기술 중국 기업이 일본의 숙련공을 대거 영입하고 있다…일본인들이 거의 모르는 ‘세계 최고 기술을 지키는 유일한 방법’

[お持て成し]

중국 기업이 일본의 숙련공을 대거 영입하고 있다…일본인들이 거의 모르는 ‘세계 최고 기술을 지키는 유일한 방법’ / 7월 30일(목) / 프레지던트 온라인

AI 패배라고 계속 불려온 일본 산업계에 변화가 일어나고 있다. 정부는 21일 국무회의에서 결정한 ‘일본 성장 전략’에 따라 AI에 대규모 투자를 결정했으며, 그 전에 엔비디아의 젠슨 황 CEO가 일본을 방문해 일본 기업들을 시찰했다. 일본공업대학 대학원 기술경영연구과의 타나카 미치아키 교수는 “이 열광을 많은 경영자들이 오해하고 있다. 일본 기업에 진정으로 필요한 것은 아직 거의 논의되지 않았다”고 말했다.

■ '로봇을 공장에 넣는 것'만으로는 해결되지 않는다

정부는 물리적 AI 분야에 10.5조 엔 규모의 공·민 투자를 결정했다. 엔비디아의 젠슨 황 CEO가 일본을 방문했으며, 일본의 주요 22개 기업이 Cosmos Coalition에 참여했다. 파낙, 안카와 전기, 가와사키 중공업이 후지쯔와 손잡고 협조 제어 플랫폼을 구축한다는 발표도 있었다. 일본 산업계는 물리적 AI 시대의 도래에 들떠 있다.

하지만 이 열광 속에서 놀라울 정도로 많은 경영자들이 같은 오해에 빠져 있다.

물리적 AI란 공장에 휴머노이드를 도입하는 것이고, 사족 보행 로봇으로 운송을 자동화하는 것이며, AI 이미지 검사를 통해 불량품을 차단하는 것 등을 의미한다.

하지만 이것들은 물리적 AI의 표면에 불과하며, 그 본질은 아니다.

제가 전략 컨설턴트로서 여러 대형 제조업체의 물리적 AI 도입을 지원하면서 확신하게 된 물리적 AI의 본질은 현장을 계속 학습할 수 있는 장소로 바꾸는 것이다.

설비가 작동하고 무인화되며 로봇이 돌아다니는 것이 목적이 아니다. 재료의 변화, 가공 결과, 숙련자의 판단, 실패와 예외 기록, 고객 반응을 현장이 매일 학습하고, 기업 전체의 지능으로 축적되는—이러한 구조를 조직에 내재시키는 것이 바로 물리적 AI 도입의 본질이다.

■ 매일 조금씩 똑똑해지는 공장이 완성된다

상상해 보길 바란다. 어제와 같은 일을 오늘도 반복하는 공장이 아니라, 어제의 실패에서 오늘은 조금 더 현명해지고, 오늘의 발견이 내일 설계에 반영되는 공장. 어느 공장에서 얻은 깨달음이 다음 주에 전 세계 다른 공장에도 공유된다. 숙련자의 요령이 퇴직 후에도 모델로 남아, 젊은 작업자들이 이를 이어받아 발전시킨다. 이러한 공장이 바로 물리적 AI 시대의 ‘학습 공장’이며, 일본 기업이 앞으로 만들어가야 할 모습이다.

나는 여러 대형 제조업체의 물리적 AI 도입 지원을 통해 각각의 주요 공장을 직접 방문하고, 해당 부문 및 경영 전략 등을 담당하는 임원, 생산 기술 부문의 책임자, 제조 현장의 숙련자들에게 때로는 하루 종일 이야기를 들어왔다. 본고에서 전하고자 하는 것은 그 일련의 현장에서 드러난 실태이다. 다만, 특정 기업의 귀중한 인사이트가 유출되는 것을 방지하기 위해 개별 기업명과 업종을 가리고, 여러 클라이언트 기업에서 얻은 경험을 추상화하여 전달한다. 반대로 말하면, 앞으로 다룰 내용은 특정 기업의 특수한 상황이 아니라 일본 최첨단 제조업에 공통된 구조적 과제이다.

■ 최첨단 기업조차도 '아직 멀다'

제가 지원하고 있는 클라이언트 기업들은 모두 물리적 AI 도입 측면에서 일본 최첨단에 위치하고 있다. 물리적 AI 연구 조직을 설립하고, 휴머노이드와 사족 보행 로봇의 실증 실험, 무인화 라인, AI 이미지 검사 등을 진행하고 있다. 공장을 가상 공간에 그대로 재현하는 디지털 트윈이라는 기술에 막대한 투자를 하고 있는 기업도 있다. 디지털 트윈이란, 현실의 공장을 3차원으로 컴퓨터에 옮겨 놓고, 그 가상 공간에서 기계를 움직이거나 배치를 바꿔볼 수 있는 시스템을 말하며, 실제로 손을 대기 전에 위험을 검증할 수 있는 매우 편리한 기술이다. 검사 모델에 따라서는 한 장당 수십만 장이 넘는 이미지를 AI에 학습시키는 기업도 있다.

그 최첨단 기업조차도 현장을 학습하는 구조로 끌어올리기엔 아직 멀었다는 것이 솔직한 체감이다. 왜일까. 학습을 방해하는 것은 여러 현실의 마찰 때문이다.

재료는 로트마다 달라진다. 같은 품번의 소재라도 습도, 온도, 그날의 입고 상황 등에 따라 신축성이나 반응이 달라진다. 가공 조건이 조금만 바뀌어도 최종 제품의 품질이 크게 달라진다. AI 이미지 검사도 빛의 비추는 방식, 도장의 마감, 표면의 요철, 부품의 방향에 따라 같은 제품이 전혀 다른 모습으로 보이게 된다. QR코드가 더러워져 기계가 읽을 수 없게 되고 담당자가 어쩔 수 없이 수동 입력을 할 때, 한 자리만 틀리면 그 순간부터 실제와 컴퓨터상의 데이터가 별개가 된다. 이러한 고민은 업종을 넘어 모든 최첨단 기업에서 공통적으로 듣게 된다.

■ 숙련공의 암묵지가 퇴직으로 '전부 빼앗기다'

더 심각한 것은, 점점 사라져 가는 숙련자의 판단이다. 예전에는 현장 장인이 도면을 보고 “이대로는 움직이지 않는다”는 직감을 내리며, 도면에 절대 적히지 않는 미세 조정을 몰래 가했다. 0.02mm만 깎는다. 가공 순서를 바꾼다. 조립 후 부품 위치를 약간 이동시킨다. 도면이라는 ‘설계자가 책상 위에서 그린 이상’을 현장에서 ‘실제로 움직이는 실물’로 바꾸기 위한, 이 눈에 보이지 않는 보정이 바로 일본 제조업의 강점이었던 원천이었다.

하지만 가공기가 고도화되어 도면대로만 만들게 되면서, 아이러니하게도 10년 전과 같은 도면으로 같은 기계를 재현할 수 없는 이상한 상황이 많은 기업 현장에서 발생하고 있다. 설계 정밀도는 높아졌지만, 움직이는 기계를 만들 수가 없다. 형식 지식의 재현성은 향상됐지만, 현장 지식은 사라졌다.

여러 현장 책임자들로부터 마치 판을 찍은 듯 같은 말을 들었다. “무서운 것은 암묵지가 다른 곳에 학습된다는 점이다.” 도면이나 자료를 외부로 반출하면 이제는 기록이 남아 확인할 수 있다. 하지만 사람의 머릿속에 있는 판단과 요령이 퇴직과 함께 어디로 흘러갔는지는 증명할 방법이 없다. 일본 제조업에서는 퇴직자가 중국·한국·대만 기업으로 빠져나가는 사례가 끊이지 않는다.

사람이 움직이면 암묵지(暗黙知,Tacit knowledge:얼굴 인지나 자전거 운전처럼 명확하게 말로 표현하는 것이 곤란한 직관적‧신체적‧기능(技能)적인 지식. 과학적 창조에 있어서 중요)가 온전히 끌어내어진다. 게다가 최근에는 센싱 기술과 AI의 발전으로 중국 등 경쟁 기업들이 완제품을 3차원 스캔하고, 재료가 늘어나는 방향이나 파손될 부위까지 시뮬레이션으로 재현하게 되었다. 기존의 리버스 엔지니어링은 ‘형식적인’ 모방에 머물렀지만, 지금 일어나고 있는 것은 산업 지능 자체의 재구축이다. 일본 기업이 조직 차원에서 암묵지를 다시 배우고 축적하는 구조를 갖지 못한 채, 다른 국가들이 이를 빼앗으려 하고 있다. 

■ 일본 기업에 정말 드문 '두 가지 스킬'

이처럼 여러 기업 현장의 대화를 통해 나는 현장을 학습 구조로 바꾸기 위해 극복해야 할 논점이 몇 가지로 정리될 것이라고 확신하게 되었다.

우선, 재료와 환경의 ‘흔들림’을 어떻게 다룰지에 대한 기술적 선택 문제가 있다. 로트와 조건에 따라 변하는 재료에 대응하는 방법은 크게 두 가지가 있다. 첫 번째는 범용 생성 AI에 이미지든 음성든 진동이든 현장 데이터를 대량으로 학습·분석하도록 하는 접근법이다. 준비가 거의 필요 없고 빠르게 검증할 수 있는 반면, 정확도를 높이려면 비용이 든다. 

두 번째는 색을 측정하는 센서, 장력을 측정하는 센서, 온도를 측정하는 센서 등 용도별로 최적화된 전용 센서를 조합해 필요한 정보만을 고정밀로 수집하는 접근법. 이 제품은 가볍고 저렴하며 고정밀하지만, 전문 지식과 개발 시간이 필요하다. 이 두 가지를 목적, 정확도, 비용에 맞게 적절히 구분해서 활용할 수 있는 인재는 어느 고객사에서도 정말 드물다. 

또 다른 큰 논점은 공장을 제어하고 있는 기존 컴퓨터와 앞으로 탑재할 AI 사이의 올바른 역할 분담을 이해하는 것이다. 많은 공장에서는 PLC라는 작은 제어 컴퓨터가 기계의 움직임을 담당하고 있다. PLC는 프로그래머블 로직 컨트롤러의 약자로, 공장의 모든 모터, 밸브, 히터, 컨베이어를 정해진 절차에 따라 움직이는 장치이다. 예를 들어 가정용 에어컨 리모컨이 “25도에 설정되면 25도가 될 때까지 작동시키는” 것처럼, PLC도 “재료가 도착하면 모터를 회전시키고, 지정 위치에서 멈추며, 온도가 너무 올라가면 정지한다”는 동작을, 말할 필요 없이 고속·확실하게 수행한다.

■ '척수' 위에 AI라는 '대뇌'를 올린다

공장에 있어 PLC는 이른바 ‘척수’와 같은 존재이다. 명령에 대해 반사적으로, 틀림없이 반응한다. 안전성 및 실시간성 면에서 매우 뛰어나다. 하지만 척수가 스스로 생각하고 학습하지 않는 것과 마찬가지로, PLC도 스스로 학습하지 않는다. ‘오늘은 이 재료의 색이 조금 다르니까, 텐션을 10% 낮춰보자’라고 판단하는 능력은 PLC에 없다.

여기서 AI가 활약할 차례가 있다. 학습 공장을 구현하려면, 척수인 PLC 위에 대뇌 역할을 하는 AI를 올려야 한다. AI가 과거 결과와 현장 데이터를 바탕으로 최적 조건을 학습하고, PLC에 “오늘은 이 설정으로 가자”고 지시한다. PLC는 그 지시를 확실히 설비에 반영한다. 그리고 설비 가동 결과는 다시 AI로 돌아가 다음 학습 자료가 된다. 이 순환이 성립될 때 비로소 공장은 ‘움직이는 공장’에서 ‘배우는 공장’으로 진화한다.

요즘 자주 듣는 “Software Defined Factory”—소프트웨어가 공장의 그랜드 디자인을 규정한다는 생각—이라는 말이 있지만, 척수와 대뇌의 관계를 이해하지 않은 채 그 말만 도입해도 절대 작동하지 않는다. 이 점은 여러 클라이언트 현장에서 공통적으로 나타나는, 매우 뿌리 깊은 구조적 과제이다.

■ 암묵지 거버넌스를 설계하라

그리고 가장 중요한 것은 숙련자의 암묵지를 어떻게 다룰 것인가에 대한 전략적 판단이다. 센싱 기술과 AI의 발전으로, 이제까지 사람의 머리 속에만 있던 숙련자의 감각이 모델화되어 복제할 수 있는 시대가 열렸다. 베테랑 장인이 “이 소리라면 공구를 교체한다”, “이 색이면 온도를 바꾼다”라고 판단하던 그 판단 자체를 센서와 AI가 학습시켜, 재활용 가능한 형태로 변환할 수 있게 되었다.

이는 일본 기업의 강점이 완전히 사라지는 위기일 뿐만 아니라, 일본 기업 자체가 암묵지를 전략 자산으로 체계화할 좋은 기회이기도 하다. 어떤 암묵지를 남기고, 어디까지 모델링하며, 어떻게 방어할 것인가—이러한 학습 자산의 거버넌스 설계가 바로 AI 시대 지식재산 전략의 핵심이 된다. 하지만 이 논점에 진지하게 임하고 있는 기업은, 내가 보기에 극히 소수에 불과하다.

■ 평범한 기반이 놀라울 정도로 무시되고 있다

또한, 많이 언급되지 않지만 현실 세계와 컴퓨터 상의 세계를 올바르게 연결해 나가는 메커니즘이라는 논점도 있다. 같은 아이템 코드가 국가나 공장에 따라 다른 제품을 가리키는 경우가 있다. 일본 공장의 ‘품번 1234’와 동남아시아 공장의 ‘품번 1234’는 미묘하게 다른 사양을 의미한다는 식이다. QR코드의 한 자리 숫자를 사람이 착각해 직접 입력했을 뿐인데, 그 이후의 재고·물류·품질 관리가 모두 어긋나게 된다. 물리적 AI가 작동하기 위해서는 현실 세계와 디지털 세계가 끊임없이 정확히 동기화되는 시스템이 필수이지만, 이 지루한 기반 설계는 여러 클라이언트 현장에서 놀라울 정도로 간과되고 있다.

그리고 공장 전체를 가상 공간에 투사하는 디지털 트윈은 단순히 공장을 아름답게 3차원으로 표시하기 위한 기술이 아니다. 인간의 머리로는 따라잡기 어려울 정도로 복잡해진 공장을 컴퓨터 상에서 전체적으로 가동시켜, 기계 배치 변경이나 신제품 생산 계획을 실제 작업에 들어가기 전에 검증할 수 있는 기술이다. 그때부터 현장이 계속 배우는 체계가 움직이기 시작한다. 이 ‘공장을 전체적으로 투영한 모델’이 바로 기업의 중장기 경영 자산이 된다. 로봇 제조사가 바뀌어도 이 모델은 계속 남을 것이기 때문이다.

이 논점들은 모두 독립된 문제처럼 보이지만, 실제로는 하나로 연결되어 있다. 모든 것은 현장이 지속적으로 학습하는 구조를 조직에 내재하고 있는가 여부라는 단 한 가지에 귀결된다.

■ '뛰어넘는 인물'은 반드시 존재한다는 법칙

여러 클라이언트 지원을 계속하면서 또 하나 중요한 발견을 했다. 현장을 학습 장소로 바꾸는 데 성공한 기업에는 거의 반드시 특정한 ‘뛰어난 인물’이 존재한다는 사실이다. 게다가 흥미로운 점은, 그것이 특정 업종이나 규모의 회사에만 국한되지 않고, 여러 다른 업종에서 공통적으로 나타나는 패턴이었다.

전형적인 사례를 여러 사례에서 추출해 소개하고자 한다. 한 기업에서는 이 인물이 기존 2차원 설계만으로는 중국 경쟁사의 납기 단축에 대응하기 어렵다고 판단해, 공장과 기계를 3차원으로 전체 컴퓨터에 재현하는 디지털 트윈 도입을 주도했다. 그리고 도입한 같은 도구를 사용하면서, ‘이 가상 공간에 휴머노이드를 넣을 수 있겠구나’ 라는 생각이 들었다. 가상 공간에서 시험적으로 로봇을 움직여 보여주고 상부에 전달했더니, 경영진이 “실제 기계를 사라”고 즉결했고, 여러 대의 로봇이 도입되기로 했다.

놀라운 점은, 이러한 중요한 의사결정이 결재와 같은 무거운 조직 프로세스가 아니라, 개인에 의존해 경영 최고층과 직접 연결되는 형태로 진행된다는 것이다. 주변 관리직조차도 “그런 일을 하고 있었나요?”라며 뒤에서 놀라는 경우가 적지 않다. 동일한 패턴은 업종이 다른 다른 클라이언트에서도 여러 차례 적용해 왔다.

■ 학습형 공장을 만들 수 있는 우수 인재는 어떤 사람인가?

나는 지금까지 많은 일본 기업을 전략 컨설턴트로 바라봐 왔지만, 물리적 AI 시대에 진정으로 필요한 자질을 갖춘 인물을 만나기란 쉽지 않다. 이 인물들이 현장을 뛰어넘는 이유를 내 방식대로 분석해 보면, 몇 가지 요소가 동시에 갖춰져 있다.

우선, 기술에 대한 깊은 이해가 있다. 디지털 트윈이라 해도 일반화가 진행되는 측면이 있으며, 실제로는 고도의 기술 지식이 없어도 구동할 수 있는 설계이지만, 그 도구로 ‘무엇을 할 수 있는가’를 구상하고 이를 자사의 과제와 연결하는 발상력은 기술의 본질을 이해하지 않으면 생겨나지 않는다. 손을 움직여 직접 만져보면, ‘이 정도로 쉽게 할 수 있다면 저것도 이것도 시도해볼 수 있겠구나’ 하는 직관적인 감각이 뛰어난 발상의 토대가 된다.

■ 사회를 바꾸는 것은 냉소가 아니다. 열정적인 사람이다

다음으로, 명확한 비전과, 풋풋하다고 비웃을 정도로 뜨거운 열정이 있다. 내가 아는 ‘뛰어난 인물’들은 업종이 달라도 예외 없이 ‘세계 최고의 공장을 만들고 싶다’, ‘중국 경쟁에 절대 지지 않겠다’와 같은 구체적이고 높은 목표를 가지고 있다. 냉소가가 아니라, 진지하게 큰 꿈을 이야기할 수 있는 인물이다. 비전과 열정이 없으면, 아무리 뛰어난 도구를 보여줘도 그로부터 무엇을 해야 할지에 대한 아이디어가 떠오르지 않는다.

그리고 그 구상을 실행에 옮길 수 있는 발언권과 권한이 있다. 기술과 비전을 가진 인물이 부장급으로 결재 절차에 얽매여 있다면, 변혁은 일어나지 않는다. 경영진과 직접 연결되어 움직일 수 있는지, 혹은 스스로가 경영층에 가까운 입장에 있는지가 결정적으로 중요해진다.

여러 클라이언트 기업을 지원해 온 나의 체감을 솔직히 말하자면, 일본 기업의 가장 큰 구조적 문제는 기술에 깊이 정통한 인재가 의사결정 현장에서 멀어지거나, 외국계 기업이나 신생 기업으로 유출되고 있다는 사실에 있다. 이런 인물이 바로 가장 먼저 외국계에 가서 활약하고 있는 것이다. ‘기술에 뛰어나고, 명확한 비전과 열정을 가지고, 경영에 직접적인 영향을 미칠 수 있는’ 이 세 가지가 모두 갖춰진 인재의 압도적인 부족이 바로 일본 기업이 미중에서 결정적으로 뒤처지고 있는 구조적 원인임을 절감하고 있다.

■ 안개 속 등산가와 같은 일이다

여기가 실제로 가장 중요한 논점이다. 뛰어난 인물의 비전과 열정은 단순한 열망 표명에 그치지 않고, 반드시 공장 전체와 기업 전체를 관통하는 그랜드 디자인으로 결실을 맺을 것이다.

왜 그랜드 디자인이 필요한가. 물리적 AI를 파고들면, 그것은 바로 ‘최적화의 연속’일 뿐이다. 실측과의 차이를 센싱으로 포착하고, 조금씩 제어를 수정해 다음에 활용한다. 시도와 수정을 무수히 반복하면서 조금씩 최적해에 가까워진다. 이 기본 구조는 사실 오래전부터 있던 ‘등산가가 안개 속에서 정상에 오르려 할 때, 눈앞의 한 걸음을 내딛어 경사를 확인하고 조금씩 높은 쪽으로 나아가는’ 것과 같은, 꾸준한 순차적 개선 방식과 본질적으로는 전혀 다르지 않다.

즉, 물리 AI란 PLC, 이미지 인식, 최적화 수리, 시뮬레이션, 센서, AI 등 기존 기술군을 생성 AI의 등장과 계산 능력의 비약적인 향상을 통해 새로운 형태로 통합한 것이다. 세상에서는 혁명적인 신기술이라고 이야기하지만, 핵심 구조를 풀어보면 놀라울 정도로 오래전부터 이어져 온 기술의 연장선에 있다.

■ 부품을 모아도 명품이 되지는 않는다

문제는 이러한 기술들을 현장을 학습하는 구조로 하나로 통합하는 설계 사상이다. 개별 기술만을 아무리 도입해도, 파편화된 상태로는 현장이 학습하지 않는다. 재료의 움직임을 예측하는 모델, 공장 전체를 가상 공간에 투영하는 모델, 고객별 품질 감각을 포착하는 모델, 로봇이 공간을 이해하는 메커니즘, 의미의 통일, 현실과 데이터의 동기화—이 모든 것을 하나의 비전에서 역산해 통합하는 그랜드 디자인이 필요하다. 개별적으로 부품을 모으는 것과 한 대의 명품을 설계하고 직접 시제품까지 만드는 것은 전혀 다른 일이다.

비전과 열정을 가진 뛰어난 인물은 이런 그랜드 디자인을 그릴 수 있다. 반대로 비전과 열정이 없으면, 요소 기술을 개별적으로 선정하는 것만으로 끝나고 현장은 언제까지나 학습하지 않는 공장 상태가 된다. 제가 여러 부품·소재 제조사를 지원해 온 경험에 비추어 보면, 요소 기술 엔지니어는 어느 곳이나 매우 뛰어나다. 하지만 엔드투엔드 최종 제품과 고객 경험 전체를 역산해 그랜드 디자인을 그리려 하면, 그 부분이 놀라울 정도로 부족한 경우가 많다. 기술은 가지고 있어도 비전과 그랜드 디자인을 그릴 수 없다—이것이 많은 일본 기업들의 현실이다.

■ 진정으로 경쟁해야 할 것은 '학습 속도'이다

여러 클라이언트를 지원하면서 내가 확신하게 된 것은, 물리적 AI 시대에 진정으로 경쟁해야 할 지표는 비용, 납기, 품질 자체가 아니라는 점이다. 진정으로 경쟁해야 할 것은 현장이 얼마나 빠르게 학습하고, 그 결과를 다음 단계에 어떻게 반영할 수 있는가 하는 ‘학습 속도’이다.

학습 속도가 빨라지면 품질도 향상되고, 납기는 짧아지며, 비용은 낮아진다. 반대로, 중국의 물리적 AI 기업이 월 단위로 신모델을 출시하는 시대에 일본 기업이 연 단위 의사결정 사이클을 지속한다면 승산은 확실히 사라질 것이다.

옛날 일본에는 서양에서 ‘다크 팩토리’라고 불리던 아주 오래전부터 ‘어두운 공장’이라는 사상이 있었다. 사람이 기계에 계속 붙어 있는 것이 아니라, 설비가 자동으로 생산하고 사람은 더 높은 가치를 지닌 일을 맡는다는 사상이다. 공장의 조명을 끄더라도 기계만으로 움직이는 공장—그것이 목표였던 모습이다. 하지만 물리적 AI 시대에 우리가 지향해야 할 것은 그 너머에 있다. 설비가 움직이는 것에 그치지 않고 현장의 경험을 지속적으로 학습하며, 전 세계 공장에 지식을 순환시키는 ‘배우는 공장’이다. ‘어두운 공장’이 사람을 작업에서 해방시키는 공장이라면, ‘배우는 공장’은 사람과 AI가 함께 지능을 진화시키는 공장이다. 그리고 이 ‘배우는 공장’이 바로 내가 서두에서 정의한 ‘현장을 지속적으로 학습하는 장소’의 구현 형태이다. 

■ '뛰어난 인물'이 바로 일본 부활의 열쇠

제가 강의를 맡고 있는 일본공업대학 전문직 대학원 기술경영연구과(MOT)에서는 바로 이 문제 의식에 기반한 교육을 진행하고 있다. 이는 우리 대학에만 해당되는 이야기가 아니라, 일본의 MOT 대학원에서 제공하고 있는 것이다. 기술의 본질을 이해하고 비전과 열정을 갖춘 뒤, 그로부터 그랜드 디자인을 그리며 조직을 움직일 수 있는 인재—앞서 언급한 ‘뛰어난 인물’을 체계적으로 양성하는 장소이다. 

사회인 대학원생들은 대기업의 관리직, 중견·중소기업의 후계 경영자, 사업 개발 리더 등 실무 최전선에 서 있는 사람들이다. 그들은 자사의 사업을 물리적 AI 시대에 맞춰 재구상하는 과제에 착수하고 있다. 영업을 ‘고객의 성과에 동행하는 일’로 전환하는 구상, 물류를 ‘안전을 제공하는 시스템’으로 전환하는 구상, 제조업을 ‘학습을 지속하는 공장’으로 전환하는 구상—이렇게 탄생한 경영 구상은 다양하다. 공통점은 모두 ‘현장을 지속적으로 학습할 수 있는 장소로 바꾸는’ 관점에서 자사의 사업을 그랜드 디자인으로 재정비하고 있다는 점이다.

본고에서 제시한 논점은 모두 기사 분량의 제약 때문에 골격만 그릴 수 있었다. MOT에서는 실제 현장에서의 적용, 업계별 전략, 구체적인 구현 단계, 사회인·대학원생이 구상한 상세 내용, 그리고 ‘현장을 학습 장소로 바꾸기’ 위한 그랜드 디자인 작성 방법을 수업에서 설명하고, 특별 강연도 열어 보다 깊고 체계적으로 전달하고 있다.

정부 10.5조 엔 규모의 열광 뒤에는 아직 진정으로 필요한 논의가 시작되지 않았다. 물리적 AI 시대를 이겨내기 위해 일본 기업이 진정으로 해야 할 일은 로봇 도입도, 정부 보조금 획득도 아니다. 비전과 열정에서 탄생한 그랜드 디자인을 통해 현장을 지속적으로 학습할 수 있는 장소로 바꾸는 것—이것이 바로 일본 산업계가 다시 세계로 부활하는 유일한 방법이다. 

----------
타나카 미치아키 / 일본공업대학 대학원 기술경영연구과 교수, 전략 컨설턴트
주요 저서로는 『피지컬 AI의 충격』, 『GAFA×BATH』 등 다수. 현재는 물리적 AI를 주제로 한 강의, 전략 컨설팅, 교육, 강연에도 힘을 쏟고 있다. 우리 대학에서 진행되는 피지컬 AI 특별 공개 강연(무료)이 8월 29일(일) 오후 1시부터 신보초 캠퍼스에서 개최된다. 자세한 내용은 아래와 같습니다. 기술경영(MOT) 특별 강연 ‘물리 AI의 충격’: MOT 일본공업대학 전문직 대학원 
----------

일본공업대학 대학원 기술경영연구과 교수, 전략 컨설턴트 타나카 미치아키

中国企業が日本の熟練工をバンバン引き抜いている…日本人がほぼ知らない｢世界一の技術を守る唯一の方法｣

中国企業が日本の熟練工をバンバン引き抜いている…日本人がほぼ知らない｢世界一の技術を

中国企業が日本の熟練工をバンバン引き抜いている…日本人がほぼ知らない｢世界一の技術を守る唯一の方法｣ / 7/30(木) / プレジデントオンライン

※写真はイメージです - 写真＝iStock.com／YOSHIE HASEGAWA

AI敗北と言われ続けてきた日本の産業界に変化が起きている。政府は21日に閣議決定した「日本成長戦略」でAIへの巨額投資を決め、その前にはエヌビディアのジェンスン・フアンCEOが来日し、日本企業を視察した。日本工業大学大学院技術経営研究科の田中道昭教授は「この熱狂を多くの経営者が誤解している。日本企業に本当に必要なものは、まだほとんど議論されていない」という――。

【この記事の画像を見る】

■「ロボットを工場に入れる」では解決しない

　政府はフィジカルAI分野に10.5兆円の官民投資を決定した。エヌビディアのジェンスン・フアンCEOが来日し、日本の主要22社がCosmos Coalitionに参画した。ファナック、安川電機、川崎重工が富士通と組んで協調制御プラットフォームを構築するとも発表された。日本の産業界は、フィジカルAI時代の到来に沸いている。

　しかし、この熱狂の中で、驚くほど多くの経営者が同じ誤解に陥っている。

　フィジカルAIとは、工場にヒューマノイドを入れることだ、四足歩行ロボットで搬送を自動化することだ、AI画像検査で不良品を弾くことだ――といった具合である。

　だが、これらはフィジカルAIの表層にすぎず、その本質ではない。

　私が戦略コンサルタントとして複数の大手製造業のフィジカルAI導入を支援する中で、確信するに至ったフィジカルAIの本質とは、現場を学習し続ける場所に変えることだ。

　設備が動くこと、無人化されること、ロボットが歩き回ることが目的なのではない。材料の変化を、加工の結果を、熟練者の判断を、失敗や例外の記録を、顧客の反応を、現場が日々学び続け、企業全体の知能として蓄積されていく――そうした構造を組織に埋め込むことこそが、フィジカルAI導入の本質である。

■毎日、少しずつ賢くなる工場ができあがる

　イメージしてみてほしい。昨日と同じことを今日も繰り返す工場ではなく、昨日の失敗から今日は少しだけ賢くなり、今日の発見が明日の設計に反映されていく工場。ある工場での気づきが、翌週には世界中の別の工場にも共有される。熟練者の勘所が、退職後もモデルとして残り、若手作業員がそれを引き継いで進化させていく。こうした工場こそが、フィジカルAI時代の「学ぶ工場」であり、日本企業がこれから作り上げなければならない姿である。

　私は複数の大手製造業のフィジカルAI導入支援を通じてそれぞれの主力工場にも足を運び、同部門や経営戦略等の担当役員、生産技術部門の責任者、製造現場の熟練者たちに、時に1日がかりで話を聞いてきた。本稿でお伝えしたいのは、その一連の現場で見えてきた実態である。ただし、特定企業の貴重な知見が漏れることを避けるため、個別の企業名や業種を伏せ、複数のクライアント企業で得た経験を抽象化してお伝えする。逆に言えば、これから描くのは特定企業の特殊事情ではなく、日本の最先端製造業に共通する構造的な課題である。

■最先端企業ですら「まだ遠い」

　私が支援しているクライアント企業は、いずれもフィジカルAI導入という観点では日本の最先端に位置している。フィジカルAI研究組織を立ち上げ、ヒューマノイドや四足歩行ロボットの実証実験、無人化ライン、AI画像検査等を進めている。工場を仮想空間にそっくり再現するデジタルツインという技術に多額を投資している企業もある。デジタルツインとは、現実の工場を3次元でコンピュータ上に写し取り、そのバーチャル空間で機械を動かしたり配置換えを試したりできる仕組みのことで、現実に手を加える前にリスクを検証できる大変便利な技術である。検査モデルによっては1つあたり数十万枚を超える画像をAIに学習させている企業もある。

　その最先端企業ですら、現場を学習する構造にもっていくまでにはまだ遠い、というのが率直な実感である。なぜか。学習を妨げているのは、いくつもの現実の摩擦である。

　材料はロットごとに変わる。同じ品番の材料でも、湿度、温度、その日の入荷状態などによって、伸び縮みや反応が違ってくる。加工条件がわずかに変わっただけで、最終製品の品質が大きくずれる。AIによる画像検査も、光の当たり方、塗装の乗り具合、表面の凹凸、部品の向き次第で、同じ製品が全く別物のように映ってしまう。QRコードが汚れて機械で読めなくなり、担当者がやむを得ず手入力するとき、1桁を間違えれば、その瞬間から現物とコンピュータ上のデータが別物になっていく。こうした悩みは業種の違いを超え、どの最先端企業でも共通して耳にする。

■熟練工の暗黙知が退職で「丸ごと持ち出される」

　さらに深刻なのが、失われつつある熟練者の判断である。かつては現場の職人が図面を見て、「このままでは動かない」と直感し、図面には決して書かれない微調整をこっそり加えていた。0.02mmだけ削る。加工順序を入れ替える。組立後に部品の位置をわずかに動かす。図面という「設計者が机の上で書いた理想」を、現場で「実際に動く現物」に変えるための、この目に見えない補正こそが、日本の製造業の強さの源泉だった。

　ところが加工機が高度化して図面通りにしか作らなくなった結果、皮肉なことに、10年前と同じ図面から同じ機械を再現できないという奇妙な事態が、多くの企業の現場で起きている。設計精度は高まったのに、動く機械が作れない。形式知の再現性は上がったが、現場知が失われたのである。

　複数の現場責任者から、判で押したように同じ言葉を聞いた。「怖いのは暗黙知が他に学習されてしまうことだ」。図面や資料の持ち出しは、いまや履歴が残るので確認できる。しかし人の頭の中にある判断や勘所が、退職とともにどこへ流出したのかは、証明のしようがない。日本の製造業では、退職者が中国・韓国・台湾の企業に引き抜かれる事例が後を絶たない。

　人が動けば、暗黙知がまるごと持ち出される。しかも近年は、センシング技術とAIの進化によって、中国等の競合企業が完成品を3次元スキャンし、材料が伸びる方向や壊れる箇所までシミュレーションで再現するようになってきた。従来のリバースエンジニアリングは「形だけ」の模倣にとどまっていたが、いま起きているのは、産業知能そのものの再構築である。日本企業が暗黙知を組織として学び直し、蓄積し続ける構造を持たないうちに、他国がそれを奪い去ろうとしているのである。

■日本企業に本当に少ない“2つのスキル”

　こうした複数企業での現場対話を通じて、私は現場を学習する構造に変えるために乗り越えるべき論点が、いくつかに集約されることを確信するに至った。

　まず、材料や環境の「揺らぎ」をどう扱うかという技術的な選択の問題がある。ロットや条件によって変化する材料に対応する方法は、大きく2つある。1つは、汎用の生成AIに、画像でも音でも振動でもとにかく現場のデータを大量に学習させ分析させるアプローチ。準備がほとんど不要でクイックに検証できる反面、精度を上げるにはコストがかかる。

　もう1つは、色を測るセンサー、張力を測るセンサー、温度を測るセンサーなど、用途ごとに最適化された専用のセンサーを組み合わせ、必要な情報だけを高精度に取るアプローチ。こちらは軽くて安く高精度だが、専門知識と開発時間が必要になる。この2つを、目的と精度とコストに応じて的確に使い分けられる人材が、どのクライアント先でも本当に少ない。

　もう1つの大きな論点は、工場を制御している既存のコンピュータと、これから乗せていくAIとの、正しい役割分担の理解である。多くの工場ではPLCという小さな制御コンピュータが機械の動きを司っている。PLCとはプログラマブル・ロジック・コントローラーの略で、工場のあらゆるモーター、バルブ、ヒーター、コンベアを、決められた手順どおりに動かす装置である。イメージとしては、家庭のエアコンのリモコンが「25度に設定されたら25度になるまで動作させる」ように、PLCも「材料が来たらモーターを回し、所定位置で止め、温度が上がりすぎたら停止する」といった動作を、有無を言わさず高速かつ確実に実行する。

■「脊髄」の上に、AIという「大脳」を乗せる

　工場にとってPLCは、いわば「脊髄」のような存在である。命令に対して反射的に、間違いなく反応する。安全性やリアルタイム性では極めて優れている。しかし、脊髄が自分で考えて学習しないのと同じで、PLCも自ら学ぶことはない。「今日はこの材料の色が少し違うから、テンションを1割下げてみよう」と判断する能力は、PLCにはない。

　ここに、AIの出番がある。学習する工場を実現するには、脊髄であるPLCの上に、大脳としてのAIを乗せる必要がある。AIが過去の結果や現場データから最適な条件を学び取り、PLCに「今日はこの設定でいこう」と指示を出す。PLCはその指示を、確実に設備へ反映する。そして設備の稼働結果は再びAIに戻り、次の学習の材料になる。この循環が成立して初めて、工場は「動く工場」から「学ぶ工場」へと進化する。

　昨今よく耳にする「Software Defined Factory」――ソフトウェアが工場のグランドデザインを規定するという考え方――という言葉があるが、脊髄と大脳の関係性を理解しないまま言葉だけを導入しても、絶対に機能しない。この点が、複数のクライアント先で共通して見られる、極めて根深い構造的課題である。

■暗黙知のガバナンスを設計せよ

　そして最も重要なのが、熟練者の暗黙知をどう扱うかについての戦略的判断である。センシング技術とAIの進化により、これまで人の頭の中にしかなかった熟練者の勘所が、モデル化されて複製可能になる時代がきた。ベテラン職人が「この音なら工具を替える」「この色なら温度を変える」と判断していた、その判断そのものを、センサーとAIで学習させ、再利用できる形に変換できるようになってきたのである。

　これは日本企業の強みが根こそぎ失われる危機であると同時に、日本企業自身が暗黙知を戦略資産として体系化する好機でもある。どの暗黙知を残し、どこまでモデル化し、どのように守り抜くのか――この学習資産のガバナンス設計こそが、AI時代の知財戦略の核心となる。ところがこの論点に真剣に取り組んでいる企業は、私の見る限りごくわずかである。

■地味な土台が、驚くほど軽視されている

　さらに、あまり語られないが、現実世界とコンピュータ上の世界を正しく突き合わせ続ける仕組みという論点もある。同じアイテムコードが、国や工場によって異なる製品を指してしまうことがある。日本工場での「品番1234」と、東南アジア工場での「品番1234」が、微妙に違う仕様を意味している、といった具合である。QRコードのわずか1桁を人間が取り違えて手入力しただけで、その後の在庫、物流、品質管理のすべてがずれていく。フィジカルAIが機能する前提として、現実世界とデジタル世界が絶えず正しく同期し続ける仕組みが不可欠だが、この地味な土台の設計は、複数のクライアント先で驚くほど軽視されている。

　そして、工場全体を仮想空間に写し取るデジタルツインは、単に工場を美しく3次元表示するための技術ではない。人間の頭では追いきれないほど複雑になった工場を、コンピュータ上で丸ごと動かし、機械の配置換えや新製品の生産計画を、現実に手を加える前に検証できる技術である。そこから現場が学び続ける仕組みが動き始める。この「工場をまるごと写し取ったモデル」こそが、企業の中長期の経営資産になる。ロボットメーカーが変わっても、このモデルは残り続けるからである。

　これらの論点はいずれも独立した問題のように見えるが、実は1つに通じている。すべては、現場が学習し続ける構造を組織に埋め込めているかどうかという、たった一点に帰結するのである。

■「突き抜けた人物」が必ず存在するという法則

　複数のクライアント支援を続ける中で、もう1つ重要な発見があった。現場を学習する場所に変えることに成功している企業には、必ずと言っていいほど、特定の「突き抜けた人物」がいるという事実である。しかも面白いことに、それが特定の業種や規模の会社に限られるのではなく、複数の異なる業種で共通して見られるパターンだった。

　典型例を、複数の事例から抽出してご紹介したい。ある企業では、この人物はまず2次元の従来設計では中国競合の納期短縮に対応できないと判断し、工場や機械を3次元で丸ごとコンピュータ上に再現するデジタルツインの導入を主導した。そして、導入した同ツールを動かしているうちに、「この仮想空間に、ヒューマノイドを入れられるじゃないか」と気づいた。仮想空間で試験的にロボットを動かしてみせて上層部に見せたところ、経営トップが「実機を買え」と即断し、複数台のロボットが導入されることになった。

　驚くのは、こうした重要な意思決定が、稟議のような重い組織プロセスではなく、属人的に、経営トップ直結の形で進んでいくことだ。周囲の管理職ですら「そんなことをやっていたんですか」と後から驚くケースが少なくない。同様のパターンは、業種の異なる別のクライアント先でも複数目にしてきた。

■学習する工場を作れる優秀人材とは？

　私はこれまで多くの日本企業を戦略コンサルタントとして見てきたが、フィジカルAI時代に本当に必要な資質を体現している人物には、なかなか出会えない。この人物たちが現場を突き抜けている理由を、私なりに分析すると、いくつかの要素が同時に揃っている。

　まず、テクノロジーへの深い理解がある。デジタルツインにしても一般化が進んでいる側面もあり、実は高度な技術知識がなくても動かせる設計になっているのだが、そのツールで「何ができるか」を発想し、自社の課題と結びつける発想力は、テクノロジーの本質を理解していなければ生まれない。手を動かして触ってみて、「ここまで簡単にできるなら、あれもこれも試せる」と直感的につかむ経験が、突き抜けた発想の土台になる。

■社会を変えるのは冷笑家ではない。情熱家である

　次に、明確なビジョンと、青臭いと笑われるほどの熱いパッションがある。私が知る「突き抜けた人物」たちには、業種が違っても例外なく、「世界一の工場を作りたい」「中国競合に絶対に負けない」といった具体的で高い目標がある。冷笑家ではなく、真剣に大きな夢を語れる人物である。ビジョンとパッションがなければ、いくら優れたツールを見せられても、そこから何をなすべきかの発想は湧いてこない。

　そして、その構想を実行に移せる発言権と権限がある。テクノロジーもビジョンもある人物が、部長級で稟議プロセスに縛られていれば、変革は起きない。経営トップ直結で動けるかどうか、あるいは自らが経営層に近い立場にあるかどうかが、決定的に重要になる。

　複数のクライアント企業を支援してきた私の実感を率直に述べると、日本企業の最大の構造的問題は、テクノロジーに深く精通した人材が、意思決定の場から遠ざけられているか、あるいは外資系企業や新興企業に流出してしまっているという事実にある。こういう人物こそが真っ先に外資に行って活躍しているのだ。「テクノロジーに長け、明確なビジョンとパッションを持ち、経営に直接影響力を及ぼせる」――この3つが揃った人材の圧倒的な不足こそが、日本企業が米中に決定的に出遅れている構造的原因でもあると痛感している。

■霧の中の登山家と同じことだ

　ここが、実は最も重要な論点である。突き抜けた人物のビジョンとパッションは、単なる情熱の表明にとどまらず、必ず工場全体・企業全体を貫くグランドデザインとして結実していく。

　なぜグランドデザインが必要か。フィジカルAIを突き詰めれば、それは「最適化の連続」に他ならない。実測との差分をセンシングで捉え、少しずつ制御を修正し、次に活かす。試行と修正を無数に繰り返し、少しずつ最適解に近づけていく。この基本構造は、実は昔からある「登山家が霧の中で頂上を目指すとき、目の前の一歩を踏み出して傾斜を確かめ、少しずつ高いほうへ進む」ような、地道な逐次改善の考え方と本質的に何も変わらない。

　つまりフィジカルAIとは、PLC、画像認識、最適化数理、シミュレーション、センサー、AIといった既存の技術群を、生成AIの登場と計算能力の飛躍的な向上によって、新しい形で統合したものなのである。世間では革命的な新技術のように語られているが、コアな仕組みを解きほぐしていくと、驚くほど昔から連綿と続いてきた技術の延長線上にある。

■部品を集めても、名機にはならない

　問題は、これらの技術を、現場を学習する構造として1つにまとめ上げる設計思想である。個別の技術だけをいくら導入しても、断片的なままでは、現場は学習しない。材料の挙動を予測するモデル、工場全体を仮想空間に写し取るモデル、顧客ごとの品質感覚を捉えるモデル、ロボットが空間を理解する仕組み、意味の統一、現実とデータの同期――これらすべてを、1つのビジョンから逆算して統合するグランドデザインが必要になる。個別に部品を買い集めるのと、1台の名機を設計し、自ら試作まで作り上げるのとは、まったく別の営みなのである。

　ビジョンとパッションを持つ突き抜けた人物は、こうしたグランドデザインを描ける。逆にビジョンとパッションがなければ、要素技術を個別に選定するだけで終わり、現場はいつまでも学習しない工場のままである。私が複数の部品メーカーや素材メーカーを支援してきた経験から言えば、要素技術のエンジニアはどこも極めて優秀だ。ところが、エンドツーエンドの最終製品や顧客体験の全体像から逆算してグランドデザインを描くとなると、そこは驚くほど手薄なことが多い。テクノロジーを持っていても、ビジョンとグランドデザインが描けない――これが多くの日本企業の実態である。

■真に競うべきは「学習速度」だ

　複数のクライアント支援を通じて、私が確信するに至ったのは、フィジカルAI時代に本当に競うべき指標は、コスト、納期、品質そのものではないということである。真に競うべきは、現場がどれだけ速く学び、その結果を次回へ反映できるかという「学習速度」である。

　学習速度が上がれば、品質は上がり、納期は短くなり、コストは下がる。逆に、中国のフィジカルAI企業が月単位で新モデルを投入している時代に、日本企業が年単位の意思決定サイクルを続けていれば、勝機は確実に失われていく。

　かつて日本には、欧米で「ダークファクトリー」と呼ばれる遥か昔から、「暗い工場」の思想があった。人が機械に張り付き続けるのではなく、設備が自動で生産し、人はより価値の高い仕事を担うという思想である。工場の照明を消しても機械だけで動く工場――それが目指す姿だった。しかし、フィジカルAI時代に目指すべきは、その先にある。設備が動くだけでなく、現場の経験を学び続け、世界中の工場へ知識を循環させていく「学ぶ工場」である。「暗い工場」が人を作業から解放する工場だとすれば、「学ぶ工場」は、人とAIがともに知能を進化させる工場である。そしてこの「学ぶ工場」こそが、私が冒頭で定義した「現場を学習し続ける場所」の実装形態なのである。

■「突き抜けた人物」こそが日本復活のカギ

　私が教鞭を執る日本工業大学専門職大学院技術経営研究科(MOT)では、まさにこの問題意識に立脚した教育を行っている。これは本学に限った話ではなく、日本のMOT大学院が提供していることだ。テクノロジーの本質を理解し、ビジョンとパッションを持ち、そこからグランドデザインを描き、組織を動かせる人材――先ほど述べた「突き抜けた人物」を、体系的に育てる場である。

　社会人大学院生たちは、大企業の管理職、中堅中小企業の後継経営者、事業開発リーダーなど、実務の最前線に立つ人々である。彼らが自社の事業をフィジカルAI時代に向けて再構想する課題に取り組んでいる。営業を「顧客の成果に伴走する仕事」に転換する構想、物流を「安心を届ける仕組み」に転換する構想、製造業を「学習し続ける工場」に転換する構想――生まれた経営構想は多岐にわたる。共通しているのは、いずれも「現場を学習し続ける場所に変える」という視点から、自社の事業をグランドデザインし直しているという点である。

　本稿で提示した論点は、いずれも記事の紙幅の制約上、骨格しか描けなかった。MOTでは実際の現場での応用、業界別の戦略、具体的な実装ステップ、社会人院生が描いた構想の詳細、そして「現場を学習する場所に変える」ためのグランドデザインの描き方を授業で解説しており、特別講演も開いてより深く体系的にお伝えしている。

　政府10.5兆円の熱狂の裏で、本当に必要な議論はまだ始まっていない。フィジカルAI時代を勝ち抜くために日本企業が真に取り組むべきことは、ロボットの導入でも、政府補助金の獲得でもない。ビジョンとパッションから生まれるグランドデザインによって、現場を学習し続ける場所に変えていくこと――これこそが、日本の産業界が再び世界に返り咲く唯一の方法である。

----------
田中 道昭（たなか・みちあき）/ 日本工業大学大学院技術経営研究科教授、戦略コンサルタント
主な著作に『フィジカルAIの衝撃』『GAFA×BATH』など多数。現在はフィジカルAIをテーマとした授業・戦略コンサルティング・研修・講演にも注力している。本学でのフィジカルAI特別公開講演会（無料）が8月29日（日）13時より神保町キャンパスで開催される。詳細は以下の通り。技術経営（MOT）特別公演「フィジカルAIの衝撃」：MOT 日本工業大学 専門職大学院
----------

日本工業大学大学院技術経営研究科教授、戦略コンサルタント 田中 道昭