「見積もりは、あの人にしか作れない」。製造業の現場で繰り返し耳にする言葉です。図面を読み、加工工数を積算し、過去案件の相場観とリスクを織り込む——この一連の判断が少数のベテランの頭の中にだけ存在し、退職や異動のたびに組織が揺らぐ。経済産業省・厚生労働省・文部科学省が2025年に公表した「ものづくり白書」でも、ベテランから若手への技能継承と、デジタル技術によるノウハウの蓄積・継承は製造業の重要テーマとして扱われています。
本稿では、受注生産型の中堅製造業を想定したモデルケースをもとに、見積もり業務を生成AIで標準化する進め方を解説します。焦点を当てるのは「何を導入したか」ではなく「どう進めたか」です。
モデルケース：何が起きていたか
このモデルケースの出発点は、多くの現場に共通する次の状態です。
- 工数の積算ロジック、材料費の掛け目、リスクの乗せ方が文書化されておらず、担当者ごとに判断が異なる
- 依頼が少数のベテランに集中し、見積もり提出までのリードタイムが商談全体の律速になっている
- 若手が作成した見積もりは常にベテランの確認待ちとなり、育成も進まない
経営層の当初の要望は「生成AIで見積もりを自動化したい」。しかし、根拠が言語化されていない業務をそのままAIに渡しても、出所の不明な数字が高速に量産されるだけです。ツール選定の前に、取り組むべき工程があります。
進め方：ツール選定より先に「暗黙知の棚卸し」
最初に着手すべきは、ベテランへのインタビューと過去案件の分析による見積もりロジックの構造化です。手順は次の5つです。
- 過去の見積もりと実績原価を突き合わせ、精度の高かった案件と大きく外した案件を特定する
- ベテランと共に「なぜこの工数にしたのか」を案件単位で言語化する
- 判断を「ルール化できるもの」「条件分岐で表現できるもの」「人の判断に残すもの」の3層に仕分ける
- ルール化・条件分岐化できた部分を、生成AIが参照する「見積もり基準書」として文書化する
- 基準書と類似案件データを参照して、生成AIが見積もりの一次案を生成する仕組みを構築する
核心は手順3、すなわちAIと人の役割分担を先に設計することです。ハーバード・ビジネス・スクールなどの研究チームがBCGのコンサルタント758名を対象に実施し2023年に公表したフィールド実験では、AIの能力範囲内のタスクでは成果物の品質が明確に向上し、とりわけ習熟度が下位半分の層の伸びが最大でした。AIは能力範囲内では実力差を縮める「平準化装置」として働くのです。一方、能力範囲外のタスクでは正答率が約19ポイント低下し、しかも誤った回答ほど文章はもっともらしくなると報告されています。見積もりに引き付ければ、類似案件が豊富な定型的積算はAIで組織全体の水準を底上げできる一方、特殊な加工条件や戦略的な価格判断まで委ねると「もっともらしい原価割れ」を量産しかねない。だからこそ、人に残す領域を先に明文化する仕分けが、現場が安心してAIの一次案を使える前提になります。
もう一つの要点は対象範囲の絞り込みです。いきなり全製品に広げず、案件数が多く実績データが豊富な主力製品群から立ち上げ、基準書の精度が上がった段階で対象を拡張する。この順序が現場の負担と手戻りを最小化します。
判断基準：その業務は生成AIでの標準化に向くか
すべての属人業務が生成AIでの標準化に向くわけではありません。次の4基準で優先順位を判断します。
- 反復性：一定の頻度で発生し、業務の型が繰り返されるか
- 検証可能性：出力の正否を実績データ（原価・受注結果など）で事後検証できるか
- 知識の所在：判断根拠が特定個人に偏り、退職・異動で失われるリスクがあるか
- 中間成果物の価値：一次案の段階でも業務価値があり、最終判断を人が担える構造か
4つのうち3つ以上に当てはまれば有望な候補です。逆に、案件ごとの個別性が極めて高く実績データも乏しい業務は、AI化より先に記録の習慣づくりとデータ蓄積から始めるのが定石です。
定着：精度より「学習ループ」を設計する
導入初期のAIの一次案は完璧ではありません。定着の分かれ目は、精度そのものより運用設計にあります。MITの研究チームが2025年に公表した調査「The GenAI Divide」は、生成AI投資が損益の成果に結びつかない主因を、ツールが業務から学習せずフィードバックが還流しない「学習ギャップ」に求めました。このモデルケースで置くべき運用は次の3点です。
- 一次案には必ず根拠（参照した過去案件・適用した基準）を併記し、人が短時間で妥当性を判断できるようにする
- 人が修正した内容を記録し、月次で基準書に反映するループを回す。精度は運用の中で上げていく
- 評価指標を「AIの正答率」ではなく「見積もり提出までのリードタイム」と「見積もりと実績原価の乖離」に置く
投資配分の目安も示されています。BCGが2025年に公表した調査「AI Radar」では、AIを経営の優先課題に挙げる幹部が75%に上る一方、意味のある価値を得ていると答えたのは25%にとどまり、成功企業は資源の10%をアルゴリズム、20%をデータと技術基盤、70%を人・プロセス・文化の変革に充てていました。基準書づくり、週次の現場レビュー、修正を反映する運用体制——地味に見えるこの7割こそが成否を分けます。
到達点は、若手が自ら一次案を作り、ベテランが検証と例外判断に集中する分業です。属人化の解消とは、ベテランの価値を奪うことではなく、その知見を組織の標準へ昇格させること。判断が基準書として可視化されれば、若手の育成速度も変わります。
タレントテールは、こうした業務の構造化から生成AIの実装、現場への定着までを一気通貫で支援し、クライアントと共に走り抜きます。属人化した基幹業務にお悩みの際は、ぜひご相談ください。
※ 本稿は、複数の支援経験をもとに要素を再構成したモデルケースです。特定の企業の事例ではありません。
参考情報
- Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality（Harvard Business School／Boston Consulting Groupほか、2023年・査読版はOrganization Science誌2026年掲載）— https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
- BCG AI Radar 2025: From Potential to Profit — Closing the AI Impact Gap（Boston Consulting Group、2025年）— https://www.prnewswire.com/news-releases/one-third-of-companies-plan-to-spend-more-than-25-million-on-ai-in-2025-amid-widespread-optimism-for-autonomous-agents-302351306.html
- The GenAI Divide: State of AI in Business 2025（MIT Project NANDA、2025年）— https://www.aigl.blog/state-of-ai-in-business-2025/
- 2025年版ものづくり白書 概要（経済産業省・厚生労働省・文部科学省、2025年）— https://www.meti.go.jp/report/whitepaper/mono/2025/pdf/gaiyo.pdf