【製造業】技術問い合わせ対応をClaude Code/Codexで自動化する方法
aikanri-admin
この記事の内容
製造業の技術問い合わせ対応は、顧客や営業から飛んでくる「この材質で使えますか」「公差はどこまで詰められますか」「以前納めた仕様と互換はありますか」といった質問を、過去のやり取り、図面、仕様書、検査データを行き来しながら捌く仕事です。とくに一次整理 — 質問が何の種類で、過去に似た回答があるか、回答前に確認すべき点は何か — は製品知識と過去案件の記憶に依存しやすく、特定の技術者1人に集中しがちです。AIは技術的な正否そのものを決めるものではありませんが、質問の分類、過去回答の引き当て、確認事項の洗い出し、回答文の下書きを先に作る補助として使えます。
技術問い合わせ1件あたりの一次整理時間 (カネシロ電子工業のモデル事例)
本記事では、AI鬼管理 が支援を想定する 株式会社カネシロ電子工業 (静岡県浜松市・産業用電源/制御基板の受託設計製造・取引先約90社) をモデル事例に、Claude Code/Codex で技術問い合わせの一次整理を「質問分類+過去回答の引き当て+確認事項+回答ドラフト」まで半自動化する手順を解説します。技術問い合わせの捌きを技術部の遠藤(えんどう)課長(勤続19年)が実質1人で抱え、1件の一次整理に約35分かかっていた会社が、若手の永瀬(ながせ)さん(入社3年目)も一次整理を起こせるようになり、回答リードタイムと遠藤課長への集中を減らした流れです。
代表菅澤
代表菅澤
AI鬼管理山崎
この記事を最後まで読むと、
- 技術問い合わせ対応で技術者が抱えている負荷(質問の仕分け・過去回答探し・確認事項の洗い出し・回答文づくり)が分かる
- Claude Code/Codexで自動化できる3項目(質問分類/過去回答の引き当て/回答ドラフト)が理解できる
- 5ステップでのPoC〜運用の進め方が分かる
- 技術質問を分類し、過去回答と確認事項を整理する型が分かる
- 技術ナレッジの蓄積と再利用で同じ質問を減らす方法が分かる
01 PROBLEM 技術問い合わせ対応の現場で起きていること 仕分け・過去回答探し・確認事項のトリレンマ
問題1: 質問の仕分けが特定の技術者1人に集中する。飛んできた質問が何の種類で、社内の誰が答えるべきか、すぐ答えられるのか調査が要るのかを判断する作業は、カネシロ電子工業では実質、遠藤課長1人しかできませんでした。若手の永瀬さんは「これは設計の話か、品質の話か、営業条件の話か」の切り分けがつかめず、結局すべて遠藤課長に回り、遠藤課長がボトルネックになります。
問題2: 過去回答を探すだけで時間が消える。「前に同じ顧客から似た互換性の質問が来たとき、どう答えたか」を探すのに、メールの検索・チャット履歴・図面フォルダをたどって20分。回答が個人のメールやメモに散らばっていて、担当が違うと過去回答にたどり着けず、毎回ゼロから調べ直しになります。
問題3: 確認事項の洗い出し漏れが手戻りになる。技術的な答えは合っていても、「どの使用環境を前提にしているか」「対象は現行ロットか旧ロットか」「図面の改訂版数はいくつか」といった前提の確認が抜けると、回答後に「条件が違ったので作り直し」となり、信頼も工数も失います。カネシロ電子工業でも、急いで即答した問い合わせほど、この前提確認の漏れが起きていました。
02 WHAT Claude Code/Codexで何を自動化するか 技術判断ではなく、仕分けと確認事項の洗い出しを自動化
📚 用語解説
一次整理(技術問い合わせの)：飛んできた技術質問を、種類で仕分けし、過去の似た回答を引き当て、回答前に確認すべき点を洗い出すまでの準備作業。回答そのものではないが、ここに製品知識と過去案件の記憶が要るため、特定の技術者に集中しやすく、属人化の主因になりやすい工程。
処理1: 質問の分類と担当の振り分け候補。届いた問い合わせ文から、AIが「仕様確認」「代替材料/部品の提案依頼」「トラブル/不具合相談」「見積前提の確認」などの種類を判定し、設計・品質・営業のどこが一次対応すべきかの候補を添えます。緊急度(ライン停止に関わるか等)の目安も付けます。
処理2: 過去回答・関連資料の引き当て。蓄積した過去のQ&A、技術メモ、仕様書、検査データの中から、AIが「今回の質問に似た過去回答」「参照すべき図面・仕様の版」を候補として提示します。「前に同じ顧客の似た質問にこう答えた」が即座に出るので、調べ直しが減ります。
処理3: 確認事項つきの回答ドラフト。回答文の下書きと、「回答前に客先へ確認すべき点(使用環境・ロット・改訂版数・数量前提)」を一覧で出します。この確認リストがあるだけで、前提違いによる手戻りが大きく減ります。
| 入力情報 | AIが整理すること | 人(技術者)が確認・判断すること |
|---|---|---|
| 問い合わせ文(メール/チャット) | 質問の種類・緊急度・一次担当の振り分け候補 | 本当の意図、優先順位、誰が答えるべきかの最終判断 |
| 過去のQ&A・技術メモ | 似た過去回答・流用できる説明文の候補 | 今回条件との差分、回答が今も有効か |
| 図面・仕様書 | 参照すべき版・該当箇所の候補 | 改訂版数の正否、技術的な適合可否 |
| 検査データ・実績 | 根拠になりそうな実測値・実績の候補 | 数値の妥当性、客先公開の可否 |
AIの役割は質問分類・過去回答の引き当て・確認事項の洗い出し・回答文の下書きまで。使用可否、公差の判断、代替提案の妥当性、客先へ出す最終回答は必ず技術者(設計者)が確認します。この線引きを最初に決めておくと、現場が安心してAIを使えます。
03 HOW 具体的な進め方 5ステップ 小さくPoCし、直した回答の理由をナレッジへ戻す
技術問い合わせ対応AI化の5ステップ
仕様確認/代替提案/トラブル相談/見積前提など、回答の型が違う種類を先に分けて対象を1つ選ぶ
「互換性の質問なら必ず改訂版数とロットを確認」など、遠藤課長の頭の中の確認手順を文章化する
分類・過去回答候補・確認事項・回答ドラフトを、確定回答ではなく確認用の下書きとして出す
技術者が直した回答と「なぜその確認が必要だったか」をCLAUDE.mdへ戻し、一次整理の精度を上げる
一次整理を若手に任せ、技術者は妥当性の確認に回る。うまくいった種類から横展開する
5ステップで最も大切なのは、STEP 4の「直した回答の理由」を残すことです。AIが出した回答ドラフトを技術者が修正した場合、「なぜその表現ではダメか」(例: この顧客には保証範囲を明記する、この材質は使用温度の但し書きが必須)を残さないと、次回も同じ修正が発生します。逆に、その理由をCLAUDE.mdや社内ナレッジへ戻せば、AIの一次整理は少しずつカネシロ電子工業の回答基準に近づきます。
04 RESULT 導入後の変化と数値効果(カネシロ電子工業の事例) 一次整理35分→10分、属人化の解消
- 届いた質問を遠藤課長が読み、種類の仕分けと担当の振り分けを手作業で判断していた(1件約35分)
- 過去回答が個人のメールやメモに散らばり、似た回答を探すだけで20分かかることもあった
- 急ぎの即答では使用環境・ロット・改訂版数の確認が抜け、回答後に「条件が違う」と手戻りやクレームに
- 若手の永瀬さんは一次整理を作れず、問い合わせが遠藤課長1人に集中して回答が遅れていた
- AIが質問の種類・緊急度・一次担当の振り分け候補を提示、一次整理は約10分に
- 蓄積した過去Q&Aから似た回答と参照すべき図面の版を引き当て、調べ直しが減少
- 確認事項(使用環境・ロット・改訂版数・数量前提)を回答前に一覧化し、前提違いの手戻りが減少
- 若手の永瀬さんが一次整理を起こし、遠藤課長は技術的な妥当性の確認に専念。回答が速くなった
AI鬼管理山崎
05 PITFALL よくある落とし穴3つ 最終回答・流用・確認事項の扱いを誤らない
使用可否・公差・代替部品の妥当性・互換性の判断は、製品と設計を知る技術者が確認します。AIは回答候補と確認材料の整理まで。技術的な最終回答を任せると、誤った断定がそのまま客先へ流れ、製品トラブルや責任問題につながります。技術回答の最終確認は必ず技術者(設計者)が行います。
使用環境・ロット・図面の改訂版数が違えば、同じ質問でも正しい回答は変わります。似た過去回答は「参考」として使い、今回の前提条件はあらためて確認してください。古い回答が現行仕様と食い違っていないかの確認も必要です。
回答前に確認すべき前提(使用環境・ロット・版数・数量・保証範囲)は、手戻り防止のため必ず人が確認します。AIの確認事項リストは便利ですが、どの確認が今回の回答に効くかの取捨選択は技術者の責任で行います。
06 METHOD 技術質問を分類し、過去回答と確認事項を整理する型 質問の仕分け軸と確認事項の出し方を型にする
技術問い合わせの一次整理は、質問をどの軸で分類し、種類ごとにどんな確認事項を当てるかを型にしておくと、AIの一次整理精度も若手の再現性も一気に上がります。カネシロ電子工業で使っている、技術質問を仕分けて確認事項まで出す型を紹介します。
型1: 質問を「4種類×緊急度」で仕分ける
届いた質問は、まず種類で分けます。(1)仕様確認(この製品はこの条件で使えるか)、(2)代替提案(廃番部品の代替はあるか)、(3)トラブル相談(現場で不具合が出た)、(4)見積前提(見積を出すための技術条件)の4種類です。さらに緊急度(ライン停止・出荷停止に関わるか)を添えます。この分類軸をCLAUDE.mdに決めておくと、AIが同じ軸で仕分けし、若手も「これはどの担当か」を迷わなくなります。
型2: 種類ごとに「必ず確認する前提」を決めておく
質問の種類が決まれば、確認すべき前提も決まります。仕様確認なら使用環境(温度・湿度・電圧)と図面の改訂版数、代替提案なら現行品の型番・ロットと互換が必要な範囲、トラブル相談なら発生状況・再現条件・対象ロット、見積前提なら数量・納期・客先支給の有無を必ず確認します。AIには「種類に応じて必ず確認する前提を列挙する」と指示しておくと、回答前の確認漏れが減ります。
型3: 答えられない点は「要調査」として一次整理に残す
過去回答や仕様書から確定できない点(新規条件での使用可否、客先固有の特殊仕様、実測が必要な性能)は、勝手に推測せず「要調査」タグを付けて一次整理に残します。AIに「確定できない点は要調査として列挙する」と指示しておくと、技術者が時間をかけて判断すべき箇所だけが浮かび上がり、即答できる部分と切り分けられます。
| 質問の種類 | AIが出す一次整理の中身 | 技術者が確認・判断する点 |
|---|---|---|
| 仕様確認 | 該当仕様の候補+使用環境・版数の確認事項 | 実際の使用可否、但し書きの要否 |
| 代替提案 | 互換候補+現行品型番・互換範囲の確認事項 | 代替の技術的妥当性、保証範囲 |
| トラブル相談 | 過去類似事例+再現条件・対象ロットの確認事項 | 原因の切り分け、暫定/恒久対応の判断 |
| 要調査 | 確定できない点の一覧 | 調査要否、回答可否、エスカレーション先 |
上の「4種類×緊急度」の分類軸と、種類ごとの「必ず確認する前提」をCLAUDE.mdに例付きで書いておくと、AIが届いた質問を同じ構造で一次整理します。型が揃うと、誰が一次対応しても確認事項の粒度が安定し、若手の整理が技術者にとって読めるものになります。
07 KNOWLEDGE 技術ナレッジの蓄積と再利用で「同じ質問」を減らす 回答を資産化し、属人化した知識を引き出せる形にする
技術問い合わせ対応の負荷が下がらない最大の原因は、回答が個人のメールや記憶に残るだけで資産にならないことです。同じような質問が繰り返し来るのに、毎回ベテランが思い出して答える。これを変えるのが、技術ナレッジの蓄積と再利用です。カネシロ電子工業が回答を資産に変えている仕組みを紹介します。
仕組み1: 回答を「質問・前提・回答・根拠」の4点でナレッジ化する
この4点をセットで残すと、AIが過去回答を引き当てるときに「前提が今回と同じか」まで判断できます。回答だけを残すと前提違いの流用が起きますが、前提と根拠まで残せば、AIも人も安全に再利用できます。
仕組み2: 繰り返す質問は「標準回答」に昇格させる
同じ質問が3回以上来たら、その回答を標準回答としてナレッジに昇格させます。標準回答にすると、AIは次から「これは標準回答あり」と即座に提示し、技術者は前提だけ確認すれば回答できます。どの質問が繰り返されているかは、蓄積したQ&Aの分類をAIに集計させると見えてきます。繰り返す質問を標準化すれば、ベテランが同じ説明を何度もする時間が消えます。
仕組み3: 古くなった回答を「棚卸し」して陳腐化を防ぐ
ナレッジは貯めるだけだと、仕様変更や廃番で古い回答が誤って再利用されるリスクが出ます。図面の改訂や部品の廃番が出たタイミングで、関連する過去回答に「この版以降は無効」の印を付けて棚卸しします。AIに「参照した過去回答の前提版数が現行と一致するか」を毎回チェックさせると、陳腐化した回答の流用を防げます。
過去回答や標準回答が充実しても、客先へ出す技術回答の最終確認は必ず技術者(設計者)が行います。ナレッジは「技術者が速く正確に判断するための材料」であって、判断そのものを置き換えるものではありません。標準回答であっても、今回の前提が一致しているかは人が確認します。
上の「質問・前提・回答・根拠の4点」「3回で標準化」「改訂時に棚卸し」のルールをCLAUDE.mdに書いておくと、AIが回答後に「これはナレッジ化候補」「これは標準回答に昇格できる」と提案するようになります。回答が資産として積み上がり、同じ質問にベテランが何度も時間を使う状態から抜け出せます。
08 RELATED 関連記事: 製造業の自動化事例10選(全業務マップ) 技術問い合わせ以外の9業務も含めた事例集
本記事は製造業の自動化事例10選のうち、事例「技術問い合わせ対応」を深掘りした内容です。品質検査記録・作業標準書・見積作成・受発注メールなど他の業務もあわせてご覧ください。→ 製造業の自動化事例10選(全業務マップ)
09 ABOUT AI鬼管理について - 技術問い合わせ対応の伴走サービス 属人化した技術対応を、確認中心の運用へ
本記事を発信している AI鬼管理 は、製造業のAI業務自動化をClaude Code/Codexで設計から伴走するサービスです。技術問い合わせ対応は、一次整理の属人化を解くことで、回答スピードと若手育成、そして顧客の信頼維持に効く打ち手です。
代表菅澤
属人化した技術問い合わせ対応、いっしょに軽くしませんか?
本記事のカネシロ電子工業の例は、受託設計製造・取引先約90社・技術一次対応1人集中というモデルケースです。貴社の問い合わせの種類構成や対応体制によって、最適な進め方は変わります。まずは今の技術問い合わせの捌き方をうかがって、貴社に合った設計をご提案します。
代表菅澤
NEXT STEP
この記事の内容を、あなたのビジネスで
実践してみませんか？
AI活用を自社で回せるようになりたい方へ
AI鬼管理
Claude Code/Codex・Cowork導入支援から業務設計・社内浸透まで実践ベースで伴走。「自社で回せる組織」を90日で作る経営者向けトレーニング。
よくある質問
Q. AIに技術的な回答まで出させてもよいですか?
A. 技術回答の確定はおすすめしません。AIは質問分類・過去回答の引き当て・確認事項の洗い出し・回答文の下書きまでにし、使用可否・公差・代替の妥当性・客先へ出す最終回答は技術者(設計者)が確認する設計が現実的です。
Q. 過去の回答がメールやチャットに散らばっていても使えますか?
A. 使えます。まずは過去のQ&Aを「質問・前提・回答・根拠」の形で少しずつ蓄積するところから始めます。最初から完璧な整理は不要で、よく来る質問の種類から資産化していくのが現実的です。
Q. 顧客ごとに仕様や前提が違っても対応できますか?
A. 対応できます。回答に「どの使用環境・ロット・改訂版数を前提にしたか」を必ず残す運用にすると、AIが過去回答を引き当てる際に前提の一致まで確認できます。前提が違う回答の流用を防げます。
Q. 同じような質問が繰り返し来るのを減らせますか?
A. 減らせます。3回以上来た質問を標準回答に昇格させ、AIが「標準回答あり」と提示する運用にすると、ベテランが同じ説明を繰り返す時間が消えます。どの質問が繰り返されているかはAIに集計させると見えてきます。
Q. 料金やプランを教えてください
A. 料金やサポートプランは AI鬼管理のサービスページをご覧ください。貴社向けの個別ご提案は本記事末尾のNEXT STEPからお問い合わせください。
Claude Codeで業務自動化を90日で叩き込む
経営者向けの伴走型パーソナルトレーニング
Claude Code を業務に落とし込む
専門研修コース一覧
受講者本人の業務を題材に、「使いこなせる」状態になるまで伴走する研修プログラム。1対1特化型・ハンズオン・法人講座の3コースを展開中。業務特化・実装まで踏み込むタイプのClaude Code研修です。
研修コース一覧を見る →AI鬼管理へのお問い合わせ
この記事を読んで気になった方へ。
AI鬼管理の専門スタッフが、御社に最適な
業務自動化プランを無料でご提案します。
- AI業務自動化サービス「AI鬼管理」を運営 — Claude Code を活用し、経営者の業務を「AIエージェントに任せる仕組み」へ転換するパーソナルトレーニングを 伴走構築 で提供。日報・採用・問い合わせ対応・経費精算・議事録・データ集計・営業リスト等の定型業務を、AIに代行させる体制を経営者と一緒に作り込む
- Claude Code 実装ノウハウを 経営者・法人クライアント に直接指導。生成AIを「便利ツール」ではなく 「業務を任せる存在」 として運用する手法を体系化
- 「やらせ切る管理」メソッドの開発者。シンゲキ株式会社（2021年設立・鬼管理専門塾運営）にて累計3,000名以上の学習者を志望校合格に導いた管理メソッドを、AI × 経営者支援 に転用
- 著書『3カ月で志望大学に合格できる鬼管理』(幻冬舎)、『親の過干渉こそ、最強の大学受験対策である。』(講談社)
- メディア出演: REAL VALUE / カンニング竹山のイチバン研究所 / ええじゃないかBiz 他
- 明治大学政治経済学部卒
