日立がAIエージェントで設備故障診断10秒・90%精度。中小工場が今から盗む3つの設計思想

日立製作所のAIエージェントが、ダイキン工業の工場で 故障原因を10秒・90%以上の精度で当てた。製品名は「現場サポートAIナビ」、提供開始は2026年2月3日。HMAX Industry シリーズの中核に据えられた、図面ナレッジグラフ × LLM の保全エージェントである。

センサー値の閾値で「異常」を吐くだけだった従来の予知保全SaaSとは、別の地平にある。問題は、これが大手向け価格帯の SaaS だということだ。社員50〜500名規模の中小製造業がそのまま導入できる代物ではない。

ただし、設計思想は盗める。本稿は HMAX Industry を技術側面から解剖し、中小工場が「明日から動かせる」3つの実装ステップに落とし込む記事である。

1. 日立が2026年2月に出した「現場サポートAIナビ」とは

「現場サポートAIナビ」(Field Support AI Navi) は、2026年2月3日に日立が提供開始した保全担当者向けAIエージェントである。位置付けは HMAX Industry (Hitachi Industrial AI eXperience / 2026年1月の CES 2026 で発表) のラインアップの一つ。HMAX はシリーズ名、現場サポートAIナビはその中の個別製品 — まずこの2階層を混同しないことが、本稿を読む第一の前提になる。

機能を3行で要約するとこうだ。

• 保全員がタブレットで「ポンプから異音がする」と入力する
• AI が 図面ナレッジグラフ + 過去の保全履歴 + 故障原因分析プロセス (OTスキル) を統合的に参照する
• 推定原因と対策手順を自然言語で返す

特筆すべきは、図面 (P&ID・電気回路図・配管図) を ナレッジグラフに変換 して LLM に学習させている点だ。保全現場で「あの設備のあの配管はどこから来ているのか」を即時にトレースできる構造である。MIT の Leveson 教授が提唱する STAMP/CAST (システム理論ベースの事故・安全分析手法) を保全プロセスに応用しており、ここに日立独自色が強く出る。

導入実績は現時点で次の2件が公開されている。

ダイキンの「90%精度」は強い数字だが、これは 特定環境での試験運用値 であり、すべての工場で再現される数字ではない。三菱ケミカルは「共同検証」段階で商用導入ではない。価格は要問合せ、つまり中堅〜大手向けの個別見積り体系である。出典は日立公式リリースおよび MONOist 2026年2月4日・3月23日報道。

2. なぜAIエージェント保全は従来SCADA/予知保全SaaSと違うのか (技術視点)

ここを技術視点で言語化していない記事が、上位5本のうち4本だった。機械学習による異常検知 と LLMによる原因推論 はそもそも別物である。

従来型 (SCADA / 予知保全SaaS)

入力は時系列センサーデータ (振動、温度、電流、圧力)。処理は機械学習による異常検知 — 教師あり/教師なしを問わず、要は「正常時の振る舞いから外れたら警告」だ。出力は基本的に「異常スコア」と「閾値超過アラート」。Siemens Senseye / オムロン i-BELT / 富士通 COLMINA など、現行の予知保全SaaSの大半はこの系譜にある。

長所は明快だ。センサーさえあれば導入できる。短所も明快で、「なぜ異常になったか」「どう直すか」までは教えてくれない。アラートを受けたあとの推論は、結局ベテラン保全員の頭の中に残り続ける。

AIエージェント保全 (HMAX Industry 現場サポートAIナビ)

入力は3層構造に拡張される。

1. 図面ナレッジグラフ — P&ID・電気回路図を構造化データ化。設備A→配管B→ポンプC の接続関係を機械可読にする
2. 保全履歴 (OTデータ) — 過去の故障報告書・対応記録・点検記録
3. 故障原因分析プロセス (OTスキル) — STAMP/CAST ベースの分析手順を生成AIに学習させた「考え方の骨格」

処理はセンサー異常検知ではなく LLM による推論 である。「異音」「ポンプ」「3号機」といった自然言語入力に対し、ナレッジグラフを辿り、類似事例を引き、原因仮説をランク付けして返す。出力は「原因候補3つ」「対策手順」「関連図面の該当箇所リンク」など、人間が即動ける形式だ。

差分を一言で言えば、「異常検知」から「原因推論」への跳躍である。SCADAは観測を、AIエージェントは説明を担う。両者は競合ではなく階層が異なる、と整理した方が実態に近い。

なぜ今までできなかったのか

理由は3つに集約できる。

つまり、HMAX Industry のような製品は「2025年以前は技術的に存在しえなかった」。LLM の長文処理能力と推論コスト低下が、図面ナレッジグラフという重い前処理を経済的に成立させた、というのが正確な背景である。

3. 5基準で見る競合比較 (Lumada / Senseye / i-BELT / COLMINA / HMAX Industry)

予知保全SaaS市場には複数のプレイヤーがいる。各社の強みと立ち位置を整理する。価格は全社「要問合せ」のため、本稿では一切記載しない (推測価格を書くと現場が混乱するため)。

製造AIラボ独自評価 (5軸)

挿絵③のスパイダーチャートは、上記5製品を以下5軸で主観評価したものだ。製品スペック表ではなく、製造AIラボ編集部の独自評価軸である ことをここで明記しておく。

1. LLM対話 — 自然言語での原因推論・対話の有無
2. 予兆精度 — 機械学習による異常検知の成熟度
3. 中小適性 — 50〜500名規模が現実的に導入できるか
4. API連携 — 既存のCMMS/ERP/SCADAとの統合のしやすさ
5. 価格透明性 — 公開価格 or 試算ツールの有無

HMAX Industry は「LLM対話」軸で突出するが、「中小適性」「価格透明性」では i-BELT に劣る。つまり、製品の優劣ではなく、規模に応じた最適解が違う という構造である。中小工場が HMAX Industry を導入する話と、i-BELT を導入する話は、はじめから別の議論になる。

4. 日立事例を中小製造業 (50〜500名) が「そのまま」使えない理由

ダイキン工業 (連結従業員約9万人) と三菱ケミカル (約7万人) の事例は、報道としては華々しい。しかし社員50〜500名の中小製造業が同じスタックを再現できるかというと、答えは「現状ではNo」である。理由は3つある。

理由1: 図面と保全記録のデジタル化前提

現場サポートAIナビの中核は「図面ナレッジグラフ」だ。前提として 図面が電子データで揃っている ことが必須になる。大手は CAD データを長年蓄積している。中小はどうか — 紙図面、スキャンPDF、口伝メモが現実だ。

ここを整備せずに AIエージェント保全SaaS を導入しても、エンジンに供給するナレッジ自体が存在しない。前処理工数の方が SaaS 利用料を遥かに超える、という逆転が起きる。

理由2: 価格帯ギャップ

公開価格は出ていないが、HMAX Industry は中堅〜大手向け個別見積りである。一方、中小製造業向けの汎用予知保全SaaSは月3〜15万円程度が現実解 — これは Anomaly 社が2026年4月21日に公開した中小特化記事の調査値である (出典: anomaly-inc.com / 2026-04-21)。桁が違う、というよりは想定顧客が違う。

理由3: 保全人員と IT人材の薄さ

大手は保全部とIT部門が分業し、社内に「ナレッジグラフ整備プロジェクト」を立てられる。中小は保全担当2〜3名が現場作業も兼ねていることが多い。「IT部門」が情報システム担当1名というケースも珍しくない。SaaS を入れる前に、運用する人がいない構造である。

なお、設備のダウンタイムコスト統計やベテラン退職割合の数字を本稿で多用しなかったのは意図的だ。リスク対策.com や中小企業白書の調査値は2024〜2025年時点のものが大半で、製造AIラボの引用基準 (直近3か月以内) を満たさない。古いデータを最新風に並べると判断を歪めるため、本稿は「定性的な前提条件のギャップ」に絞った。

では中小は何もできないのか

結論から言えば、「同じ製品は買えないが、同じ設計思想は移植できる」。次節で具体策を示す。

5. 中小工場が「今から動くなら」やる3つのこと

日立の「現場サポートAIナビ」を分解すると、(1) 図面の構造化データ化、(2) 故障原因分析プロセスのフレームワーク化、(3) LLM による推論エンジン化 という3層になる。これは中小製造業でも、規模を絞れば再現可能だ。

Step 1: 図面・保全記録のデジタル化 (図面DX)

最初の一歩は AI とは無関係の地味な作業である。

• 紙図面のスキャン化 (まずは現役設備の P&ID とフロー図に絞る)
• 過去5年分の保全報告書を Excel または Notion などの構造化ストレージに集約
• 口伝メモを「設備名・現象・原因・対策」の4列構造に流し込む

ここで完璧を目指さない。「使う頻度の高い設備上位20%」だけを先にデジタル化する、というスコープ縮小が肝になる。

Step 2: 故障原因分析のフレームワーク導入

STAMP/CAST は習得難易度が高い。中小工場で実装するなら、「なぜなぜ分析(5なぜ)」「FTA (故障の木解析)」 のような枯れた手法で十分だ。重要なのは、分析プロセスを 文書化し、毎回同じフォーマットで残す ことである。

なぜか — のちに LLM に学習させる際、構造化された文書ほど精度が出るからだ。日立がやっているのは結局これの巨大版である。中小は中小のスケールで「分析の型」を持てばよい。

Step 3: 社内RAGの小さなPoC

ここで初めて生成AIが登場する。いきなり「AIエージェント保全SaaS」を買うのではなく、

• Step 1 でデジタル化した保全記録と図面注釈を RAG (検索拡張生成) のソースとして登録
• Claude や GPT などの汎用LLMに接続
• 保全担当者が自然言語で「ポンプの異音、過去事例ある?」と聞ける小さなチャットUIを社内に立てる

これだけで、HMAX Industry の縮小版に近い「保全Q&A環境」が手に入る。月数千円〜数万円規模のAPIコストで動くケースも多い。PoCで効果が確認できたら、ナレッジグラフ化やエージェント化に進む — というのが現実的な段階設計である。

ここで効くのが、保全担当者自身が 生成AIの基本的な扱い方を学ぶ ことだ。プロンプト設計、RAGの仕組み、ハルシネーション対策の3点だけでも理解していると、PoC の壁打ちが格段に速くなる。製造業向けの生成AI研修プログラムを活用するのも一つの手で、現場の保全部から1〜2名を学習担当に立てる構成が定着しやすい。

「買う」と「内製する」の選択基準

最後に、SaaS購入と自社内製の判断軸を整理する。

50〜500名規模の中小製造業の現実解は、おおむね「内製の小さなPoC → 効果検証 → 必要に応じて部分的にSaaS導入」の段階アプローチである。最初から大手SaaSを買って失敗する事例の方が、案件単価が大きい分だけ目立つ。設備管理SaaSを併用する場合も、Step 1〜3 の地ならしが済んでいるかどうかで運用の安定度がまるで変わる。

6. 注意点とよくある誤解

導入検討時に外しやすい論点を4つ整理する。

注意点1: 「日立に頼めば全部やってくれる」は誤り

現場サポートAIナビが機能するためには、顧客側で 図面データの整備・保全記録の蓄積・故障原因分析プロセスの文書化 が前提となる。SaaS導入と「データ整備プロジェクト」はセットであり、後者の方が往々にして工数が大きい。

注意点2: 「90%精度」を業種横断で一般化しない

ダイキンの試験運用で示された数字は、空調・冷凍機器という特定設備カテゴリ、特定の保全記録蓄積量、特定の運用フローでの値である。化学プラント (三菱ケミカル) でも同じ数字が出る保証はなく、業種・設備・データ品質に強く依存する。提案資料に「90%」と単独で書くのは避けた方が安全だ。

注意点3: LLMハルシネーションと人間レビューの必須性

AIエージェント保全の出力は「原因候補」であって「確定原因」ではない。LLM はもっともらしい誤回答を返すことがある (ハルシネーション)。保全現場では誤った原因に基づく対策が二次故障を生むリスクがあるため、必ず人間レビューを挟む運用設計 が要る。日立の公式資料も「補助ツール」と位置付けている。

注意点4: データ越境とOTデータの社外送信規定

保全記録・図面・センサーデータをクラウドLLMに送る場合、社内の OTデータ取り扱い規定 と契約上の制約 (顧客との守秘義務など) を必ず確認する。公正取引委員会の生成AI実態調査 ver.2.0 (2026年4月公表) でも、生成AI利用時のデータ越境とサプライヤー間の情報流通について論点整理が進んでいる。オンプレ運用やプライベートクラウド版の選択肢を、最初の比較軸に入れておくこと。

注意点5: 中堅以下では「フィジカルAI構想」より「データ前処理」が先

日立は将来的にリアルタイム現場データ収集→フィジカルAIへの発展を構想として打ち出している。先進的だが、中小工場が今フォーカスすべきは Step 1 のデータ整備であって、フィジカルAI論ではない。情報インプットの優先順位を間違えないこと。

7. まとめ — 2026年は「保全AIエージェント元年」

2026年2月の現場サポートAIナビ提供開始と、同年1月の HMAX Industry 発表をもって、日本の製造業における「保全AIエージェント」は明確に商用フェーズに入った。Senseye / i-BELT / COLMINA など既存の予知保全SaaSもLLM連携を強めており、市場全体が「異常検知」から「原因推論」へとレイヤーを一段引き上げつつある。

中小製造業が取るべきスタンスは明快だ。

「大手の事例を眺める」フェーズは終わった。図面のスキャン、保全記録のExcel集約、5なぜの徹底 — つまり Step 1 から手をつける工場が、今後3年で AIエージェント保全を実装できる工場である。製造AIラボはこの過程を、引き続き個別事例ベースで追いかけていく。

参考文献・出典

• 日立製作所「現場サポートAIナビ」製品ページ
• MONOist 2026年2月4日 / 3月23日報道
• IoTNEWS 2026年2月 「現場サポートAIナビ」関連報道
• 日本経済新聞 2026年2月 HMAX関連報道
• 事業構想 2026年1月 CES 2026速報
• Anomaly Inc. 「製造業の予知保全入門2026」(2026-04-21)
• ITトレンド 「予知保全システム比較2026年版」(2026-05-09)
• 公正取引委員会「生成AI実態調査 ver.2.0」(2026-04)
• Siemens Senseye Predictive Maintenance 公式ページ
• オムロン i-BELT 公式ページ
• 富士通 COLMINA 公式ページ

関連記事 (製造AIラボ内)

• Plaud Note Pro で中小工場の議事録地獄を終わらせる5シーン別運用法
• Figure Helix-02 が8時間ぶっ続けで働いた日 — 中小工場の夜勤はあと何年もつか
• NEC×Anthropic提携で見えた 中小製造業がいまClaudeを学ぶべき3つの理由