スマートファクトリーの事例に学ぶ——AIエージェント群と低コード活用で生産性111%改善の中身
「スマートファクトリー」という言葉は概念として語られがちだが、実際に効果を出している工場は何をしているのか。蘇州工業園区が公表した先進級スマートファクトリー選定企業の事例には、AIエージェント群の運用、低コード開発の内製化、故障診断の高速化といった、規模を問わず参照できる具体的な設計が並んでいた。数値の出典を明確にした上で、実装・運用の観点で見解を書く。
出典: 全市第一！园区+67！ (蘇州工業園区管理委員会, 2026-07-25)
要点 (事実のみ・出典の公表値)
- 江蘇省工業情報化庁が2026年の「先進級スマートファクトリー」選定候補を公示し、蘇州工業園区から67社が選ばれた。スマートファクトリーの階層は基礎級・先進級・卓越級・領航級の4段階で、先進級は「地域または業界の先進水準に達し、再現可能なデジタル化の道筋を形成した企業」と定義される
- AUO (友達光電) 蘇州工場 (液晶ディスプレイモジュール): 「多品種・小ロット・高精度」に対応する全工程フレキシブル工場。高品質データセットを知識基盤に、垂直領域向け大規模モデル + エッジの軽量小型モデルを協調させる構成で複数のAIエージェント群を構築し、AI仮想アシスタント「AgentX」を運用。設備総合効率 (OEE) 15%向上、不良率6.3%低下
- イートン電気 蘇州工場 (低圧電器部品): 設計段階でANSYS・PLMによる3Dモデリングと仮想検証、製造段階でCCD画像検査による欠陥のリアルタイム判別と設備故障診断モデルによる予兆検知を導入。問題の特定を「時間単位」から「分単位」へ短縮。生産効率111%向上、不良率94%低下
- コープランド (谷輪) 蘇州工場 (圧縮機): PLM・ERP・MESを基幹に据えつつ、低コードプラットフォームで業務部門自身が200超の軽量アプリを開発。「システムが業務を支える」から「業務がシステムを定義する」への転換と説明されている。溶接ロボット・AMRの大規模導入、デジタルサプライチェーンでサプライヤーの90%超を接続。生産効率27.64%向上、単位生産額あたり運営コスト15.15%低下、不良率60%超低下、納期遵守率99.4%
- 園区側は「AI+製造」に focus し、診断発掘→需給マッチング→政策誘導→模範例示という道筋で、サプライチェーン警報・インテリジェント人員配置・予測保全といったAI応用シーンを構築したとしている
徐 聖博の見解
まず数値の扱いを明確にしておく。これらは行政の選定公示と各社の自己申告に基づく公表値なので、研究者出身の癖として「同一条件の第三者検証を経た数字ではない」と割り引いて読む。生産効率111%向上のような値は、比較の基準線 (どの工程のどの指標か) が示されない限り厳密には評価できない。それでも私がこの資料を面白いと感じたのは、数字ではなく技術構成の選択が具体的に書かれている点だ。
作る側の目で最も興味深いのは、AUOの「垂直領域の大規模モデル + エッジの軽量小型モデルの協調」という構成である。全部をフロンティアモデルに投げるのではなく、現場の判断は軽量モデルをエッジに置いて処理する。これはZohoのSmaller, Smarter, Saferの記事で書いた「優れたハーネス×小さいモデルが、劣ったハーネス×大きいモデルに勝つ」という定式と同じ設計思想だ。中国の工場と米国のSaaS企業が、まったく別の文脈から同じ結論に到達している。加えて「高品質データセットを知識基盤に」と明記しているのも重要で、以前の上海の事例で書いた暗黙知のデータ化が前提条件になっていることを裏付けている。
しかし、日本の中堅・中小企業が最も参照すべきはコープランドの事例だと考えている。低コードプラットフォームで業務部門自身が200超のアプリを作ったという部分だ。「システムが業務を支える」から「業務がシステムを定義する」への転換という表現は、三井倉庫×日本IBMのDX人材育成の記事で書いた「現場社員が自分の業務課題でアプリを作る」構造と完全に一致する。国も業種も違う二つの事例が同じ形に収束しているなら、それは偶然ではなく再現性のあるパターンだ。基幹システム (PLM/ERP/MES) は堅く作り、その周辺の細かい業務アプリは現場に作らせる——この役割分担は、受託開発を提供する側から見ても健全な設計だと思う。すべてを外注で作ろうとすると、細かい要望の変更ごとに見積もりと納期が発生し、結局使われないものが増える。
実務の順序として、この3社に共通する出発点を挙げておく。いずれもまず現状のデータが取れる状態を作り、次に判断を自動化している。イートンが「問題特定を時間単位から分単位に」できたのは故障診断モデルの精度以前に、設備データが取れていたからだ。スマートファクトリーを検討する企業がまずやるべきは、AIツールの選定ではなく「どの設備・工程のデータが今取れていないか」の棚卸しである。AIシステム開発の進め方で整理したとおり、データ整備を飛ばしたAI導入は必ず手戻りする。
(編集レンズ: AIを「作る側」の目線 / 実装・運用視点 / 発注側・中小企業への含意)
<!-- mfg-links:start -->製造業の同じ課題をシステムで解く場合
設備からデータを取る場合、機種と通信方式、ネットワーク分離、欠損時の運用まで含めて判断が必要です。設備保全・工場IoTでの稼働データ取得の設計で、対応できる範囲・データ・連携方式・費用を左右する条件を整理しています。
検査記録や追跡の仕組みは、追跡単位（ロットかシリアルか）を決めるところから設計します。品質管理・トレーサビリティの記録設計も併せて参照してください。
製造業向けに対応している業務の一覧は製造業向けシステム開発・AI実装支援、提供範囲と進め方は製造業向けシステム開発サービスにまとめています。
<!-- mfg-links:end -->
