Media > AI活用ユースケース > 生産 > 木炭の製炭所が炭窯ごとに手書きする窯焚きの記録を読み取り、窯ごとの生産の台帳と、等級別の出荷できる在庫の表を作る

木炭の製炭所が炭窯ごとに手書きする窯焚きの記録を読み取り、窯ごとの生産の台帳と、等級別の出荷できる在庫の表を作る

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

炭窯ごとに手書きする窯焚きの記録票を読み取り、窯ごとの生産の台帳に写します。窯出しの後の選別の量から、等級別の出荷できる在庫の表もその日のうちに更新します。

サマリー
生成AI
Azure OpenAI Service/Claude/Gemini
AIサービス
AWS Textract/Azure AI/Google Document AI
連携・自動化
Google Apps Script/Python
対象業界
その他/製造
対象部門
生産
対象業務
データ入力・転記/台帳・マスタ管理
主な課題
データ分析に時間がかかる/入力作業が多い/属人化している
AIで行う処理
読み取り(OCR)
主な効果
入力漏れ削減/属人化解消/工数削減
導入難易度
★★☆☆☆
実装レベル
本格構成
費用感
API連携(中)
人間の確認
条件付き
現在工数
18h/月
AI導入後
5h/月
想定削減
72%
年間削減
156h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 焚き手が、窯入れの日に記録票の表に窯番号・樹種・窯入れの量を書く
  2. 焚いている間、口焚きの開始、窯止めの日を書き足す
  3. 窯出しの日に窯出しの量を書き、選別の後で裏に等級ごとの量を書く
  4. 記録票は事務所の箱に入れられ、月末にまとめて事務の担当に渡る
  5. 事務の担当が、記録票を1枚ずつ見て、窯ごとの生産の台帳に写す
  6. 選別の量を等級ごとに足し、在庫の表を更新する
  7. 読めない数字や抜けている欄は、焚き手に聞きに行く
導入後(After)
  1. 人焚き手は、作り直した1枚の様式の記録票に、いままでどおり手で書く
  2. 人窯出しと選別が終わった記録票を、事務所の複合機で表と裏をスキャンする
  3. 自動スキャンのPDFが受付フォルダに保存されたら、決まった時刻に読み取りに回す
  4. 自動記録票の様式で学習したカスタム テンプレート モデルが、欄ごとの値と信頼度を返す
  5. 自動窯番号と窯入れの日から、生産の台帳のどの行かを決める
  6. 自動プログラムが日付と量の形を確かめ、収炭率と焚いた日数を計算する
  7. 自動備考の欄に書かれた窯の不具合を、生成AIが区分の候補に分ける
  8. 自動信頼度の低い欄、形の合わない欄、過去の範囲を外れた収炭率に印を付ける
  9. 人事務の担当が、印の付いた欄だけを記録票の画像と見比べて直す
  10. 自動確かめた記録を台帳に書き込み、選別の量を等級別の在庫の表に足す
  11. 人窯の責任者が、月に一度、窯ごとの収炭率の一覧を見る
各工程の詳しい説明を読む
  1. 焚き手が、窯入れの日に記録票の表に窯番号・樹種・窯入れの量を書く
  2. 焚いている間、口焚きの開始、窯止めの日を書き足す
  3. 窯出しの日に窯出しの量を書き、選別の後で裏に等級ごとの量を書く
  4. 記録票は事務所の箱に入れられ、月末にまとめて事務の担当に渡る
  5. 事務の担当が、記録票を1枚ずつ見て、窯ごとの生産の台帳に写す
  6. 選別の量を等級ごとに足し、在庫の表を更新する
  7. 読めない数字や抜けている欄は、焚き手に聞きに行く

(a)在庫が月末まで分からない。 選別の結果は記録票の裏にしかなく、事務所の箱に入ってから月末まで写されません。 月の途中の在庫は、事務の担当が倉庫を見に行くか、窯の責任者に聞くしかありません。注文を受けてから在庫を確かめるのに、半日かかることがあります。

(b)月末の転記に時間がかかる。 60枚を一度に写すため、月末の数日はこの作業で埋まります。 1枚に窯入れ・窯止め・窯出しの日付、量、等級ごとの量が十数か所あり、1枚の転記と足し算に15分前後かかります。

(c)聞きに行く時間がかかる。 煤で読めない数字、書き忘れた窯止めの日、等級の欄に書かれた見慣れない略号があると、焚き手に聞きに行きます。 月末に聞いても、半月前の窯のことは覚えていないこともあります。

(d)窯ごとの違いが記録に残らない。 どの窯が収炭率が高いか、どの樹種でどれくらい焚いたかは、焚き手の頭の中にあります。 台帳には写していても、計算して見比べる時間がありません。

  1. 【人】 焚き手は、作り直した1枚の様式の記録票に、いままでどおり手で書く
  2. 【人】 窯出しと選別が終わった記録票を、事務所の複合機で表と裏をスキャンする
  3. 【自動】 スキャンのPDFが受付フォルダに保存されたら、決まった時刻に読み取りに回す
  4. 【自動】 記録票の様式で学習したカスタム テンプレート モデルが、欄ごとの値と信頼度を返す
  5. 【自動】 窯番号と窯入れの日から、生産の台帳のどの行かを決める
  6. 【自動】 プログラムが日付と量の形を確かめ、収炭率と焚いた日数を計算する
  7. 【自動】 備考の欄に書かれた窯の不具合を、生成AIが区分の候補に分ける
  8. 【自動】 信頼度の低い欄、形の合わない欄、過去の範囲を外れた収炭率に印を付ける
  9. 【人】 事務の担当が、印の付いた欄だけを記録票の画像と見比べて直す
  10. 【自動】 確かめた記録を台帳に書き込み、選別の量を等級別の在庫の表に足す
  11. 【人】 窯の責任者が、月に一度、窯ごとの収炭率の一覧を見る

2番目で、スキャンを窯出しの都度にしているのが大事です。 月末にまとめてスキャンすると、在庫が分かるのが月末のままです。選別が終わった日にスキャンすれば、その日のうちに在庫の表が変わります。

8番目で印を付けた欄だけを人が見ます。 全欄を画像と見比べると、写す時間がそのまま見比べる時間に置き換わるだけです。

11番目は、これまで無かった仕事です。 台帳は写すだけで手一杯で、窯ごとに収炭率を並べて見る時間がありませんでした。写す時間が減った分を、窯の手入れの判断に回します。 一覧には窯ごとの直近の収炭率と焚いた日数、過去の範囲、備考の区分を並べ、窯の責任者が「次の窯焚きの前に天井を見る」といった段取りを決めます。

02今回想定するシステム構成

構成図
炭窯の記録票(表:窯入れ〜窯出し/裏:選別)
   │  窯出し・選別の後に複合機でスキャン
   ▼【トリガー】受付フォルダ(SharePoint)を1日3回確認
Python(Azure Functions)
   ▼
Azure AI Document Intelligence
   │   記録票の様式で学習したカスタム テンプレート モデル
   │   欄ごとの値・選択の印・表のセル・信頼度
   ▼
Python ── 窯番号と窯入れの日で台帳の行を決める
   │        日付と量の形の確認、収炭率・焚いた日数の計算
   ▼
Azure OpenAI ── 備考の欄を窯の不具合の区分の候補に分ける
   ▼
確認の一覧(印の付いた欄だけ)
   ▼【人が画像と見比べて直す】
生産の台帳・等級別の在庫の表へ書き込み
役割想定する製品代替候補
OCRAzure AI Document Intelligence(記録票の様式で学習したカスタム テンプレート モデル)Google Document AI(Form Parser)。AWS Textract は日本語の手書きを読めないため対象外
生成AIAzure OpenAI(Microsoft Foundry)(備考の欄を不具合の区分の候補に分ける。構造化出力)Claude API、Gemini API
集計Python(Azure Functions。台帳の行の決定、形の確認、収炭率と在庫の計算)Google Apps Script
保管SharePoint(受付フォルダ、記録票の画像、確認の一覧、生産の台帳、在庫の表)社内のファイルサーバー

生産の台帳と在庫の表は、いまの表計算のシートをそのまま使います。 書き込みはプログラムが行い、人が手で写す作業がなくなるだけです。

土台は Azure AI Document Intelligence のカスタム テンプレート モデルです。 決まった見た目の様式から、ラベルを付けたキーと値、選択の印(チェック欄)、表、領域を読み取るモデルです。言語対応のページで、カスタム テンプレートの手書きの対応言語に日本語が載っています。 焚き手の手書きの数字と、樹種のチェック欄を読むのに向いています。

テンプレート モデルは様式の見た目に頼ります。 公式は、様式が変わると精度が下がり、違う様式はそれぞれ少なくとも5通の見本で別に学習させるよう勧めています。だからこそ、記録票を1枚の様式にそろえてから始めます。

03どうやって実装するのか

Step1

処理の起点を決める

受付フォルダを1日3回(10時・13時・17時)確かめ、新しいPDFを読み取りに回します。 Azure Functions のタイマーで動かします。タイマーの既定は UTC なので、日本時間に読み替えて設定します。

窯出しと選別は日中に行われるため、1日3回で足ります。 17時の回で、その日に選別した炭が在庫の表に入ります。注文の確認は翌朝から最新の在庫で行えます。

スキャンは事務所の複合機から受付フォルダへ送ります。スキャンの設定は300DPI、カラー、両面にします。 表と裏が1つのPDFに入り、煤の汚れと鉛筆の数字を見分けやすくなります。

処理が終わったPDFは処理済みフォルダへ移します。移すのは、読み取りと台帳の行の決定まで成功したときだけです。 受付フォルダに残っている数が、未処理の数です。

Step2

入力データを集める

データ中身取得元
記録票表:窯番号、炭の種類(白炭/黒炭)、樹種(チェック欄)、窯入れの日、窯入れの量、口焚きの開始、窯止めの日、窯出しの日、窯出しの量、焚き手、備考。裏:等級ごとの選別の量、粉炭の量受付フォルダ
読み取り結果欄ごとの値、選択の印の状態、表のセル、信頼度Azure AI Document Intelligence
窯の一覧窯番号、炭の種類、窯の大きさ、過去の収炭率の範囲、焚いた日数の範囲自社で用意する表
等級の一覧炭の種類ごとの等級の名前、略号、在庫の表の列自社で用意する表
出荷の記録日付、等級、量販売の帳簿

質を決めるのは、窯の一覧の「過去の範囲」と、等級の一覧の「略号」です。 過去の範囲が無ければ、読み違えた量を見つける手がかりがありません。略号が無ければ、焚き手が書いた「上小」「小丸」のような書き方を在庫の表のどの列に足すかが決まりません。

過去の範囲は、いまの台帳の1年分から作ります。 窯ごとに、収炭率と焚いた日数の最小と最大を出し、少し幅を持たせた値を入れておきます。

Step3

データの取得方法を決める

取るものどこから何に使うか
窯番号・窯入れの日テンプレート モデルのフィールド台帳の行の決定
窯入れ・窯出しの量テンプレート モデルのフィールド台帳の値、収炭率の計算
日付の欄テンプレート モデルのフィールド焚いた日数の計算
樹種のチェック欄選択の印(selected/unselected)台帳の樹種
等級ごとの選別の量裏の表のフィールド(表・行・セルの信頼度)在庫の表への加算
各欄の信頼度フィールドと単語の信頼度人が見る欄の選び出し

テンプレート モデルの学習は、Studio で見本にラベルを付けたうえで、build の操作で buildMode を template にして行います。

POST {endpoint}/documentintelligence/documentModels:build?api-version=2024-11-30
{
  "modelId": "kiln-log-v1",
  "description": "炭窯の記録票(様式 2026年版)",
  "buildMode": "template",
  "azureBlobSource": { "containerUrl": "...", "prefix": "kiln-log-v1/" }
}

モデルIDに様式の版を入れておきます。 様式を直したら新しい版のモデルを作り、どの記録票をどの版で読んだかを保存の記録に残します。

信頼度は、フィールドの信頼度と、その中の単語の信頼度の両方を見ます。 公式は、フィールドの信頼度は値の位置の確からしさで、書かれた文字の読み取りの確からしさは単語の信頼度で見るよう説明しています。手書きの数字では、位置は合っていても「1」と「7」を読み違えることがあるため、低いほうを使います。

樹種はチェック欄にして、選択の印として読みます。 手書きで「ウバメ」「カシ」「ナラ」と書かせると、略し方が焚き手ごとに分かれます。チェック欄なら、読み取りは選ばれているかどうかだけで、選択の印にも信頼度が付きます。 2つ以上に印が付いていれば混ぜて焚いたものとして、両方を台帳に残します。一覧に無い樹種のために「その他( )」の欄を1つだけ置き、そこに書かれた文字は人が確かめます。

裏の選別の表は、カスタム モデルの表のフィールドとして学習させます。 2024-11-30 の API から、カスタム モデルの表・行・セルにそれぞれ信頼度が付きます。公式の勧めどおり、表全体→行→セルの順に見て、低い行のセルだけを人に回します。

Step4

AIへ渡す前に整形する

  1. 形式とページの確認 … PDF であること、表と裏の2ページであることを確かめます。1ページしか無ければ裏の取り忘れとして人に回します
  2. ページの向きの確認 … 裏が上下逆にスキャンされていないかを見ます
  3. 画像の大きさの確認 … 50×50から10,000×10,000ピクセルの間であることを確かめます
  4. 文字の大きさの確認 … 抽出できる文字の高さの下限は、1024×768の画像で12ピクセル(150DPIで約8ポイント)です。小さく書かれた備考の文字はここに近いので、300DPIで取ります
  5. 二重の受付の確認 … 同じ窯番号・窯入れの日の記録票がすでにあれば、印を付けて人に回します

1番目の「裏の取り忘れ」が最も多い例外です。 表だけがスキャンされると、窯出しまでは台帳に入っても、選別の量が在庫の表に入りません。 ページ数で機械的に止めます。

Step5

AIに処理させる

Document Intelligence にさせるのは、記録票の欄から値を読むことだけです。 計算はさせません。

読んだ値は、プログラムが次の順に確かめます。

確かめること方法外れたとき
日付が日付として読めるか年月日の形への変換要確認
日付の順が合っているか窯入れ ≦ 口焚き ≦ 窯止め ≦ 窯出し要確認
焚いた日数が窯の範囲内か窯止め − 口焚き の日数を窯の一覧と比べる範囲外
量が数として読めるか数への変換要確認
収炭率が窯の範囲内か窯出しの量 ÷ 窯入れの量 を窯の一覧と比べる範囲外
選別の合計が窯出しの量に近いか等級ごとの量と粉炭の合計 と 窯出しの量差が大きければ 要確認
等級の略号が一覧にあるか等級の一覧との照合要確認

最後から2行目の確かめが、読み違いを見つけるのにいちばん効きます。 選別の量の1つを「7」と「1」で読み違えると、合計が窯出しの量から大きく離れます。どの欄を読み違えたかまでは分かりませんが、その記録票を人に回すきっかけになります。

生成AIにさせるのは、備考の欄を窯の不具合の区分の候補に分けることだけです。 焚き手は「天井ひび」「煙道つまり気味」「生焼け多し」「雨で窯止め遅れ」のように、思い思いに書きます。これを「窯の傷み」「焚き方」「天候」「その他」の候補に分け、窯の責任者が月に一度見る一覧にします。

させないこと理由
量や日付の補完・書き換え読めた文字のまま。読めなければ人に回す
収炭率や在庫の計算プログラムで計算する
等級の判断選別は焚き手が炭を見て行ったもの。記録を写すだけ
焚き方の良し悪しの評価窯の責任者の領分。区分の候補を出すまで
窯の補修の要否の判断区分の候補を見て、窯の責任者が決める

1行目がいちばん起きやすい失敗です。 窯止めの日が抜けた記録票で、生成AIに「前後の日付から推測して」と頼むと、それらしい日付を埋めます。埋めた日付で焚いた日数が計算され、その窯の記録として残ります。

Step6

指示内容を固定する

あなたは製炭所で、炭窯の記録票の備考の欄を読み、
窯の責任者が月に一度見る一覧のために区分の候補を付ける係です。

【区分】
- kiln_damage …… 窯の傷み(天井・壁・焚き口・煙道のひび、崩れ、つまり)
- firing ………… 焚き方(生焼け、焼け過ぎ、窯止めの早い・遅い)
- weather ……… 天候(雨、風、気温による遅れ)
- material …… 原木(樹種の混ざり、乾きの具合、太さ)
- other ………… 上のどれにも当たらない
- none ………… 備考が空、または「特になし」

【厳守事項】
- 区分は備考に書かれた言葉だけから選んでください。
  窯番号や数字から推測しないでください。
- 1つの備考に複数のことが書かれていれば、該当する区分を
  すべて挙げてください。
- 書かれていないことを補って説明しないでください。
- 焚き方の良し悪し、補修が要るかどうかを書かないでください。
- quote には、区分の根拠にした備考の言葉をそのまま写してください。
- 読めない文字がある、または意味が取れないときは
  uncertain を true にしてください。

【窯番号】{kiln_no}
【炭の種類】{charcoal_type}
【備考(読み取り結果のまま)】{remarks}

「窯番号や数字から推測しない」を書くのは、窯の一覧の範囲外の印と混ぜないためです。 生成AIに数字を渡すと、収炭率の低い窯に「焚き方」の区分を付けたがります。数字の外れはプログラムの 範囲外 の印で、備考の区分とは別の列に置きます。

「補修が要るかどうかを書かない」も同じ理由です。 「天井ひび」と書かれていても、補修するかは窯の責任者が窯を見て決めます。

Step7

出力形式を固定する

生成AIの出力は、構造化出力で次の形にします。

{
  "record_id": "",
  "categories": ["kiln_damage | firing | weather | material | other | none"],
  "quotes": [""],
  "uncertain": false
}

Azure OpenAI の構造化出力では、すべての項目を required にし、additionalProperties: false を置きます。 配列の minItems は使えないため、区分が空の配列で返ったときはプログラムで other に置き換えます。

台帳に書き込む前の記録は、プログラムが次の形でまとめます。

{
  "record_id": "",
  "kiln_no": "",
  "charcoal_type": "白炭 | 黒炭",
  "wood_species": [""],
  "loaded_on": "",
  "fire_started_on": "",
  "sealed_on": "",
  "unloaded_on": "",
  "loaded_kg": "",
  "unloaded_kg": "",
  "grades": [
    { "grade_code": "", "raw_label": "", "kg": "", "confidence": 0 }
  ],
  "fines_kg": "",
  "computed": {
    "firing_days": 0,
    "yield_ratio": 0,
    "grade_total_vs_unloaded": 0
  },
  "flags": ["要確認 | 範囲外"],
  "remarks_raw": "",
  "remarks_categories": [""],
  "status": "ready | needs_review"
}

1つ目の理由は、読み取った値と計算した値を分けておけることです。 computed の値は台帳に書き込みますが、人が直したら計算し直します。読み取った値を直したのに、古い収炭率が残ることがありません。

2つ目は、raw_label を残せることです。 焚き手が書いた等級の書き方をそのまま残し、grade_code との対応を後から見直せます。新しい略号が出てきたときに、等級の一覧に足す材料になります。

3つ目は、flags と remarks_categories を分けていることです。 数字の外れと備考の内容は別のもので、窯の責任者は2つを並べて見ます。 収炭率が範囲外で、備考に「天井ひび」があれば、窯の傷みが理由かもしれません。その判断は人が行います。

Step8

システムへ連携する

つなぎ先方式内容
受付フォルダMicrosoft Graph でのファイルの一覧と取得新しいPDFを取り、処理後に移す
Azure AI Document IntelligenceREST API(2024-11-30)カスタム テンプレート モデルで読み取る
Azure OpenAIREST API(構造化出力)備考の区分の候補
生産の台帳・在庫の表Microsoft Graph でのブックの読み書き確かめた記録の書き込み、等級別の在庫の加算
確認の一覧SharePoint のリスト印の付いた欄だけを並べる

在庫の表へは、選別の量を足すだけにします。 出荷で減らすのは、いまどおり販売の帳簿から事務の担当が行います。この構成が在庫の表の減算まで受け持つと、出荷の記録の誤りと読み取りの誤りが同じ表で混ざります。

台帳と在庫の表への書き込みは、印の付いた欄を人が確かめた後に行います。 印の無い記録票は、確認を待たずに書き込みます。

Step9

人が確認する

人が見るのは、印の付いた欄だけです。

  1. 要確認 の欄 … 信頼度が閾値(最初は 0.85)を下回った欄、日付や量の形が合わない欄、見慣れない等級の略号です。記録票の画像を開いて直します
  2. 範囲外 の記録 … 収炭率や焚いた日数が過去の範囲を外れたものです。読み違いでなければ、そのまま残します。 外れたこと自体が記録です
  3. 選別の合計と窯出しの量の差が大きい記録 … どの欄の読み違いかを画像で探します
  4. 裏の取り忘れ … 焚き手に裏をスキャンし直してもらいます

印の無い記録票は、人が開きません。 目標は、60枚のうち印の付く記録票が2割前後です。それより多い月は、スキャンの汚れか、焚き手の書き方が様式から外れています。

確認の一覧は、記録票1枚を1行にせず、印の付いた欄1つを1行にします。

記録票窯欄読み取った値信頼度印理由
2026-11-12_白3白3選別「小丸」710.62要確認信頼度が閾値未満。選別の合計が窯出しの量より大きい
2026-11-12_白3白3収炭率(計算)-範囲外過去の範囲の下限を下回る
2026-11-13_黒2黒2窯止めの日(空)-要確認空欄。焚いた日数を計算していない

1行目と2行目は同じ記録票です。 「小丸」の71が実は11の読み違いなら、直した後で選別の合計が窯出しの量に近づき、収炭率の印は残ります。直した値で計算し直したうえで、残った印だけを窯の責任者に回します。

範囲外の記録を「直さない」ことを、担当者と決めておきます。 収炭率が低かった窯の記録を、読み違いだと思って普通の値に直すと、窯の傷みに気づくきっかけが消えます。

Step10

例外に対処する

起きること対応
裏がスキャンされていないページ数で止め、焚き手に取り直しを頼む
窯番号が読めない・一覧に無い台帳の行を決めずに 要確認
同じ窯番号・窯入れの日の記録票が二度来る印を付けて人に回す。上書きしない
窯止めの日が空欄焚いた日数を計算しない。焚き手に聞く
等級の略号が一覧に無い在庫の表に足さずに 要確認。一覧に足すかは人が決める
選別の合計と窯出しの量が大きく違う要確認。読み違いでなければ、そのまま残す
様式を変える前の古い記録票が来るテンプレートに合わず信頼度が下がる。人が写す
生成AIが応答しない備考の区分だけを空にして、台帳への書き込みは進める
読み取りが応答しない受付フォルダに残す。次の回で読み直す

下から3行目の「古い記録票」は、様式を変えてから1〜2か月は必ず出ます。 古い様式で書きかけた窯焚きが終わるまで、古い記録票が混ざるからです。無理に読ませず、人が写すと決めておきます。

Step11

記録を残す

  • 記録票の画像(PDF)と、スキャンした日時
  • 読み取りの応答の全文(フィールド、選択の印、表のセル、信頼度)
  • 計算した値(焚いた日数、収炭率、選別の合計)と、そのとき使った窯の一覧の範囲
  • 人が直した欄と、直す前・直した後の値
  • 備考の原文と、生成AIの区分の候補
  • 在庫の表に足した日時と量

直す前・直した後の値を残すのは、読み違いの癖を知るためです。 特定の焚き手の「4」と「9」を取り違えることが続くなら、テンプレート モデルの見本にその焚き手の記録票を足して学習し直します。

窯の一覧の範囲も、そのときの値を残します。 範囲を後から広げると、過去に 範囲外 だった記録の意味が変わります。

04実装レベルの3段階

最小構成:Studio の layout で記録票を読み、台帳と突き合わせる / 読み取りの確かめ
半自動化:上記+様式を作り直し、カスタム テンプレート モデルで読み、確認の一覧を作る / 読み取りと確認の一覧化
本格構成:上記+形と範囲の確かめ、収炭率と在庫の計算、台帳と在庫の表への書き込み、備考の区分まで行う / 転記・計算・在庫の更新

最小構成は確かめるための段階です。 台帳には何も書き込みません。 半自動化で、1枚18分が10分程度になります。 写す作業はなくなりますが、確認の一覧から台帳と在庫の表へ写すのは手作業です。本格構成で5分になり、この段階が本記事の想定です。 差を生むのは、台帳と在庫の表への書き込みと、収炭率・選別の合計の確かめが自動になることです。 段階を飛ばさないでください。 半自動化を1か月回すと、どの欄で読み違いが多いか、どの焚き手の書き方が様式から外れるかが分かります。台帳への書き込みを自動にするのは、それを直してからにします。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
2 名
月間件数
60 件
1件あたり現在時間
18 分
1件あたり導入後時間
5 分
現在  60件 × 18分 ÷ 60 = 18 時間/月
導入後 60件 × 5分 ÷ 60 = 5 時間/月
月間削減時間
13h
削減率
72%
年間削減時間
156h
年間金額換算(時間単価2,400円)
37万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 白炭・黒炭の炭窯を複数持ち、窯ごとに紙の記録票で窯入れから窯出し・選別までを書いている製炭所。記録票の数字を月末にまとめて表計算のシートに写していて、等級別の在庫が締めの後でないと分からない場合。窯ごとの収炭率や焚いた日数の違いを、焚き手の勘ではなく記録で見たい場合。
向いていない
  1. 炭窯が1〜2基で、記録票が月に数枚の場合。窯焚きの記録をすでにタブレットなどで直接入力している場合。記録票の様式が焚き手ごと・窯ごとに違い、決まった様式にそろえる見込みが無い場合。窯の焚き方の良し悪しを機械に判断させたい場合。この構成は記録を写すところまでで、焚き方の判断はしません。

07最小構成で試す方法

  1. 先月の記録票から、焚き手4人それぞれ5枚ずつ、計20枚を選ぶ(うち数枚は、煤で汚れたものを入れる)
  2. 20枚を300DPIでスキャンする
  3. Document Intelligence Studio で、20枚を prebuilt-layout にかけ、手書きの数字がどれくらい読めるかを見る
  4. 読めた数字を、当時の台帳の値と1つずつ突き合わせる
  5. 読み違えた数字の種類(「1」と「7」、「4」と「9」など)と、焚き手ごとの違いを書き出す

20枚は必ずやってください。 様式を作り直す前に、手書きの数字がどこまで読めるかを確かめます。

出てきた内容判断
数字はほぼ読め、欄の対応だけがずれる様式を作り直してテンプレート モデルへ進む
特定の焚き手の数字だけ読み違えるその焚き手の見本を多めに入れて学習する。構成は有効
煤で汚れた紙の数字が読めない記録票の扱い(バインダー、置き場所)を先に変える
ほとんどの数字が読めないスキャンの設定を見直す。それでも読めなければ記入欄を大きくする

4行目が出たときは、様式の見直しで解決することが多いです。 記入欄が小さいと、焚き手は数字を詰めて書きます。1つの欄に1つの数字を書ける大きさにするだけで、読み取りは変わります。

08実装時につまずきやすいポイント

問題対策
様式がそろわないまま学習させる様式を1枚に作り直してから。 違う様式は別のモデルが要る
裏のスキャンを忘れるページ数で止める。選別の量が在庫に入らない
「1」と「7」、「4」と「9」を読み違える選別の合計と窯出しの量の差で見つける。単語の信頼度も見る
抜けた日付を生成AIが推測で埋める生成AIに日付を渡さない。 抜けは焚き手に聞く
範囲外の記録を読み違いと思って直す直さないと決めておく。 外れたこと自体が記録
在庫の表の減算まで自動にする出荷は販売の帳簿から人が減らす。誤りの出どころを混ぜない
古い様式の記録票が混ざる様式の切り替えから1〜2か月は人が写す
等級の略号が焚き手ごとに違う等級の一覧に略号を足していく。見慣れない略号は 要確認
煤で汚れて読めない記録票をバインダーに挟み、窯の前に置かない。AIの問題ではない
月末にまとめてスキャンする選別の日にスキャンする。 在庫が分かるのが月末のままになる

上の2行が、この構成の失敗のほとんどです。 どちらも読み取りの精度ではなく、記録票の様式と扱い方の問題です。 直すほうが、モデルを学習し直すより効きます。

下から2行目も同じです。 読めない紙を読ませる工夫より、紙を汚さない置き場所のほうが確かです。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 窯ごとの生産の量、焚いた日数、収炭率、等級別の在庫、焚き手の名前です。取引先や個人の情報はほとんど含みません。

  1. 焚き手の名前を生成AIに渡さない … 備考の区分に名前は要りません。渡すのは備考の文と、窯番号・炭の種類だけです
  2. 収炭率を焚き手の評価に使わない … 収炭率は窯の傷み、原木の乾き、天候でも変わります。窯ごとの一覧は窯の手入れのための材料で、焚き手を比べる表にしないと決めておきます。 記録を書くことが評価につながると、焚き手は記録を書かなくなります
  3. 記録票の画像を原本として残す … 台帳は人が直した後の値です。直す前の値と画像が残っていれば、後から確かめられます
  4. 在庫の表の書き込みの権限を絞る … 在庫の表を書き換えられるのは、この構成と事務の担当だけにします
  5. 収炭率や等級の判断を外へ出さない … 窯ごとの収炭率や等級の比率は、製炭所の焚き方の工夫が表れる情報です。 取引先に見せる資料に載せるかは、窯の責任者が決めます

誤りが起きた場合のリスクは、在庫が実際より多く見えて注文を受けすぎることと、窯の傷みを見逃すことの2つです。 前者は選別の量の読み違いで、後者は範囲外の記録を直してしまうことで起きます。選別の合計と窯出しの量の確かめと、範囲外を直さない決まりで守ります。

10まず何から始めるか

1週目:20枚で試す

焚き手4人から5枚ずつ選び、Studio の layout で読み、当時の台帳と突き合わせます。読み違えた数字の種類と、焚き手ごとの違いを書き出します。

2週目:記録票の様式を作り直す

焚き手と一緒に、1枚の様式を決めます。記入欄は1つの数字が楽に書ける大きさに、樹種はチェック欄に、等級は在庫の表と同じ順に並べます。 窯の前で書きにくい様式は、使われません。

3週目:新しい様式で書いてもらい、見本を集める

全部の窯で新しい様式を使い始めます。新しい様式で書かれた記録票が5枚以上たまったら、テンプレート モデルを学習させます。 窯の一覧と等級の一覧もこの週に作ります。

4週目:確認の一覧までをつなぐ

受付フォルダから読み取り、形と範囲を確かめ、確認の一覧に出すところまで作ります。この時点では台帳と在庫の表に書き込みません。 担当者がいままでどおり写し、一覧と見比べます。

2か月目: 台帳と在庫の表への書き込みを足し、選別の日にスキャンする運用に切り替えます。3か月目以降: 備考の区分を足し、窯の責任者が月に一度、窯ごとの収炭率と備考の一覧を見ます。月末の転記がなくなり、注文のときに在庫の表だけで答えられるようになった時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-16/最終更新:2026-11-16
確認した内容情報源確認日
Read と Layout のモデルが手書きの日本語に対応すること(v4.0 の handwritten の表に Japanese)Microsoft Learn: Language support (Read and Layout)2026-11-16
カスタム テンプレート モデルの手書きの対応言語に Japanese が含まれることMicrosoft Learn: Language support (custom models)2026-11-16
カスタム テンプレート モデルがキーと値、選択の印、表、領域を抽出すること。様式が変わると精度が下がり、様式ごとに少なくとも5通の見本で学習させること。画像の大きさ、文字の高さの下限(1024×768で12ピクセル、150DPIで約8ポイント)Microsoft Learn: Custom template document model2026-11-16
フィールドの信頼度は値の位置の確からしさで、単語の信頼度と合わせて見ること。カスタム モデルの表・行・セルの信頼度が 2024-11-30 から返り、表→行→セルの順に見ることが勧められることMicrosoft Learn: Accuracy and confidence scores2026-11-16
Azure OpenAI の構造化出力で、全項目の required と additionalProperties: false が要り、minItems などが非対応であることMicrosoft Learn: Structured outputs (Azure OpenAI)2026-11-16
木炭(黒炭、白炭、粉炭、竹炭及びオガ炭)の国内生産量が長期的に減少傾向にあり、令和5年は前年比19.9%増の2.0万トンであること。飲食店、茶道等で根強い需要があること林野庁: 令和6年度 森林・林業白書(第2章第2節)2026-11-16

等級の名前と区分は、製炭所・産地ごとに違います。 本記事は特定の等級の基準を扱っていません。自社の選別の決まりに合わせてください。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-3096)についてのご相談はこちらから。

AI活用について相談する
目次