消えゆく手の記憶を、AIは救えるか――2026年ものづくり白書と日本工場の150年

ベテランの指が、止まりかけた旋盤の音を聞き分ける。工具の摩耗か、材料のばらつきか、軸受けの異常か。計器が赤くなる前に、手を伸ばして送りを変える。その判断は図面にはない。作業標準にも書き切れない。本人に尋ねれば「音が違う」と答えるかもしれない。

2026年版ものづくり白書が突きつけるのは、この瞬間を日本中の工場から失うまでの時間である。製造業の就業者は2024年の1,046万人から2025年には1,033万人へ減った。34歳以下の就業者は2002年の384万人から2025年の258万人へ、高齢就業者は58万人から85万人へ変わった。若者が消えたという単純な話ではない。技能を渡す側と受け取る側の人数、時間、賃金、データが、同時に足りなくなっている。

白書は、AIを魔法の後継者として描かない。設備投資、AI・DX、経済安全保障を三本の柱に置き、工場のデータを共通基盤へ集める「製造AX拠点」を提案する。だが、本当のメッセージはもっと厳しい。AIを買う前に、何を測り、誰が判断し、結果をどう利益へ戻すかを会社が決めなければならない。

白書は「工場の成績表」ではなく、国会への法定報告である

2026年版は5月29日に閣議決定された。正式名称は「令和7年度ものづくり基盤技術の振興施策」。経済産業省、厚生労働省、文部科学省が共同でまとめ、業況、生産、人材、教育、研究開発、設備投資、AI、経済安全保障を一冊に束ねた273ページの報告書である。

根拠は1999年の「ものづくり基盤技術振興基本法」にある。法律は、製造業の比重低下、海外工業化、技能継承の難しさをすでに危機として記し、第8条で政府に毎年の国会報告を求めた。2001年の第1回から26年。問題の言葉は「海外移転」「デジタル化」「GX」「経済安全保障」と変わったが、核心は変わらない。技術は設備に宿るだけでなく、人と取引関係と地域の集積に宿る。

「ものづくり」は美徳ではなく、設計・製造・修理の能力である

「ものづくり」という言葉は、ときに職人気質、品質への執念、現場の献身を一つに包む。しかし法律上の定義は具体的だ。工業製品の設計、製造、修理にかかわり、複数の産業で使える基盤技術を指す。ソフトウェア、デザイン、機械設計も周辺に含む。つまり、金属を削る手だけでなく、工程を設計する頭、保全の記録、取引先とのすり合わせまでが製造能力である。

この区別は重要だ。献身を美化すると、低賃金や長時間労働、属人的な勘を温存しやすい。白書の調査で人材定着策の首位は「賃金水準の向上」で71.5％だった。空調、照明、騒音対策など職場環境の改善も上位に入る。技能への敬意は、精神論ではなく、賃金、設備、学習時間として支払われなければならない。

1872年、富岡は「輸入した工場」から始まった

日本の近代工業化は、純粋な自前主義ではない。明治政府が1872年に操業を始めた富岡製糸場は、フランスの機械と専門知識を導入し、繰糸、蚕種、養蚕、教育を一つのシステムへ結んだ。目的は外貨を稼ぐ生糸の品質と量をそろえ、技術を全国へ広げることだった。UNESCOは、富岡を西洋の量産技術を日本が迅速に取り込み、改良し、世界最大級の生糸輸出国へ進む転換点と評価する。

ここに、日本の製造史を貫く型がある。外から機械を買う。運転方法を学ぶ。現場に合わせて変える。標準にする。人を育て、別の地域へ移す。2026年のAI導入も、本質的には同じである。モデルを購入するだけでは技術移転にならない。データの意味を理解し、工程へ組み込み、改善を反復できて初めて自社能力になる。

鉄と船と炭鉱――「作れる国」が近代国家の条件になった

19世紀後半から20世紀初頭、八幡製鐵所、造船所、炭鉱を含む23の産業遺産群は、日本が欧米の技術を移転し、自国の条件へ適応した過程を示す。製鉄は鉄道、船、兵器、機械、建築を支える「産業の産業」だった。製造能力は企業の利益だけでなく、国家の輸送力と軍事力へ直結した。

その成功は、帝国拡張と戦争にも結びついた。技術力を無条件の善として語ることはできない。工場は生活を豊かにする製品も、破壊する兵器も作る。2026年に経済安全保障が製造政策へ戻った今こそ、何を国内で作れるようにするかと同時に、何のために作るかを問う必要がある。

1950年、品質は「名人の目」から統計へ移った

敗戦後の日本製品には、安いが品質が不安定という評判がつきまとった。転機の一つが1950年である。日本科学技術連盟は米国の統計学者W・エドワーズ・デミングを招き、経営者、技術者、研究者へ統計的品質管理を教えた。翌1951年にデミング賞が創設され、品質は検査部門が不良品をはじく仕事から、会社全体でばらつきを減らす経営へ変わっていった。

重要なのは、統計が職人を消したのではなく、職人の観察を再現可能にしたことだ。測定し、原因を仮定し、工程を変え、結果を確かめる。この改善の循環は、今日の機械学習とよく似ている。違いは計算速度ではない。良いデータを作る現場と、数字を行動へ変える管理者がいるかどうかである。

トヨタ生産方式は「在庫を減らす技法」以上のものだった

トヨタ生産方式は、ジャスト・イン・タイムと自働化を二本柱とする。豊田喜一郎の「必要な物を必要な時に」という発想と、豊田佐吉の自動織機に由来する異常時停止の思想を、大野耐一らが戦後の自動車生産へ落とし込んだ。基礎は1940年代末から50年代に築かれ、1960年から全工場へ、60年代末から仕入先へ広がった。

誤解されやすいが、在庫をゼロにする競争ではない。異常を隠さず止め、後工程が必要な分を引き取り、問題を小さなうちに見えるようにする情報システムである。アンドンやかんばんは、紙とランプで作ったリアルタイム・データ基盤だった。AI工場が学ぶべきは、予測精度の派手さより、異常を誰に知らせ、誰が止め、誰が学習へ戻すかという閉じた循環である。

1973年、石油危機は省エネを競争力へ変えた

石油危機は、資源を持たない工業国の弱点を露出させた。日本企業は燃料転換、廃熱回収、工程短縮、軽量化、在庫管理へ投資し、エネルギー効率を改善した。危機対応が単なる防衛費ではなく、長期のコスト低下と製品革新へ変わった好例である。

2026年の危機管理投資も同じ試験を受ける。半導体、蓄電池、重要鉱物、サイバー防御、国内拠点を「安全保障だから高くてもよい」で終わらせれば持続しない。平時にも歩留まり、速度、省エネ、売上を高める設備へしなければ、補助金が切れた瞬間に弱くなる。

1988年、頂点の中に次の弱点があった

自動車、家電、工作機械、精密機器、半導体で日本企業は世界市場を席巻した。世界の半導体売上高に占める日本企業のシェアは1988年に50.3％へ達した。しかし2019年には約10％まで低下する。パソコンとインターネットの時代に、競争の中心が製造歩留まりとメモリー量産から、設計、ソフトウェア、標準、ファウンドリー分業、プラットフォームへ移ったからだ。

「日本は作るのが得意で、構想が苦手」という決まり文句だけでは足りない。80年代の日米摩擦、円高、海外生産、資産バブル崩壊、長期停滞、投資抑制が重なった。個々の現場が改善しても、産業アーキテクチャが変われば全体の価値配分は移る。2026年のAIも、工場内の効率だけを改善し、モデル、クラウド、データ標準、顧客接点を他者に握らせれば同じことが起きる。

強い現場、弱い投資――「改善」が設備更新を代替した

長い低成長の中で、日本企業は既存設備を丁寧に使い、現場改善で生産性を引き出した。それは強みである。同時に、古い基幹システム、分断されたデータ、更新を先送りした機械が残った。小さな改善の積み重ねが、大きな更新を避ける理由にもなった。

白書は、EBITDAマージン10％以上の高収益企業ほど、省人化、増産、旧来型システム更新、有形・無形資産への投資に積極的で、労働生産性と賃上げ率も高い傾向を示す。ただし、これは「投資すれば必ず高収益」という証明ではない。利益があるから投資でき、投資するからさらに利益が出る循環がある一方、低収益企業は保守だけに追われる。政策の難所は、すでに強い企業を速くするだけでなく、入口の固定費を下げることだ。

生産性は「現場が怠けている」という数字ではない

白書を解説した経産省幹部によれば、日本の製造業の1人当たり名目労働生産性は約7.5万ドルで、米国22.6万ドルの約3分の1、ドイツ11.7万ドルの約7割、OECD34か国中20位だった。国内では製造業が他産業より高い。それでも国際的な金額が伸びないのは、円安だけでなく、航空宇宙、半導体、ソフトウェアなど高付加価値分野の厚み、価格決定力、資本装備、事業構成の差を映す。

生産性は、作業者が一時間に何個ねじを締めたかだけではない。製品の価格、ブランド、設計、アフターサービス、知財、稼働率、経営の資本配分まで含む。現場へ「もっと速く」と命じるだけでは、ドル建て付加価値は増えない。必要なのは、同じ時間で高く売れるものを作り、稼いだ利益を人と設備へ戻すことだ。

2040年、足りない400万人と余る440万人

経産省の就業構造推計では、2040年に製造業全体で約400万人が不足し、生産工程で約200万人、AIやロボットを使える人材で約340万人が不足する一方、事務系では約440万人の余剰が見込まれる。数は単純加算できないが、問題の形は明瞭だ。国全体で人が消えるだけでなく、仕事と技能の位置が合わない。

転換には「事務職を工場へ移す」という粗い号令では足りない。工程分析、品質データ、調達、保全、顧客サービス、AI運用など、現場とデジタルを翻訳する仕事を設計する必要がある。2025年に製造業で外国人が占める割合は6.1％へ上がった。外国人労働者を穴埋めとして扱うのではなく、訓練、安全、昇進、日本語支援を含む長期の技能形成へ組み込めるかも問われる。

技能継承の最大の不足は「教える人」である

能力開発に問題がある製造事業所の62.8％が「指導する人材が不足」、54.4％が「育てても辞める」、45.4％が「育成する時間がない」と答えた。技能継承策の首位は、高齢者の再雇用や勤務延長による継続勤務で54.8％。これは合理的な時間稼ぎだが、退職日を先へずらすだけでは知識は移らない。

白書が紹介する山形のサンフウ精密は、技能検定と手当、新しい評価制度を結び、ベテランが教えることと若手が学ぶことを双方の評価へ入れる。群馬の桐生明治は社内技術大学を設け、工程全体、品質、サイバーセキュリティまで学習範囲を広げ、技能を8段階で可視化した。共通点は動画を撮ったことではない。「教える」を余暇から正式な仕事へ変えたことだ。

7割がデータを取り、4割しか効果へ届かない

製造プロセスでデータを取得する企業は約7割、データやデジタル技術を使う企業は約5割、効果を得た企業は約4割。センサーを付けることと経営成果を出すことの間に、二つの崖がある。データの時刻や単位がそろわない。機械のIDと製品ロットが結びつかない。予測を受け取る担当がいない。異常を知らせても保全予算がない。モデルが正しくても工程が変わらない。

AI活用の課題は「知識やノウハウ」57.2％、「必要な人材」47.9％が上位だった。効果・メリットが不明確28.9％、費用負担27.4％、既存システムとの連携26.0％が続く。これはAIの性能不足より、導入を一つの経営プロジェクトとして設計する能力の不足を示す。

地政学リスクを経営課題として意識する企業ではAI・DX戦略の策定率が32.3％、意識しない企業では10.6％だった。危機感は投資を促す。しかし恐怖だけでは良い戦略にならない。「AIを入れる」ではなく、停止時間を何％減らす、検査見逃しを何件減らす、見積時間を何時間短くする、と測れる問いへ落とす必要がある。

製造AX拠点――日本中の孤立した機械を学習資源へ

白書が打ち出した「製造AX拠点」は、各工場の加工、稼働、品質データを収集・統合し、AIモデルを組み込んだ製造プラットフォームの開発を支える構想だ。個社でデータ科学者や計算資源を抱えにくい中小企業も、故障検知、最適配置、品質改善などを利用できる共通基盤を目指す。

構想は7月、産業技術総合研究所を核とする仮想拠点として動き始めた。DMG森精機とWALC、コマツと産総研の二つの共同提案がGENIAC事業に採択され、製造データの循環を作る。これは白書公表後の進展であり、白書そのものの実績ではない。成功を決めるのは、接続台数より、企業が競争上の機密を守りながらデータを出せる契約、標準、利益配分である。

日本の古い設備には弱点と強みが同居する。ネットワーク化されていない一方、長年の運転履歴と多様な故障経験がある。後付けセンサー、保全記録、ベテランの判断を結べれば、更新の遅れが学習データの厚みに変わる可能性がある。ただし紙の日報をスキャンしただけでは、AIが意味を理解できるとは限らない。

ロボット大国なのに、なぜ人が足りないのか

国際ロボット連盟によると、日本は2024年に4万4,500台の産業用ロボットを導入し、稼働ストックは45万500台。世界第2位の市場で、世界のロボット生産の38％を担う。自動車産業の密度は2023年に従業員1万人当たり1,531台で世界4位だった。数字だけなら、すでに自動化国家である。

それでも人手不足なのは、ロボットが仕事を丸ごと代替しないからだ。製品変更、治具設計、段取り、保全、例外処理、安全確認、顧客要求の翻訳には人が要る。自動化が進むほど、一人が止める設備の価値は大きくなり、技能の質が重要になる。フィジカルAIは、決まった動きを繰り返すロボットから、視覚と言語と力覚で変化へ対応する機械への転換を狙う。だが安全、責任、学習データ、サイバー防御の課題も同時に増える。

経済安全保障は「国内に工場を建てる」だけでは完成しない

経済安全保障へ何らかの対応をする製造企業は、前年度の約4割から2025年度に約6割へ増えた。しかし国際情勢の情報収集は約5割でも、リスク分析、戦略策定、具体策は1～2割にとどまる。脆弱性の高い物資の4割超で、中国が第一の供給国だという回答もある。レガシー半導体では2030年に中国の世界生産能力が半分超となる見通しが示される。

国内工場があっても、工具、制御装置、化学品、電力、クラウド、技術者のどれかが止まれば生産は止まる。真の製造基盤は、建物ではなく、部材、設備、ソフト、データ、人材、資金の束である。調達先を二つにするだけでなく、代替材料を設計し、在庫日数を測り、取引先と復旧訓練をする必要がある。

町工場に必要なのは「小さなAI」より、低い固定費である

中小企業に大企業と同じDX部門を求めるのは現実的ではない。30～49人の事業所で正社員へのOFF-JT実施率は65.5％、1,000人以上では98.7％。自己啓発を支援する事業所は全体で83.7％だが、規模が大きいほど制度が厚い。学習時間と導入費用の固定費が、企業規模による格差を広げる。

解決は、補助金だけでも、安価な生成AIだけでもない。地域の高専、職業能力開発校、装置メーカー、商工団体、金融機関、産総研が、データ整備、モデル評価、サイバー対策、契約を共同化する必要がある。白書を解説したRIETIの議論では、AI・IoT導入企業で労働生産性が約7％、全要素生産性が約6％上がる分析が紹介された。平均効果は可能性を示すが、すべての企業の回収を保証しない。だからこそ一工程、一品番、一つの停止原因から始めるべきだ。

経営者が明日から測るべき九つの指標

富岡から製造AXへ――日本製造業の節目

AIが救うのは技能ではない――技能を渡せる会社である

最初の旋盤へ戻ろう。ベテランが聞き分けた音をマイクで録り、振動と温度を同期し、工具と材料ロットを結び、どの調整で良品へ戻ったかを残す。AIは似た兆候を探し、新人へ候補を示せる。しかし、何が危険で、どこで止め、誰が責任を持つかは会社が決めなければならない。

日本の製造業は、外来技術を現場で咀嚼し、標準と教育へ変えることで強くなった。富岡のフランス式機械、デミングの統計、トヨタのかんばん、産業用ロボット。その歴史は「日本人だけの勘」の物語ではなく、学びを組織へ変えた物語である。

2026年の危機は、AIに仕事を奪われることだけではない。熟練者が去る前に知識を測れず、低収益で設備を更新できず、データを囲い込んだまま、他国のプラットフォームが価値を取ることだ。逆に好機は、現場の長い記憶をデータへ変え、人がより安全で高価値な判断へ移ることにある。

AIは手の記憶をそのまま保存できない。だが、なぜその手が動いたのかを皆で問い、測り、教え、改善する会社は作れる。2026年ものづくり白書が求めているのは、無人工場の夢ではない。人が減っても、学習が増え続ける工場である。