製造業の AI、半分以上がパイロット止まり。つながる AI が生産性を変える理由
製造業で AI の導入は確実に広がっています。
外観検査、予知保全、需要予測、ロボット制御。個別の現場では、すでに多くのユースケースが立ち上がっています。
一方で、全社の生産性や収益を本当に押し上げるところまで届いているかというと、まだ道半ばです。S&P Global の昨年の調査では、AI に投資している企業のうち、多くの施策が本番前に止まっている実態が示されています。企業の平均では、AI プロジェクトの 46% が PoC から広範導入まで進めていません。McKinsey も、多くの企業はまだ実験やパイロット段階にとどまり、AI プログラムを本格的に拡張し始めている企業は約 3 分の 1 にとどまるとしています。さらに、AI が企業全体の EBIT に影響していると答えた企業は 39% でした。
ここで重要なのは、AI の性能そのものよりも、AI の使い方に問題がある可能性です。IndustryWeek の 2026 年 3 月 13 日記事は、こうした停滞を「PC 革命初期の生産性パラドックス」に重ねています。PC も、最初は 1 台ずつ導入しただけでは大きな生産性向上につながりませんでした。価値が大きく立ち上がったのは、ネットワークでつながり、部門をまたいで情報が流れるようになってからです。製造業の AI も、今はまだその途中にあるのかもしれません。
個別導入のままでは、AI は「島」で終わる
この note でこれまで取り上げてきたテーマを振り返ると、AI 外観検査、ロボット、シミュレーション、技能伝承、サイバーセキュリティと、論点は少しずつ広がってきました。
どれも重要なテーマですが、見方を変えると、それぞれが個別の課題や技術として語られやすいことでもあります。
そして、そこにとどまる限り、工場全体の生産性を大きく変えるところまでは届きにくい。今回のテーマは、そうした個別の論点をどうつないでいくか、という話です。
ただし、それぞれが単独で動いているだけでは、工場全体の生産性は思ったほど変わりません。品質データが設計につながらない。設備データが保全部門の中だけで閉じる。生産計画と調達が分断されたままでは、局所最適の積み上げで終わってしまいます。
IndustryWeek の記事が示しているのは、製造業の AI の本当の価値は、個別業務の中に閉じた AI ではなく、部門横断でつながる AI にあるということです。生成 AI、エージェント型 AI、機械学習が別々に存在するのではなく、複数の部門やシステムをまたいで連携したときに、初めて大きな効果が生まれる。予知保全、品質、物流、調達、設計がそれぞれ別々に AI を持つだけでは足りない。AI が「島」ではなく「橋」として機能することが重要だ、という整理です。
AMD の事例が示すのは、「賢い AI」より「つながる AI」
そのイメージを具体化しているのが、IndustryWeek の記事内で紹介されている AMD の事例です。
SAP AppHaus の昨年の公開事例によると、AMD では、販売注文の納期変更が起きたとき、その原因を追うために最大 14 回の手作業確認が必要でした。これを、SAP S/4HANA と SAP Business Technology Platform 上の生成 AI ツールで支援することで、原因分析にかかる時間とコストを約 90% 削減し、年間 3,100 時間超の工数削減が見込まれるとされています。ここで大事なのは、この数字そのもの以上に、AI が 1 部門の中に閉じていないことです。
在庫、供給、受注、顧客対応といった複数の情報をまたいで原因を追い、対応を早める。つまり、AI が「特定業務の効率化ツール」ではなく、「部門をまたぐ橋」として働いているわけです。IndustryWeek はさらに、将来的には、顧客が壊れた部品の写真を撮るだけで、AI が部品特定、在庫確認、出荷条件の判断、補充手配、設計への改善提案まで連動させる姿を描いています。ここまで行って初めて、AI は局所改善ではなく、業務フロー全体の変革に近づきます。
日本の製造業が次に見るべき論点
ここからは、私自身の見方です。
日本の製造業は、現場単位の改善に強みがあります。5S や TPM のように、個別工程を磨き込み、ムダを減らし、品質を安定させる力は非常に高い。これは大きな強みです。
ただ、その強みがあるからこそ、AI も「まずはこの工程」「まずはこの部署」と入りやすく、結果として分断されたまま残りやすい面があります。品質、保全、生産管理、調達、設計が別々のシステムとデータで動いていれば、AI を入れても効果はその島の中に閉じます。全体最適に届かない理由は、AI が弱いからではなく、データと業務のつながりが弱いからです。
だから、次に問うべきことは「どの AI ツールを入れるか」だけではありません。むしろ重要なのは、次の 3 つです。
この AI は他部門のデータとつながるか。
この AI の効果は前後工程まで波及するか。
将来モデルが変わっても使い続けられる基盤の上に乗っているか。
IndustryWeek の記事も、部門横断 AI を実現する前提として、全社で使える高品質なデータ基盤、進化する AI モデルを取り込めるアプリケーション、そして単純な自動化から自律的な連携へ段階的に進むことを挙げています。華やかではありませんが、この順番はかなり現実的です。
まとめ
製造業の AI が広がっていること自体は間違いありません。
しかし、導入が広がることと、生産性が大きく変わることは同じではありません。多くの企業は、まだ実験から全社価値への移行に苦戦しています。
その壁を越える鍵は、個別の AI を増やすことではなく、AI をつなぐことです。品質の情報が設計に返る。設備の情報が調達や生産計画につながる。顧客対応が在庫や保守と連動する。そうした「橋」としての AI が動き始めたとき、初めて工場全体の生産性が変わり始めます。
今すぐ大規模な構想を描く必要はありません。ただ、次に AI を検討するとき、「この AI は島で終わるか、それとも橋になるか」を一度だけでも問い直してみる。その視点だけで、投資の質はかなり変わるはずです。
このテーマに近い記事
・主要プロセスの自動化は 18% から 50% へ。それでも差がつくのは技術ではなかった。
・Samsung が 2030 年までに全工場を「AI-Driven Factory」へ。Galaxy 発の Agentic AI は製造業をどう変えるか
・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
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、工場 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、どの企業がどの入口から工場 DX 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
IndustryWeek｜“The Big Productivity Gains Will Come from Cross-Functional AI”｜
https://www.industryweek.com/technology-and-iiot/digital-tools/article/55363960/the-big-productivity-gains-will-come-from-cross-functional-ai
S&P Global｜“Generative AI experiences rapid adoption, but with mixed outcomes – Highlights from VotE: AI & Machine Learning”｜
https://www.spglobal.com/market-intelligence/en/news-insights/research/ai-experiences-rapid-adoption-but-with-mixed-outcomes-highlights-from-vote-ai-machine-learning
McKinsey｜“The State of AI: Global Survey 2025”｜
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
SAP AppHaus｜“Solving Supply Chain Hurdles with Generative AI on SAP BTP”｜
https://apphaus.sap.com/project/solving-supply-chain-hurdles-with-generative-ai-on-sap-btp