AI時代の製造業に、なぜ判断の俯瞰図と羅針盤が必要なのか

はじめに

第1回では、フロンティアAIが、人間の問いに答えるだけでなく、複数のシステムの接続関係、依存関係、意味構造を読み解く存在になりつつあることを見ました。
第2回では、AIが要求、設計、検証、運用に関与するようになる中で、AIの出力を設計案、検証結果、判断材料、承認に使える証拠として切り分け、誰が判断し、どこで承認し、誰が責任を持つのかを明確にする必要があることを整理しました。
第3回では、この「判断と責任の配置」を、製造業の実務でどう見通すかを考えます。

AIが設備の異常兆候を示した場合、その出力を品質の確認に使うのか、保全の判断に使うのか、生産計画の見直しに使うのかによって、必要な情報や確認条件は変わります。設計変更の影響範囲をAIが示した場合も、設計部門内の確認に使うのか、調達や製造への影響評価に使うのか、製品原価や事業判断に使うのかによって、扱い方は変わります。

AIの出力は、判断のための材料です。どの情報を、どの文脈で読み、現場、実行、業務、事業のどの判断へ接続するかを定めて、初めて実務上の位置付けが決まります。

そこで本稿では、二つの見方を置きます。
一つは、現場から事業まで、どこにどのような判断があり、情報・判断・責任がどのようにつながっているかを見渡す「判断の俯瞰図」です。
もう一つは、何を参照点とし、何のために情報を読み、どの判断へつなぐのかという方向をAIに与える「羅針盤」です。
この二つを手がかりに、製品企画・原価企画、そしてSDV（Software Defined Vehicle）、SCM、PLM、ERP、Physical AIに共通する構造を整理します。

現場から事業まで、判断のつながりを見渡す俯瞰図

AIは、現場、実行、業務、事業のさまざまな場面で使われ始めています。その中で、AIが関与する判断は、一つの設備、一つの業務、一つのシステムを越えて広がります。
例えば、設備ログから異常の兆候が示された場合、その情報は、設備を停止する現場の判断だけでなく、品質への影響確認、保全計画の見直し、生産計画の変更、顧客対応、製品設計の改善にも関係します。設計変更も、設計部門内の承認から、部品構成、調達条件、製造工程、品質、認証、原価、販売後の保守へと影響が及びます。

こうした判断を支える情報は、PLM、SCM、ERP、製造・品質システム、販売・サービスの仕組みなどに分かれています。企画条件、見積もり根拠、設計上の選択理由、部門間の調整内容などは、表計算ソフト、文書、図面、見積書、会議記録、現場ログにも残っています。

個々のシステムや情報源は、それぞれの業務を正確に進めるために必要です。製品企画や事業の視点から見ると、これらの判断は互いにつながっています。製品企画で置いた価値、価格、目標利益、目標原価は、設計、調達、製造、品質、サービスの条件へ具体化されます。現場や市場で得られた結果は、次の製品企画や事業判断に生かされます。

ここで手がかりになるのが、現場から事業まで、どこにどのような判断があり、情報・判断・責任がどのようにつながっているかを見渡す「判断の俯瞰図」です。この俯瞰図は、既存の業務、システム、情報源をそのまま前提とします。その上で、それぞれの情報がどの判断に使われ、その判断が他の領域へどう影響し、誰が確認・承認するのかを見渡します。システムの統合やデータ構造の再設計に先立って、判断のつながりを捉えるための見取り図に当たります。

ただ、すべてを統合してから具体化しようとすると、全体を見渡せる状態になるまでに、多くの準備を要します。さらに、集めた情報をどの判断のために読むかは質問の仕方に委ねられるため、部署ごとに読み方が分かれ、全体としての判断がつながりにくくなります。整備が前提になるほど、最初の一歩が遠くなります。

もう一つのアプローチは、統合を待たずに、判断のつながりの側面から具体化を進めるものです。目指す方向を先に定め、そこから必要な情報を読み解く。この進め方自体は、以前から理想とされてきました。ただ、形式の異なる大量の情報を、方向に沿って読み解く担い手がいませんでした。

近年のフロンティアAIは、長い文脈を読み、文書、図面、ログ、設計情報といった形式の異なる情報を横断して意味を捉えられるようになりました。これにより、理想とされてきた進め方が、実務で扱えるものに近づいています。

このとき起点になるのが、何を重視するのかという判断の軸です。製造業であれば、顧客や納入先への提供価値、安全、品質、目標原価、利益、事業の持続性などが、これに当たります。状況が動いても位置を測れる、変わらない基準です。この軸を先に置き、情報と共にAIへ渡すと、AIはその方向に沿って、分散した情報の意味と関係の整理を補助します。この判断の軸が、大海（データレイク）での針路を定める羅針盤のように、情報を読む向きを決めます。

方向を定めて情報を渡すと、分散した情報を判断へつなぎやすくなります。製造業の情報には、製品、部品、工程、設備、状態、原価、判断、責任といった、関係を組み立てる要素が含まれます。AIは、長い文脈から各情報の意味を読み取り、対象や状態の関係を組み立てます。ここでは、文脈に沿って意味を捉えるセマンティクスと、対象や関係を構造として捉えるオントロジーの、両方が関わります。

これにより、すべてのシステム連携や横断用データの整備が完了する前でも、製品企画から設計、調達、製造、品質、サービス、原価、利益までの判断のつながりを描き始められます。まず既存情報からつながりを捉え、確認すべき箇所と不足する情報を明らかにします。その上で、必要なデータ整備やシステム連携を具体化します。

原価企画は、その一例です。製品が完成してから原価を確認するのではなく、価値、価格、利益、目標原価の条件を、設計、調達、製造、品質へどう反映するかを、製品企画の早い段階から見通します。これにより、各領域の判断を、価値・原価・利益という共通の観点でつなげます。

SDV、SCM、PLM、ERP、Physical AI等に共通する構造

判断の俯瞰図と羅針盤を置くと、SDV、SCM、PLM、ERP、Physical AI等は、別々のテーマではなく、共通する構造を持つ問題として捉えることができます。いずれの領域でも、AIは情報を処理するだけでなく、現場やシステムから得られる情報を読み取り、意味づけし、判断や提案につなげる形で使われ始めています。

SDVでは、車両状態、ソフトウェア更新、OTA、クラウド、安全保証、ユーザー責任がつながります。AIが車両データから兆候や更新案を示す場合、その出力を車載機能、安全保証、運用、規制のどの判断に使うのかが焦点になります。

SCMでは、需給、調達、物流、在庫、品質、サプライヤー、現場判断がつながります。AIが需要予測や代替調達案を出す場合、予測精度だけでなく、その提案を生産計画、調達、品質、収益性、顧客対応のどの判断に使うのかが焦点になります。

PLMでは、設計情報、変更管理、影響評価、承認、検証、再評価がつながります。AIが設計変更案や影響範囲を示す場合、その出力をどの判断材料として扱い、変更承認や検証条件へどうつなげるかを整理します。

ERPでは、購買、販売、在庫、会計、承認、業務ルール、リスク管理がつながります。AIがレポートや異常値を示す場合、その出力を発注、在庫調整、会計上の確認、与信、リスク管理のどの判断へつなげるかによって、必要な情報や確認する人が変わります。

Physical AIでは、現場の認識、実行、停止、安全、保全、改善がつながります。AIの判断が物理空間に影響するため、どの実行や判断を担わせ、どこで人間が確認し、どこで止めるのかを整理します。

このように見ると、対象は異なっていても、共通するのは、AIが情報を読み取り、意味づけし、判断や実行へ接続する構造です。現場の情報をどの文脈で読み、どの層の判断へつなげ、誰が確認し、どの結果を改善へ戻すのか。この構造を捉えることで、SDV、SCM、PLM、ERP、Physical AI等を、個別のAI導入テーマではなく、判断と責任の設計という横断テーマとして扱いやすくなります。
ここで次に問われるのは、AIが示す判断材料を、どこまで実行や制御に接続してよいのかという境界です。次回は、この境界と、人間に残る最終判断と責任を考えます。