以前、2つの記事で、フィジカルAIを「どう見極め、どう導入するか」という視点から整理してきた。
第1回では、TeslaのOptimusとFigure AIのFigure 02という2つのヒューマノイドを比較し、「配備されている」ことと「働いている」ことの差を分けるのは現場データの量と質だと論じた。
そのうえで、ヒューマノイドの動作学習と、産業設備の稼働最適化・異常検知という2つの応用領域を取り上げ、それぞれで必要なデータの性質や蓄積の仕方が異なることを整理した。
第2回では、ヒューマノイドと設備の稼働最適化という両極の間にある「AIビジョンを組み込んだ柔軟なロボットアーム」を取り上げ、技術・導入・コストの壁と、導入前に確認すべきポイントを整理した。
そして2回とも、「今のうちから現場データを残しておくこと」を結論に置いた。
これまでの記事：
第1回：フィジカルAIはどこまで来ているのか？導入判断の前に見るべき「現場データ」
第2回：フィジカルAIが可能にする柔軟なロボットアームとは？製造業にとって現実的な選択肢になるか
こうした中、ガートナージャパンは2026年10月5日、「フィジカルAIに関するよくある10の誤解」と題した見解を発表した。
この10項目は、中核となるAIモデルの捉え方から、国産化の是非、システムの構成、無人化の位置づけまで多岐にわたる。
その中で最初に挙げられた2つは、個別の論点というより、そもそもフィジカルAIとは何かという前提に関わるものだ。
1つ目は取り組み方に関する誤解だ。フィジカルAIは、生成AIやAIエージェントと同じような新しいソリューションではなく、既存の工場や業務にAIやロボットを後付けすればよいものでもない、とガートナーは指摘する。
2つ目は対象範囲に関する誤解だ。フィジカルAIは、ヒューマノイドやロボットという機器そのものを指すわけではないのだとしている。
ガートナーによれば、フィジカルAIは後から足す機能でも特定の機器でもなく、車両や設備、インフラまで含めて、実世界を認識・判断・行動・学習し続けるシステムのあり方を指す。
これまでの記事では、ヒューマノイド、設備の稼働最適化、ロボットアームといった個別の技術ごとに、成熟度の見極め方や導入判断のポイントを整理してきた。
一方で、それらを含めたフィジカルAI全体をどのような仕組みとして捉えるべきかという点までは、踏み込んでいなかった。ガートナーの指摘は、まさにその部分に光を当てるものだ。
もちろん、個別の技術を見極める目が不要になるわけではない。デモと本番稼働を見分け、ベンダーに継続稼働のデータを求める姿勢は、今後も変わらず必要だ。
そのうえでガートナーの指摘は、個々の技術をどう選ぶかから一歩進み、それらをどう組み合わせ、どう回していくかという問いを投げかけている。
そこで本稿では、ガートナーの10の誤解のうち、以前の2つの記事の議論と特に関わりの深いものを取り上げ、2つの記事で書いた「現場データを残しておく」という結論の先にある考え方を整理してみたい。
フィジカルAIは「製品」ではなく「システムのあり方」
まずは、冒頭で触れたガートナーの定義を、もう少し詳しく見ていく。
フィジカルAIが特定のAIモデルやソフトウェア、デバイスではなく、システムのあり方を指すとはどういうことか。ここでは、3つの観点から整理する。
「フィジカルAI」という単体の技術は存在しない
ガートナーは、「フィジカルAIが入ったロボット」「フィジカルAIを搭載した自動車」といった表現が散見されることを挙げ、これをミスリーディングだと指摘している。
なぜなら、フィジカルAIという名前の特定のモデルやソフトウェアが、単体で存在するわけではないからだ。
ガートナーの定義では、フィジカルAIとはAI、センサ、制御、ロボティクス、シミュレーション、データ、IT/OTを組み合わせ、実世界を認識し、判断し、行動し、その結果から学習し続けるシステムのあり方を指す。
そのため、ヒューマノイドやロボットは代表的な実装形態の1つにすぎず、車両、ドローン、設備、インフラも対象に含まれる。
この定義は、1つ目の記事で見たヒューマノイドロボットOptimusとFigure 02の差とも重なる。
TeslaのOptimusは、同社の工場ですでに稼働しているものの、その主な目的は人間の動作を模倣させるためのデータ収集にある。2026年1月には、イーロン・マスク氏自身が「まだ実用的な作業はできていない」と認めており、10月時点でも本格的な実運用の成果は公表されていない。あくまで学習途上の段階と言える。
一方Figure AIが開発するFigure 02は、BMWのスパルタンバーグ工場で11カ月間のパイロットプログラムを完走している。実運用の段階まで進んだのは、量産ラインで実際の作業をこなしながらデータを積み重ねたからであった。
これは、認識・判断・行動・学習を繰り返すループが現場で回っていたということでもある。
つまり、両者の差は機体の性能というより、実際の作業とその結果からの学習が、ひとつの循環としてつながっていたかどうかにあったと捉えることができる。
単独の強みでは勝てない
ガートナーは、「AIモデル、ロボット、センサ、データのどれか1つで強みを持てば十分だ」という考え方も、誤解の1つとして挙げている。
フィジカルAIは、認識、予測・判断、行動、結果の取得という閉ループが成立して初めて機能する。
どこか1つのレイヤが優れていても、ループのどこかが途切れていれば競争力にはならない。
ガートナーは、フィジカルAIを「新しいシステム工学」として捉え、技術スタック全体を一貫して設計することが重要だとしている。
2つ目の記事で紹介したMujinの動きは、この考え方をよく表している。
同社はModex 2026で、ファナック、川崎重工、安川電機、Geek+という異なるメーカーのロボットを、自社の制御ソフト「MujinOS」で横断的に動かすデモを見せた。
ここで価値を生んでいるのは、個々のロボットアームの性能ではなく、それらを束ねて実世界の変化に応じて動かす制御層だ。
「買えるもの」だという錯覚
フィジカルAIを、既存の工場や業務に後から追加できるものと捉える誤解が根強いのは、多くの企業がこれまで設備やシステムを導入してきたやり方と、そのまま重なるからだ。
仕様を決め、製品やベンダーを選び、納品されたら導入完了とする。「フィジカルAI搭載」の製品があるなら、それを選んで買えばよい、という考え方は、このやり方の延長で自然に受け入れられてしまう。
しかし、フィジカルAIの本体が閉ループという「仕組み」であるなら、それはカタログから選んで買えるものではない。
ロボットやセンサは買えても、自社の現場で認識から学習までを一周させる仕組みは、自社が設計し、運用し続けるしかない。
ベンダーに丸投げした瞬間、ループの一番大事な部分、つまり自社の現場から学ぶ部分が、自社の外に出ていってしまう。
ガートナーが指摘するように、フィジカルAIへの取り組みとは、AI機能を追加することではなく、実世界を動かすシステムそのものを進化し続けられる構造へ作り変えることだ。
まずこの前提を共有しないかぎり、どのロボットを選ぶかという議論は、部品選びの域を出ない。
現場データは「貯める」から「回す」へ
前章で見たように、フィジカルAIの本体が、認識・判断・行動・学習を繰り返す「仕組み」であるなら、その仕組みを動かし続ける燃料にあたるのが現場データだ。
フィジカルAIを製品ではなくシステムのあり方として捉えると、現場データの扱い方も変わってくる。
これまでの2つの記事では、「現場データこそがフィジカルAIの精度を左右する。だから今のうちから蓄積しておくべきだ」と述べてきた。この考え自体は、今も変わらない。
ただ、ガートナーが挙げる誤解のうち、データの持ち方と、フィジカルAIを使い続けることに関する2つを読むと、この結論には大事な続きがあることに気づかされる。
データを持っているだけでは優位にならない
ガートナーは、「日本企業には長年蓄積した製造データや現場の暗黙知があるため、フィジカルAIでも自然と競争優位を持つ」という見方を誤解の1つとして挙げている。
製造データや暗黙知は確かに強みになりうる。しかし、持っているだけでは優位にならない、というのがガートナーの指摘だ。
必要なのは、既存のデータや暗黙知を生かしながら、実行から新たなデータを生み、それを学習、改善、再設計へとつなげる「改善のループ」を回し続ける構造だという。
これは、これまでの2つの記事の結論を、もう一歩先へ進めるものだ。
1つ目の記事では、現場のデータは将来AI・ロボット企業との提携交渉における資産になりうると書いた。そして2つ目の記事では、候補工程の映像や作業データを残しておくべきだと書いた。いずれも「貯めておく」ことに重心があった。
しかし、貯めたデータが学習と改善のループに入らないかぎり、それは倉庫に積まれた在庫と変わらない。
在庫は持っているだけでは価値を生まず、むしろ時間とともに陳腐化していく。
工程が変われば、設備が入れ替われば、数年前の映像データは現在の現場を表さなくなる。
一度作れば終わり、ではない
また、「高性能なフィジカルAIやデータを生かす改善のループを一度構築すれば、その後は継続的に利用できる」という考え方も、誤解の1つとして挙げられている。
フィジカルAIは、センシング、判断、行動、学習を繰り返すことで改善していく仕組みであり、完成して終わるものではない。
実世界とシミュレーションから得られる結果を反映しながら、改善を続ける必要がある。
2つ目の記事で触れたMujinのソフトウェアのサブスクリプション化は、この考え方を事業モデルに落とし込んだ例と見ることができる。
買い切り型では導入時点の性能が数年間固定されるのに対し、サブスク型ではアップデートを通じて性能が向上し続ける。
ベンダー側はすでに、フィジカルAIを「納品したら終わり」の製品ではなく、改善し続けるものとして扱い始めている。
そうであれば、ユーザー企業の側も同じ時間軸で考える必要がある。
ここで問題になるのが、日本企業のIT投資の典型的な形だ。
案件ごとに予算を取り、PoCで効果を確かめ、本番導入したらプロジェクトを閉じる。
評価は導入時点の効果で行われ、その後に改善を回し続ける費用や体制は、予算の上では「保守」として最小限に抑えられがちだ。
この形のままでは、改善のループは回らない。導入した日が性能のピークになり、あとは現場の変化に置いていかれるだけになる。
問いを「何を貯めるか」から「どう回すか」へ
では、データ収集の設計はどう変わるべきか。
1つ目の記事で整理した「目的から逆算してデータ基盤を設計する」という考え方は、そのまま生きる。
ただし、その「目的」の中身を変える必要がある。
これまでの問いは「将来使えるように、どんなデータを貯めておくか」だった。
これからの問いは「そのデータは、誰が、どの頻度で学習に回し、その結果をどう現場に戻すのか」である。
記録の仕組みと同じだけ、学習と改善の仕組み、そしてそれを動かし続ける予算と人の割り当てを、最初から設計に含めておく必要がある。
言い換えれば、現場データの価値は量や質だけでなく、回転速度で決まる。
どれだけ貯めたかだけではなく、どれだけ速く現場に返せたかが、競争力の差になっていく。
全てを内製しなければならないのか？
改善のループを自社で回すべきだと言うと、「では全部を内製しなければならないのか？」という疑問が出てくる。
ガートナーはこれにも、2つの誤解を通じて答えている。
現場で動かすものと、遠くで鍛えるもの
1つ目の誤解は、「実世界をリアルタイムに制御する以上、フィジカルAIはオンプレミスやエッジだけで構築すべきだ」という考え方だ。
リアルタイム性、安全性、可用性、データ・レジデンシといった要件から、現場に近いエッジやオンプレミスの基盤が重要になるのは確かだ。
一方で、World Modelを含む大規模な学習や追加学習、シミュレーションは、必ずしも現場の近くで動かす必要はなく、クラウドや大規模な計算基盤も活用される。
そのためガートナーは、フィジカルAIのアーキテクチャを、エッジ、オンプレミス、クラウドを組み合わせた分散型として設計すべきだとしている。
これは、1つ目の記事で触れた「sim-to-realギャップ（シミュレーションと現実の差）」の話とつながる。
NVIDIAの「Cosmos」やGoogle DeepMindの「Genie 3」のような世界モデルは、膨大な物理シナリオを仮想空間で学習させるために使われる。
こうした重い計算は、大規模な計算基盤の上で行うのが合理的だ。
しかし、摩擦や光の変化、センサーのノイズといった、シミュレーションが取りこぼす現実の差を埋めるのは、現場で取れたデータである。
つまり、改善のループは1カ所では完結しない。現場で行動してデータを取り、遠くの計算基盤でモデルを鍛え、それをまた現場に戻す。このループはエッジとクラウドの間を往復しながら回る。
この往復の経路設計が重要だということだ。
国産化か、海外依存か、という問いの立て方
もう1つの誤解は、「日本の競争力や主権を守るには、AIモデル、GPU、クラウド、シミュレーション、ロボティクス・ソフトウェアまで国産化する必要がある」という考え方だ。
フィジカルAIの技術スタックはあまりに広く、すべてを国内の技術だけでそろえるのは現実的ではない。
そこでガートナーは、世界の優れた技術を使いながら、データ、制御、安全、運用、知的財産、代替可能性のうち、自社や国内で何を握るのかを明確にすることが重要だとしている。
また、この問いは、国産か海外製かという議論である以前に、個々の企業の調達判断の問題でもある。
問われているのは、特定の技術や企業に依存しすぎず、必要に応じて切り替えられる状態を保てるかどうかだからだ。
2つ目の記事では、特定メーカーの機器に縛られると、後から別のロボットを追加する際の柔軟性が下がると指摘した。
同じことは機器に限らず、AIモデル、クラウド、制御ソフトといった層でも起こりうるということだ。
握るべきは「現場から学ぶ仕組み」と「代替可能性」
では、企業は何を握るべきか。前節までの議論を踏まえれば、2つの答えが見えてくる。
1つ目は、自社の現場固有のデータと、そのデータを学習に回して現場に戻す仕組みだ。
汎用的なモデルや計算基盤は、外部の優れたものを使えばよい。2つ目の記事で紹介した「Open X-Embodiment」や「AGIBOT WORLD」のような共有データセットも活用できる。
ただし、汎用のモデルや共有データセットは、自社の工程、部品、環境条件に合わせて作られたものではない。自社の現場での精度を高めるには、自社の現場データで補い、改善し続ける必要がある。
そのためには、自社の現場で何が起き、何が失敗したのかを記録し、それを学習に回し、改善の結果を現場に戻す仕組みが欠かせない。
この部分は自社の工程や運用と深く結びついているため、外部には代替できない。
2つ目は、代替可能性だ。
どの層を外部に頼るにしても、その層を別のものに置き換えられる状態を保っておく。
データの形式、制御層のインターフェース、契約上のデータの扱いを、導入時点で確認しておくことが、改善のループを長く回し続けるための条件になる。
「小さく始める」の中身を変える
握るべきものが見えてきたところで、次に考えたいのは、どこから始めるかだ。
2つ目の記事では、いきなり全工程に展開するのではなく、小規模なパイロットから始め、投資回収を検証しながら段階的に拡大するのが現実的だと書いた。
ガートナーも、取り組みの始め方として、対象領域を限定して小さく始めることを勧めている。
一見すると、同じことを言っているように見えるが、中身をよく読むと、両者が想定している「小さな単位」は別物だ。
「ロボット1台」と「ループ1周」
よくあるパイロットは、ロボット1台、あるいは1工程を対象にして、その機器が期待通りに動くかを確かめるものだ。
成功率、処理速度、投資回収期間を測り、基準を満たせば台数や工程を増やす。2つ目の記事で示した評価基準も、この形を前提にしていた。
これに対してガートナーが勧めるのは、対象領域を限定したうえで、現場、デジタルツイン、World Model、制御、データ基盤までをつないだ「最小の完成形」を作ることだ。
そのうえで対象を段階的に広げ、改善のループを回せる状態へ発展させていく。
つまり、小さくするのは範囲であって、仕組みの厚みではない。
1つの工程に絞ってもよいが、その工程の中では、データを取り、学習に回し、改善した動作を現場に戻すという一周が、きちんと完結していなければならない。
機器を試すパイロットが見落とすもの
機器を試すパイロットは、「このロボットは使えるか」には答えてくれるが、「この仕組みは改善し続けられるか」には答えてくれない。
例えば、AIビジョン付きのロボットアームでビンピッキングを試し、成功率が95%出たとする。機器のパイロットとしては合格かもしれない。
しかし、残りの5%の失敗がどう記録され、誰がそれを分析し、どのくらいの期間で学習に反映され、改善後の成功率がどう推移したのか。
こうした問いに答えられないかぎり、そのパイロットは導入時点の性能を確認しただけで終わる。
そして、横展開の段階で問題が表に出る。
台数を増やしても、改善の経路が設計されていなければ、各現場はそれぞれ導入時点の性能のまま固定される。現場が変わるたびに、また別のパイロットから始め直すことになる。
パイロットの評価指標に「回転」を入れる
では、パイロットの評価をどう変えればよいか。
成功率、処理速度、投資回収期間は引き続き重要な指標だが、そこに「ループが回っているか」を測る指標を加える。
具体的には、失敗や例外がどの程度データとして記録されたか、そのデータが学習に反映されるまでにどのくらいかかったか、パイロット期間中に性能がどれだけ改善したか、といった観点だ。導入時点の性能ではなく、期間中の改善の傾きを見る。
パイロットとは、機器の合否判定ではなく、ループが回ることを確かめる場であるべきなのだ。
無人化ではなく、ループを回す人をどう育てるか
ここまで、改善のループをどう捉え、どう始めるかを見てきた。最後に残るのは、そのループを誰が回すのかという問いだ。
人手不足が深刻な日本の現場では、フィジカルAIが「人の代わり」として語られやすい。
以前の2つの記事でも、導入候補となる工程として「人手不足が深刻な工程」を挙げてきた。
しかしガートナーは、「フィジカルAIが高度化すれば人をなくし、工場や現場を完全無人化することが最終形になる」という考え方を誤解の1つとして挙げている。
つまり、フィジカルAIの目的は、自動化率や自律度を最大化することそのものではないという。
むしろ、人、AI、機械の役割を再設計し、安全で人に優しい環境と、生産性、品質、柔軟性を同時に高めることが重要だとしている。
ボトルネックは人の側に移る
ここまでの議論を整理すると、フィジカルAIの本体は、改善し続けるループだと捉えられる。
そうであれば、そのループを設計し、回し、壊れたら直す人が必要になる。
役割を再設計すべきだというガートナーの指摘は、この点でより具体的な意味を持つ。
ロボットが現場作業の一部を担うようになるほど、ボトルネックは機械ではなく、ループを扱える人の側に移っていく。
ガートナーは、フィジカルAIへの取り組みには、World Model、ロボティクス、制御、シミュレーション、IT/OT、安全、データ、業務を横断して実世界に実装する高度な能力が求められるとしている。
その例として挙げられているのが、顧客や現場に入り込み、業務を理解しながら技術で解決策を作り上げる「フォワード・デプロイド・エンジニア（FDE）」のような人材だ。
FDEは、AIプラットフォームを使いこなして業務プロセスそのものを更新し、事業の最前線で意思決定、実装、改善のスピードを高める役割を担う。
「オペレーター教育」の先にあるもの
2つ目の記事では、導入前に確認すべき点として、オペレーターの教育や運用体制を挙げた。
ノーコードで現場スタッフが動作を教えられる製品なのか、専門的な保守知識が必要な製品なのか。これは引き続き重要な確認事項だ。
ただ、ループを回すという観点に立つと、求められるのはロボットの操作や保守ができる人だけではない。
現場で何が起きているかを理解し、失敗をデータとして捉え、それを改善につなげる判断ができる人が必要になる。
現場の暗黙知を持つ熟練者と、データやAIを扱えるエンジニアの間をつなぐ役割と言ってもよい。
こうした人材は、外部から採用するだけでは確保しきれない。なぜなら、自社の現場を知っていることが前提になるからだ。
ガートナーが、自社の中核を担う高度な専門人材を育成するための人材投資戦略の見直しが急務だとしているのは、このためだろう。
完全無人化を目標にすると、人材への投資は削る対象になる。
だが、フィジカルAIで本当に競争力を左右するのは、ループを回し続けられる人をどれだけ社内に持てるかだ。
人を減らす投資ではなく、人の役割を変える投資として捉え直す必要がある。
まとめ
以前の2つの記事で示した見極めの視点は、今も有効だ。
デモではなく本番稼働の実績を見ること、現場データの裏付けを確かめること、自社の工程との相性を冷静に判断すること。
これらは、フィジカルAIをめぐる報道に振り回されないための基本動作である。
そのうえで、ガートナーの10の誤解を手がかりにすると、その先にある次の一歩が見えてくる。
本稿で整理した内容をまとめると、次のようになる。
- フィジカルAIは買える製品ではなく、自社で設計し、運用し続けるシステムのあり方である
- 現場データは貯めるだけでは在庫にすぎず、学習と改善のループに入って初めて価値を生む
- すべてを内製する必要はないが、自社の現場から学ぶ仕組みと代替可能性は握っておく
- 小さく始めるなら、範囲は絞っても、ループは一周させる
- 無人化を目指すのではなく、ループを回す人への投資を増やす
こうした転換は、先送りできる話ではない。
ガートナーのディスティングイッシュト バイス プレジデント アナリストである亦賀忠明氏によれば、世界市場の競争環境が急速に変わる中で、フィジカルAIへの対応が遅れれば、2030年以降の企業競争力を大きく損なう可能性があるという。
そのうえで、企業はもはやフィジカルAIを「使う」段階にはなく、フィジカルAIを前提に、企業の形や仕事の進め方、工場や業務そのものを再定義する段階に入っているとしている。
これは、IT部門や生産技術部門だけで判断できるテーマではない。
予算の組み方、パイロットの評価の仕方、ベンダーとの契約、人材への投資。どれもが経営の判断に関わる。
だからこそ亦賀氏は、CIOが経営者と共にフィジカルAIに関する誤解を正し、具体的な判断と実行につなげる必要があると指摘している。
その判断の出発点として、これまでの記事で勧めてきた「現場データを残しておく」という一歩目は、そのまま有効だ。
その次の一歩は、残したデータを生かす改善のループを、どの領域で、誰がどう回すのかを決めることである。