核心要約
- 製造AXを構成する4つの層
- 勝負はコピーコストで決まる
- 成果は歩留まりと非稼働時間で測る
- 不良1件を遡ってみてください
工場はチャットボットでは動きません。中国製造業のAI転換(AX)を扱ったパク・ジミン代表のコラムは、製造業AXを大規模言語モデルを一つ導入する事業としてではなく、設備・工程・産業ソフトウェア・現場知識を一つの運用フローに束ねる取り組みとして定義しています。設備がどのような状態にあるか、センサー値が何を意味するか、不良がどの工程で発生したか、AIの判断が安全規則を逸脱していないかまで、すべてがつながっていなければならないというのです。
コラムは製造現場の転換を、重複なく4つの層に分けています。第一は、センサー・ロボット・制御機器といった物理層。第二は、設備・工程・品質・エネルギーデータを同じ時間軸と意味体系に合わせるデータ層。第三は、MES・ERP・PLM・倉庫・保全システムをつなぐ運用ソフトウェア層。第四は、安全限度と人による承認、緊急停止、責任所在を定めるガバナンス層です。AIはこの4つの層の上で予測し、計画を立て、実行を調整する存在であり、いずれか一つの層が欠けていると、実証実験は可能でも複数工場への展開は難しいというのがコラムの診断です。
中国製造業の実像も一様ではありません。世界経済フォーラムが認定するライトハウス工場では、適応型生産やAIベースの品質管理を拡大している先進企業がある一方、多くの中小企業はERP(統合基幹業務システム)とMES(製造実行システム)、PLM(製品ライフサイクル管理)を連携させる段階にとどまっています。先進工場はDXの上にAXを積み上げていますが、業界平均としては自動化・デジタル化・知能化を同時並行で進める圧縮型の転換の途上にあります。政策目標もモデル導入単体ではなく、パッケージとして設計されています。中国は2027年までに製造分野で3〜5個の汎用モデルを深く実装し、1000の高水準産業エージェント、100の高品質産業データセット、500の代表的活用シーンを構築する目標を掲げており、同時に製造業のコンピューティング基盤や、クラウド・エッジ・端末のモデル体系、大規模モデルと小規模モデルの協働も重視しています。
コラムが取り上げる企業事例は、いずれも順序が同じです。三一重工(サニー・ヘビー・インダストリー)は、研究開発・調達・生産・サービスのプロセスを標準化・オンライン化した上で産業インターネットプラットフォームとデータ中間層を構築し、製品が変わるたびに熟練工が調整していた溶接経路や条件をレーザースキャンと工程モデルに置き換えました。AIが学習する前に、まず人の暗黙知を機械が読み取れる形に変換したのです。中国石油天然気集団(CNPC)は、分散制御システムや設備監視、地質・掘削データと統合生産プラットフォームを長期間かけて構築した後、2025年に3000億パラメータ規模の産業向け大規模モデル「昆侖(クンルン)」を公開しました。ハイアールグループは、自社工場でのDX経験を産業インターネットプラットフォーム「COSMOPlat(カオス・コスモプラット)」に展開し、2026年には複数のエージェントが生産・エネルギー・品質・サプライチェーン業務を分担して処理する協働構造を前面に打ち出しています。
ただし、プラットフォームが古い設備や不完全なデータを自動的に修復してくれるわけではありません。業種ごとに工程や安全規則が異なるため、標準ソリューションを繰り返し適用するたびに現場統合コストが発生し、設備接続やデータ所有権、業務再設計の責任は顧客企業側に残ります。中小製造業にとっては、モデル利用料よりも老朽設備の接続やデータ整備、現場エンジニアリングの費用の方が大きな負担となり得ます。そのためコラムは、AXの勝者は最大のモデルを持つ企業ではなく、同じソリューションを複数工場に低コストで複製できる企業である可能性が高いと見ています。
韓国企業へのAX示唆点
導入を検討するなら、モデルを選ぶ前に、4つの層のうちどの層が欠けているかを確認することが先決です。コラムが示す成熟度尺度は、そのまま自己診断に使えます。映像検査や設備異常予測は第1段階の補助型、AIがMES・ERP・倉庫・品質システムを連携させて生産計画や作業案を提示すれば第2段階の業務統合型、複数のエージェントが受注・資材・生産・品質を分担して調整し、例外事項のみ人に上げる場合は第3段階、工程状態を検知して計画や制御値を変更し、その結果を再学習すれば第4段階の限定的自律運用に近いといえます。データがPLC・MES・ERP・エクセル・紙の記録、そして熟練者の経験に分散したままでは、プロジェクトは検知と補助の段階で止まってしまう点も指摘されています。
成果指標も見直す必要があります。産業AIの成果は、アプリ利用者数ではなく、歩留まり、非稼働時間、エネルギー原単位、計画変更回数、安全事故で測るべきというのがコラムの基準です。ベンダーや企業が公表する効率向上の数値は、特定のラインや期間における自社集計であることが多いため、複数のラインや工場に複製可能かどうか、保守やデータ整備の費用を含めて投資回収できるかどうかを、商用化の判断基準とすべきだとしています。中国宝武鋼鉄集団傘下の宝山鋼鉄(宝鋼、バオスチール)の活用事例を紹介しつつも、数値や効果は企業発表に基づくため独立した検証が必要だと留保を付けているのは、こうした理由からです。
安全に関わる工程では、問われるべき問い自体が変わってきます。汎用の大規模モデルが直接バルブやロボットを操作するケースは稀で、大規模モデルが作業を計画し、検証済みの産業用ソフトウェア・小規模モデル・制御システムが実際の実行を担うという構造が現実的です。コラムは、安全産業における成熟度の基準を「AIがどれだけ多くを決定するか」ではなく、「どのような条件で停止し、人に引き継ぐか」に置いています。自動化レベルを高める計画を立てる際には、停止条件と引き継ぎルールを併せて文書化しておくことが安全につながります。
今週確認すべきことは一つに絞り込めます。先月最も損失の大きかった不良を1件選び、その不良がどの工程で発生したのかを、残っている記録だけで遡って特定できるかどうかを確認してみてください。それが遡れないのであれば、今不足しているのはモデルではなく、データ層です。