「DXシステム開発 Expo 2026」ほか｜AI内製開発とデータ基盤が変えるものづくりDXの現在地【イベント・レポート⑤】

「DXシステム開発 Expo 2026」「ものづくりDX Expo 2026」「AI Innovation Tokyo 2026」

開催日：2026年9月3日（金）～4日（土）
開催場所：東京都立産業貿易センター浜松町館
主催者：株式会社ナノオプト・メディア

【後援（9/3 - 4開催）】『DXシステム開発Expo』を当協会は後援 & 登壇いたします — 出典：AI&NoCodersJapanAssociation公式サイト

生成AIの進展により、システム開発やものづくりの現場では、担当者が自らAIを使って業務改善に取り組む動きが広がっています。一方で、開発スピードの向上は、シャドーAI（会社が把握していないAIの利用）や情報漏洩といった新たなリスクも生み出します。

製造業ではAIの性能に加え、部門やシステム間のデータ断絶が本番展開の壁となっています。現場で使えるDX（デジタルトランスフォーメーション）を実現するには、何から整えればよいのでしょうか。

2026年9月3日・4日に東京都立産業貿易センター浜松町館で開催された「DXシステム開発 Expo 2026」「ものづくりDX Expo 2026」「AI Innovation Tokyo 2026」では、情報基盤、現場、AIの3領域を横断するソリューションが紹介され、3100名以上が来場しました。本記事では、AIレディなデータ基盤づくりの観点から、そのヒントを紹介します。

【本記事の要点】

AI活用が本番展開でつまずく背景には、モデルの性能だけでなく、参照するデータの欠損や重複、部門・システム間の断絶がある
「AIレディなデータ」とは、正確性やガバナンス、説明可能性などに加え、品質を保ち続ける運用体制までそろった状態を指す
全システムの刷新やデータの一箇所への集約は不要で、既存システムを生かしながら、信頼できるデータを関係性ごとつなぐ考え方が有効
まずは業務プロセス上のデータ断絶を特定し、優先度の高い領域から段階的に整備することが、AI活用を実験から実務へ進める第一歩になる
展示ブースでは、AI駆動開発による内製化支援、OCRから基幹システム連携までの自動化など、現場の課題に踏み込んだソリューションが紹介された

AI活用を成果につなげる製造業のデータ基盤：「AIレディ」なデータをどう整えるか

Stibo Systems株式会社のシニアアカウントエグゼクティブ・岡田学氏の講演模様 — Stibo Systems株式会社のシニアアカウントエグゼクティブ・岡田学氏（編集部にて撮影）

生成AIやエージェンティックAI（自律的に判断して業務を進めるAI）の活用が進む一方、 PoC（概念実証）では成果が出ても本番展開でつまずく企業は少なくありません。その背景には、AIモデルの性能だけでなく、AIが参照するデータの品質や、部門・システムをまたぐデータの断絶があります。

製造業では、同じ製品や部品でもシステムごとにコードや定義が異なるなど、固有の複雑さを抱えています。Stibo Systems株式会社のシニアアカウントエグゼクティブ・岡田学氏は講演で、AI活用を一時的な実験で終わらせず、事業成果につなげるためのデータ基盤の考え方を解説しました。

AI投資と成果のギャップを生む「データ断絶」

AI投資が拡大する一方で、効果測定や本番展開で壁にぶつかるケースがあります。岡田氏は、その原因としてモデル性能よりも「参照するデータの欠損や重複、責任の不透明さ」を挙げました。AIへの投資を事業価値に変えるには、信頼できるデータを継続的に供給できる基盤が必要です。

特に製造業では、部門ごとの最適化によって、同じ対象でもシステムごとにコードや定義が異なることがあります。PoCでは限定されたデータを使うため成功しても、本番展開するとシステム間の断絶が表面化します。必要なのは全面的なシステム刷新ではなく、既存システムを生かしながら、同じ意味のデータを参照できる相互運用性を構築することです。

「データがある」だけではAIは使えない

AI活用で重要なのは、単に大量のデータを保有することではありません。

正確性
ガバナンス（管理体制）
コンテキスト（業務の文脈）
説明可能性
アクセス性

これらに加え、品質を維持し続ける運用成熟度がそろってはじめて「AIレディなデータ」になります。

製造業では、製品、部品、サプライヤー、設備、顧客など、複数のデータ領域をつなぐことが重要です。たとえば壁掛け時計の製造でも、部品構成だけでなく、取引先、出荷先、自社担当者などの情報が相互に関係しています。AIが業務の文脈を理解するには、個々のデータだけでなく、企業固有の意味と関係性まで表現する必要があります。

代替部品や設計変更：データの関係性がAIの精度を左右

講演では、AIによる代替部品の提案がユースケースとして紹介されました。単に類似した品番を提示するだけでは、現場で採用できません。スペック、調達可否、適用条件、規制、承認履歴など、判断に必要な情報がそろい、「なぜ代替できるのか」「誰が承認したのか」を説明できて初めて、実務で使える回答になります。

もう1つの例が、PLM（製品ライフサイクル管理）とMDM（マスターデータ管理）を連携した設計変更影響の管理です。上流での設計変更は、コストやリードタイム、許認可、販促など後工程へ波及します。

部品・製品・コスト・販売情報が結びついていなければ、AIであっても影響範囲を適切に推論することはできません。データ同士の関係性こそが、AIに業務上の文脈を与えるのです。

一箇所に集めるのではなく「信頼できるデータ」をつなぐ

岡田氏が示した「トラステッド・インテリジェンス・プラットフォーム」の考え方では、すべてのデータを一箇所に集約することを目的としません。重複排除や属性付与、標準化を行い、領域間の関係性を維持した信頼できるデータ基盤から、各システムやAIへ必要なデータを同期します。

こうした基盤整備は、AIのためだけの取り組みでもありません。検索や手戻り、二重入力といった現行業務の課題も改善できます。さらにAPI（システム同士をつなぐ仕組み）やDaaS（データをサービスとして提供する形態）経由で正しいコンテキストを備えたデータをAIエージェントに提供すれば、判断理由や履歴も残せます。

つまり、今日のデータ課題を解決することが、将来のエージェンティックAIを安全に活用する出発点になるのです。

まずはデータ断絶を特定し、段階的に整備する

講演では、MDMを活用した海外企業の事例も紹介されました。3社の取り組みは以下のとおりです。

企業名	所在地・業種	MDMの活用内容	成果・展開
OfficeMax New Zealand	ニュージーランド・オフィス用品販売大手	新商品登録のプロセスをMDMで整備	新商品登録にかかる時間を6週間から2時間へ短縮
Hager Group	ドイツ・電気設備大手	グローバル共通のデータモデルとワークフローを整備	画像検索やテキスト生成などのAI活用へ展開
Sligro Food Group	オランダ・ベルギー・食品流通大手	商品属性をMDMで集中管理	旧システムの廃止、AIによるWEBコンテンツ生成を推進

製造業のAI活用を成果につなげるには、モデルだけでなく、AIが参照するデータの品質、意味、関係性、承認履歴を整えることが不可欠です。とはいえ、すべての領域を一度に手掛ける必要はありません。

まずは事業プロセスの中でデータの断絶が起きている箇所を特定し、優先度の高い領域から段階的に基盤を整備することが、AI活用を実験から実務へ進める第一歩となるでしょう。