製造業のDX事例｜工程改善・予知保全・品質・在庫で見る成果指標と失敗パターン

まとめ記事に並ぶ「生産性20%向上」「不良率半減」という数字は、そのままでは自社の投資判断に使えません。同じ設備を入れても、品種構成と稼働率の初期値が違えば伸び幅は変わるからです。本記事では製造業のDX事例を、工程の見える化・予知保全・品質検査・在庫調達という4つの類型に分解し、各類型で実際に動く成果指標と、動かすために先に用意しておくデータを整理します。あわせて、経済産業省とIPAが選定するDXセレクションのような公的な事例集の読み方、IPAが2026年7月16日に公表した「DX動向2026」が示す成果の偏り、他社の数値を自社へ換算する計算の手順、そして再現しない失敗パターンと着手を見送る条件まで扱います。背景・課題・進め方の全体像は製造業のDXとは何かを課題と進め方から解説した記事に譲り、ここでは事例の型と成果指標の読み替えに絞る構成です。

まとめ：製造業のDX事例は工程単位の成果指標に読み替える

• 事例は「どの工程を、どの指標で、いくら動かしたか」の3点に分解すると自社に移せます。企業名と技術名だけを見ても再現できません。
• 探す起点は二次まとめ記事より公的な事例集です。経済産業省とIPAのDXセレクションは中堅・中小企業等が対象で、2026年は計11者が選ばれました。
• IPA「DX動向2026」では、成果は業務効率化などで高く、企業価値の創出につながる内容では低い状況が示されています。事例の売上増の話は少数派として扱うのが安全です。
• 4類型のうち着手しやすいのは工程の見える化で、実績データが無い工場が予知保全やAI検査から入ると高確率で止まります。
• 投資判断は「停止1時間あたりの損失額」「不良1個あたりの損失額」を先に自社の数字で出し、そこへ他社の削減率を掛けて回収年数を試算します。
• 月産数十台の一品一様な受注生産で設備が数台なら、センサー投資は過剰です。実績入力の紙運用の整理が先に来ます。

製造業のDX事例を探す場所｜公的事例集と二次まとめ記事の情報量の差

事例収集でつまずく地点は、情報源の選び方にあります。検索上位のまとめ記事は網羅性が高い反面、成果数値の前提条件が落ちていることが多く、そのままでは投資判断の材料になりません。

経済産業省とIPAが選ぶDXセレクション2026の11者という母集団

DXセレクションは、デジタルガバナンス・コードに沿った取組でDXの成果を残している中堅・中小企業等の優良事例を選ぶ仕組みで、2022年に始まりました。2026年の選定はグランプリ1者、準グランプリ2者、優良事例8者の計11者です。応募様式が公表された時点の経済産業省資料では、それまでに延べ83者が選ばれたと記載されています。

この母集団が使いやすい理由は2つあります。第一に対象が中堅・中小企業等であるため、従業員数十名から数百名規模の工場が自社と近い条件の事例を見つけやすい点。第二に選定資料が応募書類をもとに構成されており、取組内容だけでなく推進体制や投資の意思決定に触れている点です。まとめ記事が省略しがちなのは、まさにこの体制と意思決定の部分になります。同じ金属加工でも、量産のプレス工場と一品一様の板金工場では動く指標が違うため、業種名ではなく生産形態で絞り込んでください。

DX動向2026が示す成果の偏り｜効率化は出て価値創出は出ない

IPAが2026年7月16日に公表した「DX動向2026」は、国内企業1,799社からの回答をもとにした調査です。調査期間は2026年4月17日から6月12日。DXに取り組む企業の割合と成果が出ている企業の割合は前回調査と同水準で、8割近くの企業が何らかの形でDXに取り組んでいる状況が示されました。

注目すべきは成果の中身の偏りです。IPAは、アナログ・物理データのデジタル化や業務効率化による生産性向上では成果が高い一方、組織横断の業務プロセス改革やビジネスモデル・企業文化の変革といった、企業価値の創出につながる領域では低い水準にとどまると整理しています。報告書とデータ集は2026年7月下旬の公開予定とされています。

この偏りは事例の読み方に直結します。新規事業の立ち上げに至った事例は統計上の少数派で、最初の投資判断の根拠には置きにくい。工数削減・停止時間削減・検査時間短縮といった効率化系の指標を1件目のテーマに選ぶほうが、成果の再現性で勝ります。

事例を読む前に確定させる自社の現状データと制約条件の棚卸し手順

事例を10本読む前に、自社側の数字を4つ揃えるほうが早く進みます。この4点が無いと、どの事例が自社に当てはまるか判定できません。

1. 設備台数と、直近1年の突発停止の発生回数・累計停止時間（保全記録が紙なら、まず月単位の集計だけでも可）
2. 生産実績を誰がいつ入力しているか（作業者が日報に手書き、事務が翌日転記、といった経路そのもの）
3. 既存の生産管理・基幹システムからCSVでデータを出せるか、出せるなら項目は何か
4. 止められない工程と、段取り替えの頻度（センサー設置や検査工程の変更ができる時間帯の制約）

実務ではまず2番目を押さえてください。実績入力の経路が把握できていれば、事例に出てくるシステムが自社のどこに入るのかが即座に判定できます。停止時間の集計が無い場合は、予知保全の事例をいくら読んでも投資回収の試算ができないため、そこから着手する順番になります。

工程別に見る製造業のDX事例4類型｜見える化・保全・品質・在庫

事例を工程で切ると、必要なデータと動く指標が対応関係で見えてきます。次の表は4類型を、代表指標・前提として必要なデータ・着手のしやすさで並べたものです。

上から順に着手するのが基本形です。各類型で使う道具の分類と選定軸は、製造業のDXツールの5層分類と選び方を解説した記事にまとめました。見える化で実績データが溜まると、そのデータが予知保全や品質の分析にそのまま使えます。逆順で入ると、分析対象のデータが無いという壁に必ず当たります。

工程の見える化の事例｜日報の紙運用を実績データに置き換える手順

この類型の事例は、地味に見えて再現性が最も高い部類です。典型的な出発点は、作業者が紙の日報に開始・終了時刻と生産数を書き、事務が翌日に表計算へ転記している状態。ここをタブレット入力や設備信号の自動取得へ置き換えると、集計の遅れが1日単位から数分単位に縮みます。

動く指標は設備総合効率（OEE）です。OEEは時間稼働率・性能稼働率・良品率の積で表され、どの要素が足を引っ張っているかを分解できます。紙の日報では性能稼働率の低下、つまり理論サイクルタイムに対する実際の遅れが見えないため、改善の対象が特定できません。見える化の投資効果は、削減した転記工数ではなく、この特定能力の獲得側にあります。

事例を読むときは、入力の担い手が誰に変わったかを確認してください。作業者の負担が増えて定着しなかった経緯は、事例集に載りにくい情報です。集めた実績をどう見せるかの設計は製造業のBIツール導入で生産・品質・在庫データを可視化する判断基準で扱っています。

予知保全の事例｜振動と電流の常時監視で突発停止を減らす成立条件

予知保全の事例は、回転機・圧縮機・ポンプなど、劣化が振動や電流の波形に現れる設備で成立します。センサーで常時監視し、閾値を超えた時点で部品交換の計画を組む形です。成果指標は突発停止時間と、緊急対応にかかった残業時間の2つ。部品費は逆に増えることがあるため、事例の数値がどちらを見ているか読み分ける必要があります。

成立条件は3つに絞れます。第一に、対象設備が止まると後工程まで連鎖して止まること。第二に、故障の前兆が数日から数週間の猶予をもって現れること。第三に、閾値超過を受けて動く保全担当がいること。3番目が抜けた事例では、アラートが鳴るだけで交換計画が動かず、監視システムが放置されます。

切削工具の突発折損のように前兆が秒単位しかない対象では、予知保全ではなく交換周期の見直し、つまり予防保全側の設計が答えになります。この切り分けは予防保全・予知保全・事後保全の違いと製造業での進め方で整理しました。

品質のDX事例｜AI外観検査と検査記録のデータ化で変わる判定基準

AI外観検査の事例では「検査時間が1個あたり数秒に短縮」「検出率が向上」といった数値が並びます。読むときに確認したいのは、その検査が全数検査か抜取検査か、そして人の目視を置き換えたのか二重チェックとして足したのかです。目視を完全に置き換えた事例と、目視の前段でふるいにかける事例では、必要な精度が桁違いに変わります。

導入の律速はモデルではなく画像です。不良の種類ごとに撮像条件を揃えた画像が必要で、発生頻度の低い不良は学習に足る枚数が集まりません。実務では、まず撮像装置を設置して良品と不良の画像を蓄積する期間を数か月置き、その間は人の判定を正解データとして記録します。この準備期間を工程表に入れていない計画は、ほぼ確実に遅延します。

寸法や重量のように数値で取れる特性なら、画像認識より閾値監視と統計的な外れ値検出のほうが安く済みます。手法の選び分けは異常検知の機械学習手法と製造業での導入判断にまとめました。検査記録そのもののデジタル化は、不適合品の追跡と是正処置の証跡としても効いてきます。

在庫と調達の事例｜在庫回転日数と欠品率を同時に動かす在庫基準

在庫の事例は、削減額だけが強調されがちな領域です。在庫を減らせば回転日数は改善しますが、欠品による特急手配や生産計画の組み替えが増えれば、現場の負荷は上がります。片方だけの数値は成果として読めません。

この類型で実際に効くのは、部品ごとの発注点と安全在庫を、過去の出庫実績と調達リードタイムから計算し直す作業です。多くの工場では発注点が担当者の経験値で固定されており、需要変動や調達期間の変化が反映されていません。棚卸差異が数パーセント残っている状態なら、その解消が先に来ます。理論在庫が信用できない前提では、どの計算も空回りします。

仕掛品まで管理対象に含めるかは分岐点です。工程間の仕掛品を数えるには工程実績の入力が必要になるため、見える化の類型と抱き合わせになります。

他社事例の成果数値を自社へ移すときの前提条件と換算の実務手順

事例の数値を自社の投資判断に持ち込む工程で、精度が最も落ちます。他社の削減率をそのまま自社の売上や工数に掛ける計算は、前提が違えば桁を外します。

生産性20%向上という数値の前提｜ロット構成と稼働率の初期値

「生産性20%向上」を読み解くには、分母を特定する作業が要ります。1人あたり生産数か、設備1台あたり生産数か、あるいは売上高人件費比率か。指標の定義が書かれていない事例は、この時点で参考値の域を超えません。

加えて初期値の影響が大きい。設備総合効率が45%の工場が60%まで上げるのと、75%の工場が80%を狙うのでは、同じ施策でも伸び幅が違います。多品種小ロットで段取り替えが1日十数回発生する現場なら、改善余地は段取り時間に偏り、稼働監視より段取りの標準化と外段取り化が効きます。事例の工場のロットサイズと品種数を確認し、自社と1桁違うなら数値は捨てて施策の考え方だけを持ち帰ってください。

自社の改善余地は、理論サイクルタイム×良品生産数を実稼働時間で割った値から概算できます。この比率が低いほど、見える化による特定の効果が大きく出ます。

投資回収の計算式｜停止1時間あたりの損失額から逆算する判断値

予知保全の投資判断は、次の順序で自社の数字に落とします。

1. 停止1時間あたりの損失額を出す（時間あたり生産数×製品1個の粗利＋復旧に動く人員の時間単価×人数）
2. 直近1年の突発停止の累計時間を掛け、年間の損失額を求める
3. 事例の削減率を掛けて年間の削減見込み額を出す（他社の実績値は上限として扱い、7割程度で見ておく）
4. センサー・工事・システム費用と、年間の保守費を合算した投資額を、3の値で割って回収年数を出す

回収年数が設備の残存耐用年数を超えるなら、その設備での予知保全は見送りが妥当です。判断が割れるのは、停止が納期遅延や顧客への特別対応を招くケース。この場合は粗利だけでなく、過去に発生した特急便の費用や違約対応の実額を損失額へ含めて計算します。

AI外観検査なら、分母は不良1個あたりの損失額と検査人員の時間単価に置き換わります。流出不良のクレーム対応費が過去に発生している場合、その実額が最も強い根拠になります。

事例が触れない移行コスト｜マスタ整備と現場教育に必要な工数の目安

事例に出てくる費用は、多くの場合システム費用です。実際の総額を押し上げるのは、品目マスタ・工程マスタ・設備マスタの整備工数です。品目が数千件あり、図番の表記が拠点ごとに揺れている状態なら、名寄せと採番規則の統一だけで数か月かかります。

教育も見落とされがちです。タブレット入力を現場に定着させるには、操作説明だけでなく、入力した実績が何に使われるかの共有が要ります。入力が増えるだけで自分たちに返ってこないと受け取られた時点で、記録の精度が落ちていきます。並行運用の期間も見積もりに入れてください。紙と画面の二重運用を1〜2か月置く前提なら、その間の残業増も費用です。いずれも事例集の成果数値の外側にあるコストで、見積書の項目立てを見る判定材料になります。

事例が再現しない失敗パターンと、DXに着手しない方が良い条件

ここでは判断を言い切ります。成果が出ない事例には共通の構造があり、条件によっては着手しない選択が正解になります。

PoC倒れに共通する構造｜評価指標を決めずに始めた実証実験の末路

PoCが本番へ進まない最大の原因は、技術の限界ではなく合否基準の不在です。「まず試してみる」で始めた実証は、終了時に判断材料が揃わず、担当者の感想で結論が出ます。感想は組織を動かしません。

回避策は単純で、開始前に3つを文書化することです。測る指標と現状値、本番移行と判定する数値、そして判定日。センサー監視なら「対象3台の突発停止時間を年間40時間から24時間へ、6か月後に判定」という粒度まで落とします。ここまで書けない段階なら、実証ではなく現状値の測定から始めるべき段階です。

PoCの範囲を広げるのも失敗要因になります。1ラインの1工程に絞り、対象設備を3台以内に留めるほうが判定が速い。全社展開の議論はデータが出てからで足ります。

データが無い状態でAIから入る失敗｜先に用意する記録の種類と粒度

「AIで不良を判定したい」という相談で、判定の正解となる記録が存在しないケースは珍しくありません。不良は現場で選別され、選別の理由は記録されず、月末に不良率だけが集計される。この状態では学習も評価もできません。

先に用意すべき記録は3種類あります。不良の分類コード（現場の呼び名を統一した一覧）、発生した工程と設備、そして判定に使った基準です。画像を使うなら、撮像位置・照明条件・解像度を固定した状態で、良品と不良の両方を蓄積します。撮像条件が途中で変わった画像は、学習データとして混ぜられません。

記録の設計に3か月かけてからモデル検討へ進む計画は、遠回りに見えて実際は最短です。逆にモデルから入った案件は、データ収集のやり直しで半年単位の遅れを生みます。

DXに着手しない方が良い条件｜受注形態と工程数から見た判断線

次の条件に当てはまる工場では、センサーやAI検査への投資は過剰です。月産数十台の一品一様な受注生産で、工程数が10未満、設備が数台。この規模なら、稼働状況は現場を歩けば把握でき、監視システムの情報量は現場の目に勝ちません。

この場合の1手目は、見積・受注・工程・原価の情報が紙と表計算に分散している状態の整理です。図面の版管理と、見積時の想定原価と実績原価の突き合わせができるようになるだけで、赤字受注の発見という具体的な成果が出ます。予知保全は、設備が増えて保全担当が現場を回り切れなくなった時点で再検討すれば間に合います。

もう1つ見送るべき条件があります。基幹システムの更新が1年以内に決まっている場合、周辺の見える化ツールを先に入れるのは避けてください。データの持ち方が変わり、作った連携が無駄になります。順序は基幹側の要件確定が先です。

事例の型を自社で再現する体制｜内製と外注の線引きと補助金の使い所

事例の型が決まったら、次は誰が作るかの判断です。ここを曖昧にしたまま製品比較へ進むと、要件が固まらないまま見積を集める展開になります。

既製パッケージで足りる範囲と個別開発に切り替える判断の分岐点

既製のパッケージで足りるのは、生産形態が繰返し生産に近く、原価計算の方法が一般的で、既存設備からのデータ取得に標準的な手段がある場合です。分岐が生じるのは3つの条件のどれかに当たったとき。受注形態が個別受注で工程が案件ごとに変わる、原価配賦に自社固有の規則がある、設備の通信規格が古く変換が必要になる。この3つは既製品の設定範囲を超えやすい領域です。

現実的な構成は組み合わせです。実績収集と在庫管理は既製品、独自の原価計算と得意先向けの帳票は個別開発、という切り分けが工数と保守性の両面で収まりやすい。生産管理システム開発では、既存の基幹システムを残したまま工程実績と原価の部分だけを作る形の相談も受けています。どこまで既製品で足りるかの線引きから一緒に整理する進め方です。

内製で作る判断は、社内に開発できる人員が2名以上いて、退職時の引き継ぎが成立する場合に限ってください。1名で作った表計算マクロや小規模アプリが属人化し、数年後に触れなくなる事態は、事例の裏側で頻繁に起きています。

補助金と自己資金の切り分け｜申請前に固めておく要件と体制の粒度

補助制度を使う場合、申請の都合で計画を膨らませないことが要点です。採択されやすい構成を優先して対象範囲を広げ、結果として現場が回らなくなる案件があります。順序は、投資回収の試算で自己資金でも成立する範囲を決め、その範囲内で対象になる費目を制度に当てはめる形です。

申請前に固めておくのは、導入するシステムの機能範囲、成果指標と目標値、社内の推進担当者、そして稼働開始の時期です。この4点は補助金の事業計画にも、ベンダーへの提示資料にも同じ内容で使えます。制度の枠組みや対象範囲はデジタル化・AI導入補助金の枠と補助額、AIツールの対象範囲で整理しています。省力化投資補助金との使い分けや、補助金ありきで動いたときに起きる失敗は中小製造業のDXを補助金と人材不足の前提から整理した記事にまとめました。

補助金の交付決定前に発注すると対象外になる制度が多い点にも注意が要ります。稼働希望日から逆算した工程表を、申請の時期と合わせて引いておいてください。

よくある質問

製造業のDX事例を調べる場面で問われることの多い5つに答えます。

製造業のDX事例はどこで探すのが確実ですか？

経済産業省とIPAのDXセレクションのような公的な選定事例から入るのが確実です。中堅・中小企業等が対象で、取組内容に加えて推進体制や意思決定の経緯まで記載されているため、自社に移すときの判断材料が揃います。二次まとめ記事は候補の広さを見るために使い、気になる企業があれば選定資料や企業自身の公表資料で前提条件を確認する流れが安全です。業種で絞るより、生産形態と従業員規模で絞ったほうが近い事例に当たります。

中小規模の工場でも再現できる事例はありますか？

あります。再現性が高いのは工程の見える化で、紙の日報をタブレット入力や設備信号の取得に置き換える型です。設備を新調せず、既存設備の稼働信号と作業者の入力で成立するため、初期費用を抑えられます。DXセレクションが中堅・中小企業等を対象にしている点も、規模の近い事例を探しやすい理由になります。逆に、AI外観検査は不良画像の蓄積が前提になるため、不良の発生数が少ない工場では成立しにくい傾向です。

DXの成果はどのくらいの期間で出ますか？

類型によって差があります。工程の見える化は、実績入力が定着してから3か月ほどでOEEの分解ができるようになり、改善対象の特定という形の成果が出ます。予知保全は、季節変動を含めた判定に半年から1年の監視データが必要です。AI外観検査は画像の蓄積期間が数か月かかるため、判定精度の評価まで含めると1年近く見ておく計算になります。短期で数字を求められる場合は、見える化から着手する順序が現実的です。

予知保全とAI外観検査はどちらから着手すべきですか？

止まると後工程まで連鎖する設備があるなら予知保全、流出不良によるクレーム対応費が発生しているならAI外観検査です。判定は損失額の大きさで行います。突発停止の累計時間と停止1時間あたりの損失額、流出不良の件数と1件あたりの対応費を並べ、金額の大きい側から着手してください。どちらの損失も記録が無い場合は、その記録を取る仕組みを先に作る段階にあります。

事例に出てくる費用感はどの程度参考になりますか？

システム費用の桁を掴む目的なら参考になりますが、総額の見積には使えません。事例の費用にはマスタ整備の工数、現場教育、並行運用期間の残業といった社内コストが含まれていないことが多いためです。品目マスタが数千件あり表記が揺れている状態なら、整備だけで数か月分の工数が乗ります。見積を比べるときは、マスタ整備支援と立ち上げ時の同行が項目として入っているかを確認してください。

関連記事

• 製造業のDXとは？課題・進め方・つまずかない導入手順を解説：DXが必要な背景、効く領域、現場起点で進める手順を基礎から整理しています。
• 生産管理システムを製造業が導入するには｜工程管理・BOM・原価連携で選ぶ判断軸：見える化の事例を実装に落とすときの選定軸と、パッケージか個別開発かの分かれ目を扱っています。
• 製造業の在庫管理システムとは？部品・仕掛品・製品の管理とMRP・生産管理連携の選び方：在庫類型の事例を進める際の管理単位とMRP連携の考え方をまとめました。
• 製造業の品質管理とは｜受入・工程内・出荷検査と不適合管理をシステムで回す進め方：検査記録のデジタル化と不適合の是正処置を回す仕組みを解説しています。
• デジタルツインとは？意味・仕組み・事例と導入の判断基準を実装目線で解説：見える化の先にある工程シミュレーションの成立条件を整理しています。