TechCrunch が 2026年8月30日に報じたキャタピラー (Caterpillar) の AI 展開の記事を読んだ。鉱山機械の自動化で積み上げた知見を、いま Physical AI として全社・現場に広げているという内容だ。この記事は、製造業や物流のシステムを受注している開発会社の経営・事業責任者に向けて、この事例の何が本質で、自社の受注ポイントがどこに動くのかを整理する。
要点 (報道された事実)
- キャタピラーは世界で 約160万台の接続資産を持ち、16ペタバイト超の構造化データを保有している。
- 5年間で1億ドルを投じ、11.8万人の従業員を AI・自律化・ロボティクス領域で再教育する計画。
- 具体的な用途は、技術者が修理手順を音声で引ける「Cat AI Assistant」、製造拠点のデジタルツイン、レガシーコードの刷新と不具合検出を行う AI エージェント、そして運搬トラック・掘削・地下ローダー・ドーザー等の自律機械。
- CTO の Jaime Mineart 氏は「自律化と Physical AI の難しいところは、その技術を顧客の現場 (jobsite) に組み込むことだ」と述べている。
- 2026年 Q2 の売上高は 205億ドルで過去最高。うち発電部門はデータセンター需要を背景に 72%増の31.0億ドル。
難所は「モデル」ではなく「現場に載せる工程」
私がこの記事で一番重く受け止めたのは、CTO の発言だ。難所はモデルでも自律走行のアルゴリズムでもなく、顧客の現場に組み込むことだと言い切っている。これは私たちが受託開発でエージェント導入を進めるときに毎回ぶつかる壁と同じものだ。デモが動くことと、稼働中のラインや工事現場の段取りに載ることの間には、技術的な差ではなく業務設計と責任分界の差がある。
160万台・16PB という数字も、「データを持っているから強い」という話として読むと外す。効いているのは、故障・修理・稼働という業務イベントに紐づいた構造でデータが溜まり続けていることのほうだ。同じ量のログを非構造のまま持っていても、AI アシスタントが修理手順を返せる状態にはならない。堀 (Moat) はモデルの外側、つまり独自データ・業務フロー・熟練者の暗黙知・そして役割の再設計の組み合わせにある、というのがこの事例の設計思想だと私は読んでいる。同じ論点はシーメンス成都工場の事例でも、AI 導入を「点」で終わらせない条件として出てきていた。
5年1億ドルの再教育を、開発会社はどう読むか
11.8万人の再教育に1億ドル、という数字を人材投資の美談として読む必要はない。1人あたりに割り戻せば大きな額ではないからだ。重要なのは、AI を入れる前提として職務側を動かすと決めていることのほうにある。技術者が音声でアシスタントに聞く運用は、技術者の手順書の使い方そのものを変える。ここを変えずにツールだけ入れると、現場は従来手順に戻る。
これは受注する側にとって、提案の入口が変わることを意味する。ツール導入の見積もりではなく、業務フローの再定義と、現場が使い続けられる形への落とし込みが本体になる。日経225企業の調査からAIエージェント導入で受注ポイントが組織の再設計側に移動していることは以前も書いたが、Physical AI ではその傾向がさらに強く出る。現場の安全・稼働率・熟練者の判断が絡むぶん、システムだけ切り出して納品する形が成立しにくいからだ。
レガシーコード刷新にエージェントを使っている点
見落とされやすいが、キャタピラーが AI エージェントを自社のレガシーコード刷新と不具合検出に使っているのは実務的に重要だ。製造業の DX が止まる原因の多くは、現場側ではなく既存の基幹・制御系システムが動かせないことにある。ここにエージェントを当てて内製の速度を上げるのは、外部の開発会社にとっては一見すると受注が減る動きに見える。
ただ実際には、自社でコードを触れるようになった顧客ほど、要件が具体的になり、任せる範囲の判断も速くなる。私たちが受ける相談でも、内製の手が動いている会社のほうが話が早い。減るのは「言われた通りに作るだけ」の仕事で、残るのは設計・データ整備・安全側の検証だ。三井倉庫の実践型DX人材育成やスマートファクトリー事例の実装の中身を見ても、内製と外注の境界はこの方向に動いている。
自社に引き寄せるときの現実的な出発点
160万台の接続資産を持つ会社の話をそのまま真似ることはできない。ただ、順序は真似できる。業務イベントに紐づいたデータが溜まる仕組みを先に作り、そこに熟練者の判断を乗せ、最後に自律度を上げるという順序だ。逆順、つまり自律的に動くエージェントから始めると、判断の根拠になるデータが無いまま責任だけが宙に浮く。自律性をどこまで絞るかを先に設計する話はパナソニック アビオニクスの保守事例で詳しく書いた。
もう一点。この記事では発電部門がデータセンター需要で72%増と報じられている。AI 投資の受益者が、モデルを作る側だけでなく電源・機械・インフラ側にも回っているという事実は、製造業向けの提案をする際の市場前提として押さえておいて損はない。
まとめ
キャタピラーの事例は、Physical AI を「先端技術の導入」ではなく「現場に載せるまでの工程管理」として扱っている点に価値がある。開発を生業にしている会社が持ち帰るべきは、モデル選定の話ではなく、データ構造・業務フロー・人の役割をどの順序で動かすかという設計順序だ。ここを提案に組み込めるかどうかで、受注できる範囲が変わる。
出典: Caterpillar is bringing to AI deployment what it learned from automating mining (TechCrunch, 2026-08-30)
