第80号

人手不足に対応する日本のPhysical AI戦略

日本の労働力不足の見通しとAIロボット育成計画を見てみました。既存の製造能力を実際の現場の自動化につなげるには何が必要か検討しました。

社会

アン・グァンソプ（Oswarld）· INLEVEL9 著者・編集者

Google の優先ソースに追加
人手不足に対応する日本のPhysical AI戦略

人手が足りない現場でロボットに期待すること

日本のロボット産業を扱った記事を読んでいて、人手不足のせいで現在の生産やサービスを維持しづらくなっている現場の話に目が留まりました。自動化が人の仕事を変える問題と、働く人を確保できない問題が同時に存在しているのです。韓国にも考えるべき点があると感じました。

2026年3月には、日本の経済産業省がAIロボットなどPhysical AI1産業を育成し、2040年に世界市場の約30%を確保しようとしているとの報道がありました。人手不足に対応しながら新しい産業を育てようという目標です。リクルートワークス研究所の『未来予測2040』は、基本シナリオで2040年の労働力需給ギャップが約1,100万人に達すると推計しました。現在の不足人員でも確定した将来の数値でもありません。

今回は、日本の人材需要とロボット産業の強み、実際の業務にロボットを導入する際に必要な条件を見ていきます。

生産とサービスを維持しなければならないという圧力

ロボット導入には、コスト削減や生産性向上、安全性、人材確保など複数の理由があります。国ごとに動機が一つに決まっているわけではありません。ただし、日本を取材したTechCrunchの記事では、人手不足が繰り返し登場します。

日本の統計局によると、2024年10月1日時点の総人口は約1億2,380万人で、前年より55万人減少しました。総人口の減少は14年連続で、15~64歳人口の割合は59.6%でした。日本国籍者のみを集計した統計と、外国人を含む総人口統計は区別する必要があります。

介護分野の需要も増えています。厚生労働省は、2040年度に必要な介護人材を約272万人と推計しました。2022年の約215万人より57万人多い規模です。看護師の不足人員を予測した数値ではなく、将来の介護サービスに必要な人材の増加分です。

TechCrunchが取材したGlobal Brainのド・ホギルパートナーは、少ない人数で工場や物流センター、サービスを運営し続けようとする需要が大きいと説明します。ロボット導入の理由を、売り手側の技術紹介だけでなく、顧客が抱える運営上の問題から見るべきだという話として読みました。

こうした現場では、生産量をさらに増やすことと同じくらい、現在担っている仕事を期限内に終えられるかどうかが重要です。だからといって、人手不足のすべてをロボットで解決できるわけではありません。働き方や労働条件、人材確保も併せて扱う必要があります。

製造経験を新しい作業に応用する課題

日本にはFANUC、Yaskawa、Kawasakiなど、産業用ロボットを長年手がけてきた企業があります。IFRが2025年7月に発表した暫定集計によると、日本の自動車産業では2024年に約1万3,000台の産業用ロボットが新たに設置されたとのことです。反復工程を自動化してきた製造・運用経験が重要な基盤となっています。

ロボットが正確に動くには、アクチュエーター2とセンサー、モーター、制御技術が一体となって機能する必要があります。部品の精密さだけでなく、実際の工場で故障や誤差に対処してきた経験も欠かせません。日本企業が蓄積してきたこうした能力を、新しいAIモデルと結びつけることが課題です。

既存の産業用ロボットの強みが、新しい作業にどれだけ引き継がれるかが重要です。決まった位置にある物体を繰り返し運ぶ作業と、その都度異なる位置に置かれた物体を選んでつかむ作業とでは、必要な認識や制御が異なります。

競争を比較する際にも、ハードウェア、認識モデル、制御、データ、現場運用を分けて見る必要があります。どの国がソフトウェアを、どの国がハードウェアを担うといった具合に固定してしまうと、企業ごとに異なる強みや協力関係を見落としやすくなります。

MujinのCEOである滝野一征氏も、TechCrunchのインタビューでハードウェアの物理的特性を深く理解する必要があると強調しました。ソフトウェアが下した指示が実際の機器の動きにつながるため、精密制御や失敗によるコストまで考慮する必要があるということです。

日本の機会も、この結びつきにあると考えます。既存のロボットや工程の特性を理解しながら、新しい物体や作業条件に対応するシステムを作れるかどうかということです。

投資発表と現場稼働成果は別物

日本政府のAI・ロボット育成計画に加え、民間投資も発表されています。Microsoftは2026年4月3日、2026~2029年に日本へ100億ドルを投資すると発表しました。AIインフラ、サイバーセキュリティ、人材育成を含む計画であり、全額がロボット購入に使われる、あるいはすでに実行されたという意味ではありません。

現場導入を評価する際には、別の基準が必要です。顧客が費用を払い続けて使用しているか、1シフトの間安定して稼働するか、稼働率3や人が介入した回数はどうかを見る必要があります。展示会場で成功したデモンストレーションと、長期間運用した結果を区別するということです。

ソフトバンクとYaskawaの事例が、この違いを示しています。ソフトバンクは2026年3月25日、自社の物流倉庫で物をつかんで運ぶ作業を検証したと発表しました。視覚・言語モデル（VLM）4が物体や配置の情報を解釈し、ロボット側の行動モデルが実際の動きを生成する構成でした。実際の倉庫の作業を用いた検証ではありますが、商業導入全体の収益性や長期の無人稼働が実証されたという発表ではありません。

複数の機器が連携して動くには、作業順序を調整するソフトウェアと既存の物流システムとの連携も必要です。デジタルツイン5やシミュレーションは、配置や動作を事前に試すために使うことができます。ハードウェアとソフトウェアのどちらか一方だけをうまく作れば、現場の問題がすべて解決するわけではありません。

機器メーカーとソフトウェア企業の協力

この産業では、機器を作る企業とシステムを連結・運用する企業が共に働く余地があります。ただし、今後も市場が特定の企業に集中しないとあらかじめ断定することはできません。

記事に登場するMujinは、複数メーカーの機器をまとめて自動化するプラットフォームを開発しています。WHILLは電動移動機器とセンサー、自律走行、運用管理を組み合わせています。Terra Droneも自律システムの現場適用を手がけています。いずれも同じロボットを作る会社ではなく、それぞれ異なる作業や顧客を対象にしています。

Salesforce Venturesのヤマナカ・ショウ氏は、大企業の製造基盤や顧客体験と、スタートアップのソフトウェア・システム開発が互いに助け合える可能性があると説明します。こうした協力が実際に機能するには、故障が起きたときに誰が対処するのか、性能改善のためのデータをどう共有するのかも決めておく必要があります。

ド・ホギルパートナーは、設置や統合、継続的な改善を担う企業の役割を強調します。ロボット販売後も顧客の作業条件を反映し続けなければならないという点で、参考になる意見です。

Oswarldの視点

私は、日本の人手不足がロボット企業に具体的な需要を生み出しうると考えています。解決すべき業務がはっきりしていれば、技術をどこに適用し、何を改善すべきかを議論しやすくなるからです。

GTM戦略を扱う中でも、顧客にどうしても解決すべき問題があるとき、導入の議論がより具体的に進むケースを見てきました。ただし、必要性が切実だからといって購入がすぐに決まるわけではありません。価格や設置期間、既存設備との連携、安全性や保守条件が満たされる必要があります。日本のPhysical AIも、こうした条件を一つずつ満たしていく必要があるでしょう。

私が懸念しているのは、機器の性能だけに集中して現場運用を見落とすケースです。物をうまくつかめるロボットであっても、生産スケジュールと連動していなかったり、エラーが起きるたびに人が長時間張り付かなければならなかったりすれば、期待した効果を出すのは難しくなります。

ですから、市場規模の成長見通しよりも、顧客が導入後も費用を払い続ける理由を見たいと思っています。実際の処理量が増えたか、従業員の危険な作業が減ったか、稼働を止める時間が減ったかといった変化です。

私は、日本企業が持つ機器や工程の経験をソフトウェア統合に結びつける方向が有利になりうると考えます。ハードウェアをよく理解していることは助けになり得ますが、それだけでより安定したシステムが保証されるわけではありません。現場で試験を重ね、失敗の原因を直していく力も同時に必要です。

韓国も少子化と高齢化、業種別の人手不足に直面しています。ロボットが雇用に与える影響と、人手不足を緩和する可能性を合わせて見る必要があると思います。まずはどの作業が遅れているのか、自動化すれば担当者の仕事がどう変わるのかから確認できればと思います。

おわりに

今回の資料を読みながら、日本のロボット戦略は製造能力を新しい現場需要につなげる問題なのだと感じました。労働力不足の見通しはその必要性を示していますが、どのロボットをどれだけ導入すれば解決するのかまでは答えてくれません。

したがって、政府の市場シェア目標、企業の投資計画、現場検証、実際の商用運用を区別して見る必要があります。それぞれに意味はありますが、互いに代わりになる成果ではありません。

私は、ロボット1台が何をできるかに加えて、導入した組織がその作業をどれだけ安定的に続けられるかを見ていきたいと思います。韓国で活用方法を探るときにも、その運用経験が役立つはずです。

あなたの視点が次の号をつくります

この号で最も共感した点、あるいは違う経験をした点はどこですか。

読者アカウントがあれば無料でコメントできます。

参考資料と関連リンク

筆者アン・グァンソプ（安光涉）は世宗大学校経営学科教授であり、INLEVEL9のリードコンサルタントである。大学では経営データ管理、ビジネスアナリティクスなど統計・データ分析を教える一方、現場ではGTM戦略とAI戦略コンサルティングを率い、技術とビジネスの接点を設計している。AI対話システムの記憶アーキテクチャ（HEMA）研究で学術論文を発表したほか、毎日グローバルなAI論文をキュレーションするDaily Arxivプロジェクトを運営している。高麗大学校技術経営専門大学院修士課程とKMBAを修了した。著書に『考えることを委ねる人々：ホモ・ブレインレス』がある。

アン・グァンソプ（Oswarld）のイラスト

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

  1. Physical AI：センサーやカメラなどの情報を解析し、ロボットや他の物理的機器の動作に反映するAIを指します。すべての機器が稼働中に自ら学習したり、完全に自律的に動いたりするわけではありません。 ↩

  2. アクチュエーター：エネルギーを動きに変える装置です。電動モーターや油圧シリンダーなどがあります。 ↩

  3. 稼働率：定められた観察時間のうち、正常に稼働した時間の割合です。アップタイムは稼働時間を意味することもあるため、比較する際には基準時間と停止の定義を確認する必要があります。 ↩

  4. VLM：画像とテキストを併せて処理するモデルです。ロボットの実際の動作を生み出すには、行動生成システムと制御システムを連結する必要があります。 ↩

  5. デジタルツイン：実際の設備やシステムをデータとデジタルモデルで表現し、分析・試験する方式です。現実を完全に複製するものではなく、モデルの精度とデータの更新が重要です。 ↩

あわせて読みたい過去の号

第79号

米国の10代はAIチャットボットをどう使っているのでしょうか

米国の青少年調査では64%がチャットボットの利用経験があると答えました。宿題、遊び、感情的な慰めなど様々な利用目的と保護措置の問題を見てみました。

社会
第78号

SNSで文章を書かなくなった人々、増えるAI利用

Ofcomの2026年報告書で、SNS参加の減少とAI利用の増加が同時に確認されました。調査方式の変化と、各数値が説明する範囲を確認してみました。

社会
第72号

AI時代の人文学論争と大卒者雇用統計

アレックス・カープ氏とダニエラ・アモデイ氏は、AI時代における人文学の価値を異なる視点で捉えています。両者の主張と米国の大卒者雇用統計を比較しながら、専攻と実際の業務能力をどうつなげるか考えてみました。

社会