はじめに
大阪ガス（Daigasグループ）が公開している
- 動画から15分でマニュアルを自動生成
- AIカメラによる現場パトロール
- ベテランの知恵をAIで検索
といった現場DXの事例を見て、
これ、Azureでも同じことできるの？
しかも企業でちゃんと運用できる形で？
と思った方も多いのではないでしょうか。
結論から言うと Azureでほぼ同等、むしろ組織運用ではより再現性高く構築可能 です。
本記事では、2026年時点のAzureサービスを前提にした推奨アーキテクチャ を、実務視点で解説します。
大阪ガスの事例でやっていること（整理）
大阪ガスの取り組みを技術要素に分解すると、以下の3つに集約できます。
- ① 動画からのマニュアル自動生成
- ② AIカメラによる現場検知・判定
- ③ ベテランの知識を生成AIで検索（RAG）
これらはすべて、AzureのマネージドAIサービスで構築可能です。
Azureで実現する全体アーキテクチャ
現場DXをAzureで構築する場合、典型的には以下の4レイヤー構成になります。
- データ入力層：現場（スマホ・AIカメラ）
- データ蓄積層：Azure Blob Storage
- AI解析・推論層：Azure AI Services / Azure OpenAI
- 出力・活用層：Webアプリ・チャットUI・通知
全体構成図
シナリオ別：具体的なAzure構成
① 動画からマニュアルを自動作成する
大阪ガスの「15分マニュアル生成」に相当
-
動画解析
- Azure AI Video Indexer
- 音声文字起こし、シーン分割、人物・動作抽出
-
手順書生成
- Azure OpenAI Service（GPT-5など）
- Markdown / HTML形式で手順書化
-
自動化
- Azure Functions / Logic Apps
- 動画アップロード → 自動実行
「動画を入れるだけで、業務マニュアルができる」状態をPaaSで実現
② AIカメラによる現場パトロール・判定
-
物体検知・画像解析
- Azure AI Vision / Custom Vision
-
エッジ処理
- Azure IoT Edge
- 通信不安定な現場でも即時判定
クラウド学習 × 現場推論の王道構成
③ ベテランの知恵をAIで検索（RAG）
-
検索基盤
- Azure AI Search（ベクトル＋キーワードのハイブリッド検索）
-
回答生成
- Azure OpenAI Service
「新人がベテランに聞きに行く」をAIで代替
Google Cloud（GCP）との比較
| 観点 | Azure | Google Cloud |
|---|---|---|
| 動画解析 | Video Indexer（GUIが強力） | Vertex AI Vision（柔軟） |
| 生成AI | Azure OpenAI（GPT-5） | Vertex AI（Gemini） |
| RAG | Azure AI Search（日本語強い） | Vertex AI Search |
| エッジ | Azure IoT Edge（産業向け実績） | Distributed Cloud Edge |
| 組織運用 | 非常に強い | 強いが開発者向け |
なぜ「組織運用」ではAzureが有利なのか
① 再現性（Azure AI Foundry）
- プロンプト・モデル・評価をプロジェクト単位で管理
- 担当者が変わっても再現可能
② プロセスの可視化（Prompt Flow）
- 「動画解析 → 要約 → 出力」をフローで可視化
- どこで精度が落ちたかが追える
③ ガバナンスとセキュリティ
- データはOpenAIの学習に使われない
- Private Linkで閉域接続可能
④ 組織管理（Entra ID / RBAC / コスト管理）
- 既存の社内アカウントで権限管理
- 部門別コスト可視化が容易
情報システム部門を説得しやすい
現場主導DXで「必ず壁になるポイント」
ここまで読むと、
現場でAIを使いこなせば、
システム会社に頼まなくてもできるのでは？
と思われた方もいるかもしれません。
実際、PoC（試しに動かす）レベルまでは現場主導でも可能です。
しかし、多くの企業で次の壁にぶつかります。
壁①「精度が出ない理由が分からない」
- 動画によってマニュアルの品質がバラつく
- RAGの回答が「それっぽいが使えない」
- 現場から「AIが信用できない」と言われ始める
原因はモデルなのか、プロンプトなのか、データなのか
切り分けができず、改善が止まります。
壁②「作った人が異動・退職すると誰も触れない」
- プロンプトが属人化
- なぜこの構成になっているか分からない
- ちょっと直したら全体が壊れる
「AIがある」状態ではなく「AIを運用できる」状態になっていない
壁③「情シス・セキュリティで止まる」
- データはどこに保存されているのか？
- 誰がどこまで見られるのか？
- コストはどれくらい増えるのか？
ここで止まると、
現場の熱量が一気に下がるのはよくある話です。
システム会社と組むと、何が変わるのか
システム会社に依頼する価値は
「AIを作ること」ではありません。
価値が出るのは次の部分です。
① 業務を「AIでやるべき形」に翻訳する
- どの作業をAIに任せるべきか
- どこは人が判断すべきか
- 成果が数字で測れるポイントはどこか
AI視点ではなく、業務視点で設計される
② PoCで終わらせない構成設計
- 評価・改善前提のアーキテクチャ
- プロンプト・フロー・データの可視化
- 担当者が変わっても再現できる設計
「作って終わり」ではなく「育てられるAI」になる
③ 内製と外注の境界を整理できる
- 現場が運用・改善できる部分
- 専門家が担うべき部分
- 将来の内製化を見据えた分担
丸投げではなく、伴走型のDXになる
おすすめの進め方（失敗しにくい）
多くの企業でうまくいっている進め方は以下です。
- 現場ヒアリング（業務棚卸し）
- 小さなPoC（2〜4週間）
- 効果が出た部分だけ本番化
- 運用・改善は現場主導へ移行
この進め方であれば、
- 初期投資を抑えられる
- 現場の納得感が高い
- 情シス・管理部門も巻き込みやすい
というメリットがあります。
どちらを選ぶべきか（結論）
-
Azureが向いているケース
- 大企業・インフラ・製造業
- 社内統制・再現性・セキュリティ重視
- Microsoft 365を既に利用している
-
Google Cloudが向いているケース
- データ分析中心
- 長尺動画解析を重視
- スタートアップ・研究用途
「AIで現場を変えたい」と思ったら
大阪ガスの事例のような現場DXは、
技術そのものよりも、どう設計・運用するかで差がつきます。
- 現場主導で始めたい
- でも、属人化やブラックボックスは避けたい
- 情シスにも説明できる形にしたい
そう考えているなら、
一度、構成と進め方だけでもプロに壁打ちする価値はあります。
まとめ
大阪ガスのような 「現場の知恵をAIで仕組み化するDX」 は、
AzureのPaaSを組み合わせることで スクラッチ開発より圧倒的に短期間で実現可能 です。
特に、
- 再現性
- プロセス可視化
- 組織的なAI統制
を重視するなら、2026年現在の最適解はAzure と言えます。
Discussion