優先のPDF分類
大阪の精密部品会社。受信図面PDF分類に週8時間。OCRベースの分類は精度70%で諦めた案件。
方向転換: 図面内部のテキストではなく、ファイル名・メール本文・送信元・過去発注履歴のメタデータを先に使う設計。
// classification priority
const features = {
filename_pattern: extractFromFilename(file), // "P12345-Rev03.pdf" → product_code
sender_domain: parseEmail(from), // 既存顧客判定
prior_orders: await db.from("orders") // 過去発注履歴
.select("*").eq("customer_id", customerId).limit(20),
email_subject_keywords: extractKeywords(subject),
};
// メタデータで95%以上分類可能 → OCR は残り5%にのみ
if (metadataScore(features) > 0.85) {
return classifyByMetadata(features);
}
return await ocrFallback(file);
結果: 週8h → 30min。OCR API コストは元計画の1/20。分類精度は人手より高い(人は忙しいと適当になる、自動化は一貫)。
事例3 — PLC 通知のラベリング駆動フィルタ
愛知の中堅加工会社。PLC信号をそのままSlackに流して通知疲れ。本当のライン停止は全通知の5%。
解決アプローチ: 通知を止めず1週間ラベリング。人によるレビュー結果をデータセット化し、偽陽性フィルタを学習。
// week-1: label every alert
{
"alert_id": "uuid",
"plc_signal": { type: "anomaly", code: "AX-103" },
"context": { line: "L2", time: "2026-04-12T14:23:01" },
"human_label": "false_positive" | "real_stop",
"reason": "プログラム上の閾値で発火、実態は正常"
}
// week-2 onward: filter by classifier
const score = await classifier.predict(alert);
if (score < 0.6) return; // suppress
await slack.send(formatAlert(alert));
結果: 8週目で通知数1/30、ライン長がSlackを見るようになった。ラベリング1週間が最大コスト、同時に最重要ステップ。
3事例から見える設計指針
- 製造現場の入力データは「汚い」前提で設計する。きれいにしてから自動化、は失敗する。
- 全自動化ではなく「楽な60%だけ自動化、残りは人」。比率は1年で80%へ。
- OCR/LLMよりメタデータが先。メタデータで分類できないものだけが真の難問。
- ERP直結禁止。中間 sync layer + 双方向整合性検証。
- PoC 4週はROIではなく「どのデータがより汚いか」観測期間。
適用検討のための無料AX診断
自社製造現場で類似のボトルネックを抱えている場合、5years+ の無料AX診断で優先順位整理が可能です。業界・規模・主要ペインポイントの3〜4問に答えると、シニアコンサルタントが優先順位Top 3をレポート化してお送りします。
韓国・日本市場のB2B自動化開発を行う 5歳差 (5years+) が、製造業向け実案件で得た知見を整理しました。詳しくは 5ya.io までお気軽にどうぞ。