SAP 2027年問題とAI:移行を急ぐ前に、社内の知識を読めるようにする
SAP ERP 6.0(ECC 6.0)の標準保守は2027年末に終了予定で、延長保守を使っても2030年までです。AIは移行そのものを代行しませんが、アドオンの棚卸し、仕様書の復元、移行後の問い合わせ対応では実務の工数を確実に減らせます。ソースや業務データを社外に出さないオンプレミス構成を前提にすれば、情報システム部門の説明もしやすくなります。
ERP全般(オンプレミス生成AI)オンプレミス生成AIをERPにつなぐ:データを社内に置いたまま使う方法
ERPの原価、受注、設計情報を外部のクラウドAIに送らず、自社のGPUサーバーや閉域環境でオープンウェイトのモデルを動かす構成が現実的になっています。要点は、モデルの性能より、読み取り専用の接続、ERP権限の継承、実行クエリの可視化、書き込み時の人間承認の四つです。
生産管理システム生産管理システムにAIを加える:納期回答と進捗確認を速くする
生産管理システムのデータは、AIが答えやすい形で既に構造化されています。オーダー、工程実績、在庫、BOMを自然言語で照会できるようにすると、納期回答や欠品の確認が速くなります。ただし、需要予測や最適化はAIの得意分野とは限らず、既存のMRPや計画機能との役割分担が重要です。
OBIC7OBIC7とAIを連携する:会計・販売・生産のデータを社内で活用する
OBIC7(オービック)の会計情報、販売情報、生産情報に、読み取り専用で生成AIをつなぐことで、集計や照会、帳票の探索を自然言語で行えます。OBIC7の運用形態(自社運用、ベンダー提供のクラウドなど)によって接続方法が異なるため、最初に提供形態とデータの取り出し方を確認することが重要です。
GLOVIA iZ / mcframeGLOVIA iZ・mcframeにAIを連携する:製造業の基幹データを社内で活用する
GLOVIA iZ(富士通)とmcframe(ビジネスエンジニアリング)は、いずれも国内製造業で使われる統合パッケージです。生成AIは、読み取り専用で生産・原価・在庫のデータに接続し、自然言語の照会と文書検索を担います。接続方式は導入形態により異なるため、事前の確認とベンダーとの調整が前提です。
Oracle NetSuiteOracle NetSuite に AI を載せる:日本企業のための実践ガイド
NetSuite の標準 AI 機能で足りる業務も多いですが、保存検索や SuiteQL で散在するデータを日本語で横断的に問い合わせたい場合は、読み取り専用の外部 AI 層が有効です。モデルを日本国内の自社環境や専用クラウドに置けば、個人情報や取引情報の扱いも説明しやすくなります。
Infor SyteLine / LNInfor SyteLine と LN に AI を載せる:日本の製造業向け
SyteLine(CloudSuite Industrial)や LN は、外資系製造業の日本法人や海外工場を持つ企業で使われています。AI は、カスタマイズの調査、帳票作成、アップグレード影響分析、自然言語での在庫・製造指図検索に使え、モデルは自社環境に置けます。
品質記録・検査(ERP / MES)製造業の品質記録・検査データを AI で活かす
検査成績書、不適合報告(NCR)、是正処置(CAPA)は、ERP のロット・製造指図・仕入先と結びつけてこそ価値が出ます。AI は検索、要約、類似事例の発見に向きますが、合否判定そのものは人と既存の品質システムに残すのが安全です。
ERP 全般(個人情報保護法)個人情報保護法に沿って ERP のデータを AI で扱う
ERP の取引先担当者名や従業員情報を生成AIに渡す場合、委託、第三者提供、外国にある第三者への提供の整理が要ります。モデルを自社環境や国内のプライベート環境に置けば、論点を大きく減らせますが、法的判断は専門家と確認してください。
レガシー ERP(2025年の崖)「2025年の崖」の先で、レガシー ERP に AI を載せる
経済産業省の DX レポートが警告した「2025年の崖」の時期は過ぎましたが、老朽化・ブラックボックス化した基幹システムは多くの企業で残っています。AI は刷新の代替ではありませんが、仕様の可視化と段階的な移行を助ける道具になります。
生産スケジューラ (APS)生産スケジューラ(APS)とAI:ERPデータを使った計画業務の支援
AIはスケジューラの最適化エンジンを置き換えるものではなく、ERPの受注・在庫・工程実績を読み、計画担当者の問い合わせや例外対応を速くする層として使うのが現実的です。モデルは社内のGPUで動かし、データは外に出さない構成にできます。
品質保証 (8D / 是正処置)品質保証(8D・是正処置)とERPデータ:AIで原因調査と報告書作成を速くする
8Dや是正処置の時間の多くは、ロット、工程実績、仕入先、設計変更をERPや帳票から集める作業に使われています。AIはこの調査と下書きを支援できますが、原因の判断と是正処置の承認は品質部門の責任として残します。
ERP (自然言語での問い合わせ)ERPデータに日本語で問い合わせる:帳票やSQLに頼らない仕組みと注意点
ERPのデータを日本語で質問し、実行したクエリと結果を確認できる仕組みは、読み取り専用・ERP権限の継承・クエリの表示という三点を押さえれば安全に導入できます。モデルは社内で動かし、データは外に出しません。
Microsoft Dynamics 365Microsoft Dynamics 365と生成AI:Copilotで足りる範囲と、社内モデルが必要な範囲
Dynamics 365にはCopilotなどMicrosoftの生成AI機能があり、標準業務の多くはそれで足ります。データを外に出せない、自社固有のデータや文書を横断したい、といった場合に、社内のモデルを併用する価値が出ます。
製造業 AI ベンダー選定 (RFP)製造業のAIベンダー選定とRFP:評価基準とPoCの作り方
ERPと連携するAIのベンダー選定では、デモの見栄えよりも、データの流れ、権限の扱い、精度の測定方法、導入後の運用体制を確認することが重要です。自社の質問で評価するPoCを設計し、事前に合格基準を決めておきます。
TPiCS / 生産革新 WunTPiCS・生産革新 Wun に生成AIを追加する方法
TPiCS や生産革新 Wun のような中小製造業向けパッケージは、多くの場合データベースの参照と CSV 出力で外部連携できます。この読み取り経路に社内設置の生成AIをつなげば、納期回答や在庫の問い合わせを日本語で行え、基幹側の改修は最小限で済みます。
GRANDIT / SAP Business OneGRANDIT と SAP Business One で始める生成AI活用
GRANDIT は会計と販売、購買、生産をまとめて扱う国産 ERP、SAP Business One は中小規模向けの SAP 製品です。どちらも標準的なデータ参照手段があるため、読み取り専用の生成AIをオンプレミスでつなぎ、日本語での問い合わせと帳票作成を支援できます。
既存の生産管理システム既存の生産管理システムに生成AIを追加する方法
生産管理システムを入れ替えなくても、データベースの参照や帳票出力をつなぐことで、生成AIを後付けできます。基幹は変えず、問い合わせ、要約、文書検索の層だけを追加するのが、最も低リスクな進め方です。
図面・見積システム図面からの見積を生成AIで支援する方法
図面からの見積は、形状や材質、公差を読み取り、過去の類似案件の実績と照らして工数と材料費を決める作業です。生成AIは、類似案件の検索と見積の根拠整理に向いていますが、最終的な金額の判断は、経験のある見積担当者が行う前提で設計します。
生産管理・会計 (インボイス制度 / 電子帳簿保存法)インボイス制度・電子帳簿保存法への備えと生成AI
インボイス制度は適格請求書の保存と税額の計算、電子帳簿保存法は電子取引データの保存要件が中心です。生産管理や購買のデータと請求書を結び付ける運用を整えたうえで、生成AIは照合や確認の下書きなど、補助的な作業に限って使うのが安全です。
工程FMEA・QC工程表工程FMEAとQC工程表をAIで最新に保つ方法
工程FMEAとQC工程表は、作った時点では整合していても、設計変更、工程変更、不具合の発生で少しずつ食い違っていきます。AIは、不具合実績や変更履歴を読み、FMEAの故障モードや管理項目の見直し候補を挙げる補助役として有効です。ただし、リスク評価の最終判断は品質保証の担当者が行います。
不具合報告書・是正処置不具合報告書をAIで書く・探す・つなぐ
不具合報告書は、現場の記入の質にばらつきが出やすく、過去の類似事例を探すのにも時間がかかります。AIは、現場メモから報告書の下書きを作り、過去の報告書から類似事例を引き出す用途で効果があります。原因の特定と是正処置の承認は、人が行う前提です。
設備保全・TPM設備保全の記録をAIで活かす:予防保全から故障対応まで
設備保全では、点検記録、故障履歴、修理報告書、取扱説明書など、文書の形で眠っている知識が多くあります。AIはこれらを横断して探し、故障対応の初動と予防保全計画の見直しを助けます。センサー値からの予知保全は別の領域で、AIの文書検索とは分けて考えるのが現実的です。
MES・ERP連携MESとERPの連携:実績の食い違いをAIで調べる
MESとERPの連携では、製造指図、実績、在庫、品質結果の受け渡しで食い違いが生じやすく、原因調査に時間がかかります。AIは、両方のデータを読み取り、差異の候補と原因の仮説を示す調査役として有効です。連携の設計そのものは、ISA-95などの整理に沿って人が決める必要があります。
オンプレミスLLM・データ管理工場データを守るオンプレミスLLMの管理設計
オンプレミスLLMは、データを社外に出さずに生成AIを使える一方で、置き場所を社内にしただけでは、情報管理の問題は解決しません。権限の引き継ぎ、ログ、学習データの扱い、営業秘密や輸出管理の観点を設計に含める必要があります。本ページは、工場での導入時に確認すべき項目を整理します。