レッスン8：スマートファクトリーと製造業 DX——IoT・MES・AI・修了後の継続学習

このレッスンで学ぶこと

インダストリー 4.0（ドイツ 2011 年）と Society 5.0（日本 2016 年）の概念
MES（Manufacturing Execution System）と IoT センサーによるデータ収集
予知保全（Predictive Maintenance）とデジタルツインの活用
製造業 AI の代表的ユースケース（外観検査・需要予測・設計支援・最適化）
スマートファクトリー導入 4 段階とカーボンニュートラル対応・修了後の継続学習

前回のレッスンでは、SCM とサプライチェーンの論点を扱いました。最終回となる本レッスンでは、製造業の将来を方向づける論点であるスマートファクトリーと製造業 DX を扱います。

インダストリー 4.0 と Society 5.0

「スマートファクトリー」や「製造業 DX」の文脈で、必ず参照される概念が「インダストリー 4.0」と「Society 5.0」です。

インダストリー 4.0（Industrie 4.0）は、ドイツ連邦政府が 2011 年に「ハノーバー・メッセ」で発表した国家戦略です。製造業のデジタル化と自動化を産学官連携で推進する構想で、世界の製造業 DX 議論の起点になりました。「4.0」は産業革命の世代を表し、第 1 次（機械化、18 世紀）、第 2 次（電化と大量生産、19 世紀末〜 20 世紀初頭）、第 3 次（コンピュータと自動化、20 世紀後半）、第 4 次（IoT・AI・データによる製造業のデジタル化、21 世紀初頭〜）の流れで位置づけられます。

Society 5.0 は、日本政府が 2016 年の「第 5 期科学技術基本計画」で提唱した概念です。狩猟社会（1.0）、農耕社会（2.0）、工業社会（3.0）、情報社会（4.0）に続く「人間中心の超スマート社会」を目指す国家戦略で、製造業にとどまらず社会全体を対象とします。

両者の関係は、「インダストリー 4.0 が製造業特化、Society 5.0 が社会全体」と整理できます。製造業 DX の文脈では、両者の概念が並行して参照され、企業の DX 戦略の言語になっています。

💡 ポイント インダストリー 4.0 と Society 5.0 は、製造業 DX の「キャッチフレーズ」として広く使われますが、内容は重複も多く、用語自体に深い意味があるわけではありません。本質は「IoT・AI・データを使って製造業のあり方を変える」ことであり、用語に振り回されず実態を見ることが大切です。

経済産業省『DX レポート』と製造業 DX の現在地

日本政府は、2018 年に経済産業省が『DX レポート』を発表して以降、製造業を含む各産業の DX を強く推進してきました。代表的なレポートと概念を整理します。

『DX レポート』（2018 年）では、「2025 年の崖」が提唱されました。レガシーシステム（老朽化した基幹システム）が放置されると、2025 年以降に経済損失が年間 12 兆円規模になるという警告です。製造業の ERP・MES などの老朽化が、その代表例として挙げられました。

『DX レポート 2』（2020 年）、『DX レポート 2.1』（2021 年）、『DX レポート 2.2』（2022 年）では、コロナ禍を受けた緊急性、デジタル産業創出、企業文化の変革などが順次論点として追加されました。

経済産業省は「DX 推進指標」と「DX 認定制度」「DX 銘柄」を整備し、企業の DX 進捗を評価・公表しています。製造業の上場企業の多くが、DX 認定や DX 銘柄への選定を目標に、DX 推進体制を整備しています。

📝 補足 「DX」は単なる「IT 化」とは異なる概念です。経済産業省の定義では、DX は「データとデジタル技術を活用して、顧客や社会のニーズを基に、製品・サービス・ビジネスモデル・業務・組織・プロセス・企業文化を変革すること」とされます。製造業の DX 案件で「ERP を入れ替える」だけでは DX とは呼べず、業務プロセスと企業文化の変革を伴うのが本来の定義です。

MES——工場の中核システム

MES（Manufacturing Execution System、製造実行システム）は、工場の現場と ERP の間に位置する中核システムです。生産計画、製造実績、品質データ、設備稼働状況、人員配置、トレーサビリティなどをリアルタイムで管理します。

MES の主要機能を整理します。

生産スケジューリング：日次・時間単位の生産計画を管理
製造実績収集：生産量、不良数、稼働時間、停止理由などをリアルタイムで記録
品質データ管理：検査結果、SPC データ、ロット追跡を管理
設備管理：設備稼働状況、保全履歴、予知保全のためのデータ収集
在庫管理（仕掛品レベル）：工程間の仕掛品の動きを追跡
トレーサビリティ：原材料ロット → 製造ロット → 出荷先までの追跡

MES の代表的ベンダーは、Siemens、Rockwell Automation、GE Digital、Honeywell、AVEVA（旧 Wonderware）などのグローバル大手と、日本では富士通・NEC・東芝・横河電機などが提供しています。

ERP と MES の関係は、「ERP が経営層・管理層の視点、MES が現場の視点」と整理できます。ERP には日次・週次の集計情報が、MES には分単位・秒単位の現場データが入ります。両者の連携（垂直統合）が、製造業のデジタル化の中核テーマです。

IoT センサーとデータ収集

スマートファクトリーの基盤が、IoT センサーによる現場データの自動収集です。従来の工場では、設備の稼働状況や品質データは作業者が手作業で記録していましたが、IoT センサーにより自動化が進んでいます。

代表的な IoT センサーを 5 種類整理します。

振動センサー：設備の振動を測定し、異常を検出（予知保全）
温度・湿度センサー：環境条件と設備温度を監視
電流・電力センサー：設備の電力消費を測定し、稼働状況とエネルギー効率を把握
画像センサー（カメラ）：外観検査、作業者の動き、設備の状態を画像で記録
RFID／バーコード：部品・製品の追跡（トレーサビリティ）

IoT センサーで収集したデータは、エッジコンピューティング（工場内のローカルサーバーで処理）とクラウド（集約・分析）の組み合わせで処理されます。製造業の DX では、「エッジで止めるか、クラウドに上げるか」「リアルタイム性をどこまで求めるか」が、システム設計の主要な意思決定になります。

⚠️ 注意 IoT センサーの導入は、データ収集の自動化を進めますが、「データを集めるだけで使わない」ケースが少なくありません。「データ収集」と「データ活用」は別物で、後者を設計しないと投資が回収できません。スマートファクトリー導入では、ユースケースを先に決めてからセンサーを選ぶ順序が現実的です。

予知保全（Predictive Maintenance）と CBM

予知保全（Predictive Maintenance）は、設備の故障を事前に予測して、計画的に保全を行う手法です。従来の保全方式と対比すると、特徴が明確になります。

事後保全（Reactive Maintenance）：故障してから修理する（最も古典的）
予防保全（Preventive Maintenance、TBM、Time-Based Maintenance）：定期的に保全する（時間ベース）
予知保全（Predictive Maintenance、CBM、Condition-Based Maintenance）：設備の状態を監視し、異常の兆候を捉えて保全する（状態ベース）

予知保全のメリットは、設備故障による計画外停止を減らし、保全コストを最適化できることです。レッスン 6 で扱った MTBF を伸ばし、MTTR を短くする効果が期待できます。

予知保全の実装には、IoT センサーで設備の状態データ（振動、温度、電流、音、画像など）を収集し、AI／機械学習で異常パターンを検出する仕組みが必要です。代表的なユースケースとして、回転機械（モーター、ポンプ、コンプレッサーなど）の振動解析、工作機械の摩耗検出、半導体製造装置のプロセス監視などがあります。

💡 ポイント 予知保全は、製造業 DX の代表的なユースケースの一つです。ROI（投資対効果）が比較的計算しやすく、現場の理解も得やすいため、スマートファクトリーの「最初の一歩」として選ばれることが多い領域です。

デジタルツイン——工場の仮想空間

デジタルツイン（Digital Twin）は、物理空間（工場・設備・製品）の状態を仮想空間にリアルタイムで再現する技術です。シミュレーション、設計検証、運用最適化、トラブル対応のリハーサルなど、幅広い用途で使われます。

製造業のデジタルツインの活用例を 3 つ挙げます。

第 1 は、工場のデジタルツインです。工場全体のレイアウト、設備、生産フローを仮想空間に再現し、新製品の量産前にシミュレーションで生産能力を検証する。新工場の建設時に、設計段階で生産フローを最適化する。

第 2 は、設備のデジタルツインです。個別の設備の状態を仮想空間に再現し、運転条件の最適化、保全タイミングの予測、トラブル時の原因究明に活用する。

第 3 は、製品のデジタルツインです。販売後の製品の使用状況を IoT 経由で収集し、仮想空間に再現する。製品改良へのフィードバック、予知保全サービスの提供、製品ライフサイクル管理に活用する。

デジタルツインの実装は技術的・運用的ハードルが高く、現時点では一部の先進企業で導入が進んでいる段階です。広く普及するには、さらに数年〜十年の時間がかかると見られています。

製造業 AI の代表的ユースケース

AI（人工知能、特に機械学習・深層学習）の製造業適用は、2010 年代後半から本格化しました。代表的な 4 つのユースケースを整理します。

第 1 は、外観検査 AI です。製品の傷・汚れ・欠陥を、画像認識 AI で自動検出する用途です。人による目視検査の代替・補完として、半導体・電子部品・食品・医薬品などで広く導入が進んでいます。

第 2 は、需要予測 AI です。過去の販売実績、季節性、外部要因（天気・経済指標・SNS トレンドなど）を機械学習で分析し、需要を予測する用途です。在庫最適化、生産計画の精緻化に直結します。

第 3 は、設計支援 AI です。CAD データや過去の設計事例から、新製品の設計を支援する用途です。Generative Design（生成設計、AI が複数の設計案を自動生成）、トポロジー最適化（部品の形状を最適化）などが代表例です。

第 4 は、生産スケジューリング最適化 AI です。複数の制約条件（設備能力、人員、納期、コスト）の中で最適な生産スケジュールを自動算定する用途です。多品種少量生産で特に効果が大きい領域です。

これら 4 つのユースケースは、それぞれ独立に進化しています。製造業の DX 戦略では、自社にどのユースケースが最も効くかを見極めて、優先付けすることが重要です。

📝 補足 生成 AI（ChatGPT、Claude、Gemini などの LLM）の製造業適用も 2023 年以降急速に進んでいます。技術文書の作成支援、ナレッジ検索、設計レビュー支援、現場マニュアルの整備支援、保全レポートの自動化など、業務効率化の領域で利用が広がっています。

スマートファクトリー導入 4 段階

スマートファクトリーへの移行は、一気にすべてが変わるものではなく、段階的に進みます。経済産業省や業界団体が示す導入段階を、4 段階で整理します。

flowchart LR
  L1[第 1 段階<br/>可視化] --> L2[第 2 段階<br/>分析]
  L2 --> L3[第 3 段階<br/>予測]
  L3 --> L4[第 4 段階<br/>自律]

図1：スマートファクトリー導入 4 段階。下位段階を経ずに上位段階に進むことは難しい

第 1 段階は、可視化（Visualize）です。IoT センサーと MES で、現場の状態（設備稼働、生産実績、品質、人員配置など）を見える化する段階です。多くの製造業の DX が、この段階の改善から始まります。

第 2 段階は、分析（Analyze）です。収集したデータを分析し、原因究明、傾向把握、KPI 改善に活かす段階です。BI ツール（Tableau、Power BI、Looker Studio など）の導入、データ分析人材の配置が必要になります。

第 3 段階は、予測（Predict）です。AI／機械学習を活用し、設備故障の予測、需要予測、品質異常の予測などを行う段階です。予知保全、AI 需要予測などが該当します。

第 4 段階は、自律（Autonomous）です。予測結果に基づいて、現場が自律的に対応する段階です。需要変動に応じた自動生産調整、設備故障の自動修復、サプライチェーンの自動最適化などが含まれます。多くの企業では、現時点では部分的にしか実現できていない領域です。

💡 ポイント 「いきなり AI 導入」は失敗します。まず可視化の段階で現場データを集める基盤を作り、次に分析で活用方法を見つけ、その上で予測 AI を導入し、最終的に自律的な仕組みを作る——この段階を踏むのが現実的です。スマートファクトリー導入支援では、現状の段階を診断し、次の段階への移行計画を作るのが標準的なアプローチです。

製造業のカーボンニュートラル対応

レッスン 7 でも触れた製造業のカーボンニュートラル対応は、本レッスンの DX 文脈でも重要な論点です。製造業の DX とカーボンニュートラルは、互いに連動しています。

代表的な接点を 3 つ挙げます。

第 1 は、エネルギー使用量の見える化です。工場の電気・ガス・水道の使用量を IoT センサーで計測し、設備別・工程別の CO2 排出を可視化する。可視化が、削減目標の設定と進捗管理の基盤になります。

第 2 は、LCA（Life Cycle Assessment、ライフサイクルアセスメント）です。製品の原材料調達から廃棄までの全段階での環境影響を定量評価する手法で、デジタルツインや IoT データを活用して LCA を精緻化する動きが進んでいます。

第 3 は、CBAM（炭素国境調整措置）への対応です。EU が 2026 年から本格課金期間に入る CBAM では、輸出する製品の CO2 排出量を測定・報告する必要があります。製造業の MES／ERP に CO2 計測機能を組み込む動きが、日本の輸出企業を中心に進んでいます。

カーボンニュートラル対応は、製造業の DX 投資の正当化理由としても機能しています。「DX で生産性を上げる」だけでなく「DX で脱炭素を進める」ことが、経営層の意思決定の重要な根拠になっています。

人材不足と技能伝承への DX 適用

日本の製造業の構造課題として、人材不足と技能伝承があります。レッスン 1 で触れたとおり、生産年齢人口が減少する中、製造業の現場の高齢化と若手採用の難航が深刻化しています。

DX は、人材不足への対応策としても期待されています。代表的な適用領域を 3 つ挙げます。

第 1 は、ベテラン技能のデジタル化です。熟練作業者の動作、判断、勘所を IoT センサー・画像認識・AI で記録・分析し、暗黙知を形式知化する取り組みです。新人教育、技能の継承、人手不足対応に活かされます。

第 2 は、現場作業の AR／VR 支援です。AR グラス、タブレットを使って、現場作業者にリアルタイムで作業手順を表示する、専門家がリモートで現場をサポートする、といった用途です。新人の早期戦力化、専門家の遠隔活用が可能になります。

第 3 は、ロボット・協働ロボットの導入です。従来の産業ロボット（柵で囲んで人と分離）から、人と同じ空間で働く「協働ロボット（コボット）」への移行が進んでいます。中小製造業でも導入が広がっています。

📝 補足 「人を機械に置き換える」のではなく「人と機械の協働」が、近年の製造業 DX の基調です。完全無人工場は技術的には可能でも、運用と保全に人が必要であり、現実的な投資対効果が出にくいケースが多いためです。

修了後の継続学習方向

本コースで扱った内容は、製造業の「業界を読み解く眼鏡」の基礎です。実際の現場での活躍には、本コースの範囲を超えた継続学習が必要です。3 つの方向を整理します。

第 1 は、書籍による深掘りです。本コースで参照した『トヨタ生産方式』（大野耐一）、『The Machine That Changed the World』『Lean Thinking』（Womack & Jones）、『The Toyota Way』（Liker）、『Out of the Crisis』（Deming）、『生産マネジメント入門』（藤本隆宏）などは、それぞれ独立して深く読む価値があります。最新の動向は、『日経ものづくり』『工場管理』などの業界誌、経済産業省『ものづくり白書』が有用です。

第 2 は、展示会・カンファレンスへの参加です。日本国際工作機械見本市（JIMTOF）、スマート工場 EXPO、ものづくりワールド、CEATEC、自動車技術会フォーラムなど、年間多数の展示会が開催されています。最新技術と業界動向に直接触れる機会として、業界に関わる方には継続的な参加をおすすめします。

第 3 は、業界別の深掘りです。本コースは業種横断の俯瞰でしたが、自分が関わる具体的な業種（自動車・電機・半導体・食品・医薬など）の業界レポート、業界団体（自動車工業会 JAMA、電子情報技術産業協会 JEITA など）の資料を継続的にウォッチすることで、業種特有の論点が深まります。

💡 ポイント 本コースは「製造業の地図」の基礎を提供しますが、地図を持っただけでは現場で動けません。実際のクライアント・社内の方々との対話を通じて、地図の解像度を上げていくのが、製造業との関わりの本質です。本コースが、その関わりの出発点になれば幸いです。

講師の現場メモ

私が独立してから 50 社超の製造業を支援してきた中で、「スマートファクトリー導入で失敗するパターン」がいくつかあります。最も多いのが「いきなり AI から入る」失敗です。データ収集の基盤（IoT・MES）が整っていない状態で、外観検査 AI や需要予測 AI のような先端ユースケースから始めると、必要なデータが揃わずプロジェクトが頓挫します。「可視化→分析→予測→自律」の 4 段階を踏むことの大切さを、現場で何度も実感しました。

製造業 AI の代表ユースケースである外観検査 AI については、私自身も中堅電子部品メーカーで導入支援をしたことがあります。当時のクライアントは、目視検査に熟練作業者を多数配置していて、人手不足が深刻でした。3 ヶ月かけて画像データを 10 万枚規模で収集し、AI モデルを学習させたところ、検出精度が熟練作業者と同等以上に達しました。導入後 1 年で目視検査人員の 6 割を別工程に再配置でき、人材不足の解消と品質改善を同時に実現できました。「AI で人を減らす」ではなく「AI で人をより価値の高い仕事に移す」アプローチが、現場の納得感を得る鍵でした。

カーボンニュートラル対応については、ここ 2 〜 3 年で経営層の関心が急速に高まっています。私が支援している輸出比率の高い製造業のクライアントでは、EU の CBAM 本格課金期間への備えとして、製品別の CO2 排出量を測定する仕組みを 2024 〜 2025 年にかけて構築しました。MES に CO2 計測機能を組み込み、製品ロットごとの CO2 排出量を ERP まで連携させる構成です。「DX とカーボンニュートラルは別プロジェクト」と分けて捉えていた頃と比べて、両者を統合的に扱うアプローチが標準になりつつあります。

最後に、本コースを通じて読者の方にお伝えしたいのは、「製造業は変化の真っ只中にある業界」ということです。インダストリー 4.0 が提唱されてから 15 年、製造業の現場では IoT・AI・データの活用が急速に進み、サプライチェーンの再設計と脱炭素対応が経営テーマになりました。一方、TPS・5S・QC 7 つ道具のような「現場の知恵」は、形を変えながらも生き続けています。古いものと新しいものが共存する業界で、両方を理解できる人材は、社内でも社外でも重宝されます。本コースが、そうした人材になるための「最初の地図」になれば、講師として幸いです。

まとめ

このレッスンでは、以下のことを学びました。

インダストリー 4.0（ドイツ 2011 年）と Society 5.0（日本 2016 年）が製造業 DX の代表概念
経済産業省『DX レポート』で「2025 年の崖」が提唱され、DX 推進指標・認定制度・銘柄が整備された
MES は工場の現場と ERP の間に位置する中核システム、生産・品質・設備・トレーサビリティを管理
IoT センサー（振動・温度・電流・画像・RFID）でデータ収集を自動化、エッジとクラウドで処理
予知保全は事後保全・予防保全に続く第 3 世代の保全方式、MTBF/MTTR の改善に寄与
デジタルツインは工場・設備・製品の状態を仮想空間に再現する技術
製造業 AI の代表ユースケースは外観検査・需要予測・設計支援・生産スケジューリング最適化
スマートファクトリー導入は可視化→分析→予測→自律の 4 段階で進める
カーボンニュートラル対応（エネルギー見える化・LCA・CBAM 対応）は DX と連動
人材不足・技能伝承への DX 適用（ベテラン技能のデジタル化・AR/VR・協働ロボット）
修了後の継続学習は書籍・展示会・業界別深掘りの 3 方向

本コースを通じて、製造業の業界構造、バリューチェーン、生産形態、TPS、品質管理、原価、SCM、スマートファクトリーの 8 領域を扱いました。本コースが、製造業を「読み解く眼鏡」を作る出発点となり、その先の長い関わりを支える 1 つの地図となれば幸いです。

確認クイズ

このレッスンの理解度をチェックしましょう。