スマートファクトリーの事例｜大手から中堅まで課題・施策・効果を解説

事例を自社に活かすには、読む前に視点を決めておくと整理しやすくなります。成果の数字だけを追うと「自社では無理だ」で終わりがちですが、次の3つの視点で見ると、再現できる部分が見えてきます。

1つ目は、自社の規模に近い事例を選ぶことです。世界130工場を統合するデンソーの事例と、1ラインから始める中小の事例では、必要な投資も体制もまったく異なります。自社と近い規模・業種の事例ほど、施策をそのまま参考にしやすくなります。

2つ目は、課題を起点に見ることです。技能継承、設備停止、品質検査、エネルギーコストなど、各社が何を解こうとしたかに注目すると、自社の課題と重なる事例が見つかります。技術ありきではなく課題ありきで読むことが、的外れな投資を避ける入口になります。

3つ目は、使った技術と基盤を確認することです。AI画像検査なのか、設備の稼働監視なのか、SIM回線による遠隔監視なのかで、必要なIoTプラットフォームや費用感が変わります。効果と一緒に「何を使ったか」を押さえると、自社で検討すべき選択肢が具体的になります。

まず、潤沢な投資と専門人材を持つ大手メーカーの事例から見ていきます。規模の大きさに目が行きがちですが、着目すべきは「どの課題から手をつけたか」という起点の選び方です。

ダイキン工業×日立 — 熟練技能のデジタル化

ダイキン工業が直面したのは、熟練技術者の高齢化と技能継承の課題です。空調機の製造に欠かせない「ろう付け」は、トーチの角度や母材の温度管理に熟練を要し、習得に時間がかかる作業でした。

同社は日立製作所と協創し、2017年に「ろう付け技能訓練支援システム」を滋賀製作所へ導入しました。熟練者の手やトーチの動き、母材の温度変化をカメラやセンサーで時系列に収集してデジタル化し、標準動作モデルを構築。訓練者の動作を統計的に比較して、数値とグラフで指導する仕組みです（ダイキン2017年9月ニュースリリース、日立Lumada事例より）。日経クロステックの報道では、この取り組みにより育成期間が半減したと伝えられています（xtech.nikkei.com）。

勘や見て覚える世界だった技能を数値の条件に置き換えたことで、指導の属人性が下がり、習得が早まりました。従来は熟練者が訓練者の隣について指導していた作業を、標準動作モデルとの差分を画面で示す形に変えたため、指導側の負担も軽くなっています。両社はその後も化学品の品質管理ノウハウのデジタル化（2018年）や、生成AIを使った設備故障診断（2025年に試験運用）へと協創を広げており、技能・ノウハウのデジタル化を継続的なテーマとして位置づけています。

編集部コメント：この事例の要点は、AIや画像解析という技術そのものより「技能継承という一点に絞った」ことにあります。技能の数値化は中堅・中小でも応用しやすく、ベテラン1人の調整作業を温度や角度の条件として残すだけでも、退職前の技能流出を防げます。大手の派手な仕組みに見えても、入口は自社でも真似できる課題設定です。

デンソー — 世界130工場をつなぐFactory-IoTプラットフォーム

デンソーの課題は、世界各地に分散した工場の生産情報がつながっておらず、改善のスピードに限界があったことです。拠点ごとに最適化が進んでも、全社で知見を共有しにくい構造でした。

同社は2020年、世界各国の約130工場をITとIoTでつなぐ「Factory-IoTプラットフォーム」を自社開発したと公表しています（デンソー2020年10月ニュースリリース）。設備や人の稼働データを統合し、データ活用によって稼働率の向上や改善にかかる時間の短縮につなげる狙いです。「ダントツ工場」という全社目標のもとで、拠点横断のデータ基盤を整えた取り組みです。

多拠点を持つ大手ならではの規模ですが、注目したいのは基盤を自社開発するほど「データをつなぐこと」を経営課題として位置づけた点です。拠点ごとに使うシステムや指標の定義がバラバラだと、たとえ各工場がデータを持っていても全社では比べられません。デンソーはこの「つながらないデータ」という壁を、共通基盤を整えることで越えようとしました。拠点間で指標を共通化し、横断で比較・改善できる状態を作ることが、全体最適の前提になります。

市販のプラットフォームではなく自社開発を選んだ背景には、自社の生産方式に合わせて細かく作り込みたいという意図があると考えられます。一方で、自社開発には相応の開発体制と維持コストが伴います。多くの企業にとっては、市販のIoTプラットフォームを土台に必要な部分だけ作り込むほうが現実的で、デンソーの事例はあくまで「データ統合を経営課題に据えた」という考え方の部分が参考になります。

編集部コメント：130工場という規模は中堅・中小には縁遠く見えますが、本質は「拠点や工程ごとにバラバラだったデータの指標を揃えた」ことです。2拠点・3ラインの規模でも、稼働率や停止理由の定義を共通化するだけで比較ができ、改善のヒントが生まれます。規模より「指標の共通化」が再現すべきポイントです。

コマツ — 製品IoTから現場全体の最適化へ

コマツの取り組みは工場内にとどまらず、建設機械そのものをIoT化した点に特徴があります。出発点は、世界中に納めた建機の稼働状況を把握できないという課題でした。

同社は早くから「KOMTRAX（コムトラックス）」で建機をネットワークにつなぎ、所在や稼働状況、燃料、消耗品の状態を遠隔で監視する仕組みを整えました。さらにこれを発展させ、ドローン測量から施工計画、建機による施工、検査までを一連のデータでつなぐ「スマートコンストラクション」へと広げています（コマツIR資料より）。製品から得たデータを起点に、現場全体の生産性最適化へ踏み込んだ事例です。

製造業のIoTというと工場内の設備監視を思い浮かべがちですが、コマツは製品そのものをデータ源にして新たな価値につなげました。建機の稼働データが集まれば、どの部品がいつ消耗するかを予測して保守を提案でき、盗難や不正使用の検知にも使えます。自社製品が稼働後にどう使われているかをデータで把握できれば、保守サービスや次の製品開発にも生かせます。工場のスマート化が「作る現場」のデータ活用だとすれば、コマツの取り組みは「使われる現場」のデータ活用へと範囲を広げた事例といえます。

編集部コメント：この事例は「IoTの対象は工場の中だけではない」ことを示します。自社製品が出荷後にどう使われているかをデータで追えれば、保全サービスの提案や故障の予防につながります。装置や機械を販売するメーカーにとって、製品IoTは工場のスマート化と並ぶ検討軸になります。

三菱電機 — 自社工場でのe-F@ctory実践

三菱電機は、自社のFA（ファクトリーオートメーション）機器を使って、まず自社工場のスマートファクトリー化を進めてきました。FA機器メーカーが自ら使い込み、その知見を製品に還元する立場にあります。

同社の名古屋製作所では、FA機器の各工程の生産データとITシステムを連携させ、効率的な情報処理を実現しています。静岡製作所では、業務用エアコン室外機の製造ラインにRFID（電子タグ）を導入し、部品や工程の取り違えといった作業者のミスを防ぐ仕組みを構築しました（三菱電機システムサービス公開情報より）。これらの実践は、同社が提供するe-F@ctoryというコンセプトの土台になっています。

RFIDによるミス防止のように、大がかりなAIを使わなくても効果を出せる施策が含まれている点は参考になります。データを使った「見える化」と「取り違え防止」は、比較的着手しやすい領域です。

編集部コメント：RFIDによる取り違え防止は、AIや高度な分析を伴わずに品質と効率を改善できる現実的な施策です。多品種少量生産で部品や工程の間違いに悩む工場であれば、まずこの種の「ミスを物理的に防ぐ仕組み」から検討する価値があります。スマートファクトリー化は高度な技術から始める必要はありません。

キユーピー — AIによる原料検査の自動化

キユーピーの課題は、食品の原料検査における不良パターンの多さでした。変色や夾雑物など不良の種類は無数にあり、従来の画像処理では不良パターンを学習させる方式が一般的でしたが、種類が多すぎて精度を出しにくいという壁がありました。

同社はブレインパッドおよびGoogleと連携し、ディープラーニングを活用した原料検査装置を開発しました。不良ではなく「良品のパターン」を学習させ、それ以外をすべて不良として検出する逆転の発想で、無数の不良パターンに対応しています（キユーピー2019年公表、Google Cloud事例より）。

判定基準の設計を変えることで、AIが扱いにくかった課題を解いた事例です。技術の導入そのものより、「何を学習させるか」という設計の工夫が成果を分けました。

編集部コメント：良品基準で判定するという発想の転換は、検査自動化を検討する多くの工場に応用できます。不良サンプルが少なくAIの学習が難しい工程ほど、良品の正常範囲を学ばせる方式が有効なことがあります。AI検査の導入を考える際は、技術選定の前に「何を基準に判定するか」を詰めることが成否を分けます。

大手の事例は参考になる一方、投資規模や専門人材の前提が異なり、そのまま真似るのは難しいものです。ここでは、限られた資源のなかで成果を出した中堅メーカーの事例を見ていきます。

旭鉄工×i Smart Technologies — 既存設備の見える化から始めた改善

旭鉄工は、従業員数百名規模の自動車部品メーカーです。古い機械が多く、IoT化は難しいという認識が社内にありました。多くの中小製造業が抱える「設備が古くてデータが取れない」という典型的な課題です。

同社は2014年ごろから、既存設備に後付けできるセンサーを使い、生産ラインの稼働状況や停止理由を見える化する取り組みを始めました。設備を入れ替えずにデータを取得し、SORACOMの通信回線などを活用してクラウドで分析する構成です（ソラコムIoT事例、IPA DX SQUARE事例より）。データにもとづいて停止理由を一つずつ潰し、生産性を改善していきました。

公開されている情報によれば、複数年にわたる取り組みで多数のラインの生産性が平均で大きく向上し、労務費の削減にもつながったとされています（ソラコムIoT事例、IPA DX SQUARE事例より）。出典によって示される数値には幅がありますが、いずれも「停止理由を見える化し、データで改善を回す」ことで継続的に成果を積み上げた点で一致しています。この成果は社外にも評価され、同社は自社開発したIoTの仕組みを外販する子会社（i Smart Technologies）を設立するに至りました。1ラインあたり月数百円規模から始められる低コストな仕組みである点も、中小に広がった理由です。

この事例で見落とせないのは、改善を進めたのが外部のコンサルタントではなく、現場を知る社内の人たちだったという点です。データで「どのラインが、いつ、なぜ止まったか」が分かるようになれば、原因の特定と対策は現場の知見で進みます。高価なAIや大規模なシステムがなくても、見える化と地道な改善の積み重ねで成果が出ることを示した事例です。

編集部コメント：この事例は、中小製造業がスマートファクトリー化を諦める必要はないことを示す好例です。鍵は、新しい設備への入れ替えを待たず、後付けセンサーと低コストな通信・クラウドで「まず見える化する」こと。停止理由をデータで把握できれば、改善は現場の知恵で進みます。大規模投資より、小さく始めて効果を積み上げる姿勢が成果につながっています。

大手と中堅・中小の事例を並べると、規模によって変わる部分と、規模に関係なく共通する部分が見えてきます。この切り分けを理解すると、大手事例のどこを自社に取り込めるかが判断しやすくなります。

規模によって変わるのは、投資額・基盤の選び方・対象範囲です。デンソーのように世界130工場を自社開発の基盤でつなぐ取り組みは、相応の投資と専門人材があって成立します。一方、旭鉄工は既存設備に後付けセンサーを付け、低コストな通信・クラウドサービスを使って1ラインから始めました。同じ「見える化」でも、規模に応じて手段はまったく異なります。中小であれば、自社開発ではなく従量課金のクラウドやSIM回線単位のサービスを使い、効果の大きい工程に絞るほうが現実的です。

規模に関係なく共通するのは、課題起点で始めること、効果を数値で測ること、現場を巻き込むことです。ダイキンの技能継承も旭鉄工の停止削減も、解く課題を明確にしてから着手しています。技術の規模は違っても、進め方の骨格は同じです。だからこそ、大手事例は「投資規模」ではなく「進め方の考え方」を抜き出して参考にすると、中小でも応用できます。

規模も業種も違う事例ですが、成果を出した企業には共通する進め方があります。自社で取り組むときの指針として、4つのパターンに整理します。

目的を1つの工程・課題に絞って始めている

成功した事例は、いずれも「何を解くか」を明確にしてから着手しています。ダイキンは技能継承、キユーピーは原料検査、旭鉄工は設備停止と、対象を1つに絞っています。漠然と「工場をスマートにする」ではなく、具体的な課題から入ることが、効果を測れる状態をつくります。

既存設備を活かしてスモールスタートしている

旭鉄工のように、古い設備を入れ替えずに後付けセンサーで見える化を始めた事例は、中小にとって特に参考になります。最初から全設備・全工場を対象にせず、効果の大きい工程から小さく始めることで、投資のリスクを抑えながら成果を確認できます。

効果を数値で測り、横展開につなげている

デンソーが拠点間で指標を共通化したように、効果を数値で測れる状態をつくることが横展開の前提になります。停止時間や生産性といった指標で改善を可視化できれば、次の投資判断や他ラインへの展開の根拠になります。数値で語れないPoCは、予算が続かず止まりがちです。

現場を巻き込み、技能・ノウハウをデータに残している

ダイキンの技能デジタル化や三菱電機のRFID活用は、現場の作業そのものを改善対象にしています。データを入力・活用するのは現場の作業者であり、彼らが負担なく使える仕組みでなければ定着しません。ベテランの技能をデータに残す取り組みは、人手不足が深刻な工場ほど効果が大きくなります。

これらの成功パターンを自社で実践するには、課題に合うIoTプラットフォームの選択が出発点になります。ITトレンドの製造業向けIoTプラットフォームカテゴリでは、対応する管理領域や企業規模の条件で製品を絞り込み、比較できます。

成功事例の裏には、同じ数だけ途中で止まった取り組みがあります。事例から逆算すると、つまずきやすいポイントも見えてきます。

最も多いのが、実証実験（PoC）を繰り返すだけで実用化に至らない「PoC死」です。専門メディアのMONOistでもこの現象が継続的に取り上げられています（monoist.itmedia.co.jp、2024年）。原因は技術よりも、PoCが経営目標と切り離され、効果を定量化できないまま予算が尽きることにあります。成功事例が最初に課題と効果指標を決めていたのは、この罠を避けるためでもあります。

次に、全社一斉導入を狙う失敗です。効果検証のないまま広く導入すると、費用対効果が見えず行き詰まります。事例の多くが特定の工程や拠点から始めていたのは、リスクを抑えるためです。旭鉄工が1ラインから、ダイキンが「ろう付け」という1工程から始めたように、最初の対象を絞ることで、少ない投資で効果を確かめてから広げられます。最初から完璧な全体像を描こうとして計画が肥大化し、着手できないまま終わるのも、よくある失敗のかたちです。

運用・分析の人材を見込まないことも、つまずきの一因です。導入して終わりではなく、データを使い続ける体制がなければ効果は出ません。社内人材が不足する場合は、ダイキンと日立、旭鉄工とi Smart Technologiesのように、外部パートナーと組む選択も現実的です。さらに、設備をネットワークにつなぐ以上、OT（制御系）を狙うサイバー攻撃への備えも欠かせません。つなぐ範囲とつなぎ方を設計でコントロールすることが、後からの手戻りを防ぎます。

スマートファクトリーの事例から学ぶべきは、成果の大きさではなく進め方です。ダイキン・デンソー・コマツ・三菱電機・キユーピー・旭鉄工のいずれも、解く課題を1つに絞り、既存資源を活かして小さく始め、効果を数値で測りながら広げています。規模が違っても、この流れは中小でも再現できます。

自社で取り組むなら、まず技能継承・設備停止・品質検査・エネルギーコストといった課題のうち、最も解きたい1つを選ぶことから始まります。そのうえで、その課題に近い事例の進め方を参考にし、効果を測れる小さな範囲で検証する形が、つまずきにくい入り方です。たとえば技能継承が課題ならダイキンの技能デジタル化、設備停止が課題なら旭鉄工の見える化、品質検査が課題ならキユーピーのAI検査というように、課題と事例を対応づけて読むと、自社で取るべき手段が具体的になります。

スマートファクトリーという言葉や技術の全体像をあらためて整理したい場合は、製造業向けIoTプラットフォームのカテゴリとあわせて、定義や仕組みを解説した記事も参考になります。事例で進め方をつかみ、用語と技術で全体像を押さえ、製品比較で具体策に落とすという流れが、検討を前に進めやすくします。

課題が定まったら、それを実現できるIoTプラットフォームを具体的に比べる段階です。ITトレンドの製造業向けIoTプラットフォームカテゴリでは、対応領域や企業規模の条件で製品を絞り込み、比較できます。