GrayCyanのHonestAI CEO、Nishkam Batta。
人工知能（AI）は、製造業の経営幹部にとって優先事項となった。取締役会は進捗を求め、テクノロジーチームは新たなプラットフォームを評価している。現場のリーダーには、どこで自動化が測定可能な成果を生むのかが問われている。
しかし多くの製造企業が気づき始めているように、AIの導入はモデルをデプロイ（展開）したり、新しいツールを実装したりするだけの話ではない。本当の課題は組織構造にある。AIシステムは、規律あるワークフロー、統合されたシステム、一貫したデータに依存する。多くの製造組織は、いまなおその基礎固めの途上にある。
だからこそ、多くのAI施策は有意義な成果を出す前に停滞する。技術は機能していても、それを支える周辺のオペレーション環境が、まだAIを支えられる設計になっていないのだ。
製造組織の内部にあるオペレーションの現実
製造企業は、複数の機能部門の連携によって動いている。営業のコミットメントは生産計画に落とし込まれねばならない。設計変更は製造実行システム（MES）へ反映されねばならない。サプライチェーンの調整は、在庫計画や調達へ波及する必要がある。
多くの組織では、こうした引き継ぎがいまだに手作業に依存している。チームは、ERP、スプレッドシート、メールのやり取り、分断されたツール群の間で情報を突き合わせる。承認は部門間を非公式に行き来する。例外対応は、構造化されたワークフローではなく個人の経験に依存しがちである。
この見えにくい調整作業は、相当な時間を消費する。オペレーションの責任者はこれを、工場の「事務層」と呼ぶことがある。生産現場の外側にありながら、稼働実績に直接影響を与える層だ。
組織がこの環境にAIを持ち込もうとすると、しばしば限界に突き当たる。AIが自動化できるのは、明確に定義され、一貫して実行されている仕事だけである。
ワークフローが不統一であったり、システム連携が不十分であったりすると、自動化は信頼性のある成果を生み出すことが困難になる。
製造業におけるAI成熟度は段階的に進む
AIをうまく導入する製造企業は、オペレーションの段階を順に進む傾向がある。
段階1：自律性なし：ワークフローの接続
この段階での主要目的は、運用システムとワークフローをつなぐことである。AIはERP、MES、CRMなどのプラットフォームをまたいで情報を可視化するのに役立つ。不整合を特定し、ワークフローの進捗を追跡し、オペレーション活動の見通しを提供できる。
段階2：一定の自律性：意思決定を支援するAIエージェント
ワークフローがより構造化されると、限定的な自律性が可能になる。AIエージェントは運用上の意思決定を支援し、特定のアクションをトリガーできる。製造環境では、受注の割り当て、承認のルーティング、連絡の送信、運用上の例外のフラグ付けなどが含まれ得る。監督責任は引き続き人間が負うが、反復的な調整は減り始める。
段階3：マスターAIコントローラー：機能部門を横断する連携AIエージェント
最も高度な段階は、複数のAIエージェントが、接続された運用システムを横断して動くときに訪れる。生産計画、受注管理、設計変更、サプライチェーンのワークフローが統合システムの一部となり、意思決定とアクションが部門間を自動的に移動できるようになる。
多くのメーカーは、自分たちがこの段階に近づいていると思い込むが、実際には最初の段階への対応をしているにすぎない。
製造業のAI施策が停滞する理由
製造の現場では、停滞するAIプロジェクトが同じ根本課題を露呈することが多い。
1つ目は、日常業務に埋め込まれた手作業の調整である。チームはステータス更新の確認、データの突合、承認の確認、例外管理に時間を費やす。AIがこれらを加速できるのは、ワークフローが正式に定義されている場合に限られる。
2つ目は、プロセス量である。製造組織は、受注、生産実行、設計更新、在庫移動、サービス対応など大量のトランザクションを処理する。こうしたワークフローの小さな非効率は、毎月何千回も起きれば、すぐに大きく積み上がる。
3つ目の制約は、自動化の実現可能性である。システムはリスクを持ち込まずに自動化を支えられる必要がある。ERP連携、データの一貫性、ガバナンス管理はいずれも、自動化が信頼性高く稼働できるかどうかに影響する。
これらの課題は、技術というよりオペレーションの問題である。
準備度は「想定」ではなく「測定」すべき理由
多くのメーカーは、AI導入を戦略の観点から進める。ユースケースを検討し、ベンダーを評価し、パイロットを立ち上げる。だが、自社の運用システムが自動化を支えられるほど構造化されているかどうかを評価するために、立ち止まる組織は比較的少ない。
準備度評価は、実務的な問いに焦点を当てる。
• ワークフローは部門横断で一貫して運用されているか？
• ERPとMESは、自動化を支える形で統合されているか？
• 運用データは信頼でき、追跡可能か？
• 手作業の調整は、どこで最も時間を消費しているか？
• 自動化が測定可能な価値を生むのに十分な頻度で繰り返されるプロセスはどれか？
メーカーがこれらの要因を慎重に点検すると、AIが成果を出せる領域と、まだ基礎的な改善が必要な領域について、より明確な理解を得ることが多い。
また、準備度と投資対効果（ROI）が同じではないことも明らかになる。
オペレーショナルAIの基盤としてのガバナンス
製造企業は、トレーサビリティ（追跡可能性）とアカウンタビリティ（説明責任）が不可欠な環境で事業を行っている。AIが運用上の意思決定に影響し始めると、ガバナンスは一段と重要になる。組織は、意思決定の方法、監督の責任者、例外の扱い方を定義しなければならない。
AI主導のオペレーションへうまく移行する企業は、こうした統制を早い段階からシステムに組み込む傾向がある。周辺プロセスが適切に統治されてこそ、自律性は機能することを理解しているからだ。
オペレーション・アーキテクチャへのシフト
製造業のAI施策は、成功を確実にするために、オペレーション・アーキテクチャにより重点を置くべきである。AIをどこに適用できるかを問う代わりに、リーダーは次の問いを立てられる。
• どのワークフローが、自動化を支えられるほど構造化されているか？
• どのシステムが、運用データの中核を成しているか？
• どこで調整の摩擦が生産や受注履行を遅らせているか？
これらの問いは、製造組織の内部にあるAIの真の機会を浮かび上がらせる。
AIが業界を変革することは間違いない。しかし実務における影響は、オペレーションの規律に左右される。メーカーは、仕事が実際に組織の中をどのように流れているのかを理解し、自動化が成功するために必要な構造を築くべきである。
