日本の製造業、AI時代に苦戦の理由とは？マッキンゼーが競争力回復の条件を提示

マッキンゼーが日本の製造業の課題を分析

マッキンゼー・アンド・カンパニーは、日本の製造業がAI・デジタル技術を個別の実証実験やツール導入にとどめず、全社的な競争力向上につなげるための条件を分析した最新インサイト「AI/デジタル時代のものづくり」を公開しました。

本インサイトは、住川武人氏（シニアパートナー）、鍵谷美宏氏（パートナー）、山家洸氏（準パートナー）、山川詠太郎氏（マネージャー）によって執筆されました。詳細はこちらからご覧いただけます。
AI/デジタル時代のものづくり

世界の先進工場「ライトハウス」とは

世界経済フォーラム（WEF）は2018年以降、AIやIoT、先進解析、デジタルツインなどを製造現場に展開し、生産性、サプライチェーンのレジリエンス、持続可能性などで卓越した成果を上げた拠点を「ライトハウス」として認定しています。

ライトハウスは単に最新設備やAIツールを導入した「スマート工場」ではなく、データ、業務プロセス、人材、組織、テクノロジーを一体で変革し、複数のAI・デジタルユースケースを横展開することで経営成果につなげている点が重要です。

グローバル・ライトハウス・ネットワークの拠点では、AI/デジタル活用によって平均で以下の成果が確認されています。

労働生産性：53%向上
加工原価：26%削減
新製品導入リードタイム：50%短縮
材料廃棄：30%削減
エネルギー・水消費：25%削減

このように、世界の先進企業ではAI・デジタルが「実験」ではなく、すでに生産性、コスト、開発スピードを変える経営レバーとして活用されています。しかし、世界に238拠点あるライトハウスのうち、日本国内の認定は3拠点にとどまっています。

なぜ日本企業は「PoC止まり」になるのか

日本企業においても、AIやデジタル技術を用いたPoC（概念実証）は数多く実施されています。しかし、個々の取り組みが工場全体、事業全体、企業全体の変革につながらない「パイロットの罠」に陥るケースが少なくないと指摘されています。

その背景には、以下のような構造的課題があります。

AI・デジタルツールの導入そのものが目的化し、業務プロセスの再設計まで踏み込めていない
個別工場で成果が出ても、縦割り組織によって全社・他拠点へ横展開されない
IT部門主導となり、事業側が変革のオーナーになっていない
外部ベンダーへの依存によって、AI・デジタルの能力が社内に蓄積されにくい
工場や部門ごとにデータ、KPI、業務プロセスが異なり、成功モデルを複製できない

日本の強みとされてきた「カイゼン」は今後も重要ですが、AI・デジタル時代には、既存プロセスを部分的に効率化するだけでなく、データとAIを前提に業務や意思決定そのものを再設計することが求められます。

中国がライトハウスの40%超を占める背景

ライトハウスの地域分布を見ると、中国に所在する拠点はネットワーク全体の40%超を占めています。

中国企業の特徴は、単発のAIツール導入ではなく、システムやデータの標準化、人材育成、組織改革まで含めた変革を長期的に進めている点です。例えばMideaは、2012年以降、システムの統一・標準化、バリューチェーン全体のデジタル化、DXプラットフォームの構築を段階的に進め、現在ではAIを経営・現場の「意思決定」に組み込む段階へと移行しています。

Mideaの順徳工場では、AIやデジタルツインを研究開発から製造まで展開することで、単位生産原価24%低減、リードタイム41%短縮、研究開発リードタイム30%短縮、不良率51%低減といった成果を上げています。

AIはDXを「飛び越える近道」ではない

生成AIの急速な普及により、「これまでのDXを飛び越え、AIから変革を始めればよいのではないか」という期待も高まっています。しかし、本インサイトでは、AIはDXの代替ではなく、その上に成立する「加速装置」だと指摘しています。

業務プロセスの標準化、マスターデータの整備、データ接続、高品質な履歴データ、KPIの統一が行われていなければ、AIもPoCから先へ進みにくくなります。また、AIが需要予測、生産計画、品質判定、保全判断、さらには設備やロボットの実行まで担うようになれば、企業には新たな問いが生まれます。どの判断をAIに委ねるのか、人が関与する判断は何か、そして最終責任を誰が持つのかといったガバナンスの設計が重要となります。

日本の製造業が「パイロットの罠」を脱する3つの要諦

先進企業の共通項をもとに、日本企業がAI/デジタル変革を成果につなげるための3つの要諦が提示されています。

事業価値から逆算して、変革対象を絞る
AIのユースケースを無数に立ち上げるのではなく、企業業績や競争力に直結する20～30程度のコアプロセスに変革活動を集中します。財務KPIと業務KPIを結びつけながら、プロセスそのものを再設計することが求められます。
「全社展開できる形」に組織・人材を再編する
IT部門ではなく事業部門がオーナーシップを持ち、現場、IT、経営企画、データ・AI専門人材による横断チームを構築します。競争力の源泉となる領域については、外部活用と並行して計画的な内製化を進めることが重要です。
スケールと柔軟性を両立するテクノロジー基盤をつくる
レガシーシステムの全面刷新を待つのではなく、API、クラウド、疎結合型アーキテクチャを活用し、短期的な成果を取り込みながら、中長期的にはデータ・システム基盤を標準化します。

AIは設備投資型の自動化と異なり、ソフトウェアとして複製しやすく、本来は複数拠点へ迅速に横展開できる可能性があります。しかし、工場ごとに設備名称、データ定義、KPI、標準作業、権限、業務フローが異なれば、ある工場で成功したAIモデルを別の工場へコピーしても、同じ成果は再現できません。

日本企業が「PoC止まり」を脱するためには、発想を「成功するAIユースケースをつくる」から「横展開可能な企業資産をつくる」へ転換する必要があります。コードだけでなく、データモデル、運用手順、教育コンテンツ、セキュリティ設定までを再利用可能な形に設計することが、AI時代のスケールの鍵となります。