核心要約
- AI活用製造企業の83.5%は部署・プロジェクト単位
- ボトルネックはモデルではなく現場データの循環
- ソリューション選定よりも「データ健康診断」が先
- 今週確認すべきこと：導入前の基準線
政府が6月に発表した「製造AI2030戦略」は、2030年までに官民20兆ウォンを投資し、100兆ウォン以上の経済的付加価値を創出するという目標を掲げています。国家製造データライブラリと製造人工知能（AI）ファウンデーションモデル、フルスタックAIファクトリー、地域製造業AI大転換（M.AX）クラスターを構築し、専門人材を育成する構想であり、AIファクトリーは2025年の102カ所から2026年には200カ所以上、2030年には500カ所に増やすという目標です。
ニュースピム企画［AIで読む経済］第9回（チョン・ソンフン経済部長）は、この数字を出発点に、これまでの7回で取り上げた製鉄所・精密農業・新薬開発・半導体設計・自律運航船・物流センター・ロボタクシーの事例から一つの共通の公式を導き出しました。測定、学習、判断、制御、検証・再学習という5段階の循環です。ニュースピムは、この連載がAIアシスタントの分析内容を基に記者がまとめたものであると明らかにしています。
「この循環のどこかの輪が切れれば、つまりデータがなければ（測定）、設備が接続されていなければ（制御）、成果が検証されなければ（検証）、いくら優れたモデルを入れてもAIは画面上のダッシュボードにとどまる」
導入率ではなく活用の深さ
韓国情報社会振興院（NIA）が製造業を中心に分析した資料によると、2023年の国内製造業のAI導入率は25.4％で、全業種平均の30.3％より低かったとされています。導入企業の中でも活用範囲は狭く、AIを活用する製造企業の83.5％は1〜2の関連部署または個別プロジェクト単位での利用にとどまり、複数部署に連携した企業は13.8％、全社的活用はわずか2.8％でした。企業内にAI活用に関する指針が全くないという回答も65.9％に上りました。
導入がそのまま人件費削減につながったわけでもありません。調査では製造企業の66.5％が導入後も人件費に変化はないと回答し、25.8％はむしろ増加したと答えました。記事は、その理由をデータ整備やシステム運用、検証・教育を担う人材が追加で必要になったためと説明しています。
大企業にはデータ、中小企業にはコスト
記事は、大企業は生産設備とデータセンター、AIエンジニア、保守組織を併せ持ち、AIで削減したコストを再びセンサーやモデルに投資する好循環を生み出す一方、中小企業は年式や製造会社の異なる設備を接続するコスト、データ整備やクラウド利用料、モデル更新やセキュリティ、保守コストが一気に発生すると指摘しています。NIA調査では、製造企業が挙げた課題は、適切な情報・インフラの不足36.8％、専門人材の不足34.7％、良質なAI技術・サービスの不足28.3％、資金不足27.1％の順でした。
経済協力開発機構（OECD）の資料では、直近の利用可能年度基準でAIを活用した企業は、従業員250人以上の大企業で40％、50〜249人の企業で20.4％、10〜49人の企業で11.9％であり、自律ロボット・自律走行・ドローン分野では大企業7.2％、小企業0.7％でした。記事は、この統計が欧州連合（EU）基準であるため韓国に直接適用せず、傾向比較のためにのみ引用したと明らかにしています。
韓国企業へのAX示唆
記事が提案する「データ健康診断」は、企業内でそのまま自己点検リストとして活用できます。順序としては、まずAIソリューションを選ぶことではなく、設備の連結性とデータ品質、工程の経済的ボトルネック、現場人材とセキュリティレベルを先に診断することです。記事の表現の通り、「ある企業はAIよりもセンサーとデータ標準化が先であり、ある企業は工程自体を単純化すべきだ」という判断が、この診断から分かれてきます。
5段階の循環を自社の課題に当てはめてみると、どの輪が欠けているかが見えてきます。センサーから文脈を含んだデータが継続的に生成されているか（測定）、人の承認のもとで実際の設備がAIの判断を実行できるように接続されているか（制御）、経済性と失敗が測定され次のモデルに反映されているか（検証・再学習）を、それぞれ確認してください。いずれかが欠けているなら、モデルを変えるよりもその輪をつなぐことが先です。
コストは初期構築費だけで判断しない方が安全です。記事が総所有コストの項目として挙げた連携・クラウド・更新・セキュリティ・教育・稼働停止を検討段階から見積もりに含め、データとモデルを特定の供給企業に固定されないよう、移転権と相互運用性を契約条件として確認しておくのが順序です。調査で製造企業の25.8％が導入後の人件費増加を回答した以上、データ整備・運用・検証・教育を担う人材を誰が担当するかも、導入前に決めておく必要があります。
今週確認すべきことの一つは、導入前の基準線です。現在検討中、あるいは既に進行中のAI課題について、生産量や不良率、エネルギー、作業時間、事故、維持費が導入前の数値として記録されているか、そして1年後・3年後に同じ基準で再測定する計画があるかを確認してみてください。基準線がなければ、成果を証明する方法も、失敗から学ぶ方法も残りません。