ハノーファーメッセ2025で見た生成AI活用ユースケース.pdf

2025年ハノーファーメッセで見た製造業における生成AI活用の最新事例を紹介。Siemens、Schneider Electric、BECKOFF、SAP、AWSなど各社のAIユースケースから、エンジニアリング高速化、エネルギー最適化、予知保全、サプライチェーン自律化まで幅広く解説。さらにMCP・A2Aなど次世代プロトコルの産業界への実装可能性と、自己修復型生産ラインなど未来の製造業の姿を展望します。

Transcript

1. ハノーファーメッセ2025で見た AI活用ユースケース 2025/10/22 製造ビジネステクノロジー部 濱田孝治（ハマコー）
2. 2 濱田孝治（ハマコー） 製造ビジネステクノロジー部 スマートファクトリーチーム マネージャー （2017年9月入社） ブログ, SNS • 「クラスメソッド 濱田」で検索 • はてなブックマーク累計 約15,000個 • Xアカウント：@hamako9999 コミュニティ運営 • JAWS-UG コンテナ支部運営 • Grafana Meetup Co-organizer, Grafana Champion AWS認定関連 • 取得済みAWS認定：SAP, DOP, DBS, SOA, SAA, DVA, SCS, CLF, AIF, MLA, MLS • AWS APN Ambassador 2020 執筆書籍 • みんなのAWS • SoftwareDesign 2022年11月号 コンテナ特集
3. みなさんの生成AI利用頻度を 教えて下さい 3
4. 4 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日
5. 5 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日
6. 6 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日
7. 7 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日
8. 8 ハマコーの利用頻度と利用用途 利用頻度：毎日 • 事業計画の策定の方向性壁打ち • 製造業関連ニュースの収集とリサーチ • VibeCodingによるアプリケーション作成 • 3Dモデルの作成 • Grafanaによるデータ分析
9. デモ ものづくり白書、IPA DX動向2025を NotebookLMに解説してもらおう！ 9
10. 10 ものづくり白書
11. 11 IPA DX動向2025
12. 12 ものづくり白書解説 by NotebookLM（Google）
13. 13 本日お伝えしたいこと • 製造業における現在のAI活用ユースケース を学んでもらう • AIに関する最新のキーワードを把握しても らう
14. 14 Agenda • ハノーファーメッセ2025の様子とAI活用ユ ースケース • AI活用の未来と関連技術 • 最後に
15. 15 ハノーファーメッセ2025の様子と AI活用ユースケース
16. 16 Agenda • ハノーファーメッセ2025の様子とAI活用ユ ースケース • AI活用の未来と関連技術 • 最後に
17. 17 ほとんど全てここに書きました https://dev.classmethod.jp/articles/hannover-messe-2025/
18. 18 会場マップ
19. 19 会場規模（ホール9 上段から）
20. 20 会場マップの丸の位置からみた景色
21. 21 会場マップの丸の位置からみた景色
22. 22 Siemens ドイツを代表する総合電機メーカー
23. 23 Siemens ドイツを代表する総合電機メーカー
24. 24 Siemens ドイツを代表する総合電機メーカー
25. 25 Siemens 展示の核：産業用コパイロットとインダスト リアルメタバースの融合 設計から、製造、運用に至るまでの製品サイ クル全体をカバーするデジタルツインと、そ れを加速させる生成AIの統合。 中心は「Siemens Industrial Copilot」
26. 熟練エンジニアが、オートメーション設計プラ ットフォーム「TIA Portal」上で、自然言語 （日本語）を使い「コンベアAからコンベアBへ 部品を移送するラダーコードを生成して」と指 示。 Industrial Copilotが数秒でコードを生成し、さ らに「このコードに、部品が落下した場合の安 全停止シーケンスを追加して」と依頼すると、 即座に修正案を提示 。 これにより、従来数時間かかっていたプログラ ミング作業が数分に短縮。 26 Siemens AIユースケース 生成AIによるエンジニアリングの高速化 生成AIによるエンジニアリングの高速化 ref:https://www.siemens.com/global/en/company/insights/unlocking-the-power-of-generative-ai-siemens-industrial-copilot.html
27. 27 シュナイダーエレクトリック 展示の核：サステナビリティとエネルギー効 率を最大化するAI コア戦略であるサステナビリティを軸に、AI がいかにエネルギー効率の最適化と自律的な 運用に貢献できるか
28. EcoStruxureプラットフォーム上で、工場のエネ ルギー消費データをリアルタイムで分析。 AIが電力価格の変動、天気予報（太陽光発電量予 測）、生産計画を読み取り、「3時間後に電力価 格が高騰するため、非緊急の生産タスクを前倒し で実行し、蓄電システムからの放電に切り替え る」という運用計画を自動で立案・実行。 これにより、エネルギーコストを15%削減するシ ミュレーションを展示しました。 28 シュナイダーエレクトリック AIユースケース AIによるエネルギーマネジメントの自律化 AIによるエネルギーマネジメントの自律化 https://www.hannovermesse.de/en/news/news-articles/new-habitats-for-ai
29. 29 BECKOFF
30. 30 BECKOFF 展示の核：制御レベルに深く統合されたリア ルタイムAI クラウドを介さず、機械のコントローラー （PLC）上で直接AI推論を実行することの優 位性を強調。 リアルタイム性が求められる高度なマシン制 御にAIを組み込むデモが中心。
31. 高速で流れてくる形状が不揃いな部品 を、ロボットアームがピッキングする デモ。 AIビジョンシステムがコントローラー 上でリアルタイムに部品の形状と向き を認識し、最適な掴み方を瞬時に判 断・実行。 クラウドとの通信遅延がないため、サ イクルタイムを従来比で30%向上。 31 BECKOFF AIユースケース コントローラー上で完結するAIビジョン制御 コントローラー上で完結するAIビジョン制御 https://www.beckhoff.com/en-us/company/news/multimedia-ai-and-automation-hannover-messe-press-preview.html
32. 32 SAP ERPを中心としたデータ活用
33. 33 SAP ERPを中心としたデータ活用
34. 34 SAP 展示の核：ビジネスプロセスと連携したイン テリジェント・サプライチェーン 製造現場の物理的なモノの動き（OT）と、 ERPが管理するビジネスデータ（IT）をAIで シームレスに連携させることで、サプライチ ェーン全体の最適化とレジリエンス向上の実 現に向けた訴求。
35. SAPのビジネスAI「Joule」が、地政学リスクに関 するニュースフィードと、輸送遅延データをリアル タイムで分析。 「主要サプライヤーA社の拠点がある地域で大規模 ストライキが発生。部品Bの納入が7日間遅延する可 能性85%」と警告 。 さらに、「代替サプライヤーとしてC社とD社を推 奨。C社に切り替えた場合の追加コストと、生産計 画への影響シミュレーションはこちらです」と、具 体的な代替案と影響分析を提示 。 管理者がワンクリックで代替案を承認すると、関連 する発注や生産計画が自動で更新。 35 SAP AIユースケース 生成AIによるサプライチェーン寸断リスクの自律的回避 サプライチェーン寸断リスクの自律的回避 https://go4.events.sap.com/hannovermesse/en_us/home.html
36. 36 AWS 実家のような安心感（個人の感想）
37. 37 AWS e-Bike工場による製品製造ライフサイクル全般のクラウド活用
38. 38 AWS マルチベンダーで実現する自律移動ロボット（AMR）デモ
39. 39 AWS 展示の核：製造業向けに特化した、スケーラ ブルなAIビルディングブロック 自社で完成品を作るのではなく、製造業の顧客 やパートナーが独自のAIソリューションを迅速に 構築・展開するための、包括的かつ柔軟なクラウ ドサービス群の展示。
40. AWS IoT Coreで世界中の工場から設備データを収集。 AWS IoT TwinMakerで作成したデジタルツイン上で、 設備の稼働状況を可視化。Amazon Lookout for Equipment（AI異常検知サービス）が、センサーデー タの僅かな異常パターンを学習。 「3日以内にコンプレッサーC-102のベアリングが故 障する兆候を検知」とアラートを出し、自動でメンテ ナンスチームに通知。 40 AWS AIユースケース IoTとデジタルツインによるリモート監視と異常検知 IoTとデジタルツインによるリモート監視と異常検知 https://aws.amazon.com/jp/blogs/industries/experience-the-future-of-smart-manufacturing-at-hannover-messe-2024/
41. 41 AI活用の未来と関連技術
42. 42 Agenda • ハノーファーメッセ2025の様子とAI活用ユ ースケース • AI活用の未来と関連技術 • 最後に
43. 43 AI関連でのニュース ハノーバーメッセ2025の会期前後に AI界隈で非常に大きな パラダイムシフトが発生
44. 44 近年よく見るキーワード MCP A2A
45. 45 さらなるAI活用の未来の形 MCPとA2Aの産業界への実装について
46. 46 The Industrial AI Podcast https://aipod.de/
47. 47 The Industrial AI Podcast Colin Masson https://open.spotify.com/episode/1akdmbHfJHOMPu2ohktiRq MCPとA2Aは、現場での活用に最適 か？ 要約：MCPとA2Aプロトコルが工場デー タの活用に革新をもたらす可能性につい て議論。Anthropicがオープンソースとし てリリースしたMCPは、産業機器データ のコンテキスト化を可能にし、それをAIと 接続。GoogleのA2A拡張機能は複数の AIエージェント間の連携を実現します。
48. 48 MCPとA2Aについて MCP（Model Context Protocol） • AIモデルやエージェントが外部データソース・ツールと接続するための オープンスタンダード • 「AIのUSBポート」とも呼ばれる標準化されたインターフェース • AIとツール・データ間の接続を単純化し、M×N統合問題を解決 A2A（Agent2Agent Protocol） • 異なるAIエージェント間の通信・協調を可能にするオープンスタンダー ド • Googleが提唱した、ベンダーに依存しない相互運用可能なプロトコル • エージェント間の自律的な協調をサポート
49. 49 OPC UA, UNS, MCP, A2Aの関係 •UNS（Unified Namespace）：OPC UAの上に構築され、 個々の機械と直接通信する必要なく、工場内の機械とその能力 （温度、圧力、流量など）を整理するレイヤー •MCP：AIエージェントがUNSに簡単に接続できるようにする プロトコル（OPC UAとも直接通信可能） •A2A：複数のAIエージェントが互いに通信し、MCPを通じて アクセスしたデータやツールを使ってタスクを調整するための 拡張機能
50. 50 OPC UA, UNS, MCP, A2Aの関係
51. 51 産業用AIの将来 これは単に新しいタイプのAIではなく、既存のAI分類（ML、ニューラル ネット、コンピュータビジョン、生成AIなど）を適用し、組み合わせて 特定のスキルやタスクに最適なツールを使用できるようにする建築的進 化です。 産業分野は以前、AI/ML技術の適用において先行していましたが、 ChatGPTの登場（2022年11月）以降、遅れをとっているという認識が あります。 しかし、生成AIと大規模言語モデルは、エンジニアリングの厳密さ、正 確性、根本原因分析、説明可能性が必要な多くの産業用AIユースケース には適していません。 エージェントベースのアプローチへの移行により、産業分野は再びリー ダーシップを取り戻し、製造業のスキルギャップに対処し、次のレベル の生産性を達成する機会があります。
52. 52 未来の製造業の形 その先に見えてくるユースケース
53. 53 ユースケース①：自己修復型生産ライン 従来の課題: 設備故障は事後対応が基本で、早期発見で きても人間の判断と介入が必要 新たな可能性: •UNS: 全ての機器からのセンサーデータを統合し、リア ルタイムで異常パターンを検出 •MCP: AIエージェントが過去の故障履歴と現在のデー タを分析し、問題を診断 •A2A: 保守エージェントが部品調達エージェントと連携、 自動的に部品発注・ロボット修理指示 具体例：自動車組立ラインの溶接ロボットが振動異常を 示した場合、AIが原因を特定（ベアリング劣化）し、部 品在庫を確認、最適なメンテナンス時間を計算、必要に 応じて代替生産ルートを確保しながら、次のシフト変更 時に自動修理ロボットが対応する一連の流れが人間の介 入なく実行される。
54. 54 ユースケース②：動的需要応答型サプライチェーン 従来の課題: 需要変動への対応は遅く、在庫過多や 欠品リスクが高い 新たな可能性: •UNS: ERPデータ、市場データ、生産能力データを 統合 •MCP: AI需要予測エージェントが外部データ（天 候、イベント、SNS）にアクセスして需要の急変を 予測 •A2A: 需要予測エージェントが生産計画エージェン ト、サプライヤーエージェント、物流エージェント と連携 具体例: 食品メーカーでは、大型スポーツイベント 前のSNS分析から特定商品の需要急増を予測。AIが 自動的に原材料発注を調整し、サプライヤーAIと納 期交渉、生産ラインのスケジュール再構成、物流ル ートの最適化を実施。これにより売上機会損失を防 ぎつつ、過剰在庫リスクを軽減。
55. 55 最後にまとめ
56. 56 まとめ • 製造業におけるデジタル革新の波はAIを中心として非常に大 きい • おそらく来年のハノーバーメッセでは、ほとんどのデジタル ソリューションブースにMCPとA2Aが出てくる • データを整備して未来のAI活用に向けて備えることが非常に 重要になってくるので、今からどのようなアプローチがとれ るか検討するのが重要になってくる