AI検図とは？製造業の検図を自動化し、設計ミスと検図工数を減らす仕組み

AI検図とは、2D図面や3D CADモデルなどの設計データをAIや各種アルゴリズムで解析し、図面ミスや設計ミス、製造上の問題を検出する仕組みの総称です。

AI検図と呼ばれる製品やシステムには、図面の記載漏れを候補として提示するもの、形状や寸法を自動計測して合否判定するもの、設計基準書と照合するものなど、さまざまな方式があります。

自動化のレベルも一様ではありません。明確な数値条件を完全自動で判定できる場合がある一方、曖昧な注記や設計意図については、AIが候補を提示し、最終的に人が判断する半自動型の運用もあります。

適切に導入すれば、見落としの削減や検図工数の短縮だけでなく、出図や製造開始までのリードタイム短縮、設計品質の標準化、若手設計者の教育支援にもつながります。

一方、誤検出が多いシステムや、既存業務と分断されたシステムを導入すると、AIの指摘を確認する作業や二重チェックが増え、かえって工数が膨らむ可能性があります。

本記事では、AI検図の定義、主な技術方式、自動化できる業務、導入効果が出る条件、注意点、導入手順、システムの選び方を解説します。

AI検図の要点

• AI検図とは、図面やCADモデルの確認をAIやアルゴリズムで支援・自動化する仕組みの総称
• 完全自動判定から、指摘候補を提示して人の判断を支援する方式まで存在する
• ルールエンジン、幾何解析、画像認識、OCR、生成AIなど、採用技術は製品によって異なる
• 自動化できる対象も、2D図面、3D形状、アセンブリ、BOM、設計基準書など製品ごとに異なる
• 適切に導入すれば、検図時間だけでなく、手戻り、リードタイム、教育コストの削減も期待できる
• 誤検出や二重チェックが多い場合は、導入前より工数が増える可能性がある
• 導入時は、AIの名称や機能数ではなく、対象業務に対する精度と業務全体の削減効果を評価する

AI検図とは何ですか？

AI検図とは、設計図面やCADモデルに含まれる形状、寸法、公差、注記、属性などをAIやアルゴリズムで解析し、設計基準や製造条件への適合確認を支援・自動化する技術です。

従来の検図では、設計者や承認者が図面やCADモデルを確認し、社内の設計基準書、加工条件、過去の不具合事例などと照合していました。

AI検図では、こうした確認作業のうち、機械的に判定できる項目を自動化したり、判断が必要な項目について問題候補を提示したりします。

AI検図には複数の自動化レベルがある

AI検図は、すべての検図を一度に完全自動化する仕組みとは限りません。対象とする検図項目によって、自動化レベルが異なります。

自動化レベル	内容	例
情報抽出	図面やCADから確認に必要な情報を取得する	寸法、注記、穴、板厚の抽出
指摘候補の提示	問題の可能性がある箇所を表示する	公差不足、注記漏れの候補提示
半自動判定	AIが判定し、人が結果を確認する	類似不具合との照合、曖昧な社内基準
自動判定	明確な条件に基づいて合否を判定する	最小穴径、必要距離、属性の有無
業務フロー自動化	結果に応じて承認や差し戻しを制御する	出図前チェック、PLM登録時の検査

例えば、「図番が入力されているか」「穴と端面の距離が基準以上か」といった明確な条件は、自動判定しやすい項目です。

一方、「この構造で十分な安全性があるか」「顧客の意図に合っているか」といった判断は、設計条件や使用環境を含むため、AIによる支援と人の判断を組み合わせる必要があります。

AI検図に使われる技術は一つではない

AI検図に利用される技術は、製品や対象業務によって大きく異なります。

• ルールエンジンによる条件判定
• 幾何解析による距離、角度、板厚、干渉の計算
• 画像認識による図面記号や寸法線の検出
• OCRによる注記や表題欄の読み取り
• 自然言語処理による設計基準書の解析
• 生成AIによる図面内容の解釈や指摘理由の生成
• 過去の不具合や指摘事例との類似検索
• CAD、図面、BOM、仕様書間の整合性確認

従来から、CAD属性や形状を一定のルールで確認する機能は存在していました。近年は、画像認識や生成AIなどを組み合わせることで、従来は構造化しにくかった図面情報や自然言語の扱いが広がっています。

ただし、AIを利用しているからといって、必ず従来方式より精度が高いとは限りません。

距離や寸法のように判定条件が明確な項目では、AIよりも幾何計算やルールエンジンの方が、高い再現性を得られる場合があります。重要なのは、対象項目に合った技術が使われているかどうかです。

AI検図の導入では「何を任せるか」が重要

AI検図を導入するときは、「検図全体をAIに置き換える」と考えるのではなく、項目ごとに役割を決める必要があります。

検図項目	想定する運用
明確な数値条件	自動判定し、問題がある場合だけ人に通知する
図面記号や文字の読み取り	AIが抽出し、人が必要に応じて確認する
曖昧な注記や設計基準	AIが判断候補と根拠を提示する
安全性や機能性	人が中心となってレビューする
最終承認	製品リスクや品質管理体制に応じて決定する

AI検図を有効に活用するには、検出精度だけでなく、誰がどの結果を確認し、どの時点で承認するのかまで業務フローに組み込む必要があります。

AI検図と従来の自動検図・DFMは何が違いますか？

AI検図と従来の自動検図の境界は、必ずしも明確ではありません。AI検図は、従来のルールベースや幾何解析による自動チェックに、画像認識や自然言語処理、生成AIなどを組み合わせ、対象範囲や柔軟性を広げたものと整理できます。

ただし、AI検図、DFM、デザインレビュー、製品検査は、それぞれ目的が異なります。

種類	主な目的	確認対象	主な実施方法
手作業の検図	設計ミスや記載漏れの発見	2D図面、3D CAD、仕様書	設計者や承認者が確認
デザインレビュー	設計方針、機能、安全性の妥当性確認	製品や設備全体	複数部門によるレビュー
DFM	製造しやすく、コストを抑えられる設計にする	形状、材料、加工方法	設計・製造上の考え方
従来の自動検図	定義済みルールへの適合確認	CAD属性、寸法、形状	ルールや幾何計算
AI検図	検図の自動化と判断支援	図面、CAD、注記、社内基準	AI、ルール、幾何解析など
製品検査	製造物が要求を満たすか確認	実物、測定データ	検査員、測定機器

従来の自動検図とAI検図の違い

従来の自動検図は、あらかじめ設定した条件への適合を確認する方式が中心です。

例えば、次のようなチェックです。

• 必須属性が入力されているか
• 指定のフォントやレイヤーが使われているか
• 穴径が基準値以上か
• 部品同士が干渉していないか
• モデリング方法が社内標準に合っているか

一方、近年AI検図と呼ばれるシステムでは、従来方式に加えて、次のような処理が可能になりつつあります。

• 画像化された図面から寸法や記号を読み取る
• 自然言語で書かれた注記や基準書を解析する
• 過去の指摘と類似する箇所を提示する
• 設計基準を自然言語で入力する
• 検出結果の理由や修正案を文章で説明する
• ルール化されていない確認項目の候補を提示する

ただし、「従来の自動検図は精度が低く、AI検図は精度が高い」と単純に区別することはできません。

数値条件や形状条件のように判定ルールが明確な項目では、従来型のルールや幾何解析が適している場合があります。AI検図の価値は、精度が常に高いことではなく、これまで機械処理しにくかった非構造情報や曖昧な情報まで対象を広げられる点にあります。

AI検図とDFMの違い

DFMは、製造条件やコストを設計の早い段階で考慮し、製造しやすい製品を設計するための考え方です。

AI検図は、DFMで考慮すべき条件の一部を、実際の図面やCADモデルに適用して確認する手段になり得ます。

例えば、「加工可能な穴になっているか」というDFM上の観点を、次のような判定条件に変換します。

• 穴径が使用可能な工具径以上か
• 穴深さと穴径の比率が加工条件内か
• 穴と端面の距離が社内基準以上か
• 工具が加工箇所まで到達できるか
• 加工方向や段取りに問題がないか

つまり、DFMが設計・製造上の考え方であるのに対し、AI検図は、その考え方や基準を設計データに適用する技術の一つです。

AI検図では何を自動化できますか？

AI検図で自動化できる対象は、AI検図製品によって大きく異なります。重要なのは、一般的な機能一覧から選ぶことではなく、自社の検図業務のうち、どの確認に時間がかかり、どこで見落としや手戻りが発生しているかを特定することです。

AI検図の対象は、主に次の4つに分けられます。

• 図面の記載内容を確認する
• 部品形状や製造条件を確認する
• 複数データの整合性を確認する
• 人の判断に必要な情報を提示する

2D図面の記載内容を確認する

2D図面を対象とするAI検図では、文字、記号、寸法線、表題欄などを解析します。

分類	チェック項目の例
寸法	寸法の記載漏れ、重複寸法、寸法値の矛盾
公差	公差の欠落、一般公差との不整合
幾何公差	データムの不足、記号の記載不備
表面性状	表面粗さの不足、加工方法との不整合
注記	材料、熱処理、メッキ、溶接指示の不足
表題欄	図番、改訂番号、材質、尺度、作成者の不足
図面表現	線種、文字サイズ、レイヤー、寸法規格
整合性	2D図面と3Dモデルの寸法や形状の不一致

機械図面では、文字が回転していたり、寸法線や記号が重なったりするため、AIやOCRだけでは正確に読み取れない場合があります。またそもそも、寸法の厳密な確認は、生成AIが不得意とする分野のため、精度がでない場合がほとんどです。

そのため、図面専用の形状認識、座標解析、文書構造解析、生成AIなどを組み合わせる方式があります。

3D CADの部品形状を確認する

3D CADモデルでは、形状を直接解析することで、寸法や製造条件を確認できます。

加工分類	チェック項目の例
板金	板厚、最小曲げ半径、穴と曲げの距離、穴と端面の距離
切削	最小穴径、最小内隅R、深穴、薄肉、工具アクセス
旋盤	最小内径、溝幅、アンダーカット、工具干渉
射出成形	抜き勾配、肉厚差、アンダーカット、リブ形状
溶接	溶接部と穴の距離、作業スペース、部材の重なり
共通	微小形状、閉じていない形状、属性不足

これらはAI検図で扱われる可能性がある項目の例であり、すべてのシステムが対応しているわけではありません。

また、同じ「板金チェック」でも、材料、板厚、加工設備、金型、加工会社などを考慮できるかによって、実用性が変わります。

アセンブリや複数部品を確認する

アセンブリでは、単一部品では判断できない部品同士の関係を確認します。

• 部品同士が干渉していないか
• ボルト穴や取付穴の位置が一致しているか
• 必要なクリアランスが確保されているか
• 可動範囲内で干渉が発生しないか
• 工具や作業者の手が入るスペースがあるか
• ボルトやナットを締結できるか
• 組立順序に問題がないか
• BOMとCADアセンブリの構成が一致しているか

公差の積み上げ、組立順序、作業性などは、単純な静的干渉チェックよりも複雑です。どこまで自動化できるかは、製品が持つ解析機能や入力データによって異なります。

CAD・図面・BOM・仕様書の整合性を確認する

設計ミスは、一つのデータ内だけでなく、複数のデータ間の不一致によっても発生します。

AI検図や自動照合の対象には、次のようなものがあります。

• 3D CADと2D図面の寸法
• CADモデルとBOMの部品構成
• 図番と改訂番号
• 材質と表面処理
• 図面注記と設計基準書
• 部品表と組立モデル
• 顧客仕様書と設計結果
• 流用設計前後のモデルや図面

検図項目を6種類に分類する

本記事では、検図項目を整理するため、次の6種類に分類します。

分類	内容	例
形式ルール	図面やCADの表記・属性	図番、レイヤー、文字サイズ
幾何ルール	寸法や形状の関係	穴径、板厚、距離、角度
製造ルール	加工設備や工法の制約	工具径、曲げR、抜き勾配
アセンブリルール	部品間の接続や干渉	穴位置、クリアランス
文書間整合ルール	複数データ間の一致	CAD、図面、BOMの照合
判断支援ルール	文脈や過去事例を含む判断	類似不具合、注意点の提示

例えば、次のような社内基準を検図条件として扱えます。

対象	ルール例
板金	穴外周と端面の距離が指定値以上であること
板金	曲げ半径が指定された最小曲げR以上であること
切削	内隅Rが使用工具の半径以上であること
アセンブリ	取付穴の位置ずれが許容公差内であること
溶接構造	穴と溶接箇所の距離が社内基準以上であること

具体的な基準値は、設備、材料、板厚、加工方法、品質要求によって異なります。一般値をそのまま採用するのではなく、自社条件との照合が必要です。

AI検図はどのような仕組みで動きますか？

AI検図の仕組みは一つではありません。図面やCADを構造化してから判定する方式、画像や図面を生成AIに直接読み込ませる方式、ルールや幾何解析を中心とする方式、それらを組み合わせる方式があります。

AI検図で使われる主な方式

方式	主な処理	向いている確認
ルールベース	登録した条件と設計データを照合する	属性、基準値、記載有無
幾何解析	面、稜線、距離、角度、干渉を計算する	穴径、板厚、形状、干渉
画像認識・OCR	図面上の文字、記号、線を検出する	寸法、注記、表題欄
マルチモーダル生成AI	図面画像と指示文を入力して解釈する	注記、全体確認、判断候補
文書検索・RAG	基準書や過去事例を検索して照合する	社内基準、類似不具合
ハイブリッド	複数方式を対象ごとに使い分ける	精度と柔軟性が必要な検図

1．図面やCADデータを入力する

最初に、検図対象となるデータをシステムに入力します。

• PDF・TIFFなどの図面画像
• DXF・DWGなどの2D CADデータ
• STEP・Parasolidなどの中間3Dデータ
• CATIA、NX、Creo、SOLIDWORKS、iCADなどのCADデータ
• BOMや部品表
• 設計基準書
• 加工基準書
• 過去の不具合報告書

ネイティブCADデータと中間形式では、取得できる属性、フィーチャ履歴、PMIなどが異なります。

同じ形状に見えても、入力形式によって実行できる検図項目が変わる可能性があります。

2．対象に応じた方法でデータを解析する

解析方法は、システムによって異なります。

構造化方式では、2D図面から文字、寸法、記号、線、表題欄などを抽出し、3D CADから面、稜線、穴、曲げ、溝、フィレットなどを認識します。

一方、マルチモーダル生成AIを利用する方式では、図面画像とチェック指示を直接入力し、AIに内容を解釈させる場合があります。

生成AIを利用する方式は、自然言語で条件を指定しやすく、柔軟な確認に向いています。ただし、数値計測の精度、出力の再現性、指摘位置の特定方法などを確認する必要があります。

3．設計基準と照合する

解析したデータを、設計基準や製造条件と照合します。

基準の登録方法には、次のような違いがあります。

• 数値や条件式をルールとして登録する
• チェック項目を画面上で設定する
• 自然言語の指示文やプロンプトとして登録する
• 設計基準書を読み込ませて参照する
• ベンダーが個別に判定ロジックを開発する

判定条件が明確な項目では、次のような処理を行います。

一方、自然言語で記載された基準や例外を扱う場合は、生成AIや文書検索を使って関連情報を取得し、判断候補を生成する方式があります。

4．問題候補や判定結果を出力する

結果の表示方法も、製品によって異なります。

• テキストで指摘内容を出力する
• チェックリスト形式で合否を表示する
• 図面上にマーカーを表示する
• CAD上で対象形状をハイライトする
• 測定値と基準値を並べて表示する
• 修正方法を提案する
• APIを通じてPLMや承認システムへ結果を返す

検図者の工数を減らすには、単に問題があると通知するだけでなく、次の情報をすぐに確認できることが重要です。

• 問題がある場所
• 指摘内容
• 測定値
• 基準値
• 適用したルール
• 判定根拠
• 重要度
• 推奨される修正方法
• 人による確認が必要かどうか

AI検図で本当に検図工数を減らせますか？

AI検図を導入しただけで、必ず検図工数が減るわけではありません。AIの処理時間だけでなく、結果の確認、誤検出への対応、データ準備、システム操作を含めた業務全体の時間が減っているかを評価する必要があります。

検図工数を減らしやすい条件

次の条件を満たす場合、AI検図による工数削減が期待できます。

条件	工数を減らしやすい理由
対象項目が明確	判定条件を設定しやすい
同じ確認を繰り返している	自動化による削減量が大きい
誤検出が少ない	AIの指摘を確認する作業が少ない
見逃し率を管理できる	人による全面的な二重チェックを減らせる
指摘箇所が分かる	問題箇所を探す時間を削減できる
判定根拠が表示される	結果を短時間で確認できる
CADやPLMと連携している	データのアップロードや転記が不要になる
処理速度が業務に合っている	出図や承認の待ち時間を増やさない

導入によって工数が増える場合

次のような状態では、AI検図の導入後に工数が増える可能性があります。

• 誤検出が多く、すべての指摘を人が確認している
• 見逃しへの不安から、従来の検図もそのまま継続している
• AIの指摘箇所が分からず、図面上で探し直している
• CADからデータを書き出して別システムへ登録している
• 毎回プロンプトや確認条件を手作業で入力している
• 製品や部門ごとの例外条件を登録できていない
• 判定結果が実行するたびに大きく変わる
• AIの結果を誰が承認するか決まっていない
• 適用できない図面が多く、前処理に時間がかかる

特に注意が必要なのは、「AIの検図結果を確認した後、人がもう一度すべてを検図する」という運用です。

品質リスクの観点から二重チェックが必要な場合もありますが、その状態を長期間続けると、AIによる追加作業だけが増えます。

PoCでは、検出精度だけでなく、どの項目で人の確認を省略できるのか、どの項目は判断支援として利用するのかを明確にする必要があります。

設計ミスや手戻りを早期に防げる

問題を出図後や製造開始後に発見すると、図面修正、再承認、再手配、再加工などが発生します。

AI検図をCAD保存時、出図前、承認申請時などに実行すれば、問題を後工程へ流す前に修正できる可能性があります。

検図作業そのものの時間が大きく変わらなくても、後工程の手戻りを防ぐことで、製品開発全体のリードタイムを短縮できる場合があります。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検図の論点でも解説しています。

検図品質を標準化できる

手作業の検図では、担当者の経験や得意分野によって、確認範囲や指摘内容が変わることがあります。

検図項目や判定基準をシステム上で共有することで、担当者や拠点が異なっても、同じ条件で確認しやすくなります。

ただし、ルールを登録するだけでは不十分です。

• なぜその基準が必要なのか
• どの製品に適用するのか
• 例外を認める条件は何か
• 違反時にどのようなリスクがあるか

といった情報も管理する必要があります。

若手設計者の教育を支援できる

AI検図が指摘理由や修正方法を表示できれば、若手設計者が設計基準を学ぶ機会になります。

設計後に熟練者からまとめて指摘を受けるのではなく、設計中や出図前にフィードバックを受けることで、同じミスの繰り返しを減らせる可能性があります。

ただし、AIの指摘だけに依存すると、基準の背景を理解しないまま修正する状態になりかねません。教育目的で利用する場合は、判定理由や基準書へのリンクを表示できることが重要です。

AI検図の効果を算定する方法

AI検図の効果は、検図時間の削減だけで判断しないことが重要です。

検図時間の削減額は、次のように算定できます。

ここでいう「導入後の総作業時間」には、AIの処理時間だけでなく、結果確認、データ準備、誤検出対応、修正作業などを含めます。

AI検図と人の判断をどう分担すべきですか？

AI検図では、検図業務全体を「自動化できるか、できないか」の二択で考えるべきではありません。検図項目ごとのリスク、判定条件、AIの精度に応じて、自動判定、確認付き判定、判断支援を使い分ける必要があります。

自動化しやすい判断

次のような項目は、条件が明確であれば自動化しやすい傾向があります。

• 必須項目が入力されているか
• 寸法や距離が基準内か
• 部品同士が干渉していないか
• 使用禁止属性が含まれていないか
• 指定した部品がBOMに存在するか
• 図番や改訂番号が一致しているか

これらの項目は、検出精度と業務上のリスクを評価したうえで、人による全件確認を省略できる可能性があります。

人の確認を残しやすい判断

次の項目は、複数条件の考慮や文脈理解が必要です。

• 設計意図に合っているか
• 使用環境に対して安全か
• 機能とコストのバランスが適切か
• 顧客の要求を満たしているか
• 例外設計を認めてよいか
• 将来の保守や組立性に問題がないか

AIは関連情報や類似事例を提示できますが、最終判断には設計責任や品質責任が伴います。

AIの誤検出と見逃しを管理する

AIによる判定には、次の2種類の誤りがあります。

• 誤検出： 問題がない箇所を問題として指摘する
• 見逃し： 本来指摘すべき問題を検出できない

誤検出が多いと確認工数が増え、利用者がAIの指摘を見なくなる可能性があります。見逃しが多いと、従来の検図を省略できず、二重チェックが残ります。

そのため、対象項目ごとに次の運用を決める必要があります。

項目の性質	運用例
条件が明確で精度が安定	自動判定し、違反時のみ確認
誤検出が一定数ある	AIが候補を提示し、人が確認
見逃しリスクが高い	AIと人の両方で確認
設計意図を含む	AIは情報提示に限定する
安全や法規に関わる	責任者による承認を残す

最終承認を必ず人が行うかどうかは、製品、対象項目、品質マネジメント、リスクの大きさによって変わります。

重要なのは、「AIだから人の確認が必要」「AIだから完全自動化できる」と一律に決めるのではなく、項目単位で責任分担を設計することです。

AI検図システムはどのように選べばよいですか？

AI検図システムを選ぶ際は、AIの名称や搭載機能の数ではなく、自社が自動化したい検図項目を、必要な精度と工数で処理できるかを確認します。

自動化したい業務に対応しているか

最初に、システムが自社の課題に対応しているかを確認します。

• 2D図面の記載チェックが中心か
• 2D図面の寸法過不足や公差の厳密なチェックを行いたいか
• 3D CADの形状チェックが中心か
• 製造性やDFMを確認したいか
• アセンブリを確認したいか
• 図面、CAD、BOMを照合したいか
• 社内基準書と照合したいか
• 過去の不具合を活用したいか

「AI検図に対応」と書かれていても、対象データや検図項目が異なれば、自社業務には使えない可能性があります。

対応データ形式

自社で使用しているCADや図面形式を入力できるか確認します。

中間形式だけに対応する場合、ネイティブCADが持つ属性、フィーチャ履歴、PMIなどを取得できない可能性があります。

一方で、PDFやSTEPなどの中間形式を使える製品は、複数のCAD環境に展開しやすい場合があります。

判定方式と再現性

どの技術で判定しているかを確認します。

• ルールエンジン
• 幾何解析
• 画像認識
• OCR
• 生成AI
• 文書検索
• 複数技術の組み合わせ

生成AIを利用する場合は、同じデータと条件で結果が安定するかを確認します。

数値や形状の判定では、実測値、基準値、測定方法が表示されるかも重要です。

誤検出と見逃し

デモ画面だけでなく、自社の図面やCADデータを使って確認します。

• 本来検出すべき問題を検出できるか
• 問題のない箇所を過剰に指摘しないか
• 対象外の図面でどのような挙動になるか
• 認識できなかった場合に明示されるか
• AIが自信のない判定を区別できるか

正答率だけでなく、実際の業務で確認にかかる時間を測る必要があります。

指摘箇所と判定理由

AIが出した結果について、次の情報を確認できるかを評価します。

• 問題がある場所
• 違反した基準
• 測定値と基準値
• 参照した文書
• 判定理由
• 修正候補
• AIの確信度
• 人の確認が必要かどうか

テキストだけで指摘される場合、図面上の該当箇所を探す作業が増える可能性があります。

自社基準の登録方法

自社独自の設計基準を、どのように設定するかを確認します。

登録方法	特徴
数値・条件式	再現性が高いが、条件の整理が必要
設定画面	社内担当者が変更しやすい
プロンプト	自然言語で設定しやすいが、再現性の検証が必要
基準書の読み込み	既存文書を活用できるが、曖昧な記述に注意
個別開発	複雑な条件に対応しやすいが、費用と期間が必要

すべての製品で、自社基準を自由に登録できるわけではありません。

また、登録できる場合でも、数値条件、適用製品、例外条件などを整理しなければ、安定した判定は難しくなります。

CAD・PLM・承認フローとの連携

次の連携方法を確認します。

• CAD上から直接実行できるか
• 保存時や出図時に自動実行できるか
• PLMやPDMに結果を登録できるか
• 承認ワークフローを制御できるか
• APIが提供されているか
• 結果をCSVやPDFで出力できるか

単体製品としての精度が高くても、既存業務から大きく離れた操作が必要な場合、利用率が低下する可能性があります。

セキュリティと導入環境

設計データには、製品形状や製造ノウハウなどの機密情報が含まれます。

次の点を確認します。

• 入力データがAIの学習に利用されるか
• データの保存場所
• データの保存期間
• 通信と保存データの暗号化
• アクセス権限
• 操作ログ
• クラウド、専用環境、オンプレミスへの対応
• 海外サーバーへの転送の有無
• 提供会社の担当者がデータを閲覧できるか

ルールやモデルを継続更新できるか

設計基準、製品仕様、加工設備は導入後も変化します。

• 社内担当者が基準値を変更できるか
• プロンプトや参照文書を更新できるか
• 例外条件を追加できるか
• 変更履歴を管理できるか
• 変更後に精度を再評価できるか
• ベンダーへの依頼が必要か

導入時の機能だけでなく、運用開始後の更新方法と費用も確認する必要があります。

製品比較は別記事で行う

本記事では、AI検図の定義と選定軸を中心に解説しています。

個別製品の比較は、対応形式、技術方式、機能、料金、導入環境などの情報が変化しやすいため、別の記事で継続的に更新する方が適しています。

AI検図に関するよくある質問

AI検図を導入すれば、人による検図は不要になりますか？

対象とする検図項目によって異なります。

寸法、距離、属性など、条件が明確で精度を確認できた項目は、完全自動化できる可能性があります。一方、設計意図、安全性、機能性、例外判断などは、人の確認を残す運用が一般的です。

検図工程全体を一律に自動化するのではなく、項目ごとに自動判定、確認付き判定、判断支援を使い分ける必要があります。

AI検図と従来の自動検図は何が違いますか？

両者の境界は明確ではありません。

従来の自動検図は、定義済みのルールや幾何計算を使った判定が中心です。AI検図では、それらに画像認識、自然言語処理、生成AI、類似検索などを組み合わせ、非構造化された図面や基準書まで対象を広げています。

ただし、明確な数値条件では、従来型のルールや幾何解析の方が適している場合があります。

AI検図には大量の学習データが必要ですか？

すべての検図項目に大量の学習データが必要なわけではありません。

穴径、距離、板厚、属性など、数式や条件で表現できる項目は、学習データを使わずに判定できます。

一方、独自記号の認識、過去事例との類似判定、企業固有の図面表現などを扱う場合は、サンプル図面や正解データが必要になることがあります。

生成AIだけで図面を検図できますか？

生成AIは、図面全体の内容理解、注記の解釈、確認項目の提示、指摘理由の文章化などに活用できます。

一方、厳密な寸法計測、微小形状の判定、複雑な干渉確認などでは、生成AIだけでなく、CADデータの解析や幾何計算を組み合わせた方が再現性を高めやすくなります。

利用時には、同じ入力に対して結果が安定するか、指摘位置や根拠が明確かを検証する必要があります。

2D図面と3D CADでは、どちらを検図すべきですか？

確認したい内容によって異なります。

形状、板厚、穴径、干渉、製造性などを確認する場合は、3D CADを直接解析する方法が適しています。

寸法、公差、注記、表題欄などを確認する場合は、2D図面の解析が必要です。

製造現場で2D図面を正式文書として使用している場合は、3D CADと2D図面の両方を確認し、両者の整合性を照合する方法が有効です。

自社独自の設計基準もAI検図に登録できますか？

対応可否と登録方法は、製品によって異なります。

数値や条件式として登録する製品、自然言語のプロンプトで指定する製品、設計基準書を読み込ませる製品、個別開発が必要な製品などがあります。

いずれの方式でも、「十分な強度を確保する」「必要に応じて広くする」といった曖昧な基準は、安定した判定が難しくなります。

対象形状、基準値、適用条件、例外条件、判定根拠を整理することが重要です。

AI検図のPoCでは何を評価すべきですか？

検出精度だけでなく、導入後の総作業時間を評価します。

再現率、適合率、誤検出数、見逃し数に加えて、データ準備時間、AIの処理時間、結果確認時間、修正時間まで測定します。

また、指摘箇所や判定理由が分かりやすいか、既存のCADや承認フローに組み込めるかも重要な評価項目です。

まとめ：AI検図は対象業務と役割分担によって効果が変わる

AI検図とは、2D図面や3D CADモデルなどの設計データをAIやアルゴリズムで解析し、図面ミスや設計ミス、製造上の問題の検出を支援・自動化する仕組みです。

AI検図には、ルールエンジン、幾何解析、画像認識、OCR、生成AIなど、さまざまな方式があります。完全自動で合否判定するものもあれば、問題候補を提示して人の判断を支援するものもあります。生成AIが設計業務のどこから実用化していくのかは、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でも整理しています。

そのため、AI検図を選ぶ際は、「AIを搭載しているか」ではなく、次の点を確認することが重要です。

• 自社が自動化したい検図項目に対応しているか
• 誤検出と見逃しが業務上許容できるか
• 指摘箇所と判定理由が分かるか
• 自社独自の設計基準を設定できるか
• CADやPLM、承認フローと連携できるか
• AIの結果確認を含めても総作業時間が減るか

適切に導入すれば、検図時間の短縮だけでなく、設計手戻りの防止、出図や製造開始までのリードタイム短縮、検図品質の標準化、若手設計者の教育支援が期待できます。

一方、誤検出が多い場合や、AIの結果を人が全面的に再確認する場合は、導入前より工数が増える可能性があります。

AI検図を成功させるには、検図全体を一度に自動化しようとせず、頻度が高く、判定条件が明確な項目から検証することが重要です。そのうえで、自動判定する項目、人が確認する項目、AIを判断支援として使う項目を分けて業務フローを設計します。

株式会社WOGOでは、3D CADデータを解析し、板金、切削、アセンブリなどの設計ルールを確認する自動検図（設計検証）サービスの開発・提供を進めています。

「自社の検図項目をどこまで自動化できるか確認したい」「現在のCADデータで検証したい」という方は、WOGOまでお問い合わせください。

本記事は、3D・CAD・AI技術を活用し、製造業における設計検証・自動検図・設計/製図自動化のシステム開発に取り組む、東大発スタートアップの株式会社WOGOが執筆しました。

参考文献・一次情報

• ISO 9001 Auditing Practices Group「Auditing Design and Development」
• Siemens「CADモデルの設計検証」
• PTC「Creo ModelCHECKについて」
• SOLIDWORKS「Design Checker」
• Autodesk「Design for Manufacturing」
• Autodesk「Model-Based Definition」
• NIST「2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing」
• Khanほか「Automated Parsing of Engineering Drawings for Structured Information Extraction」
• 株式会社WOGOによるAI検図PoC・自動検図開発データ