製造業における人材育成｜生成AI時代の組織設計とAI活用人材の育て方

労働力の不足、熟練技術者の引退、サプライチェーンの変動が同時に押し寄せるなか、これまで現場のOJTを中心に支えてきた人材育成は、いまや前提条件から見直す必要があります。

生成AIが業務の進め方そのものに溶け込み始めた2026年、製造業の競争力は「どのAIを導入したか」ではなく「組織がどれだけ流暢にAIと協働できるか」で測られるようになりました。

生成AIをどう学習プロセスへ組み込み、AI活用人材をどう育てていくかが、これからの製造業の競争力を分ける分岐点になりつつあります。

2026年の製造業を取り巻く環境と、人材育成の見直しが求められる理由

人材戦略の前提となるマクロ環境は、ここ数年で大きく動きました。

労働市場・技術環境・サプライチェーンの3方向から圧力がかかる現在、人材育成を「OJTの改善」だけで済ませることは、もはや現実的ではないでしょう。

労働力不足と熟練技術者の引退で、現場の知見が個人とともに失われやすいため

製造業の現場では、長年の経験を持つ熟練技術者の引退が連鎖的に進んでいます。

設備の癖や材料の微妙な扱い方など、図面や手順書には書ききれない判断基準は、1人の引退とともに組織から消えてしまうケースが少なくありません。

新規採用や外部からの登用だけでは、こうした暗黙的な知見を埋め合わせるのが難しいというのが、多くの製造現場で共通する悩みです。

国際通貨基金が公表した報告書では、AIと自動化が進む産業で必要となる新しいスキルと、既存労働者が持つスキルとの間にあるギャップが、今後の生産性を左右する要因として整理されています。

特に製造業のように、現場と本社の知識が物理的に離れている業種では、技術伝承のスピードと採用・育成のスピードを揃える設計が欠かせません。

人材戦略の起点は、「採用人数をどう確保するか」から「組織が持つ知見をどう残し、どう広げるか」へと組み直す必要があるといえるでしょう。

▼製造業のDXについて詳しく知りたい方はこちら
製造業のDXとは？重要性や成功までのロードマップを徹底解説

参考記事：Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age (IMF SDN/2026/001)

生成AIの本格普及により職務要件が短期間で変わり、リスキリングが追いつかなくなりやすいため

ここ数年で、生成AIは実験的なツールから日常の業務インフラへと位置づけを変えました。

調査・要約・文書生成といった事務作業はもちろん、設計のたたき台、不具合の原因仮説の生成、さらには現場の問い合わせ対応にまで広がり、職務要件そのものが半年単位で書き換わりつつあります。

国際労働機関が発表した「AI in Manufacturing」レポートでは、製造業の雇用者の43%がAI導入の障壁の一つとして「関連スキルの不足」を挙げています。

新しいツールが現場に届く速度に対して、それを使いこなす人を育てる速度が追いついていない、というのが多くの企業に共通する状況です。

年に1度の集合研修で済ませたり、認定試験を取り終えた時点で区切ったりする従来のリスキリングでは、半年で陳腐化する職務要件には対応しきれません。

「いつでも、現場の文脈に合った形で学べる」という前提で学習設計を組み直すことが、製造業にも求められる時代に入りました。

参考記事：AI in Manufacturing (ILO, 2026)

サプライチェーンの変動と技術進化の加速が、組織の適応能力に圧力をかけやすいため

部材の調達難、地政学的な供給網の見直し、為替や輸送コストの変動など、ライン編成や人員計画に影響を与える要因は年々大きくなっています。

加えて、設備の自動化、デジタルツインの活用、エージェント型AIの登場と、技術側の進化も加速しているところです。

これら2つが同時に進むと、現場には「短期間で組み替える計画」と「新しい技術への対応」が同時に求められ、組織全体の適応能力が試されることになります。

米国国立標準技術研究所（NIST）の製造拡張パートナーシップ（MEP）も、変化の速度に追いつくためのタレントマネジメントサイクルの最適化を、製造業の回復力を高める鍵として位置づけています。

採用や教育を別々の部門で動かしているままでは、変化のスピードに対して人材投入が後手に回りやすくなります。

人材育成は、単独の人事課題ではなく、サプライチェーン戦略や技術投資と一体で設計すべきテーマへと位置づけが変わってきたといえるでしょう。

参考記事：Manufacturing Workforce Development (NIST MEP)

製造業における人材育成の再定義｜OJT依存から、生成AIを組み込んだ学習エコシステムへの設計変更

ここからは、人材育成の中身そのものを「どう変えるのか」に踏み込みます。

OJTの改善や研修の追加ではなく、AIを学習プロセスに組み込んだエコシステムとして再設計する、という視点で整理していきましょう。

個人指導に依存したOJTから、AIメンターにいつでも相談できる学習環境への変更

これまでのOJTは、配属先の先輩や指導員の力量に強く依存してきました。

教え方が上手な指導員に当たれば早く育ちますが、そうでなければ「同じ部署でも世代によって理解度がばらつく」という悩みは、多くの現場で繰り返されてきたはずです。

生成AIを使ったメンターは、こうした「教え方の偏り」を埋める役割を担い、新人がいつでも質問・確認できる場として機能します。

過去の議事録や手順書、トラブル事例を学習対象に含めれば、AIは現場の文脈に沿った答えを返せるようになります。

「人間相手では聞きづらい初歩的な質問」をAIにぶつけられる安心感は、若手の離職防止にも寄与するという声があり、ベテラン指導者の長年の経験を学ばせて若手の問い合わせに応える「AI先輩」のような活用例も登場しはじめました。

24時間365日アクセスできる相談相手がいることは、地方拠点や時差のある海外拠点にとって特に大きな意味を持つでしょう。

OJTを廃止するのではなく、AIメンターと人間の指導員が役割を分担する設計に切り替えることで、教育の質と速度を両立しやすくなります。

▼OJTについて更に詳しく知りたい方はこちら
OJTのメリットを最大化｜属人化・負担集中を解決

先輩から後輩への口伝えに頼った暗黙知の継承から、AIが動画・音声・テキストを統合して整理する形への再設計

熟練技術者が持つ「あの音が変わったらすぐ止める」「この手応えが出たら材料を変える」といった判断は、口伝えだけでは限界があります。

文章にしようとしても細かなニュアンスが落ちてしまい、結局は「やって覚えるしかない」と片付けられてきた領域です。

マルチモーダルなAIは、動作映像・打撃音・センサーデータといった複数の情報を組み合わせ、言語化が難しかった判断を再現可能な形に整理する力を持っています。

近年の研究では、映像と音声を統合した行動認識の精度が大きく向上しており、感覚的なコツを論理的に再現する道筋が現実味を帯びてきました。

製造現場では、操作映像と発話を同時に取り込み、熟練者の手順と判断を組み合わせて記録すれば、後から検索・参照できる形に再構成できます。

ここで重要なのは、すべてをAI任せにしないことです。

熟練者本人がAIの整理結果に追記・修正を加える運用にすることで、暗黙知の継承を「個人の記憶」から「組織の資産」へと移し替えやすくなります。

▼熟練工の技能伝承について更に詳しく知りたい方はこちら
熟練工の技能伝承を成功させるには｜生成AIの恩恵

▼暗黙知を形式知に変換する方法について更に詳しく知りたい方はこちら
生成AIで暗黙知を形式知化するメリットやプロセスを解説

人数の確保を優先した採用中心の戦略から、社内育成・外部採用・外部活用（Build・Buy・Borrow）を使い分けるスキル重視の戦略への転換

「足りない頭数を採用で埋める」という発想だけでは、技術陳腐化の速度に対応しきれません。

全米製造業者協会（NAM）が2026年に示した整理では、先進的な製造企業はサイロ化された部門の境界を解き、エンジニアリング・オペレーション・IT・データサイエンスを横断するチームへと組み替えています。

人数ではなく、必要なスキルを誰がどう調達するかを設計するのが、これからの人材戦略の中心です。

具体的には、自社の文化や暗黙知を持つ社員には継続的なリスキリングで新しいスキルを上乗せする「社内育成（Build）」を中心に置きます。

安全管理や高度な自動化設計など失敗のコストが高い領域は、外部から専門人材を採用する「外部採用（Buy）」で補う形が向いているでしょう。

そして、需要の波や短期プロジェクトに対しては、外部のコンサルタントや契約社員を活用する「外部活用（Borrow）」で柔軟性を持たせるのが現実的です。

この3つの組み合わせを、ビジネス目標とスキル要件のマッピングに沿って動的に切り替える設計が、変動の大きい製造業に向いているといえるでしょう。

参考記事：Manufacturing Trend of 2026: Rethinking the Organizational Structure for a Digital Future (NAM)

生成AIを活用した人材育成のメリット

ここからは、生成AIを学習プロセスに組み込んだ場合、製造現場に具体的にどのような利点が生まれるのかを整理します。

ROIが見えやすい順に並べたとき、最初に取り組みやすいのが教育コンテンツの効率化、次が現場のばらつきの平準化、そして海外拠点への展開という流れになります。

教育コンテンツの作成工数を削減し、最新ノウハウを素早く現場へ届けやすい

マニュアルや動画教材の作成は、これまで現場の指導員にとって大きな負担でした。

新製品の立ち上げや手順変更のたびに資料を作り直す必要があり、忙しい現場ほど更新が後回しになりがちな構造があります。

生成AIを使えば、既存の手順書から動画ナレーション付きの教材を作ったり、操作画面の録画から手順マニュアルを自動生成したりすることが可能になりました。

AIによる教材生成や翻訳・要約を組み合わせれば、これまで数週間を要した教材整備が、はるかに短い時間で済むようになるケースも出てきました。

教材作成の工数が下がれば、これまで費用対効果の面で見送られてきた小規模なノウハウや、特定ライン限定の手順までも、動画化・教材化する余地が広がります。

最新の知見を「現場に届くまで何カ月もかかる」状態から、「気付いた人がその日のうちに教材化できる」状態へ近づけることで、組織全体の学習速度を底上げしやすくなります。

▼ナレッジマネジメントについて更に詳しく知りたい方はこちら
ナレッジマネジメントへのAI活用戦略｜製造業DXの核心を握る知識の最大活用法

熟練者の経験差を補い、新人や標準層のパフォーマンスを底上げしやすい

生成AIは、トップ層の能力をさらに伸ばす効果よりも、新人や標準的な層を底上げする効果が大きいことが、いくつかの実証研究で示されています。

オックスフォード大学の学術誌に掲載された「Generative AI at Work」では、コールセンター業務に生成AIを導入した結果、経験の浅いオペレーターほど生産性の改善幅が大きかったことが報告されました。

スタンフォード大学のレポートでも、AIツールへのアクセスが特に経験の浅い若手の早期戦力化を後押しする傾向が確認されています。

製造現場に置き換えれば、配属直後の若手や応援人員が、熟練者と同じ判断基準にすぐにアクセスできるようになるということを意味します。

「ベテランに聞かないとわからない」という状況が減り、誰が対応しても一定の品質を保ちやすくなるはずです。

ただし、これはトップ層の貢献を不要にする話ではありません。

AIの精度を支えているのは熟練者が積み上げてきた判断データであり、トップ層には新しい判断パターンを生み出し続けてもらう設計を、評価制度と組み合わせて維持することが欠かせないでしょう。

参考記事：

• Generative AI at Work (Quarterly Journal of Economics, Oxford Academic)
• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence (Stanford Digital Economy Lab)

海外拠点や時差のある現場へ、本社と同水準の教育を展開しやすい

製造業のグローバル展開において、教育の質の違いは長年の課題とされてきました。

本社の指導員が出張で対応するにも限界があり、現地拠点の指導員に任せると、教え方や判断基準が次第にローカライズされていきます。

生成AIを使った教材と対話型のメンターを組み合わせれば、本社の判断基準を多言語で同時に展開し、現地でも本社と同じ質問にいつでも回答が返ってくる環境を作れます。

翻訳・要約・図表説明をAIが担うことで、教材の現地語化にかかる時間も大きく短縮できるようになりました。

時差のある拠点では、本社の指導員が眠っている時間帯にも、現場の問い合わせがAIメンター経由で滞りなく処理されます。

これは、海外拠点の早期立ち上げや、新規ラインの増設時に、特に大きな差として現れる仕組みでしょう。

ただし、回答の正確性や用語の標準化については、本社が一元的にレビューする運用を残し、現場任せにしない設計が必要となります。

▼AIを導入するメリットについて詳しく知りたい方はこちら
生成AIのメリット・デメリットを徹底解説！

生成AIを使った人材育成を進めるうえでの注意点

ここまで利点を整理してきましたが、生成AIの導入には固有の注意点もあります。

学習面・運用面・ガバナンス面の3つに分けて、現場で実際に起きやすい問題を見ていきましょう。

AIの出力を検証せず採用すると、見た目は整っていても中身が誤った成果物が広がりやすい

生成AIは、文章・図表・コードなど、見た目が整った成果物を瞬時に作り出します。

ただ、表現が滑らかなぶん、内容の誤りや文脈のずれが見過ごされやすいという特徴を持っています。

マイクロソフト・リサーチが2026年に公開した「New Future of Work」では、時間的なプレッシャーから検証を省いた成果物が組織内に流通し、結果として手戻りや生産性の低下を招くリスクが指摘されています。

製造業の現場では、誤った手順書や設定値が一度ラインに乗ってしまうと、品質トラブルや事故につながりかねません。

これを防ぐには、AIの出力を「叩き台」として扱い、担当者が検証・修正・承認を経てから配布する流れを業務手順に組み込む必要があります。

「誰が、どこで、何を確認するか」を曖昧にしないこと、そしてAIが作成した成果物にはその旨を明示する運用ルールを設けることが、組織の品質を守るうえで欠かせません。

参考記事：New Future of Work: AI is driving rapid change, uneven benefits (Microsoft Research)

学習者がAIに依存しすぎると、深い理解や独自の判断力が育ちにくい

AIに頼ればすぐに答えが返ってくる環境は、学習者にとって便利な反面、「自分で考える機会」を奪うリスクも抱えています。

国際労働機関の報告書では、AIによるタスクの標準化が進むほど、現場の判断機会が縮小し、長期的にはスキルが固定化される懸念が示されています。

「答えを得る」ことと「答えに辿り着く力をつける」ことを切り分けた学習設計が、製造業の人材育成には欠かせません。

例えば、AIが提示した手順案に対し、学習者に「なぜその手順なのか」を説明させる、あるいは「リスクとなりうる前提を3つ挙げよ」と問い返す形式に変えるだけでも、深い理解は維持しやすくなります。

評価の指標を「タスクの完了速度」だけにせず、「AIの出力をどこで修正したか」「どんな前提を確認したか」といった観点を加えることも有効でしょう。

学習設計を「AIを使えば早い」から「AIと一緒に考える練習をする」へとずらしていくことが、独自の判断力を残すうえでの肝になります。

▼生成AIのメリット・デメリットについてはこちら
生成AIのメリット・デメリットを徹底解説！

参考記事：AI in manufacturing (ILO, 2026)

生産性データの収集が、従業員の監視やプライバシーへの不安につながりやすい

AIの効果を測るためには、誰がどんな問い合わせをし、どこで時間がかかっているかというデータの収集が欠かせません。

ただ、これが「監視されている」という感覚を生み、現場の心理的安全性を損なうケースも報告されています。

経済協力開発機構（OECD）が金融・製造業を対象に実施した調査では、AI導入に伴うデータ収集に対し、製造業の労働者の56%が「仕事上のプレッシャーが増えた」と回答しています。

過半数がプライバシーやアルゴリズムによる偏った判断への不安を抱えているという結果は、ガバナンス側の透明性が問われていることを示しているといえるでしょう。

対策としては、収集するデータの種類・目的・保存期間を明文化し、現場の代表者を含めた合議のもとで運用ルールを策定することが基本となります。

工場の秘匿性が高いデータについては、オンプレミスやローカル環境で処理する設計を採用し、社外に情報を出さない構成も選択肢に入ります。

「能力拡張のためのAIである」というメッセージを経営から繰り返し発信することも、現場の不安を和らげるうえで意味があります。

▼オンプレミスLLMについて詳しく知りたい方はこちら
オンプレミスLLMとは｜情報漏洩を防ぎつつ競争優位性あるAIを構築

参考記事：

• Artificial intelligence (OECD)
• AI and work | OECD 

生成AI時代の人材育成戦略｜業務再設計、AI活用人材の育成、エージェンティックAI対応

ここからは、メリットと注意点を踏まえた上で、これから取り組むべき人材育成戦略を3つの柱で整理します。

①業務の本質的な再設計、②AI活用人材の育成、③自律的に動くエージェント型AIへの対応、この順番で考えていくと整理しやすいでしょう。

「実行する」業務から、「指導・評価する」業務への再設計を進める

生成AIが日常業務に溶け込むと、従業員が「自ら手を動かす」時間は減り、「AIの出力を確認・修正する」時間が増えていきます。

マイクロソフト・リサーチの研究は、AIを単なる効率化ツールではなく、創造・意思決定・コラボレーションのプロセスに参加する「協働パートナー」として位置づけています。

製造業の現場でも、オペレーターやエンジニアの役割は、システムが下した判断を検証し、例外を扱う比重が増す方向に動くと考えられます。

これに合わせて、職務記述書（ジョブディスクリプション）や評価基準も書き換える必要があります。

「何件処理したか」だけでなく、「AIの出力をどう改善したか」「どんな例外を発見したか」を評価する仕組みへ変えていくと、新しい働き方と人事制度の整合が取りやすくなります。

業務の再設計は、人事だけで進めるテーマではありません。

現場・IT・経営が同じテーブルで、職務の境界線を引き直す合意形成こそが起点となるはずです。

参考記事：New Future of Work: AI is driving rapid change, uneven benefits (Microsoft Research)

経営課題をAIへの指示に落とし込み、AIの出力を現場の判断につなげる人材を育成する

経営の意図を理解しつつ、AIへの指示（プロンプト）に変換し、出力を現場の意思決定へと繋げる。こうした役割を担う人材が、これからの製造業の中核を担うと考えられます。

英国の労働市場を対象とした「Generative AI and Labor Market Outcomes」では、AI活用の効果が出やすい職種ほど、経営知識・業務知識・AIリテラシーを横断して持つ人材が重宝されている傾向が示されています。

この役割を担う人材は、現場の課題を経営の言葉で語り、経営の判断をAIへの指示に翻訳できる橋渡し役となります。

育成の方法としては、現場とITの境界に立つ社員を選び、課題抽出のワークショップ、プロンプト設計の演習、AI出力の検証と現場展開を一連のプログラムとして用意することが有効です。

外部の専門家を一時的に招き、社内人材と組ませて学ばせることで、社内の暗黙知と外部のAIノウハウが結びつきやすくなります。

評価制度の中で「AI活用の成果」を可視化する指標を設けることも、こうした人材を組織内で育てるうえでは欠かせない要素となるでしょう。

▼AIによるデータ分析について詳しく知りたい方はこちら
「AI x データ分析」で経営戦略の精度を向上・経験と勘からの脱却

参考記事：Generative AI and Labor Market Outcomes: Evidence from the United Kingdom

エージェンティックAIに対応する、人間中心の意思決定スキルを強化する

エージェンティックAIとは、単純な質問応答にとどまらず、自律的に推論・計画・行動を起こすタイプの生成AIを指します。

製造現場では、設備の異常を検知した時点で原因候補を絞り込み、別ラインへの作業振り替えやサプライヤーへの追加発注までを一連で動かす、といった自律的な動作が、現実の運用に組み込まれ始めています。

自律性が高まるほど、人間に求められるのは「正しい問いを立てる力」と「最終判断の責任を持ち続ける覚悟」になります。

経済協力開発機構（OECD）が公開する「AI and work」の整理では、AIが業務に深く関わるほど、コミュニケーション・適応力・倫理判断といった人間特有のスキルの重要性が高まると示されています。

製造業の人材育成は、技術スキルの伸長と並行して、こうした意思決定スキルを意識的に強化する必要があります。

具体的には、AIが提示した行動案に対し、人間が「実行・修正・差し戻し・停止」のいずれを選ぶかを判断する訓練を、シミュレーションや実機で繰り返す設計が有効でしょう。

技術への適応と、人間としての判断力。この両方を組み合わせて鍛えることが、これからの製造業のリーダー育成における中核テーマとなるはずです。

参考記事：AI and work (OECD)

海外の製造業に見る、生成AIを活用した人材育成の事例

ここからは、海外の先進製造業が実際にどのような人材育成プログラムを動かしているのか、自社の一次発表に基づいて整理します。

シーメンス、BMW、ボッシュの3社は、いずれも巨額の技術投資と並行して、人材育成のフレームを社内に組み込んできた企業です。

Siemens｜「#Nextwork」とAI協働で所要時間50%削減を実現した育成設計

シーメンスは、生成AIの社内活用を「責任ある使用（Responsible use）」を軸に進めています。

法務・IT・コミュニティ管理が連携する専任のGenAIチームを設け、新ツールの導入時には必ずハンズオンのデモンストレーションを行い、強みと限界の両方を従業員に共有する運用を徹底しているところが特徴です。

人材育成では「#Nextwork」と呼ばれる手法を用いて、デジタル化が従業員に求めるスキルセットの変化を可視化しました。

ドイツのサービス部門703名に適用した結果、複雑なITシステムの理解、アジャイル手法の実践、そしてリーン原則に基づく新しいリーダーシップ概念の習得が、今後の必須要件として明確化されています。

さらに、専門家の分析プロセスにAIを統合した取り組みでは、プロセス期間を約20%短縮、リソース利用を約25%削減、専門家の所要時間を約50%削減しつつ、分析の品質を約30%向上させたという結果が公開されています。

時短効果に加えて品質まで引き上げた点は、AIと人材を組み合わせた取り組みの「能力拡張」としての価値を実証した事例といえるでしょう。

参考記事：

• Siemens: Navigating the People Implications of Digital Transformation (WEF Good Work Framework)
• How AI is transforming Strategic Foresight at Siemens Professional Education 

BMW Group｜見習い社員と熟練社員を組み合わせるハッカソン型の実践学習

BMWグループは、生産プロセスの最適化から車両開発のシミュレーションまで、広範な領域に生成AIを適用しています。

特定のモデルプロバイダーに依存しないオープンな技術戦略と、全従業員が利用できる「GenAIセルフサービスプラットフォーム」によって、データサイエンティストに限らず誰でもAIを試せる環境を整えました。

人材育成として注目されるのは、見習い社員と経験豊富な熟練社員、AIの専門家を多分野横断的なチームに組み込むハッカソンの定期開催です。

実際の製造現場の課題を題材に、若い世代のデジタル感覚と、熟練社員が持つドメイン知識（暗黙知）をAIのプロンプトやモデルの調整に組み込む設計になっています。

世代間のスキルギャップを「研修で埋める」のではなく「現場の課題を一緒に解く時間を設けて埋める」という設計は、製造業の他社にも応用しやすい考え方でしょう。

欧州委員会が紹介する見習いプログラムの取り組みでも、若手の早期戦力化と、ベテランの知見の継承を同じ場で進める設計が高く評価されています。

参考記事：

• Artificial Intelligence at BMW Group
• EAfA Member Spotlight: BMW Group’s pledge puts apprentices in the driver’s seat (European Commission)

Bosch｜10万人規模の社内AI Academyと卒業生による10倍ROIの実証

ボッシュは、2027年までにAI分野へ25億ユーロ以上を投資する計画を進めています。

この技術投資を人的資本の側面から支えているのが、世界最大規模の企業内AI教育機関「AI Academy」です。

ボッシュは100,000人を超える従業員にAIスキル強化プログラムを提供し、組織全体のデジタルベースラインを引き上げてきたと発表しています。

さらに、高度な専門人材を育てる18カ月の「エキスパートプログラム」では、参加者1人当たり数万ユーロという多額の投資が必要となるものの、卒業生が最初の5年間で生み出すプロジェクトの付加価値は、初期トレーニング費用の10倍に達することが社内追跡で示されています。

研究開発を担うBosch Center for Artificial Intelligence（BCAI）でも、ドメイン専門家・データプロフェッショナル・ソフトウェアエンジニアが一体となるチーム編成によって、産業用AIの最前線を切り拓く取り組みを続けています。

「研修費用が高い」と感じる経営判断に対し、5年スパンで10倍のリターンが定量化された事例は、人材投資の意思決定における強い参考材料となるはずです。

参考記事：

• Upskill with AI at Bosch
• Bosch Center for Artificial Intelligence (BCAI)
• CES 2026: Bosch is shaping the future of mobility, manufacturing and technology in everyday life 

人間中心の製造と責任あるAI投資｜国際機関の報告（IMF・ILO・OECD）から押さえる論点

企業事例だけでなく、国際機関が公表しているマクロな分析にも目を通しておくと、人材育成の方向性に確信が持てるようになります。

ここでは、IMF・ILO・OECDの3機関が示す論点を順に整理します。

IMFが示すボーモル効果に対し、自動化で浮いた人材を高付加価値領域へ再配置するには

国際通貨基金（IMF）が2026年に公表した報告書は、生成AIによる労働市場のパラドックスに警鐘を鳴らしています。

製造業のように生産性が大きく伸びるセクターでは、自動化の進展によって雇用の絶対数が減りやすく、低成長セクターへ労働者が流れる「ボーモル効果」と呼ばれる現象が再来する可能性がある、というのが主旨です。

この論点が経営層に突きつけているのは、「自動化で浮いた人的リソースを、社内のどの高付加価値業務へ再配置するか」という設計責任です。

具体的には、創造的な問題解決、対人コミュニケーション、研究開発・企画など、人間の判断力が引き続き求められる領域への再配置プランを、ビジネス計画と一体で策定する必要があります。

人事部単独ではなく、事業部門・経営企画と連動した「人的リソースの再配置計画」を持つことで、自動化を雇用削減ではなく成長投資へと繋げやすくなります。

ボーモル効果を「避けるべきリスク」として捉えるか、「再配置の機会」として捉えるかで、企業の中長期の競争力には大きな差が生まれるでしょう。

参考記事：Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age (IMF SDN/2026/001)

ILOが指摘する労働強化のリスクに対し、ウェルビーイングを評価指標に組み込むには

国際労働機関（ILO）の報告書は、AIによるタスク割り当ての最適化が、従業員から「ゆとりの時間」や「休憩」を徹底的に削り、結果として労働密度を過度に高めるリスクを指摘しています。

定型的な作業がAIに置き換わる一方で、機械が処理しきれない例外への対応や複雑な判断は人間に集中するため、心身の負担が増えやすい構造が生まれます。

この問題に対しては、生産性の指標だけでAIの効果を測るのをやめ、従業員のウェルビーイングを評価指標に組み込むことが解決策の1つとなります。

休憩時間の確保、業務量の上限設定、AIによる割り当て結果の妥当性レビューといった運用ルールを、現場の代表者を含めた議論のもとで決めていく姿勢が問われます。

OJTや配置転換の設計でも、「育成しながら回復の時間を確保する」という考え方が、長期的な人材定着の鍵となるはずです。

人を育てる場と、人が長く働ける場を同時に作る発想は、製造業の人材育成にも欠かせない視点となるでしょう。

▼OJTについて更に詳しく知りたい方はこちら
OJTのメリットを最大化｜属人化・負担集中を解決

参考記事：AI in manufacturing (ILO, 2026)

OECDの労働者調査が示す監視・プライバシーへの不安を、ガバナンスで抑えるには

経済協力開発機構（OECD）が金融・製造業を対象に実施した調査では、AI活用の利点と懸念の両面が浮き彫りになっています。

労働者の80%が「AIによってパフォーマンスが向上した」と回答し、60%が「仕事の楽しさが増した」と答えるなど、能力拡張への評価は極めて高いという結果が出ました。

一方で、製造業の労働者の56%が「データ収集によって仕事上のプレッシャーが増した」と感じており、過半数がプライバシーやアルゴリズムの偏りに対する不安を抱えています。

この対比が示しているのは、「AIの導入は良いものだが、運用次第で不安にも転ぶ」という現場の感触です。

ガバナンス側で取るべき対策は、データ収集の目的・範囲・保存期間を明示し、定期的に従業員へ説明する透明性の確保と、アルゴリズムの偏りを定期的にチェックする監査の仕組みを整えることといえます。

米国国立標準技術研究所（NIST）も、人間とAIのチーミングを科学的に評価する取り組みを進めており、認知プロセスを可視化する指標を組織学習に組み込もうとしています。

「監視のためのAI」ではなく「能力拡張のためのAI」だと現場が腹落ちできるよう、運用とコミュニケーションの両面でガバナンスを設計することが肝要です。

参考記事：

• AI and work (OECD)
• Artificial Intelligence (AI) for Manufacturing Workshop (NIST)
• The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers (EN) 

エムニの取り組みに見る｜製造業の人材育成と生成AIをつなぐ実装戦略

エムニは、京都大学・松尾研発のスタートアップとして、製造業に特化した生成AIの社会実装に取り組んできました。

有償契約での累計支援は140プロジェクトを超え、継続率は82%に達しています。

ここでは、人材育成の文脈で参考になりやすい3つの取り組みの例を紹介します。

引き継ぎAIや設計書検索エージェントで、熟練者の知見を組織資産として残す進め方

熟練者の引き継ぎが間に合わないという課題は、多くの製造業に共通します。

エムニが取り組む引き継ぎAIや設計書検索のAIエージェントは、過去の議事録・対応履歴・技術文書を統合的にそろえ、必要なときに必要な情報へ届ける仕組みです。

個人の頭の中にあった判断基準を、検索可能な資産として組織側に残すことで、人材育成のスタートラインを底上げできます。

住友電気工業との協業では、研究開発領域における生成AIプロジェクトを2件完了し、研究員の生成AI活用の幅を広げる取り組みを進めています。

データ収集の方法、要件定義、モデル構築、システム連携、そして精度劣化検知や再学習判定まで、MLOps（機械学習モデルの運用・保守を継続的に回す仕組み）を含めた一連の流れを伴走することで、PoCで止まらず本番運用まで見通せる設計を志向するのがエムニの特徴です。

工場の秘匿性が高いデータを扱う場面では、オンプレミスでの開発も選択肢に置き、現場の実情に合わせて構成を組み立てます。

▼住友電工様の生成AI・MI活用による製造業R&D変革に関する案件事例はこちら
製造業R&Dを変える生成AI・MI活用

爆速デモで実現性を可視化し、AI教育・現場合意の起点にする取り組みの例

AI導入の検討が社内で進まない理由の多くは、「実際に動くものを見ていない」ことにあります。

エムニは、論文サンプルを受領した翌日にデモを示したり、100ページ規模のサンプルから要件整理と動くシステムを1週間で示したりと、無料の爆速デモを通じて投資判断と現場合意の起点を作るアプローチを取っています。

現場の担当者が「これなら自分の仕事に効きそうだ」と納得した時点で、AI教育の入り口に立てるという考え方です。

ダイセルとの取り組みでは、化学プラントの設備保全に生成AIを用いた業務効率化のプロジェクトを進めており、現場の保全担当者が日常的に使う情報の探し方そのものを再設計する流れを構築しています。

爆速デモは、技術検証の場でありながら、現場の人がAIの限界と可能性を肌で感じる学習の場にもなります。

「導入するかどうか」を会議室で議論し続けるよりも、まず手元で動かしてみる進め方のほうが、人材育成の起点として機能しやすいといえるでしょう。

▼ダイセル様の化学プラント業務効率化プロジェクト（生成AI活用）に関する案件事例はこちら
【京大/松尾研発スタートアップ】エムニとダイセルが、生成AIを活用して化学プラントの設備保全業務を効率化するプロジェクトを開始

生成AIワークショップと現場勉強会で、経営層と現場層のリテラシーを同時に引き上げる伴走支援

人材育成は、現場だけ、あるいは経営層だけを対象にしても効果が出にくい領域です。

エムニは、経営層向けのワークショップ、工場見学、現場向けのAI勉強会、共同開発を組み合わせ、組織の上下双方のリテラシーを同じテンポで引き上げる伴走支援を提供しています。

経営層が判断軸を持ち、現場が手を動かせる状態を同時に作ることで、AI導入の意思決定と運用の摩擦を最小限にする設計です。

大東建託との取り組みでは、全国営業約3,000名が利用するAIロープレシステム（台本型）を共同開発し、クラウド上に構築・運用する実績を築いています。

これは大規模なシステム連携を含む取り組みであり、本番運用まで見通せるエンドツーエンドの開発力が問われた事例です。

また、エステー様との取り組みのように、製造業の人材育成にあたっても、ワークショップで議論しながら現場の課題を整理しつつ、共同開発でRAGなどの業務に使える形に落とし込む流れを組むことで、人材育成とAI導入の両方が前に進みやすくなります。

▼大東建託様のAIロープレシステム開発事例（業務改革・全社展開）に関する案件事例はこちら
【京都大学発/松尾研発スタートアップ エムニ】大東建託と共同で「AIロープレシステム（台本型）」を開発、10月中旬より全国事業所で導入開始

▼エステー様の生成AIワークショップに関する案件事例はこちら
生成AIワークショップとRAG実装への軌跡 

製造業の人材育成を、組織の競争力につなげる次の一歩

製造業の人材育成は、OJTの改善ではなく、生成AIを学習プロセスに組み込んだエコシステムの再設計という段階に入りました。

これを受けて、職務ごとに「自動化する業務」と「人間が担い続ける業務」を切り分け、評価制度や職務記述書を更新する作業から着手するとよいでしょう。

並行して、経営課題をAIへの指示に変換し、出力を現場の判断につなげるAI活用人材を、育成プログラムと評価指標の両面から育てます。

さらに、ガバナンスとウェルビーイングを評価指標に組み込み、ボーモル効果や労働強化、監視への不安に先回りして対処する設計が欠かせません。

ネクストステップとしては、現場のペインポイントを1点に絞り、爆速デモやPoCを通じてAI活用の効果と限界を早めに可視化することが推奨されます。

KPIを定量化したうえで、社内の合意形成と教育設計を並走させると、全社展開が現実味を帯びてくるはずです。

もし「自社のどの工程から人材育成にAIを組み込めばよいかわからない」「経営と現場の合意形成をどう進めればよいか判断軸が定まらない」といった場合は、ぜひエムニにご相談ください。

エムニへの無料相談のご案内

エムニでは、製造業をはじめとする多様な業種に向けてAI導入の支援を行っており、100社以上の支援実績があります。

案件事例やエムニならではの強みが気になる方はぜひこちらの記事もお読みください。

開発パートナーを検討中の企業様へ

自社に最適なAI導入戦略や現場に定着させるまでの流れについて、疑問や不安をお持ちの方はぜひお気軽にご相談ください。