生成AIで設計業務はどう変わる？機械設計AIの進化タイムラインと、メーカーが今から備えるべきこと

結論から述べます。機械設計のAIによる自動化は、すでに技術的な射程に入りました。残された準備期間は、およそ3年です。ただし「設計者の仕事がなくなる」という話ではありません。実際に起きるのは、AIを使いこなした競合他社との差が、取り返しのつかないところまで開くという変化です。

本記事は、2026年7月10日に開催された関西設計管理研究会での講演「生成AIの進化が設計業務にもたらす変化と、メーカーが備えるべき時間軸」の骨子をまとめたものです。生成AIと設計業務の関係を、ソフトウェア業界で実際に起きた自動化を出発点に整理し、製造業において機械設計のAIがどの順番で実用化していくのかというタイムラインと、メーカー・設計者が今から着手すべき準備を示します。

ソフトウェア業界で先に起きたこと

設計にAIが入ってくる話をする前に、すでに自動化が起きた業界を見ておく価値があります。ソフトウェア開発です。

数年前まで、競技プログラミング――限られた時間で難問を解くコンテスト――はAIには手の届かない領域とされていました。それが現在では、生成AIは人類のトップ級に並ぶ成績を出すようになっています。同時に実務の現場でも、「社内で書かれるコードの過半をAIが書いている」と公言する企業が現れました。数年前なら冗談として受け取られた話が、いま普通に起きています。

なぜソフトウェアが先だったのか。理由はシンプルで、正解を機械が自動で判定できたからです。書いたコードは実行すればテストが通るかどうかで良し悪しが即座に分かります。つまり「AIが出力する→機械が採点する→AIが学習する」という検証ループを、人手を介さず高速に回せた。AIの進化は、この検証ループを作れる領域から順に起きます。これは業界を問わない原理です。

裏を返せば、検証ループを作りにくい領域は後回しになります。CAD・図面が長らく「AIが苦手な領域」であり続けた理由も、まさにここにあります。

AIはCAD・図面をなぜ苦手としてきたのか

設計データは、テキストや画像に比べて機械的な正解判定が難しい対象です。ある3Dモデルが「良い設計かどうか」は、加工可能性・コスト・組立性・その会社固有の設計基準といった多数の条件で決まります。実行すれば通るか落ちるかが分かるコードとは違い、答え合わせを自動化しにくい。学習ループが回らなければ、進化も遅くなります。

加えて、学習に使える3Dデータが公開されている量は圧倒的に少ないという事情もあります。インターネット上のテキストや画像は無尽蔵に近い一方で、企業の3Dモデルや図面は基本的に社外へ出ません。

しかし、この構図は崩れ始めています。ひとつは動画からの学習です。世界の物理的な振る舞いを動画で学ばせるアプローチが進み、AIが立体形状と空間の関係を扱う土台ができつつあります。もうひとつは意味構造の理解で、単なる点群やポリゴンの塊としてではなく、「これは軸で、ここが取付面で、この穴はボルト用」といった設計意図に近い単位で形状を捉える研究が進みました。

実感としてわかりやすいのは、3D生成AIの1年前と現在の差です。1年前は「なんとなくそれらしい塊」しか出てこなかったものが、いまは形状の破綻が目に見えて減っています。CADと生成AIの距離は、「まだできない」から「近いうちにできる」へ移りつつあります。

機械設計AIの進化タイムライン

では、いつ・何ができるようになるのか。検証ループを作りやすい順序をふまえて整理すると、AI自動設計は次のような時間軸で製造業の設計現場に届くと考えています。

ポイントは、ドキュメント・ナレッジ領域はすでに実用段階にあるということです。設計判断の記録、社内基準の検索、定型的なチェックリスト確認といった業務は、いまの生成AIで十分に支援できます。逆に、現場での組立・調整といった物理作業を担うPhysical AIは、学習データの取得コストが桁違いに高く、当面は本格化しにくい領域です。デジタルの中で完結する仕事から順に変わると考えるのが実態に近いでしょう。

生成AIの2つの弱点と「人が残る場所」

ここまで進化の話をしてきましたが、生成AIには構造的な弱点が2つあります。そしてこの弱点こそが、設計者の仕事が残る理由でもあります。

弱点1：デジタルの外では賢くなれない

AIが学習できるのは、データ化された情報だけです。「この材料はこの季節に反りやすい」「この協力会社ならこの公差でも通る」「この治具は現場で毎回微調整している」――こうした知見は、どこにも書かれていないことが大半です。デジタル化されていない現場の個別知見は、AIの外側に残り続けます。裏を返せば、その知見を言語化・データ化した会社だけが、AIに自社の設計を学ばせることができます。設計のノウハウ継承が急に重い経営課題になるのは、このためです。

弱点2：精度は原理的に100%にならない

生成AIは確率的に出力を組み立てるため、常に一定の誤りを含みます。設計は、1件の見落としが製品事故や大規模な手戻りにつながる領域です。したがって「AIの出力を検証できる人」の価値は、むしろ上がります。作業そのものより、判断と検証が設計者の主戦場になっていきます。手戻りコストと検図の関係は、製造業の設計現場で起きる「手戻りコスト」と3D/2D検図の論点でも整理しています。

メーカーが今から備えるべきこと

会社として取り組むこと

ひとつ目は、生成AIを使える環境をつくることです。セキュリティを理由に全面禁止のままでは、3年後の差は埋まりません。扱ってよい情報の線引きを決め、日常業務で使える状態にすることが出発点になります。

ふたつ目は、1年以内に設計ノウハウをドキュメント化することです。AIに自社の設計を学ばせるには、まず自社の判断基準が文章になっている必要があります。ベテランの退職を待たずに着手すべき理由がここにあります。散在する図面・設計文書を横断的に活かす仕組みは、図面・設計ナレッジAIのような形で先に整えておけます。

みっつ目は、ニッチなAIツールを入れすぎないことです。特定作業専用のツールは、汎用AIの進化に半年から1年で追い越される可能性があります。汎用的に使える基盤と自社データの整備に投資したほうが、結果的に手元に残ります。一方で、検図のように評価基準がはっきりしている工程は例外で、自動検図・設計検証のように仕組みとして自動化する価値が高い領域です。

設計者個人として取り組むこと

まず、わからないことは先にAIに聞くという習慣をつけることです。費用はかかりません。今日から始められて、1年後の差が最も大きく出ます。

次に、設計判断を言語化すること。「なぜこの寸法にしたのか」「なぜこの材料を選んだのか」を文章で説明できる人は、AIに正しく指示を出せます。そして最後に、検証できる設計者になることです。AIが出したモデルや図面の妥当性を判断できる力は、これから最も希少になります。

よくある質問

生成AIで機械設計は自動化できますか？

部分的にはすでに可能で、全体の自動化も技術的な射程に入っています。現時点で実用段階にあるのは、ドキュメント作成支援・設計ナレッジ検索・定型チェックの自動化です。3Dモデリングや検図の部分自動化はおよそ2年後、2D図面の読み取りを含む一連の自動化はおよそ3年後が目安になります。

AIはなぜCAD・図面を苦手としているのですか？

設計の「正解」を機械が自動判定しにくく、学習の検証ループを作れなかったためです。コードのように実行して合否が出るわけではなく、加工性・コスト・自社基準など多数の条件で良否が決まります。公開されている3Dデータが少ないことも制約でした。動画からの学習と意味構造の理解が進み、この壁は崩れ始めています。

設計者の仕事はAIに奪われますか？

仕事はなくなりませんが、中身は変わります。生成AIはデジタル化されていない現場知見を学べず、精度も原理的に100%にはなりません。そのため、現場を知り、AIの出力を検証できる設計者の価値はむしろ上がります。差がつくのは人とAIの間ではなく、AIを使いこなす企業と使わない企業の間です。

メーカーは何から準備を始めるべきですか？

まず社内で生成AIを使える環境を整えること、次に1年以内に設計ノウハウをドキュメント化することの2点です。特定作業に特化したニッチツールの導入を急ぐより、汎用AIを使える体制と自社データの整備を優先してください。個人であれば、わからないことをまずAIに聞く習慣が、費用ゼロで始められる最短の準備です。

まとめ

生成AIの進化は、検証ループを作れる領域から順に進みます。ソフトウェアで起きたことは、時間差でCAD・図面の世界にも到達します。残された準備期間はおよそ3年。この間に、生成AIを使える環境と、自社の設計ノウハウをAIが学べる形を整えられるかどうかが、その後の競争力を決めます。

各時期の判断根拠、実際のデモ事例、準備すべき項目のチェックリストは、講演資料で詳しく解説しています。

本記事は、2026年7月10日に開催された関西設計管理研究会 第530回例会「AIと設計」における、株式会社WOGO 代表取締役 秦 竟超（しん こえる）の講演「生成AIの進化が設計業務にもたらす変化と、メーカーが備えるべき時間軸」の内容をもとに、株式会社WOGO（東大発・3D×AIスタートアップ）が執筆しました。