ダイキンが日立と組み生成AIで製品開発を加速した事例です。 日立公式の活用事例(2025-09-10)で公開されています。
「メーカー連合だから関係ない」と読み飛ばすにはもったいないです。 中小製造業で「専門人材依存で製品開発が長期化する」で悩んでいる構造そのものだからです。 ダイキンはこの問題を、「ベンダー協業のAI基盤+開発工程別AI活用」で解いています。
僕が注目したのは、「単発ツールではなく開発工程全体にAIを差し込んだ」踏み込みです。中小製造業にそのまま転用できます。
中小製造業の製品開発課題
社員10〜100名の中小製造業にありがちな構造はこうです。
- 制御アルゴリズム設計がベテラン依存
- コードレビュー・テストに膨大な時間
- 結果、製品開発が長期化
- 若手の設計参画機会が少ない
汎用ChatGPTには社内コード資産を渡せません。「ベンダー協業AI基盤+工程別AI」が必要、というのが本事例の骨子です。
ダイキンの取り組み
日立公式事例で紹介されている内容は以下です。
- 対象: 空調制御アルゴリズム開発
- 基盤: 日立の生成AI開発支援基盤
- 用途:
- 仕様検討: 要件をAIで構造化
- コード生成: アルゴリズム初稿をAIが生成
- テストケース: テストパターンを自動生成
- 設計思想: 開発工程全体にAIを差し込む
効果実感:
- 開発リードタイムの短縮
- 品質向上と開発スピード両立
何が真似できるか
ダイキンは大手ですが、設計思想だけ抜き取るとこうなります。
- 仕様検討・コード・テストの工程別にAI
- AI初稿+人レビューの分業
- ベンダー基盤を使って社内コードを安全に活用
- 効果は「開発リードタイム×品質×若手参画率」で測る
特に「工程別AI」が秀逸です。中小製造業ほど「AIをコード生成にだけ使う」となりがちですが、仕様検討〜テストまで通すと効果が桁違いです。
中小企業で再現するなら
ここからが本題です。社員10〜100名の中小製造業で同じ思想を取り入れるならどう削るか。
構成
| 項目 | ダイキン | 中小製造業(社員10〜100名) |
|---|---|---|
| 対象 | 制御アルゴリズム全工程 | 主要製品ラインから段階展開 |
| ツール | 日立AI基盤 | GitHub Copilot+ChatGPT Team(月3,000〜4,000円/人目安、2026年5月時点。要最新価格確認) |
| 月額費用 | (記載なし) | 推定 月5〜30万円 |
| 初期費用 | (記載なし) | 推定 50〜300万円(基盤設計+工程整備) |
| 体制 | 開発+ベンダー | 経営+開発リード+情シス(or 外部支援) |
| 期間 | (記載なし) | 3〜6ヶ月で運用化 |
評価軸スコア
| 評価軸 | スコア |
|---|---|
| ROI(投資対効果) | ★★★★☆ |
| 再現性(中小企業) | ★★★☆☆ |
| 難易度(低いほど簡単) | ★★☆☆☆ |
(難易度=数字小さいほど簡単)
スコア根拠は以下です。
- ROIは高い。開発リードタイム短縮は受注機会を増やす
- 再現性は中。自社コード資産整備が前提
- 難易度は高い。工程別の運用設計が必要
前提条件・必要データ
- 社内コード資産がGit管理されている
- 仕様書テンプレートがある程度標準化
- AI出力後のレビュー体制整備
- 月次で開発リードタイムを計測
失敗条件・適用しないケース
- コードがローカル散在(AI連携不可)
- AI生成コードをレビューなしマージ(品質事故)
- 機密設計情報の取り扱いが未定義
- 効果測定をせず「便利になった気がする」で終わる
「Copilotを契約すればリードタイム半減」のではありません。
コード資産整備→仕様テンプレ整備→AI連携設計→工程別運用→検証案件→月次測定、という流れが3〜6ヶ月で回って初めて、本事例が描く「製品開発加速」像が中小製造業にも見えてきます。
特に「工程別運用」を省くと、コード生成だけにAIが偏り効果が薄れます。
出典・参考
市野
愛知県岡崎市でAI活用支援を手がける一人社長。 中小企業の現場でAIを実装してきた経験から、他社事例を「うちで再現するには」の視点で読み解いて発信中。
愛知県岡崎市を拠点に、中小企業向けのAI活用支援を提供。ChatGPT・Claude Code等を活用した業務自動化やSEO・広告運用の内製化を支援。経営者が自らAIを使いこなせる体制づくりをサポートしている。
＞＞詳細なプロフィールはこちら