AIは製造プロセスの最適化や欠陥の検出に活用できるが、自律的な動作には、信頼できるデータと厳格なプロセス管理が欠かせない。戦略上の問いは、安全性、品質、説明責任を損なわずに、システムがモデルに権限を付与できるかどうかだ。半導体、自動車、化学、物流のいずれの分野でも、製造レシピ、設備設定、スケジュール、出荷可否の判断を自動で変更するには、来歴の記録、範囲を限定した権限、変更を元に戻す仕組み、明確な責任者が必要になる。イベント履歴、校正済みの信号、バージョン管理されたワークフロー、ドリフト監視といった、モデルを取り巻く制御層は、モデル自体と同じほど重要になりつつある。
米国が導入を示唆している、国外に建設されるAIデータセンターへの課税は、計算処理をどこで行うかという戦略上の変数を加える。実施されれば、米国内の計算能力の増強に投資を引き寄せる一方、米国外の工場では、ローカル推論、ハイブリッド構成、移植性の高いシステム展開の価値が高まる可能性がある。モデルの学習や機器群全体での学習は集中化できるが、遅延に敏感な判断、安全確認、障害時の代替運転は、設備の近くにとどめる必要があるかもしれない。この役割分担により、バージョン管理、データ転送、サイバーセキュリティー、検証の作業が生じる。そのため、インフラ政策は、どの工場がAIを継続的に稼働させ、どのようなガバナンス体制の下で運用するかを左右し得る。
日本の製造業にとって、出発点とすべきなのは、包括的な自律化目標ではなく、意思決定権限の関係図だ。既存設備を使った操業では、データが設備、MES、品質データベース、表計算ファイルに分散している場合がある。実務的には、観察、提案、シミュレーション、承認を経て、厳密に範囲を限定した実行へと進むべきだ。各段階で、責任者、必要な根拠、人間による判断の上書き方法、復旧手順を明確にする必要がある。これにより、計算処理の場所や国境を越えた運用に関する政策を単なる調達上の細目として扱うことなく、近代化を進められる。
こうした動きは、日本のSIerや地場の開発者の役割を広げる。その価値は、AIのAPIを接続することから、信頼性を担保する層の設計・構築へと移っていく。具体的には、OT/IT統合、データ契約、アクセス制御、オフライン評価、シミュレーション、監視、インシデント対応だ。RPAチームは、生成型システムを案件の準備、例外案件の振り分け、実行案の作成に活用すべきであり、承認段階を迂回したり、設備制御を標準で任せたりすべきではない。開発者は、モデルゲートウェイと実行経路を、オンプレミス、国内、海外の各インフラ間で移植可能にしておくべきだ。持続的な優位性を得るのは、自律的な動作を監査可能にし、モデル、クラウド、政策が変わっても工場の安全を維持できる組織だ。