エグゼクティブ・サマリー
- 製造業のAX（AI変革）は「AIツールの導入」から始まらない。 出発点は、「AIに質問する前に、自社を説明できる状態」をつくることである。設備・品質・生産・受発注のデータが、意味の通った形で整理され、誰が・何を・どう判断するのかというガバナンスとともに立ち上がっていて初めて、AIは経営の意思決定に資する。
- 成否を分ける2軸は「AI Data Ready（データ整備）」と「AI Governance Ready（統治整備）」である。 前者はOT（現場・設備）とIT（基幹・業務）の分断を解消し、データを共通言語に翻訳する取り組み。後者はデータの品質・権限・責任・監査を定める取り組み。この2軸が揃わないままAIを導入すると、「動くが信頼できない」PoC（概念実証）の墓場が生まれる。
- 原則は「人が判断し、AIが実行する（Human-in-the-loop）」。 予知保全の停止判断、需要予測に基づく生産調整、品質異常の出荷可否——製造業の意思決定は安全・品質・コンプライアンスに直結する。AIは選択肢の生成・根拠の提示・作業の自動化を担い、最終判断は責任を負える人が下す。この線引きこそが、現場が安心してAIを使える前提になる。
- 効果は「点」ではなく「連鎖」で現れる。 予知保全による計画外停止の削減、需要予測精度の向上による在庫と欠品の同時圧縮、品質データの統合によるトレーサビリティ確立——個々の施策は独立して見えて、実は同じデータ基盤とガバナンスの上で相互に効き合う。だからこそ、順序と土台の設計が投資対効果を決める。
- 本書はベンダー中立の立場で、成熟度モデル（Lv1〜4）、フェーズ別ロードマップ、着手前チェックリスト、数値の考え方（すべて目安）を提示する。 特定の製品・クラウドを推奨せず、どの技術を選んでも通用する「意思決定の型」を示すことを目的とする。
背景——なぜ今、製造業に「AX」なのか
日本の製造業は、長らく現場の練度と改善文化を競争力の源泉としてきた。ラインの微調整、段取り替えの工夫、熟練者の五感による異常検知——これらは形式知化されないまま、人から人へ受け継がれてきた「暗黙知」である。しかしこの強みは、いま二つの圧力にさらされている。
第一に、熟練者の引退と技能継承の断絶である。設備の癖を知り尽くしたベテランが退職すると、その判断ロジックはドキュメントに残らず消える。若手が同じ判断に到達するには、同じ年数の経験を積み直すしかない——という前提そのものが、労働人口の減少下では成立しなくなっている。
第二に、変動の常態化である。需要の乱高下、サプライチェーンの寸断、原材料価格とエネルギーコストの急変。かつては年次計画で吸収できた変動が、いまや週次・日次で経営判断を求めてくる。勘と経験に基づく判断は、変動が緩やかで前例が効く世界では有効だが、前例のない変動に対しては後手に回る。
こうした背景のもとで「AIを使えば解決する」という期待が広がっている。だが、多くの製造業がPoCで足踏みする。センサーを付け、AIモデルを試し、それらしいダッシュボードを作る。しかし現場は使わず、経営は数字を信じない。なぜか。AIに問いを投げる前に、自社が自社を説明できる状態になっていないからである。
生産実績はExcel、設備データは装置ローカル、品質検査は紙、受注はERP、在庫は別システム——データは存在するが、互いに繋がっておらず、粒度も定義もバラバラだ。この状態でAIに「なぜ歩留まりが落ちたのか」と問うても、AIは答えようがない。答えの材料が、意味の通った形で存在していないからである。
本書の中核となる主張はここにある。製造業のAXとは、「AIに質問する前に、企業が自らを理解できる状態をつくること」だ。 その状態は、二つの軸——データの整備（AI Data Ready）と、統治の整備（AI Governance Ready）——によって定義される。