岐阜県海津市に、創業およそ60年 、従業員17人 の町工場がある。大型の金属部品を削る田中工業だ。ここでは従業員の半数以上が65歳を超え 、70代の職人も現役で機械を回している。長年積み上げた勘と手順は会社の背骨だが、その多くが一人ひとりの頭の中にあって、誰かが辞めれば、そのまま消える 。専任のIT担当も、AI専門の部署もない。それでも取締役の田中慎一氏がChatGPT やClaude Code を手に、現場で使うアプリを自分たちで組み立てている。今日はこの一社を、あなたの会社の机の上に翻訳して手渡したい。
この記事の要点
岐阜の従業員17人 の町工場が、外注なら数百万円規模 の費用対効果も見込むとされる検査アプリを、経営陣自身が生成AIで内製した
使ったのはChatGPT・Claude Code・Google AI Studio の3つを役割で使い分ける形。特別な機材ではなく手元のスマホのカメラが道具になった
AIは傷の下ごしらえ まで、 最終判断は職人の目。だから現場が身構えずに受け入れた
見えていたのに、放置されてきた検査の壁
痛みは外観検査にあった。削り上げた部品には数百に及ぶ加工箇所 があり、そのすべてを人の目で一つずつ確認するのは現実的ではない。見落とせば不良品が客先へ流れ、丁寧にやれば時間が足りない。この綱引きが長く続いていた。なぜ今まで解けなかったのか。専用の外観検査装置は高価で17人の会社には手が届かず、人はそもそも増やせず、「どこを、 どう見るか」 はベテランの頭の中にしかなかったからだ。非効率は見えていた。見えていたのに、手を出す入口がなかった 。多くの中小の現場と同じ構図である。
3つのAIを、役割で使い分ける
田中氏が最初に作ったのが打痕・傷検出アプリ だ。 スマートフォンのカメラを製品にかざすと、AIが表面の傷や打痕を自動で検出してマーキングし、「サ ビがあります」 「三 角形の傷があるようです」 といった分析まで添えて返す。目を引くのは作り方だ。土台はGoogle AI Studio で組み、動かないところの原因をChatGPT に相談し、細かなコードはClaude Code で補う。プログラム言語を書き慣れた技術者ではなく、現場を一番知る経営陣が、3つの生成AIを役割で使い分けて精度を上げていった。専門用語でいうプロンプト、つまりAIへの指示出しは、日本語の会話で足りる。作ったのは傷検出だけではない。作業手順を動画にした多言語対応のマニュアル、受注から請求までを一つにまとめる管理のしくみと、道具は現場の困りごとの数だけ増えている。
AIを役割で分けた作り方
土台を組む Google AI Studioで、スマホ画像から傷を見つけるアプリの骨格を作る
つまずきを聞く 動かない箇所の原因をChatGPTに日本語で相談し、直し方の当たりをつける
仕上げる 細かなコードはClaude Codeで補い、現場で試しながら検出の精度を上げる
なぜ、17人の会社で回ったのか
この事例には移植できる原理がある。第一に一点突破 だ。 工場全体をAI化しようとせず、繰り返しが多く判断の型が決まっている「傷 を見つける」 一工程にだけ絞った。第二に、AIに下ごしらえ だけをさせ、良品か不良かの最終判断は職人の目に残した。仕事を奪われる話ではないから、現場が身構えない。第三に、新しい高価な機材を買わず、誰もが持つスマホのカメラという既存の道具の延長で入れた。そして万一AIが傷を見逃しても、最後に人が確認する前提だから、間違えても安全な場所から始められた 。この4つは業種が違っても効く。
AIがやる(下 ごしらえ)
数百箇所をまず機械的に走査 傷や打痕の候補にマーキング 「サ ビ」 「三 角形の傷」 と当たりを提示 疲れず、見る基準がぶれない
人がやる(最 終判断)
AIは傷の下ごしらえまで。最終判断は職人の目に残す。だから現場が身構えずに受け入れた。
田中工業(岐 阜・従業員17人) 田中慎一取締役
候補が本当に不良かを見極める 客先に出す・出さないを決める 微妙な質感や文脈を読む 責任を持って世に出す
17人
従業員数
半数以上が65歳超・専任IT担当なし
3つ
使い分けたAI
ChatGPT / Claude Code / Google AI Studio
数百万円規模
見込む費用対効果
取り組みによっては、との会社側の見立て
ここで正直に線を引いておく。時短や不良率がどれだけ改善したかの厳密な数字は、現時点で公開されていない。田中工業が語るのは「数 百万円規模の費用対効果も見込める」 という見立てであって、確定した実績値ではない。だから鵜呑みにはしない。それでも、外注に頼めば見積もりが数百万円に届く道具を、17人の会社が自分たちの手で組み上げたという事実そのものが、いまの中小に十分すぎる示唆を与えている。
うちの一工程でも、来週から試せる
この話を「製 造業だから」 で閉じないでほしい。原理は「繰 り返しが多く、間違えても最終確認で拾える一工程を、下ごしらえだけAIに任せる」 ことだ。飲食なら仕入れ伝票の写真からの発注メモ、小売なら棚写真からの在庫チェック、士業なら書類の不備の一次点検、介護なら申し送りの要約。業種ごとに一番時間を食う定型作業は決まっている。まずそこを一つ書き出すことから始まる。下はリスクを最小にした入口 だ。
小さく・低コスト・可逆に始める4手順
選ぶ 一番時間を食う定型作業を1つだけ書き出す。判断が少なく繰り返しの多い工程を選ぶ
試す 無料版のChatGPTやClaudeに、その作業の下書き・要約・チェックを1週間だけ頼む
測る かかった時間と精度を、AIありとなしで比べる。数字を紙にメモするだけでよい
決める 時短が実感できたら有料版へ。1週間で半分も楽にならなければ、その工程は今のAI向きではない。潔く別の工程へ移す
つまずきの先回りもしておく。AIが「傷 なし」 と言ったら、本当に確認をやめてよいのか 。答えは否だ。AIの検出はあくまで下ごしらえで、見逃しは必ず残る。「A Iが見たから安心」 と人の最終確認を省いた瞬間、かえって事故に近づく。最初の1か月は精度が低く「使 えない」 と感じる場面も来る。そこで離れず、指示の出し方と写真の撮り方を型にすることが、田中工業のように長く続けるコツになる。効かない条件も正直に言えば、扱う画像や情報が外に出せない機密なら、無料の外部AIに気軽に入れるのは危うい。そこは社内で使える形やルールづくりが先だ。退屈な走査はAIへ、目利きの熱狂は人へ 。その線引きさえ守れば、17人の町工場にできたことは、あなたの会社の一つの机からでも始められる。
大企業が数億円をかけて検査ラインを自動化する話は、正直うちには遠い。けれどこの事例が教えるのは、原理は同じで、規模と道具が違うだけだということだ。スマホ1台と、日本語で話しかけられる生成AIと、そして「決 めるのは人」 という覚悟。この3つは、地方の小さな会社ほど強みになる。今日の帰り道に、自社で一番手が止まる作業を一つ思い浮かべてみてほしい。それが、あなたの会社の最初のアプリになる。
中小の一手
外注なら数百万円規模の仕組みも、まず手元のスマホのカメラ+ChatGPT/Claudeで「下 ごしらえ」 だけ内製する。最終判断は熟練者に残す形なら現場が受け入れやすい。
社外CTO・内製化代行で、この一手を形にする→
出典 / SOURCES
※本記事は公開情報をもとに AI が自動で編集・要約し、出典を明記しています。正確性は各出典をご確認ください。
30分で課題を整理する→