日本のフィジカルAI/Noetraから考える、現場DXはロボット導入よりデータ取得設計が先

先に結論

フィジカルAIやNoetraのニュースを見て、中小企業の現場が最初に手を付けるべきなのはロボットの購入ではありません。「どの作業を、どんなデータで改善対象として特定できるか」を先に決めることです。

ロボットや自動化機器は、決められた作業を決められたとおりに繰り返す道具です。何を改善すべきかを教えてはくれません。改善すべき工程を見つけ、投資の当たり外れを判断する材料は、現場のデータからしか出てきません。だからこそ、現場DXは機器導入よりデータ取得設計が先になります。

本記事は、「何を・どの粒度で・どの記録やセンサーで取り・誰が見て・どう既存システムと繋ぐか」という取得設計を、判断の順序とともに整理します。ロボットを入れる前に読んでおくと、無駄な設備投資と現場の反発を避けやすくなります。

いま何が起きているのか（確認できた事実と、報道にとどまる数値を分けて読む）

経済産業省は2026年6月30日、NEDO（新エネルギー・産業技術総合開発機構）と連携して「AIロボット・フィジカルAIを見据えたマルチモーダル基盤モデル開発事業」を開始すると発表しました。公募の結果、Noetra株式会社と産業技術総合研究所（産総研）が採択され、事業期間は2026年度から2030年度の5年間です。狙いは、言語だけでなく画像・動画・音声・センサーデータを扱う国産のマルチモーダル基盤モデルを開発し、現場データを守りながら活用してフィジカルAIを実現することにあります。ここまでは経済産業省の一次文書で確認できる内容です。

一方で、「2040年までに1,000万台のロボットを配備」「5年で最大1兆円規模の支援」「世界のフィジカルAI市場で3割のシェア」といった見出しの数値は、TechRadarやTom's Guide、国内外の報道が伝えているもので、本記事執筆時点（2026年7月10日）に確認できた経済産業省の一次文書には、これらの具体的な台数・金額・シェア目標として明記されていません。政策の大きさに驚く前に、数値の出どころが官庁の一次資料なのか報道なのかを分けて読むことが、経営判断では重要です。本記事では、確認できた一次情報を前提に議論し、報道段階の数値は投資判断の根拠には置きません。

そして、この事業の核心は台数の大小ではありません。経済産業省自身が「我が国の裾野の広い産業を生かした現場データを利活用し」と述べているとおり、勝負どころは現場データです。政策が大きかろうと小さかろうと、自社の現場でその日から整理できるデータがあるかどうかが、AIやロボットを実装できるかを左右します。

「ロボットを入れれば現場は良くなる」が失敗する構造

現場の困りごとが積み上がると、「人手が足りないからロボットを」「工程が遅いから自動化を」という発想に飛びつきたくなります。しかし、この順序で入れた機器は高い確率で持て余されます。理由は単純で、ロボットは自分で改善点を見つけないからです。

ロボットや自動化装置は、あらかじめ決めた作業を、決めた条件で、決めた手順どおりに繰り返す道具です。搬送する、締める、検査する、積む——どれも「何を、どこで、どうやるか」が固定されていて初めて動きます。ところが現場の本当のボトルネックは、たいてい固定された作業そのものではなく、その前後の待ち、段取り替え、手戻り、例外対応に潜んでいます。速い作業をさらに速いロボットに置き換えても、前工程で毎回止まっていれば全体は速くなりません。改善対象を取り違えたまま機器を入れると、動くけれど効かない設備が残ります。

もう一つの落とし穴は、比較の土台がないことです。導入前の状態を数字で残していない現場では、ロボットを入れた後に「本当に良くなったのか」を証明できません。感覚では「楽になった気がする」でも、実際には人が装置のお守りをする新しい仕事が増えているだけ、ということが起こります。改善したかどうかを言えないということは、次の投資判断の根拠も作れないということです。

だから順序が逆になります。先にやるべきは、現場で「どこが・どれだけ・なぜ」詰まっているかをデータで特定することです。改善対象が数字で見えて初めて、そこを自動化すべきか、そもそも別の手を打つべきかを判断できます。ロボットは、その判断が済んだ後に選ぶ道具です。この考え方は、現場DXは業務データ設計で勝負が決まるという視点でも掘り下げています。

データ取得設計とは何か

データ取得設計とは、「改善対象を特定し、投資判断ができるだけのデータを、現場の負担に収まる形で残す仕組み」を先に決めることです。難しいシステムの話ではありません。次の五つを、対象の一工程について具体的に決めるだけです。

第一に、何を測るか。現場改善で効くデータは、だいたい五種類に絞れます。作業時間（どの作業に何分かかっているか）、停止・待ち時間（設備や前工程の待ちで手が空いている時間）、不良・手戻り（やり直しが発生した回数と原因）、搬送・移動（人やモノがどれだけの距離・回数動いているか）、そして例外対応（標準どおりに進まなかった件数と、その理由）です。全部を一度に取ろうとせず、まず「ここが一番つらい」と現場が言う一つから始めます。

第二に、どの粒度で取るか。粒度が粗すぎると原因にたどり着けず、細かすぎると記録が続きません。たとえば「一日の生産数」だけでは、なぜ遅いのかは分かりません。「工程ごとの開始・終了時刻」まで落とすと、どの工程で時間が溶けているかが見えます。原因を分けたい軸（工程別・製品別・人別・時間帯別・設備別のどれか）を先に決め、その軸で集計できる粒度で取るのが基本です。

第三に、どうやって取るか。取得手段は大きく三つです。人手記録（紙・タブレット・スマホでの入力）、センサー（稼働ランプ、電流計、カウンター、位置ビーコン、カメラなど）、既存システムのログ（生産管理・販売管理・勤怠・入退室・POS・機械の稼働データ）。原則として、既にどこかに残っているデータ（既存システムのログ）から探すのが最も安く、次にセンサーで自動取得、人手記録は最後の手段です。人が毎回入力するデータは必ず抜けます。

第四に、誰がいつ見るか。取ったデータを見る人と、見るタイミングを決めていないと、記録は貯まるだけで判断に使われません。現場長が毎朝5分だけ前日の異常を見る、月末に工程別の待ち時間を経営が見る——このように、誰が・どの頻度で・何を判断するために見るかまでを設計に含めます。見る人が決まると、必要な項目が自然に絞れます。

第五に、繋ぎ方。現場データは単体では弱く、既存システムと突き合わせて初めて意味を持ちます。作業時間を製品コードと繋げば製品別の採算が見え、停止時間を設備IDと繋げば故障の多い機械が見えます。取得する時点で、後で突き合わせるためのキー（日付、工程、製品、設備、担当）を必ず一緒に残すことが、繋ぎ方の設計です。ここを設計せずに取ったデータは、後から集計しようとしても名寄せに膨大な手間がかかります。

取り始める順序は、既存ログの棚卸し → 一工程・一軸での実測 → 見る人と判断の固定 → 突き合わせキーの整備、の順が現実的です。いきなり全社のデータ基盤を作る必要はありません。

現場データが取れない典型的な理由と、その回避策

設計はできても、現場で実際にデータが取れない、という壁は必ず出てきます。原因はおおむね四つに分類でき、それぞれ回避策があります。

一つ目は、記録の手間がそのまま現場の負担になること。項目を増やすほど入力は続かなくなります。回避策は、まず自動で取れるものを最優先にすること。稼働・停止はランプや電流のセンサー、数量はカウンターやPOS、時刻は打刻というように、人が打ち込まない設計に寄せます。どうしても人手記録が要る項目は、自由記述をやめて選択式にし、一回の入力を数秒に抑えます。「原因」は自由に書かせず、想定される原因を五〜七個の選択肢にしておくと、集計もできて負担も減ります。

二つ目は、紙で取っても集計されないこと。紙の日報は現場の実感としては残っていても、束ねられて棚に眠り、比較には使われません。回避策は、入力の入り口をタブレットやスマホの簡単なフォームに変え、集計できる形（表計算やデータベース）で最初から貯めること。紙をやめられない現場なら、まず一工程だけデジタル入力に切り替え、効果が見えてから広げます。全帳票を一斉にデジタル化しようとすると、たいてい頓挫します。

三つ目は、機器が古くログを出さないこと。旧式の設備は稼働データを外に出せないことが多く、ここで諦めがちです。回避策は、機械本体を触らずに外付けで測ること。電流を測るクランプ、稼働ランプを読む光センサー、通過を数えるカウンターなど、後付けのセンサーで「動いている/止まっている」だけでも取れれば、停止時間の可視化には十分役立ちます。全設備を更新する必要はありません。

四つ目は、担当者しか読めないデータになること。ベテランの手元のノートや、本人しか分からない略号で書かれた記録は、その人が休んだ瞬間に使えなくなります。回避策は、項目名と選択肢の意味を最初に決めて共有し、略語や個人ルールを禁じること。標準どおりに進まなかった例外こそ、後で教育やAIの学習に効くので、例外の記録フォーマットは特に丁寧に統一しておきます。

ロボット・自動化を入れる前の判断の順序

改善対象がデータで見えたら、すぐにロボットを選ぶのではなく、次の順序で手を検討します。順序を守るほど、安く早く効きます。

まず「やめられないか」。その作業自体を廃止できないかを疑います。惰性で続いている検査、二重チェック、使われない帳票は珍しくありません。やめれば、自動化する対象そのものが消えます。次に「減らせないか」。頻度・回数・対象を絞れないかを考えます。全数検査を抜き取りに、毎日の記録を異常時のみに変えるだけで負荷は大きく下がります。三つ目に「人以外に移せないか」。ここで初めて自動化・ロボット・システムが候補になりますが、機械だけでなく、外注や既存ソフトの機能で置き換えられないかも同時に見ます。最後に「速くできないか」。移した先の作業をさらに速くする、という順です。

多くの失敗は、最初の二段（やめる・減らす）を飛ばして、いきなり四段目（速くする＝高速なロボット）に投資することで起きます。やめられる作業を自動化するのは、無駄を丁寧に自動化するだけです。この順序で絞ってから機器を選ぶと、投資額は下がり、現場の納得も得やすくなります。導入可否そのものを外部の目で確かめたいときは、AI導入可否のアセスメントのように、作る前に要る/要らないを切り分ける入口を使う手もあります。

小さく始める手順（一工程・二週間の実測）

取得設計を大きく構える必要はありません。最初は一工程・二週間の実測で十分です。手順はこうです。

対象は「現場が一番つらいと言う一工程」を一つだけ選びます。測る項目は、その工程の作業時間と停止・待ち時間、そして手戻りの回数と原因、の三点に絞ります。取得手段は、既存ログにあればそれを、なければタブレットの選択式フォームか外付けセンサーで、人手入力は一日一回の締めだけにします。突き合わせキーとして、日付・工程・製品（または案件）・担当を必ず一緒に残します。

二週間続けると、その工程で「時間がどこに溶けているか」「手戻りの原因は何が多いか」が数字で見えます。ここで初めて、投資判断ができます。判断に使う問いは明確です——この工程の遅れは、待ち（前工程・設備）由来か、作業そのもの由来か、手戻り由来か。待ち由来なら段取りや在庫の問題で、ロボットを入れても効きません。作業由来で、かつ標準化されていて量が安定しているなら、自動化が効く可能性が出てきます。手戻り由来なら、まず原因の潰し込みが先です。

この二週間の実測が、そのままロボット導入や自動化のPoC（試験導入）の設計図になります。PoCに進む際に、要件・費用・本番化条件をどう整理するかは、PoCの見積前に整理すべき要件と本番化条件にまとめています。実測なしのPoCは、良くなった気がするで終わりがちなので、必ず導入前の数字を持ってから進めてください。

ロボット・自動化ベンダーに聞くべき質問

機器やシステムを選ぶ段になったら、性能やデモの見栄えではなく、データの取り回しと保守を質問します。ここが甘いと、導入後にデータが取り出せず、改善のループが回りません。

• 導入後、どのデータが自動で取れるか。稼働・停止・処理数・エラー種別などを、こちらの手を煩わせずに記録できるか。
• そのデータを、こちらから自由に取り出せるか。CSVやAPIで外部に出せるか、それともベンダーの画面でしか見られないか。取り出せないデータは自社の資産になりません。
• 既存システム（生産管理・販売管理・勤怠など）と繋がるか。突き合わせのキーを合わせられるか。
• 故障・停止したとき、誰が・どれくらいで来るか。復旧までの想定時間と、その間の代替手段は。
• 部品と保守の供給は何年続くか。数年で保守打ち切りになる機種は、更新費用まで含めて総額を見る必要があります。

これらは費用対効果の計算にも直結します。導入後にどのデータが取れて、何が節約でき、いつ回収できるかを稟議の形に落とす作業は、システム開発の費用対効果を稟議書の形に整理する入口が使えます。

よくある誤解

「人手不足だからロボット」——人手不足は、ロボットが要る理由にはなっても、どこに入れるべきかは教えません。足りない人手を、やめられる作業や減らせる作業に使っている場合、自動化より先に業務そのものの見直しが効きます。不足の中身をデータで見ないまま機器を入れると、忙しさの場所がずれるだけになります。

「補助金が出るから今買う」——補助金は投資の後押しであって、要不要の判断ではありません。改善対象が特定できていないうちに、補助金の締め切りに合わせて機器を選ぶと、効かない設備に自己負担分まで払うことになります。補助金は、実測で投資対象が固まった後に、その計画に合うものを探す順序が安全です。

「導入すれば人を減らせる」——多くの現場で、ロボット導入後に生まれるのは「装置のお守り」「段取り替え」「例外対応」という新しい人の仕事です。減るのは特定の作業であって、人そのものが即座に減るとは限りません。削減できる工数は、導入前の実測と、導入後に残る付帯作業の両方を見て初めて計算できます。

「現場は反対しない」——入力の手間や、監視されている感覚は、現場の静かな抵抗を生みます。データが取れなくなる一番の原因は、現場が入力をやめることです。だからこそ取得設計では、負担を最小にし、取ったデータが現場自身の改善に返ってくることを見せるのが重要になります。

この記事を読むべき人

• 製造・介護・食品・物流・建設などの現場を持ち、フィジカルAIやロボットの報道を見て「うちも何かすべきか」と気になっている経営者・現場責任者。
• 過去にロボットや自動化機器を入れたが、思ったほど効かなかった、または持て余した経験がある方。
• ベンダーから自動化を提案されているが、本当にその工程でよいのか、判断の材料が手元にない方。
• 補助金の案内をきっかけに機器導入を検討しているが、投資の当たり外れをどう見極めるか不安な方。
• 一人情シスや兼任情シスで、現場データの整備をどこから手を付けるべきか迷っている方。

よくある質問（FAQ）

Q. データ取得設計から始めると、ロボット導入が遅れませんか。 A. 一工程・二週間の実測は、機器の選定・見積・稟議に必要な時間の中に収まります。むしろ実測がないままPoCに入ると、効果を証明できず本番化の判断で止まり、結果的に遅れます。実測は導入を止めるのではなく、外れ投資を避けて確度を上げるための工程です。

Q. うちの設備は古くてログが出せません。それでもデータは取れますか。 A. 取れます。機械本体を触らず、電流を測るクランプ、稼働ランプを読む光センサー、通過を数えるカウンターなど外付けで「動いている/止まっている」を記録するだけでも、停止時間の可視化には十分役立ちます。全設備の更新を待つ必要はありません。

Q. まず何を測ればよいですか。 A. 対象の一工程について、作業時間・停止（待ち）時間・手戻りの回数と原因、の三点から始めてください。この三つで、遅れの原因が待ち由来か、作業由来か、手戻り由来かが分かり、自動化が効く工程かどうかを判断できます。

Q. Noetraのような国の基盤モデルができれば、中小企業でもすぐ現場にAIを入れられますか。 A. 基盤モデルは土台であって、各現場のデータがなければ自社向けには効きません。経済産業省の資料も現場データの利活用を前提にしています。国の動きを待つより、自社の現場データを取れる形にしておくことが、いざ使える段階になったときの差になります。

Q. 現場が入力を続けてくれるか不安です。 A. 続かない前提で設計します。自動で取れるものを優先し、人手記録は選択式で一回数秒に抑え、締めは一日一回にします。加えて、取ったデータが現場自身の改善（待ちが減る、手戻りが減る）に返ることを見せると、入力が続きやすくなります。

Q. 補助金を使って機器を買う予定ですが、順序は変えたほうがよいですか。 A. 実測で改善対象と効果の見込みを固めてから、その計画に合う補助金・機器を探す順序をおすすめします。締め切りに合わせて機器を先に決めると、効かない工程に自己負担まで払う恐れがあります。補助金は投資の後押しであって、要不要の判断材料ではありません。

Q. 記事で挙げた数値（2040年に1,000万台など）は根拠として使えますか。 A. これらは報道段階の数値で、本記事執筆時点で確認できた経済産業省の一次文書には具体的な台数・金額・シェア目標としては明記されていませんでした。社内の投資判断や稟議には、こうした報道値ではなく、自社の実測データを根拠に据えることをおすすめします。

相談・診断の入口

現場のどのデータから整えるべきか、自社の一工程で何を測れば投資判断ができるかを一緒に確認したい場合は、次の入口が使えます。自社のDXがいまどの段階かを手早く把握したいときはDX成熟度診断から、データ基盤やシステムの整備を具体化したいときはDX・システム開発の相談やシステム開発の発注前相談から始められます。

あわせて読みたい

• 日本のNoetra・ロボット戦略から考える、現場DXはAIモデルより業務データ設計が勝負になる
• 経営者向け：PoC導入の見積前に整理する要件・費用・本番化条件
• AIデータセンター建設ラッシュから考える、中小企業のAI基盤選定は「GPU」より電力・冷却・契約が先
• CLI型AIコーディングエージェントの導入効果はPR数ではなくレビュー・保守・障害率で見る

参考・出典

• 経済産業省「『AIロボット・フィジカルAIを見据えたマルチモーダル基盤モデル開発事業』を開始します」2026年6月30日（一次情報・NEDO同時発表。事業期間2026〜2030年度、Noetra株式会社・産総研の採択を確認）：https://www.meti.go.jp/press/2026/06/20260630005/20260630005.html （確認日：2026-07-10）
• TechRadar Pro「Japan reveals new Noetra plan...10 million robots by 2040」（二次情報・海外報道。2040年1,000万台等の数値の出所）：https://www.techradar.com/pro/japan-reveals-new-noetra-plan-to-flood-the-country-with-10-million-robots-by-2040-including-work-in-the-nursing-food-and-drink-sectors （確認日：2026-07-10）
• Tom's Guide「Japan plans to deploy 10 million robots by 2040...」（二次情報・海外報道）：https://www.tomsguide.com/ai/japan-plans-to-deploy-10-million-robots-by-2040-in-push-for-physical-ai-healthcare-food-manufacturing-and-more （確認日：2026-07-10）

※ 本記事執筆時点（2026-07-10）で確認できた経済産業省の一次文書には、「2040年に1,000万台」「5年で1兆円規模」「世界シェア3割」といった具体的な数値目標は、当該プレスリリース本文には明記されていませんでした。これらは報道に基づく数値として扱い、投資判断の根拠には用いていません。