AIをスケールさせる製造企業とパイロットの停滞に陥る企業を分ける4段階のロードマップ
製造業におけるAIをめぐる議論は、おそらく繰り返しのように感じられ始めているでしょう。業界のモダナイズが必要な理由はすでにご存知のはずです。デモもご覧になったことでしょう。1つや2つのパイロットプロジェクトにゴーサインを出したこともあるかもしれません。それでも多くの製造企業にとって、制御された環境で機能するPoCと、企業全体で大規模かつ自律的に稼働するAIとの間には、依然として大きな隔たりがあります。
その隔たりはテクノロジーの問題ではありません。製造業の288人を含む、世界の企業リーダー2,050人を対象とした調査「グローバルAIおよびデータトレンド調査」の結果によると、製造企業の52%がすでにコアのサプライチェーンとオペレーションでAIを稼働させています。多くの製造企業にとって、このテクノロジーはその価値を証明しています。対処がより難しいのは、その周辺にあるすべての要素です。自律型オペレーションのスケールにどうアプローチするか、製造業特有のコンプライアンスとガバナンスの文化がなぜボトルネックではなく競争上の資産となるのか、そして経営陣が承認できるようなAI投資提案をどのように構築するかといった問題です。
これらは、eBook「エージェント型AIの時代を乗り切る製造業リーダーのためのプレイブック」が製造企業の解決を支援する課題です。パイロットの停滞から抜け出そうとしているCOO、AIのbudget申請の準備をしているオペレーション担当VP、あるいはマルチエージェントオーケストレーションへの道のりが実際にどのようなものかを理解しようとしている工場リーダーのいずれであっても、このeBookはAIストーリーの実行面を提示します。すなわち、先進的な製造企業が断片化されたデータから自律型オペレーションへと移行するために使用している、ガバナンスの洞察、4段階のロードマップ、および提案のフレームワークです。
ガバナンスはボトルネックではなくアクセラレーター
自律型オペレーションの実現に向けて製造企業が直面する3つの実行上の課題のうち、ガバナンスは最も誤解されやすいものです。ガバナンスを競争上のレバーではなくコンプライアンスコストとして扱う傾向こそが、スケールする製造企業と停滞する企業を分ける要因です。そして、最初からガバナンスが欠如している場合に何が起こるかほど、これを明確に示しているものはありません。
Penske Logisticsは、あらゆる技術的基準において機能するAIドリブンのトレーラーインテリジェンスモデルを構築しました。アルゴリズムは健全でした。データサイエンスチームは熟練していました。ビジネス部門も関与していました。しかし、プロジェクトは停滞しました。それはテクノロジーの失敗によるものではなく、パイロットを開始する前に、実稼働への移行の成功がどのようなものかを誰も定義していなかったためです。
このストーリーは、この業界におけるエージェント型AIの主要な課題を示しています。パイロットの停滞に陥ることは、エンジニアリングの失敗であることはめったにありません。それはほぼ常に、ビジネスの成果、データの準備状況、そして投資が損益にどのように結びつくかに関するすり合わせの失敗です。
ほとんどの業界では、シャドーAI（従業員がIT部門を迂回して未承認のパブリックツールを使用すること）は、テクノロジーの承認が遅いことへの不満によって引き起こされます。しかし、製造業では状況が異なります。調査対象となった他のすべての業界全体では53%であったのに対し、製造業の回答者でシャドーAIツールを使用する要因として承認の遅さを挙げたのはわずか46%でした。
このギャップは、製造業の文化に関する根本的な何かを反映しています。それは、コンプライアンスと物理的な安全性に基づいて構築された、ミスを許さないマインドセットです。先見の明のある製造業のリーダーたちは、この傾向を適切に向けることで、実際には競争上の優位性になることに気づき始めています。
製造企業が、IT、オペレーショナルテクノロジー（OT）、およびIoTのデータを一貫したアクセス制御の下で統合する、ガバナンスの効いた統合データ基盤を構築すると、ガードレールがゴーサインに変わります。エンジニアは、データのプライバシーを危険にさらしたり、独自の計算式をパブリックAIモデルに漏洩させたりすることなく、カスタムアプリケーションを構築し、レポート作成を自動化し、数十年にわたるメンテナンスログにクエリを実行できます。最もコンプライアンスを遵守する製造企業が最も革新的になりつつあります。なぜなら、彼らのチームは、会社を危険にさらす可能性のあるツールの使用許可を求めるのではなく、安全な境界内で自由に実験できるからです。
計画外のダウンタイムが1分でも発生すれば利益が削られる、24時間365日稼働のクリーンルームファブを運営する半導体製造企業であるWolfspeedは、まさにこの種のフレームワークを構築しました。同社は、生のオペレーショナルデータをSnowflake上に構築されたカスタムAIエージェントに供給することで、切断されたシステム間での2時間の奔走から、複雑なツールのトラブルシューティングシーケンスを2分の自動応答に短縮しました。重要なのは、Wolfspeedがすべての自動化されたトラブルシューティングガイドに、監査済みの工場安全手順をネイティブに組み込むことを義務付けたことです。エージェントが自律的なアクションを実行する際、スループットと人間の安全性の両方が維持されます。それはコンプライアンスのチェックボックスではなく、オペレーショナルな機能としてのガバナンスです。
スケールする企業と遅れをとる企業を分けるシーケンス
組織全体のあらゆる場所にAIを同時に展開し、何かが定着することを期待するのは戦略ではありませんが、製造企業の41%がパイロットの停滞に陥る原因となっています。それを回避し、自律型オペレーションを達成した企業は、4つのことを順番に実行することでそれを実現しました。
ステージ 1：データエステートのモダナイズ
ヒストリアン、SCADA、製造実行システムなどの現場システムと、エンタープライズリソースプランニング（ERP）、サプライチェーンプランニング、顧客関係管理（CRM）などのビジネスシステムを橋渡しする
今日でも、製造企業の50%が主要な作業データレイヤーとしてスプレッドシートに依存しており、スーパーバイザーの65%がシフトごとに何時間もかけて一貫性のないレポートを手動で照合している
ロードマップのこの最初のステージは、1人のアナリストが3つの別々のシステムから手動でデータを抽出することなく、「前四半期に生産スケジュールの変更を最も多く引き起こしたサプライヤーの遅延はどれか」といった部門横断的な質問に答えられるようになった時点で完了する
ステージ 2：統合されたデータをAI-readyにする
モデルを安全に適用できるようにするセマンティックコンテキストとトラストレイヤーを追加する
これにより、予知保全や品質検査の強化などのユースケースが可能になる
測定可能な割合で削減された計画外のダウンタイムなど、少なくとも1つのオペレーショナルな主要パフォーマンス指標に対するAIの影響を、チームが金額で明確に説明できるようになったとき、第3ステージに進む準備が整ったと判断できる
ステージ 3：エンタープライズ対応のAIエージェントの構築
完全な自律性ではなく、明確に定義された境界内での限定的な自律的決定を目標とする
代表的な制約事項は以下の通りです。在庫の再発注エージェントは、10,000ドル未満の注文書を自動承認し、それを超えるものは人間のレビュー用にフラグを立てる場合があります。スケジューリングエージェントは需要の変化に応じてシフトの割り当てを更新し、人間のプランナーは変更が明確な閾値を超えた場合にのみ介入します。
重要な決定において人間によるオーバーライドなしで90日以上の自律型オペレーションが行われた場合、最後のステージに進む準備が整っている
ステージ4：マルチエージェントオーケストレーションの大規模な実行
エンドツーエンドのワークフロー全体でエージェントを調整します。例えば、差し迫った障害を検出したメンテナンスエージェントがスケジューリングエージェントに通知し、スケジューリングエージェントが2つのラインにわたって生産を再スケジュールし、それがサプライチェーンエージェントをトリガーして3つのサプライヤーとの入荷タイミングを調整します。これらすべてが、工場長からの1回の確認クリックで完了します。
Toyota Motor Europeは、SnowflakeとApache Iceberg™テーブルを使用して統合データメッシュを構築し、データをコピーすることなく、工場から消費者の道路での使用まで、車両のライフサイクル全体を接続することで、このステージに到達した
Toyota Motor Europeは、ハードコードされた6か月分のAIインフラストラクチャに匹敵し、それを上回る成果を3週間足らずで達成した
この最後のステージで、製造企業はついに「データは何を示しているか」から「エージェントはそれに対して何をしたか」へと質問をシフトできるようになる
実際に機能する経営陣への提案
Penskeは、より優れたエンジニアリングによってパイロットの停滞から抜け出したわけではありません。同社は、すべてのイニシアチブを2つの明確なフェーズに分けることで、AIの立ち上げ方法を再構築しました。ビジネス仮説の検証と、その結果が損益にどのように影響するかについてビジネスユニットとすり合わせることに完全に焦点を当てた価値証明フェーズと、価値フェーズが承認された後にのみ実行され、エンタープライズの信頼性、ガバナンス、およびスケーリングに焦点を当てた価値提供フェーズです。
これは、プレイブックの「提案の作成」フレームワークが構築されているのと同じ原則です。AI投資について経営陣にアプローチする際は、テクノロジーではなくオペレーショナルな問題から始めます。CFOは、自分が精通している懸念事項に言及する提案であれば関心を持つことができます。例えば、メンテナンスデータが生産スケジュールに接続されていないため、四半期ごとに平均x回のシフトが計画外のダウンタイムによって失われており、これらのデータソースを橋渡しするAIシステムによって計画外の停止を一定の割合で削減でき、それが年間で回復したスループットの特定の金額に換算できる、といった具合です。
これを、製造システム全体にエージェント型AI機能を備えた統合データプラットフォームを実装したいと説明する場合と比較してみてください。それは大きな利益をもたらす可能性のある正当なユースケースですが、非技術系のエグゼクティブはビジネスにとってのメリットをすぐに理解できず、多くの場合、budgetの申請は会議のテーブルで却下されることになります。
次の10年を勝ち抜く製造企業は、AIに最も早く移行した企業ではありません。それは、適切な基盤を適切なシーケンスで構築し、ガバナンスをスピードのイネーブラーとして使用し、テクノロジー投資を経営陣が共感して承認できるメトリクスとビジネス成果に変換する方法を学んだ企業です。ロードマップに従うことは、強力な技術的優位性をもたらすだけでなく、遅れをとっている競合他社がその差を縮めることを構造的に困難にします。
先進的な製造企業が断片化されたデータから自律型オペレーションへと移行するために使用している、完全な4段階のロードマップ、カスタマーストーリー、および経営陣への提案フレームワークを入手するには、完全版のeBookをダウンロードしてください。
