この記事で扱う図面の自動作成とは、3Dモデルや既存図面などの設計情報をもとに、投影図の配置・図面バラシ・寸法記入といった製図作業をAIやアルゴリズムで自動化する仕組みです。

重要なのは、これが「白紙から一枚の図面を丸ごと描き上げるAI」ではないことです。設計は3D CADで進めているのに、製造現場では2D図面が必要。そのために出図作業に追われている設計者を対象にした自動化、と言い換えたほうが実態に近いです。

この記事では、混同されやすい3つのタイプを最初に切り分けたうえで、機械設計で実用に近い「3Dモデルから2D図面をつくる」自動化について、何が自動化でき何を人が入力するのか、仕組み、従来手法との違い、比較検討時の注意点、導入ステップまでを整理します。

この記事の要点

• 「AIで図面作成」は①条件から生成する（建築・レイアウト系）／②図面を読み取る（OCR・図面認識）／③3Dモデルから製図する（機械設計）の3タイプに分かれる。混ざったまま検討すると要件が定まらない
• ③で自動化しやすいのは投影図の配置・図面バラシ・注記や部品表の流し込み・寸法記入。人が担うのは、基準面・公差・グルーピングといった設計意図の入力と最終確認
• 機械的に作図することで寸法の入れ忘れや、それに起因する手戻りが減る。工数削減はここに大きく効く
• 検討の分かれ目は2つ。完全自動か部分自動か、そして自社の図面ルールにどこまでカスタマイズが必要か（一般的なJIS規格の書き方で足りるのか、自社独自のルールに合わせる必要があるのか）
• 導入は全図面一括ではなく、部品の種類ごとに段階的に進む。自社が必要な部品（板金・切削から複雑な樹脂部品まで）がどこまで対応済みかの把握が先

AIで図面を自動作成するとは？──まず3つのタイプを分ける

「AI 図面作成」で検索して出てくる情報は、目的も入力データもまったく違う3つのタイプが混ざっています。自社の課題がどれに当たるかを先に決めないと、製品比較の段階で話が噛み合いません。

①は「まだ形が決まっていないものを提案させる」自動化です。制約条件をルールとして書ける建築のレイアウト領域、そして製造業でも単純な繰り返し形状の領域から実用化が進みました。「部品図はつくれない」というより、定型化した形状なら条件入力から生成できる段階、という理解が実態に近いです。

②は「すでにある図面から情報を取り出す」自動化です。図面をデータとして扱えるようにする入口で、積算や過去図面の検索と相性が良い領域です。

③は「形は決まっている。それを図面という表現に変換する」自動化です。3Dモデルという正解があるため、①のような創造的な提案は必要なく、代わりに「社内の製図ルールに従って正確に表現する」ことが求められます。以降はこの③を指して「図面の自動作成（自動製図）」と書きます。

なぜ3D設計が当たり前になっても2D図面が必要なのか

機械設計は3D CADで行うのが当たり前になりました。それでも、製造現場で使う2D図面を起こす必要があるという構造は変わっていません。

近年は3Dデータの中に寸法・公差・注記といった製造情報を持たせるPMI（Product Manufacturing Information）の活用も出てきました。ただ現時点では、製造現場において2D図面に代わる存在にはなり切れていません。

結果として、設計そのものではなく、決まった形を図面という表現に落とす作業に時間が取られている状態が生まれます。当社が支援している現場では、製図関連の作業に設計者の工数の3〜5割が割かれているケースもあります。

外部の調査でも同じ方向の結果が出ています。エンジニアは工数の約3分の1を非付加価値作業に費やしており、20%は古い情報を使った作業に充てられているという調査があります（Tech-Clarity「Reducing Non-Value Added Work in Engineering」2014年・製造業248社）。2D図面の作成そのものについても、部品1点あたり少なくとも30分かかり、検図を含めるとさらに上乗せされるとされています（ミスミ meviy）。ここが自動化の対象になります。

3Dモデルから図面を自動作成するとき、何が自動化でき、何を人が入力するのか

結論から言うと、形状と数値で書ける工程は自動化でき、設計意図は人が「事前に入力する」形で残ります。製図を一つの作業と見ると「全自動か手作業か」の二択になってしまいますが、工程に分けると境界がはっきりします。

相談が多いのは寸法記入です。ここはサービスによって考え方が分かれます。一部の主要寸法だけを自動で入れて残りは人が記入する方式もあれば、すべての寸法を自動で入れる方式もあります。前者は「どこまで入っているか」を人が確認する必要があり、後者は事前の情報入力がその代わりになります。

そして寸法の考え方も、「自動生成された寸法のうち意図が絡む箇所を人が直す」だけではありません。人が先に意図を入力し、それに基づいて寸法を入れるという順序にすると、手直しの量自体が減ります。そのうえで、

• 自動で出力された寸法に対して、人が微調整を加える
• 微調整した図面を、最後に機械側でチェックして寸法漏れがないかを判定する

というハイブリッドな運用も可能です。人の判断と機械の網羅性を、工程を分けて組み合わせる形です。

実際にどこまで動いているのか

当社では、製造業の自動設計・自動出図・自動検図といった設計領域の自動化に取り組んでいます。自動製図に関しては、治具設計から手配図面作成まで80%削減を実現した高橋金属様の溶接治具自動設計システムのように、自動設計から自動出図までを対象にした公開事例があります。現在は板金・切削部品の汎用自動出図を、複数社に個別提供を進めている段階です。

3Dモデルから2D図面ができるまで（仕組み）

自動製図の流れは、入力・処理・出力の3段で理解すると全体像がつかめます。

1. 必要な情報を入力する：3DモデルはCADからAPI経由で連携できます。それに加えて、基準面／公差の情報／どうグルーピングするかを設計者が入力します。自社固有の制約ルールは、事前にカスタマイズして持たせることもできます
2. 図面の骨格をつくる：部品を展開し（図面バラシ）、標準ビューを選んで配置し、図枠と表題欄を当てる
3. 寸法・注記を生成する：形状から寸法を割り出し、属性から注記・部品表を流し込む
4. 確認する：設計意図に関わる箇所を人が見るか、機械側で寸法漏れをチェックする（前章のハイブリッド運用）
5. 出図する：CADネイティブ図面／DXF／PDFとして出力する

従来の工程と、自動製図が入った工程

ポイントは3つあります。

ひとつめは、削減されるのは「描く時間」だけではないことです。従来は、2D図面を描く時間に加えて、寸法漏れや記入ミスを探す検図の時間、そこで見つかった指摘を直す時間、見逃した場合の手戻りが積み上がっていました。機械的に作図すると、この「漏れ由来の工数」がまとめて減ります。

ふたつめは、人の作業がゼロになるわけではないことです。基準面・公差・グルーピングの入力は人が行います。ただしこれは図面を1枚描くのに比べれば短く、しかも設計意図を決める作業そのものなので、設計者が担うべき部分です。

みっつめは、入力の質が出力の質を決めることです。独自のCADの書き方や製図基準を持っている企業では、その分だけ個社カスタマイズの対応が必要になります。どこまでモデルの作り方に依存するかは提供企業によって差があるため、比較時の確認項目になります。

従来の自動化手段（マクロ・API・テンプレート）と何が違うのか

製図の自動化そのものは新しい話ではありません。多くの設計部門が、次のような手段で部分的に自動化してきました。

• マクロ・API：CADの操作を記録・記述して、決まった手順を繰り返し実行させるもの
• テンプレート・図面流用：似た部品の図面をコピーして、寸法や部品番号を書き換えるもの
• パラメトリック設計：モデル側にパラメータと関係式を作り込み、寸法を変えれば図面まで追従するようにするもの

違いはルールの持ち方です。

マクロは「この形状ならこの手順」を固定します。だから想定内では強く、想定外に弱い。対してAIによる自動製図は、図面ルールをパラメータとして持ち、形状を解析して適用するため、形状のバリエーションに対して比較的頑健です。

ただし「ルールが書かれていないものは自動化できない」という制約は共通です。この点で自動製図の導入は、技術導入というより、社内の製図ルールを言語化する作業に近くなります。

ChatGPTなど汎用の生成AIで図面は作れるのか

結論として、汎用の生成AIで製造用の図面をつくることはできません。理由は3つです。

• 寸法の整合性が保証されない：生成された画像やSVGは見た目を作っているだけで、寸法値と形状が一致している保証がありません
• CADデータではない：後工程（加工プログラム、検図、変更管理）が扱えるデータ形式になりません
• 規格順守を担保できない：投影法・線種・寸法記入方法などの製図規格に沿っているかを保証できません

一方で、次の用途は実務でも十分に使えます。

• 説明図・ポンチ絵・提案資料の図
• CADのマクロやスクリプトの下書き生成
• 注記文・仕様文の文案づくり、既存図面からの情報整理

つまり汎用AIは「図面を描く道具」ではなく「図面周辺の作業を助ける道具」です。図面そのものを自動化したい場合は、3Dモデルを入力にできる仕組みが必要になります。生成AIが設計業務のどこから順に効いてくるかという時間軸は、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整理しています。

導入効果と、前提として押さえておくこと

効果は「描く時間」「漏れ由来の手戻り」「ばらつき」に出る

• 作図工数の削減：投影図配置・バラシ・注記の流し込み・寸法記入といった作業が減る
• 寸法漏れと手戻りの減少：機械的に作図するため入れ忘れが起きにくく、出図後の指摘・差し戻しが減る
• 出図品質の均一化：誰が描いても同じルールが適用されるため、図面ごとの差が小さくなる
• 新人の立ち上がりが早くなる：ルールが仕組みに入っているため、経験の浅い設計者でも標準的な図面から始められる
• 設計変更への追従が速い：モデル変更に対して図面を作り直すコストが下がる

効果の幅を決める2つの条件

1つめは、完全自動か部分自動かです。完全自動で寸法漏れが出ない前提なら、作図と検図の工数をまとめて削減できます。部分自動の場合は、残りを人が入力し、どこまで入っているかを確認する工数が乗るため、削減幅は小さくなります。

2つめは、自社の図面ルールにどこまでカスタマイズが必要かです。

• 一般的なJIS規格に沿った書き方で足りるのか
• 自社の過去図面の書き方や、厳密な独自ルールに合わせる必要があるのか

ここで必要なカスタマイズ量が、導入期間とコストをほぼ決めます。比較検討の最初に確認すべき条件です。

前提として押さえておくこと

• 図面ルールが文書化されていないと自動化できない：「先輩の図面を見て覚えた」状態のルールは、そのままでは仕組みに入れられません
• 確認工数が残る場合がある：サービスによって、人の確認が必要な範囲は変わります。総工数で評価しないと「自動化率は高いのにトータルで楽になっていない」となりがちです
• 効果はイレギュラーの多さで変わる：一品一様の部品にも対応できますが、図面の書き方にイレギュラーなケースがどれだけあるかのほうが効き方を左右します。標準的な書き方なら自動化しやすく、特殊な書き方や、人によって基準が違う状態では自動化しづらくなります
• モデルの作り方に依存する場合がある：どこまでモデルの作り方に依存しないか（汎用性）は提供企業によって差があります。汎用性の高い仕組みであれば、描き方の違いで止まらず、対応部品の範囲内なら自動化できます
• 段階的に広がる：最初から全図面ではなく、板金・切削といった部品から、より複雑な樹脂部品へと対応が広がっていきます

導入を比較検討するときの注意点

自動製図の比較では、機能一覧よりも次の3点を先に確認すると判断を誤りにくくなります。

1. 完全自動か、部分自動か

もっとも重要な分かれ目です。完全自動で寸法漏れが起きない仕組みであれば、人の工数を大幅に削減できます。

一方、部分自動にとどまり、しかも自動化される範囲が不確実だったりコントロールしにくい場合は、人の検図工数が残り、「ゼロから自分で描いたほうが早い」という状態に陥ることがあります。とくに自分が描いていない図面をチェックする作業は負荷が高いため、半自動の場合はこのリスクを見ておく必要があります。「どの範囲を自動化するのか」を明確にできるかも確認してください。

2. 人が描くのと同じ書き方ができるか

当たり前に見えて、実務では決定的な点です。寸法は入っているけれど見づらい、加工現場からすると使いにくい配置になっている——こうなると、結局使われないシステムになります。出力された図面がそのまま現場に出せる品質かを、自社の実物で確認してください。

3. 最初からすべての図面を自動化できるわけではない

AI製品は今も進化の途上にあり、ベンダーによってアプローチが違います。たとえば、

1. 部分的に寸法を入れ、残りは人が補うアプローチ
2. 先に「その部品は自動で寸法を入れられるか」を判定し、問題のないものだけ完全自動で処理するアプローチ

どちらが自社に合うかは、対象部品の種類と、確認工数をどこまで許容できるかで変わります。この方針の違いを意識して比較してください。

導入ステップとPoCの進め方

一気に全図面を対象にすると、ルール整備が終わらず止まります。次の順序が現実的です。

1. 対象図面種別を決める：繰り返し性が高く、点数の多い部品群から選ぶ
2. 対応範囲を確認する：自社が必要とする部品（板金・切削・製缶・樹脂など）がどこまで対応済みかを確認する
3. 現状の作図時間を実測する：1図面あたりの作図・検図時間を取る。ここが後の評価基準になる
4. 図面ルールを棚卸しする：投影図の選び方、寸法の起点、注記の書式、表題欄の記入規則を書き出し、JIS準拠で足りるか／独自ルールが必要かを切り分ける
5. サンプルCADでPoCを行う：自社の実データで、どの工程がどこまで自動化できるかを確認する
6. 評価する：下表の指標で、確認込みの総工数がどう変わるかを見る
7. 適用範囲を広げる：対象部品群を増やし、ルールを追加していく

4つめの「図面ルールの棚卸し」が最も時間がかかり、かつ自動化の成否を決めます。逆に言えば、この棚卸しは自動化を入れない場合でも、検図基準や新人教育の土台として使えます。

AIによる図面自動作成に関するよくある質問

AIで図面を作成できますか？

用途によります。建築のレイアウト提案のように条件から案を生成する領域や、製造業でも治具のように条件が定型化した対象では実用化が進んでいます。機械設計の製造用図面については、白紙から生成するのではなく、3Dモデルを入力として投影図配置・図面バラシ・寸法記入を自動化する形が現実的です。人は基準面・公差・グルーピングといった設計意図を入力する役割を担います。

AIで図面を自動作成するのは無料でできますか？

無料の生成AIや、CADの標準機能でできる範囲もあります。汎用AIは説明図やスクリプトの生成に、CADの標準機能は投影図の作成や一部の自動寸法に使えます。一方で「自社の製図ルールに沿った図面を、自社のモデルから継続的に出す」ところまでは標準機能の範囲を超えるため、ルールを持ち込める仕組みが別途必要になります。

ChatGPTで図面は描けますか？

説明用の図やポンチ絵、マクロ・スクリプトの下書きには使えます。ただし寸法値と形状の整合性が保証されず、CADデータとしても扱えないため、製造用の図面としては成立しません。図面そのものを自動化する場合は、3Dモデルを入力にできる仕組みを使ってください。

3Dモデルがなく2D図面だけの現場でも使えますか？

アプローチが変わります。3Dモデルがある場合は「モデルから図面をつくる」自動化になりますが、2D図面しかない場合は、まず図面を読み取ってデータ化する（図面認識・OCR）か、2D図面から3Dモデルを生成するところから検討します。どちらが適切かは、図面の枚数・状態と、その後にやりたいこと（検索、積算、再設計）で決まります。

図面作成は完全に自動化できますか？

寸法記入まで含めて自動で出力する仕組みはあります。ただし設計意図の入力は人が行い、対応できる部品の種類にも範囲があります。「完全自動」と言えるかは、どこまでの範囲を指すかで変わるため、比較時には「自動化される範囲」と「人が入力・確認する範囲」を具体的に確認してください。何を自動化し何を人が見るかという分担の設計は、検図側でも同じ構造です（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）。

まとめ

AIで図面を自動作成するという話は、3つのタイプに分けると整理できます。条件から生成するもの、図面を読み取るもの、そして3Dモデルから製図するもの。機械設計で実用に近いのは3つめで、これは「形は決まっているものを、社内のルールに沿って図面という表現に変換する」自動化です。

3D CADで設計していても製造現場では2D図面が必要という構造は変わっておらず、その出図作業が設計者の工数を圧迫しています。自動製図が効くのはここで、削減できるのは描く時間だけでなく、寸法漏れとそれに起因する手戻りも含みます。

そして効果の幅を決めるのは、完全自動か部分自動か、そして自社の図面ルールにどこまでカスタマイズが必要かの2点です。比較検討では、出力された図面がそのまま現場に出せる品質かどうかを、自社の実データで確認してください。

まずは繰り返し性の高い図面種別を1つ選び、現状の作図時間を測ってからサンプルCADで試すのが確実な進め方です。3Dモデルから2D図面を自動で作成する仕組みや、自社の図面ルールに合わせた自動化にご関心のある方は、資料請求またはお問い合わせからご連絡ください。

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。

The post AIで図面を自動作成する方法（2Dバラシ）｜3Dモデルから2D図面をつくる仕組みと工数削減 first appeared on 株式会社WOGO.

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。

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。

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。

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。

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。

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。

例えば、次のような社内基準を検図条件として扱えます。

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

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。

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。

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。

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

The post 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 first appeared on 株式会社WOGO.

手戻りコストの実態

手戻りコストは、発生フェーズが後工程になるほど指数関数的に膨らむことが知られています。いわゆる「10倍ルール」——設計段階で1円の修正コストが、試作段階では10円、量産後では100円以上になる——は、製造業の品質管理において古くから語られてきた経験則です。

しかし現実の設計現場では、スケジュール優先のプレッシャーから検図工程が形骸化するケースが後を絶ちません。ベテラン設計者の「目視確認」に依存した属人的なチェック体制は、熟練者の退職とともに暗黙知ごと失われていくリスクをはらんでいます。

2D検図の限界

従来の2D図面による検図は、投影図・断面図・寸法記入の整合性を人が読み解いて確認する作業です。熟練した検図者であっても、複雑な形状の三次元的な干渉や、部品間のクリアランス不足を平面図から看破するには相当の経験と集中力が求められます。

また2D図面は「表現の揺れ」が大きく、規格の解釈や記入ルールが担当者ごとに異なる場合があります。これが「図面は通った、しかし組み付けられなかった」という現場の悲劇を生みます。

3D検図が解決する課題

3Dモデルを用いた検図では、干渉チェック・クリアランス解析・GD&T（幾何公差）の自動評価をツールに委ねることができます。これにより、人間の見落としに起因するミスを大幅に削減できます。特にアセンブリが複雑な機械部品や、多品番を同時設計するプロジェクトでは、3D検図の効果が顕著に現れます。

さらに、3Dモデルはそのままシミュレーション・CAM・BOMと連携できるため、設計から製造までのデータの一貫性が保たれます。「図面を起こす」という翻訳工程のロスが減り、手戻りの温床となる情報の断絶を防ぎます。

3D vs 2D：現場の論点

とはいえ、3D検図への完全移行には課題もあります。現場でよく聞かれる論点を整理します。

論点① 既存2D資産の扱い

長年の設計資産が2D図面で蓄積されている企業では、3D化のコストと工数が移行の大きな障壁となります。優先度の高い図面から段階的に3D変換する戦略や、AIによる2D→3D自動変換の活用が現実解として注目されています。

論点② サプライヤーへの展開

自社が3D検図を導入しても、発注先の部品メーカーが2D図面しか受け取れない場合、3D情報を2Dに変換して渡す逆転現象が起きます。サプライチェーン全体でのデジタル標準化が、3D検図の真価を引き出す前提条件です。

論点③ 法的・契約上の図面要件

業界や顧客によっては、承認図面として2D図面の提出を求める契約要件が残っています。3Dと2Dを並行運用するハイブリッド体制が当面の現実解となる場合も多く、ツール選定と運用ルールの整備が重要です。

設計DXで手戻りをゼロに近づける

WOGOが取り組むCAD設計自動化は、こうした課題に正面から向き合うアプローチです。2D図面からの3Dモデル自動生成、AIによる形状認識と寸法検証を組み合わせることで、検図工程そのものを自動化・高速化します。ベテラン設計者の知見をシステムに落とし込み、組織の暗黙知を形式知へ変換することで、人員変動に左右されない安定した品質保証体制の構築を支援します。

なお、AIによる検図・設計自動化が今後どの順番で実用化していくのかについては、生成AIで設計業務はどう変わるか（機械設計AIの進化タイムライン）で時間軸とともに整理しています。

手戻りコストの削減は、コスト改善にとどまらず、設計者が本来の創造的業務に集中できる環境をつくることにつながります。3D/2D検図の論点を整理しながら、自社の設計プロセスのどこに最大の改善余地があるかを見極めることが、DX推進の第一歩です。

The post 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 first appeared on 株式会社WOGO.