「とりあえずAI」が製造現場を壊す？失敗するDXと100点を目指さない成功の法則

1. 「AIを入れれば解決する」という幻想の終焉

「話題の生成AIを導入したが、現場がかえって混乱した」。私は、この開業3年目のミラーマスター合同会社を運営する中で、そのような悲鳴を何度も耳にしてきました。 40年間、DCS（計装制御）からERPまで製造業のシステム変革に携わってきた私（鏡）の目から見れば、AIは「魔法の杖」ではなく、極めて癖の強い「部下」に過ぎません 。

2. 衝撃の算数：なぜAIの成果は「32％」まで落ち込むのか

AIは一見、非常に優秀に見えます。しかし、それは「AIの作業がよく見える人」にとっての話です。

AIは決して100点を出しません。常に80点しか取れないのです。

単発の仕事であれば、80点の成果は「出来の悪い部下」より良く見えるかもしれません。しかし、製造現場の仕事は複数の工程が複雑に絡み合います。

例えば、5つの工程を連続してAIに任せた場合、その成果は以下のようになります。

$0.8^5 = 0.32768$

つまり、全体の成果はわずか32％まで低下するのです。これが「とりあえずAI」を導入した現場で、最終的に人間が膨大な手直し（ケツ拭き）に追われる正体です。

3. 「出来の悪い部下」と「嘘をつくAI」の決定的な違い

現場で苦労している「出来の悪い部下」であっても、毎日同じ現場に立ち、同じ空気を吸っていれば、文脈（コンテキスト）を理解して成長します。 しかし、AIは違います。AIは思考が発散し、事実に基づかない回答をする「ハルシネーション（幻覚）」を起こします。 「もっともらしい嘘」をつくAIをそのまま現場に放り込むことは、品質管理を放棄するのと同じです 。

4. 成功と失敗の分かれ道：ハルシネーションを「仕組み」で封じ込める

DXに成功する企業は、AIの「80点限界」を理解し、それを補完する仕組みを持っています。

私が現在進めている「鑑定人試験対策AI」や製造業DX支援では、以下の3点を徹底しています。

1. Codeノードによる論理固定: 計算などの正確性が求められる部分は、LLMに考えさせずPythonコードで処理を決定論的に固定する。
2. RAG（検索拡張生成）の最適化: 40年の知見に基づき、AIが参照すべき「正解データ（技術標準書など）」を厳選し、思考のブレを最小限に抑える 。
3. 変数のステート管理: Difyの「会話変数」を活用し、一連の業務フローの中でAIが「前の工程で何をしたか」を忘れない仕組みを作る。

5. まとめ：ミラーマスターが提案する「勝てる仕組み」

DXの成否は、最新のAIを導入することではなく、AIの特性を理解して「使いこなすための土俵」を作れるかどうかにかかっています。 私は30業種の現場で、システムの成功と失敗の分岐点を見てきました 。開業3年目の新しい会社だからこそ、大手ベンダーが言いたがらない「AIの限界」を正直に伝え、それを乗り越えるための泥臭い伴走支援が可能です。

御社のDXが「32％の成果」で終わる前に、現場を知る私にその悩みを聞かせてください。

---