〒124-0023
東京都葛飾区東新小岩2丁目23−17

2026年11月17日

2026年上期の製造業DX公開事例515件、AI・機械学習が450件で生成AIは157件 — 現場に効くのは「AIの種類」より"どのデータをどこで読ませるか"だった

バインダーが並ぶ棚の前でタブレットを見る、制服姿の工場作業員3人。上部に日本語のテキストAIより、データの置き場が重ねて表示されている。

こんにちは。K.Platinum代表の沼田です。

「うちも生成AIを入れたほうがいいですよね」。製造業のお客様とお話ししていると、この一言を本当によく聞きます。そのたびに僕は、すぐには答えず、こう聞き返しています。「そのAIに、どのデータを読ませたいですか」と。

この質問の答えが決まっているかどうかで、AI導入の成否はほぼ分かれます。先日、2026年上期の製造業DX事例515件を集計した調査を見つけたので、数字を見ながら、なぜそう言い切れるのかを整理してみます。


515件の調査は何を数えたのか(読む前の注意点)

パブリカが運営する「ものづくり新聞」が、2026年8月6日に公表したレポートです。2026年1月から6月までに公開された製造業のDX事例515件を集計しています。内訳は、日本が194件、海外が321件。日本の事例は全体の4割弱でした。

先にお断りしておきます。これは「公開された事例の件数」であって、実際に導入された件数の全体ではありません。プレスリリースや事例記事になりやすい取り組みに偏っている可能性があります。ですから、「製造業の現場でこれだけAIが使われている」と読むのは行き過ぎだと思っています。僕は、「世の中に出てくる話題の分布」として眺めています。

515件の中身


AI・機械学習450件に対し、生成AI・LLMは157件だった

DXの領域別では、生産・製造が277件で最多でした。工場の中の話が一番多い、ということです。

技術テーマ別(複数に計上)は、次のとおりです。

  • AI・機械学習:450件
  • ロボット・自動化:244件
  • クラウド・データ基盤:207件
  • 生成AI・LLM:157件
  • IoT:151件

月別では、4月が140件で最多だったそうです。年度の始まりに合わせて発表が増える、という季節性があるのかもしれません。

ここで僕が気になったのは、「生成AI・LLM」の157件という数字です。AI・機械学習の450件と比べると、約3分の1。話題としてよく聞く生成AIも、公開事例としては、まだ少数派なのです。


生成AIの事例が少ないのは、製造業が遅れているからではない

「じゃあ製造業は生成AIに乗り遅れているのか」というと、僕はそうは思いません。

AI・機械学習の450件には、外観検査や予知保全のように、すでに実績のある分野が含まれているはずです。こうした分野は、センサーや画像といった、はっきりした入力データがあって、成果も数字で測りやすい。だから事例になりやすい。

一方、生成AIは、文章や図面、手順書のような、いわゆる「読ませるデータ」を扱うことが多くなります。成果が「探す時間が減った」「質問への回答が早くなった」といった、見えにくい形で出やすい。事例として語るには少し難しい面があるのだと思います。

件数が少ないことと、現場で役に立たないことは、別の話です。


生成AI導入で最初につまずくのは、AIの性能ではなく「データの状態」

ここからは、数字で証明できる話ではなく、僕が前職のスタートアップITコンサルと、自分の会社でお客様と向き合ってきた感覚の話です。

生成AIを社内の情報に使いたい、という相談を受けたとき、最初につまずくのはほとんどの場合、AIの性能ではありません。データの状態です。

たとえば、こんな具合です。

  • 手順書がPDFのスキャン画像で、文字として読み取れない
  • 図面の改訂履歴が、ファイル名の付け方でしか分からない
  • 現場の日報が、担当者ごとに違う書き方になっている
  • 「正しい最新版」がどこにあるのか、人に聞かないと分からない

こうした状態のまま、どんなに新しいAIを入れても、期待した答えは返ってきません。AIに読ませる前の、「どのデータを、どこに置いて、誰が最新に保つか」を決める作業のほうが、実は先なのです。

何を、どこで読ませる


「どのデータをどこで読ませるか」を決める3つの問い(RAG導入前のチェックリスト)

では、何から手を付けるのか。僕がお客様と最初に整理するのは、次の3つです。

  1. 誰が、どんな場面で、何を調べたいのか。 新人が手順を確認したいのか、ベテランが過去の不具合事例を探したいのか。場面が違えば、読ませるデータも変わります。
  2. そのデータは、いま、どこにあるのか。 共有フォルダ、紙、個人のパソコン、設計システム。置き場がばらばらなら、まずそこを整えます。
  3. 間違った答えが出たとき、誰が確認するのか。 製造の現場では、手順の誤りが品質や安全に直結します。AIの答えに根拠の文書を添えて、人が確かめられる形にしておくことが大切です。

図面や手順書、過去の不具合報告のような社内の文書をAIに読ませて、質問に答えてもらう仕組みは、RAGと呼ばれる方法で作られることが多いです。ただ、僕はこの名前をあまり前に出さないようにしています。お客様にとって大事なのは方式の名前ではなく、「探す時間が減るか」「答えを信じていいか」だからです。


最初から全社に広げない:1工程の手順書から始める進め方

もうひとつ、僕が気をつけているのは、最初から全社・全工場に広げないことです。

特定の工程や製品の手順書だけ、といった狭い範囲から始めます。その範囲でデータを整え、AIに読ませ、現場の方に使ってもらう。使ってもらうと、「この言い回しだと探せない」「この図面は古い版だった」といった課題が必ず出てきます。それを直しながら範囲を広げていく。遠回りに見えて、結局はこの進め方が一番、現場に根づくと感じています。


17人のITコンサル会社が、製造業のお客様と実際にやっていること

K.Platinumは、メンバーが17人ほどの受託ITコンサルの会社です。僕は24歳で起業して、いまは3期目、27歳になりました。高専卒のメンバーも多く、ものづくりの現場の言葉に違和感なく入っていける人が多いのは、僕たちの強みだと思っています。

やっていることは派手ではありません。現場の方の話を聞いて、データの置き場を一緒に整理して、小さな範囲でAIを動かして、使い心地を確かめる。AIの種類を選ぶ前の、この地味な部分に、いちばん時間を使っています。


現場に近いITコンサルの仕事に興味はありませんか? K.Platinumではエンジニアを募集中です。募集中のポジションと詳しい条件を見る


まとめ

  • 2026年上期の製造業DX公開事例は515件。うちAI・機械学習が450件、生成AI・LLMは157件で、まだ少数派
  • ただしこれは公開事例の件数で、導入の実態全体を表すものではない
  • 現場でつまずくのは、AIの種類よりデータの状態。「どのデータを、どこで、誰が最新に保つか」が先
  • 範囲を絞って始め、現場の声を聞きながら広げるのが、結局は近道だと僕は感じている

製造業のAI活用で悩んでいる方、データの整理から一緒に考えたい方は、気軽に声をかけてください。そして、こういう現場に近い仕事に興味がある方も、ぜひ一度、お話ししましょう。


沼田海斗(ぬまた・かいと)
株式会社K.Platinum代表。24歳で起業し、現在3期目。製造業を中心に、データの整理からAI活用までお客様の現場に寄り添うITコンサルティングに取り組んでいる。


K.Platinumでは一緒に働くエンジニアを募集しています。「実力で正当に評価される環境」に興味がある方は、ぜひ採用ページをご覧ください。

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

envelopemap-marker linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram