4層で比べる理由
工場のデータをAIに使える状態にするまでには、性質の違う4つの層があります。
- 収集：PLCや設備から、さまざまな産業プロトコルでデータを取り出す
- 文脈付与：データに「どの設備・ライン・ロットのものか」という意味と関係を付ける
- 保存・統合：長期に保存し、MES・ERPなど他のデータと結合して分析できるようにする
- AI接続：学習・推論・生成AIのエージェントにデータを渡す
製品の多くは1〜2層を得意とし、残りは他社製品やクラウドの汎用サービスと組み合わせる前提で作られています。「1製品ですべて」を前提に選ぶと、導入後に不足する層が見つかります。
6製品の比較表
以下は、調査コーパスで確認できた公表情報に基づく整理です。各層の評価は、その製品が主な役割として公表しているかどうかを示すもので、性能の優劣ではありません。
| 製品 | 提供元 | 得意な層 | 公表されている特徴 | 留意点 |
|---|---|---|---|---|
| Manufacturing data solutions in Microsoft Fabric | Microsoft | 文脈付与・保存・AI接続 | ISA-95の情報モデルでOT/ITデータを統合（2024年4月にプライベートプレビューで発表）。Factory Operations Agentが参照 | 設備からの収集はエッジ側の製品が別途必要。提供状況は最新情報で確認 |
| AWS IoT SiteWise | AWS | 収集・文脈付与 | 設備データの収集と、設備の型・階層でのモデル化。Bedrockと組み合わせた保全アシスタントをデモ（2024年） | MESとの結合、長期分析は他のサービスと組み合わせる |
| Manufacturing Data Engine（MDE） | Google Cloud | 文脈付与・保存・AI接続 | OT/IT/ETデータの統合層。Geminiの品質・保全・計画エージェントを動かす構成を提示。MDE自体は追加課金なし（クラウド消費のみ） | SI経由の販売が基本方針。エッジ接続はLitmusが開発したManufacturing Connect |
| Cognite Data Fusion | Cognite（Schneider Electricが買収を発表） | 文脈付与・AI接続 | 時系列・図面・文書を産業ナレッジグラフで結ぶ。Atlas AIでエージェント構築 | 2026年6月の買収発表後、AVEVA CONNECTへの統合が計画中 |
| AVEVA CONNECT | AVEVA（Schneider Electric） | 保存・文脈付与・AI接続 | 産業インテリジェンス基盤。Databricks（Delta Sharing）・Snowflakeとの連携、CONNECT Flows（旧Crosser）でストリーム分析 | Cognite・TwinThreadとの製品重複の整理が課題とする分析あり |
| Litmus Edge／Unify | Litmus Automation | 収集・文脈付与 | 270超の産業プロトコルに対応するエッジ基盤（Google CloudのManufacturing Connectとして提供）。UNSやMCP Serverも掲げる。東京にオフィス | クラウド側の保存・分析は他製品と組み合わせる |
組合せの典型パターン
製品は単独で使うより、次のような組合せで使われることが多くなります。
| パターン | 構成の例 | 向いている工場 |
|---|---|---|
| A クラウド統合型 | エッジ収集（Litmusなど）＋クラウドの製造データ基盤（Fabric、MDE、AWS） | 全社でクラウドの方針が決まっており、IT部門が主導できる |
| B ヒストリアン活用型 | 既存ヒストリアン＋AVEVA CONNECTやクラウドへの複製＋分析基盤 | すでにPI Systemなどのヒストリアンが全工場にある |
| C コンテキスト重視型 | ヒストリアン・保全システム・図面＋Cogniteなどのナレッジグラフ | プロセス産業で、設備・図面・保全記録のつながりが価値の中心 |
| D UNS中心型 | エッジ収集＋MQTTブローカー（HiveMQなど）でUNS＋レイクハウス | 設備の種類が多く、複数のシステムが同じデータを購読したい |
UNSの考え方はUnified Namespace（UNS）とは、レイクハウスの層設計は製造業のデータレイク・レイクハウスで扱っています。
選定時に確認する8項目
- 収集できるプロトコルと、自社の主要設備・PLCへの対応実績
- ISA-95などの標準モデルで文脈を付けられるか、自社固有の構造を追加できるか
- MESのロット・作業指示・品質判定とどう結合するか（標準のコネクタか、個別開発か）
- データを標準形式（Parquet、Delta、OPC UAの情報モデルなど）で取り出せるか
- 回線障害時にエッジ側でデータを保持できるか
- 日本での販売・導入・サポート体制
- 料金体系（容量課金か、タグ数課金か、ノード課金か）と、ライン数を増やしたときの伸び方
- 製品ロードマップと、買収・統合の影響
よくある質問
1製品で全部揃える方が管理しやすいのではないですか？
運用の窓口は1つの方が楽ですが、1製品で全層を高い水準で満たすものは少なく、不足する層を無理に埋めると使いにくくなります。窓口を1つにしたい場合は、複数製品を束ねて保守するSIerやパートナーに運用を任せる方法があります。
中小規模の工場でも、これらの製品が必要ですか？
必須ではありません。これらは多拠点・大量データを想定した製品が中心です。中小規模では、稼働監視や実績収集の国内製品やSaaSから始め、データが増えてから基盤を拡張する方が現実的です。始め方は中小製造業の設備データの集め方を参照してください。
SiemensやRockwellのデータ基盤は比較に入らないのですか？
SiemensのInsights HubやRockwellのFactoryTalkなど、制御機器メーカーのデータ基盤も有力な選択肢です。本記事は調査コーパスで公表情報を確認できた範囲の6製品に絞りました。制御機器メーカーの製品は、自社の設備で同じメーカーのPLCが多い場合に、収集層の接続が容易になる利点があります。
- Manufacturing for tomorrow: Microsoft announces new industrial AI innovations（Microsoft、2024年4月17日）
- The transformative impact of generative AI in industrial manufacturing at Hannover Messe 2024（AWS、2024年5月9日）
- Manufacturing Data Engine（Google Cloud、2026年閲覧）
- Google Launches Data-Rich Manufacturing Tools（Design News、2022年5月11日）
- Schneider Electric to acquire Cognite（Automation.com、2026年7月1日）
- Cognite Announces Cognite Atlas AI（Automation.com、2024年6月27日）
- Factory Operations Agent（Xpert.Digital、2025年）
- Schneider Electric's Cognite Acquisition Bolsters AVEVA's Industrial Data And AI Firepower（Verdantix、2026年7月3日）
- AVEVA World 2025: Unifying Legacies and Forging Ecosystems for the Industrial AI Era（ARC Advisory Group、2025年4月17日）
- AVEVA expands CONNECT in India with new AI capabilities（AVEVA、2026年6月4日）
- Litmus（公式サイト、2026年）
- HiveMQ（公式サイト、2026年）
この記事に出てくる用語
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
- 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
- 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
- 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
- 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
この記事を書いた人
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。
