RAGの限界を突く――製造現場の「暗黙知」問題

ギリアが新たに提供を開始したプラットフォームは、3Dモデルや解析結果といった非テキスト系データをマルチモーダルLLMで統合し、設計現場に蓄積された暗黙知を形式知として引き出せる仕組みだとSourceが報じている。

製造業における知識管理の難しさは、今に始まった話ではない。2010年代から続くナレッジマネジメントブームの中で、テキストベースの検索・RAG（Retrieval-Augmented Generation）が広く導入されてきた。しかしRAGが扱えるのは、あくまでテキスト化・構造化された情報にすぎない。設計図面、CAEの解析結果、3Dモデルといった製造現場の主要データは、従来のRAGアーキテクチャでは十分に処理できないという根本的な制約がある。ギリアはこの点を「RAGでは超えられない製造現場の暗黙知がある」と明言しており、そこに自社プラットフォームの差別化軸を置いている。

「失敗データ」を資産に変えるという発想

このプラットフォームの核心は、採用されなかった設計案や失敗に終わった試作の文脈まで、組織の検索可能な資産として蓄積・活用できる点にある。製造業では、なぜその設計が不採用になったのか、どのような条件下で部品が破損したのか、といった「負の情報」こそが次世代設計の精度を左右する。しかし現実には、こうした失敗の文脈は担当者の記憶や属人的なメモに留まり、退職や異動とともに消滅してきた。

この構図は、半導体設計の世界でも繰り返されてきた問題だ。Intelが2018年前後に10nmプロセスの量産化で繰り返した遅延は、部分的には過去の歩留まり改善プロセスで得られた「失敗の文脈」が組織内で十分に共有されなかったことに起因すると指摘されている。失敗データの非流通コストは、製造業全体で構造的に過小評価されてきた。ギリアのアプローチは、この問題に正面から向き合うものと考えられる。

マルチモーダル統合の現実的な課題

マルチモーダルLLMによる3Dモデルや解析結果の統合という方向性自体は、技術的に理にかなっている。GPT-4oやGemini 1.5といったモデルが画像・動画・テキストを横断的に処理できるようになったことで、こうしたプラットフォームの実現可能性は確かに高まっている。ただし、ソース抜粋の範囲では、具体的な導入企業数、処理精度、コスト構造、ROIに関する数値は明示されていない。現時点では「技術的アプローチの発表」段階であり、製造現場での実証規模や歩留まり改善への定量的な貢献については、今後の開示を待つ必要がある。

また、「暗黙知の形式知化」というコンセプト自体は、野中郁次郎のSECIモデル（1990年代）以来、製造業が繰り返し挑戦し、繰り返し部分的にしか達成できなかったテーマでもある。AIが文脈を「理解」しているのか、それとも統計的なパターンマッチングをしているにすぎないのか、という問いは依然として開かれたままだ。

結論――失敗を資産と呼ぶのは正しい、だが定量化が先だ

失敗データを組織知として構造化するという発想は正しい方向性だと見ている。製造業における知識損失コストは、業界全体で長年にわたり軽視されてきた実態がある。マルチモーダルLLMを活用することで、テキストに還元できなかったデータ群を検索可能にするアプローチは、RAGの限界を補完する可能性がある。

ただし、「暗黙知を形式知に変える」という表現は、過去30年で何度も使われ、何度も過剰に期待されてきたフレーズでもある。ギリアが本当に製造現場の信頼を勝ち取るには、導入後の設計手戻り削減率や開発リードタイム短縮といった具体的なROI指標を、早期に公開することが不可欠だ。「失敗を資産に変える」という美しいコンセプトも、数字なしでは単なるマーケティングコピーにすぎない。