English
Français
日本語
このページの内容は、サードパーティサービスによって自動翻訳されています。
AIの生産性向上という約束は現実だが、不完全でもある
あらゆる大きな技術革新の波には、生産性向上の物語があります。クラウドはスケーラビリティを約束し、SaaSはスピードを約束し、ローコードは俊敏性を約束しました。現在、AIは次なる大きな生産性向上の推進力として位置づけられています。それには十分な理由があります。技術は急速に進化しており、ユースケースも容易に想像できます。そして、組織に対して「AIで何かをする」よう求める圧力は日ごとに高まっています。
エンジニアリングおよび製造業の組織において、AI導入の第一波はほぼ間違いなく個人の生産性向上に焦点を当てるでしょう。エンジニアはAIを活用して要求事項を要約し、レポートを作成し、テスト計画を生成し、ドキュメントを検索し、仕様を比較し、技術的な問題を分析します。製造チームはAIを活用して作業指示書を確認し、不具合を要約し、スケジュールを最適化し、工程計画を支援します。品質、サービス、サプライヤーの各チームも、それぞれの領域で同じことを行うでしょう。
これらのユースケースは有用です。時間を節約し、いくつかの管理負担を軽減するでしょう。そして、人々に「より生産的になった」と感じさせるかもしれません。
しかし、それだけでは十分ではありません。
AI生産性ギャップ, 分断された仕事をより速く進めること
リスクは、企業がタスク完了の高速化を真の変革と混同してしまうことです。もしAIが、すでに製品開発を制約している断片化されたワークフロー、分断されたシステム、遅い引き継ぎに適用されるだけであれば、AIは壊れた仕事をより速く進めることを助けるだけになるかもしれません。それがAI生産性ギャップです。
本当の機会は、現在のエンジニアリングをそのまま自動化することではありません。製品ライフサイクル全体にわたって、エンジニアリング業務の進め方そのものを変革することにあります。
McKinseyが示す57％の自動化可能性は、職業ではなく活動についての話
McKinseyの最新レポート、Agents, robots, and us: Skill partnerships in the age of AIは、この変化を考えるための実践的な視点を提供しています。このレポートでは、現在の技術によって、米国における労働時間の約57％を占めるタスクが自動化可能であると推定しています。
しかしMcKinseyは、この数字の意味について慎重に説明しています。これは、57％の職業が消滅するという予測ではありません。これは、AIエージェントやロボットの能力向上によって、異なる形で実行可能になる業務活動や職務構成要素における技術的な自動化可能性を示したものです。
この違いは特にエンジニアリングにおいて重要です。エンジニアリング業務は、単独のタスクが整然と並んだものではありません。それは意思決定のシステムです。要求事項は設計に影響し、設計は製造性に影響します。製造上の制約はコスト、品質、納期に影響します。サプライヤーの問題はリスクに影響します。サービス上の問題は設計上の弱点を明らかにするかもしれません。顧客からの要求は、製品アーキテクチャ全体に波及する可能性があります。
このように考えると、生産性に関する問いそのものが変わります。それは単に「AIはどのようにしてエンジニアがこのタスクをより速く完了するのを助けられるか」ではありません。より重要な問いは、「AIはどのようにして、エンジニアリング、製造、品質、サプライチェーン、サービス、サプライヤー、顧客全体にわたって、組織がより良い製品判断を下せるよう支援できるか」です。
これはより複雑な問いです。しかし、そこにこそ本当の価値があります。
本当の価値はワークフローの再設計から生まれる
McKinseyは、AIによる最大の機会は個々のタスクの自動化ではなく、ワークフローの再設計から生まれると述べています。レポートの中間シナリオでは、AIを活用したエージェントとロボットによって、2030年までに米国で年間約2.9兆ドルの経済価値が生み出される可能性があると推定しています。しかし、その価値を実現するためには、人、エージェント、ロボットが効果的に協働できるように、組織がプロセス、役割、スキル、文化、指標を再設計する必要があります。
この点は、複雑な製品開発に携わったことのある人なら共感できるでしょう。エンジニアリングの遅延の多くは、誰かがドキュメントを書くのに時間をかけすぎたからではありません。情報が不完全で、コンテキストが欠け、意思決定が遅れ、チームが後になって依存関係を発見するからです。エンジニアリングが設計をリリースした後になって、製造側が制約を認識する。品質部門がパターンを発見しても、それが十分な速さで設計プロセスに戻されない。調達部門が、意思決定が固まった後でサプライヤーリスクを発見する。サービスチームが現場で繰り返される不具合を認識しても、エンジニアリングへのフィードバックループが遅く一貫性に欠ける。
AIはこれらの問題のそれぞれを支援できます。しかし、それは組織が仕事の流れを変えた場合に限られます。各部門がそれぞれのサイロの中でAIを適用するだけでは、局所的な効率化と企業全体の混乱を生む可能性があります。エンジニアリングは速くなる。製造も速くなる。品質も速くなる。サプライヤーの対応も速くなる。しかし、組織全体としては必ずしも賢くならないかもしれません。
AIは労働分担を変える
これは特に重要です。なぜなら、AIは労働分担そのものを変えるからです。McKinseyは、現在の能力水準では、エージェントが米国の労働時間の44％を占めるタスクを実行可能であり、ロボットが13％を実行可能であると推定しています。残る43％は、現在の技術では自動化できません。これは人間が消える未来を意味しているのではありません。人、エージェント、ロボットが異なる形で仕事を分担する未来を意味しています。
エンジニアリング組織にとって、AI生産性とは、人が情報を集める時間を減らし、問題を定義し、提案を検証し、トレードオフを判断し、意思決定を統制する時間を増やすことを意味します。AIエージェントは、ドラフト作成、比較、要約、監視、提案を行います。ロボットは、経済的・技術的要件に適した場面で、より多くの物理的作業を担うでしょう。人間は依然として不可欠です。なぜなら、製品開発とは単に成果物を生み出すことではなく、不確実性の中で責任ある意思決定を行うことだからです。
人間のスキルは価値連鎖の上流へ移動する
McKinseyはスキル分析においても同様の点を指摘しています。このレポートでは、現在企業が求めるスキルの70％以上が、自動化可能な仕事と自動化不可能な仕事の両方で使用されていることが示されています。つまり、ほとんどの人間のスキルは単純に消滅するわけではありません。その適用方法が変わるのです。
これはエンジニアリングと製造に非常に関連性があります。問題解決、コミュニケーション、オペレーション、品質判断、サプライヤー管理、システム思考、リーダーシップは、AIが仕事の一部を自動化できるからといって不要になるわけではありません。むしろ、人々がAI支援環境の中でこれらのスキルをどう活用するかを理解する必要があるため、より重要になります。
だからこそ、Engineering AIに関する議論はツールだけに限定されるべきではありません。より戦略的な議論は、エンジニアリングのオペレーティングモデルの中でAI生産性ギャップをどのように埋めるかという点にあります。
エンジニアリングのオペレーティングモデルは進化しなければならない
エンジニアリングのオペレーティングモデルとは、製品判断がどのように行われるか、誰が参加するか、どの情報を信頼するか、トレードオフをどう評価するか、変更をどう統制するか、そして説明責任をどう維持するかを定義するものです。AI生産性を実現するには、このモデルが進化しなければなりません。AIが生成する提案を考慮し、人間がいつ結果を検証するのか、エージェントがいつ自律的に行動できるのか、例外をいつエスカレーションするのか、そして意思決定をライフサイクル全体でどのようにトレーサブルに保つのかを定義する必要があります。
ここで製造が重要な役割を果たします。製造におけるAIは、しばしば工場現場のロボットのイメージに矮小化されがちです。ロボティクスは重要ですが、McKinseyのデータはより複雑な現実を示しています。2030年の中間シナリオでは、製造業におけるAIと自動化の経済価値は2,500億ドルと推定され、平均自動化率は現在の労働時間の31％に相当します。しかし、その価値の68％はエージェントによるものであり、ロボットは32％です。
これは示唆に富むデータです。製造業でさえ、推定価値の大部分は物理的自動化だけではなく、ソフトウェアインテリジェンスから生まれています。機会は単にロボットが組立作業を行うことではありません。AIが生産計画、品質検査、不良記録、機械設定、段取り替え、リアルタイム工程監視、サプライチェーン判断を支援することにあります。これらの活動は、工場の四つの壁の中だけの自動化ではなく、部門を横断した情報の流れに依存しています。
エンジニアリングと製造は同じインテリジェンスループの一部になる
同じことはエンジニアリングにも当てはまります。McKinseyはエンジニアを「人間-エージェント」型の役割として位置づけています。そこでは人間が中心であり続けますが、デジタルツールやAIツールによって強化されます。また、エージェント-ロボット型の役割は主に生産現場に現れ、自動化された製造や物流業務において、ソフトウェアインテリジェンスが物理システムを制御すると述べています。
これは、エンジニアリングと製造が単なる引き継ぎでつながった別々の領域ではなくなる未来を示唆しています。両者は共有されたインテリジェンスループの一部となり、AIエージェントがライフサイクルの早い段階で制約を特定し、選択肢を評価し、リスクを浮き彫りにすることを支援します。
拡張エンタープライズもモデルの一部でなければならない
AI生産性ギャップを埋めることは、社内チームだけの問題ではありません。サプライヤーや顧客もオペレーティングモデルの一部になります。古い仕様書を基に作業するサプライヤーは、古いデータを基に作業する社内チームと同じくらい大きなリスクを生みます。サービスシステムに閉じ込められた顧客問題は、品質プロセスに閉じ込められた製造不良と同じくらい学習を遅らせます。AI生産性が製品判断を改善するのであれば、拡張エンタープライズ全体にわたる信頼できる製品コンテキストへのアクセスが必要です。
それは、すべてを誰にでも公開するという意味ではありません。適切な情報を、適切な詳細レベルで、適切な制御のもとで共有する、統制されたコラボレーションを実現するという意味です。AIは高速に動き、広範囲を統合し、自信に満ちた提案を生成できるため、この問題の重要性をさらに高めます。信頼できるデータ、明確な権限、トレーサブルなコンテキストがなければ、スピードは危険になり得ます。
デジタルスレッドがEngineering AIの基盤になる
だからこそ、エンジニアリングおよび製造組織におけるAI生産性ギャップを埋める上で、デジタルスレッドが重要になります。AIにはコンテキストが必要であり、製品開発におけるそのコンテキストは、要求事項、システムモデル、BOM、CAD、シミュレーション、ソフトウェア、製造計画、サプライヤーデータ、品質記録、変更履歴、サービスイベント、顧客フィードバックに分散しています。このコンテキストが断片化されている場合、AIは依然として答えを生成できるかもしれません。しかし、その答えは不完全で、根拠が不十分であり、信頼しにくい可能性があります。
デジタルスレッドは単なるデータ統合の概念ではありません。AI対応型のエンジニアリング組織においては、人、エージェント、ロボット、パートナーがどのように協働するかを支える基盤になります。
デジタルスレッドはギャップを埋め、AIに必要な製品コンテキストを提供します。また、人間がAI生成結果を検証するために必要なトレーサビリティも提供します。さらに、ライフサイクル全体で意思決定を結びつけることで、エンジニアリング、製造、品質、サプライチェーン、サービス、サプライヤー、顧客がそれぞれ孤立して最適化することを防ぎます。
タスク生産性はライフサイクルパフォーマンスではない
これこそが、より深い変革です。AIは確かにタスク生産性を向上させるでしょう。しかし、タスク生産性は製品ライフサイクルパフォーマンスと同じではありません。要求事項の要約が速くなっても、その要求事項が下流の検証と切り離されていれば意味がありません。設計提案が速くなっても、製造性を無視していれば無意味です。サプライヤーの応答が速くなっても、間違ったリビジョンに基づいていれば価値はありません。品質レポートが速くなっても、そのシグナルが設計やプロセスを変えなければ意味がありません。
AIから最も大きな利益を得る企業は、それを単なる技術導入ではなく、オペレーティングモデル上の課題として捉える企業になるでしょう。
そうした企業は、古いプロセスにAIを差し込むだけではなく、ワークフローそのものを再設計します。人々がエージェントやロボットによって行われる仕事を監督、検証、オーケストレーションできるように役割を見直します。また、AIが信頼できる製品コンテキストの上で動作できるよう、データ基盤に投資します。そして、生産性を単なるスピードではなく、意思決定の質、手戻り削減、トレーサビリティ向上、問題解決の迅速化、ライフサイクル成果の改善によって測定するよう指標を変えていきます。
優位性を生むのは自動化ではなく変革
これは、従業員にAIツールへのアクセスを与えるだけよりも、はるかに大きな取り組みです。それには、リーダーシップ、ガバナンス、プロセス再設計、データ規律、文化変革が必要です。また、何を自動化すべきか、何を拡張すべきか、何を人間の判断下に残すべきかを組織が決定する必要があります。そして、エンジニアリングは自らを単なる部門としてではなく、企業全体における製品判断をつなぐ結合組織として捉え直さなければなりません。
AIは、単により多くのコンテンツを生成したり、より多くのタスクを完了したりできるからといって、エンジニアリング組織を変革するわけではありません。製品業務の進め方そのものを変える意思のある組織を変革するのです。
そこに、自動化と変革の違いがあります。自動化は現在のシステムを速くします。変革はシステムそのものを良くします。
そして、AIの時代において、デジタルスレッドによってAI生産性ギャップを埋めることが、真の競争優位を生み出す組織と、既存の複雑性をただ加速させるだけの組織を分ける違いになるかもしれません。
