整備工場がAIエージェントを使い始めるまで——失敗と学習の、9つのステップ

「うちみたいな小さい整備工場に、AIなんて関係ないでしょ？」

正直に言えば、半年前まで私もそう思っていました。スタッフ数名の小規模な町の車屋。お客様の車検や点検整備、修理を日々こなす、どこにでもある整備工場です。

ところが2025年の秋頃から、業務のあちこちで「このままじゃ回らないな」という場面が増えてきました。車検の予約管理はホワイトボードと手書き台帳の二重管理。部品の発注履歴は担当者の記憶頼り。お客様への連絡漏れも月に何度か発生する。人を増やそうにも、整備士の採用は年々厳しくなる一方です。

そんなとき、ふと「AIエージェント」という言葉が目に留まりました。ChatGPTのようなAIに「指示を出せば自動で仕事をしてくれる」仕組みがあるらしい。最初は半信半疑でしたが、調べれば調べるほど「これは使えるかもしれない」と思うようになったのです。

この記事では、ITの専門家でも何でもない町の整備士が、AIエージェントの導入に挑戦した半年間のリアルな過程を共有します。失敗もありました。学んだこともあります。その全プロセスを、9つのステップで読み直してみたいと思います。

ステップ1：「生成AI」という概念を理解する（2025年秋）

いきなりAIエージェントに飛びつくのは無謀だと感じたので、まずは基本的な生成AIツールを業務に取り入れるところからスタートしました。

ChatGPTを使った整備レポートの下書きを試しました。車検で見つかった不具合の内容を箇条書きで入力すると、お客様向けの丁寧な報告文に変換してくれます。これだけで、報告書作成の時間が1台あたり15〜20分短縮されました。

小さな成功です。でもこの経験が、次のステップに進む後押しになったのです。

ステップ2：情報を一元化する必要に気づく（2025年秋後半）

生成AIだけでは、根本的な業務効率化にはならないことに気づきました。なぜなら、AI活用の前提として「データがちゃんと整理されている」必要があるからです。

バラバラだった業務情報をNotionに集約することを始めました。車検の予約台帳、顧客情報、部品の在庫管理をすべてNotionのデータベースに移行したのです。最初は慣れるまで2週間ほどかかりました。でも「あの情報どこだっけ？」という探し物の時間が劇的に減りました。

この段階で私たちが感じたのは「データがきれいに整理されていると、次の自動化ステップに進める準備ができる」ということ。データなしに自動化はできないのです。

ステップ3：「AIエージェント」という概念と出会う（2026年初頭）

2026年に入ってから、AIの世界で「エージェント」という考え方が急速に広まりました。生成AIが「聞かれたことに答える」存在だとすれば、AIエージェントは「目的を与えると自分で考えて行動する」存在です。

正直に言うと、この概念を理解するのに約1ヶ月かかりました。YouTubeの解説動画を見たり、実際にClaudeのエージェント機能を試したり、試行錯誤の日々でした。整備の合間に少しずつ学ぶスタイルだったので、時間はかかりましたが、逆に「本業の課題」と照らし合わせながら学べたのは良かったと思います。

ステップ4：「これなら自動化できるかも」と気づく瞬間（2026年初頭）

ある日、「車検証のPDFをAIに渡したら、自動で顧客データベースに登録してくれる」という仕組みを作れることに気づきました。それまでは車検証を目で読んで、手でNotionに入力していた作業です。

1台あたり5分の入力作業。1日10台。月に210分（3.5時間）。年間にしたら40時間以上です。これが自動化できるなら、その時間を他の仕事に充てられる。その可能性に心が動きました。

ステップ5：最初の失敗を経験する（2026年2月）

意気込んで最初のAIエージェント構築に着手しました。「車検証の自動登録」という最初のプロジェクトです。スキャンしたPDFから自動で情報を読み取り、Notionに登録するシステムを作ろうと思いました。

最初の試みは失敗しました。手書き部分が多い車検証、印字が薄い古い車検証など、完全自動化が難しい複数のケースに直面したのです。AIの読み取り精度は100%ではありません。そのとき初めて「完璧を求めては進まない」という現実を理解しました。

ステップ6：「人間とAIの役割分担」を設計する（2026年2月中旬）

失敗から学んだのは「AIが8割やって人間が2割チェックする」という運用設計です。最初のプロジェクトを修正し、車検証のスキャン後、AIが自動読み取りしたデータを誰かが10秒見直して確認する仕組みにしました。

これなら手入力の1/10以下の時間で済みます。完璧ではなく「十分な正確性」を目指すことが、実務的には最も有効だったのです。

ステップ7：部品納品書の自動登録に応用する（2026年2月後半）

最初のプロジェクトで得た知見を、他の業務に応用し始めました。部品の納品書をスキャンすると、品番・品名・数量・金額を読み取り、在庫データベースに自動で登録するエージェントを構築しました。

今度は比較的スムーズに機能しました。手作業での入力漏れがなくなり、在庫管理の精度が格段に向上しました。

ステップ8：整備記録の構造化に取り組む（2026年3月）

AI録音ツール（PLAUD）で車検の実況を録音し、その文字起こしデータから整備記録簿を自動生成するシステムを構築しました。「右フロントブレーキパッド残量3mm、交換推奨」といった内容が構造化されたデータとして記録され、使用部品の情報まで自動でリストアップされます。

この領域も、整備現場の手の汚れた状況と音声入力の親和性の高さから、比較的スムーズに導入できました。

ステップ9：「続ける仕組み」を整える（2026年3月〜現在）

最後のステップは「導入したら終わり」ではなく「続ける仕組みをつくる」ことでした。AIエージェントは環境が変わると精度が落ちることもあります。定期的に見直し、フィードバックを反映する。そうした運用ルールを決めることが、長期的な成功につながります。

現在では毎月1回、導入しているAIエージェントがちゃんと機能しているかを確認する時間を設けています。小さなチューニングを積み重ねることが、システムを活かし続けるコツだったのです。

これから整備工場のAI導入を考える人へ

この9つのステップを振り返ると、共通のテーマが浮かびます。それは「急がず、小さく始め、学びながら進める」ということです。

生成AI→情報の一元化→AIエージェント導入という段階的なアプローチが、結局のところ最も確実でした。いきなり全自動化を目指すのではなく、小さな成功を積み重ねることが、工場全体のDXを推し進める力になるのです。

また「完璧さを求めない」ことも大事です。AIが8割やって人間が2割チェック。その程度の精度で十分な領域が、実は業務の大半を占めているのです。

この記事は、町の整備工場でAI導入に取り組んだ9ヶ月間の経験と学習の記録を、現役整備士・関谷弘幸が執筆しました。