ETO製造業向け：量産AIで効かなかった3領域を、ブラウザ内完結ツールで解決する

なぜ量産AIはETOで効かないのか

製造業のAI活用といえば、需要予測・SPC管理図・異常検知。これらは 「同じ製品を繰り返し作る量産」 が前提だ。

ETO（Engineering To Order：受注設計生産）の現場で同じツールを当てはめようとすると、たいてい失敗する。理由は単純で、ETOは 「同じものを2度作らない」 からだ。

項目	量産（MTS）	ETO（一品一様）
ロット	数百〜数万	1〜数台
設計	標準流用	都度新規
過去データ	統計予測が効く	完全一致案件は無い
ボトルネック	静的・固定	動的・案件毎
LT	数日〜週	数ヶ月〜年

統計の前提となる「同質な反復」がETOには無い。だから量産AIをそのまま持ち込んでも当たらない。

それでもETOには AI で本気で改善できる3つの領域 が存在する。本記事では、それを3つのブラウザ内完結ツールとして実装した記録を共有する。

ETO 3大課題と3つの解

課題1：営業段階の見積り齟齬

ETO営業の見積もりは「過去に似た案件あった？」という属人参照に依存する。ベテランが退職すると一気に精度が落ちる。

解：類似度ベース見積り

過去案件マスタの各案件を 8特徴量 で構造化する。

部品点数 / 主要寸法 / 重量
材質 / 主工法 / 加工難易度
設計新規率 / 顧客カテゴリ

新規RFQの特徴量とマスタを コサイン類似度 + k-NN で照合し、類似度加重平均で工数・コスト・LTを予測。

→ 公開した ETO類似案件見積りツールでは、産業機械20件・プラント設備20件・特装車両20件の架空マスタを内蔵。自社の過去案件CSVをアップロードして即実用できる。

課題2：受注時の納期確約根拠不足

「いつ納品できる？」と問われ、「6ヶ月くらいで」と感覚で答える。バッファ無しなら半数以上が遅延。過剰バッファなら失注。

解：モンテカルロ・スケジュールリスク評価

WBS の各タスクに楽観 a / 最尤 m / 悲観 b の 3点見積り（PERT） を設定し、三角分布で1万回サンプリング → CPM計算で完了日分布を構築。

得られた分布から:

P50：社内目標日（中央値）
P80：顧客コミット日（推奨）
P95：契約書・最終死守ライン

の3段階で納期を運用する。

→ プロジェクト納期モンテカルロツールでは各タスクの クリティカル度 （何%のシミュレーションでクリティカルパス上にいたか）もランキング表示。リスク重点監視タスクが一目で分かる。

課題3：生産段階の Job Shop スケジューリング

ETO は工程経路がジョブ毎に違う。「ジョブAは溶接→塗装→組立、ジョブBは加工→組立→検査」のように。量産用スケジューラ（Flow Shop想定）はこの並走に対応できない。

解：ディスパッチングルール3種比較

ルール	選択基準	強み
EDD	納期最早優先	納期遵守率
SPT	処理時間最短優先	平均フローTime
CR	余裕/残処理比最小	バランス型

3ルール並列実行 で同じデータに対する結果を比較し、現場のKPI重視点（納期 vs 稼働率 vs フローTime）に応じて使い分ける。

→ ETO Job Shopスケジューラではガントチャート可視化と機械別稼働率も同時表示。

なぜこれら3つは「実用レベル」か

1. アルゴリズムが軽量

コサイン類似度: マスタ60件なら計算 1ms 以下
モンテカルロ1万回: 数百ms（ブラウザ内JS）
Job Shop シミュレーション: 数十ジョブで数百ms

すべて クラウド計算不要 でブラウザ内完結。社外秘の案件データを外部に送らずに済む。

2. サンプルが現場感ある

「Job A, B, C」のような抽象例ではなく、産業機械プリセットなら「プレス機200t」「シリンダーヘッド加工機」、プラントなら「貯蔵タンク50KL」「熱交換器シェル&チューブ大」、特装車両なら「消防車ポンプ車」「タンクローリー化学品」のように 業界の実物名称・現実的レンジ で構成。

「これ自分の現場でも使える」と即判断できることを最優先にした。

3. 結果が現場アクションに直結

各ツールの結果末尾に NEXT ACTIONS セクションを配置。

類似案件見積り: 「Top3案件の設計図書・実績原価を参照」「過去ハマりポイントを必ず確認」「確信度低なら追加情報収集」
モンテカルロ: 「P80を顧客コミットに提案」「クリティカル度高タスクに人員集中」「バッファをチェイン末尾配置」
Job Shop: 「稼働率60%未満は他用途検討」「85%超のBN機械は SMED・予防保全最優先」「遅延ジョブは早期再交渉」

「数値が出ました」では終わらせず 「で、現場で何をするか」 まで一気通貫で繋げる。

量産AIの「平均値主義」からの脱却

ETO で本当に役立つのは 「平均値の予測」ではなく「類似事例の引き当て」と「分布で語ること」。

「LT は6ヶ月です」と1点で答えるのではなく、 「6ヶ月で完了する確率は50%、7ヶ月で80%、8ヶ月で95%」 と分布で語る。

「過去の平均工数は1500h」ではなく、 「あなたのこの案件に最も似ているのは、Aプロジェクト（類似度0.91）と Bプロジェクト（類似度0.87）。それらの実績は1700h と 1400h」 と具体引き当てで答える。

これがETO製造業のAI活用の 発想転換 だ。

試してほしい

ETO類似案件見積り — まず内蔵プリセット（産業機械/プラント/特装車両）で動作確認
プロジェクト納期モンテカルロ — 8タスクのプロジェクトサンプルで P50/P80/P95 を体験
ETO Job Shopスケジューラ — 3ルール比較モードで違いを観察

実際の業務適用イメージは一品一様製造（ETO）のAI活用事例で詳述している。

「データが少ないからAIは無理」に対する答え

ETOで最も多い反論は 「うちは案件少ないからAIは効かない」。

でも本質は逆だ。 ETOで必要なのは大量データではなく、特徴量の正しい設計と類似度という発想転換。

直近10案件をテンプレートCSVで記録し、特徴量を統一すれば、それで類似度検索は実用的に動き始める。完璧なデータベースを揃える前に、最初の10件で動かして手応えを掴んでほしい。