「AI人材が不足している」と聞くと、機械学習モデルを自力で開発できる研究者やソフトウェアエンジニアを思い浮かべるかもしれません。
しかし、製造業で不足しているのは、そのような専門職だけではありません。
IPA「DX動向2026」の国内企業調査（製造業に限らない1,799社）では、AIを導入または試験利用している企業は58.0％でした。また、AI関連人材の充足状況では、多くの人材種別で「不足している」とする回答が過半数を占めました。なかでも不足感が高いままなのが、現場の知見と基礎的なAI知識を持ち、自社へのAI導入を推進できる人材と、データマネジメントの知見があり、社内で企画・推進できる人材です。
つまり、必要なのは「AIだけに詳しい人」を増やすことではありません。現場の課題、設備や工程の制約、データの意味、導入後の運用まで理解し、AIの専門家やベンダーと協働できる人を増やすことです。
この記事では、2026年時点の公的資料を基に、AI人材不足の中身を整理し、製造業の技術者が担える役割と具体的な学び方を解説します。
この記事の結論
製造業の技術者が目指すべきなのは、いきなり高度なAIモデルを開発することではありません。現場の問題を定義し、必要なデータを整え、AIの出力を技術的に検証し、業務へ安全に組み込める人になることです。
AI人材不足は「人数」だけの問題ではない
AIの導入は進んだが、価値創出はまだ限定的
IPA「DX動向2026」は、2026年4月中旬から6月中旬に、製造業を含む複数業種の国内企業1,799社から回答を得た調査です。以下の全体値を「製造業だけの割合」と読み替えないよう注意が必要です。
調査では、AIを「導入している」企業が42.3％、「現在、試験利用をしている」企業が15.7％で、合計58.0％でした。AIの利用・試行が広がっています。
ただし、用途には偏りがあります。AIを導入・試験利用・検討している企業では、要約・翻訳・校正が82.5％、文書・レポート作成が80.5％である一方、生産・物流・サービス提供の計画支援は6.0％、自社製品・サービスの高度化は10.9％にとどまりました。
生成AIを導入・試験利用・利用に向けて検討している企業を対象とする設問では、製造部門（設計、生産管理を含む）で利用していると答えた割合は35.7％でした。これは全企業に占める製造業のAI利用率ではありません。また、利用の有無を尋ねた数字だけで実務への定着度は分かりません。全社的な導入状況と部門ごとの利用状況を分けて確認する必要があります。
AIを導入・試験利用している企業のうち、AI導入の効果が期待どおりまたは期待以上と回答した割合は31.8％でした。何らかの効果を感じている企業は多いものの、具体的な効果は業務の効率化・迅速化が中心で、顧客価値や売上・利益につながる成果はまだ限定的です。
DX人材は「量」も「質」も不足している
同じ調査で、DXに取り組む企業の85.5％が、DX推進人材の量について「やや不足」または「大幅に不足」と回答しています。質についても、不足を感じる企業は88.8％でした。
ただし、「AI人材不足」という一言だけでは、企業が何に困っているのかは分かりません。重要なのは、AI研究者、AI開発者、業務へAIを適用する人、データを整備する人、経営判断をする人を分けて考えることです。
公的資料の人材類型や課題を、製造業の導入体制として読むために、本記事では次のように役割を分けます。これは「DX動向2026」の公式分類をそのまま転載したものではなく、導入時に必要な役割を整理したものです。
| 必要な役割 | 製造業での具体例 |
|---|---|
| 経営・マネジメント | AIを使う目的、投資範囲、責任分担を決める |
| 現場知見×AI基礎知識 | 不良、停止、手戻りなどの問題をAIで扱える形にする |
| AI・データ分析 | 予測、分類、異常検知などの手法を設計・評価する |
| データマネジメント | 設備、品質、工程、保全のデータを意味の通る形で整える |
| システム実装・運用 | AIを既存設備や業務システムに組み込み、保守する |
| ガバナンス・セキュリティ | 機密情報、誤出力、権限、変更管理などのリスクを管理する |
不足しているのは一つの万能職ではなく、これらの役割を分担し、つなぐ体制です。
「2030年に79万人不足」はAI人材だけの数字ではない
AI人材不足の記事でよく引用されるのが、「2030年には最大約79万人のIT人材が不足する」という数字です。
これは経済産業省が2019年に公表した需給モデルによるシナリオ推計であり、AI人材だけの不足数を示した数字ではありません。生産性上昇率を年0.7％とする基本ケースでは、需要の伸びを低・中・高と置いたときの2030年の不足推計は16.4万～78.7万人です。生産性や需要の前提を変えれば結果も変わり、不足人数を確定した予測ではありません。
AI人材不足の最新状況を説明する際、この数字だけを根拠にするのは適切ではありません。本記事では、直近の企業調査である「DX動向2026」と、製造業に焦点を当てた2026年版ものづくり白書を中心に見ます。
製造業で重要になる「現場知見×AI基礎力」
2026年版ものづくり白書が示す課題
2026年版ものづくり白書は、製造現場の加工・稼働データなどをデータ基盤として整備し、AIと組み合わせて社会実装とデータ蓄積を進めることを、製造業の競争力に関わる方向性として示しています。
一方、AI・デジタル技術の活用にあたっては、知識・ノウハウの不足と、人材確保の難しさが課題です。設備からデータを取るだけでも、信号の意味、単位、サンプリング周期、設備状態、加工条件、品種、異常時の記録などをそろえなければ、分析に使えるデータにはなりません。
AIモデルを外部企業へ委託する場合も同じです。現場側が「何を良くしたいのか」「どの誤りなら許容できるのか」「どの条件で使ってはいけないのか」を説明できなければ、要件は固まりません。
「エッジAI人材」は技術士ギルド内の便宜的な呼び方
旧記事では、現場とAIの専門家をつなぐ人を「エッジAI人材」と表現していました。
ただし、「エッジAI人材」は、政府やIPAが定めた公式の職種名ではありません。技術士ギルドが、現場の知識を土台にAI導入を前へ進める人を説明するために用いた便宜的な呼び方です。
さらに、技術分野で「エッジAI」といえば、一般にはクラウドだけに頼らず、センサー、端末、設備に近い場所でAI推論を行う技術を指します。人材の呼称として使うと、この技術用語と混同するおそれがあります。
そのため本記事では、以下の役割を「現場実装型AI人材」と呼びます。これも公的な職種名ではなく、本記事での整理です。
本記事における「現場実装型AI人材」の定義
自分の専門領域と現場業務を理解した上で、AIで扱う問題と評価指標を定め、必要なデータを整理し、AIの専門家やベンダーと協働して、検証・導入・運用まで推進できる人。
この定義は、IPA「DX動向2026」の「現場の知見と基礎的AI知識を持ち、自社へのAI導入を推進できる従業員」に近い役割です。また、経済産業省のデジタルスキル標準ver.2.0でいうビジネスアーキテクト、データサイエンティスト、データマネジメント、ソフトウェアエンジニアなど、複数の類型が協働する領域でもあります。
製造業の技術者がAI導入で担える5つの仕事
製造業の技術者には、AIの専門家が短期間では身につけにくい現場知識があります。その知識をAI導入へつなげる仕事は、次の5つです。
1．「AIを使う」ではなく、解く問題を決める
最初に決めるのはAIの種類ではなく、改善したい業務です。
- 設備停止時間を月何時間減らすのか
- 不良流出率と過検出率をどこまで下げるのか
- 設計審査にかかる時間をどれだけ短縮するのか
- 段取り時間、エネルギー原単位、保全工数をどう改善するのか
「異常検知AIを導入する」だけでは、成功を判定できません。現状値、目標値、測定方法を先に決めます。
工場DX全体から課題を整理したい場合は、工場DX担当者が押さえる5つの機能領域も参考にしてください。
2．データの意味と取得条件をそろえる
AIの精度以前に、入力データが現象を正しく表しているかを確認します。
- センサーの名称、単位、設置位置、校正状態
- 取得周期と欠測の扱い
- 品種、ロット、材料、工具、加工条件
- 正常、異常、不良の判定基準
- 設備改造や条件変更の履歴
- 図面、仕様書、作業標準の版
製造データは、設備ごと、工程ごと、担当者ごとに意味が異なる場合があります。現場を知る技術者がデータの文脈を補わなければ、見かけ上は精度の高いモデルでも、条件が変わると使えなくなります。
属人化した判断を記録へ変える方法は、技術継承と属人化対策で詳しく解説しています。
3．誤りの種類と許容範囲を決める
AIにも誤判定は起こり得ます。大切なのは、精度を一つの数字だけで判断しないことです。
外観検査なら、不良を見逃す「偽陰性」と、良品を不良扱いする「偽陽性」では影響が異なります。予知保全なら、停止を見逃す損失と、早すぎる部品交換の損失を比較する必要があります。
当サイト独自の二値判定の概念図です。実際の良否は検査基準に沿った基準判定を指し、図では不良を検出対象（陽性クラス）としています。影響は例であり、特定システムの性能・効果を示しません。判定保留や不確かな出力の扱い、出荷可否・人の確認・停止条件は、用途・品質要求・組織の運用基準に応じて別に定めます。
安全に関わる用途では、AIが不確かなときに人へ戻す、設備を安全側へ移す、従来の検査を残すなど、失敗を前提にした仕組みが必要です。
4．小さく検証し、現行方法と比較する
PoC（概念実証）では、AIモデルの精度だけでなく、業務全体の改善を確認します。
- 現行のルール判定や人による作業より良いか
- 学習に使っていない期間、設備、品種でも機能するか
- データ取得、前処理、再学習を継続できるか
- 誤判定の確認にかかる工数を含めても効果があるか
- 現場の担当者が結果を理解し、行動へ移せるか
「精度95％」だけでは導入判断はできません。比較対象、評価データ、対象範囲、誤差の内訳まで記録します。
5．運用とリスク管理を設計する
AIは導入した日が完成ではありません。設備、材料、環境、業務手順が変われば、出力の傾向も変わります。
最低限、次を決めておきます。
- 出力を誰が確認し、最終判断するか
- 誤りや異常を誰へ報告するか
- モデル、プロンプト、参照データの変更をどう管理するか
- 機密情報、個人情報、知的財産をどこまで入力できるか
- 性能をいつ再評価し、どの条件で利用を止めるか
経済産業省とIPA・AISIが共同事務局を務める「AI事業者ガイドライン」の最新版は、2026年3月公表の第1.2版です。社内ルールを作る際は、承認済みのAI環境、入力可能な情報、人による確認、記録、問題発生時の対応を、所属組織の規程と合わせて確認してください。
製造業の技術者は何から学べばよいか
すべてを一人で習得する必要はない
経済産業省の「デジタルスキル標準ver.2.0」は、DXを推進する専門人材を、ビジネスアーキテクト、デザイナー、データサイエンティスト、データマネジメント、ソフトウェアエンジニア、サイバーセキュリティの類型で整理しています。
これは、一人が全領域の専門家になるべきという意味ではありません。自分の主領域を持ち、他の専門家と協働するために隣接領域を理解する、という使い方が現実的です。
学ぶ順番は「現場課題→データ→AI→実装」
製造業の技術者には、次の順番をおすすめします。
- 現場課題を数値で表す
QCD、安全、環境、保全などの観点から、現状値と目標値を定めます。 - データの基礎を学ぶ
平均とばらつき、相関と因果、サンプリング、可視化、検証データの分離を理解します。 - AIの基本的な特性を学ぶ
回帰、分類、異常検知、生成AIの違い、過学習、誤判定、ハルシネーションを理解します。 - 小さな業務で試す
公開情報や入力を許可されたデータを使い、要約、分類、検索、簡単な予測などから検証します。 - 運用条件を設計する
人の確認、権限、変更管理、再評価、停止条件まで含めて導入を判断します。
Pythonや高度な数学から始める必要はありません。ただし、モデルの出力をうのみにせず、評価条件と限界を確認できる程度のデータ・AIリテラシーは必要です。
資格学習を入口にするなら、G検定はAIの用語や基本的な考え方を体系的に学ぶ選択肢の一つです。ただし、資格取得だけで現場へ実装できるようになるわけではありません。
忙しい中で学習を継続する方法は、忙しい技術者の勉強法で整理しています。
90日で始める小さな実践計画
大規模なAIプロジェクトをいきなり始める必要はありません。次のように、一つの業務で学習と検証を同時に進めます。
1〜2週目：問題と基準値を決める
- 対象業務を一つに絞る
- 現在の時間、件数、損失などを測る
- 改善目標と、やらない範囲を決める
- AIを使わない改善案も比較対象に残す
3〜4週目：データを棚卸しする
- 必要なデータと所在を一覧にする
- 入力してよい情報か確認する
- 欠測、誤記、単位、版、判定基準を確認する
- データが足りなければ、取得方法から設計する
5〜8週目：小さく検証する
- 現行方法と同じデータで比較する
- 学習・設定に使ったデータと評価用データを分ける
- 成功例だけでなく、失敗例を集める
- 現場担当者と一緒に出力を確認する
9〜12週目：業務へ入れるか判断する
- KPIの改善量と追加工数を確認する
- 誤りが起きたときの影響を評価する
- 人による確認と責任範囲を決める
- 継続、条件付き継続、中止を判断する
検討時は、次の項目を1枚にまとめると関係者と話しやすくなります。
| 項目 | 記入する内容 |
|---|---|
| 対象業務 | どの工程・判断・作業を扱うか |
| 現状と目標 | 現在値、目標値、測定方法 |
| AIに求める出力 | 予測、分類、検索、要約など |
| 必要データ | 種類、期間、品質、取得方法 |
| 誤りの影響 | 見逃し、過検出、誤回答の損失 |
| 人の役割 | 確認、承認、例外処理、停止判断 |
| 利用条件 | 対象設備、品種、環境、禁止範囲 |
| リスク対策 | 機密、個人情報、安全、セキュリティ |
| 継続判断 | 評価時期、合格基準、停止条件 |
AI導入で生かせる「専門性を実装へつなぐ力」
AIの普及によって、製造業の専門知識が不要になるわけではありません。むしろ、AIが扱う対象を正しく定義し、出力を検証するために、機械、電気、材料、品質、生産、保全、安全などの知識が必要になります。
機械設計者なら、要求仕様、荷重条件、故障モード、公差、製造性、保守性を踏まえてAIの提案を確認できます。生産技術者なら、工程能力、サイクルタイム、設備制約、人の動線を基に、導入効果を判断できます。品質技術者なら、判定基準、測定の不確かさ、偽陰性・偽陽性の影響を評価できます。
大切なのは「AIを使った」と職務経歴へ書くことではありません。次のように、課題、判断、成果を残すことです。
- どの現場課題を対象にしたか
- どの指標を改善しようとしたか
- データの問題をどう見つけ、どう整えたか
- どの条件では使えないと判断したか
- 人とAIの役割をどう分けたか
- 導入前後で何が変わったか
AIは専門性の代わりではなく、専門性を別の形で発揮するための道具です。自分の現場知識を核に、データとAIの基礎、検証、運用をつなげられる技術者は、導入側にも開発側にも価値を提供できます。
機械設計者の仕事がAIでどう変わるかを詳しく知りたい方は、機械設計者の年収と将来性｜公的データで需要・AIの影響を解説もご覧ください。
まとめ
公的資料から確認できるのは、「AI人材が一律に何万人足りない」という単純な話ではありません。
- 国内企業調査では、AIを導入・試験利用する企業は58.0％だった
- 生成AIを導入・試験利用・検討している企業では、製造部門での利用は35.7％だった
- DXに取り組む企業では、推進人材の量・質ともに不足感が強い
- AI研究者だけでなく、現場知見とAI基礎知識をつなぐ人、データを整える人が不足している
- 製造業の技術者は、問題定義、データの意味づけ、評価、運用設計で重要な役割を担える
まずは、自分の業務で繰り返し発生している一つの問題を選び、現状値と判断基準を言葉にするところから始めてください。AIを学ぶ目的は、流行の技術を追いかけることではなく、現場でより良い判断を実現することです。
よくある質問
AI人材になるにはプログラミングが必須ですか？
必須とは限りません。役割によって必要な深さは異なります。現場課題の定義、データの意味づけ、評価条件の設定、運用設計を担う人には、Pythonでモデルを一から開発する力より、AIの特性と限界を理解し、専門家と要件を詰める力が先に必要です。簡単なデータ処理や検証コードを読めると、担当範囲はさらに広がります。
G検定を取ればAI導入を推進できますか？
G検定は基礎知識を体系的に学ぶ入口にはなりますが、合格だけで導入を推進できるわけではありません。現場課題の定義、データ品質の確認、評価指標の設計、関係者調整、運用・リスク管理を実務で経験する必要があります。
「エッジAI人材」は公的な職種名ですか？
いいえ。政府やIPAが定めた公式の職種名ではありません。旧記事で技術士ギルドが便宜的に使った表現です。また、技術用語としての「エッジAI」とは意味が異なるため、本記事では原則として「現場実装型AI人材」と表記しています。
生成AIへ図面や仕様書を入力してもよいですか？
会社の規程と利用環境を確認せずに入力してはいけません。図面、仕様書、顧客情報、未公開の不具合情報などは、営業秘密や個人情報を含む場合があります。会社が承認した環境を使い、入力可能な情報、保存・学習への利用、アクセス権限、出力の確認方法を事前に確認してください。
（広告）