「センサーを設置して、データは取れている。」
「でも、工場は何も変わっていない。」
こうした声が、スマートファクトリーを導入した中小EMS企業の現場から聞こえてくることが増えています。
スマートファクトリーへの投資は、決して安くありません。
IoTセンサー、クラウド基盤、ダッシュボードツール、場合によってはAI分析システムまで導入して、数百万円から場合によっては数千万円の投資をした結果、「データが集まっただけで終わった」という現実は、多くの経営者にとって受け入れがたいものがあります。
この記事では、中小EMS企業が実際に直面している「データを集めただけ」問題の本質を、具体的な失敗事例とともに解説します。
そして、その失敗から抜け出すための実践的な戦略まで、現場目線でお伝えします。
デジタル化を進めたいが成果が出ていない方、これからスマートファクトリーを検討している方、どちらにとっても役立つ内容です。
ぜひ最後までお読みください。
「データを集めただけ」問題とは何か｜スマートファクトリーの失敗が増加している現実
スマートファクトリーの導入失敗は、技術的な問題よりも「活用できていない」という問題に集約されます。
経済産業省が発表した「DXレポート2.2」でも、日本企業のDXが「システムを入れただけで終わる」という問題を正面から指摘しています（経済産業省 DXレポート2.2）。
スマートファクトリーの文脈でも、この構造はまったく同じです。
センサーやソフトウェアを導入することがゴールになってしまい、本来の目的である「製造現場の課題解決」が置き去りになってしまうケースが後を絶ちません。
なぜ中小EMSに失敗が集中するのか
大手製造業であれば、DX専任部門を設けたり、外部のコンサルタントを常駐させたりする体力があります。
しかし、中小EMS企業の多くは、少人数で開発・製造・営業・管理をすべてこなす状況の中にあります。
スマートファクトリー化を推進しようとしても、担当者が「通常業務の片手間」でプロジェクトを進めることになります。
当然、専任チームを持つ大企業と比べて、データ分析に割ける時間も人材も限られます。
さらに、EMS（Electronics Manufacturing Services）特有の事情として、顧客ごとに製品仕様・品質要件・生産ロットが大きく異なることが挙げられます。
量産品を大量生産するメーカーと違い、多品種少量生産が基本のEMSでは、一つのデータモデルを横展開することが難しく、「汎用的なスマートファクトリーのパッケージ」をそのまま当てはめることが困難です。
この構造的な難しさを理解しないまま導入を進めることが、失敗の大きな要因になっています。
「見える化」と「活用」は別物である
「見える化」という言葉が製造業のDXでは頻繁に使われます。
生産実績、設備の稼働率、不良品の発生率、作業者ごとの工数……こうしたデータをリアルタイムで可視化できるようにする取り組みは、スマートファクトリー化の第一歩として正しい方向性です。
ただ、「見える化」はあくまで「データ活用の入り口」であり、「目的地」ではありません。
データを見えるようにした後に、「そのデータを使って誰が何を判断し、どのように行動を変えるか」という仕組みが機能して初めて、投資は成果に変わります。
ところが、多くの中小EMSでは「見える化」の段階で満足してしまい、その先の「活用」設計が後回しになっています。
ITmediaでも、「データドリブン経営の実現には、データを集める技術ではなく、データを使う文化と組織設計が鍵」と指摘されています（参考：ITmedia スマートものづくり）。
見える化で終わってしまうのは、決して技術力の問題ではありません。
「その先」を設計していないことが本質的な問題です。
失敗事例①｜センサーだらけの工場で何も改善しなかったA社の実態
部品実装ラインに温度センサー、振動センサー、電流センサーを合計20台以上設置したA社（従業員80名・基板実装専業EMS）の事例です。
投資総額は約600万円。
導入から1年が経過した時点で、製造部長が「正直、何のためにセンサーを入れたのか分からなくなってきた」と漏らしていたのが印象的でした。
センサーのデータは毎日クラウドに蓄積されています。
グラフにすれば1年分のトレンドも確認できます。
しかし、それを見て「何かアクションをした」という記録が、ほとんどありませんでした。
投資額と成果のギャップ
A社のケースで最も深刻だったのは、「何を改善したいのか」というゴール設定がないまま導入が始まったことです。
きっかけは、展示会でセンサーメーカーの担当者から「まず設置してデータを取ることから始めましょう」と提案されたことでした。
この「まずデータを取ろう」というアドバイス自体は、間違いではありません。
ただ、「取ったデータを何に使うか」「どの課題に答えを出したいのか」という議論を飛ばして、設置数と収集量を増やすことに集中してしまいました。
結果として、膨大なデータが蓄積されたものの、「このデータを使えば〇〇という問題が解決できる」という接続がどこにも存在しない状態になりました。
現場が「データを無視した」本当の理由
A社の現場担当者に話を聞いてみると、「データは見ていない」という正直な答えが返ってきました。
理由は単純で、「データを見て何かが分かっても、それをどうすればいいかが分からない」からです。
たとえば、リフロー炉の温度トレンドに微妙な変化が現れたとします。
そのデータを見た現場作業者が「何か変化している」と感じたとしても、それが設備の異常予兆なのか、季節的な温度変化なのか、計測誤差なのかを判断する基準が用意されていませんでした。
判断基準がなければ、データを見ることはただの作業負荷になるだけです。
現場がデータを無視するのは、怠慢ではありません。
「データを見ることが仕事の改善につながる」という実感が得られなかった結果です。
失敗事例②｜ダッシュボードを導入したのに誰も見なくなったB社の教訓
SaaS型のダッシュボードツールを導入したB社（従業員120名・医療機器向けEMS）の事例です。
初期費用150万円、月額利用料20万円というコスト感で、生産実績・不良率・稼働率・リードタイムをリアルタイムで確認できる環境を整えました。
導入直後は、経営陣も現場リーダーも熱心にダッシュボードを確認していました。
ところが、3ヶ月後には経営陣以外にほぼ誰もダッシュボードを開かなくなっていました。
「見やすいグラフ」が現場に嫌われた構造的理由
B社のダッシュボードは、デザインとしては非常によくできていました。
カラフルなグラフ、直感的なUI、スマートフォンからも確認できる利便性。
ベンダーのデモ時点では、全員が「これは使いやすい」と評価していました。
では、なぜ誰も使わなくなったのでしょうか。
最大の問題は、「ダッシュボードで表示されているKPIが、現場の日常業務とまったく結びついていなかった」ことです。
たとえば、「設備稼働率87%」という数字が表示されても、現場作業者にとってその数字は「自分たちが今日何をすべきか」につながりません。
経営層が管理したいKPIと、現場が日々判断する指標は、本来まったく別物です。
ダッシュボードの設計段階でこの「誰のための指標か」という整理がなされていなかったために、全員にとって「なんとなく見ておくもの」になってしまいました。
KPIと現場目標がズレていた致命的な問題
B社で追加の調査をしたところ、現場リーダーが毎日把握したいと思っていた情報は、ダッシュボードには表示されていませんでした。
「今日の午後3時時点でどの工程がボトルネックになっているか」「この週の不良集中ロットはどれか」といった、現場が本当に必要とするリアルタイムかつ実務直結の情報が欠けていました。
一方で、ダッシュボードには経営会議用の月次集計グラフや年比較のトレンドチャートが充実していました。
これは、ダッシュボード設計の段階でヒアリングをした相手が「経営陣と管理部門」だけだったことが原因です。
現場リーダーと作業者が何を知りたいかを把握していなかったため、彼らが使わないツールが完成してしまいました。
「現場が使うツールを、現場抜きで設計してはいけない」というのは、製造現場のシステム導入において絶対に守るべき原則です。
失敗事例③｜AI分析ツールを導入して3ヶ月でお蔵入りになったC社の顛末
AI搭載の品質予測システムを導入したC社（従業員60名・車載電装EMS）の事例は、より深刻な問題を含んでいます。
初期投資額は約1,200万円。
ベンダーの提案では「過去データを学習させることで、不良品発生を事前に予測できる」という触れ込みでした。
結果として、システムは3ヶ月で実質的に使用停止になりました。
ベンダー主導型導入の罠
C社の失敗の核心は、「ベンダーが主役になった導入プロセス」にあります。
ベンダーは優秀でした。
データ収集の設計、AIモデルの構築、UIの開発、いずれも技術的には高いレベルで完成していました。
問題は、「ベンダーがいなくなった後」に誰もシステムを維持できなかったことです。
AIモデルは、製品仕様や工程条件が変わるたびに再学習が必要になります。
新しい部品を採用したとき、ハンダ条件を変更したとき、新しい顧客案件が加わったとき、そのたびにモデルのアップデートが必要でした。
ところが、社内にそれができる人材がいませんでした。
ベンダーに依頼すると、その都度数十万円の費用が発生します。
コストが積み上がる一方で、AIの予測精度が実際の生産に貢献したという実績も明確ではなかったため、経営判断として「使用停止」が決定されました。
「使いこなせる人材」がいなかった組織的課題
C社の事例で特に注目すべきは、導入前の検討フェーズで「社内の運用体制」についての議論がほとんどなかったことです。
「このシステムを日常的に使い、メンテナンスし、改善していく人は誰か」という問いに、誰も明確に答えられない状態でプロジェクトが進行しました。
製造業DXにおいて、独立行政法人情報処理推進機構（IPA）は「DX推進指標」の中で、「人材・組織の変革が技術導入と同時に進められているか」を重要な評価軸として位置づけています（参考：IPA DX推進指標）。
高度なAIツールを導入することと、そのツールを組織として運用し続けることは、まったく別の能力です。
「ツールの導入」にばかり目が向いて、「人と組織の準備」を後回しにした結果が、お蔵入りという結末でした。
失敗の根本原因｜「データ収集」と「業務改善」の間にある深い溝
3つの事例を振り返ると、失敗の根本原因は技術の問題ではないことが見えてきます。
「データを集めただけ」問題の本質は、データと業務改善をつなぐ「橋」が設計されていないことです。
センサーがデータを拾い、クラウドに送り、ダッシュボードに表示されても、「そのデータを誰が見て、何を判断し、どう行動するか」という橋がなければ、データは倉庫に積まれた荷物と同じです。
重要なのに、誰も取りに行かない状態になります。
目的が曖昧なまま始めるデジタル化の危うさ
スマートファクトリー化の失敗事例に共通しているのは、「何のためにデジタル化するのか」という問いへの答えが曖昧なまま、プロジェクトがスタートしていることです。
「競合他社がやっているから」「補助金が出るから」「展示会で良さそうなソリューションを見たから」。
こうした動機でスタートしたプロジェクトは、ゴール設定が最初から弱い構造になっています。
本来の正しい問いは、「自社の製造現場では、今どんな問題が起きているのか」から始まります。
不良率が高い工程はどこか。
リードタイムのボトルネックになっている作業はどれか。
設備のダウンタイムはどの機械で多発しているか。
こうした具体的な課題が特定されて初めて、「その課題を解決するためにどんなデータを取り、どう分析するか」という逆算の設計が可能になります。
課題が曖昧なまま「とりあえずデータを取る」という順番の逆転が、失敗を生み出す最大の構造的要因です。
現場の協力を得られない組織設計の問題
もう一つの根本原因は、「現場が主体者になっていない」ことです。
スマートファクトリー化のプロジェクトが、経営陣やIT部門が主導して「上から降りてくる」形で進むと、現場は受け手になります。
受け手になった現場は、「自分たちのための取り組み」という認識を持ちにくくなります。
データを入力する手間が増えた、モニターを見る時間が増えた、新しいシステムを覚えなければならない……現場にとっては「負担が増えた」という感覚だけが残ります。
この状態でシステムを運用しようとすると、「現場の抵抗」「データの入力漏れ」「ツールの形骸化」という問題が次々に発生します。
製造現場のデジタル化を成功させた企業に共通しているのは、「現場の担当者が課題を自分ごととして語れる状態」でプロジェクトが設計されていることです。
これは、テクノロジーの問題ではなく、完全に組織マネジメントの問題です。
脱出戦略｜「データを集めただけ」から抜け出す5つのステップ
ここからは、「データを集めただけ」の状態から脱出するための具体的な戦略をお伝えします。
技術的な解決策よりも、「考え方と進め方」の再設計が核心になります。
Step1 課題を先に定義する「逆算アプローチ」
最初にやるべきことは、テクノロジーの選定ではありません。
「解きたい課題を具体的に言語化すること」です。
たとえば、「不良率を今期中に1.5%から0.8%に下げたい」という課題があるとします。
そうすると、「不良はどの工程で発生しているのか」「どのロットで集中しているのか」「どの時間帯に多いのか」という問いが自然に生まれます。
それらの問いに答えるために必要なデータが明確になり、そのデータを収集するためのセンサーやツールの仕様が決まります。
この順番を守るだけで、「データを集めたが使い道がない」という事態は根本的に防ぐことができます。
課題の言語化には、現場のリーダーと管理職が一緒になって取り組む「課題抽出ワークショップ」が有効です。
1回2時間程度のセッションを2〜3回繰り返すだけで、「取るべきデータ」が格段に明確になります。
Step2 現場を巻き込むデータ活用の仕組みづくり
データを収集する体制と同時に、「そのデータを誰がどのタイミングで見て、何を判断するか」というプロセスを設計します。
ポイントは、このプロセス設計を「現場の担当者が主体的に行う」ことです。
具体的には、「各工程のリーダーが毎朝確認する数値を3つ決める」「週次の製造会議で必ずデータを基に話し合う議題を設ける」といった、日常業務への組み込み方を現場から設計します。
データを見る「機会」を強制的に作るのではなく、「見ることが自然な流れになる仕組み」を設計することが重要です。
この設計を現場が主体的に行うことで、「自分たちが決めたこと」という当事者意識が生まれます。
Step3 小さな成功体験を積み上げるPoC設計
一気に工場全体をスマートファクトリー化しようとすると、必ず失敗します。
理由は単純で、「課題も解決策も組織の準備も、すべてが同時に大きくなりすぎる」からです。
正しいアプローチは、「一つの工程で、一つの課題に対して、一つのデータ活用事例を作る」ところから始めることです。
たとえば、「リフロー工程の温度異常を1週間以内に検知できる仕組みを作る」という非常に具体的なPoC（概念実証）を設定します。
これが成功したとき、現場に「データを使えば問題が解決できる」という体験的な確信が生まれます。
この「小さな成功体験」が、次のステップへの推進力になります。
1つのPoC成功から、横展開・縦展開で規模を広げていくアプローチが、中小EMS企業に最も適しています。
Step4 社内データ活用人材の育成戦略
スマートファクトリー化を持続させるために、社内に「データを読める人材」を育成することが不可欠です。
ここでいう「データを読める人材」は、データサイエンティストや高度なAIエンジニアではありません。
「現場の課題とデータを接続できる人材」のことです。
具体的には、Excelの集計とグラフ作成ができる、基本的なBIツールを操作できる、データの傾向から仮説を立てて現場に提案できる、といった能力の組み合わせです。
こうした人材は、製造現場に長くいてプロセスをよく知っている人材に、データリテラシーのトレーニングを積み上げていく形で育てるのが最も現実的です。
外部から「データの専門家」を採用するより、「現場を知る人材にデータのスキルを加える」アプローチのほうが、中小企業には向いています。
中小企業庁が提供する「IT導入補助金」や、各都道府県の産業支援センターによる人材育成支援も活用できます（参考：中小企業庁 IT導入補助金）。
Step5 ベンダー選定で失敗しないための評価基準
スマートファクトリー化の成否は、ベンダー選定で大きく左右されます。
失敗するベンダーの特徴は明確で、「提案がいつも自社製品の説明から始まる」「導入実績の羅列はあるが、失敗事例を正直に話さない」「運用フェーズのサポート体制が曖昧」の3点です。
良いベンダーを見極める質問として有効なのは、「御社のソリューションを導入して、期待通りの成果が出なかった事例を教えてください。その原因は何でしたか？」というものです。
この質問に正直かつ具体的に答えられるベンダーは、顧客の実態を理解しようとしている証拠です。
また、「導入後6ヶ月時点での定着率はどの程度ですか？」という問いも有効です。
「导入しておしまい」ではなく、「使い続けられる支援ができるか」を確認する質問として機能します。
FAQ｜中小EMS企業のスマートファクトリー導入でよくある質問
Q1. スマートファクトリー化にはどの程度の予算が必要ですか？
規模と目的によって大きく異なります。
小規模なPoC（概念実証）から始める場合は、センサーとクラウド基盤で50万円〜200万円程度から着手できます。
工場全体の見える化と分析基盤まで含めると、500万円〜2,000万円以上になるケースもあります。
重要なのは、予算の大小ではなく「最初の投資で何を検証するか」を明確にすることです。
いきなり大きな投資をするのではなく、小さな検証で成果を確認してから規模を拡大するアプローチを強く推奨します。
Q2. 従業員50名以下の小規模EMSでも、スマートファクトリー化は現実的ですか？
十分に現実的です。
むしろ、小規模であるほど「意思決定が速い」「現場と経営の距離が近い」という強みがあり、大企業より変化を起こしやすい面があります。
重要なのは、スコープを小さく絞ることです。
「工場全体」ではなく「一つの工程の一つの課題」から始めることで、小規模でも十分にスマートファクトリー化の恩恵を受けられます。
Q3. センサーやツールを導入する前に、何から始めれば良いですか？
最初にやるべきことは、「現場の課題の棚卸し」です。
具体的には、製造現場のリーダー・作業者・管理職が集まって、「今最も困っていること」「改善したいこと」を付箋ベースで書き出すワークショップを実施してください。
その中から、「データを使えば解決できそうな課題」を絞り込みます。
課題が明確になった後で、初めてツールやベンダーを探すプロセスに入ります。
この順番を守るだけで、導入後の「使われないシステム」問題のリスクを大幅に下げられます。
Q4. 導入したシステムが定着しない場合、どう対処すればよいですか？
まず、「なぜ使われていないのか」の原因を特定することが先決です。
よくある原因として、「使い方が分からない」「見ても行動につながらない」「業務フローに組み込まれていない」の3つが挙げられます。
「使い方が分からない」であれば、操作研修と社内サポート窓口の整備が有効です。
「見ても行動につながらない」であれば、表示する指標の見直しと、アクション基準の設定が必要です。
「業務フローに組み込まれていない」であれば、朝礼での確認習慣化など、日常業務への組み込みを設計し直すことが解決策になります。
Q5. AIや機械学習を使った高度な分析は、中小EMSには早すぎますか？
AIや機械学習を否定するわけではありませんが、導入の順序として「基本的なデータ収集と活用の仕組みが定着してから」が現実的です。
AIは、正確で継続的なデータが蓄積されて初めて本来の力を発揮します。
データの品質や蓄積量が不十分な状態でAIを導入しても、精度が出ないまま終わるリスクが高いです。
まず「基本的な見える化と活用の仕組みを確立する」→「データの品質と量を高める」→「AIによる高度な分析を加える」という段階を踏むことが、遠回りに見えて最も確実な道です。
Q6. スマートファクトリー化の補助金は活用できますか？
活用できる補助金は複数あります。
代表的なものとして、中小企業庁の「ものづくり補助金」（生産プロセスの改善に向けたシステム投資が対象）、「IT導入補助金」（ITツール導入費用の一部補助）、各都道府県の産業支援機関が提供する独自補助金などがあります。
ただし、補助金の採択条件や対象経費、申請スケジュールは年度ごとに変わります。
最新情報は中小企業庁の公式サイト（中小企業庁 補助金・助成金）または、地域の商工会議所・よろず支援拠点への相談が確実です。
「補助金が使えるから導入する」という動機はリスクが高いですが、「本来やるべき取り組みに補助金を活用する」という姿勢で申請を検討することは非常に有効です。
まとめ
スマートファクトリー導入の「データを集めただけ」問題は、テクノロジーの限界ではありません。
「課題の定義」「活用の設計」「組織の準備」という、人と仕組みの問題です。
A社・B社・C社の事例が示しているのは、どれほど優れたセンサーやAIを導入しても、「データと業務改善をつなぐ橋」がなければ、投資は眠り続けるということです。
脱出のための5ステップを改めて整理します。
Step1は、課題を先に定義する逆算アプローチです。
Step2は、現場を巻き込むデータ活用の仕組みづくりです。
Step3は、小さな成功体験を積み上げるPoC設計です。
Step4は、社内データ活用人材の育成戦略です。
Step5は、ベンダー選定で失敗しない評価基準の確立です。
スマートファクトリー化は、「工場をデジタル化すること」が目的ではありません。
「製造現場の課題を継続的に解決し、競争力を高め続けること」が本当の目的です。
その目的を忘れずに、「小さく始めて、確実に広げる」アプローチで取り組んでいただければ、データは必ず現場を変える力になります。
現状に課題を感じているなら、まず今日から「自社の製造現場で最も困っていること」を言葉にするところから始めてみてください。
その一言が、スマートファクトリー化の本当のスタートラインです。
