東京部長倶楽部の山木のぼるです。
スマート工場やDXの話を聞くと、通信、遠隔支援、分析、立体的な設計データなど、新しい技術に目が向きます。2021年に製造・物流分野の複数の講演を聞いた時、私の印象に残ったのは個々の技術以上に、『技術導入を目的にしない』『小さな範囲で学んでから広げる』『現場の強みを残しながら全体最適を目指す』という考え方でした。
部分最適は、悪いこととは限らない
現場には、長い経験から生まれた段取り、判断、改善の工夫があります。部門や工程ごとに成果を追ってきたからこそ、強い専門性が育った面もあります。全体最適という言葉だけで手順を統一すれば、その強みまで失いかねません。
問題は、部分最適そのものではなく、ある工程の改善が前後の工程にどんな影響を与えるかが見えないことです。一つの設備が速くなっても、次の工程の待ちや在庫が増えれば、工場全体の生産性は上がりません。部長は、局所の強みを認めたうえで、仕事と情報のつながりを見ます。
先に全体の目的を言葉にする
DXの検討を『何を導入するか』から始めると、各部門が自分に便利な道具を選び、施策がばらばらになります。先に確認するのは、顧客へどの価値を届けたいか、品質・納期・安全・原価の何を変えたいか、部門をまたぐどの滞りを減らしたいかです。
この目的が共有されていれば、現場のデータを集める意味も、AIで予測する対象も変わります。データが多いほどよいのではありません。誰のどの判断を支え、どの行動を変えるかまで決めて初めて、データは組織の資産になります。
モデルとなる小さな範囲で学ぶ
全社一斉に新しい仕組みを入れると、現場の違いと例外が一度に噴き出し、何が効果を生んだのか分からなくなります。そこで、課題と成果を確認しやすい一つの工程や製品群を選び、モデルとして試します。
モデルラインの目的は、成功例を見せることだけではありません。必要なデータ、役割、教育、例外対応、現場が使い続ける条件を見つけることです。うまくいかなかった点も、全体展開の前に得られた重要な学びです。短期の費用回収だけで評価すると、この学習価値を見落とします。
横展開は、同じものを配ることではない
一つの現場で成果が出ても、他の現場へそのまま移せるとは限りません。設備、技能、仕事量、顧客要求、制約が違うからです。共通にするのは、目的、用語、最低限のデータ、判断原則、振り返り方です。具体的な手順は、各現場の専門家と調整します。
横展開では、『守る共通部分』と『現場が変えてよい部分』を明らかにします。導入件数ではなく、工程間の待ちが減ったか、判断が速くなったか、品質や安全が安定したかを追います。
AIは全体を見渡す補助線になる
AIは、複数工程のデータから異常の兆候を見つけたり、過去の改善記録を探したり、計画変更の影響を比較したりできます。しかし、AIの提案をどの目的で使い、現場の知見とどう照合し、誰が最終判断するかは人が設計します。
部長の役割は、最先端技術の専門家になることではありません。現場の専門性、人、仕組み、データ、AIをつなぎ、部分の成果を組織全体の成果へ変えることです。DXとは、その接続を継続的に学び直す活動だと考えます。
最初の一歩
進行中のDX施策を一つ選び、『改善する局所』『前後工程への影響』『判断に必要なデータ』『組織全体で確かめる成果』を書いてください。最後の欄が空白なら、導入を広げる前に目的と測り方を話し合いましょう。
編集注：本稿は、2021年に聴講したスマート工場・製造DXに関する複数の公開講演の個人メモをもとに、講演資料、図表、事例数値、発言を転載せず、山木の実務経験と2026年の東京部長倶楽部の考え方を中心に再構成しました。個別技術の現行仕様を説明するものではありません。
