IoTとAIの違いと関係：製造現場のデータ活用を4段階で理解する

IoTはデータを集め、AIは判断を作る

IoT（Internet of Things）は、設備・センサー・カメラなどをネットワークにつなぎ、データを集めて送る仕組みです。製造業では、PLCやセンサーの値を収集するゲートウェイ、無線センサー、カメラ、それを流す通信方式（OPC UA、MQTTなど）がこれに当たります。

AIは、集まったデータから「この製品は不良か」「この設備は近く故障するか」「来月の需要はどれくらいか」といった判断を作る仕組みです。IoTがなければAIに入力するデータがなく、AIがなければIoTのデータは人が見て判断するしかありません。

項目	IoT	AI
役割	データを集める・送る	データから判断を作る
主な構成	センサー、ゲートウェイ、通信、ヒストリアン	学習済みモデル、推論環境、再学習の仕組み
成果物	時系列データ、画像、稼働状態	良否判定、異常スコア、予測値、推奨値
品質を決めるもの	サンプリング周期、時刻同期、欠損率	学習データの代表性、ラベルの正しさ
典型的な失敗	タグ名がばらばらで意味が分からない	PoCの精度が本番で出ない

データ活用の4段階

製造現場のデータ活用は、次の4段階で進みます。段階が上がるほどAIの役割が大きくなり、IoTのデータに求められる条件も厳しくなります。

見える化から自動制御へ。段階が上がるほど、データの精度とAIの責任が重くなる。

段階1：見える化

設備の稼働状態、生産数、温度・圧力などをダッシュボードに表示し、人が判断します。主役はIoTで、AIはまだ使いません。この段階で大事なのは、データが欠けずに取れること、時刻が合っていること、設備名が統一されていることです。

段階2：分析

集めたデータから、不良や停止の原因を探します。相関の確認、設備・ロット・作業者での層別、多変量の統計手法や機械学習による要因分析が使われます。ここでは、センサーデータを製品のロットと結ぶ必要があり、MESの実績とのつながりが欠かせません。観測データだけで因果を断定せず、実験で確かめる手順が必要です。

段階3：予測

故障の兆候、品質のばらつき、需要などを先回りして予測します。機械学習が主役になる段階です。予知保全では、正常時のデータを数週間から数か月集めてベースラインを作り、そこから外れた状態を検知します。高周波の振動データを使う場合、ヒストリアンの圧縮（デッドバンド）で特徴が消えないよう、収集の設計を見直すことがあります。

段階4：自動制御

AIの判断で設備を直接操作します。国内では、横河電機とJSRが強化学習AIで化学プラントの蒸留塔を35日間（840時間）連続で自律制御し、製品がすべて規格を満たしたと2022年3月に発表しました。ENEOSとPreferred Networksは、川崎製油所の原油処理装置で930個の入力センサ・13バルブを同時操作するAIの常時自動運転を始めたと2024年5月に発表しています。

ただし、自動制御は例外的な段階です。AIが設備に書き込む場合は、セキュリティの観点でも安全の観点でも、承認フローとインターロック（安全のための動作制限）を設ける必要があります。

通信方式の選び方はAIにも影響する

IoTの通信方式の選び方は、後のAI活用のしやすさに影響します。OPC UAは、通信だけでなく情報モデル（型・階層・単位・意味）を持てる点に価値があり、コンパニオン仕様を使えば同じ種類の設備のデータを同じ構造で取れます。設備をまたいでAIを横展開するときに効きます。

MQTTは軽量なpublish/subscribe型のプロトコルで、2019年3月にMQTT 5.0がOASIS標準になりました。素のMQTTはトピックの名前空間もデータの形式も定めていないため、Sparkplug（ISO/IEC 20237として国際標準化）のような仕様で補うのが一般的です。詳しくは OPC UAとMQTTの比較で扱っています。

中国のIoT×AI政策

中国の工業情報化部は、2025年12月に「工业互联网和人工智能融合赋能行动方案」を通知しました。2028年までに5万社以上が「AI+工業インターネット」の改造を行い、20の重点業界で高品質なデータセットを構築するという目標です。同時期の別の方案では、ルールが明確な生産制御やリスク識別には判別型AIを、工程最適化や設計には生成AIを使い分けるよう定めています。IoTのデータ基盤とAIを一体で政策に組み込んでいる点は、日本の施策と比べた特徴です。

古い設備から後付けでデータを取る方法は古い設備でもAIは使えるかで、エッジでの推論はエッジAIの基礎で解説しています。

よくある質問

IoTを入れればAIも使えるようになりますか

IoTはAIの前提ですが、それだけでは足りません。AIの学習には、データに加えて良否や停止理由などの正解ラベルと、ロット・品番などの文脈が必要です。これらはMESや品質記録から取ります。

見える化の段階を飛ばしてAIに進めますか

おすすめしません。見える化の段階で、データの欠損や時刻ずれ、タグ名の誤りが見つかることが多く、これを直さないままAIを学習させると精度が出ません。

IoTのデータはクラウドに送るべきですか

用途によります。判定の遅延が許されない、画像や高周波の振動データで通信量が大きい、データを社外に出せない、といった場合は、現場の近く（エッジ）で処理します。集計や再学習はクラウドで行う構成も一般的です。

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

#IoT・エッジ #AI基礎 #データ基盤

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

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

IoTとAIの違いと関係：製造現場のデータ活用を4段階で理解する

IoTはデータを集め、AIは判断を作る