製造業各社は、特にオペレーション領域でAIを積極的に導入している。しかし、そのリターンを証明するのは容易ではない。工場がAIを購入する方法そのものが、問題の一部である可能性がある。
グラント・ソントンの「2026 AI Impact Survey」では、調査対象となった製造業のリーダー100人のうち、AIによる大幅な増収を報告した人は1人もいなかった。大幅なコスト削減を報告した人もいなかった。同じ調査の他業種では、それぞれ12%の回答者が増収とコスト削減を報告している。この規模のサンプルでゼロという数字は、丸め誤差ではない。警告である。
机上では、製造業はAIにとって成果を出しやすい領域であるはずだ。工場はすでにセンサーデータ、反復的なプロセス、数十年にわたる自動化の上で動いている。それにもかかわらず、同調査の中で製造業は、AIへの取り組みとAIの成果との間に最も大きな隔たりがある業種の1つとなっている。足かせになっているのは、たいていテクノロジーそのものではない。購入プロセスである。
導入そのものが問題だったわけではない
製造業はAIを無視しているわけではない。すでにAIを利用しており、特にオペレーション領域で活用している。グラント・ソントンの調査では、製造業の64%が効率改善を報告し、62%がAI活用をさらに拡大したい領域としてオペレーションを挙げた。これは調査対象となった業種の中で最も高い割合だった。
問題は、その次に起きることだ。48%は依然としてパイロット段階にとどまっており、全業種平均の34%を上回る。また、イノベーションの加速を報告した割合は14%にすぎず、他業種の31%を大きく下回る。効率改善は現実に起きているが、それはコスト削減と同じではない。段取り替えの時間を数分短縮するモデルは、デモでは見栄えがよい。しかし、それがスクラップの削減、計画外停止の減少、在庫の圧縮、保証請求の減少につながらない限り、CFOが承認できる形で損益計算書に反映されることはない。
課題ではなく「焦り」を買っている
なぜ支出しているのかを問えば、状況はより鮮明になる。45%が、AI導入の主な推進力は競争圧力だと答えている。コストを算定したボトルネックでも、改善を追っている不良率でもない。競合が一歩先に進んでいるのではないかという焦りである。
焦りは調達基準として適切ではない。グラント・ソントンのアナリストは、このパターンを率直に指摘している。製造業はAIツールを購入し、その後でベンダーが導入方法を考えてくれるのを待っているのだ。これでは、利益率を実際に動かす少数の意思決定ではなく、同業他社がしていることに資金が向かってしまう。
それは支出先を見ればわかる。オペレーション領域は規律ある選択のように聞こえるが、AIで成果を出すのが最も難しい場所でもある。データの多くは不完全であるか、そもそもAI活用を前提につくられていないPLCや旧式のライン設備の中に閉じ込められている。統合するには、誰も止めたがらない機械に手を入れなければならない。そして稼働中のラインでは、誤った答えがすぐに高くつく。私が同席した調達レビューでは、飛ばされがちな工程はいつも同じだった。チームは「ここでAIが役立つかもしれない」から「パイロットを実施しよう」へと飛び移り、そのプロジェクトがどの数字を動かすべきかを明確にしない。ビジネスケースより先に、モデルの範囲が決まってしまうのである。
パイロット段階の足踏みには原因がある
パイロット段階にとどまっている48%は、テクノロジーでつまずいているのではない。誰も数字に責任を負っていないために止まっているのだ。損益上の目標がないパイロットは、本当の意味で成功も失敗もできない。ただ続くだけである。
より広範な調査も同じ方向を示している。MITメディアラボのProject NANDAは、GenAI Divide調査で、企業による生成AI支出が300億ドル（約4兆8700億円）から400億ドル（約6兆4900億円）に達した後、統合されたパイロットのうち実際の価値を引き出していたのは約5%にすぎないと明らかにした。残りは測定可能な損益への影響を示していなかった。成果を上げたものは、明確な責任者がいる特定のプロセスを対象にしている傾向があり、その多くは自社開発ではなく購入されたものだった。外部調達したツールは、社内開発のツールの約2倍の割合で成功していた。自ら答えを設計することを好む業界にとって、これは耳の痛い結果だ。現場では、内製が正しい判断であることも多い。だがAIでは、統合と保守のコストがモデルそのもののコストを上回ると、裏目に出ることがある。
製造業はまた、数値に表れにくい成果に対する許容度が低い。バックオフィス部門であれば、AIアシスタントが1日1時間を節約するだけでも、さらなる試行錯誤を正当化できるかもしれない。現場でのテストはもっと厳しい。システムはダウンタイム、歩留まり、手戻り、在庫、スループットを動かさなければならず、しかも誰かが眠れなくなるようなリスクを増やしてはならない。だからこそ、製造業は有用な試金石になる。成果が部品という形で出てくるはずの場所では、活動量を成果のように装うことはできない。
同じ隔たりはガバナンスにも表れている。AIが誤った結果を出した場合の検証済みの計画があると答えた製造業は7%にとどまり、全業種で最も低かった。つまり、スケジューリング、品質、サプライチェーンでAIを稼働させている工場の大半は、失敗時の対応を訓練したことがない。これらは、火災訓練を行い、バックアップ発電機の負荷試験を実施する企業である。いまやライン上の意思決定に影響を与えているソフトウェアは、同じ扱いを受けていない。
解決策はより優れたモデルではなく、調達規律だ
この隔たりを埋める製造業は、より賢いモデルを待ち続ける企業ではない。購入方法を変える企業である。競合が発表した何かから始めるのではなく、すでにコストを算定した問題から始めるべきだ。スクラップ率、計画外停止、在庫日数のいずれであれ、最初のベンダーが入ってくる前に、測定する指標を明確にする。その数字に責任を持つ役員を1人定める。そして他の設備投資案件と同じように、クリアすべきハードルと、達成できなければ打ち切る日付を設定して運用する。この最後の部分はAIでは免除されがちだ。テクノロジーが印象的であり、印象的であることは価値があることと混同されやすいからである。
次のオペレーション案件に資金を投じる前に、経営幹部は4つの質問にそれぞれ一文で答えられるべきだ。これはどの指標を動かすのか。どれだけ動かすのか。その結果の責任者は誰か。うまくいかなければ、いつ止めるのか。
製造業にAIへの関心不足という問題があるわけではない。AIの効果証明という問題があるのだ。それを解決する企業は、最も派手なデモを追いかける企業ではない。AIにも、現場の他のあらゆる投資と同じ基準を満たすことを求める企業である。数字を示せ。責任者を示せ。そして、うまくいかなければいつ止めるのかを示せ。
