150人の調査が示した3つの入り口
対象は米国の製造業の経営層150人です。部品調達のオンラインマーケットプレイスを運営する米Xometryが「2027 Manufacturing Outlook」を2026年10月に公表しました。調査は同社の委託で John Zogby Strategies が2026年8月に実施しています。
2027年にAIの効果が最も大きいと見込む領域を尋ねた結果は次のとおりです。
DFM（Design for Manufacturability）は、設計段階で「その形状と材料で作れるか、いくらかかるか」を確かめる作業です。同じ調査では、AIで「大きなROIが出た」と答えた割合が57%で、前年の44%から上がりました。2027年にAIへ10万ドル超を使う予定の企業は94%（前年85%）です。
読む前に押さえておく前提が2つあります。1つは誤差です。報告書の方法論の欄には、全体の誤差は±8.0ポイント、業種別や売上規模別の内訳は約30〜55人で「方向性として読むべき」と書かれています。51%と47%の差は4ポイントなので、統計的には並んでいると見るのが妥当です。もう1つは発表元の立場です。Xometryは見積と調達の上流で事業をしている会社で、「AIの成果は上流にある」という見出しはその事業と重なります。数字そのものは調査結果ですが、解釈の部分は同社の見解として読みます。
先に結論：自工場の条件から入り口を逆算する
3つの入り口は優劣で選ぶものではありません。工場の業態と、手元にあるデータで決まります。編集部が整理した判断の目安が次の表です（調査の数字ではなく、編集部の見立てです）。
| 自工場の条件 | 製造性・見積から | 品質検査から | 現場実行から |
|---|---|---|---|
| 業態 | 受注生産・多品種少量で、見積依頼が多い | 量産で、検査工程が人手のボトルネック | 量産・繰り返し生産で、計画変更が頻繁 |
| 先に必要なデータ | 過去の見積、実績原価、図面・3Dモデル、加工条件 | 良品・不良品の画像、不良区分、ロット番号 | 作業実績、停止理由、品質判定がロット単位でつながったMESデータ |
| 効果の見え方 | 見積の所要時間、受注率 | 見逃し率、検査工数 | 稼働率、段取り時間、計画達成率 |
| つまずきやすい点 | 汎用AIの回答に自社の設備と原価が反映されない | 撮像条件のばらつき、過検出 | 設備データとMES実績の時刻・ロットがそろわない |
| 向かない条件 | 見積件数が少なく、価格が長期契約で固定 | 不良が年に数件で、学習用の不良画像が集まらない | MESが無い、または実績を紙で回収している |
表の右に行くほど、AIの前に整えるデータの量が増えます。調査で現場の生産実行が32%にとどまった理由の一部はここにあると考えられます（推測）。
製造性・見積から入るのが合う工場
受注生産で図面ごとに見積を出す工場では、見積担当の作業時間がそのまま受注の速さを左右します。調査の回答者が上流を選んだ背景もここにあります。報告書によれば、回答企業の約65%が汎用AI（ChatGPT、Claude、Geminiなど）をDFMや製造性の確認にすでに使っています。
ただし同社は、汎用AIには特定サプライヤーの設備・認証・原価が入っていないと指摘しています。自社のプラットフォームで加工方法を提案するAIの推奨が85%超の割合で採用されているとも書いていますが、これは同社サービス上の同社発表の数字で、一般の工場の見積業務にそのまま当てはまるものではありません。
自工場で同じことをするなら、必要なのは過去の見積と実績原価の突き合わせです。見積時の想定工数と、実際にかかった工数がMESや原価システムで品番ごとに引ければ、AIの回答を自社の数字で補正できます。業種別の使い方は多品種少量・受注生産のAI活用で整理しています。
品質検査から入るのが合う工場
量産で目視検査に人が張り付いている工場は、検査が最も効果の見えやすい入り口です。報告書では、回答企業の65%がAIを使ったマシンビジョンを品質管理に使っています。47%という期待の高さは、すでに使っている企業の多さとも合っています。
検査AIで見落とされがちなのは、判定結果の行き先です。合否をその場で表示するだけでは、不良の原因をたどれません。判定をロット番号と一緒にMESへ戻しておくと、後から工程条件との関係を分析でき、再学習用のデータにもなります（外観検査AIの判定結果をMESに戻す設計）。
現場実行が32%にとどまる理由と、規模による差
現場の生産実行は、AIの判断が作業指示や設備の停止に直結する領域です。前提として、作業実績・停止理由・品質判定がロット単位でつながっている必要があります。MESとAIの関係で書いたとおり、このつながりが無いと、AIはどの条件で何が起きたかを学べません。推論結果を現場に戻す経路（MESへの書き戻し）も別に作る必要があります。上流の見積や検査に比べて、効果が出るまでの準備が長い領域です。
規模による差も調査に出ています。売上1億ドル超の企業では40%がサプライヤーの選定・認定でAIの効果が大きいと答え、5,000万ドル未満の企業では18%でした。2027年にAIへ200万ドル超を使う予定の割合は、前者が36%、後者が7%です。ただし内訳は約30〜55人の回答で、方向性として読む数字です。
よくある質問
Xometryの調査は日本の製造業にも当てはまりますか
回答者は米国の製造業経営層150人で、日本の工場は含まれていません。業態の構成も異なるため、割合をそのまま日本に当てはめることはできません。入り口を選ぶ考え方として使うのが妥当です。
51%と47%なら見積のほうが有望ということですか
いいえ。報告書が示す誤差は±8.0ポイントで、4ポイントの差は誤差の範囲に収まります。どちらが有望かは、自工場の業態と手元のデータで決まります。
MESが無い工場はどこから始めればよいですか
見積か検査から始めるのが現実的です。どちらも図面や画像など、MESが無くても集められるデータで始められます。現場実行の領域に進む段階で、実績とロットをつなぐ仕組みを整えます。
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
