情シスの役割はモデルではなく「土台」

製造業AIのプロジェクトで情報システム部門が担う役割は、データ基盤、セキュリティ、運用（MLOps）の3つに集約できます。どのテーマを選び、どの精度で合格とするかは現場部門が決めるべきことで、情シスが代わりに決めることはできません。一方で、データをどこから取り、どこに貯め、どう守り、モデルをどう更新し続けるかは、現場部門だけでは決められません。

この分担が曖昧なままだと、2つの失敗が起きます。1つは、現場部門がベンダーと直接PoCを進め、工場ネットワークに無断で機器をつないでしまうこと。もう1つは、情シスが基盤を作り込んだのに、使うテーマが決まらず放置されることです。2026年版ものづくり白書の解説連載では「『IT部門主導』ではDXは成功しない？」という論点が取り上げられており、情シス単独で進めることの限界も指摘されています。

現場部門がテーマと合格基準、情報システム部門が基盤とセキュリティと運用、ベンダーがモデル開発を担う責任分界図 現場部門 テーマ選定合格基準（KPI）正解ラベルの判断業務への組み込み 情報システム部門 データ基盤 OT連携セキュリティ MLOps・運用 ベンダー・開発者 モデル開発精度検証推論環境の実装再学習の手順書
現場部門・情報システム部門・ベンダーの責任分界。情シスは基盤・セキュリティ・運用の3層を受け持つ。

役割1：データ基盤をユースケース共通の資産にする

AIの学習データには、センサの値だけでなく「どのロット・品番・設備・工程のときの値か」というコンテキストが必要です。この紐付けのキーを持っているのはMES（製造実行システム）で、ロット・作業指示・品質判定・停止理由を時系列データと結びつける設計が情シスの仕事になります。

IPAの「DX動向2026」（2026年7月公表）では、日本企業のデータ整備・管理・流通の課題として「人材の確保が難しい」51.2%、「データの標準化が難しい」36.8%、「管理システムが整備されていない」32.6%が挙がっています。テーマごとにベンダーがばらばらにデータを集めると、この標準化の問題がテーマの数だけ増えます。タグの命名規則、設備の資産階層、時刻同期のルールを情シスが先に決め、次のテーマでも使える形にしておくことが、2本目以降のAIのコストを下げます。詳しい進め方はデータ基盤のロードマップで扱っています。

役割2：OTとつなぐときのセキュリティ

AIのために工場ネットワーク（OT：制御系の機器とネットワーク）と情報系をつなぐと、攻撃の入口が増えます。IBM X-Forceによると、2025年に製造業はサイバー攻撃の27.7%を占め、5年連続で最も攻撃された業種でした。Dragosは、産業組織へのランサムウェア攻撃が前年比87%以上増え、被害組織の50%超が製造業だったと報告しています（2025年2月）。

サイバー攻撃に占める製造業の割合
27.7%
IBM X-Force（2025年、Manufacturing Dive 2026年2月報道）
産業組織へのランサムウェア攻撃の前年比増加
87%以上
Dragos（2025年2月発表）
データ整備の課題に「人材確保」を挙げた日本企業
51.2%
IPA DX動向2026（2026年7月）

設計の基本は、制御系から情報系・クラウドへの通信をDMZ（緩衝区域）経由の外向き一方向にすることです。国際規格ISA/IEC 62443では、セキュリティ要件が同じ資産のまとまりを「ゾーン」、ゾーン間の通信を「コンジット」と呼び、エッジのゲートウェイやMQTTブローカーはコンジットとして扱います。AIの推論結果で設備の設定値を書き換える場合は、承認フローとインターロックを設けます。詳しくはIEC 62443とAIを参照してください。

役割3：モデルを運用し続ける仕組み（MLOps）

Googleの研究者による2015年の論文「Hidden Technical Debt in Machine Learning Systems」は、実際の機械学習システムのうち学習のコードはごく一部で、周辺のインフラの方がはるかに大きく複雑だと指摘しました。工場では、品種・季節・材料ロットによるデータの変化、設備改造や治具交換による前提の変化が起きるため、精度の監視と再学習の仕組みが欠かせません。

工場特有の論点として、どのモデルの版で合否を判定したかをロットのトレーサビリティに記録することがあります。品質監査で判定根拠を問われたとき、モデルの版が分からなければ説明できません。現場が閾値を変えるときの権限と記録も、情シスが仕組みとして用意します。全体像は工場向けMLOpsにまとめています。

よくある質問

情シスにAIエンジニアがいなくても進められますか

進められます。情シスに必要なのはモデルを作る力より、データの流れとネットワークを設計する力です。モデル開発は外部に委ね、データ基盤・セキュリティ・運用の設計を社内で持つ分担が現実的です。

クラウドとオンプレミスのどちらに基盤を置くべきですか

画像や高周波振動のようにデータ量が多いもの、ネットワークが切れてもラインを止められないものはエッジで推論し、学習と蓄積はクラウドやデータセンターで行う併用が一般的です。判断軸は遅延・帯域・可用性・機密性の4つです。

現場部門が勝手に生成AIを使い始めています。どうすべきですか

禁止するより、使ってよいデータの範囲と使ってよいサービスを決めた利用ルールを先に出す方が効果的です。図面やレシピなど持ち出してはいけない情報を具体的に挙げ、社内向けの環境を用意すると、無断利用は減ります。

この記事に出てくる用語

用語集（日・英・中）をすべて見る

この記事のテーマ
#データ基盤#セキュリティ#人材育成
この特集について

AIは「データ基盤」で決まる

PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある　全130本

  1. MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
  2. 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
  3. 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
  4. データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
特集の記事をすべて見る →

この記事を書いた人

株式会社サオス

株式会社サオス 製造DX部

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。

運営者情報　編集方針　株式会社サオスのサイト