この半年、製造業と物流の経営者と向き合う場が続きました。共通していたのは、生成AIをもう「試すかどうか」では語っていないことです。担当者が検索窓に並べる言葉も、生成AI 製造 物流 / 生成AI 導入 2026 / 産業 AIへと、業種と時期を絞ったものに変わってきました。答えを知りたいのではなく、自社の現場で何が起きるのかを見極めたい、という切り替えです。

その変化は、相談の中身にも表れます。以前は「何ができるのか」を尋ねられましたが、いまは「どこまで任せてよいのか」「隣の会社はどこまでやっているのか」に移っています。経営の関心が、可能性の話から配分の話へ動いた、ということでしょう。

私はハマダラボで日本市場向けにWindyFloという業務自動化の基盤を提供していますが、経営の判断で効くのは売り込みより前の一手間です。「いま製造と物流で実際に何が動いているのか」を、印象ではなく一次データで確かめる。数字の大小を競う前に、どの数字を信じてよいかを見極めるほうが、投資配分を預かる立場には先に効きます。

2026年、製造・物流で生成AIの導入は実際どこまで進んだのか

「試す」段階はすでに越え、業務の一部で日常的に使われる段階に入りました。ただし、そこから成果を出せている企業はごく一部にとどまります。導入率と成果の間に、はっきりした断層があるのが2026年の実態です。

総務省「令和7年版 情報通信白書」によれば、業務でAIを「積極的に利用している・利用している」と答えた国内企業は2024年度で49.7%、前年度の42.7%から上がりました。個人の生成AI利用率も26.7%と、前年の9.1%から約3倍に伸びています。触れたことのある層は、もう珍しくありません。

海外に目を移すと、断層はより鮮明です。マッキンゼーの調査では、少なくとも一つの業務でAIを使う組織は世界で88%に達しました。ところが、AIから会社の利益に意味のある差を生み出せている「高成果企業」は、わずか6%にすぎません。使っているかどうかは、もはや差になりません。

この6%という数字を、私は脅しではなく設計図として読んでいます。裏を返せば、成果を出す会社には共通の型がある、ということだからです。全社を一度に変えるのではなく、効く工程を選び、任せる範囲を段階的に広げる。製造・物流のように現場を持つ産業では、この型を守れるかどうかが、投資が実を結ぶかを分けます。

市場そのものは膨らみ続けています。IDC Japanの予測では、国内AIシステム市場は2024年に1兆3,412億円と前年比56.5%増を記録し、2029年には4兆1,873億円へ広がる見通しです。投資は確実に増える。だからこそ経営に問われるのは、その増分をどこに置くか、という配分の判断になります。

もう一つ、見落とせない差があります。同じ情報通信白書は、AI活用の方針を定めている企業の割合で、大企業と中小企業の間に開きがあることも示しました。体力のある大企業が先に整え、現場の多い中小があとを追う構図です。製造・物流は中小の裾野が広いぶん、この差がそのまま産業全体の遅れとして表れかねません。

経営の視点で読み替えると、いまは「導入したか」を競う局面ではありません。触れた企業が半数に迫った以上、差がつくのは、どの工程に、どこまで深く入れたか、です。表面的に一度使ってみた会社と、日々の受注や配車に組み込んだ会社では、一年後の景色がまるで違ってきます。

なぜ製造・物流という「現場を持つ産業」で生成AIの導入は難しいと言われてきたのか

現場を持つ産業で導入が難しいのは、データが設備・帳票・人の頭に分断されていて、判断の多くが熟練者の暗黙知に属人化しているからです。文章を書くのが上手なAIを入れても、現場の意思決定はそこに載っていません。

製造の現場を思い浮かべると分かりやすいはずです。受注はメールとFAXで届き、在庫はERPに数字があるのに発注の判断はExcelと経験則で回っている。データはそろっているのに、データとデータの「あいだ」に人の手が挟まったまま、というのが典型でした。

この構造は、国も繰り返し指摘してきた論点です。経済産業省ほかがまとめた「2025年版 ものづくり白書」は、深刻な人材不足を背景に、営業・設計・調達・生産技術など複数の領域でAIとデータの活用を進める必要があると整理しています。人が足りないから自動化したいのに、自動化する前提のデータ整備に人手が要る、という矛盾がここにあります。

物流はさらに時間の制約が重くのしかかります。2024年4月からドライバーの時間外労働に上限が設けられ、いわゆる「2024年問題」が現実になりました。国土交通省の検討会の試算では、対策を講じなければ2024年度に輸送能力が約14%、2030年度には約34%不足する可能性があるとされています。人を増やして解く道が細るほど、現場は仕組みで補うしかなくなります。

もう一段掘ると、難しさは「例外の多さ」にも行き着きます。特急の注文、仕様変更、返品、急な配送先の変更——標準から外れる案件を、現場が毎回その場でさばいている。標準の8割を仕組みに任せ、残る2割の例外に人の時間を寄せる。この配分を先に描けるかどうかが、現場を持つ産業の分かれ目になります。

裏を返せば、ここに製造・物流ならではの勝ち筋があります。工程が定型で、判断のルールを言葉にしやすい業務ほど、実行を任せたときの効果は大きい。文書作成の効率化より、むしろ現場の反復作業のほうが、働くAIの投資対効果は出やすいのです。難しいと言われてきた産業こそ、伸びしろが大きいと私は見ています。

製造の現場では、生成AIの導入は何から始まっているのか

製造で先に動いているのは、受発注の入力、在庫の引当・発注判断、実績の集計という、ERPの内と外を人が橋渡ししてきた定型工程です。効果が見えやすく、正解がはっきりしている工程から順に置き換わっています。

受注入力を例にとります。取引先ごとに様式の違うメールやPDFの注文書から、品目・数量・納期を読み取ってERPへ手入力する。この転記こそ、AIエージェントに渡しやすい工程です。

人は読み取れなかった数件を確認するだけでよく、正常な大半の受注は目視の対象から外れます。効き方の勘所は、作業の総量を一律に削ることではなく、人が目を通すべき対象そのものを絞り込む点にあります。ここを取り違えて全件チェックを残したままにすると、自動化してもなぜか現場の負荷は減りません。

在庫と発注の判断は、その次に来ます。在庫数・受注残・入荷予定・リードタイムを読んで発注案を作らせ、最終の承認は購買担当が握る。ここで大事なのは、AIに「案」までを作らせ、確定は人に残す線引きです。工程を全部渡すのではなく、どこまでを任せてどこで人が止めるかを、先に決めておく必要があります。

実績報告も、早くから置き換わっている工程です。ERPやMES、倉庫管理システムに散らばった生産実績や在庫の数字を、担当者が集めて資料にまとめる。この集計をエージェントに下書きさせ、経営会議に出す確定値は人が承認する。どの数値がどのシステムのいつのデータから来たのかを、監査ログでたどれるようにしておくのが前提です。

見落とされやすいのが、工程と工程の「つなぎ替え」です。受注が確定したら在庫を引き当て、引当がついたら生産計画へ渡す。この受け渡しを人がメールや口頭で回している現場では、抜けや二重処理が起きます。前工程の結果をそのまま次工程の入力へ渡せるようにするだけで、待ち時間と連絡ミスは減っていきます。

ただし、こうした置き換えの前に効いてくる地味な下ごしらえがあります。品目コードや取引先コードの表記が部署ごとに揺れていたり、単位や納期の書式がばらばらだったりすると、AIに読み取らせても取り違えが起きる。受発注へ渡す前に、コードの名寄せと様式の統一をどこまで済ませておくか。この土台の精度が、後の自動化の歩留まりを静かに決めます。

この始め方の具体的な工程は、[製造業のERPにAIエージェントをつなぐ6か月自動化シナリオ](/ja/blog/seizogyo-erp-ai-scenario/)で、受発注から在庫、報告までの順序として整理しています。共通するのは、大きく一度に変えず、手作業が集中する一点から入るという設計です。

物流の現場では、生成AIはどこに効いているのか

物流で効いているのは、配車の調整、在庫と入出荷の管理、そして問い合わせ対応という、担当者が電話とメールで抱えてきた領域です。輸送力そのものを増やせないぶん、一件あたりに費やす人の時間を削るところに価値が出ています。

先に触れた輸送力不足は、現場では「人を増やして解く」余地がないことを意味します。配車の組み替え、遅延の連絡、在庫照会といった調整業務に熟練者の時間が吸われている状態で、その調整をAIエージェントが下書きし、人が確定する形に置き換える。空いた時間を、本来難しい交渉や例外対応へ寄せる発想です。

問い合わせ対応も、負荷の集まりやすい工程です。「あの荷物はいつ着くか」「この在庫はあるか」という定型の照会に、システムの数字を読んで即答させる。ここでも確定的な約束は人が握りますが、一次応答をエージェントが担うだけで、現場の電話は目に見えて減ります。

効果の測り方も、製造とは少し違います。物流では、削減した作業時間だけでなく、遅延の連絡がどれだけ早くなったか、照会にどれだけ即答できたかという、時間の質が現場の納得を左右します。繁忙期に人が火消しに追われなくなったか——経営がそこを指標に置くと、現場の定着は進みやすくなります。

指標を具体に落とすなら、遅延連絡までのリードタイム、問い合わせの一次応答率、繁忙期の時間外時間あたりが見やすいところです。作業時間の削減だけを追うと、数字は減ったのに現場はなぜか楽になっていない、というずれが起きがちになります。熟練者が張り付いていた調整のうち、何割を機械に渡せたか。この置き換え率を経営が握っておくと、次にどの工程へ広げるかの判断を、印象ではなく数字で回せます。

物流特有の難しさは、複数の事業者やシステムをまたぐ点にもあります。荷主、運送会社、倉庫がそれぞれ別の仕組みで動くなかで、情報の受け渡しに人が張り付く。ここでも、コードの対応や締めのタイミングをそろえてからつなぐという地道な土台づくりが、自動化の成否を静かに左右します。

3PL事業者が配車・在庫・問い合わせをどうつないでいくかは、[物流3PLの配車・在庫・問い合わせをAIでつなぐ事例シナリオ](/ja/blog/butsuryu-3pl-ai-jidoka/)で工程ごとに扱いました。製造と同じく、正解が明確で反復の多い工程から入るのが、物流でも定石になっています。

「答えるAI」と「働くAI」では、産業への効き方はどう変わるのか

答えるAIは人の作業を助ける道具で、働くAIは工程そのものを引き受ける実行者です。製造・物流のように現場を持つ産業では、効果が跳ねるのは後者のほうです。文章の下書きが速くなるだけでは、受注や配車の手作業は消えません。

ChatGPTは答えます。WindyFloは働きます。私たちがこの言葉を掲げるのは、まさにこの境界を経営に意識してほしいからです。問いに答える段階でとどまるのか、ERPや配車の仕組みに触れて実際の処理まで動かすのか。産業の現場で回収できる効果は、この一線の向こう側に多くが残されています。

この見方は、市場の予測とも重なります。IDCは「FutureScape 2026」で、2026年をAIエージェントが「業務を実行する」段階に入る転換点と位置づけました。会話を助ける補助役から、ワークフローに組み込まれて仕事をこなす相棒へ。製造・物流にとっては、この移行こそが導入の本番だと私は考えています。

実際、IDCはAIソフトウェア市場をAI市場全体より速い成長と見込み、その牽引役にAIエージェントを据えています。市場の重心が「答える」機能から「実行する」機能へ移っていく、という読みです。数字の裏にあるのは、道具の流行ではなく、任せられる範囲がじわりと広がっていく現実のほうだと、私は受け止めています。

注意したいのは、働くAIに移るほど、任せる範囲の設計が重くなることです。答えるだけなら間違えても訂正で済みますが、受注を起票し発注を出す段階では、誤りがそのまま基幹データに残ります。だからこそ、承認キューや権限の分離、監査ログといった制御を、機能の華やかさより先に確かめる必要があります。

制御を具体に言えば、三つの線引きに集約されます。まず、どの操作までを自動で確定させ、どの金額や数量の閾値を超えたら人の承認へ回すか。次に、起票・承認・実行の権限を役割ごとに分け、一人が最初から最後まで通せない形にしておく。

そして、誰が・いつ・どのシステムのどのデータで動かしたのかを、監査ログで後からたどれるようにする。派手な機能の比べ合いより、この三点が自社の要件に収まるかを先に確かめておくほうが、後戻りのコストはずっと小さく済みます。

この違いは、製品を選ぶ前に自社を見る理由にもなります。同じ生成AIでも、答えさせる使い方でとどめるのか、工程に組み込んで動かすのかで、必要な体制も投資も変わる。まず自社のどの業務を実行者に渡せるかを棚卸ししてから、道具を選ぶ。順番を逆にすると、高機能なものを入れても現場で遊んでしまいます。

だからこそ、導入の成否を「どのAIを選ぶか」だけで測るのは危うい。問われているのは、自社のどの工程を実行者に渡し、どこで人が承認を握るか、という業務設計のほうです。道具の性能比べより、任せる範囲の線引きに、経営の判断が要ります。

実態を踏まえて、製造・物流の企業が次に打つべき「次の一手」は何か

次の一手は、全社一斉の導入ではなく、手作業が集中して正解のはっきりした一工程から小さく始めることです。そこで効果とコストを実測し、任せる範囲を月ごとに広げていく。この順番を守れるかどうかが、成果を出せる6%側に入れるかを分けます。

高成果企業がわずかだという事実は、逆に読めば道筋を示しています。多くの会社は「入れたのに回らない」で止まっている。その差は、技術の優劣ではなく、始め方の設計にあります。対象を欲張らず、承認を人に残し、監査ログで実態を見ながら広げる。地味ですが、これが再現性のある入り方です。

始め方を誤る典型は、検証の段階に本運用の要件を盛り込んでしまうことです。あれもこれもと欲張ると、試すはずが小さな本番になり、費用も判断も重くなる。つまずいたときにどう切り戻すかまで含めて設計しておくと、現場は安心して次の工程へ進めます。小さく区切るほど、失敗しても損失は小さく、学びだけが手元に残ります。

小さく始めるとき、経営がひとつ用意しておくとよいのが、撤退と拡大を分ける物差しです。この一工程で人の何時間が浮いたか、誤りはどれだけ減ったか、運用の手間はどれだけ増えたか。三つを一か月ほど測り、割に合えば隣の工程へ広げ、合わなければ潔く畳む。判断の線を先に引いておくと、投資配分の議論が感情論から数字の話へ変わります。

もう一つ、経営が握っておきたいのは、始めた自動化を「続ける」体制です。作った仕組みは放っておいても動き続けるわけではなく、業務が変われば手直しが要ります。社内で抱えるのか、運用まで任せられる形を選ぶのか。この判断を最初に決めておくと、二年目に費用と手間が膨らむ事態を避けられます。

経営としては、費用の見取り図を先に描くことも欠かせません。初期費用の安さではなく、運用・保守まで含めた総所有コストで判断する。この考え方は、[中小企業のAI導入コスト：PoCから本運用までの総所有コストで分解](/ja/blog/chusho-kigyo-ai-cost-roi/)で費目ごとに整理しました。投資配分は、総額が読める前提でしか組めません。

忘れてはならないのは、自動化の目的が人を減らすことではない、という点です。製造も物流も人材不足が常態化するなかで、AIに任せて空いた時間を、熟練者にしかできない交渉や改善へ回す。仕事を奪うのではなく、人の時間を付加価値の高いほうへ振り向ける——この再配置の絵を経営が描けるかどうかも、定着を左右します。

付け加えれば、空いた時間の行き先を先に決めておくことも経営の役目です。浮いた工数を人員削減の口実にとどめるのか、熟練者を交渉や改善設計へ振り向けるのか。前者に寄せると現場は自動化へ非協力的になり、せっかくの仕組みが根づきません。時間の再配置図を経営が描き、現場と共有できるかどうかが、二年目以降の伸びを分けると私は見ています。

セキュリティ認証や連携できるシステムの範囲は、カタログの数字を鵜呑みにせず、自社の要件に照らして一つずつ確かめてください。製造・物流の生成AI導入は、才能や会社の規模ではなく、始める工程の選び方と、費用を見通す精度で決まります。小さく始めて実測で広げる。その一手が、2026年の断層の正しい側に立つための、最も確実な備えになります。

よくある質問

出典

• ［1次］総務省「令和7年版 情報通信白書」（2025年7月公表）— 企業におけるAI利用の現状（2024年度、業務利用49.7%）: https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html ／ 個人における生成AI利用の現状（日本26.7%）: https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112210.html
• ［1次］経済産業省・厚生労働省・文部科学省「2025年版 ものづくり白書」（令和7年5月）— 製造業の人材不足と、複数領域でのAI・データ活用という背景論点: https://www.meti.go.jp/report/whitepaper/mono/2025/pdf/gaiyo.pdf
• ［1次］国土交通省「持続可能な物流の実現に向けた検討会」試算 — 対策を講じない場合の輸送力不足（2024年度 約14%、2030年度 約34%）: https://www.mlit.go.jp/seisakutokatsu/freight/content/001984794.pdf
• ［1次］IDC Japan「国内AIシステム市場予測、2024年～2029年」（2025年5月1日発表）— 2024年 1兆3,412億円（前年比56.5%増）、2029年 4兆1,873億円: https://my.idc.com/getdoc.jsp?containerId=prJPJ53362125
• ［1次］IDC Japan「IDC FutureScape: 2026年 国内IT産業の主要予測」（2025年12月2日発表）— 2026年をアジェンティックAIの本格採用による「業務実行」への転換点と位置づけ（AIソフトウェア市場をAI市場全体より速い成長と予測、牽引役にAIエージェント）: https://my.idc.com/getdoc.jsp?containerId=prAP53965025
• ［1次］McKinsey「The State of AI」（2025年）— 少なくとも一つの業務でAIを利用する組織88%、高成果企業6%: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• 本稿の工程・制御ポイントに関する記述は、ハマダラボ（HAMADA LABS Japan）による製造・物流のAI導入支援での一次観察に基づくモデルケースであり、特定企業の実在事例ではありません。