こんにちは、近森満です。大阪のEdgeTech+2026Westでパネルディスカッションに参加しました。組込み、IoT、DX、AIを長く扱ってきたメンバーに、フィジカルAIを現場で実装する企業の経営者が加わり、非常に熱量のある議論になりました。世界でフィジカルAIへの注目が高まり、日本の製造業にとっても次の競争領域になっています。

フィジカルAIとは、デジタル空間で文章や画像を作るだけでなく、センサーやカメラから現実を読み、ロボットや機械を動かすAIです。自動運転も一例です。製造ラインでは、部品の位置や角度のずれを認識し、その場で動作を補正する。データ分析が現実の動きへ戻ってくるところに本質があります。

日本は半導体そのものの最先端競争で苦戦してきましたが、製造装置、検査、洗浄、材料、工作機械、ロボットなど周辺領域には強い企業が数多くあります。高い品質を追求する中で、現場のスキルとノウハウが脈々と受け継がれてきました。フィジカルAIは、その蓄積にAIとデータを接続する機会です。

ただし、機械が強いだけでは勝てません。生成AIの基盤モデルや計算資源では海外企業が先行しています。日本が狙うべきは、モデルの規模だけを競うことではなく、どの工程のボトルネックを解消し、どの品質を守り、どの成果を出すかを現場で定義することです。現実の設備と業務を理解する力が差になります。

パネルでは、ロボットアームの先端に複数のカメラを付け、流れてくる対象物のずれをAIで認識し、ボルト締めなどの動作を瞬時に補正する事例が紹介されました。従来の生産機械は、部品の位置、角度、速度を細かくプログラミングし、同じ条件を再現することが得意です。しかし現場では微妙なずれが起きます。

フィジカルAIは、決められた座標を繰り返すだけでなく、現実の変化を見て追随します。顧客が喜んだのは、AIという言葉ではなく、停止や手直しが減り、工程が安定したからです。ここでの教訓は、技術のデモを成果と呼ばないことです。現場で責任を持って稼働し、品質や生産性へ数字でつながった時、初めて実装になります。

日本企業では、試してみたが本番へ進まないPoC止まりが繰り返されます。誰かが成功したから自分たちもできるはずだと始めるものの、現場データ、設備制約、安全、責任分担を詰めきれない。フィジカルAIでは、ソフトウェアの誤りが機械の動きや製品品質へ直結するため、実装責任はさらに重くなります。

そこで必要なのがFDE、Forward Deployed Engineerです。私は、現場へ入り、顧客と課題を定義し、技術を組み合わせ、成果が出るところまで責任を持つ人材だと捉えています。AIだけ、ロボットだけ、データだけを知っているのでは足りません。業務を理解し、経営と技術を翻訳し、検証から運用まで進めるスキルセットが必要です。

私自身、2006年に組込みソフトウェア技術者試験、2016年にIoT検定、2026年にFDE検定の立ち上げへ関わりました。十年ごとに、現実世界とソフトウェアを結ぶ大きな波が来ています。その中間には、スマートフォンのアプリ開発やDX、クラウド活用というサイバー側の波がありました。

組込みで機械へソフトを入れ、IoTでセンサーからデータを集め、DXでクラウドと業務をつなぎ、いまフィジカルAIで判断を現場の動作へ戻す。これは別々の流行ではなく、サイバーフィジカルシステムの往復です。過去の経験を持つ人材が、新しいAIを学び直せば大きな強みになります。キャリアの断絶ではなく、スキルチェンジとして設計すべきです。

私の経験則では、フィジカルAIは少なくとも今後五年は上り坂で、十年単位のテーマになると考えています。その先には、AGIやASIが多数の設備やAIエージェントを統合し、人が細かな操作をしなくても工場全体が動く未来も想像できます。もちろん予測を断定的な事実として扱ってはいけませんが、長期の人材育成を考える材料にはなります。

重要なのは、未来予測に酔わず、今日の現場から始めることです。対象工程を一つ決め、停止、手戻り、検査時間、安全リスクなどの基準値を測る。小さな実証で効果と限界を確かめ、運用責任者を決める。データの偏りやAIの誤認識を監視する。こうした地味な積み重ねが、日本の製造力を次の競争力へ変えます。

組込み分野、製造業、設備保全、品質管理にいる皆さんは、AIを遠い世界の話にしないでください。現場を知る人がAIを学ぶ価値は大きい。逆にAIを知る人は、現場の安全と品質へ敬意を持ってください。この二つが出会う場所に、フィジカルAIの本当の市場があります。

ここまでの話を現場に持ち帰るなら、まず「新しい技術を入れる」ではなく「誰のどんな課題を解くのか」を一行で書いてください。次に、その課題を解くために人が担う判断と、AIやデジタルに任せる処理を分けます。最後に、成果を誰が確認し、次の改善へつなげるかを決めます。この三つが揃うだけで、DX推進は道具の導入から仕事の変革へ一歩進みます。

生成AIにはハルシネーションがあります。もっともらしい誤りを出す可能性がある以上、出力をそのまま正解にしてはいけません。出典を確かめる、現場データと照らす、責任者が判断する。この基本を守りながら、議事録、提案書、研修教材、顧客理解の整理などに使えば、AIは人を置き換える道具ではなく、人が顧客と現場へ向き合う時間を増やす道具になります。

人材育成では、ツールの操作方法だけを教えて終わらせないことです。受講者が自分の業務で小さな実験を行い、結果と失敗を共有し、次の行動へつなげるところまで設計します。スキルセットだけでなく、試す、問い直す、責任を持つというマインドセットを育てる。私はそれが、AI時代のマインド・トランスフォーメーションだと考えています。

読者の皆さんは、明日どの顧客に話を聞き、どの現場を見に行き、どの仕事をAIに任せてみるでしょうか。大きな構想より先に、小さく確かめる一歩を選んでください。現場で得た答えを次の企画、研修、サービスへ戻す循環が、組織を本当に変えていきます。

最初の30日では、対象を広げすぎないことです。顧客対応、研修運営、製造工程、社内支援などから一つを選び、現在の時間、品質、手戻り、利用者の不満を記録します。AIを入れる前の基準値がなければ、導入後に何が良くなったのか判断できません。現場担当者への短いインタビューも行い、数字に表れない負担や工夫を残します。

次の30日では、小さな実験を行います。生成AIで議事録を作る、顧客の声を分類する、設備の画像から異常候補を示すなど、失敗しても業務全体を止めない範囲に限定します。正答率だけでなく、確認に要した時間、現場が感じた使いやすさ、誤りが起きた時の影響も記録してください。AIが速くても、人の確認負担が増えれば全体最適にはなりません。

最後の30日では、継続するもの、修正するもの、やめるものを決めます。成功例だけを発表するのではなく、うまくいかなかった条件と理由も共有します。データが足りなかった、責任者が曖昧だった、顧客の期待を聞けていなかった。失敗を構造化できれば、それ自体が組織の学習資産になります。ここで初めて次の部門や顧客へ広げます。

経営者や管理職は、現場へ「AIを使え」と指示するだけでは足りません。試行に使える時間、利用してよいデータの範囲、承認ルール、誤りが出た時の相談先を決める必要があります。評価制度も重要です。短期的な成功だけでなく、仮説を検証し、学びを共有した行動を評価する。そうしなければ、社員は安全な従来業務へ戻ります。

現場担当者は、AIへ任せる前に、自分が暗黙に行っている判断を言葉にしてください。良い提案書を見分ける基準、異常と判断する兆候、顧客が本音を話した時の変化。こうした知識はマニュアルに残りにくいものです。生成AIとの対話を使って質問を掘り下げ、チームで確認すれば、ベテランの経験を次世代へ渡す教材にできます。

人事・教育部門には、学習と実務を分離しない設計が求められます。研修で操作を覚えたら、実際の業務課題で試し、上司や同僚からフィードバックを受け、成果物を改善する。eラーニング、集合研修、現場プロジェクトを一本のキャリアパスとしてつなげます。資格やスキルチェックは到達点ではなく、次の実践へ進むための地図として使うべきです。

そして、成果を顧客の言葉で確認してください。処理時間が短くなっただけでなく、相談しやすくなったか、提案が理解しやすくなったか、現場の不安が減ったか。ビジネスの価値は社内の作業量だけでは決まりません。顧客と現場の変化を観察し、その答えをまた製品、サービス、人材育成へ戻す。この反復が、DXを一過性のプロジェクトから継続的な変革へ変えます。

AIが高性能になるほど、任せてよい範囲の設計が重要になります。文章の要約と、採用、融資、安全、品質に関する最終判断では、誤りが与える影響が違います。業務ごとにリスクを分類し、低リスクは自動化、高リスクは人の承認を必須にする。機密情報や個人情報を入力しないルールも、抽象的な注意ではなく具体例で示してください。

説明できることも信頼の条件です。顧客へ提案する時、AIが出したからではなく、どの情報を使い、どんな基準で採用し、人がどこを確認したかを伝える。製造現場なら、異常判定の根拠と停止条件を残す。支援業務なら、仮説と事実を分ける。透明性は作業を少し増やしますが、長期的には再現性と安心を生みます。

また、AIを使わない選択肢も残すべきです。すべてを自動化すると、現場が判断力を失い、障害時に復旧できなくなる恐れがあります。重要な技能は人が反復し、AIの出力と比較する。若手には基礎を学ぶ機会を与え、ベテランには暗黙知を言語化してもらう。人とAIを競わせるのではなく、互いの弱点を補う設計が必要です。

変革は、派手な導入発表より、日々の小さな約束から進みます。会議の終わりに決定事項を確認する。顧客の声を一件でも製品改善へ戻す。AIの誤りを隠さず共有する。現場の提案へ翌週までに返答する。こうした行動の積み重ねが、技術への信頼と組織への信頼を同時に育てます。

結局、デジタル・トランスフォーメーションはシステム部門だけの仕事ではありません。経営は目的と責任を示し、現場は事実と知恵を出し、人事は学びの機会を作り、技術者は安全で使える形へ実装する。それぞれが自分の専門領域に閉じず、顧客の成果という同じ方向を見る必要があります。その対話を続ける力こそ、超知性リテラシーやAgentic AIの時代にも失ってはいけない人間の基礎能力です。

近森満（ちかもり みつる） 株式会社サートプロ 代表取締役CEO ／ DXコンサルタント／IT人材育成／検定事業化 IT技術者の教育支援と人材育成を専門とする事業化コンサルタントとして、2006年に株式会社サートプロを創業し、IoT検定・＋DX認定・アジャイル検定などの資格制度を創出。独自の技術者向け教育研修の開発に定評があり、実践的なスキル向上を支援。経済産業省DX推進ラボおよびIoT推進ラボのメンターとして自治体や中小企業のDX推進を支援。近年は超知性ASIスキル可視化にも取り組み、次世代技術の普及に注力している。 ■ 主な所属・役職 ・IoT検定制度委員会 事務局長（IoT検定・＋DX認定・超知性ASI検定） ・一般社団法人 IT職業能力支援機構 理事長（Android資格） ・電気・電子系技術者育成協議会 副理事長（E検定） ・経済産業省 地方版IoT推進ラボ／地域DX推進ラボ ビジネス創出事業メンター ・デジタル庁 デジタル推進委員 ・アジャイル開発技術者検定試験コンソーシアム 事務局長（Agile検定） ・一般社団法人国際サイバーセキュリティ協会 事務局長（IACS認定）

X (Twitter)

Facebook

YouTube

note