Siemens は設計に、Bosch は現場に AI を入れた。ハノーバーメッセ 2026 で見えた、工場 AI の二つの入り口
ハノーバーメッセ 2026 では、工場向けの AI エージェントがかなり具体的な形で出てきました。
面白いのは、Siemens と Bosch が同じ方向を向いているようで、実際には AI を入れようとしている場所が違うことです。
Siemens は、TIA Portal という自動化エンジニアリング用ソフトウェアの中に AI エージェントを入れました。TIA Portal は、設備やラインを動かす制御プログラム、HMI 画面、デバイス構成を設計するためのソフトウェアです。HMI は、作業者やエンジニアが設備の状態を見たり操作したりする画面です。Siemens の AI エージェントが入るのは、設備を作る前、または改造する前の設計作業です。
一方の Bosch は、Manufacturing Co-Intelligence® という製造現場向け AI 製品を通じて、故障分析、保全、設備トラブルの記録といった業務に AI エージェントを入れようとしています。Bosch の AI エージェントが入るのは、設備が動き始めた後の保全やトラブル対応です。
同じ AI エージェントでも、入り口が違います。Siemens は設計室に、Bosch は稼働中の現場に入ろうとしている。今回いちばん気になったのは、この分かれ方でした。
日本の製造業がどこから AI を使い始めるべきかを考えるうえでも、これは大きな分岐点になりそうです。以前の記事では Siemens 側を扱ったので、今回は Bosch 側を読んでみます。
ねじ締結工程に AI エージェントを入れる
Bosch がハノーバーメッセ 2026 で打ち出した中心メッセージは、Manufacturing Co-Intelligence® という製造現場向け AI 製品の拡張です。Bosch は、ドイツを本拠とする自動車部品・産業機器大手です。今回の発表では、Bosch の製造現場向け AI を Microsoft Azure 上で動かし、現場データを使って保全や不具合検知を支援する使い方が示されました。
Bosch が具体例として挙げているのが、ねじ締結工程の不具合の早期検知です。締結トルクの異常などを AI エージェントが素早く見つけ、設備停止の時間を減らすという使い方です。
自動車部品でも家電でも、製品 1 個に対してねじ締め箇所はたいてい数十カ所あります。製品によっては、さらに多くなります。1 カ所の締結トルク不良が、最終製品の振動や緩みに直結することもあります。
一方で、工程としてはとてもありふれています。だからこそ、ベテランほど「なんとなく音が違う」「なんとなく締まり方が違う」といった感覚で異常をつかんできた領域でもあります。異常の兆候をデータで捉えにくく、人の経験に頼りやすい工程です。
今回 Bosch が示したのは、製造現場の AI を、現場の制御システムとつなぐ構想です。その土台として、データや AI を動かすためのクラウドサービスである Microsoft Azure と、Bosch グループの産業機器・制御機器部門である Bosch Rexroth の自動化プラットフォーム ctrlX AUTOMATION が使われています。
重要なのは、AI エージェントを分析結果を見るためだけのものにせず、現場の制御データや保全データとつなごうとしている点です。
Bosch が公表している効果は、かなり具体的です。
単一の AI エージェントのユースケースで、一工場あたり年間およそ 100 万ユーロの節約。Manufacturing Co-Intelligence® を広範に展開した顧客では、生産性 5〜15 % 向上。特定領域でのコスト削減 10〜30 %。運用上の問題解決時間が最大 50 % 短縮。
これらの数字は、出典不明の調査データではなく、Bosch の公式プレスリリースに明記されています。
ただし、100 万ユーロという数字は条件付きで読む必要があります。これは「単一ユースケースで、一工場あたり」という数字です。Manufacturing Co-Intelligence® を導入すれば、どの会社でもすぐに 100 万ユーロ浮く、という話ではありません。
Bosch の Bamberg 工場のような大規模製造拠点では、機械停止の短縮がそのまま生産性やコストに効いてきます。だからこそ、この金額が出てくるのだと思います。
Agentic Flows が示す「通しの業務」
Bosch が今回強調しているのは、複数の AI エージェントやデータを組み合わせて、現場業務の流れ全体を支援する Agentic Flows という考え方です。
たとえば、故障の原因を探す、保守手順を示す、作業記録を残す、といった一連の流れを AI が支援するイメージです。
具体例として挙げられているのが、製造現場を支援する Shopfloor エージェントと、保全判断を支援する Smart Maintenance エージェントの組み合わせです。この 2 つを組み合わせることで、故障の分析から保守手順の提示、作業記録までを一連の流れとして支援します。
たとえば設備トラブルが起きたとき、AI エージェントが過去の記録や他工場の似た事例を参照し、考えられる原因や確認すべき手順を示します。対応が終わった後は、作業記録の作成も支援します。
従来の現場 AI は、その工場で集めたデータを使って、その工場の不具合検知や保全判断を良くするものとして語られがちでした。
Bosch の説明で重要なのは、別の工場で起きた似た故障や対応履歴も、原因分析の材料にできる点です。
A 工場で起きた故障対応が、B 工場の保全判断にも使えるようになる。同じ設備、同じ部品、似た工程であれば、故障の出方にも共通するパターンがあります。人間がメールや会議で伝えていた知識を、AI エージェントが構造化して届ける方向に進んでいるのです。
Bosch の狙いは、保全作業を楽にすることだけにとどまりません。工場の中に散らばっていた経験や対応履歴を、他の工場でも使える知識に変えようとしています。
Sick AG の事例が示す、記録の質と初動の速さ
Manufacturing Co-Intelligence® の社外向けの最初期顧客の 1 社として名前が挙がっているのが、Sick AG です。
Sick AG は、1946 年創業のドイツのセンサー大手です。日本でも、安全柵や危険エリアへの人の侵入を検知する安全センサー、距離や位置を測る測距センサー、バーコードリーダーなどの自動認識機器で知られています。
Sick AG では、製造現場や供給網の判断を AI で支援するプロジェクトの中で、Bosch の Shopfloor エージェントが試験運用されています。実際に稼働しているのは 2 つのエージェントで、そのうち一つが Equipment Ticket Agent です。
Equipment Ticket Agent は、設備トラブルの受付票や対応記録を作る作業を支援する AI エージェントです。トラブル対応では、どの設備で、いつ、どんなエラーが出たのかを残しておく必要があります。この記録が不十分だと、保全担当者は原因を見る前に、まず情報を探すことになります。過去に似た事例はあるのか。誰がどう直したのか。どの部品を交換したのか。こうした確認に時間がとられるほど、設備停止の時間も延びていきます。
トラブル対応では、記録の質がそのまま初動の速さに出ます。
夜中に呼び出された保全担当者がまず何をするかというと、過去の似た事例を探します。古い対応記録を開いて、「この故障は誰が、どう直したか」を読みに行く。記録に「装置が止まりました。確認してください」しか書いていなければ、過去事例を探す手がかりすら足りません。
Bosch が Sick AG の事例で強調しているのは、設備トラブルの記録の質を高め、機械停止時の原因特定を速くすることです。機械停止時の解決が最大 10 倍速くなり、経験の浅い人でも 2 日目には経験者に近い結果を出せたと紹介されています。
AI エージェントの役割は、高度な分析だけではありません。記録を整え、過去の対応を探しやすくし、保全担当者が原因にたどり着くまでの時間を短くする。こうした地味な支援が、停止時間の短縮につながります。
any.site が狙う知識のネットワーク化
Manufacturing Co-Intelligence® と並んで、もう一つ注目したい動きがあります。any.site という、機械メーカー、サービス会社、製造現場をつなぎ、設備や保全に関する知識を AI で共有しやすくする仕組みです。
any.site は、Bosch Rexroth、ServiceNow、Next Level Mittelstand initiative が連携して進める取り組みです。ServiceNow は、企業の業務プロセス管理やワークフロー支援を手がける米国のソフトウェア企業です。Next Level Mittelstand initiative は、ドイツの中堅・中小企業を対象にした産業変革の取り組みです。
any.site は、機械メーカー、保守サービス会社、製造現場のあいだで、設備の使い方や保全対応に関する知識を共有しやすくする仕組みです。AI が、その知識を探して現場担当者に返す役割を担います。
Bosch Rexroth の Factory Automation 担当取締役である Thomas Fechner 氏は、any.site について、機械に関する知識を毎日それを必要とする人の手元に届けるためのものだと説明しています。さらに、各社が知識を自社だけで抱え込むよりも、必要な人が必要な知識を探せる状態にする方が、現場全体の効率化につながると述べています。
ここで重要なのは、Bosch が「独自仕様の囲い込みシステムへのアンサー」として any.site を位置づけている点です。
これは、以前扱った Foxconn の「工場のつくり方を商品化する」動きとは少し違います。Foxconn 型は、自社の工場づくりを磨き、それを外に展開するモデルです。一方で Bosch の any.site は、機械や保全に関する知識をネットワーク化し、参加する企業が使える形にしていくモデルです。
Foxconn 型と Bosch 型は、前提にしている産業構造が違います。ドイツには Mittelstand と呼ばれる中堅・中小製造業の厚い層があります。各社が独自技術で競争してきた環境だからこそ、設備の使い方や保全対応の知識を必要な範囲で共有する仕組みには意味があります。この設計は、ドイツの産業構造に合っているのだと思います。
日本の中堅製造業に置き換えると、これはかなり考えさせられる構図です。系列や取引関係の中に閉じてきた設備知識、保全知識、トラブル対応の知見を、どこまでネットワーク化できるのか。ここは今後 5 年の大きな論点になりそうです。
Siemens と Bosch は、違う場所から入っている
ここまで見てくると、Siemens Eigen Engineering Agent との違いがはっきりします。
PLC は、設備やラインを制御する装置です。HMI は、作業者やエンジニアが設備の状態を見たり操作したりする画面です。Siemens 型から入る場合、最初に効果が見えやすいのは、設計とエンジニアリングにかかる工数の削減です。PLC コード、HMI 画面、デバイス構成、過去プロジェクトの読み解きといった作業が対象になります。
効果は工数削減として測りやすく、設計部門や自動化エンジニアリング部門では決裁を取りやすいはずです。一方で、現場の停止時間や品質指標に効くまでには、少し距離があります。設計作業が速くなっても、それだけで既存ラインの停止時間がすぐ下がるわけではありません。
一方、Bosch 型から入る場合、効果は現場停止時間や原因特定までの時間に直接つながります。保全、故障履歴、設備トラブルの記録、現場判断に AI が入るからです。決裁の根拠としては、「停止時間をどれだけ減らせるか」が前面に出せます。
ただし、こちらは最初のユースケース選びが難しくなります。ねじ締結工程なのか、設備停止時の原因特定なのか、保全記録の整備なのか。どの工程に入れると本当に効果が出るのかを見抜けなければ、AI エージェントを入れたが効果が出ない、という結果になりかねません。
おそらく、生産技術や IE 部門が強い会社は Bosch 型に親和性があります。IE は Industrial Engineering の略で、作業、設備、人、情報の流れを設計し、生産性を高める考え方です。設計と製造が物理的に近い会社、どの工程で何を管理すべきかが、品質管理の表で整理されている会社、ベテラン保全担当者の引退問題を抱える会社も、Bosch 型の入り方が合いやすいと思います。
逆に、設計工数のボトルネックが顕在化している会社、電気・ソフトウェア設計の比重が高くなった会社、PLC や HMI 設計を社外パートナーに依存している会社は、Siemens 型の入り方の方が早いはずです。
設計作業に時間がかかっているのか、保全やトラブル対応に課題があるのか。自社のボトルネックによって、AI エージェントを入れる場所は変わります。
残る仕事が変わる
Bosch のアプローチで一番リアルだと感じたのは、保全判断を支援する Smart Maintenance エージェントが他工場のエラーパターンまで参照するという点でした。
私が過去に経験した半導体の前工程では、同じ装置を複数工場で動かしているケースがよくあります。装置が同じなら、起こる問題もある程度は似てきます。部品の劣化、センサーの誤検知、搬送系の引っかかり、温度や圧力の微妙なズレ。完全に同じではなくても、似たような故障の型はあります。
でも実際には、A 工場の解決策が B 工場に届くまで、人間の口頭伝達や非定型なメールに依存していました。誰かが覚えていて、誰かが問い合わせて、誰かが過去の資料を探してくれる。その連鎖がうまくつながったときだけ、知識が移動していました。
その「人間が運んでいた知識」を AI エージェントが構造化して届けるようになると、ベテランが担ってきた仕事の一部が分解されます。過去の故障事例を探す作業は、AI エージェントが支援しやすい。一方で、その事例を今回の設備に当てはめてよいかを見極める判断は、人の経験が必要なまま残ります。
Bosch がねじ締結や保全を最初の具体例に選んだのは、停止時間、品質、人への依存、設備トラブルの記録といった課題が重なりやすい領域だからだと思います。人が毎回判断しているのに、その判断が記録に残りにくい工程ほど、AI エージェントを入れる意味が大きくなります。
以前、Krones の Agentic Digital Twin について扱ったときも、似たことを感じました。
流体シミュレーションが 3〜4 時間から 5 分未満になると、ベテランの価値は「速く計算すること」ではなくなります。どの条件で計算すべきか、どの結果を疑うべきか、どの設計案に進むべきかを判断することに移ります。
Bosch のケースでも、同じように保全の仕事が分解されていきます。過去の故障事例を覚えていることから、どの故障知識を AI エージェントが参照できる形にすべきかを判断することへ。現場の仕事は消えるというより、人の記憶や個別の対応記録に頼っていた知識を、AI エージェントが参照し、次の判断に使える形へ変えていくのだと思います。
どの現場知識を先に構造化するか
AI をどこから入れるかは、技術の新しさだけでは決まりません。
設計作業に時間がかかっている会社は、Siemens 型から入りやすい。設備保全や停止時間、現場判断に課題を抱えている会社は、Bosch 型から入りやすい。
ハノーバーメッセ 2026 で見えたのは、AI エージェントをどの業務から入れるかという分岐です。Siemens は設計作業から入り、Bosch は保全やトラブル対応から入ろうとしている。この違いは、日本の製造業が導入順を考えるうえでも参考になります。
日本の製造業にとっても、まず見るべきなのは、必要な知識がどの業務でうまく使われていないかです。設計作業、保全、設備トラブル対応、品質判断のどこに課題があるのか。その見極めによって、AI エージェントを入れる場所は変わります。
Bosch の発表は、製造現場で AI エージェントを使うときに、「どの業務から始めるか」まで考える段階に入ってきたことを示しているように思います。
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
・AIは答えるだけでなく、制御システムへ指示を渡し始めた｜Beckhoffが示した工場AIの新しい接点
・工場AIは、どのクラウドに乗るのか。ハノーバーメッセ2026で見えたSchneider×Microsoft、Rockwell×AWSの違い
このテーマを自社に当てはめて考えるには
工場 AI をどの業務から考えるべきかを整理したい方向けに、Siemens、Bosch、Beckhoff、Schneider Electric、EDAG の 5 社を比較した有料記事を公開しています。設計・エンジニアリング工程、稼働中の現場、制御層、クラウド基盤という導入起点ごとに、自社で検討する際の見方を整理しました。
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
ご相談について
製造業向け AI・工場 AI の導入を検討している中小製造業の経営者・経営企画の方に向けて、SIer や AI ベンダーに相談する前の「論点整理」から、小さく試す段階の試作まで、個人活動としてお手伝いしています。
どの業務に AI を入れるのか、どこまで外部に任せ、何を社内に残すのか。小さく試す段階から本番投資へ進む条件をどう置くのか。導入後も外部支援に過度に依存せず、自社で判断を続けられる形にできるか。こうした点を一緒に整理します。
論点整理だけで終わらせません。必要であれば数週間で動く試作やトライアル環境まで用意し、実物を見ながら次を決めます。
なお、ご相談は公開情報と一般的な業務整理の考え方に基づくものです。所属先の業務・顧客・技術情報に関わる助言は行いません。
サービス内容・料金・お問い合わせフォームは、こちらにまとめています。
https://chiteki-tankyu-hub.com/
初回30分のオンライン相談は無料です。まず何から手を付けるべきか、という段階のご相談で構いません。有料の壁打ち相談では、当日整理した内容を「導入前に確認すべき論点メモ」1枚にまとめてお返ししています。
このnoteのお問い合わせフォーム、または X のDMでもお受けしています。
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
Bosch Media Service｜“Hannover Messe 2026: Bosch focuses on the interplay between humans and AI”｜
https://www.bosch-presse.de/pressportal/de/en/press-release-282369.html
Bosch Media Service｜“Hannover Messe 2026: Here are Bosch’s highlights for the industrial sector”｜
https://www.bosch-presse.de/pressportal/de/en/hannover-messe-2026-here-are-boschs-highlights-for-the-industrial-sector-281664.html
Bosch Stories｜“Shopfloor Agent: AI for Manufacturing”｜
https://www.bosch.com/stories/agentic-ai-manufacturing-production/
Microsoft Cloud Blog｜“Industrial intelligence unlocked: Microsoft at Hannover Messe 2026”｜
https://www.microsoft.com/en-us/microsoft-cloud/blog/manufacturing/2026/04/16/industrial-intelligence-unlocked-microsoft-at-hannover-messe-2026/
Siemens Press｜“Siemens launches the Eigen Engineering Agent, bringing purpose-built AI to industrial automation engineering”｜
https://press.siemens.com/global/en/pressrelease/siemens-launches-eigen-engineering-agent-bringing-purpose-built-ai-industrial
ServiceNow Newsroom｜“ServiceNow puts AI to work across the manufacturing value chain”｜
https://newsroom.servicenow.com/press-releases/details/2026/ServiceNow-puts-AI-to-work-across-the-manufacturing-value-chain-helping-close-the-gap-between-the-factory-floor-and-front-office/default.aspx
Bosch Rexroth｜“KI-Netzwerk any.site”｜
https://www.boschrexroth.com/de/de/unternehmen/presse/anysite-41472.html