LLUMINAI
製造現場を支える
技術職のための、
AIエージェント
AI Agent for Manufacturing Engineers & Planners
生産技術・生産管理・品質保証・設備保全 ── 経営と現場の板挟みになりがちな 4 部署の意思決定を、Lluminai が支えます。ベテランの判断ロジックを学び、現場の業務を増やさずに、判断を加速します。
Why now
製造業 DX における 3 つの課題
Challenge 01
データが活用しきれていない
現場周辺のデータが、場所も形式もバラバラに散在。本来集中すべき現場業務に十分な資源を投入できない。
Challenge 02
AI 導入が局所最適に留まっている
AI の個人活用は進んだが、経営と現場の分断により、意思決定に時間がかかり陳腐化リスクが膨らむ。
Challenge 03
判断基準・ノウハウが継承できない
団塊世代の引退で暗黙知が組織から消えていく。若手の入職も減り、技術継承の機会が物理的に失われている。
Approach
3 つの課題へのアプローチ
上記 3 つの課題を解決する設計で製品を開発しました。
Approach 01
AI が現場データを横断で安全に参照
製造業向けに最適化された弊社独自の AI ハーネスが MCP／API を活用し、既存システムを改変することなく参照。データの整備や複製は最小限に抑制。
Approach 02
あらゆる汎用タスクに Agentic に対応
事前のワークフロー定義なく、汎用エージェントがあらゆるタスクを再現。陳腐化リスクを抑制しながら手間なく安全に導入可能。
Approach 03
組織横断でスキルを再利用可能
データ構造を定義した上で、業務改善はボトムアップで推進。AI エージェントが良い動きをしたら、スキルとして保存可能。熟練者の作業の流れを、誰でも再現可能に。
Architecture
製品全体像
製造現場を取り巻く各部署ごとの AI エージェントを既存システム・データと安全に連携し、業務を効率化します。弊社独自のハーネスが AI モデルを制御しながら現場データを参照することで、AI エージェントがエンジニア／プランナーの業務をサポートします。
※ 記載の各社名およびロゴは各社の商標または登録商標です。本資料は各社との提携・認定・推奨を示すものではありません。
Key Features
主要機能の概要
部署ごとのエージェントが、人のチャットもしくはセンサーデータの閾値判定・時間経過や Webhook などのイベントを起点として起動し、業務を支援します。
部署エージェント選択
生産技術・生産管理・品質保証・設備保全 ── 各部署に特化した AI エージェントを選んで起動。
AI エージェントチャット
自然言語で事象を投げると、AI が事実と仮説を整えて提示。判断は人が下す。
AI アラート・トリガー起動
人のチャットなしで、センサーデータの閾値判定・時間経過・Webhook を起点として、AI が自動で起動・分析。
既存システム連携・現場データ参照
MCP / API で ERP・MES・CMMS 等の既存システムへ接続。データを集約せず必要なときだけ参照。
スキル・カスタムエージェント保存
良かった一連の判断・実行をスキルとして保存。組織横断で再利用可能な資産に。
Use Cases
ユースケース例
設備保全・生産技術・品質保証 の現場で、AI エージェントが何を参照し、何を出力するかをご紹介します。
設備保全
振動異常の原因推定
「設備 Q-042 の振動異常を調べて、対策と部品手配の準備をして」
現場の困りごとを 1 行で投げると、対策レポートが出力されます。
AI が参照するデータ
- CMMS 保全履歴 (Maximo)
- センサー時系列 (PI Historian)
- 故障モード辞書
- 部品マスタ (SAP)
出力される成果物
- ✓RCA レポート (Word)
- ✓推定故障モード一覧
- ✓推奨対策の優先順位
- ✓部品手配リスト (Excel)
ターゲット KPI
- MTTR: -30 〜 50%
- 設備停止時間: -20 〜 40%
- 突発故障件数: -20 〜 40%
生産技術
試作 → 量産工程の自動設計
「製品 B-100 の量産工程を、第 1 工場の設備で組み立てる場合の設計案を出して」
過去機種のノウハウを束ねて、新製品の量産工程を即座に提案します。
AI が参照するデータ
- BOM (Teamcenter)
- 設備能力マスタ
- 過去類似機種の量産実績
- 原価情報 (SAP)
出力される成果物
- ✓工程フロー案 (Word)
- ✓設備割付 + タクトタイム
- ✓ボトルネック仮説
- ✓原価試算 (Excel)
ターゲット KPI
- 立ち上げリードタイム: -20 〜 40%
- 試作 → 量産移行期間: -25 〜 50%
- 設計工数: -30 〜 50%
品質保証
不良率異常値の自動原因分析
(自動起動) QMS で不良率 spike を検知 → 自動で横断分析を起動
AI が spike を検知し、横断分析の仮説をインボックスに届けます。
AI が参照するデータ
- QMS 不良データ (TrackWise)
- MES 製造実績
- PI 設備状態
- 原材料ロット (SAP)
出力される成果物
- ✓spike の真因仮説 3 件
- ✓確認すべき指標リスト
- ✓暫定処置案
- ✓Teams で品証担当に通知
ターゲット KPI
- 是正処置リードタイム: -50 〜 70%
- 不良率 (PPM): -20 〜 50%
- COPQ: -15 〜 35%
※ 改善幅は想定値。業態・現状値により異なります。
Targets
ターゲットとなる KPI
エンジニア／プランナーが追っている KPI が改善することにより、最終的に製造現場の KPI 改善につながります。
| 部署 | 主要 KPI | ユースケース例 | 想定改善幅 |
|---|---|---|---|
| 設備保全 | MTBF (平均故障間隔) | 異常予兆検知 + 予防保全提案 | +15 〜 30% |
| 設備保全 | MTTR (平均復旧時間) | 異常 RCA 自動化 + 部品手配連携 | -30 〜 50% |
| 設備保全 | 設備停止時間 | 突発故障の予兆転換 | -20 〜 40% |
| 生産技術 | 立ち上げ LT | 量産工程自動設計 + 過去機種転用 | -20 〜 40% |
| 生産技術 | Cpk (工程能力指数) | ばらつき予測 + パラメータ最適化 | +0.2 〜 0.5 |
| 品質保証 | 不良率 (PPM) | spike 早期検知 + 横断真因分析 | -20 〜 50% |
| 品質保証 | 是正処置 LT | 自動原因分析 + レポート生成 | -50 〜 70% |
| 生産管理 | 納期遵守率 | 遅延予測 + 挽回案自動提案 | +5 〜 15 pt |
| 生産管理 | 在庫回転率 | 需要・実績のリアルタイム照合 | +10 〜 25% |
現場全体の KPI 改善 (積み上げ効果)
OEE (設備総合効率)
+5 〜 15 pt
単位原価
-5 〜 15%
労働生産性
+20 〜 40%
※ 想定改善幅。業態・現状値により異なります。
Deployment
提供形態
業務要件・セキュリティ要件に合わせて 4 階層から選べます。多くの製造業では、貴社契約クラウドへ閉域展開するクラウド型を推奨しています (セキュリティ・性能・運用効率のバランスが取りやすいため)。
右にいくほどデータ主権が強くなりますが、構築・運用コストも増加します。多くの製造業では クラウド型 (貴社契約クラウドへ閉域展開) が、運用効率と最新 LLM 性能のバランスから最適解となります。クローズド型 も対応可能で、ローカル LLM の精度・必要 GPU リソース・運用コストについて、ユースケース毎に事前検証を実施します。
対応インフラ
- AWS
- Azure
- GCP
- VMware
- Kubernetes
- RHEL
Why Lluminai
Lluminai が選ばれる理由
局所最適に陥らず、データ整備や事前定義の手間を最小化したまま、現場で本当に使われるエージェントへ。Lluminai が選ばれる 5 つの理由です。
面倒なデータ整備・ワークフロー定義は不要
既存データに合わせた個別整備や、詳細なワークフロー設計は不要。MCP / API で必要なときに参照し、運用の中でエージェントが業務をスキルとして覚えていきます。
使えば使うほど AI が賢くなる
現場での日々の判断・実行をスキルとして自動蓄積。組織で使うほどユースケース精度が育ち、ベテランの経験が AI に引き継がれていきます。
セキュリティポリシーに合わせて安全に導入
SaaS型 / クラウド型 / ハイブリッド型 / クローズド型 の 4 階層から選択。BYOK・閉域・マスキング層・監査ログなど、貴社のセキュリティポリシーに合わせた構成で安全に導入できます。
ロックインを避け、柔軟に運用可能
オープン接続前提の設計。LLM モデル (Claude / GPT / Gemini / ローカル) もデプロイ先 (SaaS型 / クラウド型 / ハイブリッド型 / クローズド型) も自由に選択・変更可能です。
1〜2 ヶ月、1 部署でお試し・検証
大規模な要件定義や事前構築は不要。1〜2 ヶ月で 1 部署の PoC を開始し、効果を確認してから段階的に展開できます。
Connectivity
既存システムは、そのまま。
Lluminai はデータを集約しません。MCP オープン接続で、ERP・MES・CMMS・PLM・QMS など既存システムを動かさずに、AI が必要な時に必要な分だけ参照します。
既存システム (そのまま)
ERP / SCM
SAP / Oracle / Dynamics
MES / CMMS
Maximo / PI / Wonderware
PLM / 設計
Teamcenter / 3DEXPERIENCE / Windchill
既存システム (そのまま)
品質 / 実験
TrackWise / STARLIMS / LabWare
調達 / SRM
Ariba / Coupa / GEP
内製・独自
REST API / DB / SFTP
Security
安心・安全のセキュリティ対策
お客様のデータは AI の学習に使われず、権限毎にアクセスを制御。製造業の慎重な意思決定文化と情シス稟議に応えるセキュリティ設計です。
お客様のデータは AI の学習に使われません
推論で参照したデータは LLM プロバイダーの学習に使われない契約で運用。機微な固有名・設備 ID・数値は AI に渡す前にマスキング層でトークン化し、応答時に復元します。
権限毎に参照できるデータを細かく制御
OIDC / SAML / Active Directory 連携で、役割ごとに「閲覧 / 分析 / 計画 / 実行」の権限を分離。エージェントの自動実行範囲もルールで明示・制御できます。
暗号化・閉域・隔離実行の三重防御
お客様管理の暗号化キー (BYOK)、PrivateLink などの閉域ネットワーク、Confidential Computing による実行中のメモリ暗号化。クラウド事業者・運用担当者からのアクセスも排除します。
すべての操作を記録、追跡可能
ツール呼び出し / データ参照 / LLM 入出力を完全な trace として永続化。Splunk / Datadog などの SIEM 連携にも対応し、いつでも操作内容を遡って確認できます。
Pricing
料金プラン
料金は 3 つのポイントの組み合わせで決まります。1 部署からスモールスタートでき、必要に応じて段階的に拡張できる設計です。
01
どこで動かすか
デプロイ構成
SaaS型 / クラウド型 / ハイブリッド型 / クローズド型 から選択。セキュリティ要件と運用体制に合わせた構成により、構築・運用コストが変わります。
02
どこまで使うか
ライセンス範囲
1 部署単位からスタートできます。複数部署をまとめてご利用の場合はセット割引、全社展開は別途ご相談ください。
03
どれくらい使うか
利用ボリューム
ご利用ユーザー数、AI の利用量 (トークン)、接続する既存システム数、操作履歴の保持期間に応じて料金が変動します。
For your configuration
課題や規模に合わせ、最適な構成を提案いたします
デプロイ構成・利用範囲・規模感を簡単にお聞かせいただければ、最短数日でお見積りをお送りします。
※ ご相談・お見積りは無料です。情報収集段階でもお気軽にお問い合わせください。
Roadmap
導入の流れ
1 部署 PoC から段階導入。いつでも止められる構造で投資リスクを抑制する設計です。
1 部署 PoC
設備保全領域を推奨。代表業務 1 件で動作実証します。
スキル結晶化と定着
PoC 部署内で 5-10 個のスキルを蓄積。
隣接部署へ水平展開
PoC で蓄積したスキルを、隣接 4 部署へ展開。
拡張領域へ
R&D / 製品設計 / 資材調達に拡張。
Step 1 の PoC 成功基準 (例)
- ✓代表業務 1 件が、社内データを参照して回答まで一気通貫で完走
- ✓該当部署の現場担当者が「これは使える」と感じる定性評価
FAQ
よくあるご質問
Q. 導入までの期間は?
最短 1 ヶ月で 1 部署 PoC を開始可能です。要件整理・データ接続調整・運用設計まで含め、3 ヶ月で定着フェーズに移行するのが標準的なペースです。詳細は『導入の流れ』セクションをご覧ください。
Q. どの業務から始めるのがよいですか?
設備保全・生産技術領域での導入が、最も効果を出しやすい傾向です。データの整理度・ベテラン知見の偏在・現場業務の負荷など、貴社の状況に応じて最初に取り組む業務をご提案します。
Q. 完全オンプレで使えますか?
クローズド型 (完全オンプレ) 構成にも対応可能です。ただし、利用可能な LLM がローカルモデル (Ollama / vLLM 等) に限定されるため、ユースケース毎にモデル精度・必要 GPU リソース・構築運用コストの精緻な事前検証が必要となります。多くの製造業では、貴社契約クラウドへ閉域展開する クラウド型 が、セキュリティ・性能・運用効率のバランスから最適解となるケースが多く、まずはこちらからご提案しています。
Q. LLM は選べますか?
Claude / GPT / Gemini / ローカルモデルから選択可能です。Bedrock / Azure OpenAI / Vertex AI 経由にも対応します。
Q. 既存データをコピーする必要は?
ありません。MCP 経由で既存 SoR (System of Record) をそのまま参照します (read-only)。
Q. 既存システムとの連携範囲は?
MCP 経由で ERP / MES / PLM / Notion / Salesforce / Slack 等の既存システムを read-only で参照します。連携先を増やしたい場合はコネクタ開発で柔軟に対応可能です。
Q. カスタマイズの範囲は?
部署エージェント定義 / MCP 接続 / スキル / UI ブランドの 4 領域でカスタマイズ可能です。
Q. PoC で期待した成果が出なかった場合は?
PoC 期間で得た業務知見・整理されたデータ・蓄積したスキルは、そのまま貴社資産として残ります。継続義務はなく、PoC のみで終了することも可能です。
Q. 解約時のデータは?
クラウド型 / ハイブリッド型 / クローズド型 (貴社環境に閉じる構成) では、データは貴社側に残ります。Lluminai 側にはコピーが存在しません。
Concept
Lluminai が実現すること
産業データを AI Ready にし、
ERP・MES・CMMS・PLM・QMS・PI Historian ── 部署ごとシステムごとに散らばる既存データを、そのままの場所に残したまま、AI が必要な時に必要な分だけ横断参照・推論できる状態にする。データを Lluminai に集約しない。MCP オープン接続で「読みに行く」設計のため、データ移行も大型基盤の新設も不要。
ものづくりの意思決定を加速することで、
設備保全・生産技術・品質保証・生産管理が日々下している判断 ── 異常の原因推定、不良の真因分析、納期遅延の挽回案、量産工程の設計 ── を、AI が事実関係と仮説をまとめて提示する。判断は人が握り、AI は判断材料を整える。意思決定のリードタイムが日単位から分単位に短縮され、周辺部署に余剰時間が生まれる。
現場の技術を次の世代に繋ぐ。
熟練者が長年培った「どこを見れば原因がわかるか」「この設備のクセはこうだ」というコツは、退職や転勤で組織から消えていく。Lluminai は良かった判断・実行をスキルとして自動保存し、若手や新任者が同じ場面で過去ベテランの経験をそのまま再利用できる。現場のノウハウが個人の頭から組織の資産に変わり、世代を超えて積み上がる。