製造 – システム開発・AI導入なら株式会社taiziii（タイジー

製造現場の安全管理DX

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
製造現場の
安全管理DX
「危険を監視する仕組み」ではなく、
ベテランの「危険の予感」を継承する
Safety Management DX on the Shop Floor:
Beyond Surveillance — Transferring the Veteran's
Sense of Danger in Non-Routine, High-Mix Low-Volume Production

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、大手企業のなかにある「非量産部門」――維持設計・特殊部品・補修・試作・改造などを担う
設計／製造／保全の判断者を読者に想定した、製造現場の安全管理に関する実務レポートである。対象
とするのは、一品ごとに段取りも判断も変わる特殊・高難易度・多品種少量（非定常）の加工現場であ
り、大量生産の定常ラインではない。

安全管理のデジタル化というと、AIカメラによる危険行動の監視や、ヒヤリハット報告・KY（危険予知）
活動のアプリ化が定番である。これらは確かに価値があるが、その多くは「同じ作業が毎日繰り返される
定常ライン」に最適化されている。本書は、まずこの標準的なアプローチがなぜ非定常の現場では効きに
くいのかを先に言い当てたうえで、そこに残る本丸へと議論を進める。

本書が一貫して主張するのは、現場安全の本体は「危険を監視する仕組み」ではなく、「この段取り・こ
の刃物・この切粉・この音は危ない」というベテランの『危険の予感』＝危険感受性をどう引き出し、
材料として残すか」にある、という点である。それは安全マニュアル（何をするか）にもセンサー映像に
も載らない、判断の層の問題である。本書では、AIに危険を断定させるのではなく、AIを「ベテランの判
断を引き出し・構造化し・材料として返す」触媒として使うという立場をとる。

本書は安全に主題を絞り、設備の予知保全（状態監視）や品質の歩留まり改善には深入りしない。記載は公開情報および
一般的な実務知見に基づき、統計（災害件数・比率等）は出典・年次・集計範囲により変動する。一部は特定地域の分析
値を傾向の参考として用いており、絶対値ではなく相対的な傾向として参照されたい。事例章は、当社が匿名化した実プ
ロジェクト（精密切削加工メーカー）に基づく。

1
なぜいま安全管理「DX」なのか ― 減らない災害と「定常前提」の限界
災害は非定常作業に集中し、非量産はその非定常が常態である
2
標準アプローチの限界 ― AIカメラとヒヤリハットは、なぜ空振りするのか
「定常・反復・統計」を前提とする仕組みが、非定常では崩れる
3
現場安全の本体は「危険の予感」 ― 載らない判断知を名指しする
知識（What to do）と判断力（How to decide）を分ける
4
ベテランの危険感受性が消えると、何が起きるか
災害増・危険源の不可視化・品質と生産への波及・不可逆性
5
「危険の予感」をどう継承するか ― AIは判断せず、材料を整える
判断を引き出し・構造化し・材料として渡す仕組み
6
事例 ― 精密切削加工メーカーで見た判断知
属人化した危険・品質の判断を、どう引き出し構造化したか
7
導入ロードマップと落とし穴

3段階の進め方、判断を変える閾値、典型的なつまずき

エグゼクティブ・サマリー

5つのキーメッセージ
非定常の加工現場における安全管理の成否は、監視を自動化することではなく、ベテランの危険察知とい
う判断知をどう引き出し、材料として残すかで決まる。本書の要点を5つにまとめる。

1
製造業の災害は減っていない。そして、その多くは「非定常作業」に集中している
製造業の休業4日以上の死傷者は年間2万6千人規模で、全産業の死傷者数は近年むしろ増加が続
く。機械への「はさまれ・巻き込まれ」が製造業で最多だが、ある監督署の分析では、その過
半が保全・段取り・トラブル対処といった非定常作業中に起きている。非定常作業は、作業時
間の割に災害比率が著しく高い。

2
AIカメラもヒヤリハットのデジタル化も「定常・反復・統計」を前提とし、非定常
では構造的に空振りする
AI画像監視は「正常＝定常」を学習して逸脱を検知する。一品ごとに段取りが変わる現場では学
習すべき「正常」が定義できず、検知できるのはヘルメット未着用のような不変のルール違反だ
けになる。ヒヤリハット／KYのデジタル化も、同じ事象が反復し統計が貯まる前提に立つ。毎
回違う作業では母数が貯まらず、傾向分析が成立しない。「もう試した、効かなかった」の正体
はここにある。

3
現場安全の本体は「この段取り・この音は危ない」という危険感受性＝判断知。マ
ニュアルにもセンサーにも載らない
安全DXが整えられるのは「何をするか（知識／What to do）」である。しかし非定常の現場で
災害を分けるのは「この材料・形状ならどう段取るか」「この公差はどこまで攻めてよいか」
「この切粉・音は危ないか」という「どう判断するか（判断力／How to decide）」である。こ
れは図面にもデータにも載らない暗黙知であり、危険感受性という安全工学の正式な概念にあ
たる。

4
ベテランの危険感受性が消えると、災害が増えるだけでなく、危険源そのものが
「見えなく」なる
設備の自動化で危険を肌で感じる機会が減り、熟練世代の退職でノウハウが失われていく。「あ
れは危ない」と止める判断者がいなければ、危険は危険として認識すらされない。しかも「危
ない段取り」は同時に「品質も段取り時間も悪い段取り」であることが多く、損失は安全にと
どまらない。暗黙知は保存・複製ができず、在職中に移さなければ退職とともに消える。

5
だから本丸は「AIに危険を断定させる」ことではなく、「ベテランの危険の予感を
引き出し・構造化し・材料として渡す」ことである
発想を逆転する。AIが映像から「危険！」と断定するのではなく、ベテランの危険察知を引き
出し、構造化して蓄積し、若手が段取りを組むときに「過去にこういう判断があった」と材料
を提示する。判断するのはあくまで人であり、AIは判断の材料を整える触媒に徹する。この「AI
は判断しない、材料を提示する」という立場こそが、外から書けない差別化の核である。

01 なぜいま安全管理「DX」なのか

減らない災害と、「定常前提」の限界

K E Y F I N D I N G S

製造業の休業4日以上の死傷者は年間2万6千人規模。全産業の死傷者数は近年むしろ増加が続いて
いる
機械への「はさまれ・巻き込まれ」が製造業で最多。ある監督署の分析では、その過半が非定常作
業中に発生
件数は減っても、労働時間あたりの度数率は横ばいで、1事業所あたりの頻度はむしろ増えていると
の分析もある
量産ラインでは非定常作業は「例外」だが、特殊・高難度・多品種少量の現場では非定常が「常
態」である
ある重工メーカーの維持設計・補修部門で、こんな場面に出会った。ある特殊な部品の加工に入る直前、
20年選手の技能者が段取りをいったん止め、治具の掴み方をやり直させた。理由を尋ねると、返ってき
たのは「なんとなく、嫌な感じがした。この掴み方だと、削っている途中でワークが浮くかもしれない」
という言葉だった。図面にも、作業手順書にも、その判断はどこにも書かれていない。だが、その「予
感」が一つの事故を未然に防いだ。本書が扱うのは、この目に見えない判断知である。

1.1 設備は安全になった。しかし災害は減っていない

製造業の労働災害は、長期的には設備の本質安全化やガード・インターロックの普及で大きく減ってき
た。しかし、ここ数年の数字は楽観を許さない。厚生労働省の確定値によれば、製造業の休業4日以上の
死傷者は年間2万6千人規模で推移し、全産業の死傷者数は4年連続で増加している。製造業の死亡者も毎
年百数十人にのぼる。事故の型でみると、回転体や駆動部に巻き込まれる「はさまれ・巻き込まれ」が製
造業で最多であり、国の災害防止計画でも重点的な削減目標が掲げられているが、達成は容易ではない。

注意したいのは、件数の減少が「現場の体感」と食い違うことだ。災害件数そのものは減っていても、労
働時間あたりの発生率（度数率）は横ばいで、1事業所あたりの発生頻度はむしろ増えているという分析
もある。現場の管理者が「うちはなかなか災害が減らない」と感じるのは、気のせいではない。設備を新
しくし、ルールを増やしても、減りきらない領域が残っているのである。

1.2 災害は「非定常作業」に集中する

その「減りきらない領域」を言い当てる鍵が、非定常作業である。非定常作業とは、保全・修理・トラブ
ル対処・段取り替え・試運転・材料切替えなど、通常の定常生産とは異なる作業を指す。国の安全衛生の
解説でも、非定常作業で災害が多い理由として、反復・継続が少なく事前の検討が不十分になりがちなこ
と、時間的余裕がなく作業者が習熟しにくいこと、複数部門が輻輳して連絡調整が不十分になりがちなこ
とが挙げられている。

これは統計にも表れている。ある労働基準監督署が管内の機械による「はさまれ・巻き込まれ」災害を分
析した結果では、非定常作業中の発生が約52%と、定常作業中（約48%）を上回った。非定常作業が占
める作業時間はごく一部であることを考えれば、これは「非定常作業は時間あたりの災害密度が突出して
高い」ことを意味する。

出所：厚生労働省「労働災害発生状況」、ある労働基準監督署の管内分析（機械によるはさまれ・巻き込まれ災害）等に基づき taiziii
Research 作成

1.3 「非量産＝毎回が非定常」という現実

ここで読者の現場に話を引き寄せたい。量産ラインの管理者にとって、非定常作業は日常のなかの「例
外」である。だからこそ、定常作業を前提に安全を標準化し、例外時だけ特別な手順を用意する、とい
う発想が成り立つ。ところが、特殊・高難易度・多品種少量を扱う非量産の現場では、事情がまるで違
う。一品ごとに段取りも治具も刃物も判断も変わる ―つまり「毎回が非定常」なのである。ここには、
標準化の前提となる「定常状態」がそもそも存在しない。

そして、ここに外から見えにくい逆説がある。大づかみに言えば、量産現場のほうが安全DXは「効きや
すい」。定常状態があり、危険パターンが反復し、データも標準も整えやすいからだ。ところが、災害が
より深刻なかたちで残るのは、DXの効きにくい非量産（非定常）のほうである。DXの効きやすさと、現
場に残るリスクの深さは、互いに逆を向いている。一般的な安全DXの解説やツールが「効きやすい量
産」を暗黙の前提にしている以上、それらは「効きにくく、しかも危険が深い非量産」には届かない。本
書がこの領域に踏み込む理由はここにある。

本書の立場：安全管理DXは「監視の自動化」ではなく「判断知の継承」
あらかじめ強調しておきたい。本書は、安全DXの目的を「人や設備を監視して違反を捕まえること」に
は置かない。非定常の現場で災害を分けているのは、規則違反の有無ではなく、「この作業をどう見極
めるか」という判断の質だからである。したがって本書のゴールは、ベテランがもっている危険察知の
判断知を引き出し、組織に残し、次の世代が使える材料に変えることにある。この順序を見失うと、第2
章で述べる「もう試した、効かなかった」の罠に陥る。

02 標準アプローチの限界

AIカメラとヒヤリハットは、なぜこの現場で空振りするのか

K E Y F I N D I N G S

AI画像監視は「正常＝定常」を学習し逸脱を検知する。正常が毎回変わる非定常では検知基準が作
れない
カメラが検知できるのは、ヘルメット未着用や立入禁止侵入のような「いつでも同じ」不変のルー
ル違反だけ
ヒヤリハット／KYのデジタル化は「同じ事象が反復し統計が貯まる」前提。毎回違う作業では母数
が貯まらない
標準アプローチが効かないのは現場の意識や予算の問題ではなく、暗黙の前提が成立していないか
らである
この読者層――大手の非量産部門は、すでに一般的な安全DX施策を一度は試している。そして多くの場
合、期待したほどの効果が出ずに止まっている。だから「正しいが、どこかで読んだ話」を出されると、
「また同じ話か」と読み飛ばしたくなる。そこで本章では、まずその標準アプローチが「なぜこの現場
では効かないのか」を先に言い当てる。読者が一度試したであろう二つの定番――① AIカメラによる監
視、② ヒヤリハット・KYのデジタル化――を順に取り上げる。

2.1 標準アプローチ①：AIカメラによる危険監視

近年、エッジAIカメラによる安全監視ソリューションが各社から提供されている。ヘルメットや保護具の
未着用検知、立入禁止エリアへの侵入検知、転倒検知、人と機械の接近検知などを、24時間自動で行う
ものだ。事後のヒヤリハット記録から、事前の予防へ――という訴求は魅力的に映る。定常ラインで「決
まったルールが守られているか」を見張る用途では、確かに有効である。

しかし、この技術には外せない前提がある。AI画像認識は、大量の正解データから「正常な状態」を学習
し、そこからの逸脱を異常として検知する仕組みだということだ。ここから三つの限界が導かれる。第一
に、危険パターンを事前に学習できなければ検知できない。ベンダー自身、ヘルメット着用のような汎用
検知は安価に導入できる一方、現場固有の不安全行動の検知には専用開発が要ると認めている。第二に、
定常状態がなければ「正常」を定義できず、異常検知の基準が作れない。多種多様で発生頻度の低い異常
を事前に網羅することは難しい――非定常作業とは、本質的にこの「網羅できない異常」の塊である。第
三に、検知できるのは文脈に依存しない「不変のルール違反」だけである。「この治具の掴み方ではワー
クが浮く」「この切粉の出方は異常だ」といった文脈依存・判断依存の危険は、カメラに映ってはいて
も、その意味が読めない。

出所：各社のAI安全監視ソリューションの製品情報・技術解説に基づき taiziii Research 作成

2.2 標準アプローチ②：ヒヤリハット・KYのデジタル化

もう一つの定番が、ヒヤリハット報告やKY（危険予知）活動、リスクアセスメントのデジタル化であ
る。紙の報告をアプリ化し、集計・分析・共有を容易にする。これ自体は前進であり、否定する必要はな
い。問題は、これらの手法が暗黙のうちに「同じ作業が繰り返され、似た事象が数多く蓄積される」こ
とを前提にしている点にある。1件の重大災害の背後に29件の軽災害と300件のヒヤリハットがある――
という古典的な経験則も、同種の事象が反復するからこそ統計として成り立つ。

毎回作業内容が変わる試作・補修・特殊加工では、この前提が崩れる。ヒヤリハットが一回性の出来事
になり、母数が貯まらず、統計的な傾向分析が成立しにくい。KY活動も、進め方が固定化し、既知のリ
スクばかりを挙げる形に陥りやすいことが指摘されている。そもそも「事前に挙げるべき危険」をリスト
化すること自体が、未知の段取りでは難しい。さらに根の深い問題がある。非定常作業の危険源は、し
ばしば「作業者が手順を破ったこと」ではなく、「段取りをどう組むか、どこで手を止めるかという判断
そのものの難しさ」にある。実際、ある労働局の分析では、機械の不停止による災害が半数以上を占め、
しかもそのうち約4分の3が「意図的に止めなかった（止めると手間や時間がかかるため）」と思われる
ものだった。「手順を守れ」という対策は、手順がそもそも存在しない（毎回変わる）作業の前では空
振りする。

2.3 共通の正体 ―「定常・反復・統計」という前提

①と②は一見まったく別の施策だが、その根は同じである。両者とも、「定常状態がある」「同じ事象が
反復する」「統計的な母数が貯まる」という三つの前提の上に立って設計されている。これらが揃う定常
ラインでは、両者はよく機能する。しかし、毎回が非定常の現場では、この三つの前提がいずれも成立
しない。だから空振りするのである。

出所：各手法の前提と非定常作業の特性に基づき taiziii Research 作成
「もう試した、効かなかった」の正体
ここで一つ、見落とされがちな事実を指摘しておきたい。標準的な安全DXがこの現場で効かなかったの
は、現場の意識が低いからでも、予算が足りなかったからでも、ツールの性能が悪いからでもない。こ
れらのツールが暗黙に前提とする「昨日と同じ作業が、今日も繰り返される」という状態が、非定常の
現場には初めから存在しないからである。多くの会社が「うちはもう試した。ダメだった」と感じてき
たのは、間違ったツールを選んだからではなく、定常前提のツールを非定常の現場に当ててしまったか
らだ。とすれば、打つべき手は「もっと高性能な監視」ではなく、前提のまるで違う一手――次章で述
べる、判断知そのものへの着目――になる。

03 現場安全の本体は「危険の予感」

マニュアルにもセンサーにも載らない判断知を名指しする

K E Y F I N D I N G S

安全DXが整えられるのは「知識（What to do）」。非定常で災害を分けるのは「判断力（How to
decide）」
「この音・切粉・振動は危ないか」を見極める力は、危険感受性という安全工学の正式な概念にあ
たる
設備の自動化で危険を肌で感じる機会が減り、熟練世代の退職でそのノウハウが失われつつある
業務フロー図や手順書はあっても、安全の判断知はどこにも記録されず、ベテランの頭の中に溜ま
っている

3.1 「知識」と「判断力」を分ける

標準アプローチがなぜ届かないのかを突き詰めると、扱っている対象が違うことに行き着く。鍵は、「知
識」と「判断力」を分けて考えることである。知識（What to do）とは、「何をするか」が決まってい
るもの――手順、標準、マニュアルに落ちる形式知である。「保護具を着ける」「異常があれば停止して
点検する」はこれにあたり、文書やデータで継承できる。標準的な安全DXが整えられるのは、基本的に
この層である。

一方、判断力（How to decide）とは、「この場でどう見極めるか」という力である。「この材料・形
状ならどう段取れば安全か」「この公差はどこまで攻めてよいか」「この切削音・この切粉の出方・この
振動は危険の兆候か」――これらは、その都度の状況に応じて下す判断であり、図面にもセンサーデータ
にもマニュアルにも載らない暗黙知である。非定常の現場で災害を分けているのは、知識の有無ではな
く、この判断力の質である。

出所：taiziii Research 作成

3.2 「危険感受性」という正式な概念

この判断力には、安全工学上の名前がある。危険感受性――何が危険か、どうなると危険な状態になる
かを直観的に捉え、危害の程度や起こりやすさを敏感に感じ取る能力である。国の安全衛生の解説でも
正式な概念として位置づけられている。関連して危険敢行性（危険と分かっていながら、あえて受け入れ
て行動しようとする傾向）という対概念もある。前章で触れた「不停止災害の約4分の3が意図的」とい
う事実は、危険感受性はあっても危険敢行性が高い状態（危ないと分かっていて止めない）を示し、残る
約4分の1は危険感受性そのものの欠如（危ないと気づけない）を示している。

そして見過ごせないのが、この危険感受性が社会全体で痩せてきていることだ。設備が安全化・自動化さ
れたことで、現場の人間が危険を肌で感じる機会はむしろ減った。加えて、現場を支えてきた熟練世代が
大量に退職していく。国の解説でも、こうした変化のなかで「現場の実情を踏まえた安全管理のノウハウ
が失われつつある」ことに警鐘が鳴らされている。皮肉なことに、設備を安全にすればするほど、人の危
険感受性は育ちにくくなる。

3.3 切削現場の「予感」は、どこから来るのか

切削・金属加工の現場に即して言えば、危険感受性は具体的な五感の判断として現れる。切粉の色や形、
切削音の変化、振動、切削抵抗の手応え――こうした微細な兆候から、ベテランは「いつもと違う、こ
れは危ない」を察知する。回転工具や刃物の破損、固定不良によるワークの飛散、段取り替え時の思わぬ
動き。これらの危険は、加工条件・材料・形状が一品ごとに変わるなかで、その都度の判断によってしか
防げない。たとえば公的な災害事例集には、フライス盤で切粉を手で払おうとして手袋が回転刃物に巻き
込まれ、命を落とした例が記録されている。「切粉を手で払ってはいけない」という知識だけでなく、
「この状況は危ない」と体が察知する感受性があったかどうかが、生死を分ける。

3.4 業務フロー図にはあるのに、安全判断は「どこにも記録されていない」

ここで、もう一段深い構造を指摘したい。多くの現場は、業務フロー図（誰が何をするか）や作業手順書
を整備している。ところが、それらを実態と照らし合わせると、「なぜここで手を止めるのか」「なぜこ
の段取りを避けるのか」という安全の判断は、どの図にも、どのシステムにも記録されていない。工程の
流れや手順は紙やシステムに残っても、その流れの随所で下されている危険の判断だけが、すっぽり抜け
落ちている。安全に関する情報の流れには、断絶があるのである。

言い換えれば、現場でもっとも重要な「データの溜まり場」が、システムでも紙でもなく、ベテランの頭
の中にある。そこには「この音は危ない」「この掴み方は浮く」という判断知が蓄積されているのに、ど
の図にも現れない。だからこそ、その人が退職すれば、溜まっていたデータは丸ごと消える。安全管理
DXが本当に向き合うべきは、この「図に現れないデータストア」をどう扱うか――すなわち、判断知の
継承である。

出所：taiziii Research 作成
本書の立場：安全の本体は「How to decide」にある
整理しよう。標準的な安全DXは「知識（What to do）」を整える。それは必要だが、十分ではない。非
定常の現場で人の命を守っているのは、「この状況をどう見極めるか（How to decide）」という危険感
受性であり、それは図面にもセンサーにも載らず、業務フロー図にも書かれず、ベテランの頭の中だけ
に溜まっている。安全管理DXの本丸は、この判断知をいかに引き出し、組織に残すかにある。

04 ベテランの危険感受性が消えると、何が起きるか

災害増・危険源の不可視化・品質と生産への波及・不可逆性

K E Y F I N D I N G S

危険感受性の低い若手が非定常作業に当たる。ある分析では、機械災害の被災者の約半数が経験5
年未満
「あれは危ない」と止める判断者がいなければ、危険源は危険として認識すらされなくなる
「危ない段取り」は同時に「品質も段取り時間も悪い段取り」。損失は安全だけにとどまらない
暗黙知は形式知のように保存・複製できない。在職中に移さなければ、退職とともに失われる
危険感受性が組織から失われると、何が起きるのか。それは単に「災害が少し増える」では済まない。連
鎖的に、いくつもの損失が立ち上がってくる。

出所：労働災害の経験年数別分析、安全工学の知見等に基づき taiziii Research 作成

4.1 まず、災害が増える

もっとも直接的な帰結は、災害の増加である。前述のある監督署の分析では、機械による「はさまれ・巻
き込まれ」災害の被災者のうち、約半数が経験年数5年未満だった。危険感受性がまだ育っていない若手
が、もっとも危険な非定常作業に当たる――この構図がある限り、災害は減らない。ベテランが隣にいて
「それは危ない」と一言かけられるかどうかが、現実には大きな防波堤になっている。その防波堤が、世
代交代とともに薄くなっていく。

4.2 危険源が「見えなく」なる

より静かで、より深刻なのが二つ目の帰結である。危険感受性をもつ判断者がいなくなると、危険源が危
険として認識すらされなくなる。ベテランが見れば「この段取りは危ない」と即座に分かるものが、判断
力を欠いた現場では、ただの「いつもの作業」として通り過ぎてしまう。ヒヤリハットは、ヒヤリとした
人がいて初めて報告される。危険を感じ取れなければ、そもそも報告すら上がらない。危険が「データと
して存在しなくなる」のである。これは、監視カメラをいくら増やしても捕捉できない盲点だ。

4.3 損失は、安全だけにとどまらない

三つ目に、見落とされがちな波及がある。ベテランの「この段取りは危ない」という判断は、多くの場
合、「この段取りは品質も出ないし、段取り時間もかかる」という判断と表裏一体である。危険を察知
する感受性と、品質や効率を見通す判断力は、同じ経験の井戸から汲み上げられている。したがって危険
感受性の喪失は、安全の問題にとどまらず、立ち上げ時の不良、補修の手戻りや遅れ、見積りの読み違い
といった損失と地続きである。「安全のための投資」は、実は「品質と生産性のための投資」でもあ
る。この一体性こそ、判断知という層が現場のあらゆる側面を貫いていることの証拠である。

4.4 そして、一度失われると戻らない

最後に、もっとも厄介な性質を強調したい。暗黙知は、形式知のように保存・複製ができない。手順書は
コピーできるが、「嫌な感じがする」という危険の予感は、ファイルに保存しておくことができない。そ
れはベテランが現役でいるあいだに、対話を通じて引き出し、次の世代に移すしかない。退職してしまえ
ば、頭の中に溜まっていた判断知は、その日に丸ごと失われる。これは「いつかやればよい」課題ではな
く、時間との競争である。世代交代は、こちらの準備を待ってはくれない。

世代交代は待ってくれない
多くの現場で、危険感受性の継承は「重要だが緊急ではない」課題として後回しにされている。だが、
暗黙知の不可逆性を踏まえれば、これは緊急の課題である。ベテランが在職している「いま」が、判断
知を引き出せる最後の窓かもしれない。次章では、その窓が開いているうちに、何を・どう引き出して
残すかを述べる。

05 「危険の予感」をどう継承するか

AIは判断せず、判断の材料を整える

K E Y F I N D I N G S

発想を逆転する。AIに危険を断定させるのではなく、ベテランの判断を引き出し・構造化し・材料
として返す
作業前後の短い対話で「なぜ止めたか」「どこで止まりうるか」を言語化し、生成AIで構造化・蓄
積する
若手が段取りを組むとき、「過去にこういう判断があった」と材料を提示する。判断するのは人
KY・リスクアセスメントを「既知の危険チェック」から「判断の対話」へ再設計する

5.1 発想を逆転する ―「断定するAI」から「材料を整えるAI」へ

ここまでの議論から、進むべき方向は明確である。AIカメラに代表される標準アプローチは、「AIが危険
を断定し、人がそれに従う（あるいは無視する）」という発想に立っていた。本書が提案するのは、その
逆である。AIは判断しない。ベテランの危険察知を引き出し、構造化し、現場が使える材料として返す。

判断を下すのは、あくまで人である。AIは、判断の材料を整える触媒に徹する。

出所：taiziii Research 作成
この立場には、技術的な裏づけもある。熟練の暗黙知を扱うこの分野でも、AIに最終判断を委ねるのでは
なく、人間が判断・レビューする前提で、AIは知見を引き出し・構造化する役割に置くべきだという考え
方が定着しつつある。AIが上から「危険／安全」を断定すると、現場は反発するか、あるいは思考停止し

てアラートに従うだけになる。どちらも危険感受性を育てない。引き出し、構造化し、材料として返す
――この姿勢が、人の判断力を痩せさせずに継承していく鍵になる。

5.2 判断知を「引き出す」

では具体的に、何をするのか。出発点は、ベテランの判断を言語化することである。非定常作業に着手す
る前後に、短い対話の時間をとる。「なぜこの段取りを選んだのか」「この作業で、どこで手を止める可
能性があるか」「この材料・形状の、どこに気をつけているか」「この切粉・この音を、どう見ている
か」――こうした問いを投げ、答えを記録する。ベテラン本人は、自分の判断を「当たり前すぎて言葉に
したことがない」ことが多い。だからこそ、引き出す問いの設計が要る。記録した断片を、生成AIで整理
し、検索できる形に構造化していく。

5.3 判断知を「材料として渡す」

引き出した判断知は、若手が実際に段取りを組む場面で材料として差し出される。たとえば、ある材料・
形状の加工に着手するとき、「過去に、似た条件でベテランがこういう点を懸念していた」「この形状で
は、こういう兆候に注意するという判断があった」という情報を、参照できるようにする。ここで決定
的に重要なのは、AIが「これは危険だ」と断定しないことだ。AIはあくまで「過去にこういう判断があっ
た」と材料を提示するにとどめ、いま目の前の作業をどう判断するかは、人に委ねる。これによって、若
手は「言われたから従う」のではなく、「なぜそう判断するのか」を自分の中に取り込んでいく。継承と
は、答えを渡すことではなく、判断の仕方を渡すことである。

5.4 KY・リスクアセスメントを「判断の対話」へ再設計する

既存の安全活動も、この観点で組み替えられる。KY活動やリスクアセスメントを、「既知の危険をチェ
ックリストで確認する作業」から、「この作業特有の難所をどう見極めるかを問う対話」へと再設計す
る。危険予知訓練がもともと持っていた「みんなで危険を出し合い、考える」という対話の本質を、非定
常作業の判断知を引き出す場として活かすのである。なお、危険源を設計段階で除去したり、ガードやイ
ンターロックで防いだりする本質安全の取り組みは、当然ながら最優先で進めるべき土台である。本書
が扱うのは、それらの上位の対策をもってしてもなお人の判断に残らざるを得ない領域――非定常・高難
度の現場で、最後に人の感受性が物を言う領域である。

本書の立場：AIは判断しない、材料を提示する
この章の主張を一文に凝縮すれば、「AIは判断しない、材料を提示する」に尽きる。危険を断定する主
体はAIではなく、人である。AIの役割は、ベテランの頭の中にしかなかった危険の予感を引き出し、構
造化し、次の世代が判断するための材料として差し出すことにある。これは単なる技術選択ではなく、
危険感受性という人の能力を、痩せさせずに組織へ継いでいくための思想である。

06 事例 ― 判断知の継承

当社の実案件（精密切削加工メーカー）から

K E Y F I N D I N G S

隣接領域では、ベテランのカン・コツ（判断知）をデータ化する取り組みが先行しており、安全へ
転用できる
本章は、当社が実際に支援した精密切削加工メーカーの案件（匿名化）から、判断知の属人化と引
き出しの実際を示す
その判断は安全・品質・段取り時間を同時に左右していた。安全の判断知は品質・生産と同じ井戸
から汲まれている

6.1 隣接領域が示す方向 ― 判断知のデータ化は、すでに始まっている

安全に限らず「ベテランのカン・コツ＝判断知」をデータ化する取り組み自体は、切削・金属加工の現
場ですでに始まっている。たとえば、工具交換の時期や最適な加工条件といった、従来ベテランの経験と
勘に依存していた判断を、加工点近傍のデータを取得して可視化し、技能の継承に活かそうとする中小の
金属切削メーカーの取り組みは、公的にも評価されている。これらはいずれも品質・生産性を主目的とし
たものだが、その構造――属人化していた判断を引き出し、データ化し、次の世代が使える形にする――
は、そのまま安全の判断知の継承に転用できる。本書が描く方向は、決して机上の空論ではない。

6.2 当社の実案件から ― 精密切削加工メーカーで見た判断知

抽象論を、当社が実際に手を動かした案件で裏づけたい。ある精密切削加工メーカー ―多面・多軸の特
殊加工を主力とする中小の現場である。当社は、この会社の基幹システムと製造現場のデジタルツインの
構築を支援した。

Before ―判断は、図のどこにも無かった。入り口で、業務フローを書き出してもらった。返ってきたの
は「受注 → 設計 → NCプログラム作成 → 加工 → 検査 → 出荷」という一本の線で、各工程はわずか数行
だった。だが、その一行の裏で現場を支えていたのは、ベテランの判断だった。「この治具の掴み方だ
と、削っている途中でワークが浮く」「この段取りは無理がある」――危険と品質を同時に見分けるこう
した判断は、図にも手順書にもシステムにも記録されておらず、本人たちも「書くほどのこと」と思って
いなかった。最も重要なデータの溜まり場は、システムでも紙でもなく、ベテランの頭の中にあった。若
手は「なぜ危ないか」を学ぶ手がかりを持てずにいた。

出所：taiziii Research 作成（当社の匿名化した実プロジェクトに基づく）
After ―属人化した判断を、引き出して構造化した。当社が取り組んだのは、この頭の中の判断を引き出
し、構造化する作業だった。業務フロー図では見えなかったデータと判断の流れ（DFD）を写し取り、
「どの工程で、ベテランが何を見て、何を判断しているか」を一つずつ言葉にしていった。判断とデータ
の流れは深く絡んでおり、工程を管理するテーブルに「面ID」という外部キーが要ると気づくまで、設計
の作り直しだけで数年がかりになったほどだ。ツールが足りなかったのではない。現場の判断が言語化さ
れていなかったからである。

成果 ―安全は、品質・生産と同じ井戸から汲まれていた。この案件の主目的は、安全そのものではな
く、基幹システムとデジタルツインの構築だった。正直に言えば、これは「安全DXの完成事例」ではな
い。だが、そこで引き出した「治具の固定・段取り・工具の判断」は、まさに本書がいう「この掴み方
だと浮く」という危険の予感と同じ判断である。安全のために新しい仕組みを一から作る必要はない。

すでにある同じ判断知を、安全の観点から引き出し、構造化すればよい ―その手順を、当社は現場で回
してきた。確かなのは、図にもデータにも現れなかった判断が、初めて言葉になり、参照できる形になっ
たことだ。そしてその判断は、安全（ワークの飛散を防ぐ）と品質（寸法を外さない）と段取り時間の三
つを、同時に左右していた。安全の判断知は、品質と生産の判断知と同じ井戸から汲まれている。だから
安全のために判断知を引き出す取り組みは、そのまま品質と生産性の底上げにもつながる。ここに、外か
ら真似のできない厚みがある。

07 導入ロードマップと落とし穴

3段階の進め方、判断を変える閾値、典型的なつまずき

K E Y F I N D I N G S

監視の自動化から始めない。標準アプローチは「定常・反復の部分」に限定導入し、過剰投資を避
ける
中核は、ベテランの「危険の予感」を作業前後の対話で言語化し、構造化・蓄積して材料化するこ
と
仕上げに、業務フロー図へ「安全判断の分岐点」を書き込み、判断知の蓄積・更新を仕組みに組み
込む
標準導入後6か月で非定常作業の災害・ヒヤリハットが減らなければ、それは「判断知の問題」の
サイン

7.1 3段階のロードマップ

安全の判断知の継承は、一足飛びには進まない。標準アプローチの位置づけを正したうえで、段階的に積
み上げる。

出所：taiziii Research 作成
Phase 1：標準アプローチの適用範囲を見極める。AIカメラやヒヤリハットアプリを全否定する必要はな
い。共通通路の立入管理や保護具の着用確認など、定常的・反復的な部分にだけ限定して導入する。同時
に、自社の作業のうち「手順書が毎回書き換わる作業」がどれだけの比率を占めるかを測る。この比率が
高いほど、標準アプローチの効果は限定的で、判断知の継承に重心を移すべきだと分かる。

Phase 2：ベテランの「危険の予感」を材料化する。本書の中核である。非定常作業の前後に短い対話の
時間を設け、ベテランの判断（なぜこの段取りか、どこで止まりうるか、何を見ているか）を言語化す
る。それを生成AIで構造化・蓄積し、若手が段取りを組むときの参照材料にしていく。ここでもAIは断定
せず、「過去にこういう判断があった」と材料を出すにとどめる。

Phase 3：安全のデータフローの断絶を埋める。仕上げに、業務フロー図へ「安全判断の分岐点」を明示
的に書き込む。「この工程で、ベテランは何を見て、何を判断しているか」を、工程情報の一部として管
理する。さらに、労働安全衛生マネジメントの継続的改善のサイクルに、「判断知の蓄積・更新」と「退
職前の移転計画」を組み込む。これにより、判断知の継承が一過性のイベントではなく、回り続ける仕組
みになる。

7.2 定着のコツ ― ベテランが「自分の判断が価値として残る」と感じられるか

この取り組みが続くかどうかは、技術よりもベテラン本人の納得にかかっている。鍵は、ベテランが「自
分の判断を引き出されること」を、評価や否定ではなく、「自分の経験が価値として組織に残ること」と
して受け止められる設計にすることだ。AIに危険を断定させない理由は、ここにもある。AIが上から「あ
なたの判断は誤り」と評価する仕組みでは、ベテランは口を閉ざす。引き出し、敬意をもって構造化し、
次の世代に手渡す――この姿勢があって初めて、頭の中のデータストアは開かれる。

典型的な4つのつまずき
① 監視ツールの自己目的化：AIカメラを入れて「安全DXをやった」と満足し、非定常の判断には何も手
を打てていない。② 断定で判断を代替してしまう：AIに危険を断定させ、ベテランが反発・離反し、肝
心の判断知が引き出せなくなる。③ 統計の効かない場所で統計を回す：一回性のヒヤリハットを集めて
傾向分析しようとし、母数が貯まらず空回りする。④ 退職に間に合わない：継承を「重要だが緊急でな
い」課題として先送りし、ベテランの退職とともに判断知を失う。

7.3 まとめ ― 監視するDXから、判断を残すDXへ

本書を通じた主張は一貫している。非定常の加工現場における安全管理の成否は、「危険を監視する仕組
み」を導入することではなく、「この段取り・この音は危ない」というベテランの危険の予感＝判断知
を、引き出し・構造化し・次の世代が使える材料として残すことで決まる。標準的な安全DX（AIカメ
ラ、ヒヤリハットのデジタル化）は、定常前提で設計されているがゆえに、毎回が非定常のこの現場では
空振りしやすい。打つべきは、もっと高性能な監視ではなく、前提のまるで違う一手――判断知そのも
のへの着目である。そして、AIはその判断知を断定するためではなく、引き出し、材料として整えるため
に使う。

着手にあたっては、監視ツールの導入から入らないことを推奨する。明日からの一歩は、自社のもっとも
熟練した技能者に、次の非定常作業の前後で「なぜそう段取るのか」「どこに気をつけているのか」をた
ずね、その答えを書き留めてみることである。図にもデータにも載っていなかった判断知が、そこから初
めて言葉になる。判断を変える目安として、標準アプローチを導入して半年たっても非定常作業の災害や
ヒヤリハットが減らないなら、それは「手順遵守の問題」ではなく「判断知の問題」だというサインで
ある。投資の重心を、監視から判断知の継承へ移すときである。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）は、安全マニュアルにもセンサー
映像にも載らない「この段取り・この掴み方・この音は危ない」というベテランの危険の予感を、なぜ
そう判断したのかという理由ごとAIで引き出し、帰属を保ったまま構造化し、若手が段取りを組むとき
に参照できる材料として継承します。AIは危険を断定しません。引き出し、分類し、問い返し、材料と
して返す裏方に徹します。とりわけ、量産が少なく特殊・高難易度の図面を扱う切削加工の現場で、ベ
テランの判断知を実際に引き出し・構造化してきた実地の知見があります。本書で扱った安全の判断知
の継承についても、「どの作業の判断から言語化を始めるか」「危険の予感をどう構造化するか」「業
務フロー図に安全判断をどう組み込むか」といった具体の検討段階からご相談いただけます。

詳細：https://taiziii.com/skillrelay/

3D設計資産の活用

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
3D設計資産の
活用
3Dを「開き・探し・つなぐ」
実装アーキテクチャ
Putting 3D Design Assets to Work:
An Implementation Architecture to Open, Search,
and Connect 3D Models

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、製造業のDX担当者（事業部のDX推進部門、設計・生産技術・調達部門の部長・課長クラス）を
読者に想定した、3D設計資産の活用に関する実務レポートである。「3D化すればよい」という総論では
なく、社内に蓄積された3D CADデータ・3Dモデルを、どの技術で開き、どう探し、どうやって実績・知
見につないで再び使える状態にするのかという技術的な具体に踏み込む。

多くの製造業がこの十数年で3D CADへ移行し、膨大な3Dモデルを蓄積してきた。にもかかわらず、その
多くは「作って、図面に落として、サーバーに置いた」状態にとどまり、旧バージョンや旧形式で開けな
い、似た形状の過去モデルを探せない、見積・加工・実績とつながらない、という壁の前で死蔵されてい
る。結果として、過去に設計した形状があるのに見つけられず、ゼロから設計し直す重複が日常的に発生
している。

本書が一貫して主張するのは、3D設計資産の活用は「3Dモデルを作って持つこと」ではなく、「開けな
い・探せない・つながらないという3つの壁を、技術で順に取り除き、3Dを設計の起点として回し続ける
こと」だという点である。なお、紙・2D図面のOCRや読取りといった2D固有の論点は別テーマとして扱
い、本書は3Dという対象に固有の処理に焦点を絞る。

本書は公開情報および一般的な実装知見に基づく。記載する効果や水準は対象データの状態・規格・運用により大きく変
動するため、絶対値ではなく傾向として参照されたい。

1
なぜ3D設計資産は「活かしきれない」のか
開けない・探せない・つながらないという3つの壁
2
3D設計資産活用の技術スタック全体像
移行→解釈→構造化→ベクトル化→活用の5段
3
3Dを「開く」 ― 形式・版・相互運用とMBD/PMIの壁
旧形式・変換ロス・図面レス化をどう乗り越えるか
4
3Dを「探す」 ― 3D形状ベースの類似検索
図番検索の限界と、3Dモデルでの類似検索
5
3Dを「つなぐ」 ― PLM・デジタルスレッドと知見継承
メタデータ紐付け、設計知見の継承、生成AIの位置
6
先進事例 ― 3Dを「使える資産」に変える
日本精工の3DA製造図、トヨタ自動車東日本の3D活用に学ぶ
7
導入ロードマップと落とし穴
スモールスタートの順序、優先順位、つまずきポイント

◆エグゼクティブ・サマリー
5つのキーメッセージ
3D設計資産の活用は、3Dモデルを作って保存することではなく、3Dを再び使える状態に戻すための一連
の技術設計である。本書の要点を5つにまとめる。

1
3Dの死蔵は「開けない・探せない・つながらない」の3つの壁に分解できる
3Dモデルが活用されない理由は曖昧な「管理が悪い」ではなく、3つの具体的な壁にある。旧バージョ
ン・旧形式で開けず変換でフィーチャが落ちる（開けない）、図番でしか探せず似た形状を引けない
（探せない）、3Dが見積・加工・実績とつながっていない（つながらない）。これに「そもそも過去資
産が2Dのみで3Dが無い」という前提課題が加わる。この壁を技術で順に取り除くことが本書の設計指
針である。

2
3D活用は「移行→解釈→構造化→ベクトル化→活用」の技術スタックで捉える
3D CADを導入し、モデルを持っているだけでは出発点にすぎない。旧形式・2Dからの移行、フィーチ
ャ・PMIの解釈と付与、属性・BOMへの構造化、形状のベクトル化を経て、ようやく検索・連携・再利
用が可能になる。多くの企業が「3Dを作った」で止まり、相互運用・検索・紐付けに踏み込めていな
い。

3
最大の難所は「開く＝扱える化」であり、全部を一律にMBD化しない優先順位設計
が要る
3Dの難所は2Dの読取り（OCR）とは別物で、形式・版・カーネル依存と相互運用にある。旧ネイティ
ブは開けず、中立形式に変換するとフィーチャや履歴が落ちる。MBD/PMIで3Dに寸法・公差・注記を
載せれば図面レス化できるが、全モデルを一律に高度化しようとすると頓挫する。再利用価値の高いも
のから機械可読・相互運用可能にする設計判断が投資対効果を決める。

4
「探す」の本質は、図番検索から3D形状ベースの類似検索への転換にある
図番やファイル名での検索は、その図番を知っている前提でしか機能せず、表記ゆれにも弱く、似た形
状を探せない。3Dモデルの形状的特徴をベクトル（特徴量）化し、距離の近さで類似モデルを抽出す
る検索に変えることで、モデリング手順の違いを越えて誰でも過去の類似設計を引き出せる。先端では
形状から加工難易度やコストを推定する応用も現れている。

5
3D単体では価値が薄い。PLM・実績・知見との紐付けが「使える資産」への分かれ
目
類似モデルが見つかっても、それに見積・加工実績・不具合履歴・設計意図が紐づいていなければ「似
た形が見つかった、で、どうだったか？」で終わる。3Dへのメタデータ紐付けとデジタルスレッドこそ
が再利用の核心であり、さらに設計意図や検討経緯をデータ化すれば、3Dは技術伝承の器にもなる。

生成AI・RAGは、この土台の上に乗る応用である。

01 なぜ3D設計資産は

「活かしきれない」のか
開けない・探せない・つながらないという3つの壁

K E Y F I N D I N G S

多くの製造業は3D CADへ移行し膨大な3Dモデルを蓄積したが、その多くは「作って図面に落とし
て置いた」だけで活かしきれていない
死蔵の原因は「開けない・探せない・つながらない」の3つの壁に分解でき、加えて「過去資産は
2Dのみで3Dが無い」という前提課題がある
結果として、過去に設計した形状を見つけられず、ゼロから設計し直す重複や流用機会の損失が発
生する
2Dと最も違うのは「開く（扱える化）」の壁で、形式・版・相互運用が活用の入口を塞いでいる

1.1 「3Dはあるのに使えない」という構造問題

3D CADの普及により、製造業は形状・寸法・公差・構成といった設計情報を、紙の2D図面よりはるかに
豊かに表現できるようになった。本来その3Dモデルは、新たな設計を一から起こす手間を省き、製造・
検査・保守まで一気通貫で使える資産である。ところが現実には、蓄積された3Dの大半が「あるのに使
えない」状態に置かれている。3Dデータは2Dの画像PDFより重く、形式や版への依存も強いため、死蔵
の質が2Dとは異なる。

1.2 死蔵を生む3つの壁

「管理が悪い」という曖昧な言葉で片付けてはいけない。3D設計資産が死蔵される理由は、次の3つの具
体的な壁に分解できる。本書は、この3つを技術で順に取り除いていく構成をとる。

3D設計資産を阻む3つの壁
出所：taiziii Research 作成
第1の壁「開けない」。3Dモデルは作成したCADの種類・バージョン・カーネルに依存する。旧バージョ
ンや旧形式のネイティブデータは、最新環境で開けない・編集できないことがある。異なるCAD間では
STEPやIGESといった中立形式で受け渡すが、その際にフィーチャ（設計の意図が宿る作成履歴）やパラ
メトリックな編集性、PMI（製品製造情報）が落ち、形状だけの「ただの塊」になりがちである。これは
2D図面の読取り（OCR）とは別種の、3D固有の難所である。

第2の壁「探せない」。3Dモデルにたどり着けても、探し方が図番・ファイル名のままでは、その図番を
知らなければたどり着けず、命名規則が部署や時代で揺れていれば検索は当てにならない。そして決定的
に、「これに似た形状を過去に作っていないか」という最も価値ある問いに、図番検索は答えられない。

第3の壁「つながらない」。3Dが扱えるようになっても、それが「いくらで、どこに発注し、どう加工
し、どんな不具合が出たか」という実績データと結びついていなければ、再利用の意思決定には使えな
い。3Dと周辺データの分断こそ、活用を阻む最後の壁である。

さらに3Dには2Dにない前提課題がある。過去資産がそもそも2D図面しか存在せず、3Dモデルが無いケ
ースが多いことだ。古い設備や部品は3D化されておらず、活用の前に「どれを3D化するか」という判断
が要る。

死蔵の代償は「重複設計」と「流用機会の損失」
3つの壁がもたらす代償は具体的である。第一に重複設計。過去に類似形状を設計していても見つけられ
ず、設計者が一からモデルを起こす。第二に流用機会の損失。過去の3Dと実績がつながっていないた
め、見積・調達・補修で「実績ベースの判断」ができず、毎回ゼロから検討する。いずれも「3Dはある
のに使えない」ことに起因する、防げたはずの損失である。

02 3D設計資産活用の

技術スタック全体像
移行→解釈→構造化→ベクトル化→活用の5段

K E Y F I N D I N G S

3D設計資産の活用は「移行→解釈→構造化→ベクトル化→活用」の5段の技術スタックで捉える
3D CADを導入し、モデルを持っているだけでは出発点にすぎず、多くの企業が「作った」で止まっ
ている
本書が扱う中心は、解釈（第3章）・構造化・ベクトル化（第4章）と、紐付けによる活用（第5
章）である
データ基盤やストレージの選択は本シリーズの別テーマであり、本書は3D固有の処理に絞る
「3Dを活用する」と一口に言っても、実際には複数の技術段階を順に踏む必要がある。各段階で何が行
われ、どこでつまずきやすいかを理解することが、投資の設計判断の前提になる。

3D設計資産活用の技術スタック
出所：taiziii Research 作成

2.1 5段の技術スタック

第1段「移行」。旧形式・旧バージョンのネイティブや、3Dが無い場合は2D図面を、開ける・扱える状態
に移す。中立形式（STEP等）や最新CADへの変換、必要に応じた3Dモデル化が含まれる。物理的・形式
的な制約から解放される最初の一歩だが、この時点では中身はまだ「形状」であり、設計情報が機械に伝
わっていない。

第2段「解釈」。フィーチャやPMI（寸法・公差・注記）を3Dに解釈・付与し、異なる環境でも意味が伝
わる状態にする。MBD（モデルベース定義）化と相互運用の確保がここに集中する。3D固有の難所であ
り、第3章で詳述する。

第3段「構造化」。形状とPMIを、材質・公差・部品種別・構成（BOM）といった意味のある属性に整理
する。単なる形状データを、検索や分析に使える構造化データに変える段階である。

第4段「ベクトル化」。3Dの形状的特徴を数値のベクトル表現（特徴量）に変換する。これにより「図番
の一致」ではなく「形状の近さ」での検索が可能になる。3D形状ベースの類似検索の土台であり、第4章
で扱う。

第5段「活用」。3D類似検索、流用設計、PLM・デジタルスレッドとの連携、そして土台の上での生成
AI・RAG。ここまで到達して初めて、3Dは「使える資産」になる。

多くの企業は「持っている」で止まっている
注意すべきは、多くの企業の3D活用が「3D CADを導入し、モデルを作った」段階で止まっていることで
ある。モデルがサーバーにあるだけでは、開けない・探せない・つながらないの壁はそのまま残る。む
しろデータが重く増えて扱いにくくなることすらある。投資効果は、第2段以降にどこまで踏み込めるか
で決まる。なお、抽出・構造化したデータをどこに格納するか（データ基盤・ストレージの選択）は本
シリーズの別テーマに譲り、本書は3Dという対象に固有の処理に焦点を絞る。

03 3Dを「開く」 ― 形式・版・

相互運用とMBD/PMIの壁
旧形式・変換ロス・図面レス化をどう乗り越えるか

K E Y F I N D I N G S

3Dの最大の難所は「開く＝扱える化」で、形式・版・カーネル依存と相互運用にある。2Dの読取
り（OCR）とは別問題
中立形式（STEP等）への変換は形状を渡せるが、フィーチャ・履歴・PMIが落ちて「ただの塊」に
なりやすい
MBD/PMIで3Dに寸法・公差・注記を載せれば図面レス化できるが、全モデル一律のMBD化は頓挫
する。優先順位設計が要る
重い3Dを現場・取引先が扱うには、軽量フォーマット（JT・XVL等）とビューイングの整備が鍵に
なる

3.1 3Dの難所は形式・版・相互運用にある

2D図面の死蔵が「画像のままで機械が読めない」という読取りの問題だったのに対し、3Dの死蔵は「開
けない・編集できない・他のCADに渡せない」という相互運用の問題である。3Dモデルは作成したCAD
の種類・バージョン・形状カーネルに強く依存し、旧バージョンや廃れた形式のネイティブは、最新環境
で開けないことがある。異なるCAD間ではSTEPやIGESといった中立形式で受け渡すが、その過程でフィ
ーチャ（作成履歴）やパラメトリックな編集性、PMIが失われ、形状だけの「ただの塊（ダムソリッ
ド）」になりやすい。新品のモデルを開くのとはわけが違う、という前提を最初に置くべきである。土
台となる移行・相互運用の設計を省略した3D活用は、必ず後で破綻する。

3.2 MBD/PMI ― 「図面に依存しない」3Dへ

3Dを単なる形状から「製造・検査に使える情報」に引き上げるのがMBD（モデルベース定義）である。

MBDは、従来2D図面に書いていた寸法・公差・データム・表面性状・注記・部品表といったPMI（製品
製造情報）を3Dモデルに直接定義し、図面とモデルの不一致や転記作業によるエラーを排除する考え方
だ。意味づけされたPMI（セマンティックPMI）はCAMやCMMソフトが機械的に読み取れるため、加工・
検査の指示にそのまま反映できる。これらはASME Y14.41、ISO 16792、STEP AP242といった規格で体系
化されている。重要なのは、最も難しいのは規格対応そのものではなく、図面前提で組まれてきた業務プ
ロセスを変えることだという点である。

3.3 対象によって難度は大きく異なる

3Dで「開く・扱える化」する際も、対象によって難度はまるで違う。これを無視して「過去の3Dを全部
MBD化する」と構えると、最難関に引きずられてプロジェクトが頓挫する。

対象（扱える化する対象）
概要
難易度
最新・同一CADの3Dモデル
そのまま開ける。活用の出発点
低
中立形式（STEP等）への変換
形状は渡せるが、フィーチャ・履歴は落ちやすい
低〜中
PMI/MBDの付与・相互運用
規格（STEP AP242等）対応と運用プロセスの設計が要る
中
旧バージョン・旧形式のネイティブ
開けない/編集できない。版・カーネル依存が強い
中〜大
廃れたカーネル・独自形式
専用変換や形状の再構築が必要
大
2D図面のみで3Dが無い
2D→3D化（リバース・再モデリング）の要否判断から
大
難易度は対象データの状態・規格・運用により変動する相対的な目安。「どれを開ける・MBD化するか」の優先順位設計
が要となる。

設計判断：再利用価値で「何を開ける／MBD化するか」を切る
正しい進め方は、全モデルの一律高度化ではなく、再利用に効く対象から優先的に扱える化することで
ある。流用・補修頻度が高く価値の大きいモデル群を中立形式・MBD化の先頭に置き、開けない旧形式
の完全復元や全量の2D→3D化は、費用対効果を見て後回しにするか人手の確認と組み合わせる。MBD
へ移行しても、現場で意味を持つ2D図面の手法をやみくもに切り捨てないことも重要である。「何を開
ければ再利用が進むか」から逆算して投資範囲を切ることが、3Dの扱える化の核心である。

3.4 軽量化とビューイング ― 「現場が扱える」状態にする

3Dモデルは設計部門のハイスペック環境を前提に作られ、そのままでは生産現場や調達・取引先の端末
では重くて扱えない。そこで、形状とPMIを保ったまま大幅に軽量化したフォーマット（JTやXVL等）に
変換し、低スペックのPCやタブレットでも3Dを閲覧・計測・断面確認できるようにする。3Dの組立図や
作業指示を現場に配信し、設計時に作図していない寸法も現場で取得できるようにすることで、図面に依
存しない運用が成り立つ。「開く」とは、設計者だけでなく、製造・調達・保守の現場が3Dを実際に扱
える状態にすることまでを指す。

04 3Dを「探す」 ― 3D形状

ベースの類似検索
図番検索の限界と、3Dモデルでの類似検索

K E Y F I N D I N G S

図番・ファイル名検索は「図番を知っている前提」でしか機能せず、表記ゆれにも弱く、似た形状
を探せない
3Dモデルの形状的特徴をベクトル化し、近さで検索する「類似形状検索」が、探す体験を根本から
変える
3D CADファイルを所定の場所に置くだけで自動でデータベースを構築し、形状で検索できるソリ
ューションが複数提供されている
ただし検索の価値は、3Dに見積・加工実績などのメタデータが紐づいて初めて発揮される（第5
章）

4.1 図番検索の3つの限界

第3章までで3Dが開けて扱える状態になっても、「探す」が図番・ファイル名検索のままでは、第2の壁
は半分しか崩れない。図番検索には3つの限界がある。第一に、その図番を知っている前提でしか使えな
い。第二に、命名規則の表記ゆれ（担当者・時代による違い）に弱い。そして第三に、最も本質的な限界
として、「似た形状のモデル」を探せない。流用設計のために「これに近い過去のモデルはないか」と問
いたいのに、図番検索はその問いに構造的に答えられない。

図番検索から3D形状ベースの類似検索へ
出所：taiziii Research 作成

4.2 3D形状ベースの類似検索

この限界を超えるのが、3D形状ベースの類似検索である。仕組みの核心は、3Dモデルの形状的な特徴を
抽出し、数値のベクトル（特徴量）に変換することにある。3Dを点や面の羅列としてではなく、「形状
の指紋」とでも呼ぶべきベクトルとして表現する。すると、2つのモデルが似ているかどうかを、ベクト
ル同士の距離の近さとして計算できる。モデリングの手順や作成者が違っても、形状が近ければ拾い上げ
られる。

この方式は実用水準に達している。3D CADファイルを所定のフォルダに置くだけで自動的に類似形状検
索のデータベースを構築し、PDM/PLMに依存せず形状で検索できるソリューションが複数提供されてい
る。引合いで受け取った3Dや、探したい形状を投入するだけで、過去の類似品が一覧表示される。ある工
作機械メーカーの公表事例では、類似品の検索を従来の数十分から数分へ短縮することを狙い、探す時間を新規開発に振
り向ける取り組みが進められている。

技術的には、形状に加えて材質・品名などの属性を組み合わせた複合検索や、図面・モデルに明示的に書
かれていない情報をAIで推定する応用も進む。たとえば形状から加工難易度を推定したり、コストを当て
にいく回帰タスクである。重要なのは個別アルゴリズムの優劣よりも、「図番の一致」から「形状の近
さ」へと検索の原理が変わったという点である。

検索だけでは半分。価値は紐付けで完成する
ただし、ここで立ち止まってはいけない。類似モデルが数秒で見つかっても、それだけでは「似た形が
見つかった。で、これはいくらで、どう作ったんだっけ？」で終わってしまう。検索が実務価値を生む
のは、見つかったモデルに見積・加工実績・発注先といったメタデータが紐づいているときだけであ
る。「探す」技術と「つなぐ」設計は、車の両輪として一体で考える必要がある。次章でこの紐付けを
扱う。

05 3Dを「つなぐ」 ― PLM・デジタル

スレッドと知見継承
メタデータ紐付け、設計知見の継承、生成AIの位置

K E Y F I N D I N G S

3D単体を整備しても価値は薄い。実績・コスト・ノウハウとの紐付けが「使える資産」への分かれ
目
見積・加工実績・不具合履歴・BOMを3Dに紐づければ、見積回答・流用設計・コスト精査が一気
に加速する
デジタルスレッド／PLMが、3Dを設計・製造・保守で一気通貫につなぐ。さらに暗黙知のデータ化
で技術継承の器になる
生成AI・RAGは、これら構造化・紐付けされたデータの上に乗る応用であり、土台整備が先である

5.1 3Dへのメタデータ紐付けが再利用の核心

第3の壁「つながらない」を崩す鍵が、3Dへのメタデータ紐付けである。3Dは「形状＋PMI」の情報だ
が、再利用の意思決定に必要なのはその周辺データだ ― この部品はいくらで見積もったか、どこに発注
したか、どう加工したか、どんな不具合が出たか、なぜその設計にしたのか。これらをPLM・デジタルス
レッドで3Dに結びつけて初めて、3Dは意思決定に使える資産になる。

3Dモデルへのメタデータ紐付け
出所：taiziii Research 作成
具体的な効果は明快である。引合いの形状から過去の類似品が表示され、そこに加工実績や見積単価が
紐づいていれば、見積回答までのリードタイムが大幅に短縮できる。流用設計では、類似の過去モデルを
ベースに寸法や仕様を調整するだけで新規モデルが仕上がり、設計工数が削減される。調達では、3Dの
類似形状検索に実績を結びつけることで、過去の同等品との見積金額の比較や妥当性の確認、実績のある
サプライヤの絞り込みが進み、新規品番の登録や金型コストを抑制できる。いずれも、3Dに紐づいたメ
タデータがあって初めて成立する。

よくある失敗：3Dだけ整備してPLM・実績連携を軽視する
3D検索やビューアを導入したのに効果が出ない、という失敗の多くはここに起因する。3Dモデルだけを
整備し、見積・実績データやPLMとの連携を後回しにすると、「検索はできるが、その先の判断に使え
ない」状態に陥る。3D管理と見積・調達・PLMの連携設計が、運用上の最重要ポイントである。検索エ
ンジンだけを高度化しても効果は限定的になる。

5.2 デジタルスレッドと設計知見の継承

紐付けの対象を、客観的な実績データから一歩進めて設計意図・検討経緯・判断理由といった「暗黙
知」にまで広げると、3D設計資産は技術伝承の器になる。なぜこの寸法・形状にしたのか、なぜこの材
質を選んだのか、どんな失敗を経て今の形に至ったのか。熟練設計者の頭の中にしかないこうした判断の
勘所は、退職や異動とともに失われていく。これを3Dに結びつけて残せれば、次世代の設計者が過去の
知見を引き継げる。3Dを設計・製造・保守の各工程で途切れさせずにつなぐデジタルスレッドは、この
継承の通り道にもなる。

5.3 生成AI・RAGは「土台の上の応用」である

近年注目される、設計データを自然言語で検索・質問できる生成AI・RAG（検索拡張生成）は、この文脈
に位置づけられる。「この形状に近い過去の設計はないか」「この部品で過去に不具合はなかったか」
といった問いに、社内の3D・技術文書を根拠として答えさせる応用である。仕組みとしては、構造化・
ベクトル化された3Dと技術文書を検索層が引き当て、その内容を根拠として大規模言語モデルが回答を
生成する。ただし強調すべきは、生成AI・RAGは、これまで述べた移行・解釈・構造化・ベクトル化・紐
付けという土台の上に乗る応用だという点である。土台が未整備のまま生成AIだけを導入しても、根拠を
欠いた曖昧な回答しか返らない。「まず生成AIを入れる」のではなく「土台を整えた上で生成AIを乗せ
る」という順序を誤らないことが肝要である。

06 先進事例 ― 3Dを

「使える資産」に変える
日本精工の3DA製造図、トヨタ自動車東日本の3D活用に学ぶ

K E Y F I N D I N G S

日本精工は2D図面から3DA製造図へ移行し、軽量フォーマットXVLで設計と製造をデータ連携、生
産準備の期間短縮を狙う
成功の鍵は、3Dに製造情報（PMI）を集約し、図面という媒体を介さず設計と製造が同じ3Dを参照
する点にある
トヨタ自動車東日本はXVLの3D指示図と3D動的シミュレーションで、設計から工場まで3Dを一気
通貫に流している
両社に共通するのは、3Dを「保管する対象」から「設計・製造・保守をつなぐ実装」へ転換させた
点である
3D設計資産の活用が実際にどう成果を生むのか。性格の異なる2社を取り上げ、どこが優れているのかを
具体に見る。いずれも公表されている事例に基づく。

6.1 日本精工 ― 2D図面から3DA製造図へ

軸受や精密機器を手がける日本精工（NSK）は、設計と製造の連携を、2D図面ベースから3DA製造図へ
移行する取り組みを進めている。3DA製造図とは、3Dモデルに製造に必要な情報（PMI）を集約した、図
面に相当する3Dである。設計と生産サイドのデータのやり取りには軽量フォーマットの「XVL」を採用
し、そのXVLデータに生産に必要な情報を格納することで、スムーズなデータ連携を実現している。狙い
は、2D図面への転記や解釈を介さず、生産準備の期間を短縮することにある。本書で述べた移行・解釈
（MBD/PMI）・軽量化・紐付けの一連を、3Dという対象に対して実装したものといえる。

日本精工 ― 2D図面から3DA製造図へ（XVL）
出所：ラティス・テクノロジー社等の公表情報に基づき taiziii Research 作成
優れている点：「開く（軽量化・相互運用）」と「つなぐ」を一体で解いた
NSKの取り組みの本質は、3D化そのものではない。重い3Dを軽量フォーマットで現場・生産サイドが扱
える状態にし（開く）、その3Dに製造情報を載せて設計と製造が同じデータを参照できるようにした
（つなぐ）点にある。図面という媒体を介した授受を、3D＋PMIの直接連携に置き換えたことで、転
記・解釈の手間とミスを減らし、生産準備を短縮する。「開く」と「つなぐ」を別々の機能としてでは
なく、一体の仕組みとして実装したからこそ、工程をまたいだ価値が生まれている。

6.2 トヨタ自動車東日本 ― 3Dの一気通貫

もう一社、3Dを工程横断で流す例としてトヨタ自動車東日本を取り上げる。同社は、XVLのWeb3Dを用
いて3Dの指示図を作成し、製造現場で活用している。さらに3D動的シミュレーション（XDS）を用い
て、内製設備の開発プロセスを、計画から設備稼働までの早期運用化につなげている。掲げているのは
「3Dデータの一気通貫 ― 設計から工場への活用」であり、3Dを設計から製造現場まで途切れさせずに流
すデジタルスレッドの実像である。

優れている点：3Dを設計から工場まで「流し切る」
トヨタ自動車東日本の取り組みが示すのは、3Dを一工程で完結させず、設計から製造・設備立上げまで
一気通貫で活用する到達点である。3Dを指示図や動的シミュレーションという「現場が毎日使う形」に
落とし込み、設計の意図を製造現場まで正確に届ける。これが第5章で述べたデジタルスレッドの実像で
あり、3D活用を単なる設計効率化ではなく、ものづくり全体をつなぐ基盤へと押し上げる方向性を示し
ている。

6.3 2社に共通する成功要因

日本精工は「開く・つなぐ」を、トヨタ自動車東日本は「工程横断の一気通貫」を中心に据えており、踏
み込んだ段階は異なる。しかし共通するのは、3Dを「保管する対象」から「設計・製造・保守をつな
ぐ、使える実装」へと転換させたという一点である。軽量3Dフォーマットで現場・取引先が扱える状態
にし（開く）、3Dに製造情報を載せて連携する（つなぐ）。技術の高度さではなく「現場が毎日使い、
工程をまたいで効く」設計が成果を生んでいる。次章では、この転換を自社で進めるための具体的な道筋
を示す。

07 導入ロードマップと
落とし穴

スモールスタートの順序、優先順位、つまずきポイント

K E Y F I N D I N G S

導入は「対象の棚卸し→開く・移行→構造化・紐付け→3D類似検索・活用」の4段階で進める
全モデルの一律MBD化を狙わず、流用・補修頻度の高い領域からスモールスタートする
典型的なつまずきは、移行での停止、全部一律のMBD化、PLM・紐付けの軽視、土台抜きの生成AI
導入
3D活用は、効率化の先に「設計力の継承」という戦略的価値を見据えて設計する

7.1 4段階のロードマップ

3D設計資産の活用は、一足飛びに完成形を目指すのではなく、段階的に積み上げる。

3D設計資産活用の導入ロードマップ
出所：taiziii Research 作成
Phase 1：対象の棚卸し。どこに、どんな3Dが（あるいは2Dしか）どれだけあるかを把握し、優先領域
を選ぶ。全社全モデルではなく、流用頻度や補修頻度が高く、再利用価値の大きい領域から始める。3D
化・MBD化・移行の方針もここで決める。

Phase 2：開く・移行。対象を中立形式や最新CADに移し、必要なものにPMI/MBDを付与して相互運用
可能にする。重いモデルは軽量フォーマットに変換し、現場・取引先が閲覧できるビューイングを整え
る。第3章のとおり、再利用に効く対象から優先的に扱える化する。

Phase 3：構造化・紐付け。形状とPMIを属性・BOMに整理し、見積・加工実績・発注先などのメタデー
タをPLM・デジタルスレッドで紐づける。第5章で述べたとおり、ここを軽視すると「探せるが使えな
い」状態に陥る。3D活用の価値が最も増える段階である。

Phase 4：3D類似検索・活用。3D形状ベースの類似検索を立ち上げ、流用設計・見積・補修に活用す
る。さらに設計意図・検討経緯のデータ化や、土台の上での生成AI・RAGへと発展させる。

7.2 典型的な4つのつまずき

3D設計資産活用の落とし穴
① 移行での停止：中立形式に出した、あるいは3Dモデルを作った段階で「3D化した」と錯覚し、解
釈・構造化に進まない。これでは開けても探せず・つながらないままである。② 全部一律のMBD化：過
去の全モデルを完璧にMBD化しようとして頓挫する。再利用価値で優先順位をつける。③ PLM・紐付け
の軽視：3Dだけ整備し、見積・実績やPLMとの連携を怠ると「検索できるが判断に使えない」。④ 土台
抜きの生成AI導入：構造化・紐付けが未整備のままRAGを入れても、根拠を欠いた回答しか返らない。

7.3 まとめ ― 「持つ」から「回す」への転換

本書を通じた主張は一貫している。3D設計資産の活用とは、3Dモデルを作って持つことではなく、「開
けない・探せない・つながらない」という3つの壁を、移行・解釈・ベクトル化・紐付けという技術で順
に取り除き、3Dを実績・知見と結びついた「使える資産」として設計の起点に回し続けることである。

CADやビューアといった個別ツールの優劣ではなく、この一連を設計しきれるかが成否を分ける。

着手にあたっては、全モデルの一律3D化・MBD化という大号令ではなく、再利用価値の高い領域でのス
モールスタートから始め、Phase 1から順に積み上げることを推奨する。そして効率化の先には、設計力
そのものの継承という戦略的価値が控えている。明日からの一歩は、自社のどこに、どれだけの3D（と
2Dのみの資産）があり、そのうち再利用価値が高いのはどの領域かを、まず棚卸しすることである。

taiziii では、事業戦略の立案からシステム設計・開発、そして運用まで、ワンストップでご支援できる体
制を整えております。AI導入支援やコンサルティングをはじめ、幅広い事業領域でお客様の多様な課題解
決に取り組んでいます。本書で扱った3D設計資産の活用についても、「自社のどのモデル群から着手すべ
きか」「3D類似検索や紐付けをどう実装するか」といった具体の検討段階から、お気軽にご相談いただ
けます。

お問い合わせ：https://taiziii.com/contact/
taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）では、図面やモデルをベクトル化
し、形状で検索できるようにする機能はもちろんのこと、「なぜこの寸法・材質にしたのか」という熟
練設計者の判断の道筋までAIで引き出して構造化し、組織の知見として継承します。3Dを探すこと、そ
の背後にある設計判断を継ぐことを、ひと続きで扱える点に強みを持ちます。

詳細：https://taiziii.com/skillrelay/

重工業のDX

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
重工業のDX
日本の重工メーカーは
いま何を選ぶべきか
Heavy Industry DX in Japan — Strategic Choices for MHI, KHI, IHI, and the wider
machinery ecosystem in the age of geopolitical tension, labor shortage, and global
prime competition

P U B L I S H E D B Y

taiziii Research

目次 ─ TABLE OF CONTENTS
Executive Summary
5つのキーメッセージ
01
Why Now ― 重工業を取り巻く三重の圧力
02
重工業界の構造的特徴 ― なぜ汎用DXでは届かないのか
03
重工業DXの全体像 ― 5つの効きどころ
04
設計DX ― 過去事例をデータ蓄積し、競争力の源泉にする
05
製造現場DX ― 「人の動き」を組織の資産に変える
06
アフターサービスDX ― 「売って20年」を収益に変える
07
本社・経営機能DX ― 「事業横断の見通し」をデータで貫く
08
サプライチェーンDX ― 「ティア2/3」と「経済安保」を貫く
09
結論・戦略示唆 ― 重工業のDXは、いま何を選ぶべきか

エグゼクティブ・サマリー

5つのキーメッセージ
日本の重工業は、過去最大級のバックログを抱える一方、製造業全体の85%以上が能力開発・人材育成
の課題を抱え、製造業人口は20年で約100万人減少した。「需要は溢れているが、応える人がいない」
──この乖離が、重工業DXの出発点である。さらに海外プライム（Boeing、Airbus、Rolls-Royce、
Lockheed Martin）はデジタルスレッド、生成AI、Power-by-the-Hour、インテグレーター機能で数年単
位の実装経験を蓄積しており、日本企業が長期協業を組むうえで「DXの進捗」は契約交渉のテーブルに
乗る評価項目になりつつある。

1
重工業のDXは、もはや「経費削減のためのIT投資」ではなく、事業を続けるため、
事業を変えるための経営戦略の中核である
重工業の三重の圧力──Customer（受注は溢れているが応える生産能力が物理的に追いつかない）、
Company（製造業人口の構造的減少、熟練技能継承の危機）、Competitor（海外プライムによるデジ
タルスレッド・生成AI・コト売り化での先行）──は、いずれも単独でDXの必要性を生み出す圧力であ
る。三菱重工業のデジタルイノベーション本部長・田崎陽一氏が「痛感するのは人手不足」と語るよう
に、需要溢れの中での人手不足は、DXに「コスト削減」とは異なる意味を与える。重工業DXは、事業
継続と事業変革の両方を支える経営戦略の中核に位置づけ直すべきテーマとなった。

2
重工各社はDXへの着手は進めており、今後は如何に経営インパクトへと繋げるかが
重要となってくる
三菱重工は「ΣSynX」を旗印に経済産業省の「DX銘柄2025」に選定され、Azure上でSAP S/4HANAを
稼働、kintone内製化で52部門・3,000人超のユーザーを獲得、2024年9月にはグループ共通の直接材調
達基盤「eBuyerBrains」を稼働させた。IHIは「ILIPS」で300台以上のターボ機器を遠隔監視し、2024
年6月にはEcoVadisと契約してサプライヤーリスク評価体制を整備した。川崎重工は2023年4月にDX戦
略本部を本社統合し、「DX」を超える次世代キーワードとして「IX（インテリジェンス・トランスフォ
ーメーション）」を提唱している。一方、日本の製造業全体ではDX着手企業が88%に達した一方、競争
力強化に踏み込めているのはわずか3%にとどまる。三菱重工パワーのTOMONI HUBが10年以上の積み
重ねを経て、ようやくGTCCプラントの計画外停止を年間2〜4日削減し、年間数億円規模の経済価値を
生み始めたという事実は、「DXに着手」から「DXが効く」までの距離の長さと、ここから5年が経営イ
ンパクトへの転換の正念場であることを示している。

3
重工業DXにおいては、特に設計DX・製造現場DX・アフターサービスDX・本社/経営
機能DX・サプライチェーンDXの5領域がカギとなる
重工業の構造的特徴（一品もの・MRO収益・巨大BOM・熟練技能依存・広域サプライチェーン）から
逆算すると、DXが本当に効く領域は5つに集約される。設計DX（同じものを毎回作っている問題を解く
― 3D化・PLM・生成AI・デジタルスレッド）、製造現場DX（人の動きを組織の資産に変える ― 動画マ
ニュアル・AI外観検査・現場アプリ内製化）、アフターサービスDX（売って20年を収益に変える ― 遠
隔監視・予知保全・コト売り化）、本社/経営機能DX（事業横断の見通しをデータで貫く ― ERP刷新・
データ分析基盤・DX人材育成）、サプライチェーンDX（ティア2/3と経済安保を貫く ― 調達基盤刷
新・政策枠組み活用・サプライヤー強靭化）。これら5領域は独立しているように見えるが、実はデー
タを介して相互に連結する。バラバラに投資すると効果が頭打ちになる一方、貫くデータ基盤を設計で
きれば投資効率は飛躍的に高まる。

4
重工業DXの成功には、システム選定だけでなく、標準化/個別化の線引きと組織能力
の同時整備等が必要となる
5領域すべてで、ツール導入だけでは成果が出ないことが繰り返し確認された。SAP S/4HANA、PLM、
生成AI、AI外観検査、デジタルツイン──いずれも導入企業は多いが、事業成果に結びつけている企業
は少ない。重工業DXの成否を分ける本質的論点は4つに集約される。(1) 「DXに着手」と「DXが効く」
の距離：ツール導入と事業成果の間には5〜10年の組織変革が必要となる。(2) 標準化と個別化の線引
き：会計・調達といった非競争領域は徹底標準化、販売・アフターサービス・現場改善といった競争領
域は事業部主導──このメリハリの設計が、ERP刷新もデータ基盤もサプライチェーンDXも成否を決め
る。(3) 技術と組織能力の同時整備：三菱重工のDI人材認定制度、IHIのスキルベルト制度、川崎重工の
DX戦略本部統合は、いずれもこの問題意識からの取り組みである。(4) 政策・業界エコシステムとの連
動：経済安全保障推進法、防衛生産基盤強化法、経産省のサプライチェーン現代化検討会は、もはや自
社DX戦略の周辺事情ではなく、戦略そのものの一部となった。

5
重工メーカー各社は、トップダウンでのDX戦略の策定と、ボトムアップでのクイッ
クウィンDXの両輪を回していくことが肝要
重工業のDXは、経営層が示す方針と、現場で実際に動くプロジェクトの両方が噛み合って初めて前に進
む。トップダウン側で求められるのは、5領域から自社の「効きどころ」を選んで3年計画で焦点化する
こと、標準化と個別化の線引きを経営の権威で明示すること、DX人材を事業部主導で育てる組織設計を
行うこと、そして経済安保推進法・防衛生産基盤強化法といった政策枠組みを戦略的に活用することで
ある。自社にとっての効きどころは、自社の事業ポートフォリオと組織能力から逆算するしかない。

一方、ボトムアップ側で求められるのが「クイックウィンDX」である。重工業のような巨大組織で、
いきなり全社規模・数十億円規模のプロジェクトを立ち上げると、要件定義の遅延・現場の反発・ROI
測定の困難という3重苦に陥る。最初の一歩は5,000万円規模・1工場or1部門レベルから始め、現場の
業務改善アプリ内製化、動画マニュアル、AI外観検査、現場ナレッジの形式知化といった具体的な実装
で短期的な成功体験を作る。トップダウン戦略とボトムアップ実装の両輪を回し続けることこそが、重
工業DXを「着手」から「効く」へ移行させる唯一の道筋である。

01 Why Now

重工業を取り巻く三重の圧力

K E Y F I N D I N G S

顧客・自社・競合の3方向から、重工業は同時並行的に圧力を受けている
「需要は溢れているが、応える人がいない」というのが重工業DXの出発点
重工メーカー大手3社（三菱重工、川崎重工、IHI）はいずれも経営戦略の中核にDXを位置づけ、相
応の成果も出始めている
一方、日本の製造業全体では「DX着手企業は88%」だが「競争力強化に踏み込めているのは3%」
にとどまる
「DXを掲げる」と「DXが効く」の間には、業界特有の論点が横たわっている

1.1 三重の圧力 ― 3Cで見る重工業の現在地

重工業（本書では三菱重工業、川崎重工業、IHI、住友重機械工業を中心とする総合重機メーカー、およ
びこれに連なる重電・産業機械メーカー群を指す）は、Customer（顧客）・Company（自社）・
Competitor（競合）の3方向で、いま同時に強い圧力を受けている。

図表1-1：重工業を取り巻く三重の圧力
圧力の方向
中身
主要事実
Customer
需要側
受注は溢れている
防衛装備品の輸出規制緩和、エネルギー転換、データセン
ター電源需要、航空機エンジンMRO拡大。重工3社の受注
残はいずれも年間売上の数年分。三菱重工2026年度売上目
標5.7兆円。生産能力が物理的に追いつかない
Company
自社側
人と知識が足りない
製造業人口は2004年の約1,150万人から2024年には約1,046
万人へ、20年で約100万人減少。製造業の85%以上が「能
力開発・人材育成」の課題を抱え、最多の課題は「指導す
る人材の不足」
Competitor
競合側
海外プライムは先を行く
Boeing：70+の生成AIアプリ社内実装、デジタルツインで
初回品質40%改善／Rolls-Royce TotalCare：8,000機監
視、市場300億ドル／Airbus bionic partition：ジェネレー
ティブデザインで45%軽量化
Customer ― 需要側の圧力：受注は溢れている
防衛装備品の輸出規制緩和、エネルギー転換に伴うガスタービン・原子力の需要回復、データセンター
向け電源需要の急増、航空機エンジンのアフターマーケット拡大。重工業界は2020年代後半に入り、過
去最大規模の受注残を抱える状態にある。三菱重工業の2024事業計画では2026年度に売上高5.7兆円とい
う挑戦的な目標が掲げられ、事業利益は2024年3月期の2,825億円から4,500億円への引き上げを狙う。バ
ックログは年間売上高の数倍規模に積み上がっており、重工3社の受注残はいずれも年間売上高の数年分
に達している。

問題は、この需要に応える生産能力が物理的に追いついていないことだ。設備の増強だけでは間に合わ
ず、いかにして「同じ設備で、より多くを、より早く」生産するかが経営の最大の論点になっている。

Company ― 供給側の圧力：人が足りない、知識が消える
国の白書はここ数年、製造業の人材問題を一段強い言葉で書くようになった。2025年版ものづくり白書
は、製造業の85%以上が「能力開発・人材育成に関する課題がある」と回答し、最多の課題は「指導す
る人材の不足」であると指摘する。技能継承の取り組みは9割の企業で行われているが、その実態は延長
雇用や嘱託再雇用といった一時的な措置に依存しており、暗黙知を体系的に次世代へ伝える仕組みづくり
は追いついていない。

三菱重工業のデジタルイノベーション本部長・田崎陽一氏は、2025年のBE:YONDセッションで自社の課
題感をこう表現した。国内外の社会情勢の変化、エネルギー転換、国際関係の悪化、物流・エネルギー
問題といった課題に直面するなかで、痛感するのは人手不足であると。需要が溢れているなかでの人手不
足は、製造業のDXに固有の意味を与える。すなわちDXは「コスト削減のため」ではなく、「事業を回し
続けるため」に必要になっている。

Competitor ― 競争側の圧力：海外プライムは一歩先を行く
Boeing、Airbus、Lockheed Martin、Pratt & Whitney、Rolls-Royceといった海外プライムは、デジタル
スレッド（設計・製造・MROを横断するデータ統合）、AIによるエンジン健全性モニタリング、生成AIに
よる製品開発加速といった領域で、すでに数年単位の実装経験を蓄積している。

加えて、足元では生成AIの製造業実装が一気に進みつつある。ものづくり白書2025は、マッキンゼーの
試算として、製造業における生成AI活用で年間2,750億〜4,600億ドル（約40兆〜67兆円）の付加価値創
出可能性を引用した。日本の重工メーカーが海外プライムと長期協業を組んでいくうえで、「DXの進
捗」は契約交渉のテーブルに乗る評価項目になりつつある。

1.2 重工3社が掲げるDX ― 各社のスタンスと取り組み

3社はいずれも、DXを単なる業務効率化ではなく、経営戦略の中核に据えている。

三菱重工業 ― 「ΣSynX」を全社共通の旗印に
三菱重工は2022年にデジタルイノベーション本部を設立し、自律化・知能化ソリューションのコンセプ
ト「ΣSynX（シグマシンクス）」を全社共通の旗印として整備してきた。2025年5月、経済産業省・東京
証券取引所・IPAが共同選定する「DX銘柄2025」に選定。同社は2024年にも「DXグランプリ」を初受賞
しており、2年連続での評価となった。

選定にあたって経済産業省は、米国アフターサービス事業でノーコード・ローコードツールとアジャイル
開発を適用し、1,000以上のアプリをグローバルに提供している事例を「分かりやすい」と評価してい
る。実際、三菱重工のDX推進部門は2020年からkintoneによる業務アプリの内製化を進めており、2024
年9月時点で開発アプリ数は963、52部門・3,000人超のユーザーが活用するに至っている。

田崎本部長の発言で印象的なのは、ERP導入における設計思想である。標準化は強制せず、会計や調達と
いった非競争領域に絞って実施し、販売・アフターサービス・IoT・サプライチェーンといった競争領域
は事業部門の主体性に委ねる。汎用ERPで一律に締め上げず、競争領域は事業部主導で変革させるとい
う、極めて重工業らしい設計である。

そして2025年12月には、経営方針を「Innovative Total Optimization（ITO）」と再定義し、DI人材認定
制度（BASIC・ADVANCED・MASTERの3段階）を含む人材育成プログラムを本格展開した。DXは「ツー
ル導入の話」から「人材と組織の話」へと、軸足を確実に移しつつある。

川崎重工業 ― 「IX（インテリジェンス・トランスフォーメーション）」への進化
川崎重工は2023年4月に各カンパニーの情報システム部門を本社に統合してDX戦略本部を立ち上げ、
「Kawasaki DX」を全社推進している。2025年10月発行の「Kawasaki Report 2025」では、技術・知

財・DX戦略を担当役員メッセージとして1章を割いて掲載している。

ここで注目したいのは、DX戦略担当の中谷浩・代表取締役副社長執行役員（2024年4月から技術・生
産・調達・TQM・DX戦略担当）の問題意識である。中谷氏は2025年初頭のGartner ITシンポジウム講演
で、自社の事業変革を「『産業イノベーション』とも呼べる」と表現し、DXを越える概念として「イン
テリジェンス・トランスフォーメーション（IX）」を提唱した。同氏は過去の延長線上で同じ手法を続
けるだけでは現代のニーズに応えられないと述べ、産業界全体での変革の必要性を強調している。

「DX」という言葉そのものが手垢にまみれつつあるなか、川崎重工は次のキーワードを既に模索し始め
ている、と読める。

IHI ― 「モノ売りからコト売りへ」をDXで実装する
IHIは2022年・2023年と連続して経済産業省「DX銘柄」に選定された、いわば重工DXの先行ランナーで
ある。同社の戦略の核は「モノ売り」から「コト売り」への転換によるライフサイクルビジネス（LCB）
の拡大であり、これを支えるIoTプラットフォーム「ILIPS（IHI group Lifecycle Partner System）」によ
って、製品・設備のデータを継続的に収集・分析する基盤を構築してきた。

2025年版IHI統合報告書では、DX戦略を統括する福岡千枝・常務執行役員高度情報マネジメント統括本
部長が、デジタル基盤の高度化と大胆な経営資源シフトを通じた持続的な成長を方針として掲げている。

事業特性に応じて「インデント（橋梁・大型インフラ）」「準量産（産業機械）」「量産（ジェットエン
ジン等）」の3つに分類し、それぞれの特性に合わせた業務プロセス改革を進めるという、極めて重工業
らしい設計が特徴である。

実装面では、航空・宇宙・防衛事業領域でBIツールTableauの導入と、データ活用人材を育成する「スキ
ルベルト制度」を展開するなど、地道なオペレーション改革を積み上げている。

1.3 ただし、日本全体ではまだ「足腰強化」の段階

ここまで見てきた3社は、いずれも経営トップが旗を振り、専門組織を設け、相応の予算と人材を投下し
ている。重工DXの「先頭集団」がどこにいるか、輪郭ははっきりしている。

問題は、その先頭集団と、日本の製造業全体との間にある距離である。

2025年版中小企業白書によれば、2023年度には30%の企業がDXに取り組めていなかったが、2024年度に
は12%まで減少し、88%の企業が何らかのDXに着手している。しかし、52%はデジタルツールを利用し
た業務環境移行に留まっており、競争力の強化に取り組めている企業は、わずか3%にすぎない。

IPAの「DX動向2025」は、日米独3カ国比較を初めて実施し、日本企業のDXの特徴を「内向き・部分最
適」と表現した。社内の一部業務の効率化に閉じてしまい、外部の顧客・サプライヤー・パートナーとつ
ながった全体最適には至っていない、ということだ。

マッキンゼーは数年来同じ趣旨の指摘を繰り返している。日本企業のDXは「一部の業務のデジタル化」
「一部の部署の生産性向上」に留まり、売上高の成長や新たなビジネスモデルへの転換には十分つながっ
ていない、と。

つまり、「DXに着手した企業の割合」は急速に増えている一方、「DXが事業に効いている企業の割合」
は伸び悩んでいる。この乖離は、重工業を含む製造業全体に通底する論点である。

なぜ「効く」DXに到達できないのか
理由は単純ではないが、本書が重工業に焦点を絞って分析を進めるなかで、いくつかの構造的な要因が浮
かび上がる。詳細は次章以降に譲るが、輪郭だけ先取りすると、以下の通りである。

重工業は一品もの・少量多品種の生産が中心で、標準化と効率化を志向する汎用的なDX手法では届か
ない領域が大きい
売上の相当部分が長期サービス事業（MRO）であり、デジタルツインや予知保全といった重工業特有
のDXテーマが効いてくる
製品1点あたり数万点規模のBOMを抱えるため、設計-製造-保守をつなぐデータ統合の難度が桁違い
に高い
そして何より、競争力の源泉が熟練技能と暗黙知にあり、これを形式知化・データ化する技術がまだ
業界全体で確立途上にある
ものづくり白書2025がDXを「効率化の道具ではなく、企業変革のエンジンとして捉えるべき」と位置づ
けたのは、まさにこうした文脈の上でのことだ。AIの活用も、もはや「人が足りないから導入する」だけ
でなく、「技術を絶やさないために導入する」段階に入りつつある。

重工業のDXは、汎用的なIT投資論ではなく、業界固有の構造を踏まえた論点設計が求められる。本書は
次章でその構造的特徴を整理し、Ch.3で重工業DXの全体像を提示する。

02 重工業界の構造的特徴

なぜ汎用DXでは届かないのか

K E Y F I N D I N G S

重工業の生産現場は一品もの・少量多品種・長納期が基本で、自動車・電機のような大量生産型
のDX手法が当てはまらない
売上の相当部分をサービス事業（MRO・アフターマーケット）が占め、製品を「売って終わり」
ではなく「売ってからが本番」
製品1点あたり数万点規模のBOM を抱え、設計-製造-調達-保守を貫くデータ統合の難度が桁違い
に高い
熟練技能と暗黙知が競争力の源泉であり、これは人に紐づくナレッジとして企業内に分散している
サプライチェーンは広く深く、規制対応（防衛・原子力・航空）の制約により、クラウドSaaSの自
由な導入が効かない領域も少なくない

2.1 一品もの・少量多品種・長納期

重工メーカーが手掛ける製品は、ガスタービン、原子力プラント、艦艇、航空エンジン、橋梁、製鉄機
械、ロケットなど、いずれも1基あたりの単価が数十億〜数千億円規模で、年間生産数は数基〜数十基と
いう世界である。同じ品番を大量に流す自動車・家電の生産方式とは、根本的に経済原理が異なる。

これは設計段階から如実に表れる。受注ごとに顧客仕様に合わせた変更（カスタマイゼーション）が大
量に発生し、過去の設計資産の再利用と、今回案件固有の新規設計が複雑に絡み合う。結果として、「設
計のたびに似たような図面を作っている」「過去のトラブル事例を探すのに半日かかる」といった非効率
が、設計現場の日常風景となっている。

加えて納期は数年単位に及び、受注から納入までの間に為替・原材料コスト・規制環境が大きく動く。設
計-製造-据付-試運転-引渡までを通じた長納期マネジメントそのものが、業界固有の論点を生む。

2.2 サービス収益の重要性 ― 「売って終わり」ではない事業構造

ガスタービン、航空エンジン、製鉄機械、舶用エンジンといった重工製品は、製品寿命が20〜40年に及
び、運用期間中の保守・部品供給・改修・モニタリングが、ライフサイクル全体の収益の半分以上を占め
ることも珍しくない。海外プライムの代表例として、Rolls-Royceの民間航空エンジン事業における
「Power-by-the-Hour（飛行時間あたり課金）」モデルは、すでに業界標準となっている。

IHIが中期経営計画で繰り返し強調する「モノ売り」から「コト売り」への転換によるライフサイクルビ
ジネス（LCB）の拡大は、まさにこの構造的事実を経営戦略として明示化したものである。三菱重工業も
2024事業計画でDX推進によるサービス事業拡大を柱に据え、遠隔監視・省人化・予知保全といったO&M
高度化を進めている。

ここで重要なのは、サービス事業のDXは、製品の販売時点では終わらず、製品の稼働中ずっと続くとい
うことである。納入後20年たった製品から、いまもデータが上がってくる。このデータをどう蓄積し、活
用し、顧客への提供価値に変換するかが、サービス収益の競争力を決める。

2.3 巨大BOMと複雑な設計

重工製品の部品点数は途方もない。航空機エンジン1基で数万点、艦艇1隻で数十万〜100万点規模の
BOMを抱える。設計図面は数千枚、関連ドキュメント（仕様書、解析結果、検査記録、認証書類）は数
万件に及ぶ。これらを設計部門・製造部門・調達部門・保守部門が、それぞれの立場で参照・更新す
る。

製造業向けに多くのPLM（製品ライフサイクル管理）ソリューションが存在するが、重工業の現場では
「導入したが使いこなせない」「結局Excel管理に戻った」というケースも少なくない。理由は、汎用
PLMが想定する標準的なBOM構造と、重工メーカー固有の設計手順・組織構造・受注プロセスとの間
に、しばしば大きなギャップがあるからである。

設計-製造-保守をつなぐデータ統合の難度は、業界平均と比較して桁違いに高い。これは弱点であると同
時に、ここを解いた企業は競争優位を獲得しやすい領域でもある。

2.4 熟練技能と暗黙知への依存

ガスタービンの精密加工、艦艇の溶接、航空エンジン部品の検査──いずれも、最終的な品質を決めるの
は熟練技能工の判断である。「この溶接ビードはOKか、NGか」「この機械加工面の仕上がりは合格か」
といった判定は、文章化・数値化が極めて困難な暗黙知として、各企業に蓄積されている。

問題は、その担い手が世代交代の局面に入っていることである。2025年版ものづくり白書は、製造業の
85%以上が「能力開発・人材育成に関する課題がある」と回答し、最多の課題は「指導する人材の不
足」であると指摘した。技能継承の取り組みは9割の企業で行われているが、その多くは延長雇用や嘱託
再雇用といった一時的な措置に依存しており、暗黙知を体系的に次世代へ伝える仕組みづくりは追いつい
ていない。

三菱重工業のデジタルイノベーション本部長・田崎陽一氏は2025年に、自社のDXの目指す姿として、匠
の技術を持つ技術者のノウハウが、AIによってデータ化され蓄積される世界の実現が現実化してきたと語
っている。熟練技能のデジタル化は、重工業のDXのなかでも最も固有性が高く、かつ最も大きなリター
ンが見込める領域である。

2.5 サプライチェーンの広さと規制対応

重工製品は、ティア1の主要協力企業、ティア2の専門加工業者、ティア3の素材・部品メーカーまで、幾
重にも重なる広域なサプライチェーンの上に成り立っている。航空エンジン1基には、世界中の数百〜数
千の事業者が関わる。完成品メーカーが自社の生産だけを最適化しても、サプライチェーン全体での納期
短縮や品質向上には届かない。

加えて、防衛・原子力・航空分野では、情報保全規制（セキュリティ・クリアランス、輸出管理）が厳
格に課される。クラウドSaaSの安易な導入はできず、オンプレミス・専用回線・特定ベンダー認定とい

う制約下でDXを進める必要がある。三菱重工業の田崎氏がERP導入では標準化は強制せず、会計や調達
といった非競争領域に絞って実施していると述べているのも、こうした業界特性を踏まえた現実的な解で
ある。

03 重工業DXの全体像

5つの効きどころ

K E Y F I N D I N G S

重工業の構造的特徴から逆算すると、DXが本当に効く領域は 5つに集約できる
5領域は設計DX、製造現場DX、アフターサービスDX、本社・経営機能DX、サプライチェーンDX
5領域はバリューチェーン軸（上流〜下流）と組織レイヤー軸（経営〜現場）の2軸でマッピングで
きる
これらは独立した取り組みに見えるが、実際にはデータを介して相互に連結しており、断片的な投
資では効果が出にくい
投資優先度は企業ごとに異なるが、本書は「どこから手を付けるか」を判断するための共通フレー
ムを提示する

3.1 構造的特徴と効きどころの対応関係

前章で整理した重工業の構造的特徴を、DXがどう解くかという観点で並べ直すと、自然に5つの領域が浮
かび上がる。一品もの・複雑設計・巨大BOMには設計DX、熟練技能・暗黙知依存には製造現場DX、
MRO中心・長期サービスにはアフターサービスDX、多事業構造・本社統合には本社・経営機能DX、広域
サプライチェーン・規制対応にはサプライチェーンDXが対応する。図表3-1は、これら5領域をバリュー
チェーン軸（設計→製造→MRO）と組織レイヤー軸（経営〜現場）の2軸でマッピングしたものである。

それぞれの領域には、汎用的なDXツールでは届かない、業界固有の論点が存在する。本書のCh.4以降
で、各領域を順に深掘りしていく。

3.2 5領域の概要

① 設計DX（Ch.4）
一品もの設計の効率化、PLM導入、設計資産の再利用、生成AIによる設計支援、設計-製造データ連携。

重工業では設計部門が大規模かつ高度であり、ここでの生産性向上のインパクトは大きい。同時に、過去
のドキュメントが散在し最新化されていないという「設計ナレッジの可視化」問題が深刻で、近年は文書
検索AIや暗黙知抽出ツールへの関心が高まっている。

② 製造現場DX（Ch.5）
暗黙知のデジタル化、技能伝承、検査自動化、IoT/MES、動画マニュアル、現場の業務改善アプリ内製
化。重工業のDXのなかでも、最も固有性が高く、かつ「効いた時のインパクト」が大きい領域である。

三菱重工のkintone内製化（963アプリ・3,000人）はこの領域のひとつの先行モデルである。

③ アフターサービスDX（Ch.6）
デジタルツイン、予知保全、フィールドサービス、リモート診断、サブスクリプション化。MRO収益が
重要な重工メーカーにとって、ここをデジタル化できるかは長期収益力を決める。IHIのILIPSはこの領域
の先行事例であり、Rolls-RoyceのPower-by-the-Hour、GE Predix、Pratt & WhitneyのEHMといった海
外事例が学習対象になる。

④ 本社・経営機能DX（Ch.7）
経理・人事DX、データドリブン経営、ERP/データレイク統合、生成AIを活用した経営判断支援。複数事
業を抱える重工メーカーは、本社による事業横断の見通しが弱くなりがちで、ここをデータで貫く意義が
大きい。川崎重工が本社にDX戦略本部を統合した動きは、この文脈で理解できる。

⑤ サプライチェーンDX（Ch.8）
ティア2/3の可視化、調達プロセスのデジタル化、サプライチェーン強靭化、調達リスクの予兆検知。重
工業のサプライチェーンは広く深く、かつ事業承継問題やキャパシティ制約を抱えるティア2/3に支えら
れている。ここをデジタルで可視化し、強靭化する取り組みは、安全保障の文脈とも結びつき、今後の政
策テーマとも重なる。

3.4 5領域は独立していない ― データを介して連結する

ここまで5領域を分けて整理してきたが、実際の重工メーカーの現場では、これらは独立した取り組みで
はない。

たとえば、設計DXで蓄積された3D CADデータは、製造現場のMR/AR組立支援に流れ込み、アフターサー
ビスのデジタルツインの基盤データにもなる。製造現場のIoTセンサーから上がるデータは、品質管理を
経て本社の経営ダッシュボードに集約され、同時にサプライチェーン上の不具合検知にも使われる。

つまり、5領域をバラバラに投資すると効果が頭打ちになる。逆に言えば、5領域を貫くデータ基盤を設
計できれば、投資効率は飛躍的に高まる。三菱重工のΣSynXが「機械システム同士が協調するエコシステ
ム」を志向するのも、こうした統合志向の表れである。

ただし、すべての領域に同時に手を付けられる企業は限られる。多くの場合、自社の構造的弱点や、競争
上の機会領域に応じて、投資の優先順位を付ける必要がある。本書は、その判断のための共通フレームを
提供することを目的としている。

04 設計DX

過去事例をデータ蓄積し、競争力の源泉にする

K E Y F I N D I N G S

重工業の設計業務は「一品ものでありながら過去資産の再利用が競争力」という一見矛盾する性質
を持ち、ここを解くことが設計DXの本質である
設計DXの進化は 3D化・モデルベース定義 → 設計-製造データ統合 → AIによる設計支援の3レイヤ
ーで整理でき、海外プライムはすでに3層目に踏み込んでいる
重工業の設計DXを成功させるには、業務プロセス変革／データ連結の業界仕様化／領域別最適解の
組み合わせ／AIの組み込み方という4つの論点を同時に押さえる必要がある
汎用的なDXソリューションをそのまま導入しても効きにくく、業界・企業固有の事情を踏まえた段
階的アプローチが鍵となる
規制対応（防衛・原子力）や情報保全要件が、重工業特有の制約として設計DXに上乗せされる

4.1 重工業の設計業務、その独特の難しさ

重工業の設計部門は、業界の枠を超えて見ても、規模・専門性ともに突出した存在である。総合重機メー
カーは数千人規模の設計者を抱え、ガスタービン1機種、艦艇1隻、航空エンジン1基種を仕上げるためだ
けに数百人がチームを組む。設計から納入までの期間は数年に及び、その間に蓄積される図面・解析結
果・検査記録・認証書類は、製品1件あたりで数万件規模に達する。

ここに業界の本質的な難しさがある。重工製品は一品ものでありながら、過去資産の再利用が競争力を
決めるという、一見矛盾する性質を持っている。タービンブレードを例に取れば、出力や運転条件によっ

て形状・サイズは案件ごとに異なる。だが、設計の骨格、解析手法、材料選択、製造条件の多くは過去事
例に基づく。「ゼロから設計する」ことは、実はほとんどない。

問題は、その「過去事例」が、設計者個人の頭の中、あるいは個別の図面ファイルやドキュメントとして
社内に散在していることである。NTTデータが製造業の現場を取材したインタビューでは、こんな実態が
報告されている。設計書やトラブルシューティングの事例などのドキュメンテーションが会社の中で散ら
ばっており、かつ最新化されていない。同じ調査では、ベテラン設計者なら過去の類似事例を5〜10分で
探し当てられるが、そうでない人は「死ぬほど時間がかかる」という現場の声が紹介されている。

「同じものを毎回作っている」「過去のトラブル事例を探すのに半日かかる」──これが、設計DXが解
くべき課題の正体である。

4.2 設計DXがもたらす変化の地図

過去10年で、重工業の設計DXは3レイヤーが順序立てて積み上がる構造で進んできた（図表4-1）。

レイヤー1は3D CAD・MBDによる情報の一元化で、三菱パワーのタービンブレード3D化（2D図面500〜
数千枚を3Dモデルに集約、設計工数半減）が典型例。レイヤー2はPLM／BOMによる設計-製造データ統
合で、汎用PLMをそのまま入れて失敗する企業も多い。レイヤー3は生成AI・デジタルスレッドで、
Boeing（70+の生成AIアプリ、デジタルツインで初回品質40%改善）やAirbus（bionic partition で45%
軽量化）が先行している。

3レイヤーは順序立てて積み上げる層構造であり、レイヤー1の徹底なしにレイヤー3は機能しない。海外
プライムも国内重工メーカーも、現在地はレイヤー2の途中〜レイヤー3の入り口にある。

4.3 重工業の設計DXを左右する4つの論点

設計DXの成否は、技術選定そのものではなく経営判断としての4つの論点をどう設計するかにかかる（図
表4-3）。

KSF1：プロセス変革との一体化（ツール導入を業務プロセス・組織体制の変革と一体で進める）、
KSF2：業界仕様データ連結（航空・防衛・原子力等の業界固有規格への対応とサプライヤー・顧客との
連結）、KSF3：領域別の最適解（事業領域ごとに必要な設計DXの形は異なり、全社一律PLMは破綻しや
すい）、KSF4：AI組み込みの戦略的位置づけ（生成AI・ジェネレーティブデザインを設計プロセスのど
こに組み込むかを戦略的に設計）。海外プライムが先行する領域であり、日本企業は「追従するか／別の
戦い方を見つけるか」の選択を迫られている。

図表4-2：設計DXの4つのKSF（まとめ）
#
論点
具体的な意味
実装の含意
KSF1
プロセス変革との一体
化
3D CAD・PLM・生成AIなどの導入
を、単なるツール置き換えではな
く、設計プロセス・組織体制の変革
と一体で進める
「現行業務をそのまま乗せる」では
効果が出ない。業務改革のオーナー
シップを設計部門が持つ必要がある
KSF2
業界仕様データ連結
航空・防衛・原子力等の業界固有デ
ータ規格（STEP・QIF・MIL規格
等）への対応と、サプライヤー・顧
客との連結
汎用PLMの選定だけでは不十分。業
界仕様への適合性を選定軸に組み込
む
KSF3
領域別の最適解
同じ重工メーカーでも事業領域（航
空・船舶・産業機械）ごとに必要な
設計DXの形は異なる
全社一律のPLM導入は破綻しやす
い。事業単位での最適化を許容する
設計思想が必要
KSF4
AI組み込みの戦略的位
置づけ
生成AI・ジェネレーティブデザイン
を「あれば使う」ではなく、設計プ
ロセスのどこに組み込むかを戦略的
に設計
海外プライムが先行する領域。日本
企業は「追従するか／別の戦い方を
見つけるか」の選択を迫られる

4.4 業界事例 ― 設計DXの先進実装

ここまでのKSFを踏まえ、海外プライムと国内重工メーカーの実装事例を、4つのKSFに対応する形で整
理する。

Boeing（米国） ― KSF1・KSF2・KSF4対応：1990年代からCATIAでの全機種3D化を進め、787開発では
世界に分散したサプライヤーと3D CADデータを共有する基盤を構築した。2010年代以降はデジタルツイ
ンを実装し、部品・システムの初回製造品質を最大40%改善したと報告している。2023年からは社内向
け生成AIプラットフォーム「Boeing Conversational AI」を構築、70以上の生成AIアプリを実装した。

「チームにもう一人のエキスパートがいるような感覚」（社内エンジニア談）と評され、設計プロセスそ
のものに生成AIが組み込まれた状態に近づきつつある（図表4-3参照）。

Airbus（欧州） ― KSF4対応：A320の客室内仕切り「bionic partition」では、ジェネレーティブデザイ
ンを実機投入し、強度を維持しながら45%軽量化を実現した。1機あたり燃料消費削減効果は年間46万ト
ンのCO2削減に相当する。「あれば使う」ではなく、設計プロセスのどこに組み込むかを戦略的に設計し
た好例である。

三菱パワー（日本） ― KSF1対応：タービンブレード設計では、従来2D図面500〜数千枚で管理していた
情報を3Dモデルに一元化し、設計工数を半減させた。3D CAD導入を単なるツール置き換えではなく、ブ
レード設計プロセス全体の見直しと一体で進めた点が重要である。

国内ベンダーの追従 ― KSF2・KSF4対応：NEC Obbligato、PTC Codebeamerなど国内ベンダーのPLM／
ALMにも、2025年から生成AI機能の搭載が始まった。航空・防衛・原子力等の業界固有規格への対応を

前提とした、日本企業向けの設計DX基盤が整備されつつある。

4.5 重工業特有の追加条件と、日本企業への含意

ここまで論じた4つのKSFは、製造業全体に通じる論点でもある。重工業の場合、これに加えて、業界固
有の制約が2つ重なる。

規制対応：防衛・原子力・航空分野では、情報保全規制（セキュリティ・クリアランス、輸出管理）が厳
格に課される。クラウドベースのデータ基盤や生成AIサービスを、そのままの形では使えない事業領域が
ある。オンプレミス／プライベートクラウドでの構築、特定ベンダー認定、データの国内保管要件など、
設計DXの実装手段に強い制約がかかる。

長納期と長期サービス：設計から納入まで数年、納入後の運用期間が20〜40年に及ぶため、設計DXで導
入する技術基盤も「長期間使い続けられる」前提で選定する必要がある。短命なクラウドサービスや、サ
ポートが急に切れるベンダー製品に依存することは、重工業の事業特性とは相性が悪い。

そして、もう一つ重要な現実認識を加えておきたい。本書Ch.1で触れた通り、日本の製造業全体ではDX
に着手している企業は88%だが、競争力強化に踏み込めているのはわずか3%にとどまる。設計DXも同じ
構造の中にある。多くの企業が「3D CADは導入済み」「PLMも入れた」「生成AIのPoCもやった」とい
う状態にあるが、それらが事業成果と連動した形で稼働しているかは別問題である。

「DXに着手」と「DXが効く」の距離を埋めるのは、ここで論じた4つのKSFを、自社の事業構造と組織の
現実に合わせて、地道に作り込んでいく営みである。一気通貫の万能解はなく、海外プライムも国内先行
企業も、その道を粘り強く進んでいる最中である。

05 製造現場DX

「人の動き」を組織の資産に変える

K E Y F I N D I N G S

重工業の製造現場は、一品もの・少量多品種・熟練技能依存という性質ゆえに、自動車量産工場と
はまったく異なるDX設計が求められる
現場DXの選択肢は、作業を見える化する／判断をAIに学習させる／データを蓄積するの3軸で整理
でき、いずれも近年実用レベルに達してきた
川崎重工のKMC明石工場では、AI外観検査がエンジン組立検査・溶接ビード検査・外観キズ検査
の全工程に展開され、メキシコ・タイの海外工場へも横展開されている
三菱重工はMRグラスを活用した航空機胴体パネルの組立支援を実装し、現場業務アプリのkintone
内製化では 52部門・3,000人超がユーザーとなる規模に達している
製造現場DXの成否は、データ化と知能化の二段階設計／現場親和的な入口設計／AIと人間の役割分
担／暗黙知から組織知への変換の4つの論点をどう設計するかにかかる

5.1 重工業の製造現場、その独特の難しさ

重工業の製造現場は、製造業全体のなかでも最も固有性が高い領域である。一品もの・少量多品種が基
本であり、艦艇や航空機胴体、大型ガスタービンといった、規模・形状・要求精度のいずれをとっても特
殊な構造物を、限られた台数だけ製造する。自動車のような量産型ラインの発想は、ここではほとんど通
用しない。

第一の特性は、熟練技能への深い依存である。溶接、組立、加工、検査──どの工程にも、ベテラン作業
者の「目」と「手」が前提として組み込まれている。タービンブレードの最終仕上げ、艦艇の溶接ビード
の良否判定、エンジン部品の組付け順序──いずれも、設計図面に書ききれない「現場の判断」が品質を
決める。そして、その判断基準は、本人の頭の中にしかない。

厚生労働省の2025年版ものづくり白書は、この問題の深刻さを数字で示している。製造業の61.8%が
「指導する人材が不足している」、46.1%が「人材育成を行う時間がない」と回答しており、技能伝承が
現場の最重要課題として浮き彫りになっている。ベテランの引退と若手への継承が間に合わない構造的危
機である。

第二の特性は、外国人作業者の比率上昇とグローバル展開である。国内工場では技能実習生・特定技能
労働者が増え、海外工場（メキシコ、タイ、ベトナム、米国等）の比重も拡大している。日本語マニュア
ル・日本語OJTを前提とした従来の教育体制では、もはや回らない。

第三の特性は、検査工数の膨大さである。航空機・防衛装備品・原子力機器のような高信頼性製品で
は、製造プロセスの各段階で膨大な検査が課される。人による目視検査が品質保証の最後の砦になってお
り、ここにも熟練の技能が要求される。

「現場の熟練者がいなくなると、品質が維持できない」「外国人や若手だけで品質が保てる体制になって
いない」「検査工数を削れないが、検査員が高齢化している」──これが、重工業の製造現場が抱える課
題の構造である。

5.2 製造現場DXがもたらす変化の地図

製造現場DXは「見える化」「AIに学習させる」「データを蓄積する」の3軸で整理できる（図表5-1）。

軸1：作業を見える化は、紙のマニュアル・OJTからデジタルメディアへの移行。動画マニュアル（tebiki
等）、AR/MRグラス、デジタル帳票が主要ツールで、三菱重工は航空機胴体パネル組立にMRグラスを導
入し図面参照を不要化した。軸2：判断をAIに学習させるは、熟練者の「目」「判断基準」をAIで自動
化・標準化する取り組み。代表例が川崎重工KMC明石工場のAI外観検査で、エンジン組立検査→溶接ビー
ド検査→外観キズ検査の3工程に展開し、メキシコ・タイへ横展開している。軸3：データを蓄積する
は、現場の稼働・品質データをIoT/MES・ノーコード基盤で継続的に蓄積する取り組み。三菱重工の
kintone内製化（963アプリ・52部門・3,000人超活用、アジア5拠点へ水平展開）が国内最大規模の事
例。

3軸は独立して見えるが強く連動する。①で蓄積した作業映像が②AIの学習データになり、③で蓄積した
データが①のマニュアル更新材料になる。「データ化」を先にやり、その上で「知能化」へ進む順序が成
功の鍵となる。

5.3 重工業の製造現場DXを左右する4つの論点

製造現場DXの成否を分ける論点は4つに集約される（図表5-2）。

KSF1：データ化と知能化の二段階（まず作業・設備のデータ化を徹底し、その上でAI活用に進む）、
KSF2：現場親和的な「小さな入口」（全社統合MESではなく、1工程・1工場単位の改善ツールから始め
る）、KSF3：AIと人間のハイブリッド運用（AIが完全代替するのではなく、熟練者・検査員と協調する
運用が現実解）、KSF4：暗黙知の二段階変換（「個人知→形式知→組織知」の変換を意識的に設計す
る。形式知化だけでは死蔵される）。

図表5-2：製造現場DXの4つのKSF（まとめ）
#
論点
具体的な意味
実装の含意
KSF1
データ化と知能化の二
段階
まず作業・設備のデータ化を徹底
し、その上でAI活用に進む。順序を
飛ばすと両方が中途半端になる
IoT・MES・現場アプリでのデータ
蓄積を1〜2年先行させる。AI導入は
その上で
KSF2
現場親和的な「小さな
入口」
全社統合MESではなく、1工程・1
工場単位の改善ツールから始める。

動画マニュアル、AI外観検査、
kintone内製化など
「現場が自分で作って自分で使う」
運用文化の醸成。IT部門に依頼書を
出して半年待つ発想を脱する
KSF3
AIと人間のハイブリッ
ド運用
外観検査も技能伝承AIも、AIが完全
代替するのではなく、熟練者・検査
員と協調する運用が現実解
AI導入と同時に「最終確認は人」の
運用ルールを設計。AI判定のログ蓄
積で精度を継続的に向上
KSF4
暗黙知の二段階変換
「個人知→形式知→組織知」の変換
を意識的に設計する。形式知化（動
画・データ化）だけでは死蔵される
第一段階のコンテンツ作成だけでな
く、第二段階（必要なときに必要な
人が参照・更新できる仕組み）への
投資を確保

5.4 業界事例 ― 製造現場DXの先進実装

製造現場DXは、重工業の中でも特に各社が独自色を出している領域である。4つのKSFに対応した先進事
例を以下に整理する。

三菱重工 ― 航空機胴体パネル組立へのMRグラス導入（KSF1・KSF2対応）：航空機胴体パネルにマイク
ロソフトHoloLensベースのMRグラスを導入し、3DモデルとリベットIDを実物に重ね合わせて表示する
仕組みを構築した。作業者は紙の図面参照を不要化、リベット締結作業のミスを大幅に削減した。同社
はMRグラスの導入を、いきなり全社展開ではなく1工程単位の改善ツールとして始めた点が特徴であ
る。

三菱重工 ― kintone内製化の全社展開（KSF2対応）：現場の業務改善アプリをノーコード基盤kintone
で内製化する取り組みは、2018年頃から始まり、現在は963アプリ・52部門・3,000人超のユーザーが活
用、アジア5拠点へ水平展開されている。「現場が自分でアプリを作り、自分で使う」運用文化が、組織
能力としてのDXを支えている代表例である。

川崎重工 KMC明石工場 ― AI外観検査の段階展開（KSF3・KSF4対応）：モーターサイクル＆エンジン事
業のKMC明石工場で、AI画像認識による外観検査を導入。最初はエンジン組立工程の検査自動化から始
め、その後溶接ビード検査、外観キズ検査と段階展開した。さらにメキシコ・タイの海外工場へも横展
開している。熟練検査員の判断基準をAIに学習させつつ、最終確認は人が行う「AIと人間のハイブリッド
運用」を実装した好例である（図表5-3参照）。

現場親和的ツールの広がり ― KSF2対応：動画マニュアル作成ツール「tebiki」は多言語自動翻訳機能を
持ち、外国人作業者にも同じ品質で技能を伝える基盤として、重工業を含む製造業全体で急速に広がって

いる。重工業の現場でも、「紙のマニュアルでは伝わらない手の動き」をデジタル化する入り口として活
用されている。

5.5 重工業特有の追加条件と、日本企業への含意

ここまでの4つのKSFは、製造業全体に通じる論点でもある。重工業の場合、これに加えて、業界固有の
制約が複数重なる。

大型構造物・人手依存の工程：タービンの組立、艦艇の溶接、航空機胴体のリベット締結──こうした
重工業特有の工程は、ロボット化が技術的・コスト的に難しい領域が多い。製造現場DXは「人を機械で
置き換える」発想ではなく、「人の作業を支援し、品質を標準化し、技能を伝承する」発想で設計する必
要がある。MRグラスやARによる作業支援、動画マニュアル、AI外観検査──いずれも、人間の作業を排
除するのではなく、強化する方向の道具である。

情報保全規制：防衛・原子力・航空分野の現場データは、外部クラウドへのアップロードに制約があ
る。動画マニュアル、IoTセンサーデータ、kintoneアプリ──いずれも、データの保管場所・通信経路・
アクセス権限を、規制要件に合わせて設計する必要がある。市販のSaaSをそのまま導入できない領域が
あることを、最初から織り込んでおく必要がある。

グローバル展開と多言語対応：重工業の海外工場展開は加速している。三菱重工の航空エンジン整備（愛
知拠点で整備能力倍増計画）、IHIの航空エンジン整備（埼玉拠点に数百億円の追加投資）、川崎重工の
KMC明石→メキシコ・タイ展開──いずれも、国内拠点で確立したDXの仕組みを、海外の言語・文化・
人材構成に合わせて展開する力が問われる。動画マニュアルの多言語自動翻訳、AI外観検査の海外横展
開、kintoneアプリのアジア5拠点展開のような実例は、その方向性を示している。

そして、Ch.4と同様にここでも、「DXに着手」と「DXが効く」の距離を直視する必要がある。多くの重
工メーカーが、「動画マニュアルを試した」「AI外観検査を導入した」「kintoneを入れた」という状態
にある。だが、それらが製造現場の人手不足解消・技能伝承・品質向上に結びついて、事業成果として現
れているかどうかは、別の問題である。4つのKSFを自社の現場に合わせて地道に作り込んでいく営み
が、結局はそれぞれの工場・事業部の競争力に直結する。

06 アフターサービスDX

「売って20年」を収益に変える

K E Y F I N D I N G S

重工業の収益構造は「製品を売って終わり」ではなく、納入後20〜40年の運用期間中の保守・サー
ビス事業が長期収益を決める
三菱重工パワーのTOMONI HUBは国内外150ユニット以上の発電プラントを24時間遠隔監視し、
GTCCプラントの計画外停止を年間2〜4日削減、年間数億円規模の収益創出に寄与している
IHIのILIPSは300台以上のターボ機器・コンプレッサーで稼働中。両社とも10年以上の地道な積み
重ねを経て、ようやくビジネスとして機能し始めている
一方、GEがPredixに10億ドルを投じて挫折した事例が示すように、製造業汎用IoT基盤の構築は困
難であり、個別最適性が求められる
アフターサービスDXの成否は、サービス事業の収益モデル設計／自社製品ドメイン特化／顧客との
長期信頼関係／プラットフォーム化の慎重な見極めの4つの論点をどう設計するかにかかる

6.1 重工業のアフターサービス、その独特の難しさ

重工業のアフターサービス事業は、製造業全体のなかでも、最も「DXとの相性が良い」と言われてきた
領域である。理由は単純で、製品が長期間・遠隔地で稼働しているため、デジタル技術による運転データ
収集・分析・遠隔診断のメリットが最も大きい領域だからである。

しかし、現実にこの領域でDXが機能している事例は、実はそれほど多くない。海外大手の野心的なプラ
ットフォーム構想が次々と挫折し、国内事例も10年以上の地道な積み重ねがようやく結実し始めた段階
にある。なぜそうなるのか──そこに重工業特有の構造的難しさがある。

第一の特性は、製品が長期間・グローバルに散らばっていることである。ガスタービン、航空エンジン、
舶用エンジン、製鉄機械、原子力プラント──いずれも、納入後20〜40年にわたり、世界各地で稼働す
る。三菱重工パワーのTOMONI HUBが国内外150 ユニット以上の発電プラントの遠隔監視業務を支援す
る規模に達するまでに、20年以上の積み重ねがあった。これは「導入すれば動く」類のシステムではな
く、各拠点・各機種・各運用形態に合わせた地道な調整の積み重ねの上に成り立っている。

第二の特性は、機器のミッションクリティカル性である。発電プラントの停止は、社会インフラの停止に
直結する。航空エンジンの不具合は、人命に直結する。アフターサービスDXは、「動かしてみて改善す
る」ことが許されない世界で、極めて高い信頼性を要求される。三菱重工技報が指摘するように、世間一
般でもてはやされるデジタルは巨大なユーザを対象としたB2Cのケースが主であり、メーカーが向き合う
のは、ミッションクリティカルなB2Bの世界である。そこでは規模の経済が有効に働きにくく、セキュリ
ティ等の制約も大きく、機器ライフスパンも極めて長く、決して華々しく成果が出るものではなく、徐々
に成果を積み上げる世界となる。

第三の特性は、データの所有・利用に関する顧客との合意形成の難しさである。納入後の機器から上が
ってくるデータは、製品の運用情報であると同時に、顧客の事業情報でもある。「データをメーカーが収
集することにどんなメリットがあるのか」を顧客に納得してもらえない限り、データは集まらない。そし
て、データが集まらなければ、アフターサービスDXは成立しない。

「製品は売れたが、データが取れない」「データは集まったが、顧客への価値提供につながらない」──
これが、アフターサービスDXが解くべき課題の正体である。

6.2 アフターサービスDXがもたらす変化の地図

アフターサービスDXは3段階の積み上げで進化する（図表6-1）。段階を飛ばして実装することは困難で
あり、Stage 1で20年データを蓄積した上で、ようやくStage 2の予知保全が機能し、その積み上げの先に
Stage 3の「コト売り」モデルが成立する。

Stage 1：遠隔監視 ― 納入機器の稼働データを遠隔で24時間監視し、異常の早期発見と遠隔診断・サポ
ートを実現する基礎段階。三菱重工パワーは1999年から、IHIはILIPSで300台以上のターボ機器を稼働
中。

Stage 2：予知保全（CBM） ― 時間基準（TBM）から状態基準（CBM）へ。データに基づき必要な時に
だけ介入することで「コスト」を「価値」へ転換する。三菱重工TOMONIは2017年から本格運用で、
GTCC計画外停止を年間2〜4日削減、年間数億円規模の収益創出に寄与している。

Stage 3：コト売り化 ― 製品ではなく「機能・成果」を販売するモデル。Rolls-Royce TotalCare（飛行
時間あたり課金、8,000機以上を監視、市場300億ドル規模）が先行し、IHIは「LCB（ライフサイクル・
ビジネス）」戦略でモノ売りからコト売りへの転換を打ち出している。

なお、海外プライムの取り組みでも教訓は多い。GEがPredixに10億ドル以上を投じながら2018年に事実
上の戦略転換を強いられたのは、汎用IoTプラットフォーム発想で重工業のアフターサービスDXを横展開

しようとして失敗したからである。重工業のアフターサービスDXは、自社製品ドメインに特化した知見
蓄積を前提とした上で初めて経済価値を生む。

6.3 重工業のアフターサービスDXを左右する4つの論点

アフターサービスDXの成否を分ける論点は4つに集約される（図表6-2）。

KSF1：製品契約と一体型のデータ取得（納入時の契約段階でデータ取得の同意・所有権・利用範囲を明
確化）、KSF2：自社製品ドメインに特化した知見蓄積（GE Predix型の汎用プラットフォームは失敗。自
社製品の物理モデル・運転特性と一体化したアプリ開発が必要）、KSF3：顧客との長期信頼関係構築
（機微なデータの常時共有には信頼関係が必須。LTSAと一体運用が現実解）、KSF4：規模の経済が効き
にくい構造への適応（1基ごとに仕様が異なる重工製品では汎用クラウドSaaSの経済モデルは効かない。

10年以上の積み重ねを前提とした投資計画が必要）。

図表6-2：アフターサービスDXの4つのKSF（まとめ）
#
論点
具体的な意味
実装の含意
KSF1
製品契約と一体型のデ
ータ取得
納入時の契約段階でデータ取得の同
意・所有権・利用範囲を明確化。後
付けでは取得が困難
営業・契約部門とアフターサービス
部門の連携が必須。標準契約書のテ
ンプレートに組み込む
KSF2
自社製品ドメインに特
化した知見蓄積
GE Predixのような汎用プラットフ
ォームは失敗。自社製品の物理モデ
ル・運転特性に深く結びついた分析
が価値を生む
外部の汎用IoT基盤に頼らず、自社
製品の知見と一体化したアプリケー
ション開発が必要
KSF3
顧客との長期信頼関係
構築
遠隔監視・予知保全には機微なデー
タの常時共有が必要。顧客との信頼
関係なしには成立しない
「契約」だけでなく「関係性」を構
築。長期サービス契約（LTSA）と
一体運用が現実解
KSF4
規模の経済が効きにく
い構造への適応
1基ごとに仕様が異なる重工製品で
は、ソフトウェアの標準化・横展開
が困難。汎用クラウドSaaSの経済
モデルは効かない
10年以上の積み重ねを前提とした
投資計画。三菱重工パワー・IHIの
実装期間（20年）を参考に

6.4 業界事例 ― アフターサービスDXの先進実装

アフターサービスDXは、重工業の中で最も「コト売り」への転換が進んでいる領域である。海外プライ
ムが先行しつつ、国内重工3社も独自の取り組みを進めている。

三菱重工 TOMONI HUB ― 20年以上の積み重ね（KSF1・KSF2・KSF3対応）：1999年に高砂、2001年に
長崎で発電プラントの遠隔監視を開始し、2016年オーランド、2019年マニラ、2021年デュイスブルクへ
と拠点を拡大、計5拠点のグローバルネットワークを構築した。2017年からは状態ベース保全（CBM）へ
の移行を本格化し、現在は接続規模72プラント・164ユニットに拡大、GTCC計画外停止を年間2〜4日削

減し年間数億円規模の収益を創出している。2021年からは長期サービス契約（LTSA）とデータ取得・サ
ービス提供を契約一体化し、Stage 3「コト売り化」への移行を進めている。契約段階でデータ取得の合
意を組み込んだ点が、KSF1の実装として重要（図表6-3参照）。

IHI ILIPS ― ターボ機器の遠隔監視基盤（KSF1・KSF2対応）：産業用ターボ機械（圧縮機、過給機等）
に対し、ILIPS（IHI Lifecycle Improvement Platform Service）で300台以上を遠隔監視している。専用
回線でセキュアな構成を採り、自社製品ドメイン特化の運転データ蓄積を進めている。同社は「LCB（ラ
イフサイクル・ビジネス）」を経営戦略の中心に据え、モノ売りからコト売りへの転換を旗印として打ち
出している。

Rolls-Royce TotalCare ― 業界の到達点（KSF1・KSF3対応）：航空エンジン領域で「Power-by-the-
Hour（飛行時間あたり課金）」モデルを商業化し、8,000機以上のエンジンを監視、市場規模300億ドル
（2025年予測）に達している。メーカーと顧客の利害が完全に一致するモデルとして、業界の到達点と
位置づけられる。顧客との長期信頼関係の構築なしには成立しないモデルである。

GE Predix ― 失敗からの教訓（KSF2対応）：GEは2010年代に汎用IoTプラットフォーム「Predix」に10
億ドル以上を投じたが、2018年に事実上の戦略転換を強いられた。汎用プラットフォーム発想で重工業
のアフターサービスDXを横展開しようとしたことが失敗の本質である。自社製品ドメインに特化した知
見蓄積を前提としなければ、重工業のアフターサービスDXは経済価値を生まないことを示した教訓的事
例である。

6.5 重工業特有の追加条件と、日本企業への含意

ここまでの4つのKSFは、アフターサービス事業を持つ製造業全体に通じる論点でもある。重工業の場
合、これに加えて、業界固有の制約が複数重なる。

製品ライフスパンの極端な長さ：航空エンジンは20〜30年、ガスタービンや原子力プラントは30〜40年
にわたって運用される。アフターサービスDXで構築する技術基盤も、同じ時間軸で持続する必要があ
る。短命なクラウドサービスや、ベンダーロックインの強い独自プロトコルは、長期運用との相性が悪
い。三菱重工パワーがMicrosoft Azureをクラウド基盤に、AVEVA PI Systemをデータ管理ソリューション
にそれぞれ採用しているように、長期保証の堅牢な基盤を選定する判断が必要となる。

情報セキュリティ要件の厳しさ：発電所、化学プラント、防衛装備品など、重工製品の多くは重要インフ
ラに該当する。遠隔監視データのセキュリティ・通信経路・アクセス管理は、市販SaaSの標準的なセキ
ュリティ水準を超えた設計が必要となる。IHIのILIPSが専用回線でM2M通信を構築しているのは、この要
件への対応である。

生成AIの組み込みは「これから」の段階：三菱重工技報は、2023年時点でTOMONI の生成AI（Artificial
Intelligence）アプリの社内向け試行を開始、その利便性と課題が見えてきた。今後は、課題解決に取り
組むとともに、TOMONI に蓄積された保全、運転データを活用し、既存アプリと生成AI を組み合わせ、
お客様向けにもサービス展開する予定であると報告している。アフターサービスDXに蓄積された大量の
運転データ・保全ノウハウは、生成AIにとって絶好の学習素材となる。ここから先5〜10年で、生成AIを
組み込んだ次世代アフターサービスが本格化する。

そして、Ch.4・Ch.5と同様にここでも、「DXに着手」と「DXが効く」の距離を直視する必要がある。多
くの重工メーカーが「IoTプラットフォームを作った」「遠隔監視を開始した」状態にある。だが、それ

が事業収益として明確に効いているかは、別問題である。三菱重工パワーやIHIのように10年以上の積み
重ねを経て、ようやく具体的な経済価値（計画外停止削減、稼働率向上、サービス収益拡大）が見えてく
る──そういう時間軸の事業である。

07 本社・経営機能DX

「事業横断の見通し」をデータで貫く

K E Y F I N D I N G S

重工メーカーは多事業構造ゆえに、本社が事業全体を横断的に把握する難度が非常に高く、ここを
データで貫けるかが経営判断のスピードと精度を決める
三菱重工はSAP S/4HANAをAzure上で稼働させ、データ準備期間を大幅に削減してデータドリブン
経営への転換を進めている。経理・調達という2大基幹系は2023年5月にカットオーバー
川崎重工は2023年4月に各カンパニーの情報システム部門を本社に統合してDX戦略本部を立ち上
げ、IHIは航空・宇宙・防衛事業領域でBIツールTableauと「スキルベルト制度」を組み合わせた人
材育成型の経営DXを進めている
経理・人事・調達といった「非競争領域」はSAP・Oracle等の標準ERPで全社統合し、競争領域は
事業部主導で個別最適化する二段構えのアーキテクチャが現実解
本社・経営機能DXの成否は、ERP刷新を業務改革の機会に変える／非競争領域での標準化／データ
ドリブン経営の運用設計／DX人材の組織横断的育成の4つの論点をどう設計するかにかかる

7.1 重工メーカー本社の、その独特の難しさ

重工メーカーの本社は、製造業のなかでも最も「事業の見通しが立てにくい」組織構造を持っている。三
菱重工業は国内外約300社のグループ会社で構成され、民間航空、輸送、発電所、ガスタービン、機械、
インフラから防衛・宇宙システムまで、まったく性質の異なる事業を抱えている。川崎重工業も、航空宇
宙、エネルギーソリューション&マリン、精密機械・ロボット、車両、モーターサイクル&エンジンと、
独立性の高い複数事業を持つ。

ここに、本社・経営機能DXが解くべき本質的な難しさがある。事業の性質がバラバラで、システムも歴
史も違う組織を、いかにして横串で見通すか──これである。

第一の特性は、事業ごとにシステムと業務プロセスが異なることである。三菱重工ICTソリューション本
部の野本氏は、データのサイロ化の要因を率直にこう語っている。データがサイロ化する要因には、当社
がさまざまな領域をまたがって事業を行なっていること、システムを構築した時期がそれぞれの事業で異
なることが挙げられます。また、実務でデータを扱っている人たちが優秀すぎることも理由ではないかと
思っています、と。データを扱う担当者がExcelやAccessを駆使して「乗り越えられてしまう」状態が、
組織的な統合を阻害してきた、というのである。

第二の特性は、製品サイクルが長く、データの蓄積期間が長期にわたることである。ガスタービン1基
種、艦艇1隻、航空エンジン1基種、いずれも数十年単位の事業ライフサイクルを持つ。会計・調達・在
庫データは数十年にわたって蓄積される一方、業務システムは10〜20年ごとに更新される。古いシステ
ムから新しいシステムへのデータ移行・統合が、避けて通れない論点として常に存在する。

第三の特性は、グローバル拠点の多さである。三菱重工約300社、川崎重工も国内外多数の拠点、IHIも世
界中に事業所を持つ。本社主導でグローバル統合データ基盤を構築しても、各国の規制（GDPR、データ
ローカライゼーション要件等）、現地法人の自律性、言語・文化の違いといった現実が立ち塞がる。

「本社で事業全体を把握しようとすると、数字が出てくるまで時間がかかる」「事業部間で数字の定義が
違う」「グローバル拠点のデータが本社に上がってこない」──これが、本社・経営機能DXが解くべき
課題の正体である。

7.2 本社・経営機能DXがもたらす変化の地図

本社・経営機能DXは4軸で整理できる（図表7-1）。軸1：基幹系ERPの刷新と統合は、SAP ERPサポート
期限（2027年問題）を契機にS/4HANAへ移行する取り組み。「現行業務の乗せ替え」を避け、業務改革
と一体で進めることが鍵となる。三菱重工は2023年5月に経理・調達の2大基幹系をAzure上のSAP
S/4HANA HECでカットオーバーした。

軸2：データ分析基盤の整備は、事業横断でデータを可視化・分析する基盤の構築。三菱重工はAzure
Synapse Analyticsで全社データ分析基盤を構築し、川崎重工は2023年4月に各カンパニーの情シスを本
社DX戦略本部に統合、IHIは航空・宇宙・防衛事業領域でTableauと「スキルベルト制度」を一体展開し
ている。「ダッシュボードを作るだけ」では効かず、運用習慣まで踏み込む必要がある。

軸3：シェアードサービス化は、経理・人事・調達といったバックオフィスの集約。三菱重工はSAPベー
ス連結決算アウトソーシングを2018年から開始し、kintone内製化をアジア5拠点へ水平展開している。

軸4：生成AIによる経営判断支援は、事業部内にDX人材を埋め込み、認定制度・キャリアパスを経営方針
と一体化する取り組み。三菱重工は2025年に経営方針を「ITO（Innovative Total Optimization）」と再
定義し、DI人材認定制度（BASIC/ADVANCED/MASTERの3段階）を本格展開している。

4軸はバラバラには進められない。基盤がなければ生成AIは効かず、シェアードサービスがなければデー
タの一元性は保てない。

7.3 重工業の本社・経営機能DXを左右する4つの論点

本社・経営機能DXの成否を分ける論点は4つに集約される（図表7-2）。

KSF1：ERP刷新を業務改革と一体化（SAP S/4HANA移行を現行業務の乗せ替えで済ませない）、
KSF2：非競争領域の標準化を経営権威で貫く（会計・調達は全社標準化、販売・MROは事業部主導とい
う線引きを経営判断で明示）、KSF3：ダッシュボード運用設計（BIツール導入で終わらず、データドリ
ブン意思決定の運用習慣まで踏み込む）、KSF4：DX人材を事業部主導で育成（IT部門に任せず、事業部
内にDX人材を埋め込む。三菱重工のDI人材認定、IHIスキルベルト、川崎重工DX戦略本部統合がいずれも
この問題意識からの取り組み）。

図表7-2：本社・経営機能DXの4つのKSF（まとめ）
#
論点
具体的な意味
実装の含意
KSF1
ERP刷新を業務改革と
一体化
SAP S/4HANA移行を「現行業務の
乗せ替え」で済ませない。業務プロ
セス改革と一体で進める
「アドオン大量追加」を経営の権威
で抑える。三菱重工は2023年5月に
Azure×SAP S/4HANAを稼働
KSF2
非競争領域の標準化を
経営権威で貫く
会計・調達などは全社標準化、販
売・MROなどは事業部主導という
線引きを経営判断で明示
各事業部からの「うちは特殊」とい
う反発を経営の権威で乗り越える。

三菱重工の田崎本部長の設計思想
KSF3
ダッシュボード運用設
計
BIツール導入で終わらず、データド
リブン意思決定の運用習慣まで踏み
込む
「ダッシュボードを作ること」では
なく「使う組織能力」を作る。IHI
のスキルベルト制度が参考例
KSF4
DX人材を事業部主導で
育成
IT部門に任せず、事業部内にDX人材
を埋め込む。認定制度・キャリアパ
スを経営方針と一体化
三菱重工のDI人材認定
（BASIC/ADVANCED/MASTER）、
IHIスキルベルト、川崎重工DX戦略
本部統合

7.4 業界事例 ― 本社・経営機能DXの先進実装

本社・経営機能DXは、重工3社それぞれが独自の重心で進めている領域である。4つのKSFに対応した取
り組みを整理する。

三菱重工 ― 「ITO」と Azure×SAP S/4HANA（KSF1・KSF2・KSF4対応）：2023年5月に経理・調達の
2大基幹系をAzure上のSAP S/4HANA HECでカットオーバーした。SAP 2027年問題を「現行業務の乗せ替
え」ではなく業務改革と一体で進める設計思想で実装。さらに2025年には経営方針を「ITO（Innovative
Total Optimization）」と再定義し、DI人材認定制度（BASIC・ADVANCED・MASTERの3段階）を本格展
開している。事業部内にDX人材を埋め込む取り組みとして、経営戦略と人材戦略を一体化させた好例で
ある。デジタルイノベーション本部長・田崎陽一氏は、標準化を強制せず会計・調達といった非競争領域
に絞って実施し、販売・アフターサービス・IoT・サプライチェーンといった競争領域は事業部の主体性
に委ねる、と語っており、これがKSF2の「線引き」の実装例となっている。

川崎重工 ― DX戦略本部統合とIX（KSF2・KSF3対応）：2023年4月に各カンパニーの情シスを本社DX戦
略本部に統合し、データ連携基盤を全社で進める体制を構築した。同社は「DX」を超える次世代キーワ
ードとして「IX（インテリジェンス・トランスフォーメーション）」を提唱し、中谷浩副社長がGartner

ITシンポジウムで講演するなど、戦略を対外的に発信している。本社統合をデータ統合の起点とした点
が、KSF2「非競争領域の標準化を経営権威で貫く」の実装例。

IHI ― Tableau×スキルベルト制度（KSF3・KSF4対応）：航空・宇宙・防衛事業領域でBIツール
Tableauを導入し、これと「スキルベルト制度」を一体で展開した。BIツール活用人材を段階的に育成
し、データ活用を組織能力として定着させる仕組みである。「ダッシュボードを作るだけ」ではなく「使
う組織能力」を作る、というKSF3の実装として重要な参考例。福岡千枝・常務執行役員（高度情報マネ
ジメント統括本部長）が指揮しており、デジタル基盤の高度化と大胆な経営資源シフトを通じた持続的な
成長を方針として掲げている。

7.5 重工業特有の追加条件と、日本企業への含意

ここまでの4つのKSFは、多事業構造の大企業に共通する論点でもある。重工業の場合、これに加えて、
業界固有の制約が複数重なる。

コングロマリットディスカウントへの対応：株式市場は伝統的に、複数事業を抱える重工メーカーに「コ
ングロマリットディスカウント」を適用してきた。重工業大手は、幅広い製品・技術群を持つ点を収益性
の観点から否定的に語られることもあったが、近年は各社で事業規模が拡大する主力事業が明確になり
つつあり、リソース集中の動きが加速している。本社・経営機能DXは、この事業ポートフォリオ管理の
見直しと並走する。三菱重工の三菱ロジスネクスト売却、IHIの3件の事業譲渡、川崎重工のアーステクニ
カ譲渡といった2025年の動きは、データドリブンな経営判断が事業構造変革を加速させている例であ
る。

情報保全規制とグローバル展開の両立：防衛・原子力・航空分野のデータは情報保全規制下にあり、グロ
ーバル統合データ基盤に乗せられない事業領域がある。本社・経営機能DXの設計時に、「全社統合する
領域」「事業領域内で完結させる領域」「物理的に分離する領域」の3層を明確に分ける必要がある。三
菱重工が「会計・調達は全社統一、競争領域は事業部主導」と切り分けるのは、この多層構造を業務領
域に投影した結果である。

長期視点の事業承継問題：重工メーカーの本社・経営機能DXは、5〜10年の時間軸で組織能力を変える営
みである。経営トップが変わっても継続する仕組みが必要となる。三菱重工が2024年12月にITO新社長就
任を発表し、2025年に経営方針「ITO」を打ち出したように、新CEOがDXを経営の中核に据える事例が
増えている。ただし、3年ごとに方針が変わるようでは、本社・経営機能DXは前に進まない。長期視点で
の組織コミットメントが、ここでも問われる。

そして、Ch.4〜Ch.6と同様にここでも、「DXに着手」と「DXが効く」の距離を直視する必要がある。多
くの重工メーカーが「SAP S/4HANAへの移行を決定した」「データ分析基盤を構築した」「生成AIの試
行を始めた」状態にある。だが、それらが経営判断のスピード向上、事業横断の見通し改善、収益力強
化に結びついているかは別問題である。三菱重工のDI人材認定制度のように、ツール導入の先にある「組
織能力としての定着」まで踏み込めるかが、最終的な成否を分ける。

08 サプライチェーンDX

「ティア2/3」と「経済安保」を貫く

K E Y F I N D I N G S

重工製品は1製品あたり数百〜数千の事業者が関わる多層サプライチェーンに支えられており、テ
ィア1だけでなくティア2/3の把握が不可欠
重工3社のサプライチェーンDXは具体的に動き始めている。三菱重工は2024年9月にグループ共通
の直接材調達システム「eBuyerBrains」を稼働させ、IHIは2024年6月にEcoVadisと契約してサプ
ライヤーリスク評価体制を整備した
経済安全保障推進法（2022年）と防衛生産基盤強化法(2023年）により、サプライチェーン強靭化
が法的・財政的枠組みのある政策テーマへと格上げされた。経産省は航空機部品の特定重要物資指
定と744億円の予算で部素材の増産支援に動いている
トヨタの「レスキュー」（コロナ禍で供給網把握が2週間→半日に短縮）が業界のベンチマーク
サプライチェーンDXの成否は、ティア2/3可視化の平時運用／経済安保・防衛政策の活用／業界仕
様データ連携基盤／中小サプライヤーの事業承継対応の4つの論点をどう設計するかにかかる

8.1 重工業のサプライチェーン、その独特の難しさ

重工業のサプライチェーンは、製造業全体のなかでも最も広く・深く・複雑な構造を持っている。航空
エンジン1基、艦艇1隻、ガスタービン1機種、原子力プラント1基──いずれも、数百〜数千の事業者が
関わって初めて完成する。防衛装備庁の今村健一・防衛技官は、この実態を端的に表現している。どのよ
うな装備品も、基本的に1社では作れない。たとえば1つの車両が完成するまでには、資源や部品の調
達、製造加工はもちろん、輸送などの役務提供も含めると、民間を含む数万の企業が関わっている可能性
がある、と。

このサプライチェーンには、自動車・電機・半導体とは異なる構造的な難しさが3つある。

第一の特性は、ティア2/3への深い依存である。完成品メーカー（プライム）は、ティア1の主要協力企業
に発注する。ティア1はティア2の専門加工業者に外注し、ティア2はティア3の素材・部品メーカーから
調達する。重工業のティア2/3には、他社では代替できない特殊加工技術を持つ中小企業が多く含まれ
る。鍛造、特殊溶接、精密機械加工、表面処理──いずれも、長年の蓄積と熟練の手仕事に支えられてい
る。プライム企業がいくら設備を増強しても、ティア2/3の生産能力が追いつかなければ、最終製品は出
荷できない。

第二の特性は、サプライチェーンの「見えなさ」である。プライム企業は、ティア1までは契約関係があ
り、データを把握できる。だが、ティア2/3は契約上の直接の関係がなく、その実態を把握する仕組みが
存在しないことが多い。コロナ禍や半導体不足の際に、多くの製造業が「思わぬところでサプライチェー
ンが切れていた」事態に直面したのは、この見えなさの結果である。

第三の特性は、規制要件と経済安全保障の文脈である。防衛・原子力・航空分野のサプライチェーンは、
情報保全規制（セキュリティ・クリアランス、輸出管理）の対象であり、市販の汎用SCMツールでそのま
ま管理できない領域がある。加えて、2020年代以降は経済安全保障の文脈で、サプライチェーンの「透
明化」と「強靭化」が国家政策として位置づけられるようになった。

「ティア2/3の実態が見えない」「特殊技術を持つ中小サプライヤーが事業承継問題を抱えている」「い
ざという時にサプライチェーンが切れる」──これが、重工業のサプライチェーンDXが解くべき課題の
正体である。

8.2 サプライチェーンDXがもたらす変化の地図

過去5年で、重工業のサプライチェーンDXは3つの大きな変化が同時に進行している。

変化1：ティア1からティア2/3への「可視化範囲の拡張」。業界の先行モデルがトヨタ自動車の「レスキ
ュー」で、コロナ禍で供給網把握を従来の2週間から半日へ短縮した。重工業のプライムも、ここ1〜2年
でこの方向に動き始めている。三菱重工は2024年9月にグループ共通の直接材調達・購買管理システムに
BIPROGYの「eBuyerBrains」を稼働させ、購入要求・見積・発注・検収のプロセスで蓄積されるデータ
をリアルタイムに調達分析・サプライヤー管理に活用する体制を整えた。IHIは2024年6月にサプライチ
ェーンに関する第三者評価プラットフォームEcoVadisと契約を締結し、業界横断のリスク評価基盤を活
用する道筋を示した。

変化2：経済安全保障推進法と防衛生産基盤強化法という政策的後押し。2022年成立の経済安全保障推進
法は航空機部品・船舶部品を「特定重要物資」に指定し、経産省は2024年4月に「サプライチェーン現代
化検討会」を新設、744億円の予算で大型鍛造品・複合材料など部素材の増産・研究開発を支援してい
る。2023年成立の防衛生産基盤強化法は、防衛装備品のサプライチェーン強靭化に「供給網強靭化／製
造工程効率化／サイバーセキュリティ強化／事業承継等」の4つの措置を定め、プライム企業のみならず
サプライヤーも財政支援の対象となる。これにより、重工3社のサプライチェーンDXは「自社内のIT投
資」から「経産省・防衛省・業界団体と連携した政策的事業」へと位置づけが変わりつつある。

変化3：海外プライム並みの「インテグレーター機能」への要請。経団連が2025年7月の提言で指摘する
とおり、日本の防衛装備移転案件の約8割は修理等にとどまる。Lockheed MartinやBAE Systemsのよう
な海外プライムは、共通規格・明確な仕様書による調達慣行を確立し、サプライチェーン全体を統括する
インテグレーター機能を持っている。日本のプライムが国際競争で同等の機能を発揮するための共通基盤
整備が、足元のサプライチェーンDXの動きとして始まっている。

8.3 重工業のサプライチェーンDXを左右する4つの論点

サプライチェーンDXの成否を分ける論点は4つに集約される（図表8-1）。

KSF1：ティア2/3の可視化を「平時から」進める（有事に慌てて調査するのではなく、日常的に部品・サ
プライヤー・拠点・代替供給源を更新する仕組みを運用する。三菱重工eBuyerBrains・IHI EcoVadisが起
点、トヨタ「レスキュー」が業界ベンチマーク）、KSF2：経済安保・防衛政策の戦略的活用（経済安保
推進法・防衛生産基盤強化法を「IT投資の周辺事情」ではなく自社DX戦略の一部に組み込む）、KSF3：
業界仕様データ共有基盤の設計（プライム-サプライヤー間のデータ連携は業界共通仕様で設計しないと
サプライヤー側の対応コストが膨らむ。経産省セキュリティ対策評価制度・EcoVadis等を活用）、
KSF4：中小サプライヤーの事業承継対応（可視化された先のサプライヤーが事業継続できなければ意味
がない。事業承継・人材紹介の「面的支援」が必要）。

図表8-1：サプライチェーンDXの4つのKSF（まとめ）
#
論点
具体的な意味
実装の含意
KSF1
ティア2/3の可視化を
「平時から」進める
有事に慌てて調査するのではなく、
日常的に部品・サプライヤー・拠
点・代替供給源を更新する仕組みを
運用
三菱重工eBuyerBrains（2024年9
月）、IHI EcoVadis（2024年6月）
が起点。トヨタ「レスキュー」が業
界ベンチマーク
KSF2
経済安保・防衛政策の
戦略的活用
経済安保推進法・防衛生産基盤強化
法を「IT投資の周辺事情」ではなく
自社DX戦略の一部に組み込む
航空機部品特定重要物資指定・744
億円予算・サプライチェーン現代化
検討会と連動した投資計画
KSF3
業界仕様データ共有基
盤の設計
プライム-サプライヤー間のデータ
連携は、業界共通仕様で設計しない
とサプライヤー側の対応コストが膨
らむ
自社単独ではなく業界エコシステム
として整備。経産省セキュリティ対
策評価制度・EcoVadis等の活用
KSF4
中小サプライヤーの事
業承継対応
可視化された先のサプライヤーが事
業継続できなければ意味がない。事
業承継・人材紹介の「面的支援」が
必要
防衛生産基盤強化法の「事業承継
等」措置を活用。プライム企業の伴
走支援が長期競争力を決める

8.4 業界事例 ― サプライチェーンDXの先進実装

サプライチェーンDXは、重工3社が2024年に入って具体的な実装段階に踏み込んだ最新領域である。

三菱重工 eBuyerBrains ― グループ共通の調達基盤（KSF1対応）：2024年9月、グループ共通の直接材
調達・購買管理システムにBIPROGYの「eBuyerBrains」を採用し稼働を開始した。従来は事業部ごとに
別々の調達システムが存在し、全社での購買データ分析や調達関連情報の可視化が困難だったが、新基盤
により約300社・約8万人のグループ全体の調達データを一元化した。背景となるコンセプトは「リアル
タイム経営の実現／グローバルONEポリシー／コスト低減／ゼロペーパー」の4本柱。Ch.7で論じた本
社・経営機能DXと、本章のサプライチェーンDXが一体的に推進されている代表例である（図表8-2参
照）。

IHI EcoVadis ― 業界横断の第三者評価プラットフォーム（KSF1・KSF3対応）：2024年6月、サプライチ
ェーンに関する第三者評価プラットフォームEcoVadisと契約を締結。お取引先にEcoVadisのサステナビ
リティ評価を受けることを促し、評価上問題がない場合は優良サプライヤーとして管理、懸案があれば特
別な聞き取り調査を実施する運用を構築した。コンプライアンス違反などの公開ニュースが即座にピック
アップされ、リスクを抱える取引先に対して迅速な対応が可能となる仕組み。業界横断の第三者評価プラ
ットフォームをハブとして使うことで、自社単独では困難な広域のサプライヤー情報を、外部の仕組みに
乗せて把握する道筋を示している。

経産省サプライチェーン現代化検討会（KSF2対応）：2024年4月末に新設、日本航空宇宙工業会のほか
三菱重工業、川崎重工業、IHIなどの国内サプライヤーが委員として参加している。経産省は航空機部品
を経済安全保障上の「特定重要物資」に指定し、744億円の予算で大型鍛造品や複合材料など部素材の増

産・研究開発を支援している。重工3社のサプライチェーンDXは、もはや「自社内のIT投資」ではなく、
「経産省・防衛省・業界団体と連携した政策的事業」へと位置づけが変わりつつあることを示す事例であ
る。

トヨタ「レスキュー」 ― 業界ベンチマーク（KSF1対応）：自動車業界の先行モデルとして、トヨタは自
社構築したサプライチェーン情報システム「レスキュー」で、国内工場で生産する車両に必要な部品・部
材の品目数、海外を含めた部品メーカーの情報を管理。足元で数十万件のデータを保有しており、コロナ
禍では供給網の状況を把握する時間が、以前は2週間程度かかっていたものが半日程度で済んだという。

ティア1約400社、ティア2の1万社超、ティア3までを含めてWebを介して部品各社の課題や困りごとを聴
取する仕組みを運用している。重工業のプライムが目指すべき到達点を示している。

8.5 重工業特有の追加条件と、日本企業への含意

ここまでの4つのKSFは、サプライチェーン全般に共通する論点でもある。重工業の場合、これに加え
て、業界固有の制約が複数重なる。

国際的な完結性の課題：経団連の提言が指摘する通り、日本の防衛装備移転は8割が修理等であり、完成
品の海外移転といった大型案件は極めて限定的である。グローバル市場で本格的に競争するには、サプ
ライチェーンを国際取引に耐える仕様に作り変える必要がある。これは、Ch.7で触れたインテグレータ
ー機能とも連動する論点である。

情報保全とデータ共有の両立：防衛・原子力・航空分野のサプライチェーンデータは、情報保全規制下に
ある。汎用クラウドSCMでは扱えず、専用回線・国内保管・特定ベンダー認定といった制約下で、サプラ
イヤーと安全にデータを共有する基盤を構築する必要がある。経済産業省のセキュリティ対策評価制度
（★3/★4/★5の段階制度）の動向を踏まえた設計が求められる。

生成AIの組み込み：サプライチェーンDXに蓄積されるデータ（サプライヤー情報、契約条件、品質履
歴、納期実績、リスク情報）は、生成AIの分析対象として有望である。サプライヤーリスクの早期検知、
調達計画の最適化、代替供給源の探索──これらの領域で、生成AIを補助ツールとして組み込む実装が、
ここから先5年で本格化する。三菱重工のeBuyerBrains、IHIのEcoVadisといった既存基盤に蓄積された
データが、その学習材料となる。

そして、Ch.4〜Ch.7と同様にここでも、「DXに着手」と「DXが効く」の距離を直視する必要がある。重
工3社は、サプライチェーンDXの基盤整備にこの1〜2年で本格的に踏み込んだ段階である。三菱重工の
eBuyerBrainsの稼働が2024年9月、IHIのEcoVadis契約が2024年6月、経産省のサプライチェーン現代化
検討会の初会合が2024年4月末──いずれも、まだ実装の初期段階にある。これらがティア2/3まで含め
た実効的な強靭化、有事の対応力向上、国際競争力強化に結びつくのは、ここから先5〜10年の取り組み
の積み重ねの結果として現れる。

09 結論・戦略示唆

重工業のDXは、いま何を選ぶべきか

K E Y F I N D I N G S

重工業のDXは、本書がCh.4〜Ch.8で示した5領域すべてを一気に進めようとすると、ほぼ確実に失
敗する。自社の競争力源泉と最弱点に応じた「効きどころ」の選択が、すべての出発点となる
重工3社（三菱重工・川崎重工・IHI）はそれぞれ独自のアプローチで先頭集団を形成しており、そ
のスピードは2024年〜2025年で一段加速している。「DXに着手」から「DXが効く」への移行が、
ここから5年の最大の論点となる
経営層が下すべき意思決定は、標準化と個別最適化の線引き／投資の時間軸（3年KPIと10年組織
変革の二重評価）／DX人材を事業部主導で育てる組織設計の3点に集約される
事業部・現場のレベルでは、現場主導の小さなDXから始めること、現場にしかないナレッジを形式
知化していくことが、結果的に最も早く成果に結びつく
自社単独で全領域をカバーする必要はない。外部パートナー（コンサル、AI伴走、システム開発）
との分業を前提に、「自社にしかできない領域」を見極めることが、限られた経営資源を最大化す
る

9.1 ここまでの議論の統合 ― 重工業DXの本質的論点

本書はCh.1で重工業を取り巻く三重の圧力（顧客・自社・競合）を、Ch.2で業界の構造的特徴（一品も
の・MRO・巨大BOM・熟練技能・サプライチェーン）を整理し、Ch.3で5領域からなるDX全体像を提示
した。Ch.4〜Ch.8で各領域を順に深掘りし、それぞれに4つのKSFを示してきた。

これらを束ねたとき、重工業のDXに共通する4つの本質的論点が浮かび上がる。

論点1：「DXに着手」と「DXが効く」の距離
5つの領域すべてで、同じ構造が繰り返し現れた。多くの重工メーカーは、設計DXに3D CADやPLMを導
入し、製造現場DXに動画マニュアルやAI外観検査を試行し、アフターサービスDXに遠隔監視を始め、本
社DXにSAP S/4HANAやBIツールを入れ、サプライチェーンDXに調達基盤を刷新した。いずれも「着手済
み」の状態にある。だが、これらが事業成果に結びついているかは別問題である。

中小企業白書2025が示すように、日本の製造業全体ではDX着手企業が88%に達した一方、競争力強化に
踏み込めているのはわずか3%にとどまる。重工業も、この乖離の中にいる。三菱重工パワーのTOMONI
HUBが10年以上の積み重ねを経てようやく年間数億円規模の経済価値を生み始めたという事実は、「DX
が効く」までに必要な時間軸を示している。

論点2：競争領域と非競争領域の「線引き」
5領域を横断する最重要の論点が、競争領域と非競争領域の切り分けである。三菱重工の田崎陽一・デジ
タルイノベーション本部長が「標準化は強制せず、会計や調達といった非競争領域に絞って実施する。販
売・アフターサービス・IoT・サプライチェーンといった競争領域は事業部の主体性に委ねる」と述べる
設計思想は、重工業のDX設計の現実解である。

一律のERPで全社を縛ろうとすると、競争領域の現場が「業務に合わない」と反発し、プロジェクトは頓
挫する。逆に、非競争領域でも各事業部の自由を残せば、データの一元化は永遠に実現しない。メリハリ
の設計が、5領域すべてで問われる。

論点3：技術と組織能力の同時整備
5領域すべてで、ツール導入だけでは成果が出ないことが繰り返し確認された。設計DXのKSF1「ツール
導入ではなく業務プロセス変革とセットで進める」、製造現場DXのKSF4「暗黙知を個人の動きから組織
知へ二段階で変換する」、本社DXのKSF3「ダッシュボードを作るだけでは終わらない」、アフターサー
ビスDXのKSF3「顧客との長期信頼関係をデータ共有の前提として設計する」──いずれも、技術と組織
能力を同時に整備することの重要性を指している。

三菱重工が2025年に経営方針を「ITO（Innovative Total Optimization）」と再定義し、DI人材認定制度
を本格展開したのも、IHIがTableauと「スキルベルト制度」を一体で展開しているのも、川崎重工が
2023年4月にDX戦略本部を本社統合したのも、いずれも「技術と組織能力の同時整備」という同じ問題
意識からの取り組みである。

論点4：政策・業界エコシステムとの連動
特にCh.8で明確になったのが、重工業のDXは業界エコシステムと政策的枠組みとの連動なしには進まな
い、という事実である。経済安全保障推進法、防衛生産基盤強化法、経産省のサプライチェーン現代化検

討会、経産省のセキュリティ対策評価制度──これらは、もはや「自社のIT投資の周辺事情」ではなく、
自社のDX戦略そのものの一部として組み込むべき要素となった。

これは設計DXの業界仕様データ連結、製造現場DXの規制対応、アフターサービスDXの情報保全要件にも
通じる。重工業のDXは、自社単独では完結できない領域である。

これら4つの本質的論点を踏まえたうえで、重工メーカーは何を意思決定し、何から着手すべきか。次節
で、5つのアクションプレイブックを提示する。

9.2 重工メーカーが起こすべき5つのアクション

ここで提示するのは、重工メーカーの経営層・事業部門・現場が、それぞれの立場から取り組むべきアク
ションを5つに整理したプレイブックである（図表9-2）。「全部やる」必要はなく、自社の現在地と競
争戦略に応じて、優先順位を付けて取り組むべきものである。

アクション1：5領域から自社の「効きどころ」を選び、3年計画で焦点化する。本書が示した5領域（設
計DX・製造現場DX・アフターサービスDX・本社/経営機能DX・サプライチェーンDX）のうち、自社の競
争力源泉と最弱点に応じた優先順位を経営として明示する。重工3社の実例を見ると、それぞれが異なる
重心を選んでいることが見て取れる。三菱重工はΣSynXを軸に5領域を横串で貫く設計を志向しつつ、本
社・経営機能DXに強いコミットメントを置く。IHIはアフターサービスDXを事業構造変革と連動させ、
「モノ売りからコト売りへ」の旗印として位置づけている。川崎重工はIX（インテリジェンス・トランス
フォーメーション）という次世代キーワードを掲げ、本社統合を起点にデータ統合を進める。3社のアプ
ローチが異なることは、「正解は一つではない」ことを示している。

アクション2：標準化と個別最適化の「線引き」を経営判断で示す。競争領域と非競争領域を経営の権威
で線引きする。各事業部から「うちは特殊」と言われても、会計・調達・人事・基本IT基盤といった非競
争領域は全社標準化を貫く。一方、販売・アフターサービス・現場改善・サプライチェーンといった競争
領域では事業部の主体性を最大限尊重する。この線引きを曖昧にすると、ERP刷新は「アドオン大量追加
プロジェクト」に堕する。三菱重工がeBuyerBrainsをグループ共通の直接材調達基盤として導入し、
Azure×SAP S/4HANAを全社の基幹システムとして刷新しつつ、競争領域は事業部主導に委ねているの
は、この線引きの実装例である。

アクション3：DX人材を「事業部内」で育てる。DX人材育成をIT部門の責任で完結させず、事業部門と本
社の協働プロジェクトとして、認定制度・キャリアパスを設計する。3社の取り組みはいずれもこの方向
を向いている。三菱重工のDI人材認定制度（BASIC・ADVANCED・MASTERの3段階）、IHIのスキルベル
ト制度、川崎重工がDX戦略本部に各カンパニーの情シスを集約しつつ人材還流をキャリアパスに組み込
んでいる動きは、いずれも「IT部門に依頼書を出して半年待つ」発想を脱し、現場で言語化し、現場で改
善ツールを作る習慣を育てる組織設計である。

アクション4：現場主導の「小さなDX」から始める。いきなり全社規模・数十億円規模の統合プロジェク
トを立ち上げるのではなく、1工場・1部門・1工程単位の小さな成功体験を複数積み重ね、横展開のテン
プレートに育てる戦略を採る。三菱重工がkintone内製化を52部門・3,000人規模に育てたのも、川崎重
工がKMC明石工場のAI外観検査をエンジン組立→溶接ビード→外観キズと段階展開し、メキシコ・タイ
へ横展開しているのも、いずれも「小さく始めて広げる」順序を取っている。取り組むべきパターンに
は、現場の業務改善アプリの内製化、動画マニュアル・AR/MR作業支援、AI外観検査、現場にしかないナ

レッジの形式知化がある。製造業に携わる人口が20年で約100万人減少した現実を踏まえれば、「いつか
やる」では間に合わない。

アクション5：政策枠組みと外部パートナーを「戦略的に使い倒す」。自社単独で全領域をカバーする必
要はない。経済安全保障推進法、防衛生産基盤強化法といった政策枠組みは、サプライチェーンDX投資
に国の財政支援が組み込まれた政策的枠組みを初めて整備した。航空機部品の特定重要物資指定、744億
円の予算、計画事業費17.2兆円→43.5兆円への増額──これらは自社のDX戦略の一部として位置づけ直
すべき要素である。外部パートナーとの分業も避けて通れず、論点ごとに外部の知見を借りる場面を作
る：DXコンサル（5領域の優先順位設計、組織変革プログラムの設計）、AI伴走支援（暗黙知デジタル
化、生成AIの業務組み込み）、システム開発（基幹システム刷新、データ連携基盤）。重要なのは、外部
パートナーに「丸投げ」しないこと。スコープも現実的に設定し、5,000万円規模・1工場or1部門レベル
から始めるのが現実的である。小さく始めて成功体験を横展開する──この順序こそが、重工業のような
巨大組織のDXを前に進める。

図表9-2：重工メーカーが起こすべき5つのアクション（まとめ）
#
アクション
経営層が下すべき決定
事業部・現場の動き方
1
5領域から「効きどこ
ろ」を選び、3年計画
で焦点化する
自社の競争力源泉と最弱点に応じた優
先順位を経営として明示。「全部や
る」を捨てる
経営の優先順位枠内で、1工場・1部門
レベルから具体的な実装を始める
2
標準化と個別最適化
の「線引き」を経営
判断で示す
非競争領域は経営の権威で標準化、競
争領域は事業部の主体性を尊重するメ
リハリを設計
自部門の業務を「他と同じで構わない
もの」と「自部門の競争力」に区別す
る自己認識を持つ
3
DX人材を「事業部
内」で育てる
IT部門に任せず、事業部門と本社の協
働で認定制度・キャリアパスを設計。

経営方針と一体化
「IT部門に依頼書を出して半年待つ」
発想を脱し、現場で言語化・現場で改
善する習慣を育てる
4
現場主導の「小さな
DX」から始める
全社統合プロジェクトではなく、1工
場・1部門・1工程単位の成功体験を横
展開のテンプレートに育てる
業務改善アプリ内製化／動画マニュア
ル／AI外観検査／現場ナレッジ形式知
化の4パターンを試す
5
政策枠組みと外部パ
ートナーを「戦略的
に使い倒す」
自社単独で全領域を抱え込まず、政策
支援・コンサル・AI伴走・システム開
発との分業を前提に設計
自部門の業務課題を、外部パートナー
に「言語化して伝えられる」状態に整
える

9.3 「DXに着手」と「DXが効く」の距離を埋めるために

ここまでの議論を通じて繰り返し現れた論点が、「DXに着手」と「DXが効く」の距離である。本書を締
めくくるにあたって、この距離を埋めるための3つの視座を提示しておきたい。

第一に、評価軸を二重化する。重工業のDXは、5〜10年の時間軸で組織能力を変える営みである。3年で
結果を出す短期評価軸（稼働率改善、計画外停止削減、リードタイム短縮等の具体的KPI）と、10年で組
織変革を測る長期評価軸（DX人材数、データドリブン意思決定の浸透度、新規事業モデルの立ち上げ

等）を、二重で持つ。短期評価だけで判断すると、地道な基盤整備が打ち切られる。長期評価だけで判断
すると、現場の改善モチベーションが続かない。

第二に、経営トップの長期コミットメントを確保する。経営トップが3年で変わり、その都度方針が変わ
るようでは、本社・経営機能DXもアフターサービスDXも前に進まない。三菱重工が2024年12月に伊藤栄
作新社長を発表し、2025年に経営方針「ITO」を打ち出したように、CEO人事とDX戦略を一体で設計す
る動きが重要である。

第三に、海外プライムとの距離を冷静に見る。Boeing、Airbus、Rolls-Royce、Lockheed Martinといっ
た海外プライムは、デジタルスレッド、生成AI、Power-by-the-Hour、インテグレーター機能などの領域
で、数年単位の実装経験を蓄積している。日本の重工メーカーが海外プライムと長期協業を組んでいくう
えで、「DXの進捗」は契約交渉のテーブルに乗る評価項目になりつつある。逆に言えば、ここで遅れる
ことは、グローバル競争での発言力低下に直結する。

ものづくり白書2025がDXを「効率化の道具ではなく、企業変革のエンジンとして捉えるべき」と位置づ
けたのは、こうした文脈の上でのことだ。重工業のDXは、もはや「経費削減のためのIT投資」ではな
く、事業を続けるため、事業を変えるための経営戦略の中核に位置づけられるべきテーマとなってい
る。

【本書の主要参考資料】
三菱重工業：BE:YOND 2025セッションレポート（田崎陽一氏講演）、DX銘柄2025選定、
Azure×SAP S/4HANA導入事例、TOMONI HUB／TOMONI実装事例（三菱重工技報）、kintone内製
化（山本浩道氏）、eBuyerBrains導入（2024年10月）
川崎重工業：Kawasaki Report 2025、Gartner ITシンポジウム講演（中谷浩氏）、KMC明石工場のAI
外観検査（川崎重工技報）
IHI：統合報告書2024・2025、福岡千枝氏（高度情報マネジメント統括本部長）、ILIPS、EcoVadis契
約（2024年6月）、航空エンジンMRO検討会
政府資料：ものづくり白書2025、通商白書2025、中小企業白書2025、IPA「DX動向2025」、内閣府
サプライチェーン強靱化資料、経産省サプライチェーン現代化検討会、防衛装備庁「防衛生産基盤強
化法」(今村健一氏インタビュー含む)、経団連「わが国の防衛装備移転のあり方に関する提言」
（2025年7月）
海外プライム：Boeing（生成AI 70以上アプリ、デジタルツイン）、Airbus（bionic partition）、
Rolls-Royce（TotalCare、EHM）、GE（Predix失敗事例）
他業種参照事例：トヨタ「レスキュー」、横河電機（IT×OTデータレイク）、ファーストリテイリン
グ、デンソー、tebiki、明和工業

データ基盤を選ぶ・設計する

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
データ基盤を
選ぶ・設計する
業務との接続と組織のガバナンスから
逆算する
Selecting and Designing a Data Infrastructure:
Reverse-Engineering from Business Connectivity
and Organizational Governance

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、製造業のDX担当者（事業部のDX推進・経営企画・IT部門・製造本部の部長・課長クラス）を読
者に想定した、データ基盤の選択論に関する実務レポートである。「データ基盤を入れましょう」とい
う掛け声ではなく、どの技術アーキテクチャを、どんな業務と意思決定のために、どう設計し、どう組織
のガバナンスとつなぐかという技術的・実務的な具体に踏み込む。

近年、製造業の現場では、DXへの投資が累積してきた。DWHを導入し、データレイクを構築し、IoTでセ
ンサーデータを集め、生成AIを試す ―各社が次々と最新の技術を取り入れている。しかし、その投資が
業務の意思決定にどれだけ届いているかという問いに対しては、答えに窮する企業が多い。「データ基盤
は入れたが、PoCで止まり、本番運用に至らない」「データはあるが、現場の意思決定に使えていない」
「全社統一DWHを構築したが、各部門の業務に馴染まない」 ―これらは多くの製造業に共通する症状で
ある。

本書が一貫して主張するのは、データ基盤の選択論の成否は「最新の技術スタック（DWHかレイクハウ
スか等）を選ぶこと」ではなく「自社の業務と意思決定の構造に合わせて段階的に拡張できる基盤を作
り、OTとITの統合と組織のガバナンスまで設計すること」で決まるという点である。技術選択は本書の
核心ではない。それは「自社の業務にどう使うか」という問いに従属する手段である。重要なのは、(1)
5階層の構成要素を理解し、(2) 業務と意思決定の活用層から逆算して設計し、(3) 製造業固有のOT×IT統
合に踏み込み、(4) 組織のガバナンスを技術と一体で設計することだ。

本書は経済産業省「DXレポート」「ものづくり白書」等の公開情報および一般的な実装知見に基づく。記載する技術選択
肢は2026年時点のもので、急速に進化する領域のため定期的な再評価を推奨する。

1
なぜいまデータ基盤の選択論か
DX投資は累積するが、業務との接続が課題に
2
データ基盤の5階層
収集・蓄藏・処理・カタログ・活用
3
技術スタックの主要選択肢
クラウドDWH・レイクハウス・データメッシュの対比
4
「データ基盤を入れただけ」の罠
PoC止まり・データ沼化・業務未接続・統治の組織問題
5
製造業固有の論点 ―OTとITの統合
技術の壁・組織の壁・セキュリティの壁
6
データ基盤の3類型
全社統一型・ドメイン型・ハイブリッド型
7
導入ロードマップと落とし穴

ユースケース選定から始める順序、定着のコツ、つまずき

エグゼクティブ・サマリー

5つのキーメッセージ
データ基盤の選択論の成否は、最新の技術スタックを選ぶことではなく、業務との接続と組織のガバナン
スを設計することで決まる。本書の要点を5つにまとめる。

1
DX投資は累積するが、業務との接続が問われる時代に入った
多くの製造業がDWH、データレイク、IoT基盤、生成AIへの投資を進めてきた。しかし、そうした
基盤投資が「PoCで止まり本番運用に至らない」「データはあるが意思決定に使えない」という症
状を生んでいる。経済産業省「DXレポート」も、IT予算の80%が既存維持に使われている現状を
指摘する。基盤を入れただけでは業務は変わらない。業務との接続を最初から設計する時代に入
った。

2
データ基盤は「5階層」で捉える。下から積むが、上の活用層から逆算する
収集（センサー・ERP等から実績を集める）→蓄藏（DWH・データレイク・レイクハウス）→処
理（ELT/ETL・dbt）→カタログ・ガバナンス（メタデータ・品質・権限）→活用（BI・AI/ML・業
務システム）。この5階層を構成要素として理解する。実装は下から積み上げるが、設計は上の活
用層 ―どんな業務でどんな意思決定をするか ―から逆算するのが本質的に正しい順序である。

3
主要選択肢は3つ。クラウドDWH・レイクハウス・データメッシュ。優劣でなく適合性で選ぶ
クラウドDWH（Snowflake、BigQuery等）はSQL中心の構造化分析に強い。レイクハウス
（Databricks、Microsoft Fabric等）は構造化と非構造化を統合しAI/MLにも対応する。データメ
ッシュは技術というより組織パターンで、ドメイン別の分散管理を可能にする。「どれが優れてい
るか」ではなく「自社の業務とデータと組織にどれが合うか」で選ぶ。一つに統一せずハイブリ
ッドにする選択肢もある。

4
製造業特有の最大の難所は、OT（運用技術）とIT（情報技術）の統合
OT（センサー・PLC・MES・現場制御）は高信頼性とリアルタイム性が必須で「止めないこと」
が最優先。IT（ERP・SCM・CRM等）は柔軟性と変化対応が重視される。両者の統合には、技術の
壁（プロトコル違い）、組織の壁（製造本部とIT部門が別、文化も予算も別）、セキュリティの壁
（OTへのサイバー攻撃リスク）がある。データ基盤設計の最大の難所は技術論よりこの組織と文
化の問題にある。

5
大手製造業はハイブリッド型に収斂しつつある。段階的拡張が現実解
全社統一型（一つのDWHに集約）は統制が強いが規模拡大で破綻も多い。ドメイン型（事業部別
管理）は柔軟だが統制が難しい。両者の中間を取るハイブリッド型（共通基盤＋ドメイン別運
用）が、大手製造業の主流アプローチになっている。導入は「ユースケースを絞る→基盤設計→ガ
バナンス整備→段階的拡張」の4段階で、一斉ではなく積み上げで進める。

01 なぜいまデータ基盤の選択

論か
DX投資は累積するが、業務との接続が課
題に

K E Y F I N D I N G S

製造業のDX投資はDWH、データレイク、IoT、生成AIと累積している
しかし、PoCで止まり本番運用に至らない、業務の意思決定に使えないという症状が多い
経済産業省「DXレポート」は、IT予算の80%がレガシー維持に消える「2025年の崖」を警告してき
た
「基盤を入れる」から「業務と接続する」「組織のガバナンスを設計する」へと論点がシフトして
いる

1.1 DX投資の累積と業務接続のギャップ

過去数年、日本の製造業はDXへの投資を加速させてきた。クラウドDWHやデータレイクの導入、IoTセン
サー基盤の構築、生成AI・分析ツールの試験導入 ―各社が次々と最新の技術を取り入れている。経営層
は「DXに投資している」という認識を持つ。

出所：経済産業省「DXレポート」および taiziii Research による考察
しかし、現場の実感はそれと食い違うことが多い。「データ基盤は入れたが、PoCで止まり、本番運用に
至らない」「データはあるが、現場の意思決定に使えていない」「ダッシュボードは作ったが、見るだけ
で終わる」 ―これらは多くの製造業に共通する症状である。経済産業省「DXレポート」「ものづくり白
書」は、こうした課題を早くから指摘してきた。IT予算の80%がレガシーシステムの維持・運用（ラン・
ザ・ビジネス）に充てられ、新規価値創造に回らない現実。「2025年の崖」と呼ばれた状況は、いまも
各企業の課題として残る。

1.2 業務テーマの「土台」としての位置付け

データ基盤は、製造業DXにおける個別業務テーマ ―需要予測、設計資産活用、OEE、予知保全、歩留ま
り改善、外観検査AI、サプライチェーン可視化、調達・在庫最適化、製造原価リアルタイム化など ―の
すべてに共通する「土台」である。各業務テーマは独立して取り組めるが、いずれもデータ基盤の上に成
り立つ。基盤が崩れれば、業務テーマもすべて崩れる。

逆に言えば、データ基盤を業務テーマと切り離して論じる意味は薄い。各業務でどう使うか ―どんなデ
ータを、どんな粒度で、どんなスピードで、どこに届けるか ―を起点に基盤を設計するべきである。本
書ではこの思想に沿って、「技術選択論」よりも「業務と組織との接続論」を中核に据える。

1.3 論点の中心は「技術」から「組織と接続」へ

データ基盤の議論はかつて、「どの製品（DWH／データレイク／レイクハウス）を選ぶか」という技術
論が中心だった。しかしいまや、技術選択肢は十分に成熟し、機能差は縮まりつつある。代わりに前面
に出てきたのが、業務とのつなぎ方、データのガバナンス、組織の責任の所在、そして製造業特有のOT
（運用技術）とIT（情報技術）の統合といった、「技術より一段上の設計」の論点である。本書はこの論
点を扱う。

ただし、論点は技術より一段上（組織）だけにあるのではない。もう一つ、技術より一段下にも決定的な
論点がある。現場の業務とデータ構造そのものを、正確に写し取れるかだ。どんな製品を選ぶかの手前
で、自社のデータが実際どう生まれ、どう流れているかを描けなければ、基盤は立ち上がらない。本書
は、この「一段上」と「一段下」の両方を扱う。

本書の立場：基盤を入れるだけでは業務は変わらない
技術選択の良し悪しはもちろん重要だ。しかし、それだけでは業務の意思決定は変わらない。業務との
接続をどう設計し、組織のガバナンスをどう整え、現場と経営が同じデータを見られる体制をどう作る
か。本書はこれらすべてを射程に入れる。データ基盤は技術投資であると同時に、業務改革と組織改革
への投資である。

そして忘れてはならないのが一段下の前提だ。現場のデータの流れ（後述するDFD）を写し取れなけれ
ば、組織をどれだけ整えても、基盤はデータの実態と噛み合わないまま立ち上がらない。

02 データ基盤の5階層

収集・蓄藏・処理・カタログ・活用

K E Y F I N D I N G S

データ基盤は5階層 ―収集・蓄藏・処理・カタログ/ガバナンス・活用 ―で捉えると論点が整理さ
れる
上位ほど業務に近い。下位ほど技術インフラとしての性格が強い
実装は下から積み上げるが、設計は上の活用層から逆算するのが正しい
5階層のうち一つでも欠けると基盤は機能しない。階層別に責任者を置くのが現実的

2.1 5階層モデルで構成要素を整理する

「データ基盤」と一言で言っても、その中身は多層的である。本書ではこれを5階層に分解して扱う。そ
れぞれの階層は独立した役割を持ち、別の技術・別の責任者で運用される。これを混在させたまま議論す
るから、設計判断が定まらない。

出所：データ基盤アーキテクチャの一般的な整理に基づき taiziii Research 作成

2.2 各階層の役割

① 収集は、すべての起点となる階層である。製造業の場合、データの出所は多岐にわたる ―センサー、
PLC、MES、ERP、SCM、CRM、販売管理、購買管理、品質管理、設計CAD。これらの実績データを発生
時点で取り込む仕組みが要る。製造業の特殊性として、後述するOT系（センサー・PLC・MES）とIT系
（ERP・SCM・CRM）が別系統で発展してきたため、ここの統合が最大の難所になる（第5章）。

もう一つ、収集段階で見落とされがちな落とし穴がある。用語そのものが、社内で共有されていないこと
だ。密度の濃い現場ほど、用語は内部で独自に進化し、外部の共通語から離れていく。同じ「ワーク」
「ロット」という言葉でも、部署によって指す範囲が違う。この状態でマスターを統合しようとすると、
同じ名前の別物、別の名前の同一物が混ざり、データの意味が合わなくなる。技術で解く前に、まず言葉
を揃える作業が要る。

② 蓄藏は、集めたデータを置く場所である。クラウドDWH（Snowflake、BigQuery等）、データレイ
ク、レイクハウス（Databricks、Microsoft Fabric等）が代表的選択肢。「どこにどう置くか」の選択は
第3章で詳しく扱う。

③ 処理・変換は、蓄藏されたデータを使える形に整える階層。ELT／ETLツール（dbt、Fivetran等）、
DWH内部の処理機能、データ前処理が含まれる。データクレンジング、マスター統合（MDM）、フォー
マット変換などを行う。

④ カタログ・ガバナンスは、本書が特に重視する階層である。「どんなデータがどこにあるか」を探せ
ること、「そのデータが信頼できるか」を担保すること。データカタログ（Collibra、Alationなど）、メ
タデータ管理、データ品質、アクセス権限、データオーナーシップが含まれる。この階層が欠けると、デ
ータレイクは「データ沼」と化す（誰も使えないデータの集積所）。後述する4つの罠の中核にこの問題
がある（第4章）。

⑤ 活用は、業務の意思決定にデータを使う階層。BIツール（Tableau、Power BI、Looker等）、AI/MLモ
デル、業務システムへの組み込み、生成AIの活用が含まれる。本書の中心テーマである「業務との接続」
が問われるのはこの階層である。

2.3 設計は上の活用層から逆算する

5階層を理解した上で、最も重要な原則がある。実装は下（収集）から積み上げるが、設計は上（活用）
から逆算するのが正しい順序である。

多くの企業が陥る罠は、「とにかくデータを集めよう」「DWHを入れよう」と下から積み上げることに
終始する点である。だがその場合、何のためにこのデータを集めたのか、どう使うのかが曖昧なまま、デ
ータだけが膨大に溜まる。そして第4章で論じる「PoC止まり」「データ沼」「業務未接続」が発生す
る。

逆に、「どんな業務で、どんな意思決定をしたいか」を最初に定義し、そこから必要なデータと階層を逆
算すると、無駄な投資が減り、業務とのつながりが最初から組み込まれる。本書のロードマップ（第7
章）も、ユースケース選定（活用層から）を起点にしている。

2.4 逆算の、さらに手前 ―「データフロー図」が描けるか

ただし、この「活用層から逆算する」にも、さらに手前の前提がある。現場のデータが実際にどう流れて
いるかを、正確に写し取れるかだ。そして、そのために要るのは、多くの企業が持っている業務フロー図
（誰が何をするかの線）ではない。データフロー図（DFD） ―どのデータがどこで生まれ、どう形を変
え、どこへ流れるか ―である。

ある精密加工の現場で、一枚の図面データがたどる道を追うと、こうなっていた。CADデータ → NCプロ
グラム → Accessの管理データ → 機械への制御信号。データは形を変えながら、複数のシステムと複数

の機械の間を、一方向ではなく多方向に行き来する。業務フロー図をいくら綺麗に描いても、この変換と
多方向の流れは見えない。だからDB設計が止まる。実際、工程を管理するテーブルに「面ID」という外
部キーが要ると気づくまで、テーブル構造の作り直しだけで数年がかりになった。ツールが足りなかった
のではない。現場のデータの流れが言語化されていなかったからだ。

ここが本章のいちばんの勘所である。どのDWHやレイクハウスを選ぶかの前に、このDFDを自社で写し
取れるかどうかで、基盤の成否はすでに決まっている。製品を乗り換えても、データの流れが言語化され
ていなければ、同じ場所で止まる。

03 技術スタックの主要選

択肢
クラウドDWH・レイクハウス・データメッシュ
の対比

K E Y F I N D I N G S

蓄藏・処理階層の主要選択肢は、クラウドDWH／レイクハウス／データメッシュの3つに整理でき
る
クラウドDWHはSQL中心の構造化分析に強く、シンプル・ガバナンス容易
レイクハウスは構造化と非構造化を統合し、AI/MLにも対応、ただし運用負荷が大きい
データメッシュは技術ではなく組織パターン。ドメイン別の分散管理を可能にする

3.1 3つの主要選択肢

蓄藏・処理階層（第2章の②③）の主要選択肢は、現在3つに整理できる。クラウドDWH、レイクハウ
ス、データメッシュである。それぞれ思想と得意領域が異なり、優劣で比較するより「自社の業務とデー
タ・組織にどれが合うか」で選ぶ。

出所：各製品の公開情報および業界一般の比較に基づき taiziii Research 作成

3.2 クラウドDWH ―成熟した構造化分析の中心

クラウドDWH（Snowflake、BigQuery、Redshift等）は、SQL中心の構造化データ分析を得意とする。

データのスキーマを事前に決めて整理し、SQLで分析する伝統的なアプローチを、クラウドのスケーラビ

リティと組み合わせたもの。シンプルで、ガバナンスが効きやすく、BIツール（Tableau、Power BI
等）との連携も成熟している。中小〜中堅製造業や、データの大半が構造化されている企業には最適であ
る。

弱みは、画像・音声・PDF・センサーログ等の半構造・非構造データに弱いこと。これらを扱おうとする
と、データレイクとの併用が必要になる。AI/ML用途への対応も伝統的には弱かったが、近年は各製品が
機能を拡張している。

3.3 レイクハウス ―構造化と非構造化を統合

レイクハウス（Databricks、Microsoft Fabric等）は、データレイクとDWHの二重構造を一つに統合した
新しいアーキテクチャ。構造化データ（売上、生産実績等）と非構造化データ（センサーログ、画像、ド
キュメント等）を一つの基盤で扱い、SQL分析もAI/MLも両方できる。AI/ML用途や、IoTセンサーデータ
と業務データを統合したい場合に強みを発揮する。

弱みは、構成要素が多く運用負荷が大きいこと。SQLだけでなくPython等のコードベース作業も日常的
に行う組織でないと、活用しきれない可能性がある。「DWHを入れるだけ」より高い習熟が要る。

3.4 データメッシュ ―組織パターンとしての分散管理

データメッシュは技術ではなく組織パターンである。ここを誤解すると話が噛み合わない。中央集権的な
単一のDWH／レイクハウスにすべてのデータを集めるのではなく、事業部・領域（ドメイン）ごとにデ
ータを管理し、ドメイン間で連携する分散型のアプローチである。実装には任意のDWH／レイクハウス
製品とデータカタログを組み合わせて使う。

強みは、組織のスケールに対応できること。大企業で、事業部が複数あり、各事業部が独自のデータ要件
を持つ場合、中央集権では破綻する。データメッシュなら各ドメインが自律的にデータ管理を進められ
る。弱みは、統制の難易度が高いこと。ドメインを横断する標準化やガバナンス設計に高度な組織設計
が要る。

3.5 「どれが優れているか」より「どれが自社に合うか」

技術比較記事を読むと「Snowflake vs Databricks」のような対立構図で語られがちだが、実務的には排
他的に選ぶ必要はない。多くの大手製造業はクラウドDWHとレイクハウスをハイブリッドで使い、その
上にデータメッシュ的なドメイン管理を組み合わせている。技術選択は手段であり、「自社の業務と組織
の構造に何が合うか」を起点に判断するのが本筋である。

そして、製品比較よりもっと手前に、意思決定を止める厄介な要因がある。発注者自身の思い込みだ。

比較表より手前で ―「一枚の表で全部管理できる」という思い込み
ある製造現場では、発注者（経営層）が「一枚の横持ちテーブルで全部管理できる」と確信していた。

長年、Excelやシンプルな台帳1枚で回してきた成功体験が背景にある。だが現場の実態は、工具と機
械、工具と治具、工程と加工面が、すべて多対多で絡み合う構造だった。横持ち1枚には収まらず、リレ
ーショナルな設計と中間テーブルがなければ、そもそも動かない。

これは個社の能力の問題ではない。過去の成功が、新しい問題領域での意思決定を縛るという、製造現
場に一般的な構造の問題である。やっかいなのは、データ構造を可視化しようとすると発注者の"自分の
解"と衝突し、「そんな図を描いても変わらない」と土台からズレてしまうことだ。だから丁寧に説明し
ても噛み合わない。どの製品を選ぶかの前に、この土台のズレを越えられるか ―比較表のどこにも、そ
の答えは書かれていない。

ベンダー比較表は意思決定に役立たない
製品ベンダーやアナリストが出すベンダー比較表（機能チェックリスト）は、判断材料として過大評価
されがちである。機能の有無や性能ベンチマークの差は、自社の業務要件に対して本当に意味があるか
どうか分からない。むしろ「責任分界をどう置くか」「運用チームの習熟度」「既存システムとの統合
性」「コスト構造の長期予見性」のほうが、選定の決め手になることが多い。

04 「データ基盤を入れただ

け」の罠
PoC止まり・データ沼化・業務未接続・統治
の組織問題

K E Y F I N D I N G S

データ基盤を入れただけでは業務は変わらない。4つの典型的な罠がある
PoC止まり：本番運用に上がらず形骸化する
データ沼化：ガバナンス不在で誰も使えないデータの集積になる
業務未接続：BIで眺めるだけで意思決定が変わらない／統治の組織問題：データオーナー不在

4.1 4つの典型的な罠

製造業のデータ基盤プロジェクトで繰り返し見られる失敗パターンを整理すると、4つの典型的な罠に集
約される。これらは技術選択の良し悪しを超えた、より構造的な問題である。

出所：データ基盤プロジェクトの一般的な失敗パターンに基づき taiziii Research 作成

4.2 ① PoC止まり ―本番運用に上がらない

最も多いのがPoC止まりである。データ基盤を導入し、ある業務領域で概念実証（PoC）を行い、技術的
に動くことを確認する。しかし、そこから本番運用への展開が進まない。半年経っても、PoCで作ったダ
ッシュボードや分析モデルが現場で使われない、あるいは導入チームが解散すると共に消えていく。

原因は、PoCの設計時点で業務との接続が組み込まれていないことにある。「技術的に可能か」だけを検
証し、「現場の誰が、どの業務で、どんな判断に使うか」が決まっていない。処方箋は、PoCの段階から
業務側のオーナーを立て、本番展開の道筋を最初から設計することである。

4.3 ② データ沼化 ―ガバナンス不在で使えないデータの集積

データ沼（Data Swamp）とは、データレイクが適切なガバナンスなしで運用された結果、誰も使えな
いデータの集積所と化した状態を指す。データは入っているが、どこに何があるか分からず、データの意
味（カラムが何を表すか）も誰が責任者か分からない。検索しても出てこない、出てきても信頼できな
い。

処方箋は、第2章で論じたカタログ・ガバナンス階層を最初から仕組み化すること。データカタログツー
ル（Collibra、Alation等）の導入、メタデータの強制入力ルール、データオーナーシップの設定。これら
は技術というより運用ルールの問題が大きい。

ただし先回りしておくと、カタログ製品を入れれば沼が埋まる、というものでもない。根はもっと手前に
ある。データがどこで生まれ、どう変換され、現場で何を指すか（第2章のDFDと用語）が言語化されて
いないかぎり、カタログの入力欄は埋まらないか、埋まっても信頼できない。製品より先に、この言語化
に手をつける必要がある。

4.4 ③ 業務未接続 ―BIで眺めるだけで意思決定変わらず

ダッシュボードは構築されたが、業務の意思決定が変わらない、というケースも多い。経営層や現場リー
ダーがダッシュボードを「見る」ことはあっても、その数字から具体的な行動に結びつかない。見える化
が目的化し、見えた先のアクションが設計されていない。

処方箋は、活用層から逆算した設計に立ち返ること。「この数字がこうなったら、誰が、どんなアクショ
ンを取るか」を業務プロセスとして埋め込む。差異分析のアラート、自動発注、再学習トリガー等、デー
タから自動的にアクションが起動する仕組みを組み込む。これは原価リアルタイム化や予知保全と同じ思
想である。

ただし、ダッシュボードや自動化で埋め込めるのは「何をするか（What to do）」までだ。同じ数字を
見て「これは動くべきか、様子見か」というどう判断するか（How to decide）は、ルールに落ちきら
ず、ベテランの中に残る。基盤の外に残るこの判断こそ、最後の論点になる（第7章）。

4.5 ④ 統治の組織問題 ―データオーナー不在、責任が曖昧

最も深く、最も解決が難しいのが組織問題である。データガバナンスは技術ではなく組織の問題だ。「こ
のデータの正しさを担保するのは誰か」「データに誤りがあった場合、誰が修正の責任を持つか」「デ
ータ定義の変更を誰が承認するか」 ―こうした責任の所在が曖昧なまま運用すると、データの品質は劣
化していく。

製造業では特に、データの発生源（OT系、製造現場）と利用者（IT系、経営企画）が別部門であること
が多く、両者の間でデータ品質の責任が宙に浮きがちである。処方箋はデータオーナーシップを組織とし
て正式に定義すること。マスターデータマネジメント（MDM）の体制を構築し、データオーナー、デー
タスチュワード、データ利用者の役割を明確化する。これは次章で扱うOT×IT統合の論点とも深くつな
がる。

05 製造業固有の論点 ―OTとITの

統合
技術の壁・組織の壁・セキュリティ
の壁

K E Y F I N D I N G S

製造業のデータ基盤設計の最大の難所は、OT（運用技術）とIT（情報技術）の統合である
OTは高信頼性・リアルタイム性が必須で「止めないこと」が最優先、IT は柔軟性と変化対応を重
視
両者の統合には、技術の壁・組織の壁・セキュリティの壁の3つがある
技術論より組織と文化の問題が大きい。経営レベルでの体制設計が要る

5.1 OTとITは別の世界として発展してきた

製造業のデータ基盤を語る上で避けられないのがOT（運用技術、Operational Technology）とIT（情
報技術、Information Technology）の統合という論点である。これは他業界にはあまり無い、製造業特
有の固有問題である。

出所：製造業の組織構造とOT/IT分断の一般的な整理に基づき taiziii Research 作成
OTとは、製造現場で機器・プロセスを直接制御する技術を指す。センサー、PLC（プログラマブル・ロ
ジック・コントローラ）、SCADA、MES（製造実行システム）、現場制御システムなど。「止めないこ
と」が最優先で、高信頼性とリアルタイム性が必須。多くの場合、製造本部・各工場の生産技術部門が所
管する。

ITとは、企業の情報処理を支える技術。ERP（基幹システム）、SCM、CRM、財務会計、人事システム
等。柔軟性と変化対応が重視され、ビジネス要件の変化に合わせてシステムを更新する。本社のIT部門・
情報システム部門が所管する。

5.2 3つの壁

OTとITを統合してデータ基盤に取り込もうとすると、3つの壁にぶつかる。

技術の壁：OT系の機器は古い独自プロトコル（OPC UA、Modbus、各社独自）で通信しており、IT系
（HTTPS、REST API等）と直接つながらない。間に変換装置（ゲートウェイ）が要る。さらに、OT系は
高頻度・高信頼性のリアルタイム通信が要件で、IT系の柔軟さとはアーキテクチャ要件が違う。

組織の壁：これが最大の難所である。OT系は製造本部・現場が所管し、IT系は本社のIT部門が所管して
いる。両者は文化も、人材も、評価基準も、予算の出し方も違う。OT系は「現場の安定運転」が最優先
で、IT部門が「データを集めたい」と言っても、現場は「下手に触らないでくれ」と感じることが多い。

逆にIT部門から見ると、OT系は技術的に古く感じられ、現場の保守的な文化が「DXの障害」に見える。

両者の橋渡しは、技術ではなく組織設計の問題である。

セキュリティの壁：OT系がインターネットにつながると、サイバー攻撃のリスクが急増する。製造現場
が攻撃を受ければ、生産停止だけでなく、人命や設備に関わる事故にも直結する。実際、Tier1サプライ
ヤーへのサイバー攻撃を起点にOTが侵害され、自動車OEMの全工場停止に至った事案も近年起きてい
る。OT×IT統合は、セキュリティ設計と一体で進める必要がある。

5.3 統合を進める組織設計

3つの壁の中で、技術の壁とセキュリティの壁は、相応の投資と専門家を投じれば解ける。本当に難しい
のは組織の壁である。

多くの大手製造業がこの組織の壁に対処するため、DX推進室や経営直轄の横断組織を作っている。製造
本部とIT部門の上に立ち、両者を橋渡しする部隊である。ダイキンの「オールコネクテッド戦略」、パナ
ソニックの「PX（Panasonic Transformation）」のような大規模なグループ横断プロジェクトは、まさ
にこの組織設計の典型例である。経営主導で推進することが大企業DXの大前提であり、データ基盤の選
択と統合は、この経営判断の一部として位置付けられる必要がある。

技術導入の前に、組織と文化への投資が要る
OT×IT統合は、「データ基盤を選ぶ」より遥かに難しい問題である。技術導入の前に、製造本部とIT部
門の橋渡しをする組織を作り、両者の文化の違いを認め、共通の言語と目標を共有する努力が要る。デ
ータ基盤プロジェクトの初期に「経営直下の推進体制」「OT/IT両方の出身者をメンバーに置く」といっ
た組織設計を済ませておくと、後の技術的議論が格段に進めやすくなる。

06 データ基盤の3類型

全社統一型・ドメイン型・ハイブリッド型

K E Y F I N D I N G S

製造業のデータ基盤は、全社統一型・ドメイン型・ハイブリッド型の3類型で整理できる
全社統一型は統制が強いが、規模拡大で破綻するケースも多い。中小〜中堅向き
ドメイン型は柔軟だが、統制の難易度が高い。大企業・事業多角化している企業向き
大手製造業はハイブリッド型に収斂しつつある。共通基盤＋ドメイン別運用が現実解

6.1 3つの類型

製造業のデータ基盤を実装パターンで整理すると、3つの類型が見えてくる。全社統一型、ドメイン型、
ハイブリッド型である。どの類型が「最良」というわけではなく、自社の規模、組織構造、事業構成によ
って適合性が異なる。

出所：データ基盤アーキテクチャパターンの一般的な整理に基づき taiziii Research 作成

6.2 全社統一型 ―一つのDWHに集約

全社統一型（Centralized）は、全社のデータを一つのDWHに集約するパターン。データの形式、定義、
運用ルールが全社で標準化され、ガバナンスが効きやすい。中央のデータチームが一元的に管理する。

強みは統制と標準化。中央でデータ品質を担保しやすく、ガバナンスも一元化できる。中小〜中堅の製造
業や、データ量がそれほど多くない企業には最適である。ダイキンの「工場IoTプラットフォーム」も、

ある程度この発想に近い構造を持つ ―製造現場のすべての設備をネットワークでつなぎ、データを一元
化する設計である。

弱みは柔軟性の低さ。事業部や領域ごとに異なる要件があると、中央の標準が制約になり、業務側のスピ
ード感が出ない。さらに、規模拡大に伴いデータ量・利用者・ユースケースが爆発的に増えると、中央チ
ームがボトルネックになり、運用が破綻するケースも多い。

6.3 ドメイン型 ―事業部・領域ごとに管理

ドメイン型（Domain-Oriented）は、事業部・領域（ドメイン）ごとにデータを管理するパターン。各
ドメインがデータの所有権・運用責任を持ち、独自に基盤を構築・運用する。先述のデータメッシュの組
織パターンに近い発想である。

強みは柔軟性と自律性。各ドメインが自社のスピードで意思決定でき、ドメイン固有の要件にも対応でき
る。大企業で事業が多角化している場合、特に有効である。弱みは統制の難易度。ドメインを横断したデ
ータ品質の標準化、メタデータ管理、セキュリティ統制が難しい。「各ドメインで似たような分析を別々
に開発する」といった重複も発生しやすい。

6.4 ハイブリッド型 ―共通基盤＋ドメイン別運用

ハイブリッド型（Hybrid）は、両者の中間を取るパターン。基盤（蓄藏層・カタログ層）は共通化し、
運用は各ドメインに委ねる。トヨタの「工場IoT」（部署間にまたがる情報共有基盤）、デンソーの「ダ
ントツ工場」（製造現場のデータ統合と各工場の自律性の両立）、ダイキンの「オールコネクテッド戦
略」（全社プロジェクト化しつつ事業領域別の運用を許す）、パナソニックの「PX」（グループ横断＋
事業別）など、大手製造業の取り組みはおおむねこのハイブリッド型に分類できる。

強みはバランスと段階的拡張可能性。共通基盤で統制を効かせつつ、ドメイン別の自律性も確保できる。

中小から始めて、事業成長に応じて拡張していくこともできる。弱みは設計の難易度。「何を共通化し、
何をドメインに委ねるか」の線引きが難しく、適切なバランス設計には経験と組織理解が要る。

6.5 大手製造業はハイブリッド型に収斂

大手製造業の実例を観察すると、ハイブリッド型に収斂している傾向が見える。全社統一型では事業の多
様性に対応できず、ドメイン型では統制が効かない。両者の良いとこ取りができるハイブリッド型が、規
模が大きく事業が複雑な製造業の現実解となっている。

ただし、自社がどの類型を選ぶかは、規模と組織構造で決まる。中小製造業で全社統一型から始めるのは
合理的だし、創業期のスタートアップがいきなりハイブリッドを構築する必要もない。「事業の成長段
階に応じて類型を進化させる」視点で考えるべきである。最初から完璧な基盤を作ろうとせず、段階的に
拡張する設計が、長期的には最も健全な姿になる。

07 導入ロードマップと落
とし穴

ユースケース選定から始める順序、定着のコ
ツ、つまずき

K E Y F I N D I N G S

導入は「ユースケース選定→基盤設計→ガバナンス整備→段階的拡張」の4段階で進める
全社一斉に最新技術を入れるのではなく、ユースケースから逆算して段階的に拡張する
定着の鍵は、データオーナーシップの組織設計とハイブリッド型への段階的進化
典型的なつまずきは、技術選定先行、ガバナンス後回し、OT×IT統合の組織問題軽視、PoC固定化

7.1 4段階のロードマップ

データ基盤の導入は、最初から全社一斉ではなく、段階的に積み上げる。

出所：taiziii Research 作成
Phase 1：ユースケース選定。業務側で「データで解きたい問題」を絞り込む。需要予測、予知保全、原
価リアルタイム化、Tier2-3可視化など、明確に効果が見える1〜2件のユースケースを選ぶ。第2章で論じ
た「活用層から逆算」を実践する段階である。Phase 2：基盤設計。5階層のアーキテクチャを設計し、
DWH/レイクハウス等の技術選択を行う。OT×IT統合の方針も決める。Phase 3：ガバナンス整備。デー
タカタログ、データオーナーシップ、品質基準、アクセス権限を整える。技術と組織の両方を設計する。

Phase 4：段階的拡張。初期ユースケースから他領域へ横展開する。必要に応じてハイブリッド型へ進化
させる。継続的に改善ループを回す。

7.2 定着のコツ ―「業務とつなぐ」を最優先する

データ基盤が定着するかどうかは、「業務とつなぐ」を最優先できるかにかかっている。技術部門の関心
は「最新のアーキテクチャを採用すること」に向きがちだが、それだけでは業務は変わらない。第4章で
述べた4つの罠（PoC止まり・データ沼化・業務未接続・統治の組織問題）はすべて、業務との接続が弱
い結果として発生する。

定着のための実務的な打ち手をいくつか挙げる：
第一に、業務側の責任者をプロジェクトに巻き込む。技術部門だけで進めると、業務との接続が後回しに
なる。需要予測なら営業・サプライチェーン部門、原価リアルタイム化なら経理・経営企画部門の責任者
が、データ基盤プロジェクトのオーナーとして並列に立つ体制を作る。

第二に、データオーナーを正式に任命する。データの正確性、定義、変更承認を担う「データオーナー」
を業務領域ごとに任命する。これは技術部門ではなく業務部門の責任者が担うのが原則。MDM（マスタ
ーデータマネジメント）の体制を整備する。

第三に、ガバナンスを後回しにしない。「まず基盤を作って、ガバナンスは後で」というアプローチは、
ほぼ必ずデータ沼を生む。最初から、最小限でいいのでカタログとデータ品質ルールを設計する。

第四に、段階的拡張を許容する経営判断。「全社一斉に最新技術を入れる」という壮大なプロジェクト
は、ほぼ必ず失敗する。「1ユースケースで成果を出してから次へ」というスモールスタートを、経営層
が許容する文化を作る。

典型的な4つのつまずき
① 技術選定先行：「Snowflakeにすべきか、Databricksにすべきか」を業務要件より先に議論する。先
に決めるべきは活用ユースケースである（第2章・第3章）。② ガバナンス後回し：基盤構築を急ぎ、デ
ータカタログ・オーナーシップ設計を後回しにする。データ沼の原因（第4章）。③ OT×IT統合の組織
問題軽視：技術論ばかりで、製造本部とIT部門の組織設計を進めない。最大の難所を放置することにな
る（第5章）。④ PoC固定化：PoCで「動いた」ことに満足し、本番運用への展開を設計しない。投資が
回収されない（第4章）。

7.3 まとめ ―業務テーマの土台として

本書を通じた主張は一貫している。データ基盤の選択論の成否は、最新の技術スタックを選ぶことではな
く、(1) 業務と意思決定の活用層から逆算して設計すること、(2) 製造業特有のOT×IT統合を組織設計と
一体で進めること、そして(3) ガバナンスを技術と一体で段階的に拡張することという、技術以前の3点で
決まる。そして、この3つすべての前提として、(4) 現場の業務とデータの流れ（DFD）を、そもそも写し
取れることがある。ここが描けなければ、上の3つは空回りする。

さらにその先、ツールもデータも標準も整えた後に、最後まで残る層がある。「なぜこの数字なら動くの
か」「この兆候は放置してよいのか」という、図面にもデータにも製品スペックにも載らない判断の層
だ。データ基盤は、この判断を速く確かに下すための器にすぎない。器を立派にしても、中で下される判
断がベテランの頭の中にあるままなら、基盤は宝の持ち腐れになる。最後に問われるのは、この判断をど
う引き出し、どう次へ継ぐかである。

需要予測、予知保全、原価管理、品質管理、サプライチェーン管理 ―製造業DXの個別業務テーマはすべ
て、このデータ基盤の上に成り立つ。着手にあたっては、全社一斉ではなく、最も効果が見えやすい1ユ
ースケースでスモールスタートすることを推奨する。明日からの一歩は二つ。一つは「いま、どんな意思
決定がデータ不足で滞っているか」を3つ書き出すこと。もう一つは、その滞りの裏で、どんな判断が、
いま誰か一人の頭の中だけにあるかを問うてみることである。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）は、データ基盤を整えてもなお現
場に残る「なぜこの数字なら動くのか」「この兆候は放置してよいのか」という熟練者の判断を、なぜ
そう判断したのかという理由ごとAIで引き出し、帰属を保ったまま構造化し、組織の判断知として継承
します。判断を平均したり、一本の正解に統合したりはしません。AIは判断を代行せず、引き出し、分
類し、問い返し、継承を助ける裏方に徹します。基盤という器づくりから、その中で下される判断の継
承までを、ひと続きで扱える点に強みを持ちます。

詳細：https://taiziii.com/skillrelay/

製造原価をリアルタイム化する

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
製造原価を
リアルタイム化する
日々の意思決定に使える
原価インフラを作る
Real-Time Manufacturing Cost Management:
Building a Cost Infrastructure
for Daily Decision-Making

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、製造業のDX担当者（事業部のDX推進・経営企画・経理・生産管理部門の部長・課長クラス）を
読者に想定した、製造原価リアルタイム化に関する実務レポートである。「原価をリアルタイムで見える
化しましょう」という掛け声ではなく、どのデータを集め、どんな原価モデルで配賦を設計し、どのデ
ータ基盤で集計し、どう経営の意思決定に接続するかという技術的・実務的な具体に踏み込む。

原価管理は、長く「月次決算」という発想で運用されてきた。月が締まったあとに材料費・労務費・経費
を集計し、製品別・部門別の原価を確定する ―これが「過去を集計する」原価計算の伝統的な姿だ。し
かし、原材料価格、為替、エネルギーコスト、人件費が短い周期で変動する時代に、月次の集計だけで経
営が動けるはずがない。問題が見えるのは1〜2ヶ月後、その頃にはもう次の問題が起きている。「今い
くらかかっているか」を、その日のうちに見られる仕組み ―これが製造原価リアルタイム化の核心であ
る。本書が一貫して主張するのは、リアルタイム化の成否は「精緻な原価計算システムを構築すること」
ではなく「日々の経営判断に使える粒度・スピードでコストを見える化し、現場の意識と行動を変える仕
組みを作ること」で決まるという点である。精緻化を追えば集計に時間がかかり、スピードを追えば配賦
が粗くなる。このトレードオフを認め、用途に合わせた設計をすることに加え、現場が原価を「自分ご
と」として捉える文化が伴って初めて、リアルタイム化は機能する。

本書は公開情報および一般的な実装知見に基づく。記載する数値・効果は対象業種・体制により大きく変動するため、絶
対値ではなく相対的な傾向として参照されたい。

1
なぜいま製造原価リアルタイム化なのか
月次決算文化の限界、変動の激しさ、経営判断のスピード
2
原価計算の3つの軸
標準/実際、要素別/部門別/製品別、個別/総合
3
リアルタイム化の技術スタック
データ収集→原価モデル・配賦→データ基盤→意思決定との接続
4
「リアルタイム化」の罠 ― 精緻化とスピードのトレードオフ
入れただけでは意思決定は変わらない。文化が伴って初めて機能する
5
標準原価と実際原価の差異分析 ― PDCAを回す
差異を起点に改善を回すサイクルが原価管理の中核
6
先進事例 ― 京セラのアメーバ経営
時間当り採算で「全員参加経営」を実現した、原価リアルタイム化の元祖
7
導入ロードマップと落とし穴
対象範囲の選定から始める順序、定着のコツ、つまずき

エグゼクティブ・サマリー

5つのキーメッセージ
製造原価リアルタイム化の成否は、精緻な原価計算システムを構築することではなく、日々の経営判断に
使えるコストの見える化と、それを現場の行動に変える仕組みを作ることで決まる。本書の要点を5つに
まとめる。

1
原価管理は「過去を集計するもの」から「今いくらかかっているかを見るもの」へ転換が必要
従来の月次決算文化では、問題が見えるのは締めから1〜2ヶ月後。その頃には次の問題が起きて
いる。原材料価格、為替、エネルギーコストの変動が激しいいま、月次の集計だけで経営は動けな
い。原価を日次・時間単位で見える化することで、経営判断のスピードが根本から変わる。

2
原価計算は3つの軸で整理する。標準/実際、要素別/部門別/製品別、個別/総合
標準原価は事前に設定する目標、実際原価は実績。両者の差異分析が原価管理の核となる。要素別
（材料費・労務費・経費）/部門別/製品別の集計軸は、配賦設計の出発点になる。個別原価計算は
受注生産（製番単位）、総合原価計算は大量生産（工程単位）に向く。リアルタイム化を考えると
き、どの軸での精度・速度を上げるかを明示する必要がある。

3
技術の核は、データ収集→原価モデル設計→データ基盤→意思決定との接続の4階層
MES・IoT・購買・販売データを発生時点で取得し、標準原価マスタと配賦ロジックで集計し、
DWH・データレイクで日次/時間単位の集計を可能にし、ダッシュボード・アラートで経営の手元
計器盤に接続する。最も重要なのが起点の①データ収集 ―発生時点でデータが取れない限り、い
くら基盤を整えてもリアルタイム化は実現しない。

4
精緻化とスピードはトレードオフ。「より正しく」と「より速く」を天秤にかける
配賦を精緻にすれば原価の正確性は上がるが、集計に時間がかかる。シンプルな配賦ならスピード
は出るが、配賦の歪みは残る。完璧を追わず、用途（日次判断 vs 月次決算）に合わせた粒度を設
計する。さらに、システムを入れただけでは意思決定は変わらない ―現場が原価を「自分ごと」
として捉える文化が伴って初めて、リアルタイム化は機能する。

5
差異分析を起点にPDCAを回す。リアルタイム化はこのサイクルを月次から日次・時間単位へ加速
する
標準原価と実際原価の差異を分析し、原因を特定し、標準を見直して改善を実行する。このPDCA
サイクルが原価管理の中核である。リアルタイム化の本当の価値は、このサイクルを月次から日
次・時間単位に加速できることにある。京セラのアメーバ経営は、時間当り採算で日々の差異を全
員参加で回す仕組みを1963年から実装し、JAL再生（2010〜2012）でも威力を発揮した、原価リ
アルタイム化の元祖といえる事例である。

01 なぜいま製造原価リアルタ

イム化なのか
月次決算文化の限界、変動の激しさ、経
営判断のスピード

K E Y F I N D I N G S

従来の月次決算文化では、原価の問題が見えるのは締めから1〜2ヶ月後。すでに次の問題が起きて
いる
原材料価格、為替、エネルギーコスト、人件費の変動が短い周期で起きる時代に、月次集計だけで
は追いつかない
「赤字案件をどうカバーするか」「値引きをどこまで許容できるか」といった判断には、リアルタ
イムの原価情報が要る
原価を「過去を集計するもの」から「今を見るもの」へ転換することで、経営判断のスピードが根
本から変わる

1.1 月次決算文化の限界

多くの製造業では、原価管理は月次決算を中心に運用されてきた。月が締まったあとに材料費・労務費・
経費を集計し、製品別・部門別の原価を確定する。これは決算という法的・制度的な要請にも合ってお
り、長く合理的な運用だった。しかし、ここに大きな弱点が潜んでいる。原価の問題が見えるのは、締め
から1〜2ヶ月後。その頃には、次の問題が起き始めている。打った対策の効果が見えるのは、さらに数
ヶ月後。経営判断は常に「過去を振り返って」行うものになり、現在進行形の問題への対応は後手に回
る。

1.2 変動の激しさ

この弱点が、近年特に深刻になっている。原材料価格、為替、エネルギーコスト、人件費 ―これらが短
い周期で大きく変動する時代に入った。鋼材・銅・樹脂の市場価格は週単位で動き、円安・円高は瞬時に
輸入材料費を変える。電力料金の上昇は、エネルギー多消費型の製造業の利益を直撃する。賃金改定、最
低賃金引き上げも続く。月次のサイクルでこれらの変動を捉えていては、原価の現実が経営の認識に追い
つかない。「気づいたら採算割れだった」「先月の見積もり前提が今は通用しない」という状況が、日
常化している。

出所：taiziii Research 作成

1.3 経営判断の質とスピードを変える

原価をリアルタイムで把握できると、経営判断のあり方が根本から変わる。「赤字案件をどうカバーする
か」を、案件が進んでいる最中に判断できる。仕様変更・材料変更・工程変更のコストインパクトを、そ
の場で見られる。「値引きをどこまで許容できるか」も、過去平均ではなく現時点の原価で評価できる。

「どの製品・どの顧客が今、利益を生んでいるのか」を、リアルタイムに把握しながら戦略的な販売・受
注判断が打てる。

これらは、月次決算が確定してからでは「打てない手」である。リアルタイム化が変えるのは数字の見え
方だけではない。意思決定そのものの質とスピードを変える。これが、いま製造原価リアルタイム化が経
営課題として浮上している理由である。

本書の立場：リアルタイム化は「目的」ではなく「手段」
原価をリアルタイムで見えるようにすることは、それ自体がゴールではない。その情報をもとに、誰
が、いつ、どう判断するかが変わって初めて、リアルタイム化は意味を持つ。本書は、技術アーキテク
チャを扱いつつ、その先の意思決定と文化の話まで踏み込む。

02 原価計算の3つの軸

標準/実際、要素別/部門別/製品別、個別/総合

K E Y F I N D I N G S

原価計算は「時点」「集計単位」「生産形態」の3つの軸で整理される。それぞれ別の論点を扱う
時点：標準原価（事前設定）と実際原価（実績）の比較が、差異分析の出発点になる
集計単位：要素別（材料費・労務費・経費）→部門別→製品別と段階を経て集計する
生産形態：個別原価計算（受注生産・製番単位）と総合原価計算（大量生産・工程単位）を使い分
ける

2.1 「原価計算」と一括りにしない

原価計算について議論するとき、多くの現場で混乱が生まれる原因の一つが、「原価計算」と一括りにし
て話してしまうことだ。実際の原価計算には、複数の独立した整理軸があり、それぞれが別の論点を扱
う。本書ではこれを「3つの軸」として整理する。リアルタイム化を考えるときも、まずこの3軸のどこを
対象にするかを明確にすることが、議論の出発点になる。

出所：管理会計・原価計算の一般的な分類に基づき taiziii Research 作成

2.2 時点による分類 ―標準原価と実際原価

第一の軸が時点による分類である。標準原価は、製品を1個作るのに「あらかじめいくらかかるはずか」
を設定したもの。製造前に、過去実績・技術的要件・市場価格をもとに設定する目標値である。一方実際
原価は、実際の生産過程で材料費・労務費・経費がいくらかかったかを記録した結果値だ。

この両者を比較し、差を分析することを差異分析と呼ぶ。「標準より高くなった」場合、その原因が材
料価格の上昇なのか、使用量の増加なのか、作業時間の延びなのかを切り分けて、対策を打つ。差異分析
がPDCAを回す仕組みになり、これが原価管理の中核である（第5章で詳述）。リアルタイム化が威力を
発揮するのは、まさにこの差異分析のサイクルを月次から日次・時間単位へと加速できる点にある。

2.3 集計単位による分類 ―要素別/部門別/製品別

第二の軸が集計単位による分類である。原価は段階的に集計される。まず要素別計算で、材料費・労務
費・経費という3要素に分類する。次に部門別計算で、各部門（製造部門、補助部門）にこれらを割り当
てる。最後に製品別計算で、製品ごとの原価を確定する。

この過程で重要になるのが配賦である。たとえば工場全体の電力料金（経費）は、複数の製品で発生し
たものだ。これを各製品にどう振り分けるかを決めるのが配賦である。配賦の基準（直接労務費比率、機
械稼働時間、材料費比率等）の選び方で、製品原価は大きく変わる。配賦設計が原価計算の精度を決める
肝であり、これがリアルタイム化の難所にもなる（第4章で詳述）。

2.4 生産形態による分類 ―個別原価計算と総合原価計算

第三の軸が生産形態による分類である。個別原価計算は、受注ごとに発行する「製番（製造番号）」を軸
に、材料費・工数・外注費・間接費を紐づけて集計する方法。受注生産・個別生産が中心の中堅製造業に
向く。製番ごとに「いくらで作っていくらで売れたか」が見えるので、案件別の損益管理がリアルタイム
で可能になる。

一方総合原価計算は、一定期間の生産量に対して総コストを集計し、平均的な単位原価を算出する方法。

大量生産・連続生産（化学・素材・食品など）に向く。両者は対立する選択肢ではなく、自社のビジネ
スモデルに応じて選ぶものである。受注生産が中心なら個別原価計算、量産が中心なら総合原価計算、
両方を持つなら併用する。リアルタイム化を考えるときも、この生産形態によってデータ収集の起点（製
番ごと vs 工程ごと）が変わる。

2.5 リアルタイム化と3軸の関係

3軸を整理する意義は、リアルタイム化の対象をどの軸に置くかを明示できることにある。「製番ごとの
実際原価を日次で見たい」（個別×実際×製品別）「部門別の差異を日次で見たい」（部門別×差異）
など、リアルタイム化と一言で言っても具体的な対象は様々だ。3軸のうち、どこを優先するかが、技術
アーキテクチャの設計を左右する。「とりあえずリアルタイムで」と始めるのではなく、3軸のどこに価
値があるかを定めてから着手することが、無駄な投資を防ぐ。

03 リアルタイム化の技術

スタック
データ収集→原価モデル・配賦→データ基盤→意
思決定との接続

K E Y F I N D I N G S

製造原価リアルタイム化は、データ収集→原価モデル・配賦設計→データ基盤→意思決定との接続
の4階層で実装する
最も重要なのが起点の①データ収集。MES・IoT・購買・販売を統合し、発生時点でデータを取る
②原価モデルでは標準原価マスタを整備し、配賦ロジック（直接労務費比率等）を設計する
③データ基盤はDWHやデータレイク、リアルタイム集計を支えるストリーミング処理が要る
④意思決定との接続は、ダッシュボード・アラート・予実管理を経営の手元計器盤に組み込む

3.1 4つの階層で捉える

製造原価リアルタイム化を、思いつきのシステム導入ではなく再現性のある仕組みにするには、一連の技
術スタックとして設計する必要がある。本書では、これを4つの階層に整理する。

出所：taiziii Research 作成

3.2 データ収集 ―発生時点で取る

すべての起点はデータ収集である。原価をリアルタイムで把握するには、原価の構成要素となる材料費・
労務費・経費を、発生時点で記録する仕組みが要る。具体的には：

材料費は、購買担当者が発注・納品時に単価と数量を購買システム・ERPに登録する。工数（労務費）
は、製造現場が実績入力端末（タブレット・ハンディーターミナル等）で作業開始・終了を入力する。さ
らにMES（製造実行システム）やIoTセンサーで、機械稼働時間を自動取得する。外注費は、外注先から
の納品・請求データを発注時点で取り込む。経費は、電力・燃料・水道のメータをIoTで自動取得するの
が理想形だ。

この階層でつまずく企業が非常に多い。「現場が実績入力をしてくれない」「紙の作業日報のまま」「メ
ータが手検針」といった現実が、リアルタイム化の最大のボトルネックになる。技術以前に、現場業務と
して実績入力を回せるかが勝負を分ける。

3.3 原価モデル・配賦設計 ―間接費をどう振り分けるか

次の階層が原価モデル・配賦設計である。集めたデータを原価として集計するためのロジックを設計す
る。中心となるのが標準原価マスタと配賦ロジックだ。

標準原価マスタは、製品ごと・部品ごとに「1個作るのにいくらかかるか」を事前に定義したものだ。

BOM（部品表）・工程表・標準作業時間・標準単価から積み上げて作る。実際原価と比較するベンチマ
ークとなる。

配賦ロジックは、製造間接費（複数の製品で共通して発生する費用）を製品に振り分ける基準だ。直接労
務費比率、機械稼働時間、材料費比率、生産数量など、複数の基準を選択肢として持ち、製品特性に合わ
せて適用する。配賦の選び方で、製品ごとの原価は大きく変わる。リアルタイム化を考えるとき、複雑な
配賦を入れすぎると集計に時間がかかり、本末転倒になる（このトレードオフは第4章で詳述）。

3.4 データ基盤 ―リアルタイム集計を支える

第三の階層がデータ基盤である。ERP・MES・IoT・購買・販売など複数のシステムから流れてくるデー
タを、リアルタイムに集計できる基盤を構築する。具体的には：
DWH（データウェアハウス）で、各システムのデータを統合・整理する。データレイクで、構造化・非
構造化問わず生データを保管する。ストリーミング処理（Apache Kafka、AWS Kinesis等）で、リアルタ
イムのデータ取り込みと集計を実現する。BIツール（Tableau、Power BI、Looker等）で、可視化を行
う。

近年は、クラウドベースのデータ基盤が中堅企業でも現実的なコストで構築可能になっており、リアルタ
イム化のハードルは大きく下がっている。ただし、データ基盤を整えただけでリアルタイム化が成立する
わけではない。上の①データ収集が整っていなければ、基盤に流れ込むデータがない。逆に、データさえ
あれば、基盤は段階的に拡張できる。「基盤先行型」より「データ収集先行型」の方が、確実に成果を出
せる。

3.5 意思決定との接続 ―経営の手元計器盤へ

最後の階層が意思決定との接続である。集計された原価情報を、経営判断に使える形で提供する。具体的
には：
ダッシュボードで、製品別・部門別・案件別の原価と利益をリアルタイムに表示する。経営層から現場リ
ーダーまで、同じデータを共有できるようにする。アラートで、原価が標準を大きく超えたとき、案件が

赤字に転じそうなとき、即座に通知する。予実管理で、予算と実績を比較し、月次・四半期で経営会議の
サイクルに乗せる。

ここで重要なのは、「誰が、何の判断に、この情報を使うか」を最初に定義しておくことだ。経営層が見
たいダッシュボードと、現場リーダーが見たいダッシュボードは、粒度も切り口も違う。「全社共通の一
つのダッシュボードを作る」のではなく、役割別に複数のダッシュボードを設計するのが現実的であ
る。リアルタイム化の真価は、この最終階層で意思決定にきちんと接続されて初めて発揮される。

04 「リアルタイム化」の罠 ― 精

緻化とスピードのトレードオフ
入れただけでは意思決定は変わらな
い。文化が伴って初めて機能する

K E Y F I N D I N G S

配賦の精緻化と集計スピードはトレードオフ。完璧な精度を追えば、集計に時間がかかりリアルタ
イム性は失われる
用途（日次の意思決定 vs 月次の決算）に応じて、精緻化の度合いを変える設計が現実的
「ERPはあくまで可視化の道具」 ―導入しただけで現場の原価意識が変わるわけではない
現場が原価を「自分ごと」として捉える文化が伴って初めて、リアルタイム化は機能する

4.1 精緻化とスピードのトレードオフ

リアルタイム化を進める際、多くの企業が直面する根本的な制約がある。「より正しく」と「より速く」
はトレードオフの関係にあるということだ。配賦を精緻にすれば、原価の正確性は上がる。しかし精緻
な配賦には複雑な計算が要り、集計に時間がかかる。すると、せっかくのリアルタイム性が失われる。逆
に、シンプルな配賦でスピードを取れば、配賦の歪み（特定の製品に過剰に費用が乗る等）は残る。

出所：taiziii Research 作成
たとえば、ABC原価計算（Activity-Based Costing、活動基準原価計算）は、間接費を活動単位で精緻
に配賦することで、製品ごとの真の原価をより正確に把握できる手法だ。しかし、すべての活動を細かく
定義し、活動別に配賦基準を設けるのには多大なコストと時間がかかる。月次の決算精度を上げるには
有効だが、日次のリアルタイム判断には重すぎる、ということも珍しくない。

4.2 用途に合わせた粒度設計

この罠を避けるには、「何のためにリアルタイム化したいか」を明確にし、用途に合わせた粒度を設計す
ることだ。すべての原価情報を最高精度・最高速度で揃える必要はない。

たとえば、日次の意思決定（赤字案件の発見、値引き判断、稼働率管理）には、シンプルな配賦で「だい
たい正しい」原価を素早く出すことが効く。完璧な配賦より、当日中に動けることが価値を生む。一方、
月次の決算・予実管理には、精緻な配賦で正確な数字を出すことが要る。一定の時間をかけてでも正し
い数字が要求される。日次用と月次用を分けて運用するのが、現実的な解になる。1つのシステムで両立
しようとせず、用途ごとに最適化された複数のレイヤーを持つ発想である。

4.3 「ERPはあくまで可視化の道具」

もう一つの罠が、「システムを入れれば意思決定が変わる」という思い込みである。ERP導入、データ基
盤構築、ダッシュボード整備 ―これらの技術的な投資を行えば、原価リアルタイム化は実現するように
見える。しかし現実には、システムを入れただけでは経営判断は変わらない。集計された数字を見て「ふ
ーん」で終わってしまうケースが、悲しいほど多い。

業界の知見も繰り返し指摘している。「ERPはあくまで可視化の道具」「現場が原価を『自分ごと』とし
て捉える文化を育てることが不可欠」。システム導入だけで原価管理の精度が向上するわけではない。技
術投資を経営の成果に変換するのは、最終的には人と組織の側である。

「文化が伴わない」リアルタイム化は機能しない
原価リアルタイム化の最大の落とし穴は、「システムさえ入れれば成果が出る」という思い込みであ
る。現場が原価情報を見て、何を考え、どう動くか。経営層が日次の数字を見て、どんな判断を打つ
か。これらの行動変容が伴わなければ、リアルタイム化の投資は回収できない。技術的なリアルタイム
化と並行して、原価意識を育てる仕掛け（朝会での共有、KPI設定、行動への反映）が不可欠になる。第
6章で扱う京セラのアメーバ経営が示す本質はこの点にある ―時間当り採算という数値の仕組み以上
に、それを全員が見て動く文化を育てた。

4.4 「リアルタイム化」を目的にしない

結局のところ、リアルタイム化はそれ自体が目的ではない。意思決定の質とスピードを変えることが目的
であり、リアルタイム化はその手段である。完璧な精度を追わず、文化が伴わないシステム投資を避け、
用途に応じた粒度を設計する ―この実務的な現実感を持って取り組むことが、リアルタイム化の罠を避
ける道になる。

05 標準原価と実際原価の差異分析

―PDCAを回す
差異を起点に改善を回すサイクルが
原価管理の中核

K E Y F I N D I N G S

標準原価と実際原価の差異分析が、原価管理のPDCAサイクルの起点になる
差異の原因は「価格差異」と「数量差異」に分解できる。両者を区別すると対策の方向が見える
リアルタイム化が真に威力を発揮するのは、このPDCAサイクルを月次から日次・時間単位に加速
できる点
標準原価そのものも定期的に見直す。市場環境が変われば、目標の前提も変わる
同じ差異でも「静観か即対応か」の線引きはベテランの暗黙知。判断者が抜けると差異表だけ残
り、誰も動けなくなる

5.1 差異分析が原価管理の中核

第2章で述べたとおり、原価管理の中核は標準原価と実際原価の差異分析である。事前に設定した目標
（標準原価）と、実績（実際原価）の差を見て、なぜずれたかを分析し、対策を打つ。このシンプルな仕
組みが、長く製造業の管理会計を支えてきた。

出所：管理会計の一般的なフレームに基づき taiziii Research 作成

5.2 差異の分解 ―価格差異と数量差異

差異分析でまず行うのが、差異の分解である。たとえば材料費の差異は、大きく2つに分けられる：

価格差異：標準単価と実際単価の差から生まれる。市場価格の変動、為替変動、仕入先の値上げ等が原
因。対策は調達戦略・購買力の問題になる。数量差異：標準使用量と実際使用量の差から生まれる。不
良率の悪化、歩留まりの低下、無駄な手戻り等が原因。対策は工程改善・品質管理の問題になる。

この区別が重要なのは、対策の所管部門も方向性も全く違うからである。価格差異が大きいなら、調達・
購買部門の出番。数量差異が大きいなら、製造・品質部門の出番。「材料費が標準より上がった」とい
う単一の事実から、適切な部門に適切な対策を割り振るには、この分解が前提となる。労務費・経費の差
異も同様に、賃率差異・能率差異・操業度差異などに分解して分析する。

ただし、差異を分解して部門に割り振った、その先に残るものがある。「その差異は、そもそも動くべき
なのか」という判断だ。同じ数量差異5%でも、季節材の歩留まりが毎年ぶれる範囲なら静観、特殊材の
ロット異常の兆候なら即停止 ――この線引きは、差異表の数字のどこにも書かれていない。ベテランが
「これはいつものブレ」「これは危ない」と瞬時に見分けている、その閾値そのものが暗黙知である。

そして厄介なことに、その判断者がいなくなると、差異表だけが残り、誰も動けなくなる。数字は毎日出
てくるのに、どれに反応すべきかが分からない。リアルタイム化は差異を速く見せてくれるが、それが動
くべき差異かどうかまでは、教えてくれない。

5.3 PDCAを回す

差異分析の結果は、PDCAサイクルとして回す。Planで標準原価を設定し、Doで実際の生産・コスト発生
を伴い、Checkで差異を分析し原因を特定し、Actionで標準の見直しと改善を実行する。再びPlanへ戻
る。このサイクルが回り続けることで、原価管理が「単発のレポート」ではなく「継続的な経営活動」に
なる。

5.4 リアルタイム化が変えるもの ―サイクルの周期

ここで、リアルタイム化が真に威力を発揮するポイントが見えてくる。このPDCAサイクルの周期を、月
次から日次・時間単位へ加速できることだ。月次サイクルだと、差異の発見が締めの1〜2ヶ月後、原因分
析がさらに数週間、対策実行と効果検証を含めると1四半期は経過する。1年に4回しか改善のサイクルが
回らない計算だ。

これを日次サイクルにできれば、理論上は1年に250回（営業日数）改善のサイクルが回せる。実際にこ
こまでの頻度で大きな改善を行うのは現実的でないにしても、「異常な差異が出たその日のうちに気づ
き、原因を調べ、対策の方向を決める」ことができるだけで、改善のスピードは桁違いに変わる。リアル
タイム化の本当の価値は、システムの華やかさではなく、このサイクルの周期の短縮にある。

ただし、ここで先回りしておきたい。「リアルタイム化すれば改善が速くなる」というのは、半分しか当
たっていない。ダッシュボードを入れたのに回らない現場は、実際に多い。理由は単純で、先ほどの「こ
の差異は動くべきか」を判断できる人がいなければ、周期をどれだけ縮めても、差異表が速く溜まってい
くだけだからだ。周期は縮められる。だが、判断の質は、周期を縮めても縮まらない。速く見えることと
正しく動けることは、別の問題である。

5.5 標準原価も定期的に見直す

最後に忘れがちな点を一つ。標準原価そのものも、定期的に見直す必要がある。標準原価は「永久不変の
目標」ではない。市場環境、技術、生産体制が変われば、合理的な標準も変わる。古い標準を放置する

と、毎月「実際原価が標準より高い」差異が出続け、何のための差異分析か分からなくなる。一般的には
年1〜2回、大きな環境変化があった際には随時、標準原価を見直すのが望ましい。リアルタイム化が進
むと、この見直しサイクルそのものも、より高速・柔軟に行えるようになる。

06 先進事例 ― 京セラのア

メーバ経営
時間当り採算で「全員参加経営」を実現した、原
価リアルタイム化の元祖

K E Y F I N D I N G S

京セラ創業者の稲盛和夫氏が1963年に編み出した「アメーバ経営」が、原価リアルタイム化の元祖
組織を10人未満の小集団（アメーバ）に分け、それぞれが部門別採算を「時間当り採算」として
日々算出
「時間当たり付加価値＝（売上−経費）÷労働時間」 ―シンプルかつ強力な指標で全員参加経営を
実現
2010年に倒産したJALの再生で稲盛氏が陣頭指揮、わずか1年7ヶ月で業績V字回復・再上場を実現
原価リアルタイム化が実際にどう経営を変えるのか。最も体系的かつ歴史的に深い1社の取り組みを掘り
下げる。京セラ創業者の稲盛和夫氏が1963年に編み出し、京セラのみならずKDDIや買収企業、そして
2010年に倒産した日本航空（JAL）の再生でも威力を発揮した、アメーバ経営である。

出所：稲盛和夫オフィシャルサイト、稲盛和夫研究、京セラ広報情報、各種学術論文（福井県立大学等）に基づき taiziii Research 作成

6.1 「全員参加経営」を実現する仕組み

稲盛氏は1959年に28名で京セラを創業した直後から、ある問題意識を持っていた。経営者一人が全社の
ことを把握するのは不可能だ。しかし、社員一人ひとりが当事者意識を持って経営に参画してくれれば、
組織は強くなる。「どうすれば全員が経営者の視点を持てるか」。この問いへの答えとして1963年に編
み出されたのが、アメーバ経営である。

仕組みの骨格はこうだ。組織を職能や事業領域ごとに10人未満の小集団（アメーバ）に分け、それぞれ
にリーダーを置く。各アメーバは独立採算で運営され、自分たちの売上・経費・利益を自ら計画し、実行
する。アメーバ間の取引も社内売買として計上される。これにより、全員が小さな経営体の一員として、
自分の仕事の数字に責任を持つ構造ができる。

6.2 「時間当り採算」 ―シンプルかつ強力な指標

各アメーバが日々追いかけるのが、「時間当り採算」という指標である。計算式はシンプルで、時間当り
採算＝（売上−経費）÷ 労働時間。一定期間に生み出した付加価値を、投入した労働時間で割っただけ
だ。これにより、「自分たちが1時間当たりいくらの付加価値を生んだか」が明確になる。

シンプルだが、強力な指標である。売上を伸ばすか、経費を削減するか、時間を短縮するか ―どれを動
かしても時間当り採算は改善する。全員が同じ指標を見て、それぞれの立場で何ができるかを考えること
ができる。経理用語や複雑な原価計算を知らなくても、現場の作業員から経営層まで、誰もが理解でき、
追求できる指標になっている。

6.3 「日々の採算」が組織を変える

この時間当り採算が、月次決算を待たずに日々算出されるのがアメーバ経営の核心である。毎日の朝礼で
前日の数字を確認し、当日の目標と打ち手を全員で議論する。月次の集計を待っていたら手遅れになる問
題が、その日のうちに見え、その日のうちに対策が始まる。これが、本書のテーマである「原価リアルタ
イム化」を、1963年から実装し続けてきた取り組みである。

稲盛和夫オフィシャルサイトの「時間当り採算制度とアメーバ経営の始まり」では、こう記されている。

「アメーバでは一人ひとりがなくてはならない構成員であり、時間当り採算を通じてアメーバの経営状況
もよく分かることから、経営への参画意識も高まってきます」「自分の努力の結果がすぐにアメーバの実
績に反映され、自分がどれくらい集団に貢献できたかが手に取るように分かり、それが全員のやりがいに
つながっていく」。原価情報の見える化が、人のやりがいと組織の力に転換される仕組みになっている。

6.4 JAL再生での実証 ―1年7ヶ月でV字回復

アメーバ経営の威力を最も劇的に示したのが、2010年のJAL再生である。経営破綻したJALに、稲盛氏は
78歳で会長として無給で就任。京セラから3人の関係者と共に陣頭指揮を執り、JALにアメーバ経営を導
入した。

結果は驚くべきものだった。航空会社のような巨大組織にも、アメーバ経営の小集団・採算管理の仕組み
を浸透させ、わずか1年7ヶ月で業績がV字回復、再上場が果たされた。これが、内外を問わずアメーバ経
営への関心を一気に高めた契機となった。原価リアルタイム化と全員参加経営の組み合わせが、業種を超
え、組織規模を超えて機能することが、実証された瞬間でもある。

優れている点：「数値の仕組み」と「文化」を一体で設計した
アメーバ経営の本質は、時間当り採算という数値の仕組みだけでなく、それを全員が見て動く文化を同
時に設計した点にある。本書第4章で述べた「システムを入れただけでは意思決定は変わらない」「文化
が伴って初めて機能する」という主張を、まさに体現した取り組みだ。京セラフィロソフィ（経営理
念）、小集団組織（アメーバ）、数値指標（時間当り採算）が三位一体となって、原価リアルタイム化
を経営の力に変えている。技術アーキテクチャだけで原価リアルタイム化を実現しようとする企業が学
ぶべきは、まさにこの「数値と文化の一体設計」である。

6.5 この事例から学べること

アメーバ経営の取り組みは、本書の論点を実地で裏づけている。第一に、「リアルタイムの数値」を経営
の道具として持つこと。月次決算という制度的サイクルとは別に、日々動かす実務サイクルを設計する。

第二に、シンプルかつ強力な指標を選ぶこと。時間当り採算は誰でも理解できるが、経営の全要素を内包
している。複雑な配賦よりも、現場が動ける指標が価値を生む。そして第三に、数値の仕組みと組織文化
を一体で設計すること。アメーバという小集団組織と、時間当り採算という数値指標は、切り離せない。

原価リアルタイム化を技術的に実現したい企業ほど、組織・文化の側にも目を向ける必要がある。

07 導入ロードマップと落と
し穴

対象範囲の選定から始める順序、定着のコツ、
つまずき

K E Y F I N D I N G S

導入は「対象範囲の選定→データ収集の整備→リアルタイム集計→意思決定への接続」の4段階で
進める
全社一斉ではなく、重要製品・拠点からスモールスタートする
定着の最大の鍵は、Phase 4の「現場の原価意識醸成」 ―文化醸成が最も難しく、最も時間がかか
る
典型的なつまずきは、データ収集の軽視、配賦の過度な精緻化、文化変革の不在、ダッシュボード
止まり

7.1 4段階のロードマップ

製造原価リアルタイム化は、一足飛びに全社展開を目指さず、段階を踏んで積み上げる。

出所：taiziii Research 作成
Phase 1：対象範囲の選定。全社一斉ではなく、重要製品・拠点を絞り込む。「赤字案件が頻発している
製品ライン」「原価変動が激しい品目群」「経営判断のスピードが特に問われる部門」など、リアルタイ
ム化の効果が大きい範囲から着手する。粒度も決める（製番ごと/工程ごと/部門ごと）。Phase 2：デー
タ収集の整備。MES・IoT連携、現場の実績入力業務化、標準原価マスタの整備を進める。本書第3章で
述べたとおり、ここがリアルタイム化の最大のボトルネックになる。Phase 3：リアルタイム集計。デー
タ基盤を構築し、日次/時間単位での集計を可能にする。役割別のダッシュボードを設計する。Phase
4：意思決定への接続。差異分析の業務化、現場の原価意識醸成、PDCAを定例化する。技術以前の組織
変革が、ここで問われる。

7.2 定着のコツ ―「文化醸成」が最も難しく、最も重要

4段階のロードマップで、技術的に最も大変なのはPhase 2（データ収集）だが、経営的に最も難しく、
最も時間がかかるのはPhase 4である。ダッシュボードを整備しても、それを毎日見る習慣が現場に根付
かなければ、リアルタイム化は機能しない。差異が出ても「いつものこと」と流される組織では、PDCA
は回らない。

ただし、これを「文化が足りない」で片づけると、打ち手を見誤る。多くの場合、足りないのは習慣では
なく、「どの差異は流してよく、どの差異は動くべきか」という線引き ―すなわち判断基準が、言語化
も継承もされていないことだ。ベテランはその線引きを持っているが、本人も「なんとなく」としか説明
できない。だから新人に伝わらず、その人が異動・退職すれば、差異表は「読めるが動けない」ものに変
わる。文化を醸成する前に、まずこの判断基準を現場から引き出して残すこと ―そこに手をつけない
と、朝会も評価制度も空回りする。

定着のための実務的な打ち手をいくつか挙げる：
第一に、朝会・夕会での数字の共有。各部門のリーダーが、前日の原価・差異の状況を共有する短時間の
セッションを定例化する。情報を「見る」から「議論する」へ変える。第二に、KPIの個人・チーム評価
への反映。原価関連の指標を、部門のKPIや個人の評価に組み込む。「自分ごと」化を仕組みとして促
す。第三に、教育プログラム。原価の基礎、自部門の数字の読み方を、現場リーダー以上に教える機会を
持つ。第四に、経営層の関与。経営層自身が日次の数字を見て、現場と議論する姿勢を見せる。トップが
動かなければ、現場は動かない。

典型的な4つのつまずき
① データ収集の軽視：データ基盤・ダッシュボードに予算を集中し、現場の実績入力業務の整備をない
がしろにする。発生時点のデータが取れないと、いくら基盤を整えてもリアルタイム化は実現しない
（第3章）。② 配賦の過度な精緻化：ABC原価計算など精緻な手法を入れすぎて、集計に時間がかかり
日次のリアルタイム性を失う。用途に応じた粒度設計が要る（第4章）。③ 文化変革の不在：システム
を入れても、現場が原価を「自分ごと」として捉える文化が醸成されず、ダッシュボードが眺められる
だけで終わる。文化醸成への投資が不可欠（第4章・第6章）。④ ダッシュボード止まり：差異分析・
PDCAサイクルが業務として定着せず、見える化が経営判断に接続されない。意思決定との接続を業務設
計に組み込む（第3章・第5章）。

7.3 まとめ ― 「数値の仕組み」と「文化」を一体で設計する

本書を通じた主張は一貫している。製造原価リアルタイム化の成否は、精緻な原価計算システムを構築す
ることではなく、(1) 日々の経営判断に使える粒度・スピードで原価を見える化する技術スタックを構築
すること、(2) 標準と実際の差異分析を起点にPDCAサイクルを月次から日次・時間単位へ加速するこ
と、そして(3) 現場が原価を「自分ごと」として捉える文化と組織を同時に設計すること ―この3点で決
まる。原価リアルタイム化は、技術投資であると同時に、組織・文化への投資である。

そして、そのすべてを整えても、最後に一つ残る。「この差異は、流すべきか、動くべきか」という判断
だ。原価を速く見せることはできる。だが、どの差異に反応すべきかの線引きは、いまもベテランの中に
ある。その基準をどう引き出し、どう次へ残すか ―リアルタイム化の、さらに奥にある問いである。着

手にあたっては、全社一斉ではなく、最も困っている1製品ライン・1拠点でスモールスタートすること
を推奨する。明日からの一歩は二つ。一つは「いま、原価がいつ見えているか」を確認すること。もう一
つは、「先月、流した差異と、動いた差異は何が違ったか」をベテランに一つ聞いてみることである。前
者は見える化の入口、後者は判断知の入口になる。

製造原価をリアルタイムで見えるようにしても、最後に残るのは「この差異は流すべきか、動くべき
か」という現場の判断である。taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）
は、ベテランがどんな基準で線を引いているか ―差異表にもERPにも残らない判断の理由を、なぜそう
判断したのかごと引き出し、帰属を保ったまま構造化し、次の世代へ継承します。判断を平均したり、
一本の正解に統合したりはしません。AIは判断を代行せず、引き出し、分類し、問い返し、継承を助け
る裏方に徹します。原価が見えても「動けない」壁にお心当たりがあれば、ご相談ください。

詳細：https://taiziii.com/skillrelay/

調達・在庫を最適化する

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
調達・在庫を
最適化する
戦略的に持つべき在庫を見極め、
発注を仕組み化する
Optimizing Procurement and Inventory:
Identifying Strategic Stock,
Systematizing the Order Process

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、製造業のDX担当者（事業部のDX推進・調達・SCM・生産管理部門の部長・課長クラス）を読者
に想定した、調達・在庫最適化に関する実務レポートである。「在庫を減らしましょう」という掛け声
ではなく、どの在庫を戦略的に持ち、どの在庫を減らすべきか、そのためにどんな在庫モデルとポリシー
を設計し、発注をどう自動化し、製造とどう連携するかという技術的・実務的な具体に踏み込む。

調達・在庫管理は、長く「在庫は悪」という前提で語られてきた。在庫が増えれば運転資金が固定化さ
れ、保管コストもかかり、廃棄リスクも増える。この前提は半分は正しいが、半分は危ない。コロナ禍と
半導体不足を経て、世界中の製造業が痛感したのは、「在庫を持たない」ことのコストもまた大きいとい
う現実である。生産が止まれば、顧客への納期遅延、商機の喪失、信用失墜が一気に降りかかる。「在
庫を一律に減らす」という単純な処方箋は、もう通用しない。

本書が一貫して主張するのは、調達・在庫最適化の成否は「在庫を一律に減らすこと」ではなく「需要の
不確実性とリードタイムを踏まえ、戦略的に持つべき在庫を見極め、発注を仕組み化すること」で決ま
るという点である。在庫には、サイクル在庫・安全在庫・戦略在庫という3つの顔があり、それぞれ別の
論理で水準が決まる。これを区別したうえで、需要予測と発注ロジックを連携させ、ポリシーで自動化
し、製造とつなぐ ―これが地に足のついた最適化の道筋になる。なお本書は、需要予測やサプライチェ
ーン可視化とは別軸で、その間 ―予測と可視化の結果を踏まえ、日々の発注と在庫運用をどう設計する
か ―を扱う。

本書は公開情報および一般的な実装知見に基づく。記載する数値（在庫水準・サービスレベル等）は対象部品・運用によ
り大きく変動するため、絶対値ではなく相対的な傾向として参照されたい。

1
なぜいま調達・在庫最適化なのか
在庫を「減らすもの」から「設計するもの」へ
2
在庫の3つの顔 ― サイクル・安全・戦略
それぞれ別の論理で水準が決まる
3
調達・在庫最適化の技術スタック
需要予測連携→ポリシー設計→発注自動化→製造との連携
4
「在庫一律削減」の罠 ―サービスレベルとのトレードオフ
JITは「在庫ゼロ」ではない。持たないコストもある
5
中小製造業に共通する4つの典型課題と処方箋
属人化・データ分断・サービスレベル不在・需要予測切り離し
6
業界横断の在庫戦略アプローチ ―類型整理
需要の不確実性×リードタイムで戦略は4つに分かれる
7
導入ロードマップと落とし穴
3分類整理から始める順序、定着のコツ、つまずき

エグゼクティブ・サマリー

5つのキーメッセージ
調達・在庫最適化の成否は、在庫を一律に減らすことではなく、戦略的に持つべき在庫を見極め、発注を
仕組み化することで決まる。本書の要点を5つにまとめる。

1
コロナ禍と半導体不足を経て、在庫の捉え方は「減らすもの」から「設計するもの」へ転換した
長く「在庫は悪」という前提で語られてきた。しかしコロナ禍以降、半導体・原材料不足で生産が
止まり、JIT（ジャスト・イン・タイム）の脆弱性が世界規模で露呈した。コンサルへの相談も
「在庫を減らしたい」から「むしろ増やせないか」へと逆転。在庫はもう単に減らせばいいもので
はなく、戦略的に設計するものになった。

2
在庫には3つの顔がある。サイクル在庫・安全在庫・戦略在庫を区別して扱う
サイクル在庫は通常の発注・消費の循環で発生し、EOQ等で効率化する対象。安全在庫は需要変
動・納期遅延に備える保険的な在庫で、サービスレベルで水準を決める。戦略在庫は地政学リスク
や災害等の大規模リスクに備える在庫で、BCPと経営判断で持つべきか決める。それぞれ別の論理
で動かす。

3
技術の核は、需要予測連携→在庫モデル設計→発注自動化→製造との連携という流れ
需要予測の出力を取り込み、部品ごとに発注点（ROP）・安全在庫・EOQ・(s,S)ポリシーを設計
する。発注点を超えたら自動発注する仕組みを作り、勘ではなくルールで日々の発注を回す。さら
にMRP・かんばん・生産計画とつなぎ、調達と生産を一つの流れに統合する。

4
「在庫を一律に減らす」「サービスレベル100%」はどちらも罠。トレードオフを認める
サービスレベルを高めると、必要な安全在庫は指数関数的に増える。「100%にしたい」と言った
瞬間、コストは爆発する。一方で在庫を一律に減らせば欠品リスクが高まり、機会損失と信用失墜
を招く。JITは本来「必要な時に必要な量を」という発想であって「在庫ゼロ」ではない。コスト
と欠品のバランスを部品ごとに設計する。

5
中小製造業には4つの典型課題がある。これを順に潰すだけで成果は大きい
(1) 発注の属人化、(2) 在庫データの分断（拠点ごとのExcel）、(3) サービスレベル不在（欠品率の
目標なし）、(4) 需要予測との切り離し（在庫補充が予測と無関係）。高度な需要予測AIや巨額の
ERP導入の前に、まずこの4つを順に潰す。地に足のついた現場改善の延長線上に、調達・在庫最
適化はある。

01 なぜいま調達・在庫最適化な

のか
在庫を「減らすもの」から「設計するも
の」へ

K E Y F I N D I N G S

コロナ禍以前は「在庫を減らしたい」という相談が一般的だったが、コロナ禍以降は「むしろ確保
したい」へ転換
半導体・樹脂材等の原材料不足で生産が止まり、JITの脆弱性が世界規模で露呈した
在庫は単なるコスト要因ではなく、レジリエンスを支える戦略資産でもあるという両面が顕在化
「一律削減」でも「持てるだけ持つ」でもなく、設計する対象として在庫を捉え直す時代に入って
いる

1.1 在庫意識の逆転 ―コロナ禍前後

調達・在庫の議論は、長く「在庫は悪」という前提で進められてきた。在庫が増えれば運転資金が固定化
され、倉庫の保管コストがかかり、長く動かなければ廃棄ロスにもなる。教科書的にも、現場の実感とし
ても、在庫削減＝善とされてきた。コンサルティングへの相談も、コロナ禍以前は「在庫を減らしたい」
という内容が圧倒的多数だった。

ところがコロナ禍を経て、この前提が大きく揺らいだ。世界経済が想定より早く回復し、需要が急増する
なかで、半導体・樹脂材・各種原材料の不足が一般のニュースになるほどの社会問題になった。製造業の
現場では、「在庫をむしろ増やせないか」「資材の在庫確保のためならいくら払っても構わない」という
相談が急増した。「在庫を持たない」ことが、生産停止・納期遅延・商機喪失という形で、別の大きなコ
ストを生むことに、多くの企業が直面したのである。

出所：各種コンサルティングコラムおよびメディア報道に基づき taiziii Research 作成

1.2 JITの脆弱性が露呈した

この転換の象徴的な背景にあるのが、ジャスト・イン・タイム（JIT）生産方式の脆弱性が世界的に問わ
れたことである。JITはトヨタが磨き上げた、必要なものを・必要なときに・必要な量だけ作る生産管理
思想で、長く日本のものづくりの強みとされてきた。しかし、コロナ禍下のサプライチェーン混乱では、
効率化を追求しすぎたJITが物不足や流通混乱を深刻化させた、という見方が広がった。半導体不足が大
きな問題になった一因として、部品メーカー各社がJITによる在庫管理に依存しすぎたから、という意見
も生まれた。

ここで注意したい。JITは本来「在庫ゼロ」を意味するものではなく、「必要な時に必要な量を」という
発想である（この点は第4章で改めて扱う）。ただ実装の現場では、平準化・サプライヤーとの強固なパ
ートナーシップといった前提が崩れると、JITは在庫不足のリスクをそのまま現場に押し付ける。コロナ
禍は、この前提の崩れが世界規模で起きたときに何が起きるかを示した。

1.3 在庫は「設計するもの」へ

こうした文脈の中で、調達・在庫最適化の捉え方は変わってきた。在庫はもう「減らす」「持つ」の二択
ではない。減らすべき在庫、戦略的に持つべき在庫、その水準をどう決めるか ―こうした「設計」の対
象になった。需要の不確実性、リードタイムの安定性、サプライヤーの信頼性、サプライチェーンの集中
度。これらを総合的に判断して、部品ごと・状況ごとに最適な水準を設計する。次章以降、その具体を扱
っていく。

本書の立場：「設計」のための論理を持つ
「減らす」も「持つ」もそれだけでは答えにならない。重要なのは、どの在庫を、どの程度、なぜ持つ
のかを論理立てて決められること。本書は、その「設計のための論理」 ―在庫の分類、ポリシー設計、
運用の仕組み化 ―をひと続きで扱う。

02 在庫の3つの顔 ― サイクル・安全・

戦略
それぞれ別の論理で水準が決
まる

K E Y F I N D I N G S

在庫を「3つの顔」 ―サイクル在庫・安全在庫・戦略在庫 ―に分類すると、扱いの違いが明確にな
る
サイクル在庫は通常の発注・消費の循環で発生する在庫。EOQで効率化する対象
安全在庫は需要変動や納期遅延に備える保険的な在庫。サービスレベルで水準を決める
戦略在庫は地政学・災害等の大規模リスクに備える在庫。BCPと経営判断で持つかを決める

2.1 「在庫」と一括りにしない

「在庫」と一言でいっても、その性質は一様ではない。本書ではこれを「3つの顔」に分けて扱う。それ
ぞれが別の役割を持ち、別の論理で水準が決まる。これを区別せずに「在庫を減らせ」「在庫を持て」
と議論するから、判断を誤る。

出所：在庫管理理論および各種コンサルティング知見に基づき taiziii Research 作成

2.2 サイクル在庫 ―効率化の対象

サイクル在庫（Cycle Stock）は、通常の発注と消費の循環で発生する在庫である。100個まとめて発注
すれば、消費に応じて在庫が徐々に減っていき、無くなる前にまた100個発注する ―この往復で常に倉庫
に存在する在庫がサイクル在庫だ。発注を1回するたびに発注費用（事務手数料・輸送費等）がかかり、

在庫を持てば持つほど在庫維持費用（保管費・金利等）が増える。両者をバランスさせた最も経済的な発
注量を計算するのがEOQ（経済的発注量、Economic Order Quantity）で、サイクル在庫はこのEOQを
使った効率化の主な対象になる。

2.3 安全在庫 ―保険的な在庫

安全在庫（Safety Stock）は、需要変動や納期遅延に備えて、平均的な必要量とは別に常に持っておく保
険的な在庫である。需要が予測どおり来てくれて、納入も遅れなければ、安全在庫は不要だ。しかし現実
には予測は外れ、納入は遅れる。そのとき欠品しないために安全在庫を持つ。

安全在庫の量は、企業が「どの程度の欠品なら許容できるか」というサービスレベルで決まる。欠品許
容率5%（つまりサービスレベル95%）であれば安全係数1.65、欠品許容率1%（サービスレベル99%）な
ら2.33、というように決まる。一般的な計算式は安全在庫 = 安全係数 × 需要の標準偏差 × √(リードタ
イム + 発注間隔)。この式が示すように、需要のばらつき・リードタイムの長さ・欠品許容率の低さが、
安全在庫を増やす方向に効く。

2.4 戦略在庫 ―BCPと経営判断の在庫

戦略在庫（Strategic Stock）は、3種の中で最も新しく注目を集めている概念である。日々の需要変動で
はなく、地政学的リスク、大規模災害、感染症、サプライヤーの倒産といった「大規模かつ稀」なリスク
に備える在庫のことだ。安全在庫が「日々の保険」だとすれば、戦略在庫は「BCP（事業継続計画）の保
険」と言える。

戦略在庫の水準は、安全在庫のように数式だけでは決められない。何が起きたら事業が止まるか、止まっ
た場合のリスクと損失はどれくらいか、それを在庫でどこまで防ぐか ―こうした経営判断として水準が
決まる。半導体や希少素材のように、地政学的リスクが高く、代替が利きにくい品目では、平時の需要を
大きく超える水準で戦略在庫を持つ判断もありうる。コロナ後の議論で「在庫を増やす」と言われていた
のは、多くがこの戦略在庫を指していた。

戦略在庫だけは、数式ではなく「判断」で決まる
ここに、3つの顔の決定的な違いがある。サイクル在庫はEOQで、安全在庫はサービスレベルと標準偏差
で、いずれも数式に落ちる。だが戦略在庫だけは、持つか持たないか、どこまで積むかが、規定でも計
算でもなくその都度の経営判断で決まる。何を「起こりうる最悪」と見なし、どこまでを在庫で守るか
―この線引きは、ポリシー表にもERPにも現れない。この一点が、本書の最後（第7章）で効いてくる。

2.5 3種の区別が意思決定を変える

この3種の区別が、調達・在庫の議論を根本から変える。「在庫を減らす」と一括りにすると、本当は減
らせるサイクル在庫と、減らしてはいけない安全在庫・戦略在庫がごちゃ混ぜになる。経営層から「在庫
を減らせ」と言われたとき、現場が一律に減らすと、欠品が増え、結果として手戻りでより多くの在庫を
持つことになりかねない。3種に分けて、それぞれの論理で水準を決める ―これが在庫最適化の出発点で
ある。

03 調達・在庫最適化の技術

スタック
需要予測連携→ポリシー設計→発注自動化→
製造との連携

K E Y F I N D I N G S

調達・在庫最適化は、需要予測連携→ポリシー設計→発注自動化→製造との連携の流れで実装する
発注点（ROP）＝平均日販×リードタイム+安全在庫、これが在庫モデルの中核計算式
定量発注（一定数を割り込んだら発注）と定期発注（決まった周期で量を計算）の2方式がある
発注の自動化は、勘と経験に頼った属人的運用から、ルールベース運用への転換を意味する

3.1 4つの段階で捉える

調達・在庫最適化を、思いつきの改善ではなく再現性のある仕組みにするには、一連の技術スタックと
して設計する必要がある。

出所：taiziii Research 作成

3.2 需要予測との連携 ―起点を作る

すべての出発点は需要予測との連携である。何が・いつ・どれだけ売れるかの予測がなければ、いくつ発
注すべきかは決まらない。古典的な在庫管理では、需要を「過去の平均値＋一定の余裕」で扱ってきた。

しかし需要のばらつきが大きいいま、過去平均では不十分で、需要予測の出力を直接取り込む形にする必
要がある。

注意したいのは、需要予測と在庫最適化は別のテーマだが、密接につながっていること。需要予測の精度
を1ポイント上げる努力より、その出力を在庫補充ロジックに正しく連携させる土台のほうが、現場の成
果に効くことも多い。中小製造業では、需要予測そのものはエクセルの過去平均で済ませ、その代わり次
段以降のポリシーと自動化を整える、というアプローチも合理的である。

3.3 在庫モデルとポリシー設計 ―中核

技術スタックの中核が在庫モデルとポリシー設計である。部品ごとに「いつ・いくつ発注するか」のル
ールを設計する。代表的な方式が2つある。

定量発注方式（発注点方式、ROP方式）は、在庫が一定の水準（発注点）を下回ったら、決まった量を
発注する方式。発注点の計算は発注点（ROP）＝平均日販 × 調達リードタイム＋安全在庫。たとえば
平均日販10個、リードタイム7日、安全在庫20個なら、発注点は10×7+20=90個になる。日々の在庫が90
個を割ったら、決まった量を発注する。汎用部品や標準品、消費が比較的安定している品目に向く。

定期発注方式は、決まった周期（たとえば週1回）で発注し、毎回の発注量を計算する方式。発注量＝目
標在庫−現在在庫、目標在庫＝日次平均需要×(リードタイム＋発注周期)＋安全在庫。需要の変動が大き
く、頻繁に発注量を調整したい品目に向く。

これに加えて、より高度な方式として(s,S)ポリシー（在庫がsを下回ったらSまで戻す発注を行う）や、
MEIO（Multi-Echelon Inventory Optimization、多階層在庫最適化）といった理論もある。複数の倉
庫や階層を持つ大企業では、全体最適のためMEIOが効くこともあるが、中小製造業ではまず定量発注ま
たは定期発注を確実に運用する方が現実的である。

3.4 発注の自動化 ―属人化からの脱却

ポリシーが設計できたら、発注の自動化に進む。発注点を超えた品目を自動で抽出し、決められた発注
量で自動発注をかける。発注ミスや発注忘れが激減し、夜中や休日でも自動的に動く。「あの担当者が
いないと発注が止まる」という属人化からも脱却できる。

自動化はシステム導入だけの話ではない。「どんな状態で人が介入するか」のルール設計も同時に必要に
なる。需要が急変したとき、サプライヤーから納期遅延の連絡があったとき、新製品の立ち上げで予測が
効かないとき ―こうした例外を機械任せにせず、人が確認して判断する仕組みが要る。自動化は人を排
除することではなく、定常業務を機械に任せ、人は例外と判断に専念できるようにすることである。

3.5 製造との連携 ―調達と生産を一つの流れに

そして最後に重要なのが、製造（工場）との連携である。調達と在庫だけで議論を閉じると、現場との断
絶を生む。製造側にはMRP（資材所要量計画）やかんばん方式があり、生産計画と部品調達のタイミン
グが連動している。調達・在庫最適化のシステムは、これらと統合される必要がある。

具体的には、生産計画から逆算した部品必要量を在庫システムに渡し、現在在庫から差し引いて発注量を
計算する。生産計画が変更されたら、部品発注も連動して変える。かんばんを使う現場では、かんばんの
動きから発注信号を生成する仕組みもある。調達は調達、生産は生産、と分けて運用していると、両者の
隙間に在庫が積み上がる。一つの流れとして設計することで、初めて全体最適が見えてくる。

04 「在庫一律削減」の罠 ― サービス

レベルとのトレードオフ
JITは「在庫ゼロ」ではない。

持たないコストもある

K E Y F I N D I N G S

サービスレベルを高めると、必要な安全在庫は指数関数的に増える。「100%」を目指すとコスト
が爆発する
在庫を一律に減らせば欠品リスクが高まり、機会損失と信用失墜を招く
JITは本来「必要な時に必要な量を」という発想であり、「在庫ゼロ」を意味するものではない
在庫を持たないことのコスト（生産停止・納期遅延・商機喪失）も大きい。両側のコストを天秤に
かける

4.1 サービスレベル100%は不可能

調達・在庫の議論で最も誤解されがちなのが、サービスレベル（欠品しない確率）と必要な安全在庫の
関係である。「欠品を絶対に出したくない、サービスレベル100%にしたい」という要望は、聞こえは正
しい。しかし、これは実務上ほぼ不可能で、目指せば在庫が爆発する。

出所：在庫管理理論（正規分布に基づく安全係数）に基づき taiziii Research 作成
この曲線が示すのは、サービスレベルを高めると、必要な安全在庫は指数関数的に増えるという事実であ
る。サービスレベル90% なら安全係数1.28 、95% なら1.65 、99% なら2.33 、99.9% なら3.09 。

「99%→99.9%」のたった0.9ポイントの差で、必要な安全在庫はさらに大きく膨らむ。100%に近づこう
とすればするほど、コストは加速度的に伸びる。「100%にしたい」と現場が言ったときに、経営層が
「では在庫予算はいくらまで増やせるか」を一緒に議論できないと、現実的な意思決定にならない。

4.2 サービスレベルは部品ごとに決める

この曲線を踏まえた現実的なアプローチが、部品ごとにサービスレベルを変えることだ。すべての部品を
同じ水準で守る必要はない。安全関連や顧客への影響が大きい部品は99%以上を目指し、汎用品や代替
が効くものは90%でよい、というように品目ごとに目標を決める。これにより、全体の在庫コストを抑え
ながら、本当に重要なところだけ高い守りを敷ける。

ここで重要なのが、サービスレベルを「明示的に決める」ことそのものだ。多くの現場では、サービスレ
ベルが暗黙のまま「欠品が出たら困る」「在庫が多いとコストがかかる」という曖昧な議論で揺れ動いて
いる。部品ごとに「うちはこの品目で95%の水準を守る」と決めれば、安全在庫は数式から自動的に決
まり、それを上回るか下回るかが評価できるようになる。第5章で挙げる「サービスレベル不在」が、中
小製造業の典型課題の一つになるのはこの理由による。

4.3 JITは「在庫ゼロ」ではない

もう一つの根強い誤解が、JITは「在庫ゼロ」という見方である。JITはトヨタが磨いた生産方式で、「必
要なものを・必要なときに・必要な量だけ作る」という発想だ。誤って「在庫を限りなくゼロに近づける
こと」と理解されることが多い。

JITの本質は「必要な時に必要な量を」であって、「在庫ゼロ」ではない。むしろJITが機能する前提とし
て、平準化生産（量・種類を均等にばらして生産すること）、強固なサプライヤーとのパートナーシッ
プ、リアルタイムの生産状況把握、地理的に近接した部品供給網がある。これらの前提が成り立つ場合
に、結果として在庫を最小限にできる、というのがJITの正しい姿だ。前提を整えずに「在庫を減らす」
だけ真似すると、欠品リスクが高まる。

「在庫を持たない」ことのコストもある
在庫はコストだ ―この見方だけでは半分しか見ていない。在庫を持たないことのコストもまた現実にあ
り、しばしば過小評価される。生産が止まれば、止まっている間の人件費・設備費は固定費として出て
いく。顧客に納期遅延を伝えれば信用が落ち、次の商機を失う。安全関連の重要部品が欠品すれば、ラ
イン全体が止まる。これらは在庫の保管コスト・廃棄ロスより、ずっと大きな損失になりうる。在庫の
「持つコスト」と「持たないコスト」の両方を天秤にかけてこそ、最適な水準が決まる。

4.4 「池の水と石」の比喩を再読する

トヨタ生産方式の有名な比喩に、「在庫を池の水、現場の問題点を池の底の石」に例えるものがある。在
庫が多いと水位が高く、石（＝問題点）が見えない。在庫を減らすと水位が下がり、石が露出し、その問
題を一つずつ対処できる、という考え方である。これは在庫削減の効用を雄弁に語る古典的なメタファー
だ。

ただし、この比喩は文脈を見て読み解く必要がある。これは「サイクル在庫」を減らして工程の問題を発
見する文脈の話であって、安全在庫や戦略在庫まで一律に削るべきだとは言っていない。日々の発注・消
費の循環で生まれるサイクル在庫を絞っていけば、工程のばらつきや段取り替えのムダが顕在化する。こ
れは正しい。ただ、災害や地政学リスクに備える戦略在庫を「池の水」と同列に扱って削ると、池の底が

見える前に、池そのものが干上がりかねない。古典的な改善哲学を、現代のサプライチェーンの不確実性
のもとで再解釈することが、いま求められている。

05 中小製造業に共通する4つの

典型課題と処方箋
属人化・データ分断・サービスレベル不
在・需要予測切り離し

K E Y F I N D I N G S

中小製造業の調達・在庫管理には、業種を問わず繰り返し現れる4つの典型課題がある
発注の属人化、在庫データの分断、サービスレベル不在、需要予測との切り離し、の4つ
高度な需要予測AIや巨額のERP導入の前に、まずこの4つを順に潰すだけで成果は大きい
処方箋はそれぞれシンプル ―ルール化、一元管理、明示的設定、ロジック連携

5.1 業種を超えて繰り返される4つの典型課題

調達・在庫の領域で多くの中小製造業を見てきた知見を整理すると、業種・規模を問わず驚くほど同じ4
つの典型課題が現れる。本書ではこれを「4つの典型課題と処方箋」として整理する。自社がどれに当て
はまるか、いくつ当てはまるかを確認することから、改善は始まる。

出所：各種コンサルティング知見および公的支援機関の情報（J-Net21等）に基づき taiziii Research 作成

5.2 ① 発注の属人化

最も多いのが発注の属人化である。「あの人がいないと発注が止まる」「ベテラン担当者の頭の中にし
か発注ルールがない」という状態だ。経験と勘で発注量とタイミングを決める仕組みは、その人がいる間

は機能しても、退職・休職・休暇のたびに業務が崩れる。さらに、属人化していると後輩の育成が進ま
ず、ノウハウは引き継がれない。

処方箋はシンプルで、第3章で述べたROP・安全在庫のルール化である。「平均日販×リードタイム＋安
全在庫＝発注点」という式を当てはめ、品目ごとに発注点を計算して登録する。これだけで、発注作業は
「在庫が発注点を下回ったらこの数を発注する」という機械的な手順になり、誰でも回せる仕組みに変わ
る。式の精度より、まず明示的なルールを置くことが価値を生む。

ただし、ルール化で型にできるのは「いつ・いくつ発注するか」という手順（What to do）までであ
る。属人化の本当に怖い部分は、その先にある。「この品目は、本当に欠品させてはいけないのか」
「代替は利くのか」「いま、このサプライヤーは危なくないか」――こうした例外の読み（How to
decide）は、発注点の数式には乗らない。ベテランが在庫を止めるか走らせるかを決めていたのは、た
いていこちらだ。ROPをルール化しても、この判断は引き継がれない。属人化対策は、発注の型化で半
分、残りの半分――例外を読む判断をどう残すか――は、別に手を打つ必要がある（第7章）。

5.3 ② 在庫データの分断

次に多いのが在庫データの分断である。工場・倉庫・営業部門でそれぞれが別のExcelやシステムで在庫
を管理しており、誰も全体像を把握していない、という状態だ。営業から「在庫はあるか」と聞かれた工
場が「ない」と答えても、実は倉庫にあった ―このような行き違いは珍しくない。

処方箋は単一の在庫マスタを作って一元管理することである。すべての拠点・部門が同じ在庫データを参
照する仕組みを作る。これは高度なERP導入が必須というわけではなく、Excelを共有フォルダで運用し
ても、クラウドの在庫管理サービスを使っても、要は「一つの真実のデータ」を全社で共有することが要
点である。データの分断を解消するだけで、調達と販売のミスマッチが大きく減る。

5.4 ③ サービスレベル不在

第4章でも触れたサービスレベル不在。多くの中小製造業では、欠品率の目標が明示的に設定されていな
い。「欠品を出したくない」「在庫が多いとコストがかかる」という曖昧な議論で在庫水準が決まり、担
当者の感覚で揺れ動いている。これでは安全在庫の合理的な計算もできず、過剰在庫と欠品の両方が交互
に起きやすい。

処方箋は部品ごとにサービスレベルを明示的に設定すること。重要部品は99%、汎用品は90%、という
ように品目ごとに目標を決める。決めれば、安全係数も数式から決まり、安全在庫量も計算できる。さら
に「目標サービスレベルを実際に達成できているか」を測れるようになり、PDCAサイクルが回り始め
る。

5.5 ④ 需要予測との切り離し

最後が需要予測との切り離しである。営業部門で需要予測を作っていても、それが在庫補充の判断に使わ
れていない。逆に、在庫担当者が独自に「過去平均」で発注しており、営業の予測情報を見ていない、と
いうケースも多い。両者が連携していないと、せっかくの予測情報が活用されない。

処方箋は需要予測→在庫補充ロジックの連携である。営業が出した予測を在庫システムに渡し、発注点や
発注量の計算に反映させる仕組みを作る。高度なシステム統合がなくとも、月次で営業予測をExcelに転

記し、安全在庫を見直すだけでも効果がある。連携の方法より、「予測情報を在庫判断に使う」というル
ーチンを作ることが要諦である。

5.6 まずこの4つを順に潰す

4つを並べると当たり前に見えるかもしれない。しかし、多くの中小製造業がこれらを未解決のままにし
ているのもまた事実だ。高度な需要予測AIや巨額のERP導入の前に、まずこの4つを順に潰す。それだけ
で、調達・在庫管理の質は劇的に改善する。地に足のついた現場改善の延長線上に、調達・在庫最適化は
ある。次章では、業界・部素材タイプによって最適なアプローチが分かれることを見ていく。

06 業界横断の在庫戦略アプロー

チ ―類型整理
需要の不確実性×リードタイムで戦略
は4つに分かれる

K E Y F I N D I N G S

「最適な在庫戦略」は一つではない。需要の不確実性とリードタイムの組み合わせで戦略が分かれ
る
需要↑×LT↑の領域（自動車部品・半導体）は戦略在庫＋代替調達先確保が要
需要↓×LT↓の領域（汎用部品・標準品）は発注点（ROP）による自動化で十分
自社の品目構成を象限にマッピングすると、それぞれに合った戦略が見えてくる

6.1 戦略は一つではない

本書ではここまで、調達・在庫最適化の論理を整理してきた。重要なのは、すべての業種・すべての品目
に同じ戦略が当てはまるわけではないことだ。高い精度の需要予測が要る業界もあれば、シンプルな発注
点運用で十分な業界もある。戦略在庫を厚く積む必要がある品目もあれば、その必要がない品目もあ
る。

この違いを整理する軸が「需要の不確実性」と「リードタイムの長さ」である。この2軸でマトリクスを
切ると、業界・部素材タイプごとの最適アプローチが4つの類型に整理できる。

出所：taiziii Research 作成

6.2 左上：需要↑×LT↓ ―消費財・小売・EC

左上は、需要は変動するが、リードタイムは短い領域。消費財・小売・ECなどが該当する。トレンド・
季節・キャンペーンで需要は大きく揺れ動くが、補充は比較的早くできる。

この領域での戦略は需要予測の精緻化＋機動的な発注。リードタイムが短い分、戦略在庫より「予測を当
てて素早く動く」ことに価値がある。AIによる需要予測の精緻化や、店舗・ECチャネル別のリアルタイ
ム在庫管理が効くのはこの領域だ。

6.3 右上：需要↑×LT↑ ―自動車部品・半導体

右上の象限は、需要の不確実性が高く、リードタイムも長い領域だ。代表例が車載半導体や、自動車向け
の特殊部品。需要は景気・モデル切替・規制で大きく変動し、半導体や特殊素材のリードタイムは数ヶ
月〜1年に及ぶこともある。「予測しにくく、欠品が起きたら回復に時間がかかる」最も困難な領域であ
る。

この領域での戦略は戦略在庫＋代替調達先確保。日々の安全在庫だけでは足りず、地政学リスクや災害も
想定して、戦略在庫を厚めに積む。同時に、代替サプライヤーや代替部品を事前に評価しておき、有事に
切り替えられる体制を作る。コロナ後の自動車業界の取り組みは、ほぼこの方向にある。

6.4 左下：需要↓×LT↓ ―汎用部品・標準品

左下は、需要も安定し、リードタイムも短い領域。汎用部品・標準品・消耗品などが該当する。最も
「シンプル」に見える領域だが、品目数が多くなりがちで、管理コストがかさみやすい。

この領域での戦略は発注点（ROP）による自動化。複雑な需要予測も戦略在庫も要らない。発注点を計
算して、それを下回ったら自動発注する仕組みを作るだけで、十分に機能する。むしろこの領域に高度な
システムを当てはめると、過剰投資になる。

6.5 右下：需要↓×LT↑ ―化学・素材・重工業

右下は、需要は安定しているが、リードタイムは長い領域。化学品・基礎素材・重工業の主要原材料など
が該当する。長期契約や大ロットでの調達が一般的で、需要も比較的読みやすい。

この領域での戦略はEOQ重視＋長期契約で安定化。発注費用と在庫維持費用のバランスを最適化する
EOQが効くのがこの領域である。さらに、サプライヤーとの長期契約や複数調達先確保により、供給を安
定化させる。

6.6 自社の品目構成を象限にマッピングする

この4類型は、業界全体を整理するだけでなく、自社の品目構成をマッピングするのにも使える。多くの
企業の品目は、すべてが同じ象限に入るわけではない。汎用品もあれば、特殊半導体もあり、安定原材料
もある。それぞれに合った戦略を、品目グループ別に当てはめる ―これが、業界の知見を自社の実務に
落とし込む第一歩になる。

07 導入ロードマップと落と
し穴

3分類整理から始める順序、定着のコツ、つ
まずき

K E Y F I N D I N G S

導入は「在庫の3分類整理→ポリシー設計→発注の自動化→製造との連携」の4段階で進める
全品目を一斉ではなく、典型課題が大きい品目から段階的に着手する
高度な需要予測AIや巨額のERPの導入は、土台が整ってからで遅くない
典型的なつまずきは、一律削減への逃避、サービスレベル不在、データ分断の放置、製造連携の欠
如

7.1 4段階のロードマップ

調達・在庫最適化は、一足飛びに高度なシステムを目指さず、土台から段階的に積み上げる。

出所：taiziii Research 作成
Phase 1：在庫の3分類整理。部品をサイクル在庫・安全在庫・戦略在庫の3種で分類し、現状の在庫水準
を測る。一律に「在庫が多い・少ない」と論じるのをやめ、種類別に見ることが出発点である。Phase
2：ポリシー設計。部品ごとに発注点（ROP）・安全在庫・サービスレベルを計算・設定する。発注ルー
ルを明文化し、属人化から脱却する。Phase 3：発注の自動化。システムで発注点を監視し、自動発注を
かける仕組みを作る。例外（需要急変、納期遅延等）だけ人が判断する設計にする。Phase 4：製造との
連携。MRP・かんばん・生産計画と統合し、調達と生産を一つの流れに統合する。また、調達リードタ
イムそのものの短縮も継続課題として取り組む。

7.2 定着のコツ ―「品目ごとに違う」を受け入れる

調達・在庫最適化が定着するかどうかは、「品目ごとに違う扱いをすることを受け入れられるか」にかか
っている。全品目を同じルールで管理すると、シンプルな代わりに、重要部品では過小、汎用部品では過
剰の状態が生まれやすい。第6章の類型に照らして、品目グループごとに戦略を変える ―この多様性を運
用できる組織になることが、調達・在庫最適化の成熟度を決める。

また、定着の鍵としてサービスレベルと在庫回転率を経営管理サイクルに載せることも忘れてはいけな
い。月次・四半期で部品グループごとのサービスレベル達成率と在庫回転率をレビューし、目標との乖離
を分析する。計測・予測を業務に組み込み、改善ループを回し続けることが、調達・在庫管理に限らず製
造業DXの一般原則である。

典型的な4つのつまずき
① 一律削減への逃避：経営層の「在庫を減らせ」という指示に対し、3分類せずに一律削減してしま
う。欠品リスクが高まる（第2章・第4章）。② サービスレベル不在のまま：欠品率の目標を明示的に設
定しないため、安全在庫の合理的な計算ができない。部品ごとに目標を決める（第4章・第5章）。③ デ
ータ分断の放置：拠点・部門ごとにバラバラのExcelで在庫管理を続け、全体像が見えない。一元管理を
最初に整える（第5章）。④ 製造連携の欠如：調達・在庫だけで議論を閉じ、MRPや生産計画と連動し
ない。両者を一つの流れに統合する（第3章）。

7.3 まとめ ―「設計する」在庫管理へ

本書を通じた主張は一貫している。調達・在庫最適化の成否は、在庫を一律に減らすことではなく、(1)
在庫の3つの顔を区別し戦略的に持つべき在庫を見極めること、(2) 部品ごとにポリシーを設計して発注
を仕組み化すること、そして(3) その仕組みを製造と連携させ経営管理サイクルに載せることという、技
術以前の3点で決まる。在庫はもう「減らすもの」ではない。「設計するもの」である。

着手にあたっては、全品目を一斉に変えようとせず、第5章で挙げた4つの典型課題のうち、自社で最も影
響が大きいものを1つ選んで、その品目だけで小さく始めることを推奨する。明日からの一歩は、自社の
主要部品を10〜20品選び、それぞれをサイクル・安全・戦略の3種に分類してみることである。それだけ
で、これまで一括りに語っていた「在庫」の見え方が変わってくる。

そして、ここまで設計しきってもなお、最後に人へ残るものがある。発注点も安全在庫もサービスレベル
も、決めてしまえば数式に乗る（＝設計＝ここまでの主題）。だが、戦略在庫を持つか、サービスレベル
を95%にするか99%にするか、需要が急変したとき発注を止めるか走らせるか――こうした最後の線引
きは、人の判断で決まる。しかも、その判断の理由は、ポリシー表にもERPにも残らない。担当者が退け
ば、数字だけが残って、なぜその水準にしたかは失われる。最適化の本丸は、ポリシーで埋まる部分では
なく、その外側に残るこの判断をどう引き出し、構造化し、次へ継ぐかにある。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）は、発注ポリシーやサービスレベ
ルの設定では埋まらない「戦略在庫を持つか」「この品目を欠品させてよいか」「急変時に止めるか走
らせるか」という、ベテラン調達担当の判断を、なぜそう判断したのかという理由ごとAIで引き出し、
帰属を保ったまま条件付きルールへ構造化し、組織の判断知として継承します。判断を平均したり、一
本の正解に統合したりはしません。例外は例外として残します。AIは判断を代行せず、引き出し、分類
し、問い返し、継承を助ける裏方に徹します。

詳細：https://taiziii.com/skillrelay/

Tier2-3を可視化する

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
Tier2-3を
可視化する
リスクの束で絞り込み、
有事に動ける調達体制を作る
Mapping Tier 2 and Tier 3 Suppliers:
Bundled Risk-Based Focus and
Building a Resilient Procurement System

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、製造業のDX担当者（事業部のDX推進・調達・SCM・経営企画部門の部長・課長クラス）を読者
に想定した、Tier2-3可視化に関する実務レポートである。「サプライチェーンを見える化しましょう」
という掛け声ではなく、どのデータを集め、どうサプライヤーマップを作り、どこにリスクが集中してい
るかを評価し、どう代替体制を備えるかという技術的・実務的な具体に踏み込む。

過去15年、サプライチェーンは絶え間なく揺さぶられてきた。震災、コロナ禍と半導体不足、ルネサス
火災、サイバー攻撃、地政学の緊張 ―ショックの形は変わっても、製造業に共通する弱点が露呈してき
た。Tier1までは見えているが、その先のTier2・Tier3以降はブラックボックスで、上流のどこかが止ま
ったときに何が起きるのか分からないという弱点である（各ショックの詳細は第1章）。

本書が一貫して主張するのは、Tier2-3可視化の成否は「全サプライヤーを完璧に把握すること」ではな
く「リスクの高い部素材に絞ってデータ収集の仕組みを作り、有事に動ける代替調達体制まで設計するこ
と」で決まるという点である。完璧な地図はサプライヤー数が膨大でコストも見合わず、まず破綻する。

代わりに、地政学・資材不足・与信などのリスクが重なる「リスクの束」の部素材に絞って深く把握し、
有事に代替へ動ける体制を整える ―これが現実解になる。本書は、その技術アーキテクチャと運用の判
断を扱う。

本書は経済産業省「自動車サプライチェーンの強靱化に向けた取組」（2022年7月）等の公開情報および一般的な実装知見
に基づく。事例の数値や効果は対象・体制により大きく変動するため、絶対値ではなく相対的な傾向として参照された
い。

1
なぜいまTier2-3可視化なのか
震災、コロナ、半導体不足、地政学。絶え間ないSCショックの15年
2
サプライチェーンの構造 ― ピラミッド型とダイアモンド型
Tier1までは見えても、Tier2-3が見えないのはなぜか
3
可視化の技術スタック
データ収集→サプライヤーマップ構築→リスク評価→対策の実装
4
「全部見る」の罠 ―「リスクの束」で絞り込む
開示インセンティブとコストの限界、KPIとしての把握率と集中度
5
業界横断のデータ連携 ― Catena-X・Ouranos・G7
一社で抱えず、業界・国際の枠組みで見える化を共有する
6
先進事例 ― トヨタRESCUEシステム
震災から構築し、有事の対応時間を「3週間→1日」に圧縮した
7
導入ロードマップと落とし穴
重要部素材から始める順序、定着のコツ、つまずき

エグゼクティブ・サマリー

5つのキーメッセージ
Tier2-3可視化の成否は、全サプライヤーを完璧に把握することではなく、リスクの高い部素材に絞り、
有事に動ける備えを設計することで決まる。本書の要点を5つにまとめる。

1
サプライチェーンは絶え間なく揺さぶられている。Tier2-3の見えなさが共通の弱点である
東日本大震災、熊本地震、コロナ禍、半導体不足、ルネサス火災、サイバー攻撃、地政学リスク。

過去15年だけでも、ショックは絶え間なく続いてきた。形は変わっても、製造業の現場に共通する
弱点は変わらない。Tier1までは見えているが、その先のTier2・Tier3以降がブラックボックスで、
有事に何が起きるか分からないという弱点である。

2
「ピラミッド型」と思い込んだ裏に「ダイアモンド型」が潜んでいる
自動車のサプライチェーンは長くピラミッド型（上流ほど多数に分散）と理解されてきた。しかし
車載半導体や希少素材では、Tier2以降にごく少数のサプライヤーへ依存が集中するダイアモンド
型の構造が顕在化している。一社の停止が全体に波及する脆弱性をはらむのに、当のOEMから見
えていない。だからTier2-3の可視化が必要になる。

3
技術の核は、データ収集→マップ構築→リスク可視化→対策の実装の一連の流れ
サプライヤー調査票や第三者DBで取引情報を集め、Tier1→2→3の連鎖をマップとして描き、災
害・地政学・与信・依存度集中といったリスクを重ね合わせ、代替先確保や在庫戦略といった具
体策を実装する。個別ツールよりも、この流れを途切れなく回せる仕組みを作れるかが成否を分け
る。

4
「全部見る」の罠を避け、「リスクの束」が集まる部素材に絞り込む
全サプライヤーを完璧に把握しようとすると、サプライヤー数は何千社にも膨張し、開示インセン
ティブのない先で頓挫し、更新コストが見合わなくなる。代わりに、地政学リスク・資材不足・与
信リスクなどが重なる「リスクの束」が集中する部素材に絞って深く把握する。把握率やHHI（集
中度）をKPIで管理することで、経営管理に載せられる。

5
一社で抱え込まず、業界・国際の枠組みに乗ることが現実解になる
Tier2-3を一社で把握しようとするには限界がある。欧州自動車業界のCatena-X、経済産業省主導
のOuranos Ecosystem、G7の「強靱で信頼性のあるサプライチェーン原則」（2023年広島）な
ど、業界横断・国際枠組みでデータを共有する流れが進む。自社内で完結させず、これらに乗るこ
とが、見える化のコストを下げる現実解になる。

01 なぜいまTier2-3可視

化なのか
震災、コロナ、半導体不足、地政学。絶え間ない
SCショックの15年

K E Y F I N D I N G S

過去15年、サプライチェーンを揺さぶるショックは絶え間なく続いている
2011年東日本大震災、コロナ禍と半導体不足、ルネサス火災、小島プレス事件、地政学緊張 ―形
は変われど構造は同じ
ショックの形が変わっても、Tier2-3が見えていないという共通の弱点が露呈してきた
CSRD・EUDR・CBAMといった規制要請も、サプライチェーンの可視化と説明責任を企業に求める
方向に動いている

1.1 15年で見えてきたショックの常態化

サプライチェーンが揺さぶられるイベントは、いまや想定外ではなく常態である。過去15年だけでも、
絶え間なくショックが続いてきた。

出所：各種報道および経済産業省「自動車サプライチェーンの強靱化に向けた取組」（2022年7月）等に基づき taiziii Research 作成
2011年の東日本大震災では、トヨタは仕入先の被災により約500品目の部品調達の手当てに奔走し、国内
の生産正常化までに4ヶ月を要した。2016年の熊本地震、2020年からのコロナ禍と世界規模の半導体不
足、2021年の福島沖地震とルネサス火災 ―いずれも自動車業界の生産に重大な影響を及ぼした。2022年
には小島プレスへのサイバー攻撃でトヨタの国内全工場が一時停止に追い込まれ、Tier1経由のサイバー
リスクが現実化した。さらに近年は地政学緊張による輸出規制や紅海危機での物流途絶が、地理的なリス
ク要因として加わっている。

1.2 形は変われど、構造は同じ

これらのショックは、災害、感染症、サイバー、地政学と表面の形はまったく異なる。しかし、製造業の
現場が直面した構造は驚くほど共通している。有事の瞬間に「うちはどの部素材で、どこの誰に、どれだ
け依存しているのか」が見えない、という構造である。Tier1までは取引データで把握できる。しかし
Tier2、Tier3以降は、Tier1サプライヤーが情報を持っていても、機密性や競合関係を理由に開示されない
ことが多い。OEMから見ると、上流が完全にブラックボックスになっている。

ここに、もう一つの追い風が加わっている。規制要請である。欧州のCSRD（企業サステナビリティ報告
指令）、EUDR（森林破壊防止規則）、CBAM（炭素国境調整メカニズム）など、近年の国際規制はいず
れもサプライチェーンの可視化と説明責任を企業に求めている。経済産業省の調査でも、人権デューデリ
ジェンスを実施する企業は約5割に達したが、間接仕入先まで実施できている企業は25%程度にとどま
る。Tier2-3可視化は、リスク対応であると同時に、規制対応の基盤としても求められるようになってい
る。

本書の立場：見えないSCは管理できない
見えないものは管理できない。これは品質管理でも在庫管理でも変わらない原則であり、サプライチェ
ーンも例外ではない。ただし、見える化はゴールではない。有事に動けるための備えこそがゴールであ
る。本書はこの順序で論を進める。

02 サプライチェーンの構造 ― ピラミ

ッド型とダイアモンド型
Tier1までは見えても、Tier2-3
が見えないのはなぜか

K E Y F I N D I N G S

サプライチェーンの構造には、上流ほど分散するピラミッド型と、特定の上流に集中するダイアモ
ンド型がある
長く想定されてきたピラミッド型では、一社の被災でも代替が利きやすいとされてきた
しかし車載半導体や希少素材では、Tier2以降に集中するダイアモンド型の構造が顕在化している
OEMからはピラミッド型に見えていても、要所にダイアモンド型が潜んでいる ―だから可視化が要
る

2.1 2つのSC構造を区別する

サプライチェーンの構造を考えるとき、長く意識されてきたのがピラミッド型である。OEM（完成品メー
カー）を頂点に、Tier1、Tier2、Tier3…と下層ほど多数のサプライヤーに分散する構造で、自動車産業の
サプライチェーンの典型像とされてきた。この構造では、上流のサプライヤー数が多いため、一社が被
災・障害を起こしても他社で代替が利きやすい、と想定される。

しかし近年、特に車載半導体や一部の希少素材で、まったく違う構造が顕在化している。ダイアモンド型
と呼ばれるものである。経済産業省の「自動車サプライチェーンの強靱化に向けた取組」（2022年7月）
でも、この概念が明示されている。

出所：経済産業省「自動車サプライチェーンの強靱化に向けた取組」（2022年7月、車載用半導体サプライチェーン検討WG中間報告）に
基づき taiziii Research 作成

2.2 ダイアモンド型が脆弱性を生む

ダイアモンド型は、上流のどこかに「絞り込み」がある構造である。Tier2以降に、ごく少数のサプライ
ヤーへ依存が集中している。一社の停止が、複数の下流企業を経由してOEMの生産まで波及する脆弱性
をはらむ。「ピラミッド型と思い込んでいたら、要所にダイアモンド型が潜んでいた」というのが、近年
のショックで露呈した実態である。車載半導体の例が分かりやすい。OEMから見るとTier1からはモジュ
ールが供給されているが、その先には特定の半導体メーカーへの集中があり、さらにその上流にはウェハ
ー、設計IP、製造装置と、いくつもの集中ポイントが存在する。

2.3 なぜTier2以降が見えないのか

では、なぜTier2以降がブラックボックスになるのか。理由は単純ではない。第一に、Tier1サプライヤー
自身が、自社のTier2（つまりOEMから見たTier2）の情報を企業機密として扱う。原価構造や調達先は
競争力の源泉であり、上位の顧客にも開示したくないのが本音である。第二に、Tier1が把握しているの
はTier2までであり、Tier3以降はTier2自身が情報を持っているため、Tier1経由でも把握できない。経済
産業省レポートも、「ティア1が把握しているティア2までの情報であり、ティア2から更に情報提供が行
われない限りは、ティア3以降の上流のサプライチェーン情報は把握できない」と明記している。OEM側
の意思だけで見える化はできない、という構造の問題である。

第三に、海外拠点の情報は更に取りにくい。地理的にも法的にも距離があり、Tier1経由の情報提供も限
定的になりがちである。Tier2-3可視化は、技術論だけでなく、関係性、契約、規制、信頼の積み重ねに
左右される領域でもある。これが本書で繰り返し触れる「全部見るのは難しい」前提につながる。

03 可視化の技術スタック

データ収集→マップ構築→リスク評価→対策の実装

K E Y F I N D I N G S

Tier2-3可視化は、データ収集→サプライヤーマップ構築→リスク可視化→対策の実装の一連で実装
する
データ収集の手段は、サプライヤー調査票、自社の取引データ、第三者DBの3つを組み合わせる
サプライヤーマップは、グラフDBで管理することで連鎖関係を網のように扱える
SAP・Oracle SCMなど商用ツールから、グラフ系専門ツールまで、選択肢は広がっている

3.1 4つの段階で捉える

Tier2-3可視化を、思いつきの調査ではなく再現性のある仕組みにするには、一連の技術スタックとして
設計する必要がある。

出所：taiziii Research 作成

3.2 データ収集 ― 3つの手段の組み合わせ

すべての起点はデータ収集である。手段は大きく3つある。第一にサプライヤー調査票。Tier1経由で
Tier2、可能ならTier3以降の取引先情報、拠点、依存度などを直接尋ねる。地道だが基礎データになる。

第二に自社の取引データ。自社のERPや調達システムに蓄積された購買・発注・出荷データから、Tier1
までは精度高く把握できる。第三に第三者DB。企業情報DBやSCマッピング専門のサービスを使うと、自
社では把握できない取引関係や財務情報を補える。1つの手段だけでは限界があり、3つを組み合わせて
多層的にデータを集めるのが現実的である。

3.3 サプライヤーマップとリスク評価

集めたデータから、サプライヤーマップを構築する。OEM→Tier1→Tier2→Tier3…の連鎖関係を、点
（企業）と線（取引）で表現する。データ構造としては、リレーショナルDBよりもグラフDBが適してい
る。サプライチェーンは本質的に網の構造をしており、特定企業から「上流に何社、下流に何社、何階層
先まで」といった経路探索が効率的に行える。

マップが描けたら、その上にリスクの情報を重ね合わせる。地震・台風・洪水などの自然災害リスク、地
政学リスク、サプライヤーの財務（与信）リスク、そして特定国・特定社への依存度集中（後述する
HHI）。これらを地図やマップに視覚的に重ねることで、「どの部素材が、どんなリスクに、どれだけ晒
されているか」が一目で見えるようになる。

ただし、ここで一つ線を引いておきたい。マップとリスクの重ね合わせが見せてくれるのは、どこに・ど
んなリスクが・どれだけあるか、という強度までである。そのうち、どれを先に手当てし、どこまでは許
容するか ―その線引きはマップには載らない。可視化は、判断の材料を揃える工程であって、判断その
ものではない。この点は、本書の最後でもう一度扱う。

3.4 対策の実装 ―見える化の先にあるもの

可視化は手段であって目的ではない。見える化の先にあるのは、有事に動ける備えである。具体的には、
代替先サプライヤーの事前評価と関係構築、戦略的な在庫の積み増し、長期契約や複数調達の見直し、
BCPの整備、サイバーセキュリティ要件の調達契約への組み込みなど。これらの「対策の実装」までを含
めて、初めてTier2-3可視化は意味を持つ。

商用ツールとしては、SAPやOracle SCM Cloudなどの大規模ERP・SCMシステムから、Resilinc、
Interos、Everstreamといったサプライチェーン可視化に特化したサービスまで、選択肢は広がってい
る。中堅企業向けには低コストのソリューションも増えている。ツール選択も重要だが、より重要なのは
4つの段階を途切れなく回せる体制を作ることである。

04 「全部見る」の罠 ― 「リス

クの束」で絞り込む
開示インセンティブとコストの限界、
KPIとしての把握率と集中度

K E Y F I N D I N G S

全サプライヤーを完璧に把握しようとすると、開示インセンティブとコストの両面で破綻する
「すべて対処する」のではなく、リスクが重なり合う「リスクの束」に絞って優先順位を付けるの
が現実解
把握率（Tier1/2/3以降）と集中度（HHIなど）をKPIに設定し、経営管理のサイクルに載せる
規制要請（CSRD、EUDR、CBAM等）への説明責任も、リスク評価結果の再利用で対応できる

4.1 「全部見る」が破綻する理由

Tier2-3可視化に意気込んで取り組む企業がしばしば直面する罠がある。「全サプライヤーを完璧に把握
する」という目標である。一見、正しいゴールに見える。しかし実際にはほぼ確実に破綻する。

出所：KPMG「経営を揺るがすサプライチェーンリスクのブラックボックス化」等の考察に基づき taiziii Research 作成
破綻する理由は3つある。第一に、サプライヤー数の膨張。Tier1で数百社、Tier2で数千社、Tier3以降は
数万社規模になる業界も珍しくない。すべてを管理するのは現実的でない。第二に、開示インセンティブ
の不在。前章で述べたとおり、Tier1サプライヤーには自社の上流情報を顧客に開示するインセンティブ
がない。説得するコストが膨大になり、Tier2以降は事実上ほぼ進まないことが多い。第三に、更新・維
持コスト。仮に一度マップを作っても、サプライヤー構成は日々変わる。何千社の情報を最新に保つコス
トは見合わないことが多い。

4.2 「リスクの束」で絞り込む

この罠を避けるのが、「リスクの束」で絞り込む発想である。すべてに対処することを目指すのではな
く、上位のリスクが重なり合うところから戦略的に取り組む。たとえば、地政学リスク、資材不足、与信
リスクが同時に作用しているような部素材は、投資対効果の高い改善対象になる。逆に、リスクが薄いと
ころに労力を割いても得るものは少ない。

具体的な絞り込みの観点は、(a) 止まると業務が回らないか（事業影響度）、(b) 代替が効きにくいか（代
替性）、(c) 特定の国・地域・企業に依存しているか（集中度）、(d) サイバーや与信などの脆弱性が高い
か、といった軸を組み合わせる。これらが交差する部素材から優先的に深掘りする。完璧な地図を目指
すのではなく、リスクが密な領域の精度を上げるのが本筋である。

こう書くと、「軸を並べてスコアリングすれば、優先順位は自動的に出るはずだ」と思うかもしれない。

実際にやってみると、そう単純ではない。事業影響度・代替性・集中度・脆弱性のどれをどれだけ重く見
るか ―その重み付けそのものが、ベテラン調達担当の経験則で決まっているからだ。同じスコア表を渡
しても、誰が重みを置くかで、浮かび上がる部素材は変わる。この「重み付けの読み」は、スコア表のど
こにも書かれていない。データにもツールにも載らない、こうした判断を、本書では判断知と呼ぶ。

4.3 KPIで経営管理に載せる

絞り込んだ取り組みを単発で終わらせず、経営管理の一部として運用するには、KPI設定が要る。代表的
なものを2つ挙げる。

第一が把握率。Tier1、Tier2、Tier3以降の各階層で、自社が情報を把握できているサプライヤーの割合
を測る指標である。重要部材ごとに目標水準を設定し、進捗を経営層に報告する。第二が集中度
（HHI）。ハーフィンダール・ハーシュマン指数で、特定国・特定社への依存度の集中を定量化する。

HHIが高いほど集中が強く、リスクも高い。これらを定期的にダッシュボードで管理し、改善の進捗を可
視化することで、Tier2-3可視化が「やりっぱなしの一過性プロジェクト」から「経営管理の定常業務」
に変わる。

規制要請への説明責任にも転用できる
絞り込みとKPI管理の副産物として、規制要請への説明責任の基盤にもなる。CSRD、EUDR、CBAM、人
権デューデリジェンス、サイバーセキュリティ要請 ―個別対応すると重複投資になるが、その根底にあ
るのはいずれも「サプライチェーンを把握し、説明できるか」という共通の要請である。一度作ったリ
スク評価とKPI体系は、複数の規制対応に転用できる。守りの投資を、複数目的で回収する発想が要
る。

05 業界横断のデータ連携 ―

Catena-X・Ouranos・G7
一社で抱えず、業界・国際の枠組み
で見える化を共有する

K E Y F I N D I N G S

Tier2-3を一社で完全に把握するのは限界がある。業界横断・国際枠組みで支える流れが進む
Catena-X：欧州自動車業界の協調枠組み。Tier1〜上流までデータ共有の標準を整備
Ouranos Ecosystem：経済産業省主導の日本の産業横断データ連携基盤
G7「強靱で信頼性のあるサプライチェーン原則」（2023年広島）：透明性・多様性・安全性・持
続可能性・信頼性

5.1 一社の限界、業界の知恵

ここまで述べてきたとおり、Tier2-3の把握は一社の意思だけでは限界がある。Tier1サプライヤーの開示
インセンティブ、Tier2-3の情報非対称、海外拠点の取りにくさ。これらは個社の努力では超えにくい構
造的な制約である。だからこそ、近年は業界横断・国際的な枠組みでデータ連携を進める流れが加速して
いる。一社で抱え込まず、業界の知恵と国際的なルールで支える発想である。

出所：各枠組みの公表情報に基づき taiziii Research 作成

5.2 Catena-X ―欧州の自動車業界連携

欧州発の代表例がCatena-Xである。BMW、Mercedes-Benz、Volkswagen、ZF、Boschといった欧州自
動車業界の主要プレイヤーが中心となり、サプライチェーン全体でデータを共有するためのオープンなデ

ータ標準とインフラを整備している。各社がバラバラに独自のシステムを作るのではなく、共通のデータ
フォーマット、APIインタフェース、信頼性の枠組みを業界で共有することで、Tier1から上流までのデー
タ流通コストを大きく下げることを狙う。これにより、個別企業のTier2-3可視化の負荷も下がる。CSRD
など欧州の規制対応の基盤としても活用される。

5.3 Ouranos Ecosystem ―日本の産業横断データ連携

日本では、経済産業省が主導するOuranos Ecosystem（ウラノス・エコシステム）が、企業や業界を横
断するデータ連携の取り組みとして進んでいる。サプライチェーン情報、トレーサビリティ、カーボンフ
ットプリントなど、産業横断で必要となるデータを共通基盤で扱うことを目指す。日本の製造業のサプラ
イチェーンが垂直統合的で、業界によってデータ標準が異なる現実を踏まえた、官民連携の取り組みであ
る。

5.4 G7原則 ―国際的な共通言語

そして国際的な共通言語として位置づけられるのが、2023年5月のG7広島サミットで採択された「経済的
強靱性及び経済安全保障に関するG7首脳声明」と「強靱で信頼性のあるサプライチェーンに関する原
則」である。①透明性、②多様性、③安全性、④持続可能性、⑤信頼性 ―この5つの柱が、信頼できるパ
ートナー国との間で強靱なサプライチェーンネットワークを構築する上で不可欠な原則として確認され
た。各社のリスク評価や調達戦略を組み立てるとき、この5原則は「何を守れば信頼性のあるSCといえる
か」のチェックリストとして使える。

5.5 自社戦略と外部枠組みを噛み合わせる

これらの枠組みは、それ自体で個別企業のTier2-3可視化を完成させるものではない。あくまで、自社が
取り組む可視化の負荷を下げ、業界内・国際的な信頼性の言語を共有するためのインフラである。本書の
主張に当てはめると、自社の「リスクの束」絞り込みやKPI管理は引き続き各社が行うものだが、その作
業のデータ取得・標準化・共有部分を、こうした枠組みに乗せることで効率化できる。自社内で完結させ
ようとせず、業界・国際の枠組みに乗ることが、これからの可視化の現実解になる。

06 先進事例 ― トヨタ

RESCUEシステム
震災から構築し、有事の対応時間を「3週間
→1日」に圧縮した

K E Y F I N D I N G S

トヨタは2011年東日本大震災を契機に、サプライチェーンDB「RESCUEシステム」を構築
機密性の高い情報を含め、ティア2まで含めたSC全体の情報をデータベース化
数千点の部品調達先と、代替生産が可能な工場を事前に洗い出してDBに登録
震災前は約3週間要した仕入先の状況確認を、1日で完了できるように圧縮した
Tier2-3可視化が実際にどう成果を生むのか。日本で最も体系的にこの取り組みを進めた1社を深く掘り下
げる。経済産業省「自動車サプライチェーンの強靱化に向けた取組」（2022年7月）にも公式に紹介さ
れ、東京大学経済学研究科でも論文化された、トヨタ自動車のRESCUEシステムである。

出所：経済産業省「自動車サプライチェーンの強靱化に向けた取組」（2022年7月）、日経ビジネス、東洋経済、日本自動車会議所等の
公表情報に基づき taiziii Research 作成

6.1 2011年 ―「ジャスト・イン・タイム」が直撃を受けた

2011年3月11日の東日本大震災は、トヨタのサプライチェーンを根本から揺さぶった。仕入先が広範囲で
被災し、約500品目に及ぶ部品や素材の調達を早急に手当てする必要に迫られた。被災相手にはルネサス
エレクトロニクスの車載用半導体工場も含まれていた。トヨタの代名詞ともいえるジャスト・イン・タイ
ム生産方式 ―在庫を極力持たない効率的な生産管理 ―にとって、最大級の衝撃だった。状況は1995年の
阪神・淡路大震災のときより深刻で、生産が正常化するまでに国内は4ヶ月、海外は半年を要した。

当時の現場では、Tier1の仕入先の被災状況を一社ずつ電話で確認していくところから始め、Tier2以下に
問題があると分かるまでに大きな時間を消費した。佐々木副社長（当時）は「サプライチェーンはびっく
りするほど複雑。今回それをあらためて感じた」と率直に語っている。トヨタの強さを支えてきたピラミ
ッド構造が、見えないTier2以降を抱えたまま脆弱性を露呈した瞬間だった。

6.2 RESCUEシステムの構築 ― 「ティア2まで」をDB化する

この経験を踏まえ、トヨタはサプライチェーンを「見える化」する社内システム「RESCUE（レスキュ
ー）」の構築に着手した。経済産業省レポートはこう記述している。「トヨタは2011年の東日本大震災
のサプライチェーンショックの発生を踏まえ、サプライチェーンDB『RESCUEシステム』を構築。機密
性の高い情報を含め、ティア2も含めたSC全体の情報をDB化した」。

具体的な作り込みは大きく2点にまとめられる。第一に、ティア2まで含めたSC全体の情報のDB化。

Tier1だけでなくTier2の仕入先、その所在地、生産能力、依存度などの情報を機密性の高いものまで含め
て一元管理する。第二に、数千点の部品調達先と代替生産が可能な工場の事前洗い出し。各部品につい
て、平時の調達先だけでなく「もし止まったら、代わりにどこで作れるか」を予め評価・登録しておく。

有事の代替手段が、紙の連絡網ではなくDBになっている。

6.3 有事の対応時間を「3週間→1日」に圧縮

RESCUEシステムが効いた具体的な成果が、対応時間の劇的な圧縮である。震災前は約3週間を要した
「部品調達に関わる仕入先の状況確認」が、わずか1日で完了するようになったと、日本自動車会議所も
伝えている。有事の際にすぐに生産に支障が出る品目を特定し、別の調達先への代替生産を迅速に実施で
きる。

2016年の熊本地震では、まさにこのRESCUEが機能した。「東日本大震災以前だったら、このタイミング
で調達が滞りそうな部品を特定し、代替調達先の検討に入ることはできなかっただろう。今回はすでに検
討の段階に入っている」というトヨタ広報のコメントが残っている。その後、2020年からのコロナ禍と
半導体不足、2021年福島沖地震でも、RESCUEは継続的に機能してきた。トヨタの近健太執行役員は、
「これまで1次サプライヤーとの関係が中心だったが、2次サプライヤー以下とのコミュニケーションを
広げた結果、原価低減の活動にも拍車がかかった」とも語っている。Tier2-3可視化は、有事のBCP価値
だけでなく、平時の原価管理にも転用できることを示す好例である。

優れている点：「ティア2まで」と現実的に区切ったこと
RESCUEシステムの本質は、「Tier2まで」と明確に区切ったことにある。Tier3、4と無限に深掘りすれ
ば理想だが、コストと開示インセンティブの限界を踏まえて、現実的にカバー可能な範囲（Tier2）でDB
化を完成させた。これは本書第4章の「全部見る罠を避け、リスクの束で絞る」発想と完全に一致する。

経済産業省レポートも同じレポート内で「ティア1が把握しているティア2までの情報であり、ティア2か
ら更に情報提供が行われない限りは、ティア3以降の上流のサプライチェーン情報は把握できない」と限
界を認めており、トヨタの取り組みもこの構造的制約の中で最大の効果を出す設計になっている。完璧
でない代わりに、機能する仕組みが作られた。

もう一点、見落とせないことがある。RESCUEがDB化したのは「どこが調達先か」「代わりにどこで作
れるか」という事実である。だが有事に「まず、どの代替先から動かすか」を決めるのは、いまも人の
判断だ。RESCUEはその判断を消したのではない。判断に要る材料を、3週間かけて集めていた状態から
1日で揃えられるようにした ―いわば判断の高速化装置である。

6.4 この事例から学べること

RESCUEの取り組みは、本書の論点を実地で裏づけている。第一に、有事の経験をDB化に転換したこ
と。震災というショックを単なる被害として消費せず、二度と同じ思いをしないための知識資産に変え
た。第二に、「ティア2まで」と現実的に区切ったこと。理想を追わず、構造的に到達可能な範囲で完成
させ、その代わり代替工場の洗い出しまで踏み込んだ。第三に、有事のBCPと平時の原価管理を両立させ
たこと。守りの投資が攻めの活動にも転用された。次章では、これを自社で進めるための具体的な道筋
を示す。

07 導入ロードマップと落と
し穴

重要部素材から始める順序、定着のコツ、つ
まずき

K E Y F I N D I N G S

導入は「対象部素材の選定→データ収集体制→リスク評価・可視化→代替体制の構築」の4段階で
進める
全サプライヤー一斉ではなく、止まると本当に困る重要部素材から段階的に深掘りする
定着の鍵は、把握率・集中度のKPIで経営管理サイクルに載せること
典型的なつまずきは、全体カバー主義、データの陳腐化、可視化止まりで対策が伴わない、業界枠
組みの軽視
可視化を整えても、どれを「束」と見なし有事にどこから動かすかは最後は調達担当の判断。そこ
に残る判断知の継承までが射程

7.1 4段階のロードマップ

Tier2-3可視化は、一斉展開ではなく、対象を絞って段階的に積み上げる。

出所：taiziii Research 作成
Phase 1：対象部素材の選定。「リスクの束」が集まる重要部素材を絞り込む。事業影響度、代替性、集
中度、脆弱性の軸でスコアリングし、止まると本当に困る部素材を抽出する。Phase 2：データ収集体
制。サプライヤー調査票、自社の取引データ、第三者DBを組み合わせて取得体制を作る。把握率をKPIと
して設定する。Phase 3：リスク評価・可視化。サプライヤーマップを構築し、災害・地政学・与信など
のリスクを重ね合わせる。集中度（HHI）を算出する。Phase 4：代替体制の構築。代替先サプライヤー
の事前評価、戦略的な在庫の見直し、BCPと契約の整備に踏み込む。

7.2 定着のコツ ―「経営管理サイクルに載せる」

Tier2-3可視化が成果を生むかどうかは、それを経営管理サイクルに載せられるかにかかっている。プロ
ジェクトとして実施し、報告書を作って終わり、ではすぐに陳腐化する。サプライヤー構成は日々変わ
り、地政学情勢も動く。把握率と集中度（HHI）をダッシュボード化し、定期的に経営会議でレビューす
る。可視化結果は、調達契約の見直し、在庫戦略の調整、BCPの更新といった具体的な意思決定にダイレ
クトに結びつけることが要る。これは、計測・予測を業務に組み込む製造業DXの一般原則と同じであ
る。

典型的な4つのつまずき
① 全体カバー主義：全サプライヤーを完璧に把握しようとして、コストと開示インセンティブの両面で
頓挫する。リスクの束で絞る（第4章）。② データの陳腐化：一度作ったマップを更新せず、半年後に
は実態とずれていく。KPIで定期更新を業務化する。③ 可視化止まり：見える化したことに満足し、代
替先の確保や在庫戦略の見直しに踏み込まない。可視化は目的でなく出発点である（第3章）。④ 業界
枠組みの軽視：自社内ですべて完結させようとし、Catena-XやOuranosなどの外部枠組みを使わずコス
トが膨らむ（第5章）。

7.3 まとめ ― 完璧な地図でなく、機能する仕組み

本書を通じた主張は一貫している。Tier2-3可視化の成否は、全サプライヤーを完璧に把握することでは
なく、(1) リスクの束が集まる重要部素材に絞ってデータ収集の仕組みを作ること、(2) 把握率と集中度の
KPIで経営管理サイクルに載せること、そして(3) 可視化の先で代替体制まで設計することという、技術以
前の3点で決まる。完璧な地図を目指すと破綻する。代わりに、機能する仕組みを作る。

着手にあたっては、全社一斉ではなく、止まると最も困る1部素材を選んで小さく始めることを推奨す
る。明日からの一歩は、自社にとって「もしこれが止まったら最も困る」部素材を3〜5つ書き出し、そ
のTier2までの取引関係を地道に追ってみることである。完璧でなくていい。リスクの密な領域から始め
ることが、機能する仕組みへの最短距離になる。

そして、ここまで整えてもなお、最後に人へ残るものがある。把握率を上げ、HHIを下げ、マップを最新
に保っても、数あるリスクのどれを自社の「束」と見なすか、有事にどの代替先から先に動かすかは、ツ
ールにもデータにも載らない。それはベテラン調達担当が、事業影響と代替可能性と土地勘を天秤にか
けて下す判断であり、その人が退けば失われる。可視化とは、この判断を消すための作業ではなく、判断
を速く、確かに下すために材料を揃える工程だ。だからこそ、最後に問われるのは「どうマップを描く
か」ではなく、この判断をどう引き出し、どう次の担当へ継ぐか、である。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）は、サプライヤーマップやリスク
評価で見える化した、その先を扱います。「数あるリスクのどれを自社の"束"と見なすか」「有事にど
の代替先から動かすか」というベテラン調達担当の判断の道筋を、なぜそう判断したのかという理由ご
とAIで引き出し、帰属を保ったまま構造化し、組織の知見として継承します。判断を平均したり、一本
の正解に統合したりはしません。AIは判断を代行せず、引き出し、分類し、問い返し、継承を助ける裏
方に徹します。

詳細：https://taiziii.com/skillrelay/

外観検査AIを使いこなす

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
外観検査AIを
使いこなす
撮像・学習データ・運用設計と、
最後に残る「検査員の判断」
Mastering AI Visual Inspection:
Imaging, Training Data,
and the Judgment That Remains

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

本書は、製造業のDX担当者（事業部のDX推進部門、生産技術・製造・品質部門の部長・課長クラス）を
読者に想定した、外観検査AIの実装に関する実務レポートである。「AIで検査を自動化しましょう」とい
う掛け声ではなく、どの照明とカメラで画像を取り、どんな学習データを作り込み、どのAIモデルを選
び、どう人と分担しながら運用するかという技術的・実務的な具体に踏み込む。

外観検査は、製品の品質を市場に出る前に最終確認する工程である。長年、検査員の目視と触感に頼って
きたが、人手不足と検査員の高齢化、判定のばらつきがその限界を露わにしている。深層学習（ディープ
ラーニング）の進歩で、AI外観検査は中小製造業まで導入が広がってきた。

本書が一貫して主張するのは、外観検査AIの成否は「高精度なAIモデルを買うこと」ではなく「画像が確
実に撮れる照明・カメラの環境を作り、学習データを丁寧に整え、人とAIの分担を運用設計すること」で
決まるという点である。AIモデルの優劣は最後の段階の問題にすぎない。撮像が崩れていれば、どんなモ
デルでも欠陥は見えない。データが整っていなければ、どんなモデルでも学習できない。本書は、この技
術以前の土台と、AIと共存する運用設計に重点を置く。なお本書は出荷前の検査工程を扱う ―不良の発
生そのものを工程で減らす歩留まり改善は別テーマであり、検査は「最後の砦」として両者は補完関係に
ある。

ただし、土台を整えても消えないものが一つある。「これは見逃せない」と検査員が引っかかる、その判
断だ。100%の精度を持たないAIを使うかぎり、境界の玉は必ず人のところへ戻ってくる。本書は撮像・
データ・運用に踏み込んだうえで、最後にこの判断をどう引き出し、どう次へ残すかへ着地する。

本書は公開情報および当社の実プロジェクト知見（業界一般化・匿名化済み）に基づく。記載する数値（検査精度・効果
等）は対象・撮像条件・運用により大きく変動するため、絶対値ではなく相対的な傾向として参照されたい。

1
なぜいま外観検査AIなのか
目視の限界と、AIが補えるもの・補えないもの
2
教師あり学習と教師なし学習
2つの学習アプローチと、不良データが集まるかで選ぶ
3
撮像が9割 ― 照明・カメラ・撮像環境
画像に欠陥が写らなければAIは何もできない
4
学習データの作り込み
画像収集・アノテーション・データ拡張・生成AIによる補完
5
過検出と見逃し ― しきい値は誰が決めるのか
100%精度は不可能。だから、判断が人に残る
6
現場から ― フロー図の一行の裏側
ある精密切削加工メーカーで見た、判断が書かれない理由
7
導入ロードマップ ― 撮像を作り、判断を残す
PoCから始める順序、つまずき、最後に残る問い

エグゼクティブ・サマリー

6つのキーメッセージ
外観検査AIの成否は、最新モデルを買うことではなく、撮像と学習データの土台を整え、人とAIの分担を
運用設計することで決まる。そして土台を整えた先には、検査員の判断が残る。本書の要点を6つにまと
める。

1
目視検査は人手不足・検査員の高齢化・判定のばらつきという三重の限界に直面している
外観検査は長く検査員の目視と触感に依存してきた。しかし、検査員の高齢化と退職、集中力の限
界による見逃し、人によるばらつき、24時間連続稼働の困難という限界が顕在化している。AIによ
る外観検査は、これらの限界を補い、品質と生産性の両立を実現する。経済産業省も導入を後押
しするガイドブックを公開している。

2
学習アプローチは教師あり／教師なしの2系統。不良データが集まるかで選ぶ
教師あり学習は良品と不良品の両方を学習させ、不良の種類分類まで可能だが、不良画像を相当
量集める必要があり、ラベル付け（アノテーション）の負担が大きい。教師なし学習（良品学習）
は良品データのみを学習し「いつもと違う」を捉える。不良が稀／多様なケースに強い。実務では
教師なしで始め、データが蓄積したら教師ありで種類分類へ、という二段構えも有効である。

3
外観検査AIは「照明×カメラ×AI」の掛け算。撮像が9割で、最新モデル選定は最後の問題
画像に欠陥が写っていなければ、どんな高性能AIでも判定できない。クロムめっきのような光沢面
や凹凸の深い形状は撮像そのものが難しく、照明とカメラの設計がAI判定の上限を決める。導入で
最初に投資すべきは、最新モデルではなく、欠陥が確実に写る撮像環境の構築である。

4
AIの実力は学習データの作り込みで決まる。アノテーションと不良データ不足が二大壁
AIは大量の画像から特徴を学ぶが、その画像とラベル（教師データ）を整えるのは人の仕事であ
る。不良画像は発生頻度が低くて集まらない、欠陥領域のアノテーションは負担が大きい、という
二大壁がある。データ拡張（回転・反転・明度変化）や、近年では生成AIによる疑似不良画像の生
成で補完する手法も実用化しつつある。

5
しきい値は技術的な最適解ではない。過検出と見逃しのどちらをどこまで許すかという、人の判断
である
ディープラーニングは統計的手法であり、原理的に100%の精度はありえない。判定を厳しくすれ
ば良品まで不良と誤判定し（過検出）、緩めれば不良が市場に流出する（見逃し）。どこで線を引
くかは、モデルが決められない。この部品のこの面なら、多少の過検出を飲んででも見逃しをゼロ
に寄せる ―熟練した検査員が部品ごとに下している重み付けが、そこにある。だから運用設計と
は、「人をどこに残すか」の設計になる。

6
AIは判断しない。「これは見逃せない」を引き出し、条件付きルールとして構造化し、次の世代へ
継ぐ
撮像もデータも運用も標準化できる。標準化できないものが、最後に一つ残る。検査員が一目見て
何を疑うか、どこまでを不良と呼ぶか、という判断だ。それは検査基準書にも、しきい値にも、モ
デルの重みにも残らない。AIにこれを代行させるのではない。判断を引き出し、分類し、問い返
し、次の担当へ渡す ―その裏方に徹する。

01 なぜいま外観検査AIなの

か
目視の限界と、AIが補えるもの・補えないも
の

K E Y F I N D I N G S

目視検査は熟練検査員の高齢化・退職、集中力低下による見逃し、属人化、24時間稼働の困難に直
面している
AIが補えるのは安定した一次判定・連続稼働・微細欠陥の定量検出まで。「これは見逃せない」と
いう判断は人に残る
経済産業省は「中小企業向けAI導入ガイドブック外観検査」を公開し、中小企業の導入を後押しす
る
機材費用は導入初心者向けで10万円〜と例示されており、中小製造業でも始められる水準になった

1.1 目視検査が抱える三重の限界

外観検査は、製品の品質を市場に出る前に最終確認する重要な工程である。多くの製造現場では、長
年、検査員が目で見て手で触り、ベテランの勘で良品・不良品を判定してきた。しかし、その目視検査
が、いま大きな限界に直面している。

出所：taiziii Research 作成
第一に、熟練検査員の高齢化と退職である。微細な欠陥を見抜く眼を持つベテランが引退すると、その属
人的能力は失われる。第二に、集中力低下による見逃し。人間の集中力は長時間は続かず、疲労や体調で
精度がぶれる。第三に、人によるばらつき・属人化。誰が検査するかで判定が変わるため、品質保証のレ
ベルが安定しない。加えて、人は24時間連続では働けない。

1.2 AIで補える領域・補えない領域

これに対し、AIによる外観検査は、目視の限界を補える領域を持つ。一定の基準による安定した一次判
定、24時間連続稼働、微細な傷・汚れの定量的検出 ―いずれも目視が苦手とする領域である。集中力の
低下も疲労もないため、判定は安定する。

だが、AIが目視のすべてを代替できるわけではない。AIは画像から学んだパターンに基づいて判定するた
め、学習していない新種の欠陥には弱い。また、後述するように100%の精度はあり得ない。

補えない領域は、もう一段深いところにもある。検査員が一目見て「この陰りは見逃せない」と引っかか
る、その判断だ。どこを疑うか。寸法内の打痕を通すか止めるか。この部品なら過検出を飲んででも見逃
しを避けるべきか。こうした見極めは検査基準書にもしきい値にも書かれていない。本書はこの判断をAI
で均す（標準化する）のではなく、どう引き出し、どう次へ残すかを最後の主題にする。AIは「人の代わ
り」ではなく、「人の負担を変え、判定を安定させる道具」である。本書はこの前提で論を進める。

1.3 経済産業省の後押しと中小企業の追い風

外観検査AIの普及には、もう一つ重要な背景がある。経済産業省が「中小企業向けAI導入ガイドブック」
として外観検査を主要テーマに据え、導入手順を公開していることだ。需要予測と並んで、外観検査は
「中小企業がAIを活用する2大領域」として位置づけられている。同ガイドブックは、不良品が十分出て
いる場合（不良品あり）と、ほとんど出ていない場合（良品のみ）の2パターンに分けて、業務フロー、
画像データの撮影方法、機材費用、効率化効果まで具体的に整理する。機材費用は導入初心者向けで10
万円〜と例示されており、中小製造業でも始められる水準である。本書も、随所でこの公的ガイドブック
の枠組みに沿って論じる。

本書の立場：AIは判定の下働き。土台を整えた先に、検査員の判断が残る
外観検査AIに過剰な期待を抱くと、必ず失望する。AIは魔法の箱ではなく、撮像・データ・運用という
土台の上で初めて機能する道具である。本書は、AIモデルの優劣ではなく、その土台の作り方と、人と
AIの分担の設計に重点を置く。

そして、土台を整えるほど、残るものがはっきりしてくる。AIが担うのは安定した一次判定という下働
きであり、境界の玉をどう裁くかという判断は人の側に残る。本書は最後に、その判断をどう継ぐかへ
着地する。

02 教師あり学習と教師なし学習

2つの学習アプローチを使い分ける

K E Y F I N D I N G S

外観検査AIには教師あり学習と教師なし学習の2系統がある。どちらを選ぶかで構築方法が大きく
変わる
教師あり学習は不良の種類分類まで可能だが、不良画像とラベル付けが大量に必要
教師なし学習（良品学習）は良品データのみで「いつもと違う」を検知。不良データが集まらない
ケースに強い
選択基準は「不良品データが十分集まるか」。経産省ガイドブックも不良品あり／良品のみで章を
分ける

2.1 2つの学習アプローチ

外観検査AIで使われる機械学習には、大きく2つのアプローチがある。教師あり学習と教師なし学習であ
る。経済産業省のAI導入ガイドブックも、不良品が十分ある場合（不良品あり）と、ほとんど出ていない
場合（良品のみ）の2パターンに章を分けて整理しているが、これは実は教師あり／教師なしの選択と対
応している。

出所：機械学習の一般的な考え方および経済産業省「AI導入ガイドブック外観検査」に基づき taiziii Research 作成

2.2 教師あり学習 ― 不良の種類まで分類できる代わりに

教師あり学習は、良品と不良品の両方の画像を集め、それぞれに「これは良品」「これは傷の不良」
「これは打痕の不良」といったラベル（教師）を人が付けて学習させる方法である。AIはこのラベル付き

画像から特徴を学び、未知の画像に対しても良品／不良品の判定、さらには不良の種類まで分類できるよ
うになる。生産改善で「どの種類の不良が増えているか」を追いたいときは、この分類が効いてくる。

ただし代償も大きい。第一に、不良品の画像を相当量集める必要がある。良品ばかりが出る工程では、
不良画像が数ヶ月かけても十分に集まらないことがある。第二に、アノテーション（ラベル付け）が大き
な負担になる。単に「不良」と分類するだけならまだしも、欠陥の領域を画像上で一つひとつ囲ったり、
ピクセル単位で塗りつぶしたりする必要があるケースでは、その作業量は膨大になる。

2.3 教師なし学習 ― 「いつもと違う」を捉える

教師なし学習（外観検査では「良品学習」とも呼ばれる）は、別のアプローチをとる。良品データのみ
を学習させて「正常な状態とはこういうものだ」をAIに覚えさせ、それから外れた画像を「異常」として
検知する。不良品のデータは不要であり、ラベル付けも基本的に要らない。

この発想は、予知保全で使われる異常検知と同じ考え方である。故障や不良のデータは集めにくいが、正
常データなら大量に手に入るという製造業の現実に、最も合致したアプローチといえる。さらに、学習し
ていない未知の不良パターンも「いつもと違う」として捉えられる柔軟性がある。一方、弱点は不良の種
類分類は基本的にできないこと。「何かが違う」とは分かっても「どの種類の不良か」は判定対象外であ
る。

2.4 二段構えで使う

実務では、両方を排他的に選ぶ必要はない。まず教師なし学習で運用を始め、不良データが蓄積したら
教師あり学習で種類分類を上乗せする、という二段構えが現実的で強力である。初期は不良データが集
まらなくても運用を開始でき、データの蓄積と共にAIの能力を高めていける。経済産業省ガイドブックの
2パターンも、企業の状況に合わせてどちらから始めるかを選ぶ枠組みとして読める。

ここで一つ、後の章への伏線を置いておきたい。教師あり学習が学ぶのは、人が付けたラベルである。そ
のラベルは、検査員が「これは不良だ」と判断した結果であって、判断そのものではない。なぜそれを不
良と呼んだのか ―その理由は、ラベルのどこにも書かれていない（第5章）。

03 撮像が9割 ― 照明・カメラ・撮

像環境
画像に欠陥が写らなければAIは何も
できない

K E Y F I N D I N G S

外観検査AIは「照明×カメラ×AIモデル」の掛け算。撮像が崩れるとAIモデルは機能しない
画像に欠陥が写っていなければ、どんな高性能AIでも判定できない。撮像が上限を決める
光沢面・凹凸の深い形状・透明体など、撮像そのものが難しい対象は照明とカメラの設計が要
AI導入で最初に投資すべきは、最新モデルではなく欠陥が確実に写る撮像環境の構築である

3.1 「掛け算」で決まる

外観検査AIの結果は、3つの要素の掛け算で決まる。①照明、②カメラ・レンズ、③AIモデル。どれか一
つでも崩れると全体が立ち行かなくなる、ということだ。

出所：taiziii Research 作成
そして、この3要素の中で最初の2つ（撮像）が9割を占める。なぜか。画像に欠陥が写っていなければ、
どんな高性能AIでも判定できないからだ。AIは画像から欠陥の特徴を学び識別するが、その画像に欠陥の
情報が含まれていなければ、学ぶことも識別することもできない。AIモデルの精度は、撮像が決めた「画
像の質」という上限を超えることはない。

3.2 撮像が難しい対象は技術的挑戦

撮像が容易なら問題は少ない。難しいのは、撮像そのものが技術的挑戦になる対象である。代表例がい
くつかある。光沢面（鏡面仕上げの金属、めっき加工品）は、光の反射で映り込みが入り、欠陥と紛れ

る。凹凸の深い形状は、影が出て陰になった部分の欠陥が見えない。透明体（ガラス、樹脂）は、そもそ
も画像に映る特徴が薄い。暗い色や黒色の対象は、輝度差が出にくく欠陥のコントラストが弱い。

こうした難しい対象には、専用の撮像設計が要る。光の当て方（拡散光、同軸落射、バックライト、リ
ング照明など）、波長の選択（可視光、近赤外、紫外）、カメラの画素数とフレームレート、レンズの選
定。これらを対象ごとにチューニングすることで、初めて欠陥が「写る」状態が作られる。光沢面や凹凸
の深い形状は、多くの検査機器メーカーから「撮像できない」と断られることさえある領域だが、逆に
言えば、撮像を作り込めればAI以前の勝負がついている。

3.3 ルールベース画像処理との使い分け

ここで補足しておきたいのが、すべてをAIで解く必要はないという点である。寸法測定や決まった位置の
キズ検査など、ルールが明確で条件が安定している検査には、従来のルールベース画像処理のほうが高
速・低コスト・説明可能で適している。AIが本領を発揮するのは、ルール化が難しい外観検査 ―形状や
色合いが微妙に変わる、ばらつきが大きい、官能検査に近い領域である。AIとルールベースは対立する選
択肢ではなく、検査対象に応じて使い分けるものと捉えるのが現実的である。

最初に投資すべきは「最新モデル」ではなく「撮像環境」
AI外観検査の導入で予算が限られているとき、「最新のディープラーニングモデルを買う」より「欠陥
が確実に写る照明・カメラの環境を作る」ほうが、結果として遥かに大きなリターンを生む。撮像環境
への投資は、AIモデルの能力を引き出すための土台投資であり、これを軽視するとプロジェクト全体が
立ち行かなくなる。

04 学習データの作り込

み
画像収集・アノテーション・データ拡張・生成AIによ
る補完

K E Y F I N D I N G S

AIの実力は学習データの質と量で決まる。データの作り込みが現場では最大の工数を占める
不良画像は発生頻度が低いため、収集自体に時間がかかる。教師なし学習の選択もこれが背景にあ
る
アノテーション（欠陥領域のラベル付け）は負担が大きい。塗りつぶし型は特に重い作業になる
データ拡張（回転・反転・明度変化）や生成AIによる疑似不良画像で、データ不足を補う手法があ
る

4.1 データの作り込みが「AIの実力」を決める

AIは大量の画像から欠陥の特徴を自動で学ぶ。だが、その「大量の画像」とラベルを整えるのは、まぎれ
もなく人の仕事である。AIモデルの選定やパラメータ調整は、外部のソリューションや専門家の力を借り
れば一部を任せられる。しかし、自社製品の良品・不良品画像を集めること、そこに正しいラベルを付け
ること、これは現場でしかできない。外観検査AIプロジェクトで最も多くの工数を占めるのは、AIモデル
開発ではなく、学習データの作り込みであることが多い。

出所：taiziii Research 作成

4.2 二大壁 ―不良画像の希少性とアノテーションの負担

データの作り込みには、2つの大きな壁がある。第一が不良画像の希少性。歩留まりが高い工程ほど不良
が出ず、学習に必要な不良画像が集まらない。数ヶ月待っても十分なサンプル数に達しないことは珍しく
ない。故障や不良のデータは集めにくい ―これはAIを製造業に持ち込むとき、たいていの現場で共通し
てぶつかる壁だ。だから第2章で述べたとおり、教師なし学習（良品データのみで学ぶ）が現実的な選択
肢になる。

第二がアノテーション（ラベル付け）の負担。単純な良品／不良品の二分類ならまだしも、欠陥の領域を
一つひとつ囲ったり（バウンディングボックス）、ピクセル単位で塗りつぶしたり（セグメンテーショ
ン）する作業は、慣れた人でも一枚に数分かかる。何千枚もの画像を処理する負担は大きく、これがAI導
入のボトルネックになる。

ただし、この負担の正体は作業量だけではない。担当者が変わるとラベルが揺れる、境界の一枚で手が
止まる、複数人で付けると基準が合わない ―アノテーションの現場でよく起きるこれらは、「どこまで
を不良と呼ぶか」という判定を、一枚ごとにやり直しているということだ。その判定基準が言葉になって
いなければ、枚数をこなしても揺れは消えない。

4.3 補う技術 ―データ拡張と生成AI

この2大壁を技術で補う手法も発達している。代表的なのがデータ拡張（Data Augmentation）。少な
い元画像を、回転・反転・明度変化・ノイズ追加といった変換でバリエーションを増やし、学習データを
実質的に水増しする。1枚の不良画像を10枚相当に拡張する、といった効果を得られる。

さらに先端では、生成AI（GAN：敵対的生成ネットワークなど）で疑似的な不良画像を生成し、学習デ
ータを補う手法が実用化しつつある。実際の不良に近い特徴を持つ画像を人工的に作り出すことで、希少
な不良データの不足を補える。完全には実不良の代わりにならないが、初期の学習を立ち上げる足がかり
にはなる。これらはAIモデルの工夫というより、データの土台を補強する技術だ。本書が言う「データの
作り込みが9割」を、技術の面から後押しする。

05 過検出と見逃し ― しきい値は誰

が決めるのか
100%精度は不可能。だから、判
断が人に残る

K E Y F I N D I N G S

ディープラーニングは統計的手法。原理的に100%精度は実現できないことを前提に運用設計する
判定しきい値を厳しくすれば過検出（良品を不良と誤判定）、緩めれば見逃しが増えるトレードオ
フがある
しきい値は技術的な最適解ではなく、どちらの損をどこまで飲むかという人のトレードオフ判断で
ある
判断には5つの粒度がある。検査基準書に書けるのは上の2つだけで、しきい値はいちばん下の層に
ある
人とAIの分担とは、人を残すことではなく、残った判断を記録できる形にすることである

5.1 100%精度はあり得ない

AIによる外観検査について、最初に正しく理解しておくべきことがある。ディープラーニングは統計的な
手法であり、原理的に100%の精度は実現できない。AIが出すのは「これは99%の確率で不良品である」
といった確率値であり、100個に1個は間違える可能性がある。不良品をすべて見つけるAIは、しくみ上あ
り得ない。

この前提を認めたうえで、外観検査AIの運用は「では、どうやってミスを管理するか」という問いに集約
される。問われるのは2つ。(1) どこまでをAIに任せるか、そして(2) 人をどこに残すか。ここから先は技
術ではなく、運用の設計になる。

出所：taiziii Research 作成

5.2 過検出と見逃しのトレードオフ

AIは確率値を出すため、「確率が何%以上なら不良と判定するか」というしきい値を決める必要がある。

このしきい値設定が、運用上の重要な意思決定になる。

しきい値を厳しくすると（低い不良確率でも不良と判定する）、不良の見逃しは減るが、良品まで不良
と誤判定する過検出が増える。過検出が増えると、再検査の手間が増え、廃棄や手直しのコストがかさ
み、生産効率が落ちる。

しきい値を緩くすると、過検出は減るが、不良の見逃しが増える。見逃した不良は市場に流出し、クレー
ム、リコール、信用失墜につながりうる。安全関連の重要部品では絶対に避けたい事態である。

つまり、過検出と見逃しはトレードオフの関係にあり、どちらかをゼロにすることはできない。最適なし
きい値は、対象部品の重要度、不良流出のリスク、過検出のコストを天秤にかけて設定するほかない。こ
こでよく使われるのが「技術的な最適解ではなく、経営判断だ」という言い方である。だが、その一言で
片づけると、いちばん大事なものを取り落とす。

「傷は長さ0.1mm以上で不良」という閾値は、知識（What to do）として書ける。だが「この部品のこ
の面なら、多少の過検出を飲んででも見逃しをゼロに寄せる」という重み付けは、書けない。それは熟練
した検査員が部品ごとに、ほとんど無意識に下しているトレードオフ判断（How to decide）である。し
きい値の議論が「経営判断」という言葉で止まってしまうのは、この判断が、誰の口からも言葉として出
てこないからだ。

5.3 判断には5つの粒度がある

判断を残そう、とだけ言っても話は前に進まない。判断をひとかたまりに扱っているからだ。実際には、
判断は次の5つの粒度に分解できる。そして粒度ごとに、残せるかどうかがまるで違う。

粒度
性質
外観検査での例
文書化
明示ルール
数値閾値・Yes/No
傷は長さ0.1mm以上で不良
できる
条件付きルール
If-Then-Else
摺動面かつ深さのある打痕なら、寸法
内でも止める
できる
ヒューリスティック
経験則・傾向
このロットは端に陰りが出やすい
難しい
パターン認識
言語化しにくい直感
見た瞬間に、どこを疑うかが決まって
いる
できない
トレードオフ判断
二律背反の重み付け
過検出を飲んででも、見逃しをゼロに
寄せるか
できない
検査基準書に書き切れるのは、上の2つだけ。下の3つは、本人に聞いても「見れば分かる」としか返ってこないことが多
い。

しきい値は、いちばん下のトレードオフ判断である。それを、いちばん上の道具（数値の閾値）で決め
ようとしている。しきい値の会議がいつまでも決着しないのは、担当者の力量の問題ではない。道具と対
象の階層がずれているからだ。

そして、検査員が製品を見た瞬間に「どこを疑うか」を決めているのは、下から2番目のパターン認識に
あたる。これがどう現場に現れるかは、第6章で具体を示す。

しきい値を振り直しても、精度が上がらなかった現場へ
撮像を作り直し、データを増やし、しきい値を何度も振り直した。それでも過検出は減らず、現場は結
局AIの判定を目で見直している。

これは、取り組みが甘かったからではない。しきい値は精度の問題ではなく、どこまでを不良と呼ぶか
という判断の問題だからだ。その判断が言葉になっていないかぎり、どのモデルに乗り換えても、同じ
場所で止まる。

5.4 人とAIの分担を段階的に進化させる

100%精度がない以上、人をどこかに残す必要がある。だが、最初からすべてをAIに任せる必要も、いつ
までも人が全件確認する必要もない。人とAIの分担を、段階的に進化させるのが現実的な定石である。

初期段階（Step 1）は人が主・AIが補助。判定は人が行い、AIは候補を提示するだけにとどめる。次の段
階（Step 2）は並行検査。人とAIが両方検査して結果を突き合わせ、AIの判定精度を客観的に把握する。

AIの精度に信頼が積み上がったら（Step 3）、AIが主・人が確認に切り替える。AIの判定結果のうち、確
率が境界線上の事例だけを人が確認する。最終的に（Step 4）、明らかな良品・不良品は完全自動化し、
人は境界事例に集中する。

この段階を急いではいけない。Step 1からStep 2、Step 2からStep 3へ進む判断は、十分な事例検証を経
て行う。AIへの過信は、過小評価と同じくらい危険である。

ここで注意したいのは、最終段階で人に残るのは「例外対応」という後始末ではない、ということだ。AI
が迷う境界事例こそ、判断が要る場所である。AIが「いつもと違う」を一万件出したとして、そのうち本
当に危険な数件を選り分けてきたのは検査員の判断だった。だとすれば、そこでなぜそう判定したのかを

理由ごと記録することが、言葉にならなかった判断をデータへ翻訳する、ほとんど唯一の入口になる。人
とAIの分担とは、人を残すことではない。残った判断を、記録できる形にすることだ。

運用の型と、判断の型
運用の型は、誰がやっても同じ結果になる手順の型である。ここではAIは効率化装置として働き、自動
化やRPAが効く。判断の型は、例外に直面したとき熟練者がどう判断するかの型である。

多くの企業は、運用の型を作ったところで止まる。外観検査AIの導入が「精度は出た。だが結局、最後
はベテランが見ている」で止まるのは、判断の型に手をつけていないからだ。前者を自動化しても、後
者は一ミリも継がれない。

5.5 引き出し、構造化し、継ぐ

では、判断の型はどう残すのか。順序は3つである。

引き出す。境界事例を判定したその場で、「どこを見て、なぜそう決めたか」を聞く。あとから思い出し
てもらうのでは出てこない。判定の瞬間に問うから、言葉になる。

構造化する。出てきた判断を、条件付きルールの形へ落とす。「摺動面／深さのある打痕／寸法内」なら
こう裁く、というように。このとき帰属を保つことが要になる。誰の、どの条件下での判断か。ここを
消して平均すると、判断は無害な一般論に薄まって使えなくなる。判断を平均しない。一本の正解に統合
しない。例外は例外として分けて残す。

継ぐ。構造化された判断は、次の担当が同じ場面に立ったとき、比較の材料になる。「前任者はこの条件
でこう裁いた」。それを見たうえで、どう判断するかは本人が決める。

この一連の作業で、AIは判断しない。判断の場面を捉え、問いを投げ、返ってきた言葉を分類し、矛盾や
抜けを問い返す。やるのはそこまでである。判定を代行させれば、判断は今度こそ誰の頭からも消える。

検査員が一人抜けたあと、何が起きるか
ベテランの検査員が抜けた現場に起きるのは、不良率がわずかに動くといった穏やかな変化ではない。

まず、見逃しが出る。基準書には載っていない「疑うべき場所」を、誰も見なくなる。次に、判定がぶ
れる。人によって線引きが変わり、品質保証のレベルそのものが定まらない。やがて、安全側に倒れ
る。迷った玉をすべて不良側に落とすので、過検出が積み上がり、歩留まりと工数が悪化する。

そして最後に、AIも育たなくなる。なぜ不良と呼んだのかが残っていないので、再学習に使える教師デ
ータが作れない。

06 現場から ― フロー図の一

行の裏側
ある精密切削加工メーカーで見た、判断が書
かれない理由

K E Y F I N D I N G S

業務フローを書き出してもらうと一本の線になり、各工程は数行で終わる。検査は、たった一語だ
った
書けなかったのは知識が足りないからではない。判断が体に染み込みすぎて、書くほどのことだと
思われていなかった
職人は図面を見た瞬間に段取りパターンを頭で展開する。検査員が「どこを疑うか」を決めるのと
同じ層の判断である
基準書（管理側の認識）と現場の実際は食い違う。しかも双方とも、そのズレに気づいていない
「傷」「打痕」といった基本用語ですら、書く側と見る側で指す範囲がずれていることがある
ここまでの章で、外観検査AIの土台（撮像・データ・運用）と、その先に残る判断について述べてきた。

本章では、その「残る判断」が現場でどう現れるかを、当社が実際に支援した案件から示す。外観検査そ
のものの案件ではない。ある精密切削加工メーカーで、基幹システムと製造現場のデジタルツインを構築
した案件である。だが、そこで起きたことは、外観検査AIを入れようとする現場でそのまま起きる。

6.1 数行で終わった業務フロー

最初に、業務フローを書き出してもらった。返ってきたのは「受注 → 設計 → NCプログラム作成 → 加工
→ 検査 → 出荷」という一本の線で、各工程はわずか数行のメモで終わっていた。検査は、一語だった。

これを「書けていない」と受け取ったのは、支援した側の浅さだった。書けなかったのは、知識が足り
ないからではない。逆である。判断が体に染み込みすぎていて、本人たちが「書くほどのこと」だと思っ
ていなかった。フロー図は数行で書ける。その数行の裏に、何十年分の判断が詰まっていた。

6.2 一行の裏にあった判断

その一行の裏で、熟練が何をしていたか。三つ書く。

見た瞬間に、頭の中で全部を展開している。ワークには複数の面があり、それぞれ違う角度から削る。ど
の面から加工するかで、次の段取りのための固定し直し方も、基準面の取り方も、使う工具も変わる。面
の数と角度の組み合わせだけ段取りパターンがあり、職人は図面を一枚見た瞬間に、そのパターンを頭の
中で展開している。本人に聞いても「見れば分かる」としか返ってこない。

検査員が製品を見た瞬間に「どこを疑うか」を決めているのも、同じ層の判断だ（第5章の表でいうパタ
ーン認識）。言葉にならないまま、退職とともに消える。

基準書と現場は、食い違っている。管理層が共有した前提は明快だった。工具は使うたびに組み立て、使
い終わったら分解して返却する。システムもその前提で設計されかけた。ところが現場の実態は違った。

使い終えた工具はあえてバラさず保管し、次に同じ構成が要るときに再利用していた。段取り時間を削る

ために現場が編み出した知恵である。管理層の認識と現場の実際がずれていて、しかも双方とも気づいて
いなかった。前提のまま作っていれば、動きはするが現場と噛み合わないシステムを納めていたはずだ。

検査でも同じことが起きる。検査基準書に書かれた見るべき場所と、検査員が実際に見ている場所は、同
じとは限らない。そこを確かめずにアノテーションの基準を決めれば、基準書どおりで現場と合わないラ
ベルが積み上がる。

言葉そのものが、共有されていない。「プログラム」「ワーク」といった基本用語が現場で独自の意味を
持ち、書く側と動かす側で指す範囲までずれていた。密度の濃い現場ほど、用語は内部で進化して外部の
共通語から離れる。同じ単語で会話しているのに、互いに違うものを指している。

「傷」「打痕」「シミ」も、外から思うほど共有された言葉ではない。複数人でアノテーションするとラ
ベルが揃わない。その原因の一部は、作業量でもモデルでもなく、ここにある。

ツールが無いから難しいのではない
この案件で分かったのは、単純だが厄介な事実だった。難しいのはツールが足りないからではなく、現
場の判断がまだ言葉になっていないからだ。ここが埋まらないかぎり、どのツールに乗り換えても、同
じ場所で止まる。

外観検査AIも例外ではない。撮像を作り、データを整え、しきい値を振り直しても、「検査」「判定」
という一語に畳まれた判断が言葉にならなければ、そこで止まる。フロー図に一語で書かれているもの
ほど、疑ったほうがいい。

6.3 では、どこから手をつけるか

この現場で最初にやったのは、新しいツールを選ぶことではなく、判断を一つずつ言葉にしていく作業だ
った。順序は第5章で述べたとおりである。判断が起きるその場で「なぜそう決めたか」を引き出し、帰
属を保ったまま条件付きルールへ構造化し、次の担当が参照できる形にする。地味で、時間がかかる。だ
が、ここを飛ばして組んだ仕組みは、動いても使われない。

外観検査AIでいえば、それは「AIが迷った一枚を、ベテランがなぜそう裁いたか」を記録するところから
始まる。次章で、その進め方を導入ロードマップの中に位置づける。

07 導入ロードマップ ― 撮像を作

り、判断を残す
PoCから始める順序、つまずき、
最後に残る問い

K E Y F I N D I N G S

導入は「対象選定・PoC→撮像環境構築→学習データ整備→運用と継続学習」の4段階で進める
最初は1工程・1製品でPoC（概念実証）を行い、撮像と精度の見通しを立ててから本格展開する
経済産業省「AI導入ガイドブック外観検査」が公的な導入手順として参照できる
典型的なつまずきは、撮像軽視、データ不足の軽視、しきい値固定運用、人を完全に外した過信
撮像も、データも、運用も標準化できる。標準化できないのは、検査員の判断である

7.1 4段階のロードマップ

外観検査AIの導入は、思いつきの試行錯誤ではなく、段階を踏んで進める。

出所：経済産業省「AI導入ガイドブック外観検査」の枠組みに基づき taiziii Research 作成
Phase 1：対象選定・PoC。困っている検査工程・製品を選び、少数の画像で概念実証（PoC）を行う。

AIで解けそうか、効果がどれくらい見込めるかを試算する。Phase 2：撮像環境構築。本書第3章のとお
り、撮像が9割。照明とカメラを選定し、撮像条件を安定化させる。試験撮影を繰り返して画質を作り込
む。Phase 3：学習データ整備。本書第4章のとおり、データの作り込みがAIの実力を決める。良品・不
良品の画像収集、アノテーション、必要ならデータ拡張・生成AIによる補完を行う。Phase 4：運用と継
続学習。本書第5章のとおり、人とAIの並行運用から始め、段階的に自動化を進める。定期的な再学習と
しきい値の調整で精度を維持する。経済産業省の「AI導入ガイドブック外観検査」も、同様の段階で導
入を整理している。公的な手順書として参照すると、検討の漏れを防げる。

7.2 定着のコツ ―「育て続ける」

外観検査AIは、導入したら終わりではない。レンズや照明の汚れ、機械の経年劣化、環境光の変化、製品
仕様の変更 ―現場の小さな変化が、検査精度に効いてくる。定期的な点検・清掃、必要に応じた再学
習、しきい値の見直しが、長期運用の鍵になる。設置して放置すれば、判定は少しずつずれていく。崩れ
た分を点検と再学習で戻し続けて、はじめて精度は保たれる。

典型的な4つのつまずき
① 撮像軽視：AIモデル選定に予算を集中し、照明・カメラへの投資をケチる。結果、欠陥が画像に写ら
ずAIは何もできない。最初に投資すべきは撮像環境である（第3章）。② データ不足の軽視：不良画像が
集まらないのに教師あり学習を強行し、運用開始が大きく遅れる。教師なし学習やデータ拡張・生成AI
による補完を組み合わせる（第2章・第4章）。③ しきい値固定運用：一度設定したしきい値を見直さ
ず、過検出や見逃しが累積する。定期的な調整が要る（第5章）。④ 人を完全に外した過信：100%精度
にならないAIに全件判定を任せ、重大な見逃しを招く。人とAIの分担を段階的に進化させる（第5章）。

7.3 まとめ ― 撮像は作り込める。判断は、継ぐしかない

外観検査AIの成否は、最新のAIモデルを買うことではなく、(1) 欠陥が確実に写る撮像環境を作り込むこ
と、(2) 学習データを丁寧に整えAIの実力を育てること、(3) 100%精度はない前提で人とAIの分担を運用
設計することという、技術以前の3点で決まる。AIは魔法の箱ではなく、これらの土台の上で初めて機能
する道具である。

そして、この3点を整えるほど、残るものがはっきりする。撮像は作り込める。データは整えられる。運
用は設計できる。標準化できないものが、最後に一つ残る。「これは見逃せない」という検査員の判断で
ある。それは検査記録にも、しきい値にも、モデルの重みにも残らない。

撮像と運用に投資した企業は、外観検査AIを動かせる。だが本当に先行するのは、その先に残った判断を
引き出し、次の世代へ継げる企業だ。

着手にあたっては、全工程を一斉にAI化しようとせず、最も困っている1工程・1製品で小さくPoCを始め
ることを推奨する。明日からの一歩は二つある。一つは、目視に最も負荷がかかっている検査工程を選
び、その対象を「撮像できるか」から検証してみること。もう一つは、AIが迷った境界事例を一つ選び、
ベテランがなぜそう判定したのかを、理由ごと書き出してみることである。前者がなければ、AIは動かな
い。後者がなければ、動いたAIは一代限りで終わる。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）では、検査基準書にもしきい値にも
モデルの重みにも載らない「これは見逃せない」という熟練検査員の見極めを、なぜそう判断したのか
という理由ごとAIで引き出し、帰属を保ったまま条件付きルールへ構造化し、組織の判断知として継承
します。判断を平均したり、一本の正解に統合したりはしません。例外は例外として残します。AIは判
断を代行せず、引き出し、分類し、問い返し、継承を助ける裏方に徹します。撮像・学習データ・運用設
計といった土台づくりから、その先に残る判断の継承までを、ひと続きで扱える点に強みを持ちます。

詳細：https://taiziii.com/skillrelay/

歩留まりを改善する

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
歩留まりを
改善する
非量産型のモノづくり現場における
「判断知」を活用した品質改善
Improving Manufacturing Yield:
Leveraging Judgment Knowledge in
Non-Mass-Production Manufacturing

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

想定読者は、製造業のDX担当者（事業部のDX推進部門、生産技術・製造・品質部門の部長・課長クラ
ス）、なかでも大手企業の中にある「非量産部門」において、・品質の意思決定を担う方に向けて書いて
いる。

歩留まり改善には、確立された標準解があり、本書も前半で扱う。ただ、品質管理の教科書は、その標準
解が成り立つ前提をほとんど書いてこなかった。同じものを繰り返し作る、という規則性だ。条件を標準
化する意味があるのは、その条件が次も来るからである。統計で層別できるのは、同じ条件のデータが十
分たまるからだ。

一品性が高く難易度の高い加工では、この前提が崩れる。同じ条件は二度と来ず、データは数件しかたま
らない。公差ギリギリで通すか止めるかを決めているのは、条件表の数値ではなく、現物を見た人の判
断である。本書の主張はここに尽きる。この層の歩留まりを決めているのは「この条件ならOK／NG」と
いう見極めであり、改善の最後の課題は、その見極めをどう引き出し、どう次の世代へ渡すかにある。

本書は、この見極め、つまりなぜその条件にしたのかという、図面にもデータにも載らない判断の理由
を判断知と呼ぶ。条件は再現できない。だが、その条件を選んだ判断知なら、次の図面にも転用できる。

本書は公開情報および当社の実プロジェクト知見（業界一般化・匿名化済み）に基づく。記載する数値（歩留まり・不良
率・改善効果等）は工程・製品・運用により大きく変動するため、絶対値ではなく相対的な傾向として参照されたい。

1
なぜ歩留まりが利益を左右するのか
三重の損失・直行率・パレート ― 議論の土台
2
量産型モノづくりにおける標準解
検査の限界と、「自工程完結」という原則
3
非量産型モノづくりにおける判断知の重要性
同じ条件は二度と来ない。条件表と現場が食い違う理由
4
歩留まりを決めている「判断知」の正体
5M+1Eの空白と、判断の5つの粒度
5
判断知の継承 ― 引き出し、構造化し、継ぐ
源流は工程ではなく、その工程を決めた判断にある
6
先進事例 ― 山本金属製作所と、その先に残るもの
切削点のデータ監視で防げるもの、なお残るもの
7
導入ロードマップ ― 条件を残し、判断知を残す
進め方、つまずき、最後に残る問い

エグゼクティブ・サマリー

5つのキーメッセージ
歩留まり改善の標準解は「検査でなく工程で作り込む」ことにある。ただしその標準解は、同じものを
繰り返し作るという規則性を前提としている。一品・高難度の加工では、歩留まりを決めるのは条件表で
はなく人の判断になる。本書の要点を5つにまとめる。

1
歩留まりは利益に直結する。工程の実力は直行率に出る
不良が出れば、原材料も工数も設備時間も無駄になる。手直しに頼れば歩留まり率の数字は保て
るが、その分の工数は確実に出ていく。見るべきは、手直しなしで一発で良品になった割合、すな
わち直行率だ。問題は、その一発が通るかどうかを何が決めているか、である。

2
検査をいくら厳しくしても歩留まりは上がらない。標準解は「工程で作り込む」ことにある
検査でできるのは、できてしまった不良を見つけることまでだ。発生そのものには手が届かない。

製造条件と品質結果をデータでつなぎ、真因を源流までさかのぼって断ち、不良を生まない工程を
作る。これが確立された標準解であり、本書も前半でこれを扱う。

3
その標準解は「同じものを繰り返し作る」ことを前提にしている。一品・高難度では前提が崩れる
条件を標準化する意味があるのは、その条件が次も来るからだ。統計で層別できるのは、同じ条件
のデータが十分たまるからだ。一品性の高い高難度加工では、同じ条件は二度と来ず、データは数
件しかたまらない。センサーを付けてAutoMLにかけたのに歩留まりが動かなかった現場が多いの
は、努力が足りなかったからではない。前提が違う。

4
この層で歩留まりを決めているのは、「この条件ならOK／NG」を見極める判断である
公差ギリギリを通しにいくか、一度止めて刃物を替えるか。切粉の色と音から熱の入り方を読み、
送りを落とすか、そのまま抜くか。この見極めが直行率を左右する。5M+1Eを使えば要因は漏れ
なく洗い出せるが、そのうちMan（人）の中身、つまりどう判断しているかは空白のまま残る。歩
留まり改善の本丸は、この空白にある。

5
AIは判断しない。判断知を引き出し、条件付きルールとして構造化し、次の世代へ継ぐ
目指すのは、AIに「通すか止めるか」を決めさせることではない。ベテランがなぜその条件にした
のかを引き出し、誰のどの条件下での判断かを保ったまま構造化し、例外は例外として分けて残
す。AIは判定を代行せず、材料を差し出し、問い返し、継承を助ける裏方に徹する。「検査でなく
工程で、現象でなく源流で」。そして、条件でなく判断知で。

01 なぜ歩留まりが利益を左右す

るのか
三重の損失・直行率・パレート ― 議
論の土台

K E Y F I N D I N G S

不良が出ると、原材料・投入工数・設備稼働時間がそのまま無駄になり、利益を直接削る
歩留まり率は良品数÷投入数。手直しに頼れば率は保てるが、工数とコストは膨らむ
工程そのものの実力は、一発で良品になった割合、すなわち直行率に出る

1.1 不良は三重に損をする

歩留まりが収益に直結するのは、不良が三重に損を重ねるからだ。まず、その製品に投入した原材料が無
駄になる。次に、そこまでに費やした加工工数と設備稼働時間が消える。最後に、手直しするなら追加の
工数が、廃棄するなら廃棄コストがかかる。作れば作るほど損が積み上がる。歩留まりが数ポイント動
くだけで工程の利益が大きく変わるのは、このためだ。

一品・高難度の加工では、この損がさらに重くなる。素材は高価で、リードタイムは長い。一個失敗すれ
ば、納期そのものが飛ぶ。作り直しの利かない一点物なら、もう一個作って取り返す、という手も使えな
い。

出所：taiziii Research 作成

1.2 歩留まり率と直行率

この二つは、別のものを測っている。歩留まり率は良品数÷投入数で計算するが、この良品には手直しや
再加工を経て良品になったものも含まれる。つまり、手直しを頑張れば歩留まり率は高く保てる。ただ、
手直しには工数がかかり、その分のコストは確実に出ていく。

見るべきなのは、手直しなしで一発で良品になった割合、すなわち直行率だ。その工程がどれだけ不良を
出さずに済んでいるか。工程の実力はここに出る。

ここから先、本書はひとつの問いを追う。その一発が通るかどうかを、何が決めているのか。量産ライン
なら、答えは標準化された条件だ。一品・高難度の現場では、答えが変わる。

1.3 どの不良から手をつけるか

やみくもに全部の不良を追うのは効率が悪い。まず不良を種類別・工程別に集計し、どれが最も損失を
生んでいるかを見極める。たいていは少数の項目が損失の大半を占める。パレート分析で重点を絞り、最
も効く不良をひとつ選んで真因を突き止める。改善に回せる人手は限られているので、この絞り込みで成
果がほぼ決まる。

本書の立場：測るだけでは上がらない。工程で作り込み、最後は判断知で決まる
歩留まりを可視化するダッシュボードを入れて、そこで安心してしまう会社は多い。だが、数字を眺め
ても不良は減らない。真因を突き止め、それを生まない工程を作って初めて歩留まりは上がる。これが
標準解だ（第2章）。

本書はそこで止まらない。標準解が効かない領域では、歩留まりを決めているのは条件ではなく判断知
であり、それをどう残すかが最後の課題になる。第3章からは、その領域に踏み込む。

02 標準解 ― 検査では上がらな

い、工程で作り込む
検査の限界と、「品質は工程で作り
込む」という原則

K E Y F I N D I N G S

検査でできるのは、出てしまった不良を見つけることまで。発生そのものは1個も減らない
「品質は工程で作り込む」は古くからの原則。製造条件を管理し、不良が出る前に手を打つ
実装は「条件と結果をセットで取り、要因を層別し、真因を源流までさかのぼって断つ」
これが確立された標準解である。ただし、その成立には静かな前提が置かれている（第3章）

2.1 なぜ検査を強化しても不良は減らないのか

歩留まりが悪いとき、現場がまず考えるのは検査の強化だ。ここに誤解がある。検査とは、できあがった
製品が要求を満たしているかを確認し、合否を判定する活動である。すでに出てしまった不良を見つける
ことはできても、不良そのものを減らすことはできない。

検査を厳しくすれば、不良の流出は防げる。だが発生は1個も減らない。出てしまった不良は手直しか廃
棄に回り、そのコストは出ていく。

出所：taiziii Research 作成

2.2 「自工程完結」という標準解

これに対する答えが、品質管理で古くから言われてきた「自工程完結」という原則だ。各工程で、そもそ
も不良を出さない。品質を左右する加工条件そのものを管理し、不良が出る前に手を打つ。一人ひとりが
自分の工程で品質をやり切り、不良を後工程に流さない（自工程完結）。

データとデジタル技術による実装も、方法論としては固まっている。製造条件（設備の設定値、材料ロッ
ト、作業者、加工条件、測定値、温湿度など）と品質結果をセットで取得して紐づける。統計や機械学習
で、どの条件が不良と相関するかを層別する。なぜなぜ分析で真因を源流の工程までさかのぼり、そこで
断つ。最後に、良品が出る条件を標準として定め、逸脱を監視する歯止めを設ける。

全数検査は、歩留まり対策にはならない
不良が多いからといって全数検査を入れても、流出を防ぐだけで発生は止まらない。検査工数が膨らむ
分、コストはむしろ悪化する。全数検査が要るのは、重要保安部品のように一個も流出させられない場
合だけだ。それは流出対策であって、歩留まり対策ではない。検査の強化に投資する前に、なぜその不
良が出るのかを工程までさかのぼって問う。

2.3 標準解の射程

以上が歩留まり改善の標準解だ。正しく、有効で、多くの量産現場が実際に成果を上げてきた。本書もこ
れを否定しない。

ただ、この標準解が成り立つには条件がある。品質管理の教科書は、その条件をほとんど書いてこなかっ
た。次章でそれを書き出す。

03 その標準解が効かない世界 ―

一品・高難度の壁
同じ条件は二度と来ない。条件表と
現場が食い違う理由

K E Y F I N D I N G S

「条件を標準化する」が成立するのは、その条件が次も来るから。一品では同じ条件は二度と来な
い
「データで層別する」が成立するのは、同種データが十分たまるから。高難度品では数件しかない
公差ギリギリで通すか止めるかを決めているのは、現物を見た人の判断である
条件表（管理側のTO-BE）と現場の実際（AS-IS）は、往々にして食い違っている

3.1 標準解が置いている前提

「条件を標準化して管理すれば不良は減る」。この命題が成り立つのは、ある前提のもとでだけだ。同じ
ものを、繰り返し作るという前提である。

条件を標準化する意味があるのは、その条件が次も来るからだ。統計で層別して相関を見つけられるの
は、同じ条件のデータが十分たまるからだ。工程能力指数を計算できるのは、同一工程を何百回と繰り返
すからだ。量産とは、この規則性が保証された世界を指す。だから標準解が効く。

維持設計や特殊部品、補修、試作といった一品性の高い領域では、この前提が崩れる。図面が一枚変われ
ば材料も形状も公差の厳しさも変わり、同じ条件は二度と来ない。同種のデータは数件しかたまらないの
で、統計が立たない。標準条件表を作っても、次の図面では使えない。

条件データを取って分析する ― 試して、動かなかった現場へ
センサーを付けて加工条件を記録し、AutoMLにもかけてみた。だが有意な相関は出ず、出たとしても次
の案件では再現しない。高難度加工の現場で、この徒労に心当たりのある方がいるはずだ。

これは、取り組みが甘かったからではない。統計的手法が要求する繰り返しが、この領域には構造的に
存在しない。だからツールを乗り換えても結果は変わらない。問題は分析手法の側ではなく、分析対象
の側にある。

3.2 一発で通るかを決めているもの

では、この領域で直行率を決めているのは何か。現場に入ると、答えははっきりしている。「この条件で
いけるか」を、その場で見極める判断だ。

公差ギリギリの寸法を、この刃物の当たりで通しにいくか。一度止めて刃を替えるか。切粉の出方と色か
ら熱の入り方を読み、送りを落とすか、そのまま抜くか。材料の効きが図面の想定と違うと感じたとき、
加工順序を組み替えるか。どれも条件表に数値としては書かれていない。そして読み違えれば、その場で
公差を外す。

冒頭に挙げた、同じ図面・同じNCプログラムなのに担当者で結果が変わるという現象の正体は、これ
だ。担当者ごとに変わっていたのは、この見極めだった。この層の歩留まりは、工程で作り込まれる前
に、判断で作り込まれている。

3.3 条件表に書いてあることと、現場がやっていること

やっかいなのは、その先だ。この二つは、しばしば一致しない。

ある精密切削加工メーカーで基幹システムを設計したときのことである。管理層が共有した前提は明快だ
った。「工具は、使うたびに組み立て、使い終わったら分解して返却する」。システムもその前提で設計
されかけた。

ところが現場を丁寧に見ると、実態はまるで違った。使い終えた工具は、あえてバラさずそのまま保管
し、次に同じ構成が要るときに再利用していた。段取り時間を削るために、現場が長い年月をかけて編み
出した知恵である。管理層の認識（TO-BE）と現場の実際（AS-IS）が食い違っていて、しかも双方と
も、そのことに気づいていなかった。前提のまま作っていれば、動きはするが現場と噛み合わないシステ
ムを納めていたはずだ。

標準条件を守らせるほど、歩留まりが落ちることがある
ここを確かめずに始まる改善活動が多い。標準条件を守らせる施策は、その標準条件が現場の実態を正
しく写し取れていて初めて機能する。写し取れていなければ、守らせるほど現場は本来のやり方から引
き剥がされ、かえって歩留まりは落ちる。

では、なぜ実態が写し取れないのか。現場が隠しているわけではない。理由はもっと単純で、それだけ
に厄介だ。判断が体に染み込みすぎていて、本人が書くほどのことだと思っていない。工程フローは数
行で書ける。その数行の裏に、何十年分の判断が詰まっている。

3.4 一般的なDXツールは、ここで止まる

SPC（統計的工程管理）は、繰り返しのある工程の変動を捉える道具だ。MESは、決められた条件が守ら
れたかを記録する。AutoMLは、十分な件数のデータから相関を抽出する。IoTセンサーは、測れる物理量
を測る。

どれも優秀な道具で、いずれも繰り返しがあり、条件が書き出せていることを前提にしている。

一品・高難度の領域に足りないのは、ツールの性能ではない。その現場の判断が、まだ言葉になっていな
い。ここが埋まらないかぎり、どのツールに乗り換えても、改善は同じ場所で止まる。

04 歩留まりを決めている「判断」の

正体
5M+1Eの空白と、判断の5つの
粒度

K E Y F I N D I N G S

5M+1Eで要因は漏れなく洗い出せるが、Man（人）の中身、つまりどう判断しているかは空白のま
ま残る
判断には5つの粒度があり、マニュアル化できるのは明示ルールと条件付きルールの2つだけ
残る3つ（経験則・パターン認識・トレードオフ判断）は本人ですら言語化できない
知識（What to do）は引き継げても、判断力（How to decide）は引き継がれずに失われる

4.1 5M+1Eの「Man」には、何が入っているのか

不良の要因を体系的に洗い出すフレームとして、5M+1Eが広く使われる。Man（人）、Machine（設
備）、Material（材料）、Method（方法）、Measurement（測定）、Environment（環境）。要因の抜
け漏れを防ぐ枠組みとして、これは有効だ。

出所：品質管理の一般的なフレーム（5M+1E）に基づき taiziii Research 作成
ただ、この枠組みには空白がある。Machine、Material、Measurement、Environmentは、いずれも測
れる。Methodは書ける。ところがMan（人）だけは、実務上たいてい「作業者A／作業者B」というラベ
ルで処理される。層別して作業者Aのとき不良が多いと分かったところで、そこから先へ進めない。

知りたいのはその先だ。作業者Bは、あの場面で何を見て、どう判断したのか。Manという箱に入ってい
るのは、判断である。5M+1Eには、その箱を開ける手立てがない。一品・高難度の歩留まりがこの空白

で決まっているのだとすれば、私たちはいちばん重要な箱を閉じたまま要因分析をしていることになる。

4.2 判断には5つの粒度がある

粒度
性質
高難度加工での例
文書化
明示ルール
数値閾値・Yes/No
この材質は切削速度◯◯以下
できる
条件付きルール
If-Then-Else
公差が±0.01かつ深物なら、荒と仕上
げを分ける
できる
ヒューリスティック
経験則・傾向
この材料は午後の熱で寸法が動きやす
い
難しい
パターン認識
言語化しにくい直感
切粉の色と音で「この刃はもう危な
い」と分かる
できない
トレードオフ判断
二律背反の重み付け
納期と公差、どちらをどこまで優先し
て攻めるか
できない
マニュアル化・標準作業書化が容易なのは、上の2つだけ。下の3つは、本人に聞いても「なんとなく」としか返ってこな
いことが多い。

標準化の限界は、この表の上と下で分かれる。標準作業書を整備しても歩留まりの個人差が消えないの
は、書けるものだけを書いたからだ。書けなかった3つ、とりわけ切粉と音で刃の限界を読むパターン認
識と、納期と公差を天秤にかけるトレードオフ判断。直行率を左右していたのは、そちらだった。

4.3 知識は引き継げる。判断力は引き継がれない

継承の対象には、二つの層がある。

ひとつは知識（What to do）、つまり何をするかだ。手順、条件値、規格、チェックリスト。これは文
書化でき、教育でき、システムにも載せられる。多くの企業が「技能伝承」と呼んでいるのは、たいてい
この層である。

もうひとつが判断力（How to decide）、つまりどう決めるか。例外に直面したとき、教科書どおりにい
かない現物を前にしたとき、何を根拠に、何を捨てて、どう決めるか。この層は、手順書のどこにも書か
れていない。そして一品・高難度の歩留まりを決めているのは、こちらの層だ。

判断が消えると、何が起きるか
ベテランが一人抜けたあと、現場に起きるのは、不良率が少し上がるといった穏やかな変化ではない。

もっと具体的で、もっと痛い。

まず、見積を外す。この形状の難所が読めず、工数を過小に見積もる。次に、立ち上げでつまずく。初
品が通らず、トライを何度も繰り返す。やがて手直しが常態化する。一発で通らないので、後工程で帳
尻を合わせるようになる。最後に、攻めなくなる。判断できないから安全側に倒し、リードタイムもコ
ストも膨らむ。

歩留まりの数字に表れるころには、失われた判断はもう回収できない。

05 判断知の継承 ― 引き出し、構

造化し、継ぐ
源流は工程ではなく、その工程を決
めた判断にある

K E Y F I N D I N G S

条件と結果をセットで取るだけでは足りない。「なぜその条件にしたか」をセットで取る
判断知は、誰のどの条件下での判断かを保ったまま、条件付きルールへ構造化する
例外は無理に一般化せず、例外として分けて残す。統合・一本化は判断を殺す
源流管理でさかのぼる先は、上流の工程よりもう一段手前、その工程を決めた判断である

5.1 「条件と結果をセットで取る」の、その先

標準解の技術スタックは、こうだった。①データ収集、②要因分析、③真因特定、④条件最適化、⑤工
程で作り込む。この流れ自体は正しく、繰り返しのある工程では今も有効だ。

出所：taiziii Research 作成
このスタックで最大の壁は①だ、とよく言われる。多くの現場が、不良の結果は記録していても、そのと
きの条件を記録していないからだ。それはそのとおりである。ただ、一品・高難度の領域には、もう一段
深い欠落がある。条件を完璧に記録しても、なぜその条件にしたのかが残らない。

送りを0.05に落とした、という事実は記録できる。だが、なぜ落としたのか。切粉が変色し始めたからな
のか。材料の効きが図面の想定と違ったからなのか。この公差では逃げがないと踏んだからなのか。そこ

は記録に残らない。そして次に似た図面が来たとき、後任が本当に参照したいのは、まさにその「なぜ」
の方だ。

条件は再現できない。判断知は転用できる。一品の世界で継承すべきものが判断知なのは、このためだ。

5.2 引き出す ― 「なぜ」を聞く

では、どう残すか。第一歩は、判断が起きたその場で「なぜ」を引き出すことだ。送りをいくつにしたか
ではなく、なぜそう決めたか、何を見てそう思ったか、もし材料がもう少し粘かったらどう変えたかを問
う。

AIの出番はここだ。AIは、通すか止めるかを判断しない。判断の場面を捉え、本人が意識していない根拠
を問いかけて引き出し、断片を分類し、矛盾や抜けを問い返す。やるのはそこまでである。

パターン認識やトレードオフ判断を、本人が自発的に語ることはまずない。ところが、具体的な一場面に
ついて「なぜ」を重ねて聞かれると、人は驚くほど言葉にできる。引き出しとは、この性質を利用する作
業である。

5.3 構造化する ― 帰属を保ち、例外を分ける

引き出した判断知は、そのままでは断片にすぎない。使える形にするには、条件付きルール（If-Then）
へ構造化する。「材質がこれで、公差がこの範囲で、刃物がこの状態なら、こう判断する」。第4章の粒
度でいえば、言語化できなかった層を、できるかぎり条件付きルールの側へ翻訳していく作業になる。

ここには鉄則が二つある。

ひとつは、帰属を保つこと。誰の、どの条件下での判断かを必ず添える。複数のベテランの判断を平均し
たり、一本の正解に統合したりしてはならない。判断は、それが下された状況とセットでしか意味を持た
ない。状況を剥がした瞬間に使えなくなる。

もうひとつは、例外を例外として分けること。無理に一般化すると、当たり障りのない一般論しか残らな
い。この場合だけは違う、という例外にこそ熟練が出る。

運用の型と、判断の型
組織が型を作るとき、そこには二つの型がある。

運用の型は、誰がやっても同じ結果になる手順の型だ。ここではAIが効率化を担い、RPAや自動化が効
く。多くの企業は、この型を作ったところで止まる。

判断の型は違う。例外に直面したとき、熟練者が何を見て、何を捨てて、どう決めるか。その型を残
す。ここでAIは判断せず、引き出し、構造化し、継承する役に回る。

「品質は工程で作り込む」が運用の型なら、判断知の継承は判断の型にあたる。

5.4 源流管理を、もう一段さかのぼる

標準解には「源流管理」という優れた考え方がある。不良が見つかった工程で対症療法を打つのではな
く、その不良がどの工程で生まれたかを上流までさかのぼり、発生源で断つ。もぐらたたきをやめる、と
いう考え方だ。

出所：源流管理の一般的な考え方に基づき taiziii Research 作成
本書は、この「さかのぼる」を、もう一段だけ延ばすことを提案したい。不良の源流は、上流の工程にあ
るのではない。上流の判断にある。

寸法不良の源流をさかのぼると、数工程前の加工条件に行き着く。だが、そこで止まってはいけない。そ
の加工条件は、誰かがそう決めたものだからだ。なぜその送りにしたのか。なぜその順序で削ることにし
たのか。なぜその基準面を取ったのか。源流はそこにある。

工程までさかのぼって条件を直せば、その一件は止まる。判断までさかのぼって残せば、次の一件が起き
なくなる。これが源流管理の最終形だ。

06 先進事例 ― 山本金属製作所と、

その先に残るもの
切削点のデータ監視で防げるも
の、なお残るもの

K E Y F I N D I N G S

山本金属製作所は、切削点近傍のデータを監視する自社開発AIで工具状態を数値化した
工具交換時期が明確化し、不良品の発生が減少。不良が出る前に、工程の側で防いだ
データ化できたのは、判断の粒度でいえば「明示ルール／条件付きルール」の層である
同じ波形でも「この材料なら攻める／この公差では止める」というトレードオフは人に残る
ここまでの議論を、実在の取り組みに照らしてみたい。経済産業省の中小企業AI導入の事例として取り上
げられた、山本金属製作所である。切削加工という、本書がまさに扱う領域での実装だ。

出所：経済産業省「中小企業におけるAI導入の活用・促進」等の公表情報に基づき taiziii Research 作成

6.1 工具の状態が見えなかった現場

同社の課題は、工具の摩耗・破損による不良品の発生と、機械故障だった。切削加工では、工具は使うほ
どに摩耗し、限界を超えると破損する。摩耗・破損した工具で加工すれば、寸法や面の品質が狂い、不良
品になる。

しかし従来、工具がいまどんな状態にあるかは目に見えなかった。不良が出てから、工具が傷んでいたと
気づく。交換時期は経験と勘で判断され、機械の監視には人手が張り付いていた。

6.2 切削点をデータで監視し、不良を未然に防ぐ

同社が取り組んだのは、切削点近傍のデータなどを監視する自社開発のAIモデルの導入である。加工がお
こなわれる切削点の近くでデータを捉え、工具の状態を数値として可視化する。これにより工具の摩耗・
破損の兆候を、不良が出る前に捉えられるようになった。工具交換時期が明確になり、不良品の発生が減
った。人が工作機械に張り付いて監視する必要もなくなり、生産付加価値額は15%増加したと報告されて
いる。

出所：公表情報をもとにした概念図。taiziii Research 作成
仕組みをかみ砕くと、こうなる。新品の工具で加工しているとき、センサーが捉える振動や負荷の波形は
安定している。工具の摩耗が進むと、その波形に乱れや振れの拡大が現れる。正常な加工時の波形を基準
にして、いまの加工がそこからどれだけ外れているかを見れば、工具の状態を推定できる。本シリーズの
予知保全編で述べた「正常を学習して逸脱を捉える」考え方を、工具という対象に当てはめたものだ。

波形の変化から、そろそろ危ないを先に捉える。「品質は工程で作り込む」（第2章）の、模範的な実装
である。

6.3 この事例が到達したところと、その先

同社がデータ化に成功したのは、判断の粒度でいえばどの層だったのか。

工具の摩耗という現象は、物理量として測れる。そして「波形がこの範囲を外れたら交換する」という形
は、明示ルールや条件付きルールとして書き下せる。第4章の表でいえば、上の2段だ。つまり同社は、
判断のうち構造化しやすい層を、見事に構造化した。ベテランが音でなんとなく分かっていたものを、条
件付きルールへ翻訳したことになる。第5章で述べた構造化を、切削の現場でやり切った例だ。

その先には、まだ構造化されていない層が残る。同じ波形の乱れを前にして、この材料・この公差なら、
もう一個は攻めて抜くのか、この公差では逃げがない、いま止めるのか。この重み付けは波形に現れな

い。納期と素材の希少性、公差の厳しさ、後工程の余裕を天秤にかけるトレードオフ判断であり、第4章
の表でいえば最下段にあたる。

データ化できる判断を出し切ったあとに、残るもの
この事例が優れているのは、工程の条件（工具状態）を管理して、不良を未然に防いだ点にある。自社
開発のAIで内製したことも、同じ規模の製造業には現実的な参考になる。

そして、切削という領域でここまで構造化を進めた事例だからこそ、その先に何が残るかもはっきりす
る。AIは工具状態という材料を差し出す。それを受けて攻めるか止めるかを決めているのは、いまも人
だ。

データ化できる判断を出し切ったとき、最後に残るのが、データ化できない判断なのである。

07 導入ロードマップ ― 条件を残し、判

断知を残す
進め方、つまずき、最後に
残る問い

K E Y F I N D I N G S

進め方は「重点を絞る → 条件と判断知をセットで残す → 判断知を構造化する → 品質を保証す
る」
繰り返しのある工程では標準解（条件の作り込み）を、一品・高難度では判断知の継承を軸に置く
典型的なつまずきは、検査強化への逃避、判断の未記録、無理な一般化、歯止めの不在
ツール・データ・標準をどれだけ整えても、最後に残るのは「どう決めるか」という判断である

7.1 4段階のロードマップ

歩留まり改善は、一足飛びに全工程を変えようとせず、重点を絞って段階的に進める。

出所：taiziii Research 作成
Phase 1：重点を絞る。不良を種類別・工程別に集計し、パレート分析で最も損失の大きい不良を絞り込
む。直行率を測り、工程の実力を把握する。ここで同時に見極めたいことがある。その不良は「繰り返し
のある工程」で起きているのか、「一品・高難度の工程」で起きているのか。この見極めが、以降の打ち
手を分ける。

Phase 2：条件と判断知をセットで残す。繰り返しのある工程では、製造条件と品質結果を紐づけて取得
する（標準解）。一品・高難度の工程では、それに加えて「なぜその条件にしたか」を、判断が起きたそ
の場で残し始める。標準解と本書が分かれるのは、ここだ。

Phase 3：構造化する。繰り返し工程では、相関を層別し、なぜなぜ分析で真因を源流までさかのぼる。

一品・高難度では、引き出した判断知を帰属ごと条件付きルールへ翻訳し、例外は例外として分けて残

す。

Phase 4：品質を保証する。条件については、標準化と逸脱監視の歯止めを設ける。判断知については、
残したものが本当に使えるかを検証し、更新し続ける。後任がその判断知を参照して、実際に一発で通せ
たか。通せなかったなら、何が足りなかったか。これが判断知の品質保証である。

典型的な4つのつまずき
① 検査強化への逃避。歩留まりが悪いと検査を厳しくして対処した気になるが、不良の発生は減らない
（第2章）。

② 判断の未記録。条件は記録しても「なぜその条件にしたか」を残さず、次の案件に転用できない（第5
章）。

③ 無理な一般化。複数のベテランの判断を平均して一本の正解に統合すると、当たり障りのない一般論
しか残らない。例外は分けて残す（第5章）。

④ 歯止めの不在。改善しても標準化・監視をせず、元の状態に戻る。

7.2 まとめ ― 検査でなく工程で、現象でなく源流で、そして条件でなく判断知で

本書の主張は、三段になる。

第一に、検査でなく工程で。検査は流出を止めるが、発生は止めない。製造条件を管理し、不良を生まな
い工程を作る。これが標準解だ。第二に、現象でなく源流で。不良が生まれた工程までさかのぼって断
つ。

そして第三に、本書が最も伝えたい転換がある。条件でなく、判断知で。

繰り返しのある量産工程なら、条件を揃えれば歩留まりは戻る。だが、一品性が高く難易度の高い加工
では、同じ条件は二度と来ない。公差ギリギリで通すか止めるか。この刃でもう一個攻めるか、替える
か。その見極めが、一発で通るかどうかを決めている。

そして、その見極めは、標準条件表にも、検査データにも、SPCのチャートにも載らない。ツールを入
れ、データを貯め、手順を標準化しても、この層だけは埋まらずに残る。残るだけならまだいい。言語化
されないまま、ベテランの退職とともに、静かに現場から消えていく。

だから、歩留まり改善がほんとうに解くべき最後の問いは、どの条件が最適か、ではない。その条件を
選んだ判断を、どうやって次の世代へ渡すかである。AIはこの判断を代行しない。ベテランから判断知を
引き出し、帰属を保って構造化し、例外を分けて残し、検証する。役割はそこまでだ。

着手にあたっては、すべての不良を一度に追わないことを勧めたい。明日からの一歩は、二つある。ひと
つは、最も損失の大きい不良について、「それが出たとき、どんな製造条件だったか」を記録し始めるこ
と。もうひとつは、最も難しい一品について、ベテランが「なぜその条件にしたのか」を、一案件ずつ言
葉にして残し始めることだ。

前者がなければ、改善は始まらない。後者がなければ、その改善は一代限りで終わる。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）では、標準条件表にも検査データ
にも載らない「この条件でいけるか」という熟練者の見極めを、なぜそう判断したのかという理由ごと
AIで引き出し、帰属を保ったまま条件付きルールへ構造化し、組織の判断知として継承します。判断を
平均したり、一本の正解に統合したりはしません。例外は例外として残します。AIは判断を代行せず、
引き出し、分類し、問い返し、継承を助ける裏方に徹します。「品質は工程で作り込む」の、その先に
ある判断知の継承までを、ひと続きで扱える点に強みを持ちます。

詳細：https://taiziii.com/skillrelay/

予知保全を実装する

THiNGMAjiG_admin_user_kato — Sat, 01 Aug 2026 00:00:00 +0000

W H I T E P A P E R

2 0 2 6 年8 月
予知保全を
実装する
状態監視からAI故障予測まで、
「壊れる前」を捉えるアーキテクチャ
Implementing Predictive Maintenance:
An Architecture from Condition Monitoring
to AI-Based Failure Prediction

P U B L I S H E D B Y

taiziii Research
Manufacturing DX Desk

本書の位置付け

ある重工メーカーの保全現場で、30年選手の保全員が定期巡回の途中、ポンプの前で足を止めた。「こ
の音は、来る」。センサーの値はどれも閾値の内側にあり、システムは何のアラートも出していない。だ
が数週間後、その軸受は彼の言ったとおりに壊れかけた。ここで本当に問題だったのは、彼が正しかっ
たことではない。彼が何を聞き分けたのかを、本人もうまく言葉にできなかったことである。

本書は、製造業のDX担当者（事業部のDX推進部門、生産管理・製造・保全部門の部長・課長クラス）、
とりわけ大手企業の中にある「量産でない部門」――維持設計・特殊部品・補修・試作を担う設計／製
造／保全の判断者を読者に想定した、予知保全の実装に関する実務レポートである。「AIで故障を予測し
ましょう」という掛け声ではなく、どの設備に、どんなセンサーを付け、どうデータを集め、どう異常を
検知して、どう保全業務につなげるのかという技術的・実務的な具体に踏み込む。

予知保全は、設備総合効率（OEE）で触れた「突発故障による停止ロス」を根本から減らす手段であり、
製造業DXの定番テーマである。人手不足と熟練保全員の高齢化が進むなか、「壊れてから直す」「決ま
った周期で交換する」という従来の保全には限界が見えている。設備の状態を常時監視し、故障の予兆を
捉えて先回りする予知保全への関心は、かつてなく高まっている。

本書が一貫して主張するのは、予知保全の成否は「高度なAIを導入すること」ではなく「状態監視という
土台を築き、設備の重要度に応じて適用範囲を見極めること」で決まるという点である。予知保全は万能
ではない。全設備に一律導入するのは過剰投資であり、費用対効果が合う設備を選ぶ判断こそが、技術選
定と同じくらい重要になる。本書は、技術アーキテクチャを軸に、この適用判断までを扱う。

そして本書は、もう一段先に踏み込む。センサーをどれだけ整えても、「この振動は様子見でよいのか、
この音は今すぐ止めるべきなのか」という最終判断は、計測値の外側に残る。土台と見極めを整えた、
そのさらに先に残るこの判断を、どう引き出し、どう次の世代へ継ぐか ― そこが予知保全の本丸であ
り、本書の最終的な着地点である。

本書は公開情報および一般的な実装知見に基づく。記載する数値（予測精度・削減効果等）は設備・データ品質・運用に
より大きく変動するため、絶対値ではなく相対的な傾向として参照されたい。

1
なぜいま予知保全なのか
人手不足・熟練者の高齢化、従来保全の限界、そして勘が機械に移らない理由
2
保全方式の地図 ― 事後・予防・予知の使い分け
CBMとPdMの関係、設備の重要度による戦略の選択
3
予知保全の技術スタック
センシング→収集→異常検知→寿命予測→保全実行
4
AIで異常を検知する ― 故障データ希少の壁
正常を学習して逸脱を捉える、教師なし学習の現実解

5
費用対効果で適用範囲を見極める
投資と削減効果のバランス、対象設備の絞り込み
6
先進事例 ― 二つの目線で見る予知保全
設備を「売る側」みつわポンプと、「使う側」日産自動車
7
導入ロードマップと落とし穴
CBMから始める順序、定着のコツ、つまずき

エグゼクティブ・サマリー

6つのキーメッセージ
予知保全の成否は、最新のAIを買うことではなく、状態監視の土台を築き、適用範囲を費用対効果で見極
めることで決まる。そして、それらを整えてもなお残るのが、ベテランの「判断」である。本書の要点を
6つにまとめる。

1
予知保全は「壊れてから直す／決まった周期で交換する」従来保全の限界を超える手段である
人手不足と熟練保全員の高齢化により、勘と経験に頼った保全は維持が難しくなっている。事後保
全は突発停止の損失が大きく、予防保全（定期交換）はまだ使える部品まで捨てる過剰保全になり
がちだ。設備の状態を監視し、故障の予兆を捉えて先回りする予知保全は、この両方の弱点を埋め
る。

2
予知保全（PdM）は状態基準保全（CBM）の延長線上にある。いきなりAI予測を目指さない
保全方式は事後（BM）→予防（TBM）→状態基準（CBM）→予知（PdM）と進化してきた。CBM
は「状態が閾値を超えたら保全する」段階、PdMは「AIで将来の故障時期を予測する」段階。

CBMでデータを蓄積する土台があって初めてPdMが成り立つ。土台を飛ばしてAIだけ導入しても機
能しない。

3
技術の核は、センシング→データ収集→異常検知→寿命予測→保全実行という一連の流れである
振動・温度・電流・音響といった物理量をセンサーで捉え、IoTで収集・蓄積し、AIで正常からの
逸脱（予兆）を検知し、残存寿命（RUL）を予測して、操業影響が最小のタイミングで保全する。

個別技術の優劣よりも、この流れを一気通貫で設計できるかが成否を分ける。

4
故障データは希少である。だからこそ「正常を学習して逸脱を捉える」のが予知保全の現実解にな
る
予知保全AIの最大の壁は、学習させたい故障データがほとんど手に入らないことだ。正常に動いて
いる設備からは正常データばかりが出る。そこで、正常状態を学習し「いつもと違う」を異常とし
て検知する教師なし学習が中心になる。不足する故障データを生成AIで補う試みも進む。ただしAI
が出すのは「いつもと違う」という異常の“候補”にすぎない。その逸脱が無害なゆらぎか、致命
的な予兆かを切り分けるのは、最後はベテランの判断である。AIは判断せず、判断の材料を差し出
す。

5
予知保全は万能ではない。全設備に一律導入せず、費用対効果が合う重要設備に絞る
センサー・分析基盤・運用体制にはコストがかかる。導入効果（突発故障の削減、過剰保全の削
減）がそのコストを上回る設備にだけ適用するのが合理的だ。ボトルネックや安全関連の重要設備
は予知保全、冗長性のある一般設備は事後・予防保全のまま、と設備の重要度で使い分ける。

6
センサーとモデルを整えても、「この状態は危ないか」という判断だけは残る。最後の壁は、その
判断の継承である
閾値もモデルも整えたあと、アラートが鳴ったその瞬間に「止めるか、回し続けるか」を決めるの
は人である。この判断は振動値にも温度にも書かれておらず、ベテランの頭の中にしかない。予知
保全の本当の壁は故障データの希少さではなく、この判断が言語化されないまま、退職とともに失
われることだ。AIはこの判断を肩代わりするのではなく、引き出し、分類し、次の世代へ継ぐ裏方
として働く。

01 なぜいま予知保全

なのか
人手不足・熟練者の高齢化、従来保全の限界、そして勘が
機械に移らない理由

K E Y F I N D I N G S

保全業務は付加価値を生みにくいとされ、慢性的な人材不足に陥っている。退職による熟練者の知
見喪失も進む
事後保全は突発停止による機会損失が大きく、予防保全はまだ使える部品まで交換する過剰保全に
なりがち
センサーは「振動が上がった」という事実は測れるが、「この音は危ない」という判断までは測れ
ない。勘は機械で再現するものではなく、引き出して継ぐものである
センサーの低価格化とIoTの普及で、状態監視のコストが下がり、予知保全が現実的な選択肢にな
った

1.1 保全現場が抱える二重の危機

製造業にとって、設備を安定して稼働させ続けることは事業の根幹である。しかしその保全現場は、いま
二重の危機に直面している。第一に、人材不足である。保全業務はそれ自体が直接の付加価値を生みにく
いうえ、高度な知見とスキルを要する。少子高齢化のなか、退職による欠員や採用難で、保全に携わる人
材は慢性的に不足している。第二に、その不足と表裏一体の熟練者の知見喪失である。長年の経験で「装
置の稼働音を聞いただけで異常の兆候が分かる」ようなベテランが引退すると、その属人的能力は失われ
てしまう。

1.2 従来保全の限界

従来の保全は、大きく事後保全と予防保全に分けられる。事後保全は、壊れてから直す方法だ。保全コス
トそのものは安いが、突発的な故障は何の前触れもなく起きるため、修理依頼・部品調達・修理作業に時
間がかかり、その間ラインが止まれば機会損失・仕掛品の廃棄・人件費で莫大な損失を被りうる。予防保
全は、決まった周期で定期的に点検・交換する方法だ。突発故障は減らせるが、まだ十分使える部品まで
周期が来たら交換するため、過剰保全のムダが生じる。しかも、想定より早く異常が起きれば突発故障は
防げない。どちらも一長一短である。

この両者の弱点を埋めるのが予知保全である。装置の状態を常時監視し、故障の予兆を捉えて先回りす
る。過剰保全のムダを避けつつ、突発故障による停止も防ぐ。センサーの低価格化とIoTインフラの普及
により、かつては大企業のものだった状態監視が、中小規模でも現実的なコストで始められるようになっ
た。これが「いま予知保全なのか」への答えである。

1.3 ただし、勘は機械には移らない

ここで一つ、先回りしておきたいことがある。センサーと閾値とAIをそろえても、ベテランの「勘」がそ
っくり機械に移るわけではない。センサーは「振動が上がった」という事実までは測れる。だが「この

振動なら次の連休まで持つ」「この音は今夜のうちに止めろ」という判断までは測れない。両者は、似
ているようでまったく別の層にある。

状態監視を入れたのに、結局アラートのたびにベテランが呼ばれ続ける ― 多くの現場が突き当たるこの
壁の正体は、ここにある。センサーが足りないのでも、モデルの精度が低いのでもない。「この状態は危
ないのか」を決める判断が、どこにも記録されていないのだ。だから、どのツールに乗り換えても同じ場
所で止まる。予知保全がほんとうに解くべきは、勘を機械で「再現」することではなく、その判断を引き
出して残し、次の世代へ渡すことである。ここが、本書が最後に着地する論点になる。

本書の立場：「土台」と「見極め」、そしてその先に残る「判断」
予知保全と聞くと、高精度なAIの故障予測に目が向きがちだ。しかし実務での成否は、その手前にあ
る。状態を継続的に監視してデータを貯める土台（CBM）を築けるか、そしてどの設備に適用すべきか
を費用対効果で見極められるか。この2点が、AIアルゴリズムの巧拙よりはるかに効く。ただし、土台と
見極めは入場券にすぎない。両方を整えても、アラートが鳴ったその瞬間に「止めるか、回し続ける
か」を決めるのは人であり、その判断の質こそが最後に効く。本書は「土台 → 見極め → 判断の継承」
という順序で論を進める。

02 保全方式の地図 ― 事後・予防・

予知の使い分け
CBMとPdMの関係、設備の重要
度による戦略

K E Y F I N D I N G S

保全方式は事後（BM）→予防（TBM）→状態基準（CBM）→予知（PdM）と進化してきた
CBMは「今、異常か」を閾値で判断する段階、PdMは「いつ壊れるか」をAIで予測する段階である
CBMはPdMの土台。まず状態を監視してデータを蓄積し、それを使って将来予測へ進むのが王道
全設備に予知保全は過剰。設備の重要度（Class A/B/C）に応じて保全方式を使い分けるのが合理
的

2.1 4つの保全方式とその進化

保全方式は、保全するタイミングの考え方によって整理できる。歴史的には、事後保全から始まり、予防
保全、そして状態基準保全・予知保全へと進化してきた。

出所：一般的な保全工学の体系に基づき taiziii Research 作成
注意したいのは、状態基準保全（CBM）と予知保全（PdM）の関係である。CBMは、センサーで設備の
状態を監視し、データがあらかじめ定めた閾値を超えたらアラートを出す仕組み。「いつ壊れるか」で
はなく「今、異常な状態にあるか」に焦点を当てる。一方PdMは、収集したデータをAI・機械学習で分析
し、「将来の故障時期」や部品の残存寿命（RUL：Remaining Useful Life）を予測する。「あと何日で
この部品は故障する可能性が高い」といった、より具体的な予測を目指す。

2.2 CBMは予知保全の土台である

両者は対立する選択肢ではなく、CBMはPdMを実現するための土台と位置づけられる。まずCBMで設備
のデータを収集・蓄積し、状態を監視する体制を整える。その蓄積されたデータを使ってAIモデルを構築
し、将来を予測するのがPdM、という順序が一般的だ。この順序は重要である。データの蓄積なしにAI予
測だけを導入しようとしても、学習する材料がなく機能しない。第7章の導入ロードマップも、この
「CBMから始めてPdMへ」という順序を基本に据えている。

2.3 設備の重要度で使い分ける

そして、本書が強調したい実務上の要点がある。すべての設備に予知保全を導入する必要はない、という
点だ。予知保全はセンサー・分析基盤・運用体制にコストを要するため、費用対効果が合う設備とそうで
ない設備がある。設備をその重要度で分類し、保全方式を使い分けるのが合理的である。

出所：RBM／RCMの考え方および各種解説に基づき taiziii Research 作成
生産ラインのボトルネックや安全関連設備、代替の利かない設備（Class A）には、予知保全を中心に据
える。停止すると影響は大きいが短時間で復旧できる設備（Class B）には、予防保全を基本に状態監視
を部分導入する。冗長性があり停止の影響が限定的な設備（Class C）は、事後保全のままでよい。この
「どの設備にどの保全方式を当てるか」を体系的に決める枠組みが、リスクベース保全（RBM）や信頼
性中心保全（RCM）である。予知保全は手段であって目的ではない。適用範囲を見極める判断こそが、
技術選定と並ぶ最初の意思決定になる。

03 予知保全の技術スタック

センシングから保全実行までの一連の流れ

K E Y F I N D I N G S

予知保全は、センシング→データ収集→異常検知→寿命予測→保全実行という一連の流れで実装さ
れる
回転機（モーター・ポンプ・ファン）の状態把握には、特に振動データが有効とされる
残存寿命（RUL）の予測まで踏み込むと、計画的な部品調達・修理が可能になる
複数センサーを組み合わせるセンサーフュージョンや、デジタルツインの活用が高度化の方向にあ
る

3.1 5つの段階で捉える

予知保全の技術は、現場のベテラン作業員が持つ保全経験を、機械の側から支えるもの、と捉えると分か
りやすい。状態を感じ取り、変化を覚え、異常の兆しに気づき、いつ手を打つべきか判断する ― このう
ち前半（感じ取る・覚える・気づく）は技術で肩代わりできるが、最後の「いつ手を打つか」の判断は人
に残る。具体的には次の5段階で実装される。

出所：taiziii Research 作成
① センシング。設備の状態を物理量として捉える。振動・温度・電流・音響などのセンサーを、最も効
果的に変化を捉えられる位置に設置する。② データ収集。IoTゲートウェイやエッジ機器を通じてデータ
をクラウドなどに蓄積し、時系列に並べて変化を追えるようにする。③ 異常検知。AI・機械学習で、正
常状態からの逸脱（予兆）を捉え、異常の「候補」を人に提示する。人が気づけない微細な変化を、大
量のデータの中から探り出す（第4章で詳述）。④ 寿命予測。異常の有無だけでなく、残存寿命（RUL）

を推定し「いつ・どの部品が壊れそうか」の目安を示す。ただし推定された寿命は確率的な目安であり、
その数値を信じて連休明けまで回すのか、念のため前倒しで止めるのかという最終判断は人が負う。⑤
保全実行。予測に基づき、操業影響が最小のタイミングで計画的に部品を調達・修理する。このとき「な
ぜそう判断したのか」を結果とセットで記録できなければ、次に同じ予兆が出たとき、若手は同じ判断を
下せない。

3.2 何を測るか ― 状態監視の手法

どの物理量を測るかは、設備の種類と捉えたい異常によって決まる。代表的な状態監視の手法を整理す
る。

測定対象
捉えられる異常の例
主な対象設備
振動
軸受（ベアリング）の摩耗、軸ズレ、回転体のアンバラン
ス。劣化の初期段階を捉えやすい
モーター・ポンプ・ファン等の回
転機
温度
軸受・モーター・電気機器の異常発熱。劣化が進んだ段階
で顕在化しやすい
回転機・電気機器・摺動部
電流
モーターの負荷変動、絶縁劣化、電力品質の異常
モーター・電動機器
音響
異音の周波数分析、放電音の検知。人の聴覚に近い情報を
定量化
回転機・電気設備・摺動部
とくに回転機の劣化は機構部の振動変化に早く現れるため、予知保全では振動の監視が重視される。温度や音は劣化が進
んでから変化が出る傾向がある。もっとも、現場のベテランは「この設備に限っては振動より先に音に出る」といった設
備個別のクセを経験で知っている。教科書どおりの監視で取りこぼす例外を拾っているのは、いまも人の判断である。

3.3 高度化の方向 ― センサーフュージョンとデジタルツイン

技術は進化を続けている。単一のセンサーでは見えない異常を捉えるため、振動・温度・電流など複数セ
ンサーのデータを統合して解析する「センサーフュージョン」が進む。また、現実の設備の状態・特性を
デジタル空間に再現したデジタルツインにリアルタイムのセンサーデータを流し込み、シミュレーション
で「今後いつ・どのような異常が起きそうか」を高精度に予測する取り組みも現れている。ただし、これ
らは土台（①〜②の状態監視）が整って初めて効く高度化であり、最初から狙うものではない。

04 AIで異常を検知する ― 故障デ

ータ希少の壁
正常を学習して逸脱を捉える、教師な
し学習の現実解

K E Y F I N D I N G S

予知保全AIの最大の壁は、学習させたい「故障データ」がほとんど手に入らないことにある
正常に動く設備からは正常データばかり出る。だから「正常を学習し逸脱を検知する」教師なし学
習が中心
不足する故障データを、人為的に作ったり生成AIで補ったりするアプローチも実用化しつつある
AIを扱える人材の不足も課題。外部サービスの活用や、少データで動く手法の選択が現実的な解に
なる
AIが出すのは異常の「候補」まで。危険かどうかを決めるのは人の判断であり、その判断を理由ご
と記録することが、勘をデータに変える入口になる

4.1 故障データは、集めたくても集まらない

予知保全AIには、ほかのAI活用にはない特有の難しさがある。学習させたい「故障データ」が、ほとんど
手に入らないことだ。考えてみれば当然で、設備は普段は正常に動いているからこそ稼働しているのであ
り、そこから出てくるのは圧倒的に正常データばかりである。重大な故障は滅多に起きず、起きても毎回
パターンが違う。「故障の例をたくさんAIに見せて覚えさせる」という素朴なアプローチは、現実には成
り立たない。

4.2 「正常」を学習して、逸脱を捉える

この壁を乗り越える発想が、故障ではなく「正常」を学習するというものだ。大量にある正常データから
「いつもの状態」をAIに覚えさせ、そこから外れた「いつもと違う」を異常の予兆として検知する。これ
は教師なし学習（アノマリー検知）と呼ばれる。故障の山ほどのサンプルは要らず、正常データさえ十分
にあれば成り立つため、予知保全の現実解として広く使われている。

出所：taiziii Research 作成
もう一つのアプローチが、不足する故障データを人為的に補う方法である。実設備で意図的に故障に近い
状態を作ってデータを取ったり、近年では生成AIで不足する学習データを作り出して補う試みも進む。こ
れにより、実データが限られていても、広範囲の条件を想定したモデルを学習させられる。後述するみつ
わポンプ製作所の事例も、人為的に作り出した故障時データを学習に活用している。

見落とされがちな逆説 ― 異常検知は「判断」を可視化する装置でもある
異常検知を運用すると、必ず直面することがある。AIが「いつもと違う」を1万件挙げたとして、そのう
ち本当に危険な数件を選り分けてきたのは、これまでもベテランの判断だった。異常検知は「異常かも
しれない候補」を絞り込む装置であって、「これは危ない」と決める装置ではない。だとすれば、話は
逆から組み立てられる。AIが挙げた異常候補に対して、ベテランが下した「これは様子見でよい／これ
は即停止」という判断を、理由ごと一つずつ記録していくこと ― これこそが、これまで言葉にならなか
った勘をデータへ翻訳する、ほとんど唯一の現実的な入口になる。異常検知の運用は、AIを賢くする作
業であると同時に、ベテランの判断を可視化する作業でもあるのだ。

4.3 もう一つの壁 ― 人材

技術面の壁とあわせて見落とせないのが、AIを扱える人材の不足である。データ分析やモデル構築・運用
を担える人材を社内で確保するのは、多くの企業にとって容易でない。これに対しては、自前ですべてを
構築するのではなく、振動センサーとクラウドAIをパッケージにした外部のサービス（モーター特化型の
予知保全サービスなど）を活用する、あるいは少ないデータでも動く手法を選ぶ、といった現実的な選
択肢がある。「AI人材がいないから予知保全は無理」と諦める必要はない。

ただし、人材の問題はAI人材だけではない。より深刻なのは、「この音は危ない」と判断できるベテラン
が、その判断の理由を言葉にできないまま現場を去っていくことである。AIモデルは外部から調達でき

る。だが、自社のこの設備を三十年見てきた人の判断は、外から買えない。本当に希少なのは、故障デー
タでも、AI人材でもなく、判断そのものである。

05 費用対効果で適用範囲を見

極める
投資と削減効果のバランス、対象設備の
絞り込み

K E Y F I N D I N G S

予知保全を導入すべきかは、導入コストと削減できる費用を比べた費用対効果で判断する
効果は「突発故障の削減によるダウンタイムコスト減」と「過剰な定期保全の削減」が両輪
投資にはセンサー・データ基盤・AIモデル構築・運用体制が含まれる。これを上回る効果が出る設
備に絞る
重要度の低い設備まで予知保全を広げると、投資倒れになる。第2章の使い分けと一体で考える

5.1 投資と効果を天秤にかける

第2章で「全設備に予知保全はやらない」と述べた。その判断の物差しが費用対効果である。予知保全を
導入すべきかどうかは、導入・運用にかかるコストと、それによって削減できる費用を比較して決める。

出所：taiziii Research 作成
投資側には、センサー・IoT機器の導入、データ基盤・分析システムの構築、AIモデルの構築・運用、そ
れを回す人材・運用体制が含まれる。効果側には、突発故障の削減によるダウンタイムコストの削減（止
まらないことで失わずに済む利益）、過剰な定期保全の削減（まだ使える部品を捨てない、不要な点検作
業をなくす）、部品を寿命まで使い切ることによるコスト削減、そして熟練者が一台ずつ見て回っていた
点検の負荷を機械に肩代わりさせ、人の時間を「本当に判断が要る場面」に振り向けられることがあ
る。ここで注意したいのは、効果として数えるべきは「勘を機械に置き換えること」ではない、という点
だ。置き換えられるのは巡回と計測であって、判断ではない。

5.2 効果が投資を上回る設備に絞る

判断は明快だ。削減効果が投資を上回る設備にだけ予知保全を導入する。たとえば、止まると工場全体の
スループットが落ちるボトルネック設備や、故障時の損失が極端に大きい高額設備、安全に直結する設備
は、効果が大きく投資が正当化されやすい。逆に、予備機があってすぐ切り替えられる設備や、故障して
も影響が軽微な設備にまで高価な予知保全を入れるのは、投資倒れになる。これは第2章の「設備の重要
度による使い分け」と完全に一体の判断であり、技術を入れる前に「どこに入れるか」を決めることが、
投資効率を左右する。

06 先進事例 ― 二つの目線で見

る予知保全
設備を「売る側」みつわポンプと、「使
う側」日産自動車

K E Y F I N D I N G S

予知保全は、設備を「売る側」（メーカー）と「使う側」（ユーザー）の双方で進む。本章はこの
両方の立場を対比する
売る側の例＝みつわポンプ製作所：納品済みポンプにセンサーを付け、故障予兆を9割で判定し、
保全をサービス事業にもつなげた
使う側の例＝日産自動車：CBM診断技術で常時監視し、故障の兆候を自動検知する「予知予防設備
保全」で生産ロスを最小化
立場は違っても、ねらいも、状態監視の土台を築き重要な設備を選んで適用するという原則も共通
している
予知保全が実際にどう成果を生むのか。ここでは立場の異なる2社を対比する。設備を「売る側」（メー
カー）として予知保全を新たな事業に育てたみつわポンプ製作所と、設備を「使う側」（ユーザー）とし
て自社工場の操業を守る日産自動車である。同じ予知保全でも、設備を売る側と使う側では、その活かし
方が変わる。だが、ねらいも、底にある原則も同じである。

6.1 供給者目線 ― みつわポンプ製作所が「売る側」で始めた予知保全

まず、設備を売る側の事例である。大規模投資ではなく、地に足のついた取り組みで成果を出した1社と
して、経済産業省「AI導入ガイドブック」に公的事例として取り上げられた、株式会社みつわポンプ製作
所を取り上げる。

出所：経済産業省「AI導入ガイドブック」および各種公表情報に基づき taiziii Research 作成
みつわポンプ製作所は、工業用ポンプを製造するメーカーである。従来、ポンプは販売したらそこで取引
が一区切りとなる「売り切り型」のビジネスだった。納品後のポンプが顧客先で故障すれば、起きてから
対応するしかなく、顧客の設備が停止するリスクが残る。そして、その故障の予兆を見抜くのは、熟練者
の経験と勘に頼る属人的な領域だった。

同社は2021年度に実施された経済産業省のプログラムに参加し、予知保全システムの構築に取り組ん
だ。納品済みのポンプに各種センサーを設置し、振動・音・温度・電流といった幅広いデータを収集。こ
れをAIで分析し、故障の前兆を判定できるかを検証した。ここで本書の第4章で述べた「故障データ希少
の壁」が立ちはだかる。同社はこれに対し、人為的に作り出した故障時のデータも学習させることで、限
られた実故障データを補い、構築したAIモデルは故障の前兆を9割の正解率で判定できる水準に達した。

センシング（振動・音・温度・電流）→データ収集→AI異常検知という技術スタックを、ポンプという対
象に実装したものといえる。

優れている点：保全を「サービス」に変え、ビジネスモデルごと進化させた
この事例の本質は、予知保全を自社の保全効率化にとどめず、新たな事業へと展開した点にある。同社
は、売り切りだったポンプ販売を改め、販売後に予知保全サービスを提供する事業化を検討している。

顧客にとっては、ポンプの突発故障による設備停止を避けられる価値が生まれる。予知保全という技術
が、単なるコスト削減策ではなく、製造業が「モノ売り」から「コト売り（サービス）」へ移行する起
点になりうることを示している。売る側にとっては、予知保全そのものを新たな事業に育てられる。

6.2 使用者目線 ― 日産自動車が「使う側」で実装した予知保全

次に、設備を使う側の事例である。完成車メーカーである日産自動車は、自社工場の生産ラインを止めな
いために予知保全に取り組んでいる。栃木工場に2021年に導入した次世代生産ライン「ニッサンインテ
リジェントファクトリー」が、その代表例である。

出所：日産自動車の公表情報に基づき taiziii Research 作成
背景は、本書の第1章で述べた構図とまったく同じだ。日産は高い技能をもつ匠の技によって高精度なク
ルマづくりを実現してきたが、高齢化社会や深刻な人手不足のなか、従来の労働集約型の生産からの脱却
を迫られている。属人的な熟練に依存した設備保全を、いかに維持し、次の世代へ継承するか ― これは
設備を使う側に共通する課題である。

日産が導入したのが「設備故障診断システム＆予知予防設備保全」である。状態基準保全（CBM）の診
断技術を土台に据え、100分の1秒という細かさで設備を常時計測・監視し、さまざまな診断手法で故障
の兆候を自動で検知する。さらに、診断ロジックの開発自体を自動化して、精度の高い分析手法を広げて
いる。狙いは明快で、故障を未然に防ぎ、生産ロスを限りなくゼロに近づけることにある。これは本書が
第2章で示した「CBMという土台の上にAI予測を乗せる」流れを、自動車工場という対象で実装したもの
といえる。同社は栃木工場のエンジン部品ラインにも予知保全システムを導入しており、止まると最も困
る重要なラインから着実に広げている。

優れている点：自社の操業を守りつつ、熟練の技能を継承する
日産にとっての予知保全は、自社の操業を止めないための備えであり、同時に熟練に頼った保全からの
脱却・匠の技の継承でもある。設備を使う側にとって、予知保全は売り物ではなく、人手不足と高齢化
のなかで工場を回し続けるための内部の仕組みだ。そして大企業ほど、全設備に一律導入するのではな
く、生産を左右する重要なラインから入れている。「どの設備に入れるか」という適用見極めが、ここ
でも判断の軸になっている。

ただし、自動診断が広げられるのは「どの設備のどの値が異常か」までである。その先の「では、いま
止めるのか、次の計画停止まで持たせるのか」という判断は、いまも熟練保全員の中にある。技能継承
のいちばん硬い核は、計測技術ではなく、この判断の層に残っている。

6.3 二つの目線が示すもの

立場の異なる2社だが、予知保全の本質は同じところに着地する。それを1枚にまとめたのが下図であ
る。

出所：経済産業省「AI導入ガイドブック」、日産自動車の公表情報等に基づき taiziii Research 作成
みつわは設備を売る側として予知保全を新たな事業に育て、日産は設備を使う側として自社の操業を守
る。立場も、データの集め方（みつわは多数の納品機から、日産は自社の多様な設備から）も異なる。だ
が、ねらいは同じだ ― 壊れる前に予兆を捉え、突発故障と属人性をなくすこと。そして両社に共通する
のは、いきなり高度なAIに飛びつくのではなく、状態を捉える土台（センシングとCBM）を築いたうえ
で、故障ではなく「正常」を学習して逸脱を捉え（第4章）、重要な対象を選んで適用していることだ。

これはまさに、本書が一貫して述べてきた「土台」と「適用見極め」である。

そして、もう一点見落とせないことがある。両社が手に入れたのは、「いつもと違う」を見逃さない目で
ある。だが、その違いを見て「止めるべきか、回し続けるべきか」を決めているのは、いまもベテランの
判断だ。勘を「技術で受け継ぐ」とは、機械に肩代わりさせることではない。その判断を引き出し、なぜ
そう判断したのかとセットで残し、次の人が同じ場面で参照できる形にすることである。人手不足と高
齢化という出発点は、売る側も使う側も変わらない。そして両社が次に向き合うのも、同じ問い ― この
判断そのものを、どう継ぐか ― である。次章では、これを自社で進めるための道筋を示す。

07 導入ロードマップと落とし
穴

CBMから始める順序、定着のコツ、つまず
き

K E Y F I N D I N G S

導入は「対象設備の選定→状態監視（CBM）→AI予測（PdM）→保全業務へ統合」の4段階で進め
る
いきなりAI予測を目指さず、まず重要設備の状態監視からデータを蓄積するのが王道
経済産業省が「AI導入ガイドブック予知保全」を公開しており、導入手順の参考になる
典型的なつまずきは、適用範囲の広げすぎ、土台なきAI導入、故障データ不足の軽視、保全業務と
の断絶
「測り始める」のと同時に、アラートに対するベテランの判断を理由ごと記録し始める。これがな
ければ予知保全は一代限りで終わる

7.1 4段階のロードマップ

予知保全は、一足飛びにAI予測を目指さず、段階的に積み上げる。

出所：taiziii Research 作成
Phase 1：対象設備の選定。故障影響の大きい重要設備を選び、費用対効果を試算する（第2章・第5
章）。Phase 2：状態監視（CBM）。選んだ設備にセンサーを設置し、まず正常データを蓄積する。閾
値ベースの異常検知から始める。Phase 3：AI予測（PdM）。蓄積した正常データを学習させ、逸脱・予
兆を検知し、残存寿命を予測する段階へ進む。Phase 4：保全業務へ統合。予兆を実際の保全計画に反映
し、効果を検証して、有効なら対象設備を広げる。なお、経済産業省が「AI導入ガイドブック予知保
全」を公開しており、導入手順や注意点の参考になる。

7.2 定着のコツ ― 「予兆」を行動につなげる

予知保全が成果を生むかどうかは、検知した予兆を実際の保全行動につなげられるかにかかっている。AI
が「異常の予兆あり」とアラートを出しても、それを受けて誰が・いつ・どう動くのかが決まっていなけ
れば、宝の持ち腐れになる。予兆検知から部品調達・修理計画・実行までの業務フローを、システム導入
と同時に設計しておく。これは需要予測やOEEで繰り返し述べてきた「計測・予測して終わりにせず、行
動につなぐループを回す」という原則と、まったく同じである。

典型的な4つのつまずき
① 適用範囲の広げすぎ：費用対効果を見ずに全設備へ展開し、投資倒れになる。重要設備に絞る（第2
章・第5章）。② 土台なきAI導入：状態監視（CBM）でデータを貯める前にAI予測（PdM）だけ導入
し、学習材料がなく機能しない。③ 故障データ不足の軽視：故障データが集まらない現実を見落とす。

正常データからの異常検知や、データ補完の手法を前提に設計する（第4章）。④ 保全業務との断絶：
予兆を検知しても保全行動につながる業務フローがなく、アラートが放置される。

7.3 まとめ ― 土台と見極めの、その先に残るもの

本書を通じた主張は一貫している。予知保全の成否は、高度なAIを買うことではなく、(1) 状態を継続的
に監視してデータを貯める土台（CBM）を築くことと、(2) 設備の重要度と費用対効果で適用範囲を見極
めることという、技術以前の2点で決まる。そのうえで、故障データ希少という予知保全特有の壁を「正
常を学習して逸脱を捉える」発想で乗り越え、検知した予兆を保全行動につなぐループを回す。予知保全
は万能の魔法ではなく、正しい設備に、正しい順序で導入してこそ効く実務である。

だが、土台を築き、対象を絞り込み、モデルを回し始めても、最後にひとつ残るものがある。アラートが
鳴ったその瞬間に「止めるか、回し続けるか」を決める判断だ。これは振動値にも温度にも書かれていな
い。センサーは「何が起きたか」を測るが、「この状態は危ないのか」を教えてはくれない。ツールを入
れ、データを貯め、手順を標準化しても、この判断の層だけは埋まらずに残る。そしてその判断は、言語
化されないまま、ベテランの退職とともに現場から消えていく。

だから、予知保全がほんとうに解くべき最後の問いは、「センサーをどこに付けるか」ではない。この判
断をどう引き出し、なぜそう判断したのかとセットで残し、次の世代へ渡すかである。AIはこの判断を肩
代わりしない。ベテランから判断を引き出し、分類し、問いかけ、検証し、継承する ― その裏方に徹す
る。

着手にあたっては、全設備一斉ではなく、止まると最も困る重要設備から状態監視を始めることを推奨す
る。そして明日からの一歩は、二つある。一つは、自社のどの設備が止まったら最も損失が大きいかを洗
い出し、その設備の状態をまず「測り始める」こと。もう一つは、その設備のアラートに対してベテラン
が下した判断を、「なぜそう判断したのか」という理由ごと記録し始めることである。前者がなければ
予知保全は始まらない。だが後者がなければ、予知保全は一代限りで終わる。

taiziii が提供する判断力の継承サービス SkillRelay（スキルリレー）では、センサーが捉えた「いつも
と違う」という異常候補に対して、ベテランが「この振動は様子見でよい」「この音は今すぐ止めろ」
と下した判断を、なぜそう判断したのかという理由ごとAIで引き出して構造化し、組織の判断知として
継承します。状態監視データで「何が起きたか」を捉えることと、その先の「この状態は危ないのか」
という熟練者の判断を残すことを、ひと続きで扱える点に強みを持ちます。AIは判断を肩代わりせず、
判断を引き出し・残し・継ぐ裏方に徹します。

詳細：https://taiziii.com/skillrelay/

製造 – システム開発・AI導入なら株式会社taiziii（タイジー

製造現場の安全管理DX

本書の位置付け

目次

エグゼクティブ・サマリー

01 なぜいま安全管理「DX」なのか

1.1 設備は安全になった。しかし災害は減っていない

1.2 災害は「非定常作業」に集中する

1.3 「非量産＝毎回が非定常」という現実

02 標準アプローチの限界

2.1 標準アプローチ①：AIカメラによる危険監視

2.2 標準アプローチ②：ヒヤリハット・KYのデジタル化

2.3 共通の正体 ―「定常・反復・統計」という前提

03 現場安全の本体は「危険の予感」

3.1 「知識」と「判断力」を分ける

3.2 「危険感受性」という正式な概念

3.3 切削現場の「予感」は、どこから来るのか

3.4 業務フロー図にはあるのに、安全判断は「どこにも記録されていない」

04 ベテランの危険感受性が消えると、何が起きるか

4.1 まず、災害が増える

4.2 危険源が「見えなく」なる

4.3 損失は、安全だけにとどまらない

4.4 そして、一度失われると戻らない

05 「危険の予感」をどう継承するか

5.1 発想を逆転する ―「断定するAI」から「材料を整えるAI」へ

5.2 判断知を「引き出す」

5.3 判断知を「材料として渡す」

5.4 KY・リスクアセスメントを「判断の対話」へ再設計する

06 事例 ― 判断知の継承

6.1 隣接領域が示す方向 ― 判断知のデータ化は、すでに始まっている

6.2 当社の実案件から ― 精密切削加工メーカーで見た判断知

07 導入ロードマップと落とし穴

7.1 3段階のロードマップ

7.2 定着のコツ ― ベテランが「自分の判断が価値として残る」と感じられるか

7.3 まとめ ― 監視するDXから、判断を残すDXへ

3D設計資産の活用

本書の位置付け

目次

01 なぜ3D設計資産は

1.1 「3Dはあるのに使えない」という構造問題

1.2 死蔵を生む3つの壁

02 3D設計資産活用の

2.1 5段の技術スタック

03 3Dを「開く」 ― 形式・版・

3.1 3Dの難所は形式・版・相互運用にある

3.2 MBD/PMI ― 「図面に依存しない」3Dへ

3.3 対象によって難度は大きく異なる

3.4 軽量化とビューイング ― 「現場が扱える」状態にする

04 3Dを「探す」 ― 3D形状

4.1 図番検索の3つの限界

4.2 3D形状ベースの類似検索

05 3Dを「つなぐ」 ― PLM・デジタル

5.1 3Dへのメタデータ紐付けが再利用の核心

5.2 デジタルスレッドと設計知見の継承

5.3 生成AI・RAGは「土台の上の応用」である

06 先進事例 ― 3Dを

6.1 日本精工 ― 2D図面から3DA製造図へ

6.2 トヨタ自動車東日本 ― 3Dの一気通貫

6.3 2社に共通する成功要因

07 導入ロードマップと 落とし穴

7.1 4段階のロードマップ

7.2 典型的な4つのつまずき

7.3 まとめ ― 「持つ」から「回す」への転換

重工業のDX

エグゼクティブ・サマリー

01 Why Now

1.1 三重の圧力 ― 3Cで見る重工業の現在地

1.2 重工3社が掲げるDX ― 各社のスタンスと取り組み

1.3 ただし、日本全体ではまだ「足腰強化」の段階

02 重工業界の構造的特徴

2.1 一品もの・少量多品種・長納期

2.2 サービス収益の重要性 ― 「売って終わり」ではない事業構造

2.3 巨大BOMと複雑な設計

2.4 熟練技能と暗黙知への依存

2.5 サプライチェーンの広さと規制対応

03 重工業DXの全体像

3.1 構造的特徴と効きどころの対応関係

3.2 5領域の概要

3.4 5領域は独立していない ― データを介して連結する

04 設計DX

07 導入ロードマップと
落とし穴

07 導入ロードマップと落
とし穴