Mazdaはエンジニアリングストレージの基盤をDell PowerScale上に再構築し、CAD、シミュレーション、モデルベース開発データを約10PBのプールへ統合しながら、テラバイト当たりコストをおよそ90%削減した。見出しはハードウェアではない。この動きが、産業AIが実際にはどこで滞るのかを示していることだ。

エンタープライズAIをめぐる世界的な会話は、モデル選定と概念実証劇場に支配されてきた。しかし自動車、航空宇宙、産業機器のような資産集約型メーカーにとって、制約条件は上流にある。部門別、拠点別サイロに閉じ込められ、モデルが学習できない形式と場所に置かれた数十年分の設計データだ。CASEとADAS開発はシミュレーションおよび検証データセットを膨張させ、ストレージコストとアクセス速度のトレードオフは、訓練に到達する前に多くのAIビジネスケースを静かに殺してきた。容量コストを一桁下げることは、単にお金を節約するだけではない。エンジニアリング履歴を大規模に保持し再利用するROI計算を変える。

戦略的教訓は日本をはるかに越えて通用する。Siemens、Bosch、GM、BMWは同じ考古学的問題に直面している。世代を超えて蓄積された独自のCAD/CAE資産は、検索可能にされれば巨大な潜在価値を持つ。産業AIの勝者は、データ配管をIT刷新ではなく取締役会レベルのインフラ決定として扱う企業だ。コモディティ経済性に近づくスケールアウトNASとオブジェクトストレージは、アーカイブを訓練コーパスへ変える前提条件である。

実際の罠もある。第一に、ストレージを買って勝利を宣言することだ。デプロイ時にデータカタログとメタデータ設計を埋め込まなければ、データレイクではなく安いサイロを得るだけである。第二にベンダーロックイン。S3互換APIと標準プロトコルは交渉不能な調達要件であるべきだ。第三にIP漏洩。王冠の宝石である設計データを統合すれば、アクセス制御と監査ログの重要性は高まる。

経営者への推奨アクションはこうだ。1四半期以内に設計・製造データの場所、量、所有者を棚卸しすること。ベンダー仕様からではなく、具体的なAIユースケースから逆算してストレージ要件を定義すること。そしてこれをPoC予算項目から戦略インフラ投資へ格上げすること。地味な基盤を先に作る企業は、生成ツールが成熟するにつれて優位を複利化する。一方、断片化されたデータ上でパイロットを追う企業は、出荷されない実験に支払い続けることになる。