チャットから工場へ――「答えるAI」と「動かすAI」の違い

生成AIに質問し、誤った答えが返れば、人間は画面を閉じて訂正できる。ところがAIがロボットアームへ「部品をつかめ」、搬送車へ「通路を進め」、生産設備へ「温度を上げろ」と命令すれば、誤りは物理的な運動、破損、停止、けがへ変わる。

AIエージェントとは、目標を受け取り、情報を集め、計画し、外部のソフトウェアや機械を操作し、結果を見て次の行動を選ぶ仕組みである。フィジカルAIは、カメラ、力覚、音、温度、位置などのセンサーで現実を読み、ロボットや機械を通じて現実へ作用する。両者が結びつくと、AIは助言者から作業主体へ近づく。

2026年3月31日AI事業者ガイドライン1.2がエージェントとフィジカルAIを明記。
2026年6月30日METIがAIロボット向けマルチモーダル基盤モデル事業を開始。
ISO 10218:2025産業ロボット本体と統合セルの安全要求を更新。
7月17日機械システム振興協会が製造業向け成果発表会を開催。

一台の万能ロボットより、工場全体を調整する知能

従来の産業ロボットは、決められた位置を高精度で繰り返すことが得意だった。安全柵の内側で、溶接、塗装、搬送、組立を何百万回も再現する。一方、品種変更、部品のばらつき、予期しない障害には、人がプログラムを変更した。

新しいエージェントは、生産計画、在庫、品質、保全、電力価格、納期を横断して判断する。たとえば受注変化を読み、ライン順序を変更し、材料を予約し、検査カメラのしきい値を調整し、保全担当へ停止候補を提示する。価値はロボット一台の器用さだけでなく、分断された工場情報をつなぐことにある。

段階AIの役割人間の統制
観察画像検査、異音検知、需要予測。AIは知らせる。人が決める。
提案工程変更、保全時期、材料配分を提案。人が承認して実行。
限定実行許可された範囲で設備設定や搬送を変更。速度、範囲、金額、設備を制限。
自律協調複数機械・ロボット・ソフトを連携。監視、停止、監査、復旧を常時確保。

なぜ日本に向いているのか

日本は自動車、工作機械、センサー、減速機、サーボモーター、産業ロボットで長い蓄積を持つ。現場の改善活動、予防保全、品質管理も強い。つまりAIが作用する「身体」と、学ぶべき製造知識の両方がある。

同時に、日本は深刻な人手不足と技能継承問題に直面する。熟練者が音、振動、色、匂いで異常を見抜く一方、その判断は文章化されていないことが多い。マルチモーダルAIは映像、音、時系列データ、作業記録を組み合わせ、暗黙知の一部を再現可能な手順へ変え得る。

ただし、日本の弱点も同じ場所にある。古い設備、メーカーごとに異なる通信、紙の記録、孤立したデータ、現場とIT部門の距離が統合を難しくする。フィジカルAIは「優れたモデルを買う」だけでは動かない。

工場AIの成否を決めるのは、モデルの賢さだけではない。センサーの校正、設備インターフェース、停止設計、データ履歴、そして誰が承認したかである。

歴史――からくりから産業ロボット、そして学習する工場へ

日本の自動化文化は、江戸期のからくり人形、明治の機械化、戦後の数値制御工作機械へ連なる。1960〜70年代、産業ロボットは自動車や電機へ入り、危険で単調な反復作業を担った。1980年代にはFA、すなわちファクトリー・オートメーションが日本の品質と輸出競争力を象徴した。

1990年代から2000年代はセンサー、PLC、MES、ERPが工場の各層を情報化した。2010年代のIoTと深層学習は予知保全と画像検査を進めた。生成AIは設計文書、保全記録、作業指示を自然言語で扱えるようにした。そしてエージェントは、これらの道具を自ら順序立てて使おうとしている。

重要な違いは適応である。古典的自動化は事前に書かれた規則を高速に実行する。学習型システムはデータから規則を推定し、状況に応じて出力を変える。柔軟性は上がるが、同じ入力に必ず同じ経路で答えるとは限らず、検証が難しくなる。

安全――「AIが賢い」は安全証明にならない

ISO 10218-1:2025は産業ロボット本体の安全設計とリスク低減、10218-2:2025はロボットセルの統合、試運転、運用、保全、廃止を扱う。AIが加わっても、機械安全の基本は消えない。危険源を特定し、可能なら設計で除去し、防護し、残留リスクを知らせる。

工場ではAIの判断層と安全層を分ける必要がある。AIが「進め」と言っても、安全PLC、非常停止、速度・力制限、立入監視が独立して止められなければならない。ネットワーク切断、センサー故障、モデル更新、異常入力でも安全側へ移行するフェイルセーフが要る。

危険例制御
知覚誤り人を部品と誤認。複数センサー、安全監視、低速域。
計画誤り近道が危険区域を通る。禁止領域、経路検証、承認。
目的の誤設定生産量最大化が安全余裕を侵食。安全を上位制約に固定。
サイバー攻撃指示やモデルを改ざん。認証、分離、署名、監視。
更新後の変化モデル更新で挙動が変わる。回帰試験、段階展開、ロールバック。

責任――事故が起きたら誰の判断か

エージェントの供給網には、基盤モデル開発者、ロボットメーカー、システムインテグレーター、工場運営者、データ提供者、保全会社がいる。事故時に「AIが決めた」では責任説明にならない。

必要なのは権限表である。AIが何を読めるか、何を変更できるか、いくらまで発注できるか、どの設備を動かせるか、どの条件で人へ戻すかを決める。入力、提案、承認、実行、停止、モデル版をログに残す。責任は事故後に探すのでなく、設計時に割り当てる。

2026年版AI事業者ガイドラインは、開発者、提供者、利用者の役割を分け、ライフサイクル全体でリスクを管理する自主的枠組みを示す。法的拘束力だけでなく、取引、監査、保険、取締役会の期待基準として重要になる。

知的財産――学習した技能は誰のものか

製造AIは図面、CAD、検査画像、作業動画、保全記録、取引先仕様を学ぶ。そこには著作権、営業秘密、特許、契約上の秘密、従業員のノウハウが重なる。外部クラウドへ送信したデータがモデル改善に使われるのか、生成された工程案が他社権利を侵害しないかを確認しなければならない。

さらに、熟練者の動作を撮影してモデル化する場合、会社の資産だけでなく労働者の尊厳、評価、報酬が関わる。「人を置き換えるために知識だけ取る」と受け止められれば導入は失敗する。技能提供者を設計と利益へ参加させる方が、データ品質も信頼も高くなる。

中小工場はどこから始めるべきか

最初から完全自律工場を目指す必要はない。損失が測れ、危険が限定され、データがある一点から始める。例は不良分類、設備停止原因の検索、保全部品の在庫提案、作業指示の多言語化である。

順序実務
1. 問題を金額化停止時間、不良、残業、仕掛在庫を測る。
2. データを整えるセンサー時刻、品番、設備ID、異常記録を統一。
3. 助言から始めるAIは提案、人が承認。正解率と失敗型を記録。
4. 権限を狭くする一設備、低速、少額、営業時間内に限定。
5. 停止と復旧を試す非常停止、通信断、誤認、旧版への復帰を訓練。

投資効果は人員削減だけで測らない。不良削減、停止回避、技能教育、電力、納期、労災リスクを含める。現場作業者を初期から参加させ、AIが判断した理由と限界を見せる。

日本の競争は「ロボットを作る」から「知能を運用する」へ

METIのマルチモーダル基盤モデル事業は、ロボットが言語、画像、動作など複数形式を理解する国内基盤を狙う。背景には、海外モデルへの依存、工場データの国外流出、計算資源、共通データ不足への危機感がある。

日本の機械メーカーが強くても、モデル、クラウド、半導体、ソフトウェア、データ標準を海外へ依存すれば、価値の中心を失う可能性がある。逆に、機械安全と現場品質をAIガバナンスへ組み込めば、日本は「止まらず、壊さず、説明できるフィジカルAI」を輸出できる。

工場の次の革命は、人のいない暗い建物を作ることではない。人間の目的と安全境界の中で、機械が状況を理解し、協力し、失敗から安全に戻れる工場を作ることだ。

出典・参考資料