｢日本のモノづくりの英知｣が5万円以下のAIに奪われている…｢熟練職人の神技｣を100年受け継ぐ唯一の方法

日本のモノづくりを支えてきた職人の暗黙知が、熟練者の引退とクラウドAIへのデータ流出によって急速に失われつつある。日本工業大学大学院技術経営研究科の田中道昭教授は「工場のデータをどこに置くかは、もはや技術の問題ではない。日本の産業知を誰が持つかという主権の問題だ。今議論しなければ、日本の現場は不可逆的に学習能力を失うだろう」という――。■物理AIの臨界点はすでに越えた「フィジカルAIにおける“ChatGPTモーメント”は、すでに始まっている」2026年1月に開かれたCES（米国ラスベガスで毎年開催される世界最大級のテクノロジー系展示会）において、エヌビディアのジェンスン・フアンCEOが宣言した言葉だ。「ChatGPTモーメント」とは、ChatGPTが2022年末に公開された瞬間、つまりは、誰もがAIを「使えるもの」として実感し、世界が不可逆的に変わったあの瞬間を指す。フアンCEOが言いたいのはこうだ。フィジカルAIも今まさにその臨界点を越えた。ロボット・工場・自動車など物理世界で動くAIが、ChatGPTと同じように「誰もが使える」段階に入った。「来るかもしれない技術」ではない。「すでに始まった現実」ということだ。フィジカルAI導入の「局面」は、日本の中小企業にも来ている。振動・温度・音を取得するセンサーは数千円から入手できる。エッジAIの推論チップは、消費電力15ワット・価格5万円以下で、かつてのスーパーコンピュータに匹敵する演算能力を持つ。オープンソースのAIフレームワークは、専門のデータサイエンティストなしでも動かせる水準に達しつつある。技術の障壁は、この数年で急速に消えた。しかし、ここで立ち止まらなければならない。■このままでは現場の知は外に流れ出す技術の障壁が消えたとき、何が残るのか。残るのは「構造の問題」だ。どのデータをどこで処理し、どこに残し、誰が使うか。この構造を誤ると、フィジカルAI導入は「効率化と引き換えに競争力を失う」という逆説的な結果を招く。クラウドに生データを送り続けるだけでは、現場の知は外に流れ出す。日本の試作現場が長年かけて蓄積した条件出しの知・失敗の知・量産移行の知が、やがて米国メガテックのモデルを育てる学習データになる。これは誇張ではない。前稿では、3つの問題点について論じた。1．試作を担うものづくり中小企業が静かに衰退しており、その本質は「企業努力の問題」ではなく「産業構造の帰結」である。2．熟練者の高齢化と後継者不足によって現場は縮小し、試作という「産業の学習装置」が静かに失われつつある。3．フィジカルAIこそがその現実的な突破口であり、職人を置き換えるのではなく、現場の暗黙知を再現可能な知へと変換する技術である――と位置づけた。〈ソニーでもトヨタでもない…テレビ・新聞が報じない「ものづくり大国・日本」復活の切り札となる「次の主役」 参照〉本稿ではさらに一歩踏み込む。「ではどう設計するか」「何を守らなければならないか」「誰がそれを担うか」――この3つの問いに、原理から答えていく。■試作とは産業の学習装置である試作とは、設計と現実の間で何度も試行錯誤しながら、品質・量産性・コスト・安全性を同時に確かめる中核工程だ。この工程は、日本の製造業が長年にわたって知を蓄積してきた「産業の学習装置」である。この装置が正しく設計されれば、試作現場は「現象→意味→知→学習」という循環を自律的に回し続けるシステムになる。しかし構造を誤れば、その装置は消えるか、流出するかの二択しかない。中小製造業は、日本が世界に誇る「最後の知の保有層」だ。この知をどこに残すか。本稿が提示するのは、エッジ×オンプレミス（工場内で処理し、外部クラウドに頼らず自社・中立機関のサーバに保管する設計）を基盤とした「試作OS」（現場の経験と組織の知識を仲介し、「現象→意味→知→学習」の循環を自律的に回し続ける基盤）という設計思想だ。■なぜ日本の試作品は精度が高いのか中小製造業の本当の強みとは何か。問いを立て直すところから始めなければならない。日本の試作・基盤加工を担う中小製造業の強みは、設備の新しさでも組織の規模でもない。「条件出しの暗黙知」（材質・形状・工具の状態など多変量の条件を、経験と五感によって最適化する職人固有の判断知）だ。旋盤でワークを削るとき、最適な切削速度・送り量・切込み深さは、材質・形状・工具の状態・要求精度によって変わる。この多変量の判断を、経験を積んだ職人は数秒で行う。振動の音、工具の手応え、切削粉の飛び方――五感のすべてを統合した判断がそこにある。この「条件出し」の能力こそが、「なぜ日本の試作品は精度が高いのか」という問いへの答えだ。設計図の上では成立している製品を、現実の素材と加工機で成立させる変換能力――それが日本の試作現場の核心的競争優位である。そしてここに、看過できない逆説がある。この強みは同時に、AI導入の最大の障壁にもなっている。「うちはベテランがいるから大丈夫」という意識が、データ化・記録化・構造化のモチベーションを奪う。知が個人の身体と頭の中にある限り、AIはその知にアクセスできない。強みそのものが、変革の入口を塞いでいる。そしてそのベテランが引退した瞬間、知は消える。強みが、喪失のタイムリミットを隠している。■「強みが変革を阻む」いう逆説フィジカルAI導入を試みた中小企業が直面する壁は、4つに整理できる。①データ化の壁――現場の知は存在しているが、データ化されていない。振動なのか、温度なのか、音なのか。「何の現象を切り出せばよいのか」が定まらないまま導入すると、データは取れるが意味がわからないという状態に陥る。センサーを付けることと、「現象」を捉えることは、まったく別の話だ。②人材の壁――現場を知る技能者と、AIを扱えるIT人材が、同一人物の中に存在しない。技能者は「AIは自分の仕事ではない」と感じ、IT人材は「現場の物理現象がわからない」。システムは動くが判断には使われない、という状態が生まれる。この分断を橋渡しする技術統合人材が、決定的に不足している。③投資判断の壁――「導入費用はわかる。しかし効果がわからない」。この構造では経営者は動けない。ROIを事前に示せる根拠がなく、「とりあえず導入してみる」という余裕も中小企業にはない。効果の可視化モデルが、投資の前に提示されなければならない。④データ主権の壁――最も重要でありながら、最も見落とされている壁だ。クラウド型のAIサービスは手軽だが、その過程で加工条件・不良パターン・熟練者の判断ロジックという企業の核心情報が外部に送信される。利用規約の範囲内でモデルの学習データとして使われるリスクがある。「便利」と「安全」は、ここで鋭く対立する。この問題に気づいていない経営者が、まだ多い。■「現場を知る人」と「AIを知る人」がいない4つの壁の根底にある問題は、ひとつだ。「知の蓄積構造が、設計されていない」データを取ることと、知を蓄積することは違う。現場の「現象」を「意味」として解釈し、再利用可能な「知」として構造化し、次の判断に「学習」として還流させる――この循環の設計が、いまの日本の試作現場には存在しない。技術選定はその後の話だ。「現象→意味→知→学習」の循環を現場に埋め込むことができれば、試作ははじめて「産業の学習装置」として機能し始める。この構造を設計することこそが、フィジカルAI導入の本質的な課題だ。■日本の製造現場が直面する「3つの喪失」結論を先に言う。クラウドに生データを送る設計は、試作現場においては「便利な知の流出装置」になる。現在、多くのAI導入提案は「データをクラウドに集めて分析する」構造を前提としている。しかしこの構造は、試作現場には根本的に合わない。まずは、それが競争優位の流出につながるからだ。試作現場の加工条件・失敗パターン・熟練者の判断ロジックは、企業の核心的知識だ。これを外部サーバに送信した時点で、データの支配権は移る。利用規約は変わる。プラットフォームの方針は変わる。一度外に出た知は、取り戻せない。第1章で整理した「知の蓄積構造」を、外部プラットフォームの上に構築してしまうことになる。第二に、文脈の喪失だ。加工データは「その工場の、その機械の、その職人の、その日の」文脈と一体でなければ意味をなさない。クラウドに送られた数値は、文脈を失ったデータだ。AIがいくら学習しても、文脈なき数字からは「条件出しの暗黙知」は再現できない。「現象」は送れても、「意味」は送れないのだ。第三に、リアルタイム性の喪失が指摘される。試作現場での判断は、例えば加工中の振動変化に0.1秒以内で対応することを求める場合がある。クラウドとの往復通信では、この即時性は原理的に実現しない。エッジで処理するしかない。■生データを出すな、意味を出せ解の原理は、シンプルだ。生データは現場の外に出さない。現場で推論し、特徴量と「意味」に変換した結果だけを残す。外に出るのはデータではなく、意味だ。切削中の振動波形（生データ）は、工場内のエッジ処理機の中で完結させる。外に送出されるのは、例えば「工具摩耗スコア：0.73、交換推奨タイミングまであと2時間」という意味の情報だ。この情報に、元の振動波形は含まれていない。この発想の構造は、実は別の領域ですでに実用化されている。小売の空間分析において、カメラ映像をクラウドに送らず、現地のAI処理機で人の動きを解析し、「この場所に何人が何秒滞在したか」という統計値だけを残すアーキテクチャがある。映像という生データは外に出さず、空間を経営変数に変える。試作現場での発想はこれと同構造だ。小売における「人流・動線」は、製造業における「加工・組立・検査の流れ」に対応する。「商品接触推定」は「材料・工具・設備への操作条件」に、「滞留・異常検知」は「不良の兆候・品質変動・段取り停滞」に対応する。そして「映像を外に出さない」という原則が、「加工データ・技能知を国外に流出させない」という技術主権の原則に対応する。試作現場では、振動・温度・音・映像という「現象」を現場で処理し、「工具摩耗の兆候」「段取り停滞」「不良の予兆」という「意味」に変換する。そして「段取り時間：標準比130％」「今回の初回合格率：82％」といった経営変数として記録する。生の物理データは外に出ない。意味だけが積み上がっていく。■2つの層で知の主権を守る設計この構造を実装するには、2つの層が必要だ。第一の層がエッジだ。加工機の周辺に置かれた小型の推論処理機（現在は5万円前後で入手可能）が、センサーデータをリアルタイムで処理する。「現象を意味に変換する」処理がここで完結する。生データはこの処理機の中に留まる。第二の層がオンプレミスのサーバだ。各工場が変換した「意味」の情報を、大学や組合といった信頼できる中立機関のオンプレミスサーバに集約する。ここで「知識の構造化」と「学習の循環」が起きる。届くのは、各工場が変換した特徴量と判断結果だけだ。生データは一切届かない。この二層構造の上で、連合学習という手法が機能する。各工場は「原データ」ではなく「自社モデルが学習した知識の要約（勾配）」だけをサーバに送る。サーバはそれらを集約してグローバルモデルを更新し、各工場に返す。さらに差分プライバシーという技術を組み合わせることで、逆算による原データ推定も数学的に防ぐ。A社の加工ノウハウがB社に丸見えになることなく、業界横断の共通知識が積み上がる。エッジで「現象を意味に変える」。オンプレで「意味を知に構造化する」。外には「知の断片」だけを出す。これがデータ主権を守りながら産業の知を蓄積する、設計の原理だ。この二章で示した構造が、「現象→意味→知」という循環の前半だ。次章では、この知が「学習」として現場に還流する具体的な仕組みを設計する。■試作OSとは何か、名前から定義する名前から定義する。われわれが設計しようとしているのは、単なるセンサー管理システムでも品質管理ツールでもない。試作という工程を「学習が自動的に循環するシステム」として再設計する、試作OS（Operating System）だ。OSとは、ハードウェアとアプリケーションの間を仲介し、資源を管理するソフトウェアだ。試作OSとは、それと同じ役割を「現場の経験」と「組織の知識」の間で果たすシステムを意味する。個別の経験が再利用可能な知識として蓄積され、次の試作・設計・量産に自動的に還流していく。「現象→意味→知→学習」の循環が、OSとして現場に組み込まれた状態だ。この試作OSは、5つの機能から構成される。【機能①】現象取得――何を捉えるかを決める振動・温度・音響・応力・切削力・映像をセンサー群で捉える。加工種別（旋盤・フライス・プレス・熱処理・溶接等）に応じた標準センサーパッケージを定義し、中小企業の導入負担を最小化する。ここで核心的に重要なのは「すべての現象を取ろうとしない」ことだ。「この工程において、判断が揺れる瞬間はどこか」という問いから逆算して、必要な現象を絞り込む。データを増やすことは目的ではない。意味化できる現象だけを捉えることが、後段の精度を決める。■「何をしたか」より「なぜ」を残す【機能②】現場意味化――現象を判断に直結させるエッジ処理機が、リアルタイムで「現象を意味に変換する」。「この振動パターン＝工具摩耗の予兆」「この温度勾配＝熱処理条件の逸脱」。生波形データはここで消費される。外に出るのは意味だけだ。初期段階では、高精度な予測など必要ない。「いつもと違う状態が起きている」と現場が認識できること――その一点が、判断の変化を引き起こす。完璧なモデルを待つことが、最大の導入障壁になる。【機能③】判断記録――「なぜ」を残す熟練者が何を判断し、なぜその条件を選んだかを記録する。音声入力とエッジ側の自動構造化を組み合わせ、入力負担を最小化する。ここで核心的に重要なのは「なぜ」という因果的記述を含めることだ。「回転数を1200から1000に落とした」という事実の記録ではない。「振動の周波数帯が変化したため、工具摩耗を疑い条件を変更した」という判断の記録だ。この因果が蓄積されることで、はじめて「知識」が生まれる。事実の記録は履歴に過ぎない。判断の記録が、知識の原料になる。【機能④】知識構造化――個人知を組織知に変換する個別の経験が、再利用可能な知識として構造化される。「SUS304をΦ20で粗加工する場合の条件出し範囲」「このタイプの不良の発生条件と回避策」――これが、職人の頭の中から、組織の知識データベースへと移行する瞬間だ。連合学習によって、自社だけでなく参加工場全体の経験が集約され、業界横断の「条件出し知識」が形成される。個社では見えなかったパターンが、集合知として浮かび上がる。この瞬間、中小企業は孤立した現場から「産業の学習ネットワークの一員」になる。■試作するたびに工場が賢くなる【機能⑤】学習循環――知が次の試作を変える蓄積された知識は、次の試作・設計・量産へと還流する。新しい試作依頼が来たとき、AIは「類似条件での過去の判断と結果」を参照して推奨条件を提示する。熟練者の役割が変わる。「条件出し」という反復的判断から、「知識の検証と更新」という創造的役割へ。この機能⑤が機能①に戻ることで、循環が閉じる。試作するたびに知識が増え、知識が増えるたびに次の試作が賢くなる。これが「学習する工場」の実態だ。そしてこの循環が自律的に回り続けることが、試作OSの最終的な目標だ。この5機能が「現象→意味→知→学習」の順に循環することで、試作の本質が変わる。従来の試作：「経験のある職人が、経験に基づいて判断する」試作OSを備えた試作：「組織が学習し、AIが文脈を保持し、職人が知識を検証・更新する学習システム」職人が不要になるのではない。職人の役割が変わる。「条件出し」という反復的判断から、「知識の更新者・検証者」という創造的役割へ。これがフィジカルAIが試作現場にもたらす本質的な変化だ。■なぜ今の分業では設計できないか構造は設計できた。しかしそれを実装できる人材が、現在の日本の製造業には圧倒的に不足している。職人は現場を知っている。しかしAIとエッジシステムの設計はできない。ITエンジニアはシステムを設計できる。しかし切削振動のどの周波数帯が工具摩耗の予兆かは、わからない。経営者は投資判断をする。しかし現場の物理現象を経営変数に翻訳する言語を持たない。これは誰の責任でもない。これまで必要とされなかった人材像だからだ。しかしフィジカルAI時代の試作現場には、この三者を一人の中に統合した人材が不可欠になっている。試作OSの「現象→意味→知→学習」という循環は、この人材なしには回らない。能力①現場理解――加工機の動作原理・材料の挙動・工具と素材の相互作用を、体験的に知っている。センサーデータを見たとき、「これは何の物理現象を示しているか」が直感的にわかる。これなくして、機能②「現場意味化」はできない。能力②AI運用力――センサー設計・エッジ推論の仕組み・連合学習の論理を理解し、現場に実装できる。高度な数学の専門知ではなく、「使いこなしの実践知」だ。どのデータをどう取り、どう処理し、どう保存するかを設計できる力。これなくして、機能③④「判断記録・知識構造化」は設計できない。能力③経営翻訳力――現場の変化を経営の言葉に変換できる。「初回合格率が5％改善した」を「量産移行コストが年間X万円削減された」と示せる力だ。この翻訳がなければ、経営者は動かない。投資家も顧客も納得しない。これなくして、機能⑤「学習循環」を経営判断に結びつけることができない。■大学でなければ担えない3つの理由この技術統合人材を育成できる場所として、大学が最も適した担い手だ。理由は3つある。第一に、物理的・工学的理解の集積。フィジカルAIのモデル設計には、「何がデータとして意味を持つか」という工学的理解が不可欠だ。切削振動のどの周波数帯が工具摩耗の予兆か――この問いに答えられる教員と研究者が集まる工科大学だからこそ、現場の問いを技術的に分解できる。純粋なITベンダーにはない能力だ。第二に、MOT教育基盤。技術と経営を架橋するカリキュラムは、工科大学のMOT研究科が最も体系的に持つ。技能・データ・経営翻訳を同時に育成する教育設計は、ここからしか生まれない。第三に、中立的保全者としての信頼性。民間企業は、いずれデータを収益化する動機を持つ。大学という非営利・公共的機関が暗黙知データベースを保管することで、参加企業は「自社のノウハウが商業的に搾取されない」という制度的信頼を得られる。この信頼は、法的契約以上に重要だ。工学とMOTを架橋し、データ主権を守る中立的な知的インフラとして機能できる場――それが、この変革における大学の本質的な役割だ。■「2つの消失は」静かに進んでいる試作という産業の学習装置が、いまこの瞬間も、2つの方向から侵食されている。一つは「消失」だ。熟練者の高齢化と引退が加速し、後継者が育たない。技能が個人の身体に宿る暗黙知として存在し続ける限り、その人が現場を離れた瞬間に知は消える。データ化・記録化・構造化がなければ、試作現場は「学習した過去を持てない組織」になっていく。この流れはすでに始まっており、今後5～10年で一気に表面化する。もう一つは「流出」だ。フィジカルAIの普及に伴い、生産データをクラウドプラットフォームに送る動きが広がっている。利便性は高い。しかしその先に何が起きるかを、正確に認識している経営者は少ない。日本の試作現場が長年かけて蓄積した条件出しの知・失敗の知・量産移行の知が、米国メガテックのモデルを育てる学習データになる。これは誇張ではない。消失か、流出か。どちらの帰結も、日本の製造業から「学習能力」を奪う。そして最も恐ろしいのは、どちらも「静かに」進行することだ。大きな倒産が起きるわけでも、政策的な失敗が報道されるわけでもない。気づいたときには、取り返しのつかない地点に入っている。そしてその地点は、一度入ったら戻れない。エッジ×オンプレミスの設計は、この二つのリスクに対する唯一の現実的な防衛線だ。■ベテランが今日辞めたら、知をどこに残す？技術の選択が、産業の未来を決める。どのAIサービスを使うかという意思決定は、単なるコストとパフォーマンスの問題ではない。「誰が知識の主権を持つか」という問いへの答えだ。クラウド型を選べば、知識の主権はプラットフォームに移る。エッジ×オンプレを選べば、知識の主権は現場に留まる。国家の産業競争力は、企業が持つ知識の量と質によって決まる。日本の製造業の知識――とりわけ試作現場に蓄積された暗黙知――は、他国が容易に模倣できない固有の競争優位だ。この知識をどこに留め、どう継承するかは、企業の課題であると同時に、産業政策の課題でもある。エッジ設計を選ぶことは、単なる技術選定ではない。「日本の知識をどこに残すか」という産業政策的な意思決定だ。最後に、読者に一つの問いを投げかけたい。あなたの会社の熟練者が、今日退職したとする。その人が持っていた「条件出しの判断」「失敗の経験」「量産移行の勘所」――それはどこに残るか。もし答えが「残らない」「わからない」なら、その工場はすでに試作という学習装置を失いかけている。フィジカルAIは、この問いへの答えを変える技術だ。ただし、正しく設計されたときに限る。生データをクラウドに送り続けるだけでは、知は外に流れる。現場で「現象を意味に変え」、オンプレで「意味を知に構造化し」、循環させる――この設計があって初めて、知は現場に残る。■問われているのは技術ではなく意思だフィジカルAIは、中立な道具ではない。正しく設計すれば、現場の知を蓄積し、次の試作を賢くし、職人の経験を組織の資産に変える。しかし設計を誤れば――あるいは設計を放棄してクラウドに委ねれば――同じ技術が、知を吸い出す装置に変わる。道具は同じだ。結果を分けるのは、設計だけだ。いま、日本の中小製造業は静かな分岐点に立っている。大きな決断のように見えない。予算規模も小さい。現場の一隅での話に見える。しかしその選択の積み重ねが、5年後・10年後に「学習し続けた工場」と「知を失った工場」の間に、埋めようのない差を刻む。問われているのは技術ではない。意思だ。現場の知を、自分たちのものとして残すのか。それとも、便利さと引き換えに手放すのか。これはAI導入の話ではない。試作という「産業の学習装置」を、「現象→意味→知→学習」の循環システムとして再設計することだ。その設計が正しければ、中小製造業は「最後の知の保有層」から、「次世代の知の創造者」になれる。工場の競争力は、設備の新しさでは決まらない。学習の速度で決まる。その変革は、静かに始まっている。しかし次にそれをつかむかどうかは、もう静かな問題ではない。ここで動かなければ、日本の中小製造業は「慎重だった」のではない――「学習の場を失った側」として、不可逆的に固定される。----------田中 道昭（たなか・みちあき）日本工業大学大学院技術経営研究科教授、戦略コンサルタント専門は企業・産業・技術・金融・経済・国際関係等の戦略分析。日米欧の金融機関にも長年勤務。主な著作に『GAFA×BATH』『2025年のデジタル資本主義』など。シカゴ大学MBA。テレビ東京WBSコメンテーター。テレビ朝日ワイドスクランブル月曜レギュラーコメンテーター。公正取引委員会独禁法懇話会メンバーなども兼務している。----------（日本工業大学大学院技術経営研究科教授、戦略コンサルタント 田中 道昭）