※この記事について
本記事は、株式会社Thingsが製造業の企画・技術・DX担当者向けに配信しているメルマガの配信内容を、ブログ用に再構成したものです。Thingsでは、白書や各種調査などの一次情報を、製造業の現場目線で読み解く解説を、毎回無料でお届けしています。(メルマガご登録はこちらから）
この記事の結論
製造業で生成AIを「入れたのに効かない」最大の原因は、モデルの性能でも社員のリテラシーでもなく、AIに読ませる社内ナレッジが構造化されていないことにあります。
2026年7月に公表された総務省「令和8年版 情報通信白書」は、日本企業がAIの「導入」では世界に追いついた一方、「効かせる」ための土台づくりで他国に大きく見劣りしている実態を、データで浮き彫りにしました。とくに弱いのが、AIが参照できるデータベースの構築と、生成AIの効果がいちばん薄い製造・生産の現場です。
この記事では、白書の数字を手がかりに、製造業で生成AI活用が停滞する構造を分解し、RAG（検索拡張生成）と製品知識の構造化がなぜ現場活用の前提になるのかを整理します。
「導入」は世界に追いついた
まず、明るい数字から確認します。
企業が生成AIを「積極的に活用する／領域を限定して活用する」方針を定めている割合は、日本で 68.9%。前年度調査の49.7%から大きく伸びました。何らかの業務で実際に生成AIを使っている企業も 86.4% に達し、米国（90.9%）・ドイツ（91.6%）との差はかなり縮まっています。
「導入するかどうか」を検討する段階は、日本でもほぼ終わりつつある、というのが白書の第一のメッセージです。
つまり、遅れているのは「導入」ではありません。問題はその先、「導入したAIをどこまで業務に効かせられているか」というところにあります。
点の利用にとどまる日本
導入率の高さの裏で、見過ごせない数字があります。
生成AIによる業務変革について、日本では 「組織的な取組はない」と答えた企業が27.0%で、米国1.4%、ドイツ4.9%、中国2.6%と比べると、突出して高い水準です。
| 国 | 「組織的な取組はない」と回答した割合 |
|---|---|
| 日本 | 27.0% |
| ドイツ | 4.9% |
| 中国 | 2.6% |
| 米国 | 1.4% |
個々の社員が思い思いにチャットAIに触れてはいるが、組織として業務そのものを変えるところまでは至っていない。約3社に1社が「点の利用」で止まっている、という構図です。
生成AIを個人の作業効率化ツールとして使うだけなら、成果は個人の中で完結し、消えていきます。組織の資産として蓄積されないため、いつまでたっても「便利だが業績には効かない」状態から抜け出せません。
決定的に弱いのは「データとナレッジの整備」
白書のなかで、日本が他の3か国に対して最も明確に見劣りした項目が2つあります。いずれも、生成AI活用のための「環境整備」を尋ねた設問です。
突出して差がついたのは、以下の2項目です。
弱点①：AIが「参照できる」データベースの構築
これは、生成AIに 「自社のことを答えさせる」ための土台そのもの です。汎用のAIは自社の事情を知らないため、社内の情報を読ませて初めて自社仕様の回答が返ってきます。その「読ませる先」を用意できているか、という設問です。具体的には、
- 社内に散らばる文書・データを、AIが検索・参照できる形に集約・データベース化する
- そのデータベースをAIにつなぎ、回答の根拠として読ませられる状態にする
といった整備を指します。日本はここが 24.5%＝4社に1社 しか進んでおらず、中国（73.0%）のおよそ3分の1。4か国で最下位でした。「AIは入れたが、読ませる自社データが用意できていない」企業が多数派、ということです。
弱点②：スキル／ノウハウを学ぶ環境
こちらは、人と組織の側の準備 です。ツールがあっても、それをどう業務に組み込むかがわからなければ成果は出ません。
具体的には、
- どの業務にAIを使えば効果が出るかを検討・判断できる知識
- 業務プロセスそのものをAI前提で見直すためのノウハウ
- それらを社員が学べる研修や情報共有の場
を社内に用意できているか、という設問です。日本は39.9%で、他国が6〜7割に達するなか、こちらも大きく水をあけられました。「ツールはあるが、どう業務に組み込むかを学ぶ場がない」状態です。
つまり日本に不足しているのは、AIに読ませるデータ（①） と、それを業務に組み込む知恵（②） の両方です。いずれも、AIのモデルそのものではなく、AIを取り巻く「土台」の部分にあたります。
AIそのものは誰でも使える時代になり、差がつくのはそのAIに自社の何を読ませられるか（①）、そしてそれをどう業務に組み込むか（②）という2点です。
「読ませる仕組み」が追いつかない
この構図は、技術トレンドの動きとも符合します。
社内データを生成AIにつないで自社専用の回答を得る RAG（検索拡張生成） は、いまや企業の生成AI活用における最重要技術と位置づけられています。汎用のクラウドLLMは自社の事情を知りませんが、RAGは回答の生成時に社内文書を検索・参照させることで、「自社の文脈に沿った、根拠のある回答」を引き出す仕組みです。
ところが、ある民間調査によれば、2026年時点でRAGを導入済みの企業はわずか 17.8%。導入を希望する企業が約35%に上る一方で、「用途の判断がつかない」「技術人材の不足」 が二大課題として挙がっています。
「AIは入れたが、自社の知識を読ませる仕組みが無い」という状態が、数字の裏で広く起きています。
RAGの重要性は理解されているのに、そもそも読ませる対象となる社内ナレッジが散在・非構造のままで、仕組みに載せられない。ここが実装の入口でつまずく典型パターンです。
製造・生産の現場は、まだ手つかず
そしてもう一つ、業種としてではなく 業務類型として 見逃せない偏りがあります。
白書によると、日本企業で生成AIの活用効果を実感している割合は、業務によって大きく異なります。
活用も効果実感も 「議事録・メール」という汎用的な事務作業に集中し、製造・生産や研究・商品開発といった事業の中核では、まだ活用が薄いことがわかります。
日本の生成AIは、いちばん効かせたい現場に届いていないのです。
これには技術的な必然性もあります。設計図面・技術情報・取引先データを汎用のクラウドLLMにそのまま投げれば、情報漏洩のリスクが現実になります。
そのため製造業では、
- RAGによる社内文書ベースでの根拠付け
- ドメイン特化のナレッジを学習させ、AIの出力を社内知識由来に限定する設計
が主流になりつつあります。
裏を返せば、参照させる社内ナレッジが構造化されていなければ、現場業務でのAI活用はそもそも始まらないのです。事務作業でAIが効いて、現場で効かないのは、事務文書はテキストとして扱いやすく、現場の知見は図面・帳票・個人の頭の中に閉じているからという差でもあります。
白書の答え |「AIをコストでなく無形資産に」
では、どうすればいいのか。白書は、先進的にAIを使いこなす企業へのヒアリングから、共通する5つの要点を挙げています。
- 経営層がAIの有効性を認識し、社内外へ積極的に発信する。 優先的に活用すべき事業領域を明示する。
- AI活用を前提とした業務の抜本的な変革を進める。 その際、人間とAIの役割分担の設計を重視する。
- 事業部門の現場のニーズや課題意識を検討の起点とし、DX推進部門が伴走支援する。
- 最新のAI技術を活用可能な共通基盤を整備し、社内システム・社内データとの連携を推進する。
- 人材育成、利用ポリシー・ガイドラインの整備、評価の仕組みづくりを推進する。
さらに注目したいのは、白書がヒアリング事例として紹介した先進企業の共通項です。
不動産・介護等を手がけるある中小企業グループでは、経営者が「AI前提の働き方に変革しなければ会社の将来はない」との認識のもと、専門企業の伴走支援を受けつつ、各事業部門の課題を起点に目標を設定。1年間かけて検討を実施し、介護事業部門での送迎ルート最適化、不動産事業部門での問合せ対応の自動化など、全10事業部の合計で年間2,247時間もの業務時間削減につなげたと報告されています。
白書はこの企業について、AI導入以前から業務フローやチェックシートの整備に取り組む習慣が根づいていたことが、AIツール活用でも有効だったと指摘しています。つまり、AIが効いたのではなく、AIが効く下地を先に作っていた、ということです。
そして白書が引いた有識者コメントが、核心に迫ります。
「AIはコストではなく資産。業務の自動化そのものを目的にするのではなく、現場や個人に蓄積された知見・ノウハウを資産化する手段としてAIを捉えるべき。知識をAI化すれば、使うほどAI側に知見が蓄積され、時間とともに価値が上がっていく。」
生成AIの成果を分けるのは、モデルの賢さではなく、自社のナレッジをどれだけAIが読める形にできているか。
情報通信白書2026全体を通して、この結論が読み取れます。
製造業が「次にやるべきこと」
白書のメッセージを製造業の現場に翻訳すると、優先順位はシンプルです。
汎用AIツールの横展開よりも先に、AIに読ませる製品知識を整える。
具体的には、次のような問いから始めるのが現実的です。
- 図面・仕様書・技術文書・設計変更履歴・過去のトラブル対応は、いま どこに、どんな形で 存在しているか
- それらは検索・参照できる構造になっているか。それとも部門・ファイルサーバー・個人PCに散在しているか
- ベテランの頭の中にしかない判断基準やノウハウは、形式知化されているか
白書の言葉を借りれば、これらは「現場や個人のレベルで蓄積されてきた知見」であり、資産化されないまま埋もれている無形資産にほかなりません。RAGもドメイン特化AIも、この無形資産が構造化されて初めて機能します。
「AIを入れる」プロジェクトの前に「AIに読ませるものを整える」プロジェクトがある。これが、白書が製造業に突きつけた課題です。
まとめ
日本の製造業がやるべきは「もっと賢いAIを探すこと」ではなく、「いま手元にあるAIに、自社の知識を読ませられる状態を作ること」です。
情報通信白書2026は、その一点を4か国比較のデータで裏づけています。
この記事で触れた要点を順に整理します。
① AI導入は済んでいるが、問題はその先にある。
日本企業の生成AI導入率はすでに世界水準に追いつきました。「使うかどうか」の議論は終わっています。にもかかわらず成果が出ないのは、導入したAIを業務に「効かせる」ための土台づくりが遅れているからです。
② 弱点は「データ」と「知恵」の2つ
白書で日本が最も見劣りしたのは、(1)AIが参照できる社内データベースの構築（社内DBを構築している日本企業は24.5%＝4社に1社。中国は73.0%）と、(2)AIをどう業務に組み込むかを学ぶ環境整備の2点でした。AIに読ませる「データ」も、それを活かす「知恵」も、どちらも不足しているということです。
③ RAGは注目されているが、入口で詰まっている
社内データをAIにつないで自社専用の回答を得るRAG（検索拡張生成）は最重要技術とされますが、導入済みは17.8%にとどまります。理由は「読ませる社内ナレッジが構造化されていない」から。技術以前に、読ませる中身が用意できていないのです。
④ AIが効いているのは事務作業だけ
生成AIの効果実感は「議事録・メール」（72.3%）に集中し、製造・生産（39.8%）など事業の中核では薄いままです。機密性が高く、図面や個人の経験に閉じた現場の知見は、そのままではAIが読めないため、いちばん効かせたい場所に届いていません。
⑤ 白書の結論
成果を分けるのは、AIモデルの賢さではなく、自社のナレッジをどれだけAIが読める形にできているか。AIは「コスト」ではなく、使うほど知見が溜まっていく「無形資産」として捉えるべきだ、というのが白書全体の答えです。
では、製造業は次に何をすべきか。
答えはシンプルです。新しいAIツールを横展開する前に、AIに読ませる製品知識（図面・仕様書・技術文書・設計変更履歴・トラブル対応の記録など）を、検索・参照できる形に構造化すること。 「AIを入れる」プロジェクトの前に「AIに読ませるものを整える」プロジェクトがあることを意識しなければなりません。
メルマガのご案内
本記事のような 白書・調査データの現場目線での読み解きや、製造業＆AI関連のニュースやトレンドの解説を、株式会社Thingsは製造業の担当者向けにメルマガとして定期配信しています。
こんな方におすすめです。
- 製造業のDX・生成AI活用を推進する立場にある
- 白書や業界調査を「自社の現場ではどう読むべきか」まで落とし込んで知りたい
- ものづくりの現場に効くナレッジ活用・技術文書管理のトレンドを追いたい
下記フォームから無料でご登録できます。ご登録いただくと、次回以降のトレンド解説を含む最新コンテンツをいち早くお届けします。
株式会社Thingsが定期配信しているメルマガへのご登録フォームです。
製造業やAI関連のニュース&最新トレンドを詳しく解説しています。
発行元（株式会社Things）について
本メルマガを配信する株式会社Thingsは、製造業向けの製品知識管理プラットフォーム PRISM を開発しています。
「自社のナレッジを、生成AIが読める形にする」という本記事のテーマは、私たちが日々向き合っている課題そのものです。だからこそ、こうしたトレンドを現場目線で解説しています。
PRISMの詳細にご関心のある方は下記フォームよりサービス資料をダウンロードできますので、あわせてご覧ください。
参考：本記事の一次情報（総務省）
・令和8年版 情報通信白書 本文（PDF掲載ページ）
・令和8年版 情報通信白書の概要（別紙1・PDF）
・令和8年版情報通信白書の公表（報道資料）
