工場 AI は、PoC で止まる。Siemens が商品にしたのは「本番に乗せる仕組み」だった
工場で AI を試すとき、よく起きる課題があります。
小規模な検証である PoC では成果が出て、経営層にも示せる数字が得られた。それでも、毎日の業務に組み込もうとすると検討が進まなくなる。誰がその AI の判断に責任を持つのか。どのデータを使い続けるのか。不具合が出たときに、どこまで遡れるのか。そうした確認事項が一気に増え、本格導入の判断が先送りされます。同じような場面は、多くの工場で起きています。
2026 年 6 月 1 日、工場で使うソフトウェアや制御技術を手がけるドイツの Siemens は、この「PoC の壁」に向き合うソフトを発表しました。それが、Intelligence Center X です。
これは、特定の現場作業だけを自動化する AI でも、新しいロボットでもありません。PoC で試した AI を、毎日の業務手順や判断の記録に接続し、本番で使い続けられるようにする仕組みです。
なぜ PoC で止まるのか
Siemens は、AI が本番に広がらない背景として、3 つの問題を挙げています。
データが断片化していること。ガバナンス、つまり統制のルールが部署ごとにそろっていないこと。そして、AI が出した示唆が実際の業務の流れにつながらないことです。
ここで重要なのは、この 3 つがいずれも「AI の賢さ」だけの問題ではない点です。モデルの精度を上げても、データが部署ごとに分かれ、判断ルールが統一されず、業務手順に接続されていなければ、本番運用には移りにくくなります。
PoC は、限られた範囲、限られたデータ、限られた担当者の個別対応で進められます。一方で本番運用では、別の部署のデータとつなぎ、誰が見ても同じルールで動かし、毎日の作業手順に組み込む必要があります。試作と量産の違いに近いものがあります。
整理すると、PoC が止まる理由は、AI モデルの性能だけではありません。AI を本番運用に耐える形で支える、データ、ルール、業務手順の整備が足りないからです。
AI を本番に乗せるための仕組み
Intelligence Center X が提示しているのは、人と AI エージェントを別々に動かすのではなく、同じデータと業務ルールに基づき、判断の記録を残しながら動かす設計です。
Siemens は、人と AI エージェントが同じ業務の流れの中で協働する体制として説明しています。AI に任せきりにするのではなく、人が要所で確認することを前提にしています。誰が、いつ、何を判断したかを記録し、決められたルールに沿って AI を動かす構造です。
土台になっているのは、社内に散らばる設備、工程、製品、品質、業務システムの情報を、AI が参照しやすい形でつなぎ直す考え方です。
単にデータを集めるのではなく、どの設備がどの工程に関係し、どのデータがどの判断に使われるのかまで整理する。その上で、AI エージェントを動かします。
既存の生産管理、品質管理、設備データ、業務システムをすべて作り直すわけではありません。各システムに残っている情報を、業務アプリや AI エージェントが使える形でつなぎ直す設計です。
Siemens はそのために、業務アプリ開発、データ整理、AI モデル管理の仕組みを組み合わせています。
この設計は、「賢い AI を一つ入れる」発想とは違います。AI そのものより先に、AI が判断に使うデータ、守るべきルール、責任の所在を整える。Siemens 自身も、AI は実際の業務プロセスや企業データにつながってはじめて、時間短縮や手作業削減といった形で効果を確認できると説明しています。
公表されている導入成果
導入企業の成果も公表されています。
ブラジルの板ガラス大手 Vivix では、設備や制御側の OT データと、業務システム側の IT データを横断する約 30 のアプリを構築し、生産課題の解決時間を 85% 短縮、年間 6,000 時間分の手作業を削減したとされています。
IT 企業の Axiz では、価格設定業務で手作業を 95% 削減したと報告されています。
ただし、これらの数字はいずれも Siemens および導入企業自身が公表した値であり、第三者による検証ではない点には留意が必要です。それでも、成果が個別作業の高速化だけではなく、データと業務をつなぎ、日常業務の中で AI を使えるようにしたことから生まれている点は注目できます。
日本の工場で確認すべき論点
では、日本の中堅・中小の製造現場では、何を確認すべきでしょうか。確認するポイントは 3 つあります。
1 つ目は、業務です。自社の PoC のうち、どれなら本番の業務手順につなげられるかを見極める必要があります。すべての業務を一度に本番化する必要はありません。毎日繰り返され、判断基準を言葉にできる業務から始める方が現実的です。
2 つ目は、データです。本番で使い続けられるデータが、自社にそろっているかを確認する必要があります。必要なデータがどこにあり、誰が更新し、どのルールで使うのかが決まっていなければ、AI は日常業務に組み込みにくくなります。Intelligence Center X のような仕組みは、つなぐべきデータが整理されていてはじめて効果を出します。データが未整備のまま AI だけを入れても、PoC の壁は越えにくいままです。
3 つ目は、責任の範囲です。これが最も重い論点です。AI エージェントの判断に、誰がどこで人として関与するのか。その判断を、後からどこまで遡れるようにするのか。本番運用では、不具合や監査への対応が必ず問われます。
供給側のベンダーは、AI を動かすところまでは強みを持っています。一方で、誰が責任を持ち、判断をどう遡れるようにするかという線引きは、最後は使う側の工場が決めておくべき部分です。
今回の Siemens の動きは、工場 AI の論点が、AI を試す段階から、本番で使い続ける段階へ移っていることを示しています。
PoC で足踏みしている工場では、AI を探す前に、どの業務に入れるのか、どのデータを使い続けるのか、誰が判断に責任を持つのかを確認する必要があります。AI を本番に乗せるには、モデルの性能だけでなく、業務、データ、責任の範囲を決めておくことが欠かせません。
このテーマに近い記事
・「自動化を自動化する」が商品になった。Siemens Eigen Engineering Agent は、制御エンジニアの何を変えるのか
・Siemens は設計に、Bosch は現場に AI を入れた｜ハノーバー 2026 で見えた、工場 AI の二つの入り口
・ロボットは、デモ通りに現場で動かない。その距離を、NVIDIA はシミュレーションで埋めようとしている
もう少し体系的に整理した記事
製造業向け AI の導入起点を体系的に整理した記事として、「製造業向け AI は、どこから考えるべきか。Siemens・Bosch・Beckhoff・Schneider・EDAG で見る、自社の導入起点マップ」も公開しています。
設計、現場、制御、クラウド、中堅向け導入支援の 5 つの視点から、自社ではどこから検討すべきかを整理しています。
ご相談について
製造業向け AI 導入前の論点整理、AI ベンダーに相談する前の整理、社内勉強会・壁打ち等のご相談を、個人活動としてお受けしています。詳細は自己紹介記事をご覧ください。
X をお使いの方は、DM でもお受けしています。
最後までお読みいただき、ありがとうございました
この note では、製造業向け AI、ロボット、スマートファクトリーの動向を、経営、技術、現場実装の 3 つをつなぎながら整理しています。
個別ニュースの紹介だけでなく、どの企業がどの業務や導入起点から製造業向け AI に入り、どこで現場実装の難しさが出るのかまで追っています。
今後もこのテーマを継続して読みたい方は、フォローしていただけるとうれしいです。
出典・参考リンク
Siemens｜“Siemens powers the next phase of industrial AI with Intelligence Center X”｜
https://www.prnewswire.com/news-releases/siemens-powers-the-next-phase-of-industrial-ai-with-intelligence-center-x-302787786.html
Siemens｜“Intelligence Center X”｜
https://www.siemens.com/intelligence-center-x