【イベントレポート】ハノーバーメッセ2026が示す製造業の転換点──AI時代に求められる「ものづくりの前提」

2026年4月に開催されたハノーバーメッセでは、「Industrial AI」が主要なテーマの一つとして注目を集めた。複数年にわたりハノーバーメッセに参加してきた登壇者たちが共通して指摘したのは、今年の展示が過去と質的に異なっていた点である。

2025年段階での製造領域におけるAIは、コード生成やデータ分析を支援する「ツール」として語られることが多かった。一方、ハノーバーメッセ2026では、AIが製造プロセスそのものを駆動する存在へと移行しつつある姿が明確に示された。

福本氏は「AIがプロセスを動かす役割も担うようになってきています」と述べ、技術のコード化とフィードバックループの加速が、製造、ディフェンステック、ソフトウェア・ディファインドの各領域で同時に進んでいると指摘した。製造工程で起きた事象をデータとして捉え、AIが次の判断や改善に反映する流れが加速すれば、人が都度判断していた領域の一部が、より短いサイクルで自律的に改善されていく。これは、AIが分析支援ツールのような存在から、判断や提案を担う存在へと一歩進んだ変化である。

花見氏は、AWSのブースで紹介されていたデモを例に挙げた。固定的なダッシュボードではなく、利用者の操作履歴をAIが学習し、画面構成を最適化するというものである。花見氏は、データセットと定義が整えば、その上に乗るアプリケーションはAIで構築できる段階に入りつつあると説明した。

橘は、ハノーバーメッセにおける主役の変化にも触れた。かつてはオートメーションや製造装置、電気設備・制御機器といった、製造のシステムと物理的基盤を担う企業の展示が中心だったが、現在はMicrosoftやAWSなどクラウドプラットフォーマーのブースが拡大し、製造業の未来を語る議論の中心に位置づけられていることを指摘した。

AI活用の具体的な姿として示されたのが、「単一の万能なAIにすべてを任せるのではなく、複数の特化型エージェントを設計し、それらを束ねる」という方向性である。

製造業では、品質、設備、物流、保全、設計など、領域ごとに判断基準や制約条件、求められるノウハウが異なる。これらを一つの「万能型」AIに集約すると、判断の精度や一貫性が損なわれるリスクがある。福本氏は、「細かな単位でエージェントを設計し、それらを上位のオーケストレーターエージェントが束ねる形が有効です」と語った。橘は、物流倉庫の最適化を例に、制約条件を扱うエージェントと搬送ルートを最適化するエージェントを機能別に組み合わせる考え方を示した。また、花見氏は「エースストライカーが11人いるチームが強いかといえば、そうではありません。体を張る人、汗をかく人、さまざまな役割を持つ選手が有機的に連携し、監督がチームをマネジメントすることで初めてチームは強くなります」と述べた。

すなわち、製造におけるAIの実装と活用とは、異なる役割や判断基準と、それらに必要な固有領域の知識を持つ複数のエージェントを連携させ、共通の目的に向けて協調させる仕組みを構築・運用することだと捉えられる。そのため、個々のエージェントの性能だけでなく、「役割・知識の異なるエージェントをどのように階層化し、連携・管理するか」という全体構造の設計が、今後の実装の焦点になっていくと考えられる。

AI時代のものづくり競争力は、知識やデータをすべて囲い込むことで生まれるとは限らない。むしろ、何を持ち寄り、何を自社の強みとして守るのかを見極めることが重要になる。その前提として、まず現場の知識を構造化し、AIが活用できる形に整理する必要がある。今回のセッションでは、現場知識の扱い方、コアコンピタンスの考え方、データ共有のあり方について議論が交わされた。

セマンティックレイヤーを誰が担うべきかという問いに対し、福本氏は現場の知識を持つ人々が主役であるとしたうえで、その知識をAIが扱える形へ変換するプロセス設計の重要性を強調した。とりわけ、製造現場のオペレーション担当者が主導すべきなのか、工場ITが主導すべきなのかという問いは、多くの企業が直面する実務上の論点である。たとえばAIに質問を投げかけさせ、現場が一問一答で答えることで、暗黙知を構造化データへ整理していく方法が考えられる。花見氏は、現場の自発性だけに委ねるのではなく、経営層がAIやソフトウェア・ディファインドの可能性を理解し、仮説を持って現場を動かすトップダウンも必要だと述べた。

この際に重要なのは、現場に知識の棚卸しを求めるだけでは十分ではないという点である。現場の担当者は、自分たちが日々行っている判断のどこに価値があるのかを、必ずしも客観的に把握しているわけではない。逆に、経営層やデジタル部門だけでは、現場固有の制約や例外処理を捉えきれない。AIが問いを立て、現場がそれに答え、さらに専門家が意味づけを行うような対話型のプロセスが、暗黙知の形式知化には有効だと考えられる。

また、橘は、AIのためのデータ基盤を一社単独で構築することの限界に触れ、業界単位や地域単位での共同推進が不可欠になると指摘した。しかし、形式知化した暗黙知を含むデータの共有範囲を広げることは、競争力の源泉をどう守るかという論点を伴う。福本氏は、自社のコアコンピタンスを見極める必要があるとした。花見氏は「秘伝のレシピ」と「調理の基本技術」の違いに喩え、コア技術にも賞味期限があると指摘した。AIとソフトウェア・ディファインド化により誰もが再現可能になった領域では、競争力は要素技術そのものではなく、その組み合わせ方や活用の仕方へ移っていくことが示唆された。

ここで問われるのは、「何を強みとして守り、何を持ち寄るべきか」という線引きである。企業が長年蓄積してきたノウハウをすべて外部に開示する必要はない一方、業界全体で共有した方が価値を生みやすい領域も存在する。たとえば、設備の故障傾向や標準的な保全データは、多くの企業が共有することで予測精度を高められる可能性がある。一方で、製品設計の思想や顧客価値に直結するノウハウは、引き続き自社の競争力として守るべき領域である。

企業を超えたデータ共有においては、参加企業がデータを提供する動機づけ、すなわちインセンティブ設計が課題となる。福本氏は「データは、出さなければもらえません」と表現し、欧州のデータスペースの取り組みでは、データを提供した参加者のみが成果物であるAIモデルを利用できるような仕組みも検討されていると紹介した。花見氏は設備保全を例に、「センサーメーカーは現場のフィールドデータを持っていません。アクチュエーターやロボットのメーカーも同様です」と述べたうえで、同じセンサーやロボットを使う企業がデータを共有すれば、数万台規模のデータセットを構築でき、診断や故障予知の精度が大きく向上すると説明した。橘は、日本ではインセンティブ設計が十分に機能していないとしたうえで、数件ではなく数万、数十万件規模のデータを集めることで、各社単独では到達できない価値が生まれると強調した。

以上の議論を踏まえ、冒頭に掲げた三つの問いに立ち返る。

第一に、ショーケースを超えてAIを実際のものづくりに活用するためにすべきことは何か。本セッションの議論が示した答えは、AIそのものへの投資に先立つ「土台」の整備である。ハノーバーメッセ2026が示したのも、AIの進化そのものではなく、AIが価値を発揮できる土台の重要性であった。

第二に、日本のものづくりにおいて何がAI活用の課題となるか。それは技術そのものの不足だけではなく、「言わなくても分かる」ことを前提としてきた組織のあり方や、企業を超えたデータ共有を促すインセンティブがまだ産業界で設計されていないことにある。

第三に、AIネイティブなものづくりにおいては何が競争力となるのか。競争力の源泉は、再現可能性が高まる要素技術そのものではなく、それらをどう組み合わせ、どう活用するかに移りつつある。さらに、協調領域においては各社単独では到達できない規模のデータを形成できるかどうかも、重要な競争力となると考えられる。

これらを踏まえると、AI時代に製造業が見直すべき「ものづくりの前提」は、次の三つの転換として整理できる。

転換①：「言わなくても分かる」から「明示しなければ伝わらない」へ。

現場の暗黙知を言語化・構造化するセマンティックレイヤーの整備は、単なるデータ整備ではなく、組織の知識を再定義する取り組みである。

転換②：「囲い込み」から「守る領域／持ち寄る領域の見極め」へ。

何を自社の強みとして保持し、何を業界やパートナーと共有して協調領域の価値を高めるのか。その見極めこそが競争戦略になる。

転換③：「モデルだけが資産」から「データの意味と来歴も資産」へ。

AIモデルは変わり続ける。企業が守り、残すべきなのは、何をどのような背景と目的で学習させ、どのような成果につながったのかという記録である。

この転換は、一度の改革で完結するものではない。橘が訴えたように、技術の進化を自ら確認し、同じ課題意識を持つ実務者との対話を重ね、定期的に振り返るサイクルを回し続けることで進んでいく。問われているのは、AIの進化を追う速さではなく、AIが働ける土台を用意する速さである。アビームコンサルティングは、製造業の業務・データ・技術をつなぐ視点から、AIが価値を発揮するための土台づくりと、競争力の再設計に向けた取り組みを支援していく。