生成AIにCADを触らせて分かった、3つの限界
生成AIにCADを操作させる話は、この2年で一気に増えました。私たちも一通り試しています。結論から言えば、デモまでは驚くほど簡単に動きます。しかし現場の業務に入れた瞬間、3つの壁にぶつかる。今回はその壁の正体と、私たちがどう回避したかを、社内検証の数字を添えて書きます。
Photo: Unsplashデモまでは動く。だからこそ危ない
ChatGPTにCATIAのVBAマクロを書かせる。これは実際に動きます。パラメータを変えて円柱を作る、寸法を一括で変更する、指定した面にフィレットを付ける。この程度なら数分でコードが出てきて、コピーしてそのまま実行できてしまいます。私たちも最初に試したときは素直に感心しました。20年前なら半日かかった作業です。
問題は、その体験が「では業務に入れよう」という判断を早めてしまうことです。CADの自動化は、動いた瞬間が終わりではありません。誰が実行しても、どのデータに対しても、来月も再来月も同じ結果が出ることが要件です。デモはその要件を一切検証していません。検証していないのに、検証済みに見えてしまうのが厄介なところです。
私たちは創業から2年で98本のツールを現場に実装し、累計では500本を超えました。愛知県の大手自動車メーカー及びグループ各社との直接契約で鍛えられた経験から言うと、動くコードを書く工数は全体の2割以下です。残りの8割は、例外データの処理、権限の設計、命名規則への追従、そして「誰が結果に責任を取るか」の合意形成に消えていきます。
生成AIが肩代わりしてくれるのは、その2割の部分だけです。8割は手つかずのまま残ります。ここを混同したまま導入すると、現場は必ず事故ります。以下、私たちが実際にぶつかった3つの限界を順に書きます。どれも机上の懸念ではなく、手を動かして確認した内容です。
限界その1:CADのAPIは嘘をつかせやすい
CATIA V5のAPIは巨大で、しかもドキュメントの多くが公開情報として十分に整備されていません。学習データが薄い領域では、生成AIはそこを埋めようとして存在しないメソッドを自信満々で出力します。いわゆるハルシネーションです。しかもCAD用語は英語圏の一般語と重なるため、それらしい名前がいくらでも生成できてしまう。
厄介なのは、実行時エラーで必ず落ちてくれるとは限らない点です。似た名前の別メソッドが実在して、そちらが呼ばれてしまうケースがあります。すると処理は最後まで走り、結果だけが微妙に違う。ジオメトリが1本足りない、拘束が付いていない、レイヤが違う、パラメータが親モデルに紐付いていない。目視では気づけないレベルのズレが残ります。
私たちが社内で行った検証では、CATIA V5向けに生成させたマクロ約120本のうち、無修正で意図どおり動いたのは3割弱でした。残りの7割のうち、およそ半分は即エラーで停止、もう半分は「動いたけれど結果が違う」という最も危険な失敗です。件数で言えば40本以上が、静かに間違った結果を出したことになります。
即エラーは怖くありません。人が気づいて直せます。怖いのは静かに間違う方です。設計データは下流の工程に流れます。生産技術に渡り、型手配に進み、場合によっては金型が切られます。間違いに気づくのが型手配の後だったら、損失は自動化で浮かせた時間の何十倍、何百倍にもなります。リスクの非対称性がここにあります。
限界その2:再現性が担保できない
同じプロンプトを翌日投げると、違うコードが返ってきます。温度パラメータを下げても完全には一致しません。生成AIの性質上これは避けられない挙動です。研究や試作では大した問題になりませんが、製造業の現場で日常的に使うツールに、この性質は致命的です。
設計部門のツールは監査の対象になります。この寸法はどのロジックで決まったのか、いつのバージョンで、誰が承認したのか。品質問題が起きたときに必ず問われる項目です。生成AIが都度書き換えるコードでは、この問いに答えられません。「AIが書きました」は、監査の場で回答として成立しません。
さらに、モデルのバージョンが上がるだけでも挙動は変わります。半年前に時間をかけて検証を通したはずの処理が、ある日を境に別の結果を出す。しかも変更の事前通知は来ません。足元が動く基盤の上に生産設備を建てているのと同じ状態です。設備なら誰もやりませんが、ソフトウェアだと見えないので気づかれません。
私たちが特許第7907964号の「AIに作らせない」方式にたどり着いた最大の理由が、この再現性の問題でした。生成させなければ、揺れません。AIには検証済みの社内ツールを選ばせるだけにする。選択肢が固定されていれば、出力も固定されます。自由度を捨てる代わりに、保証を手に入れる設計です。
怖いのは即エラーで止まるコードではない。
静かに間違い続けるコードだ。
限界その3:責任の所在が静かに消える
3つ目は技術ではなく組織の限界です。生成AIが書いたコードで不具合が出たとき、誰が直すのか。書いた本人が存在しない以上、レビューして実行した人が実質的に背負うことになります。しかし現場の設計者にコードレビューの負荷を常時かけるなら、自動化した意味がかなり薄れます。
実際に相談を受けたケースでは、若手が生成AIで作ったマクロが部署内で口伝えに広がり、気づけば十数人が日常的に使っていました。作者はすでに異動済み。誰も中身を読んでいない。バージョン管理もされていない。属人化がAIによって加速した形です。手作業だった頃より状況は悪化していました。
自動化のリスクは、失敗したときではなく成功したときに増えます。便利だから広がる、広がるから止められない、止められないから検証されない、検証されないから壊れたときに誰も直せない。この連鎖を断つには、配布の時点で仕組みを入れるしかありません。運用ルールの周知だけでは、まず守られません。
私たちは、現場に出すツールには必ず作成者・検証者・検証日・想定入力範囲をタグとして持たせています。動くかどうかより、誰が保証しているかを先に決める。この順番は絶対に崩しません。逆から始めると、動いてしまった後で責任の話をすることになり、その議論はほぼ必ず紛糾します。
では、生成AIをどこで使うのか
生成AIを否定したいわけではありません。私たちも日常的に使っています。使うのは、出力の結果が人間の目の前で完結する領域です。既存マクロの読解、変数名の整理、仕様書のたたき台作成、エラーメッセージの解読、正規表現の生成。ここでは間違いなく強力な戦力になります。生産性は体感で数割上がりました。
境界線は明確に引けます。出力が設計データに直接書き込まれるかどうか。書き込まれるなら生成AIは使わない。書き込まれないなら遠慮なく使う。私たちはこの一線を社内ルールとして明文化し、新しく入ったメンバーにも最初に説明しています。判断に迷う余地を残さないことが重要です。
そのうえで、CAD操作そのものはAIに「作らせず」に「選ばせる」構造にしました。検証済みの社内ツールをタグ付けして資産化しておき、AIエージェント「Qi」は自然言語の指示に対して適切な資産を選ぶだけ。コードは1行も生成しません。選んだ結果はDSL、通称「関所」が実行前に検査します。
選ぶだけなら、間違えても選択肢の外には出ません。生成の自由度を捨てる代わりに、範囲の保証を手に入れる。私たちがキャッチコピーに掲げている「自働化を、設計する。」は、この考え方を指しています。異常が起きたら自分で止まる仕組みを、あらかじめ設計に織り込むということです。
現場投入の前に確認したい5項目
実務者向けにチェックリストを置いておきます。1つ目、同じ入力で100回実行して100回同じ結果になるか。10回では足りません。2つ目、異常データや想定外の形状を食わせたとき、黙って処理を続けるのではなく明示的に止まるか。この2つを通らないものは、どれだけ便利でも現場に出してはいけません。
3つ目、実行者の権限に関係なく同じ処理が走ってしまわないか。検討中データと承認済みデータを区別できているか。4つ目、半年後に別の担当者が中身を追えるか。5つ目、ツールが壊れたときの手戻り工数が、削減した工数を上回らないか。この5項目は、私たちが社内レビューでそのまま使っている基準です。
5番目が実務では一番効きます。作業時間を月10時間削るツールでも、年に一度の事故で40時間の手戻りが出れば、収支はほぼゼロです。設計変更まで波及すれば赤字になります。自動化の価値は削減時間そのものではなく、削減時間から想定リスクを引いた残りで測るべきだと考えています。
生成AIでCADを触る話は、今後も増えるでしょう。試すのは大いに結構です。私たちも試し続けます。ただ、試すことと現場に置くことは別の判断だという一点だけは、崩さないでいただきたいと思っています。私たちが2年で98本を落とさずに動かし続けている理由も、突き詰めればそこにあります。
▶ 実際の動作は動画でご確認いただけます(QRONIX 公式チャンネル)
記事一覧をすべて見る →