デジタルトランスフォーメーション
運用向けAI
分析とKPI

「記録システム」から「理解システム」への移行

Mike McKay

AI Summary

Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.

ここ数十年にわたり、製造業では「システム・オブ・レコード」が重視されてきました。企業は、取引を記録するという単一の目的のために設計されたERPやMESプラットフォームに数十億単位の投資を行ってきました。これらのシステムは、部品の完成、バッチの処理完了、出荷の完了といった、実際に何が起きたかを正確に把握することに優れています。

しかし、2026年に向けて、多くの業務責任者は、かつてないほど多くのデータを保有しているにもかかわらず、その内容が明確ではないことに気づき始めています。従来の製造システムは受動的です。人間が手動でデータを入力し、手動でレポートを解釈し、センサーの生データと是正措置との間のギャップを手動で埋める必要があります。

業界は、データのトランザクション型モデルだけでは業務の複雑化に追いつけなくなるという転換点に差し掛かっています。今後前進するためには、単に履歴を記録することから、理解を可能にするシステムの構築へと焦点を移す必要があります。

レガシーデータに伴う事務負担

デジタルトランスフォーメーションの推進は、本来ならエンジニアや経営陣の余力を生み出すはずだった。しかし、多くの場合、実際には逆の結果を招いている。CoLab Softwareの調査によると、エンジニアは現在、ファイルの検索やバージョン管理といった付加価値のない業務に、労働時間の23%から25%を費やしているという。

現場では、この摩擦はさらに顕著です。ScreenCloudとUnilyの調査によると、現場の従業員は勤務時間の約22%――1日あたり90分以上――を、情報の検索や待ち時間に費やしていることが明らかになっています。システムが単なる記録システムに過ぎない場合、データは人間が操作するまで眠ったままになります。その結果、熟練した従業員が業務の最適化ではなく、ソフトウェアへのデータ入力に勤務時間を費やすという風土が生まれてしまいます。

DIKWピラミッドの簡略化

この摩擦を解消するには、産業データの構造の根本的なあり方を検討する必要があり、それはしばしばDIKWピラミッド(データ、情報、知識、知恵)を通じて可視化されます。

従来のISA-95スタックでは、通常、ソフトウェアがピラミッドの底辺部分を担っています。ソフトウェアは生データ(例:100°Cという温度)を収集し、それを情報(例:経時的な温度の折れ線グラフ)として整理します。システムはそこで処理を終了します。 通常、監督者やエンジニアといった人間が、自らの「知識」を駆使して傾向を分析し、最終的に「知恵」——つまり、機械を停止させるか、冷却流量を調整するかという決定——に到達しなければなりません。

産業データが、実践に活かせる知見へとどのように変換されるのか

理解システムは、これらの層を統合することで、この力学を変えます。人工知能とより柔軟なデータアーキテクチャを統合することで、このシステムは生データから知見へと、ほぼ瞬時に移行することができます。単に温度の急上昇を示すだけでなく、「100°Cは、この特定の機械上のこの特定の製品にとっては高温すぎる」ということを理解し、オペレーターに即座に推奨事項を提示します。

非構造化データの活用

従来のMESやERPシステムが「理解の枠組み」を提供することに苦戦している主な理由の一つは、それらが構造化データに本質的に依存している点にあります。これらのシステムは、データベースにすっきりと収まるデータ、つまり表や数値、固定されたフィールドに合わせて構築されています。しかし、工場現場で実際に起きていることの大部分は、非構造化データなのです。

従来のシステムがノイズとして扱ってきた情報源の中には、貴重な運用上の文脈が隠されている:

  • 退勤するシフトリーダーが、組織内の暗黙知に基づく回避策について説明した音声メモ。
  • スマートフォンで撮影された欠陥の写真。品質上の問題の微妙な違いが捉えられている。
  • 経験豊富な技術者なら、故障の前兆だと見抜くことができるモーターの音。
  • 一時的な工程調整に関する、ホワイトボードへの手書きのメモ。

マッキンゼーによると、組織のデータの90%以上は非構造化データであり、画像、録音データ、生データなどの形式で構成されています。従来のERPやMESシステムは、固定的なデータベースを前提に構築されていたため、こうした膨大な情報はこれまで企業にとって「見えない」存在でした。

その結果、膨大な量の「ダークデータ」、つまり収集はされたものの、分析や戦略的判断に一度も活用されていないデータが生み出されています。Splunkの報告によると、組織が保有するデータの55%は、ダークデータ、未活用データ、隠れたデータ、あるいは未知のデータと見なされています。「理解システム」は、このギャップを最終的に埋めることを目的として設計されており、 マルチモーダルAIと コンピュータビジョンを活用して、これらの休眠状態にある物理的なシグナルを実用的な知見へと変換します。

調整コストの削減

2026年の製造業の生産性を最も低下させている要因は、機械の速度ではなく、「調整コスト」――つまり、手作業によるスケジューリング、状況確認、データ移動に伴う隠れたコスト――である。システムが単なる履歴の記録に過ぎない場合、人間はサイロ間の「つなぎ役」として機能しなければならない。

「理解型システム」への移行は、人間の判断に取って代わるものではなく、むしろそれを高めるものです。欠陥パターンの特定やセットアップの検証といった日常的なデータ解釈をシステムが処理するようになれば、人間はもはや「中間層」の構成要素ではなくなります。その代わりに、人間は標準的な処理ではなく、例外事態への対応に注力できるようになります。

この組織構造の変革は、「人材のギャップ」という重大な構造的課題に対処するものです。システムによって定型業務が自動化されるにつれ、現場の役割は、反復的な作業の遂行から、部門横断的な知見に基づいた適切な判断へと移行していきます。業務部門のリーダーにとって、その価値は「意思決定のスピード」にあります。情報を待つという事務的な摩擦を取り除くことで、最も熟練した従業員が、本来任されるべき仕事、すなわち問題解決と生産の最適化に専念できるようになります。

コンポーザビリティの役割

理解のためのシステムは、単一で閉鎖的なツールとして存在することはできません。理解とは複数のシグナルが絡み合う問題であるため、 組み合わせて利用できるアーキテクチャが求められます。従来の記録システムは、直線的でマイルストーン主導の変更を想定して設計されており、長期的な計画サイクルや安定したプロセスではうまく機能します。しかし、文脈が絶えず変化し、断片化されている環境では、その機能を発揮しにくくなります。

コンポーザビリティは、主に以下の3つの点でこの移行を可能にします:

  • データとロジックの分離:データ層とアプリケーション層を分離することで、メーカーは、中核となるERPシステムの整合性を損なうことなく、乱雑で構造化されていない信号を取り込むことができます。
  • 段階的な進化:モジュール式のアプリケーションにより、運用チームは、サイト全体での展開を待つことなく、単一のステーションやセルに、コンピュータビジョンなどのインテリジェンスを段階的に導入することができます。
  • 相互運用性:柔軟なアーキテクチャこそが、映像のスナップショット、機械のログ、オペレーターの音声メモといった多様な信号を統合し、役割を超えて共有される運用状況の全体像を構築することができる。

既存のシステムの上に、 組み合わせ可能なエンゲージメント層を構築することで、チームはITのリリースサイクルのスピードではなく、現場のスピードに合わせて例外事態を迅速に解決できるようになります。

2026年に向けたリーダーシップ監査

業務部門のリーダーたちが来年度の技術投資を見据えるにあたり、目標とすべきは、より多くのデータを収集することではなく、意思決定のスピードを向上させることである。

現在のスタックが「理解のシステム」へと向かっているかどうかを評価するには、以下の質問について考えてみてください:

  1. 待機時間テスト:現場のオペレーターは、システムのアラートを解釈したり、次の指示を出したりするために、スーパーバイザーを待つのにどれくらいの時間を費やしているのでしょうか?
  2. 「シャドウデータ・テスト」:私たちの最も貴重な業務知識のうち、どれほどが紙のノートやホワイトボード、あるいは記録されていない会話の中に眠っているのだろうか?
  3. 「管理職テスト」:当社のエンジニアたちは、本番環境の問題解決に時間を費やしているのか、それともERP用のデータ整備に時間を費やしているのか?

「記録の保管」から「理解」への移行は、単にソフトウェアを1つ購入するだけでは実現できません。これは、データの価値に対する考え方の転換であり、過去の記録からリアルタイムの業務上の知見へと移行していくプロセスなのです。

よくある質問

いいえ。ERPは、財務取引や長期計画において依然として不可欠な基幹システムです。「理解システム」は、ERPの上に構築される組み合わせ可能なエンゲージメント層として機能し、ERPでは処理するよう設計されていない、リアルタイムで不規則な現場データを処理します。

構造化データとは、部品番号、タイムスタンプ、数量など、表に収まるあらゆるデータを指します。非構造化データには、写真、音声メモ、シフトログ、機械の振動パターンなどが含まれます。記録用システムは後者を無視しますが、理解用システムはそれを活用して真価を発揮します。


DIKWピラミッドは、データ、情報、知識、そして知恵を表しています。従来、人間はデータを手作業で各段階へと段階的に移行させる必要がありました。AIや、視覚や音声といったマルチモーダル入力は、中間段階を省略し、ユーザーに直接知恵を提供することで、このピラミッドを平坦化します。

いいえ。これにより、監督者の役割は「データの解釈者」から「問題解決者」へと変化します。監督者は、勤務時間中をエラーコードの意味を説明することに費やすのではなく、このシステムを活用して、シフトノートや欠陥写真といった非構造化データの中に繰り返し現れるパターンを特定し、根本原因に対処するようになります。


理解のための仕組みこそが、実は乱雑なデータに対する解決策なのです。始めるのに完璧なデータベースは必要ありません。まずは、チームがすでに利用している写真、音声、メモといった非構造化データを収集することから始めます。そうすることで、そのシステムが時間の経過とともに、そうした「ダークデータ」を構造化していく手助けをしてくれるのです。

コンポーザブル・プラットフォームを利用することで、プロセス担当者は、カメラや音声を通じて非構造化データを取得し、それを工場のロジックに連携させるエンゲージメント層を構築することができます。これにより、静的なシステムでは捉えきれないリアルタイムのコンテキストが生まれます。

2026年の製造業界を形作る主要なトレンドを解説

メーカー各社が、Tulip を活用して、新たな優先課題に対応し、データと実行を結びつけ、今後1年間の業績向上を推進している様子をご覧ください。

詳細はこちら
「ある一日」のイラスト