株式会社羽石産業知能研究所（HIII）の佐藤です。

スマートファクトリーの導入を検討するとき、多くの方が他社の事例を探します。ただ、事例の読み方を間違えると、「あの大企業だからできたこと」で終わってしまいます。重要なのは、各社が「どの課題に対して、何から始めて、どんな成果を出したか」という因果の流れを読むことです。

本記事では、国内製造業のスマートファクトリー事例を、大企業・特定課題の解決・中小企業の3つの階層に分けて紹介します。これまでの記事で解説してきたスマートファクトリーの3段階や予知保全、デジタルツインが、実際の現場でどう機能しているかを、成果数値とともに見ていきます。

日立製作所 大みか事業所

課題は、多品種少量生産における生産リードタイムの長さと、工程間の連携不足でした。RFIDによる生産の可視化と、4つのシステムを連携させたIoT基盤「Lumada」を構築し、2015年から段階的にデータ活用を推進。その結果、主要製品の生産リードタイムを従来比で約50%短縮しました。この事業所自体が、日立がIoT基盤を外販する際のモデルケースになっています。

ダイキン工業

世界84の生産拠点を持つ中での、熟練技術者の不足と技能の標準化が課題でした。日立製作所と協力し、「ろう付け」作業をデジタル化。画像解析とセンサーで熟練者の技能を数値化し、スマート化を5段階で定義してレベル3（異常の予知・予測）を目標に設定しました。結果として、熟練技能者の訓練期間を半減。暗黙知を数値化することで、技能継承の再現性を高めています。

大企業の事例に共通するのは、いきなり全体最適を実現したわけではないことです。日立は2015年から段階的に、ダイキンは「ろう付け」という特定作業から着手しています。「全体最適」は結果であって、出発点ではありません。

コマツ産機 ＋ 末吉工業

金属部品メーカーにおける設備の突発停止と、保全の属人化が課題でした。IoT稼働管理システム「Komtrax」で設備データを常時収集し、大型サーボプレスに予知保全AIを組み込み、振動・温度変化から故障兆候を検知。その結果、生産性が従来比140%へ改善しました。データが共通言語となり、現場から自発的な改善提案が生まれる文化的変化も報告されています。

ヤマハ発動機

生産工程の進捗・設備稼働状況の把握が不十分で、品質のばらつきが発生していました。生産工程にセンサーを設置し、進捗状況と設備稼働状況をデジタル化。データに基づく品質管理体制を構築した結果、製品開発における品質が向上し、不良品発生率の低減を実現。各工程の無人化・省人化にも成功しています。

この階層の事例は、「予知保全」「品質管理」といった特定のテーマに絞り込んでいる点が特徴です。課題が明確だからこそ、成果も数値で示せます。これは前回のROIの記事で述べた「ROIが出やすい領域から始める」という考え方と一致しています。

旭鉄工

自動車部品製造における生産性の停滞が課題で、最新設備ではない「昭和の工場」という制約がありました。高額な設備を導入せず、光センサーと磁気センサーを既存設備に後付け。製品が1つできるごとにパルス信号を発生させ、生産工数とサイクルタイムを見える化し、データはクラウド経由でスマホに転送する仕組みを自社開発しました。その結果、80ラインで平均34%の出来高アップ、平日の残業ゼロを達成。大規模投資なしで成果を出した代表例として広く知られています。

旭鉄工の事例が示すのは、スマートファクトリーは「最新鋭の設備を持つ大企業だけのもの」ではないということです。市販の安価なセンサーを既存設備に後付けするだけでも、見える化の第一歩は踏み出せます。重要なのは投資額の大きさではなく、「何を測り、その数字で何を判断するか」という設計です。

中小企業がスモールスタートする際は、ものづくり補助金、IT導入補助金、省力化投資補助金などを活用すれば、初期投資の負担を大きく軽減できます。旭鉄工のように既存設備への後付けから始めれば、数十万円〜数百万円規模でも見える化に着手できます。

大企業から中小工場まで、成果を出している事例には明確な共通点があります。

第一に、一点突破から始めていること。日立もダイキンも旭鉄工も、工場全体ではなく特定の工程・作業・ラインから着手しています。「全体最適」は結果であって出発点ではありません。

第二に、課題が先、技術が後であること。「リードタイムを短縮したい」「技能を継承したい」「残業を減らしたい」という具体的な課題が先にあり、その解決手段として技術を選んでいます。「AIを入れたい」から始めていません。

第三に、データを共通言語にしていること。コマツ産機の事例のように、データが見えることで現場から自発的な改善提案が生まれます。スマートファクトリーの本質は、設備の自動化ではなく「データに基づく判断文化」の醸成にあります。

逆に言えば、この3つを外すと——全体を一度に作ろうとし、技術から入り、データを一部の人しか見ない——スマートファクトリー化は頓挫しやすくなります。PoCが定着しない理由の多くも、ここに起因します。

他社の事例を読むとき、つい「どんな技術を使ったか」に目が向きます。しかし、本当に学ぶべきなのは技術の選定ではなく、「どの課題を、なぜその順番で解決したか」という意思決定の流れです。

旭鉄工が高額な設備ではなく市販センサーを選んだのは、「昭和の工場」という制約の中で「生産性を上げる」という課題を最短で解くためでした。ダイキンが「ろう付け」から始めたのは、技能継承という大きなテーマを、最も効果が見える一点に絞り込んだからです。技術は、課題から逆算して選ばれています。

HIIIがいつも「課題の解像度を上げることから始めましょう」とお伝えしているのは、このためです。自社の最も痛い課題は何か。それを数字で測れるか。その問いに答えられれば、どの事例の、どの部分を自社に応用すべきかが見えてきます。事例は真似するためではなく、自社の課題から逆算するための参照点なのです。

国内製造業のスマートファクトリー事例を、大企業・特定課題・中小企業の3階層で見てきました。日立のリードタイム50%短縮、ダイキンの訓練期間半減、コマツ産機×末吉工業の生産性140%、旭鉄工の出来高34%アップ——成果の規模は様々ですが、成功の構造は共通しています。

一点突破から始めること、課題を先に置くこと、データを共通言語にすること。この3つが、企業規模を問わずスマートファクトリー化を成功させる条件です。とりわけ旭鉄工の事例は、「最新設備がなくても、市販センサーの後付けから始められる」という現実的な希望を示しています。

事例は、自社の状況に置き換えて初めて意味を持ちます。「自社の最も痛い課題は何か」——その問いから、スマートファクトリー化は始まります。

---

関連記事

▸ HIII Tech Blog / スマートファクトリーとは何か｜「見える化」で終わらせないための基礎知識

▸ HIII Tech Blog / デジタルツインとは何か｜製造業での使い方と、過剰投資の落とし穴

▸ HIII Tech Blog / 製造業のAI投資、費用対効果をどう考えるか｜「稟議が通らない」を突破する思考法

---

無料相談・資料請求はこちら