中国企業が日本の熟練工をバンバン引き抜いている…日本人がほぼ知らない｢世界一の技術を守る唯一の方法｣
AI敗北と言われ続けてきた日本の産業界に変化が起きている。政府は21日に閣議決定した「日本成長戦略」でAIへの巨額投資を決め、その前にはエヌビディアのジェンスン・フアンCEOが来日し、日本企業を視察した。日本工業大学大学院技術経営研究科の田中道昭教授は「この熱狂を多くの経営者が誤解している。日本企業に本当に必要なものは、まだほとんど議論されていない」という――。
■「ロボットを工場に入れる」では解決しない
政府はフィジカルAI分野に10.5兆円の官民投資を決定した。エヌビディアのジェンスン・フアンCEOが来日し、日本の主要22社がCosmos Coalitionに参画した。ファナック、安川電機、川崎重工が富士通と組んで協調制御プラットフォームを構築するとも発表された。日本の産業界は、フィジカルAI時代の到来に沸いている。
しかし、この熱狂の中で、驚くほど多くの経営者が同じ誤解に陥っている。
フィジカルAIとは、工場にヒューマノイドを入れることだ、四足歩行ロボットで搬送を自動化することだ、AI画像検査で不良品を弾くことだ――といった具合である。
だが、これらはフィジカルAIの表層にすぎず、その本質ではない。
私が戦略コンサルタントとして複数の大手製造業のフィジカルAI導入を支援する中で、確信するに至ったフィジカルAIの本質とは、現場を学習し続ける場所に変えることだ。
設備が動くこと、無人化されること、ロボットが歩き回ることが目的なのではない。材料の変化を、加工の結果を、熟練者の判断を、失敗や例外の記録を、顧客の反応を、現場が日々学び続け、企業全体の知能として蓄積されていく――そうした構造を組織に埋め込むことこそが、フィジカルAI導入の本質である。
■毎日、少しずつ賢くなる工場ができあがる
イメージしてみてほしい。昨日と同じことを今日も繰り返す工場ではなく、昨日の失敗から今日は少しだけ賢くなり、今日の発見が明日の設計に反映されていく工場。ある工場での気づきが、翌週には世界中の別の工場にも共有される。熟練者の勘所が、退職後もモデルとして残り、若手作業員がそれを引き継いで進化させていく。こうした工場こそが、フィジカルAI時代の「学ぶ工場」であり、日本企業がこれから作り上げなければならない姿である。
私は複数の大手製造業のフィジカルAI導入支援を通じてそれぞれの主力工場にも足を運び、同部門や経営戦略等の担当役員、生産技術部門の責任者、製造現場の熟練者たちに、時に1日がかりで話を聞いてきた。本稿でお伝えしたいのは、その一連の現場で見えてきた実態である。ただし、特定企業の貴重な知見が漏れることを避けるため、個別の企業名や業種を伏せ、複数のクライアント企業で得た経験を抽象化してお伝えする。逆に言えば、これから描くのは特定企業の特殊事情ではなく、日本の最先端製造業に共通する構造的な課題である。
■最先端企業ですら「まだ遠い」
私が支援しているクライアント企業は、いずれもフィジカルAI導入という観点では日本の最先端に位置している。フィジカルAI研究組織を立ち上げ、ヒューマノイドや四足歩行ロボットの実証実験、無人化ライン、AI画像検査等を進めている。工場を仮想空間にそっくり再現するデジタルツインという技術に多額を投資している企業もある。デジタルツインとは、現実の工場を3次元でコンピュータ上に写し取り、そのバーチャル空間で機械を動かしたり配置換えを試したりできる仕組みのことで、現実に手を加える前にリスクを検証できる大変便利な技術である。検査モデルによっては1つあたり数十万枚を超える画像をAIに学習させている企業もある。
その最先端企業ですら、現場を学習する構造にもっていくまでにはまだ遠い、というのが率直な実感である。なぜか。学習を妨げているのは、いくつもの現実の摩擦である。
材料はロットごとに変わる。同じ品番の材料でも、湿度、温度、その日の入荷状態などによって、伸び縮みや反応が違ってくる。加工条件がわずかに変わっただけで、最終製品の品質が大きくずれる。AIによる画像検査も、光の当たり方、塗装の乗り具合、表面の凹凸、部品の向き次第で、同じ製品が全く別物のように映ってしまう。QRコードが汚れて機械で読めなくなり、担当者がやむを得ず手入力するとき、1桁を間違えれば、その瞬間から現物とコンピュータ上のデータが別物になっていく。こうした悩みは業種の違いを超え、どの最先端企業でも共通して耳にする。
■熟練工の暗黙知が退職で「丸ごと持ち出される」
さらに深刻なのが、失われつつある熟練者の判断である。かつては現場の職人が図面を見て、「このままでは動かない」と直感し、図面には決して書かれない微調整をこっそり加えていた。0.02mmだけ削る。加工順序を入れ替える。組立後に部品の位置をわずかに動かす。図面という「設計者が机の上で書いた理想」を、現場で「実際に動く現物」に変えるための、この目に見えない補正こそが、日本の製造業の強さの源泉だった。
ところが加工機が高度化して図面通りにしか作らなくなった結果、皮肉なことに、10年前と同じ図面から同じ機械を再現できないという奇妙な事態が、多くの企業の現場で起きている。設計精度は高まったのに、動く機械が作れない。形式知の再現性は上がったが、現場知が失われたのである。
複数の現場責任者から、判で押したように同じ言葉を聞いた。「怖いのは暗黙知が他に学習されてしまうことだ」。図面や資料の持ち出しは、いまや履歴が残るので確認できる。しかし人の頭の中にある判断や勘所が、退職とともにどこへ流出したのかは、証明のしようがない。日本の製造業では、退職者が中国・韓国・台湾の企業に引き抜かれる事例が後を絶たない。
人が動けば、暗黙知がまるごと持ち出される。しかも近年は、センシング技術とAIの進化によって、中国等の競合企業が完成品を3次元スキャンし、材料が伸びる方向や壊れる箇所までシミュレーションで再現するようになってきた。従来のリバースエンジニアリングは「形だけ」の模倣にとどまっていたが、いま起きているのは、産業知能そのものの再構築である。日本企業が暗黙知を組織として学び直し、蓄積し続ける構造を持たないうちに、他国がそれを奪い去ろうとしているのである。
■日本企業に本当に少ない“2つのスキル”
こうした複数企業での現場対話を通じて、私は現場を学習する構造に変えるために乗り越えるべき論点が、いくつかに集約されることを確信するに至った。
まず、材料や環境の「揺らぎ」をどう扱うかという技術的な選択の問題がある。ロットや条件によって変化する材料に対応する方法は、大きく2つある。1つは、汎用の生成AIに、画像でも音でも振動でもとにかく現場のデータを大量に学習させ分析させるアプローチ。準備がほとんど不要でクイックに検証できる反面、精度を上げるにはコストがかかる。
もう1つは、色を測るセンサー、張力を測るセンサー、温度を測るセンサーなど、用途ごとに最適化された専用のセンサーを組み合わせ、必要な情報だけを高精度に取るアプローチ。こちらは軽くて安く高精度だが、専門知識と開発時間が必要になる。この2つを、目的と精度とコストに応じて的確に使い分けられる人材が、どのクライアント先でも本当に少ない。
もう1つの大きな論点は、工場を制御している既存のコンピュータと、これから乗せていくAIとの、正しい役割分担の理解である。多くの工場ではPLCという小さな制御コンピュータが機械の動きを司っている。PLCとはプログラマブル・ロジック・コントローラーの略で、工場のあらゆるモーター、バルブ、ヒーター、コンベアを、決められた手順どおりに動かす装置である。イメージとしては、家庭のエアコンのリモコンが「25度に設定されたら25度になるまで動作させる」ように、PLCも「材料が来たらモーターを回し、所定位置で止め、温度が上がりすぎたら停止する」といった動作を、有無を言わさず高速かつ確実に実行する。
■「脊髄」の上に、AIという「大脳」を乗せる
工場にとってPLCは、いわば「脊髄」のような存在である。命令に対して反射的に、間違いなく反応する。安全性やリアルタイム性では極めて優れている。しかし、脊髄が自分で考えて学習しないのと同じで、PLCも自ら学ぶことはない。「今日はこの材料の色が少し違うから、テンションを1割下げてみよう」と判断する能力は、PLCにはない。
ここに、AIの出番がある。学習する工場を実現するには、脊髄であるPLCの上に、大脳としてのAIを乗せる必要がある。AIが過去の結果や現場データから最適な条件を学び取り、PLCに「今日はこの設定でいこう」と指示を出す。PLCはその指示を、確実に設備へ反映する。そして設備の稼働結果は再びAIに戻り、次の学習の材料になる。この循環が成立して初めて、工場は「動く工場」から「学ぶ工場」へと進化する。
昨今よく耳にする「Software Defined Factory」――ソフトウェアが工場のグランドデザインを規定するという考え方――という言葉があるが、脊髄と大脳の関係性を理解しないまま言葉だけを導入しても、絶対に機能しない。この点が、複数のクライアント先で共通して見られる、極めて根深い構造的課題である。
■暗黙知のガバナンスを設計せよ
そして最も重要なのが、熟練者の暗黙知をどう扱うかについての戦略的判断である。センシング技術とAIの進化により、これまで人の頭の中にしかなかった熟練者の勘所が、モデル化されて複製可能になる時代がきた。ベテラン職人が「この音なら工具を替える」「この色なら温度を変える」と判断していた、その判断そのものを、センサーとAIで学習させ、再利用できる形に変換できるようになってきたのである。
これは日本企業の強みが根こそぎ失われる危機であると同時に、日本企業自身が暗黙知を戦略資産として体系化する好機でもある。どの暗黙知を残し、どこまでモデル化し、どのように守り抜くのか――この学習資産のガバナンス設計こそが、AI時代の知財戦略の核心となる。ところがこの論点に真剣に取り組んでいる企業は、私の見る限りごくわずかである。
■地味な土台が、驚くほど軽視されている
さらに、あまり語られないが、現実世界とコンピュータ上の世界を正しく突き合わせ続ける仕組みという論点もある。同じアイテムコードが、国や工場によって異なる製品を指してしまうことがある。日本工場での「品番1234」と、東南アジア工場での「品番1234」が、微妙に違う仕様を意味している、といった具合である。QRコードのわずか1桁を人間が取り違えて手入力しただけで、その後の在庫、物流、品質管理のすべてがずれていく。フィジカルAIが機能する前提として、現実世界とデジタル世界が絶えず正しく同期し続ける仕組みが不可欠だが、この地味な土台の設計は、複数のクライアント先で驚くほど軽視されている。
そして、工場全体を仮想空間に写し取るデジタルツインは、単に工場を美しく3次元表示するための技術ではない。人間の頭では追いきれないほど複雑になった工場を、コンピュータ上で丸ごと動かし、機械の配置換えや新製品の生産計画を、現実に手を加える前に検証できる技術である。そこから現場が学び続ける仕組みが動き始める。この「工場をまるごと写し取ったモデル」こそが、企業の中長期の経営資産になる。ロボットメーカーが変わっても、このモデルは残り続けるからである。
これらの論点はいずれも独立した問題のように見えるが、実は1つに通じている。すべては、現場が学習し続ける構造を組織に埋め込めているかどうかという、たった一点に帰結するのである。
■「突き抜けた人物」が必ず存在するという法則
複数のクライアント支援を続ける中で、もう1つ重要な発見があった。現場を学習する場所に変えることに成功している企業には、必ずと言っていいほど、特定の「突き抜けた人物」がいるという事実である。しかも面白いことに、それが特定の業種や規模の会社に限られるのではなく、複数の異なる業種で共通して見られるパターンだった。
典型例を、複数の事例から抽出してご紹介したい。ある企業では、この人物はまず2次元の従来設計では中国競合の納期短縮に対応できないと判断し、工場や機械を3次元で丸ごとコンピュータ上に再現するデジタルツインの導入を主導した。そして、導入した同ツールを動かしているうちに、「この仮想空間に、ヒューマノイドを入れられるじゃないか」と気づいた。仮想空間で試験的にロボットを動かしてみせて上層部に見せたところ、経営トップが「実機を買え」と即断し、複数台のロボットが導入されることになった。
驚くのは、こうした重要な意思決定が、稟議のような重い組織プロセスではなく、属人的に、経営トップ直結の形で進んでいくことだ。周囲の管理職ですら「そんなことをやっていたんですか」と後から驚くケースが少なくない。同様のパターンは、業種の異なる別のクライアント先でも複数目にしてきた。
■学習する工場を作れる優秀人材とは？
私はこれまで多くの日本企業を戦略コンサルタントとして見てきたが、フィジカルAI時代に本当に必要な資質を体現している人物には、なかなか出会えない。この人物たちが現場を突き抜けている理由を、私なりに分析すると、いくつかの要素が同時に揃っている。
まず、テクノロジーへの深い理解がある。デジタルツインにしても一般化が進んでいる側面もあり、実は高度な技術知識がなくても動かせる設計になっているのだが、そのツールで「何ができるか」を発想し、自社の課題と結びつける発想力は、テクノロジーの本質を理解していなければ生まれない。手を動かして触ってみて、「ここまで簡単にできるなら、あれもこれも試せる」と直感的につかむ経験が、突き抜けた発想の土台になる。
■社会を変えるのは冷笑家ではない。情熱家である
次に、明確なビジョンと、青臭いと笑われるほどの熱いパッションがある。私が知る「突き抜けた人物」たちには、業種が違っても例外なく、「世界一の工場を作りたい」「中国競合に絶対に負けない」といった具体的で高い目標がある。冷笑家ではなく、真剣に大きな夢を語れる人物である。ビジョンとパッションがなければ、いくら優れたツールを見せられても、そこから何をなすべきかの発想は湧いてこない。
そして、その構想を実行に移せる発言権と権限がある。テクノロジーもビジョンもある人物が、部長級で稟議プロセスに縛られていれば、変革は起きない。経営トップ直結で動けるかどうか、あるいは自らが経営層に近い立場にあるかどうかが、決定的に重要になる。
複数のクライアント企業を支援してきた私の実感を率直に述べると、日本企業の最大の構造的問題は、テクノロジーに深く精通した人材が、意思決定の場から遠ざけられているか、あるいは外資系企業や新興企業に流出してしまっているという事実にある。こういう人物こそが真っ先に外資に行って活躍しているのだ。「テクノロジーに長け、明確なビジョンとパッションを持ち、経営に直接影響力を及ぼせる」――この3つが揃った人材の圧倒的な不足こそが、日本企業が米中に決定的に出遅れている構造的原因でもあると痛感している。
■霧の中の登山家と同じことだ
ここが、実は最も重要な論点である。突き抜けた人物のビジョンとパッションは、単なる情熱の表明にとどまらず、必ず工場全体・企業全体を貫くグランドデザインとして結実していく。
なぜグランドデザインが必要か。フィジカルAIを突き詰めれば、それは「最適化の連続」に他ならない。実測との差分をセンシングで捉え、少しずつ制御を修正し、次に活かす。試行と修正を無数に繰り返し、少しずつ最適解に近づけていく。この基本構造は、実は昔からある「登山家が霧の中で頂上を目指すとき、目の前の一歩を踏み出して傾斜を確かめ、少しずつ高いほうへ進む」ような、地道な逐次改善の考え方と本質的に何も変わらない。
つまりフィジカルAIとは、PLC、画像認識、最適化数理、シミュレーション、センサー、AIといった既存の技術群を、生成AIの登場と計算能力の飛躍的な向上によって、新しい形で統合したものなのである。世間では革命的な新技術のように語られているが、コアな仕組みを解きほぐしていくと、驚くほど昔から連綿と続いてきた技術の延長線上にある。
■部品を集めても、名機にはならない
問題は、これらの技術を、現場を学習する構造として1つにまとめ上げる設計思想である。個別の技術だけをいくら導入しても、断片的なままでは、現場は学習しない。材料の挙動を予測するモデル、工場全体を仮想空間に写し取るモデル、顧客ごとの品質感覚を捉えるモデル、ロボットが空間を理解する仕組み、意味の統一、現実とデータの同期――これらすべてを、1つのビジョンから逆算して統合するグランドデザインが必要になる。個別に部品を買い集めるのと、1台の名機を設計し、自ら試作まで作り上げるのとは、まったく別の営みなのである。
ビジョンとパッションを持つ突き抜けた人物は、こうしたグランドデザインを描ける。逆にビジョンとパッションがなければ、要素技術を個別に選定するだけで終わり、現場はいつまでも学習しない工場のままである。私が複数の部品メーカーや素材メーカーを支援してきた経験から言えば、要素技術のエンジニアはどこも極めて優秀だ。ところが、エンドツーエンドの最終製品や顧客体験の全体像から逆算してグランドデザインを描くとなると、そこは驚くほど手薄なことが多い。テクノロジーを持っていても、ビジョンとグランドデザインが描けない――これが多くの日本企業の実態である。
■真に競うべきは「学習速度」だ
複数のクライアント支援を通じて、私が確信するに至ったのは、フィジカルAI時代に本当に競うべき指標は、コスト、納期、品質そのものではないということである。真に競うべきは、現場がどれだけ速く学び、その結果を次回へ反映できるかという「学習速度」である。
学習速度が上がれば、品質は上がり、納期は短くなり、コストは下がる。逆に、中国のフィジカルAI企業が月単位で新モデルを投入している時代に、日本企業が年単位の意思決定サイクルを続けていれば、勝機は確実に失われていく。
かつて日本には、欧米で「ダークファクトリー」と呼ばれる遥か昔から、「暗い工場」の思想があった。人が機械に張り付き続けるのではなく、設備が自動で生産し、人はより価値の高い仕事を担うという思想である。工場の照明を消しても機械だけで動く工場――それが目指す姿だった。しかし、フィジカルAI時代に目指すべきは、その先にある。設備が動くだけでなく、現場の経験を学び続け、世界中の工場へ知識を循環させていく「学ぶ工場」である。「暗い工場」が人を作業から解放する工場だとすれば、「学ぶ工場」は、人とAIがともに知能を進化させる工場である。そしてこの「学ぶ工場」こそが、私が冒頭で定義した「現場を学習し続ける場所」の実装形態なのである。
■「突き抜けた人物」こそが日本復活のカギ
私が教鞭を執る日本工業大学専門職大学院技術経営研究科(MOT)では、まさにこの問題意識に立脚した教育を行っている。これは本学に限った話ではなく、日本のMOT大学院が提供していることだ。テクノロジーの本質を理解し、ビジョンとパッションを持ち、そこからグランドデザインを描き、組織を動かせる人材――先ほど述べた「突き抜けた人物」を、体系的に育てる場である。
社会人大学院生たちは、大企業の管理職、中堅中小企業の後継経営者、事業開発リーダーなど、実務の最前線に立つ人々である。彼らが自社の事業をフィジカルAI時代に向けて再構想する課題に取り組んでいる。営業を「顧客の成果に伴走する仕事」に転換する構想、物流を「安心を届ける仕組み」に転換する構想、製造業を「学習し続ける工場」に転換する構想――生まれた経営構想は多岐にわたる。共通しているのは、いずれも「現場を学習し続ける場所に変える」という視点から、自社の事業をグランドデザインし直しているという点である。
本稿で提示した論点は、いずれも記事の紙幅の制約上、骨格しか描けなかった。MOTでは実際の現場での応用、業界別の戦略、具体的な実装ステップ、社会人院生が描いた構想の詳細、そして「現場を学習する場所に変える」ためのグランドデザインの描き方を授業で解説しており、特別講演も開いてより深く体系的にお伝えしている。
政府10.5兆円の熱狂の裏で、本当に必要な議論はまだ始まっていない。フィジカルAI時代を勝ち抜くために日本企業が真に取り組むべきことは、ロボットの導入でも、政府補助金の獲得でもない。ビジョンとパッションから生まれるグランドデザインによって、現場を学習し続ける場所に変えていくこと――これこそが、日本の産業界が再び世界に返り咲く唯一の方法である。
