Column

「社内の技術情報をクラウドに送るな」── 工場でLLMを使う前に必要なもの

製造現場でLLMを使いたい。でも設備の技術文書を外部クラウドに送るのはセキュリティ上NG。この矛盾を解消するオープンソースフレームワーク「FactoryLLM」を、製造DX・設備保全チーム・ITベンダー向けに解説する。

2026 / 06 / 16 5 分で読める English version →

こんにちは。Affectosphere Group の井下です。

製造業のDX担当者と話すと、こういう場面が出てきます。

「設備の故障診断にAIを使いたい。でも技術文書をクラウドに投げるのはセキュリティ的にアウト」。

「どのLLMが工場の専門文書に対して使えるか、社内で試したいが、評価のやり方がわからない」。

「AI導入の稟議を通すには、事前に性能を定量的に示さないといけない。でも評価環境がない」。

この3つの壁が同時に存在するのが、スマートファクトリーへのAI導入の現実です。

今日の3点

arXivで公開された研究（Yash Pulse, Yong-Bin Kang, Abhik Banerjee, Abdur Forkan, Prem Prakash Jayaraman）は、この問題を正面から取り上げています。

製造現場で設備故障の診断にLLMを使おうとすると、2つの課題がほぼ必ず出てきます。

1つ目は情報漏洩リスク。機械の仕様書・保全マニュアル・故障履歴は、企業の競争優位の核になるプロプライエタリ情報です。クラウドAPIに送信することには、セキュリティ・法務・経営の各層から慎重論が出る。

2つ目は評価基盤の欠如。「このLLMは工場の技術文書に対してどれくらい使えるのか」を測る標準的な手法がない。ChatGPTに聞いてみて「なんとなく良さそう」という感想で終わっている企業は多いと思います。

FactoryLLMは、この2つを同時に解決しようとするフレームワークです。

設計のポイントは3つあります。

ローカル完結の処理。技術文書の解析からLLMへの問い合わせまで、外部クラウドに送信せずにローカル環境で完結させる。これがセキュリティ問題を解消する核心です。

標準指標による評価。LLMの回答が「根拠に基づいているか」を測る指標（根拠スコアなど）を含む、業界標準の評価指標を実装している。各社のLLMを横並びで比較できます。

構成可能なモデル設定。使いたいLLMやパラメータを差し替えて評価できる。「GPT-4oとLlama3をうちの技術文書で比べてみる」といったことが可能になります。

実験では、自動運転車と計画ソフトウェアを対象とした30問の保全関連クエリを使い、複数のLLMを評価しています。論文によると、テストした全モデルが根拠スコア0.88以上を達成したとのことです。工場設備の専門技術文書に対しても、LLMが一定の実用水準を示せることを確認した点が報告されています。

FactoryLLMがオープンソースで公開されていることは、製造業の文脈では重要な意味があります。

製造企業がAI評価ツールを自社開発するのは、コスト・専門知識の両面でハードルが高い。かといって外部ベンダーに丸投げすると、評価プロセス自体が「ブラックボックス」になる。

オープンソースであれば、コードを社内で検証できる。評価ロジックを理解した上で使える。必要であれば自社の評価クエリを追加できる。これは情報セキュリティ・AIガバナンスの観点からも、稟議を通す上でも有利に働くと思います。

「設備保全部門でのLLM事前評価」を具体例として整理します。

想定部署: 設備保全チームと生産技術部門が連携し、情報システム部門が環境を準備

課題: 設備の故障診断マニュアルは膨大で、新人オペレーターが適切な対応手順を見つけるまでに時間がかかる。LLMに自動回答させたいが、何を使えばいいかわからない。

FactoryLLMを使うなら: 自社の設備マニュアルをローカル環境に配置し、保全担当者が実際に使いそうな問いかけ（「○○エラーコードが出たときの確認手順は？」など）をFactoryLLMのクエリとして設定。複数のLLMを比較評価し、根拠スコア・回答精度・応答速度を測定する。

KPI候補:

ITベンダー・SIerが顧客提案に使う場合は、「顧客の技術文書をFactoryLLMで事前評価し、どのLLMが最適かをレポートとして提出する」という形の提案プロセスが考えられます。稟議通過率が上がる予感がします。

製造業のAIガバナンス担当にとっては、「AI導入前に性能評価を行った記録」としてFactoryLLMのレポートを蓄積することが、内部統制・監査対応の文書として機能するかもしれません。

製造業のDXは「AIを入れた後」の話が多い。でも現場で詰まっているのは「入れる前」の評価と説明責任の問題であることが多いと思います。

FactoryLLMが提案するのは、その「前工程」を安全・定量的に行う環境です。情報を外部に出さずに評価できる。標準指標で他モデルと比較できる。その結果を稟議書に添付できる。

製造業特有のセキュリティ要件と、AI活用への期待の間で板挟みになっているチームにとって、試す価値のある選択肢だと思います。

では！

Yash Pulse, Yong-Bin Kang, Abhik Banerjee, Abdur Forkan, Prem Prakash Jayaraman (2026). FactoryLLM: A Safe and Open-Source AI Playground for Evaluating LLMs in Smart Factories. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。