本連載は、2026年6月にシンガポールで開催されたSuperAI 2026の議論を「AI活用の競争軸の変化」という切り口で、6つのテーマを軸に読み解いている。
第3回で取り上げる「③Physical AI（物理世界への接地）」と「④Enterprise AI（AI-Native化する組織）」では、AIに何をどこまで「任せられるか」という問いが、物理世界と組織という2つの領域で問われる。一方ではAIが物理世界に接地して現場オペレーションそのものになり、もう一方ではAIが組織のコア業務に入り込む。
本稿では、両領域でAIに何をどこまで任せられるのか、現地で示されたことと、そこから得られる示唆を述べる。
Physical AI（物理世界への接地）
事前仮説
視察前、筆者はPhysical AIについて、ヒューマノイドロボットの進化が中心テーマになると想定していた。生成AIが言語、画像、動画の世界で急速に進化したように、次はAIが身体を持ち、人間に代わって物理作業を行う段階に進む、という見立てである。
このように見立てた背景には、人型ロボットが歩き、走り、踊り、荷物を運ぶ姿が近年メディアで広く取り上げられていることがある。そのため今回のSuperAIでも、ヒューマノイドが労働力不足を解決し、人間の仕事を大きく代替する未来像が語られると考えていた。
現地で示されたこと
現地の議論は、事前仮説よりも現実的だった。Physical AIの焦点は「人型ロボットがいつ普及するか」ではなく、「AIが物理世界の複雑性をどう理解し、どう行動できるか」にあった。ヒューマノイドの普及時期は論点の中心ではない。示された具体的な論点は次のとおりである。
ⅰ. ヒューマノイドによる人間代替は、短期的には過剰期待であると冷静に補正された
「Robotics and the Rise of Physical AI」というセッションでは、短期的な過剰期待に対して冷静な見方が示された。シンガポールWeston Robotのチーフ・サイエンティスト Yanliang Zhang氏は、ヒューマノイドロボットについて「今後数年間は心配しなくていい。ヒューマノイドはあなたの仕事を奪わない」という趣旨の発言を行った。これは、メディアで語られる“人間代替”のイメージに対する現実的な補正だった。
デモ映えする動作と、実世界で役に立つ作業はまったく異なる。特に印象的だったのは、現在のロボットの限界を示す発言である。同氏は、「ロボットはダンスも、ボクシングも、カンフーもできる。しかし今日、トイレ掃除はできない」と述べた。ステージ上で華麗に動くことと、家庭や工場、街中で安定して働くことの間には大きな隔たりがある。
ⅱ. 物理世界では、安全性が新たな実装制約になる
Physical AIでは、AIが画面上で回答する場合とは異なり、判断や動作が現実の人、設備、空間に影響を及ぼす。そのため、AIモデルの性能だけでなく、誤作動時の停止、周辺環境の認識、人間との距離、責任分界、保守体制など、安全性の設計が不可欠になる。
この論点は、単なるロボット技術の問題にとどまらず、ガバナンスやセキュリティにもつながる。Physical AIにおける安全性の詳細は、第4回の⑥Governance & Securityで改めて扱う。
ⅲ. LLM、Foundation Model、World Model、VLAの統合により、Physical AIの可能性は大きく開けている
一方で、Physical AIの可能性が非常に大きいことも示された。Sony Researchのシニア・エグゼクティブ・デイレクターであるMichael Spranger氏は近年の進展について、「LLM（大規模言語モデル）、Foundation Model（基盤モデル）（＊1）、World Model（世界モデル）（＊2）、Vision-Language-Action（VLA）（＊3）が同時にオンラインになっている」と述べた。これは、言語理解、視覚認識、環境理解、行動生成が統合されつつあることを意味する。
LLMはロボットに人間の指示を理解させ、VLAは画像や映像を見て言語指示と結びつけ、具体的な行動に変換する。World Modelは物理世界の状態変化を予測し、行動の結果をシミュレーションする。これらが組み合わさることで、ロボットは単なる自動機械ではなく、環境を理解し状況に応じて判断する存在へと近づく。
（＊1）Foundation Model（基盤モデル）：大量かつ多様なデータで事前学習され、さまざまな用途に応用できる大規模なAIモデル。個別タスク向けに調整（ファインチューニング）することで、多様な下流タスクの土台として機能する
（＊2）World Model（世界モデル）：AIが外界の仕組みや物理法則、事物の因果関係を内部に表現・学習し、次に何が起きるかを予測できるようにするモデル。実世界を理解し行動を計画するための基盤となる
（＊3）VLA：Vision-Language-Action（視覚・言語・行動）モデル。視覚情報と言語指示を統合的に理解し、それをロボットなどの具体的な動作（行動）へと変換するAIモデル。「見て」「言葉を解釈し」「動く」を一体的に扱う
ⅳ. 短期的に普及が進むのは、ヒューマノイドではなく特定用途に特化したPhysical AIである
セッションでは、自動配送ロボット、清掃ロボット、警備ロボットなど、特定用途に特化したPhysical AIの事例が語られた。シンガポールQuikBot TechnologiesのCEO Alan Ng氏は、人型に限らず自動配送や清掃、警備ロボットなども含めてPhysical AIを広く捉えており、今後3年ほどで一般的な商業ビル1棟あたりに6〜10台のロボットが入ってくる可能性があると明言していた。
（参考セッション：Robotics and the Rise of Physical AI）
示唆
– Physical AIの本質は「物理世界への接地」にあり、AIは分析用途から現場オペレーションそのものへと移行する
現地の議論が示したのは、Physical AIの本質が「AIが人間の形を取ること」ではなく、「AIが物理世界に接地すること」にあるという点だった。
短期的には、倉庫、物流、警備、清掃、点検、製造ライン、店舗運営、インフラ保守など、環境が比較的限定され、タスクを明確に定義できる領域から導入が進む可能性が高い。こうした領域では、ヒューマノイドロボットよりも、特定業務に最適化されたロボットや、既存設備にAIを組み込むアプローチの方が現実的である。
製造業にとっては、Physical AIは現場DXの次の段階になり得る。これまでの工場DXが設備データの可視化、予兆保全、品質分析などデータ活用を中心としてきたのに対し、今後はAIが現場の状況を認識し、作業計画を立て、ロボットや設備に指示を出し、結果をフィードバックする方向へ進む。AIは分析用途ではなく、現場オペレーションの一部になるのである。
– 実装はAIモデル単体では完結せず、ハードからエコシステムまでを含む総合設計が求められる
物理世界では、サイバー空間とは異なる制約が前面に出る。Physical AIの実装には、AIモデルだけでなく、ハードウェア、センサー、通信、エッジコンピューティング、ローカル実行、保守体制が必要になる。さらに、遅延、故障、電源、重量、耐久性、バッテリー、環境変化といった物理的制約も課題となる。
したがって実装は単独のAIベンダーでは完結しない。ロボットメーカー、製造業、通信事業者、クラウド事業者、保険、規制当局を含むエコシステム全体での取り組みが求められる。AIモデルの進化だけを見ても、Physical AIの実装可否は判断できない。エコシステム全体を含めて設計できるかが成否を分ける。
Enterprise AI（AI-Native化する組織)
事前仮説
筆者が持っていた仮説は3つである。
1つ目は「個人の時間削減は、そのまま組織全体の生産性向上をもたらす」ことだ。従業員一人ひとりの労働時間が削減されれば、その「余剰時間の総和」に比例して、組織全体の付加価値や競争力が高まるはずだ、という見立てである。
2つ目は「変革の成功は、全社一律支給による利用量に比例する」ことだ。全従業員に一律でアカウントを支給し、日常業務でのログイン頻度やトークン消費量といった指標をKPI（重要業績評価指標）として引き上げることこそが、組織変革の進捗を測れるという考え方である。これは事前のリサーチからだけでなく、さまざまなコンサルティング支援を通じ、日本の大企業においてこの考え方が一般的になっていると実感している。
3つ目は「実務適用における最大の関門は、プロトタイプを組む実装力である」ことだ。これは企業がAIを業務に組み込む上でのボトルネックに関する仮説である。膨大な選択肢から自社に最適なLLMモデルを選定すること、そして実務に耐えうるプロトタイプをエンジニアが迅速に立ち上げる開発スピード、すなわち「実装のHow」の難易度こそが、変革の成否を分ける最大の壁であるという見立てである。昨今、 “FDE” （＊4）という言葉が注目を浴びている理由もこれに起因すると考えている。
（＊4）FDE：Forward Deployed Engineer（フォワード・デプロイド・エンジニア）。顧客先に深く入り込み、現場の課題を直接理解しながらソフトウェアの導入、開発、実装を行うエンジニア。顧客の業務にあわせた実装と価値創出を担う
現地で示されたこと
ⅰ. 単なる作業効率化からの脱却と、ビジネスモデルの再創造
個人の時間削減や一律支給による利用拡大が組織の生産性を高めるという事前仮説に対し、現地で示された現実は遥かに先をいっていた。ドキュメント作成量を増やすような近視眼的な活用は、狭い用途にとどまるとされた。最先端のAIネイティブ企業は、AIを既存業務に付け足すのではなく、生産プロセスのボトルネックへ的確に「再マッピング」し、労働集約型ビジネスをソフトウェア型へと変貌させている。
ⅱ. 組織構造のフラット化と、3人以下の自律型チーム（Pod）への変貌
仮説に反し、現地ではAIエージェントの台頭によって「デザイン」「プロダクト」「エンジニアリング」の職種の境界が融合していることが示された。これに伴い、AIネイティブ企業は従来の管理型組織から脱却し、マネジメント層を約15%減らしたフラットな構造へ移行している。
また、10人規模のチームは不要となり、各Podのリーダーを「ミニCEO」とする少数精鋭（最大3人程度）の自律型チームに細分化し、並行して大量のプロジェクトを動かす構造が最適であると語られた。エンジニア自身も、実装方法（How）ではなく、設計の目的（Why）に集中することが求められている。つまり、「組織そのものをフラットにし、役割を融合した少数精鋭の自律型チームへと刷新する」ことこそが、AI時代における真の生産性向上の条件であると示された。
ⅲ. 概念実証（PoC）から本番環境への移行を阻む「ガバナンスと信頼」の壁
AIプロジェクトの85%以上がPoCを超えられずに本番環境へのスケールに失敗していると言われている。その原因は技術そのものの難しさではなく、既存フローにAIをただ付け足すだけで終わる問題や、従業員の3分の1が許可なく機密情報を外部チャットに流してしまうようなセキュリティの壁である。
これを解決するため、特定のクラウドに依存せず外部から遮断された環境での運用や、AIエージェントに対して新入社員のように信頼度に応じて段階的に情報を開示していく設計（Progressive Reveal（＊5））、さらには思想をAI自身が理解できる形式でドキュメント化する（Legible to agents（＊6））といった、独自の信頼、ガバナンス基盤の構築が実務適用の鍵であると示された。
（＊5）Progressive Reveal（段階的開示）：情報や機能を一度にすべて提示せず、利用者の状況や進行度に応じて段階的に見せていく設計手法。認知的な負荷を抑え、必要な情報を適切なタイミングで提供する
（＊6）Legible to agents（エージェントにとって可読な状態）：Webサイトやデータ、システムなどが、AIエージェントにとって理解、解釈しやすい形で構造化、整備されている状態。人間だけでなくAIが自律的に読み取り操作できることを指す
（参考セッション：Enterprise AI Transformation）
（参考セッション：Tools and Roadmap for AI-Native Developers）
（参考セッション：The AI-Native Firm: The New Economics of Building Companies ）
（参考セッション：A New Way to Work: How We Made Our Team AI Native）
（参考セッション：The 100x Company: Rebuilding the Business Around AI）
示唆
– 「ツールの導入」から「コア生産プロセスのプロダクト化」へのシフト
企業がAIの恩恵を受けるためには、チャットボットを導入するだけでなく、自社の価値創造を阻んでいる最大のボトルネックを特定し、そのコア業務自体をAIエージェントが自律駆動するプロダクト（コード）へと置き換える業務再設計が不可欠である
– 中間の管理階層を排除し、現場の「主体性」に委ねる組織へ変革
AIによって個人の能力が引きあがる時代に進捗管理を行うだけの中間管理職は不要になる。組織を徹底的にフラット化し、現場の少数精鋭チーム（3人以下の自律型Podなど）に意思決定の権限（ミニCEO化）と専用のAI環境を支給することが必要である。
– AIへの適切なタスク配分を実現するガバナンス基盤の構築
大量のタスクをエージェントに委譲しても、最終的な「何が正しいか」の判断は人間にしかできない。人間が安心して判断に集中し、AIに自律的な行動を任せるためには、情報の壁を取り除きつつも、行動を可視化、監査できる安全なガバナンス、データ基盤の高度化を最優先で進める必要がある。
おわりに
Physical AIが示したのは、AIの本質が人間の形を取ることではなく、物理世界に接地することにあるという点だった。短期的には、環境が限定され、タスクを明確に定義できる領域から導入が進み、その実装はAIモデル単体ではなく、ハードからエコシステムまでを含む総合設計を要する。Enterprise AIでは、AIを既存業務に付け足すのではなく、コア業務そのものをプロダクトとして再設計し、組織をフラットな少数精鋭チームへ刷新することが生産性向上の条件として示された。いずれも、モデルの性能だけでは現場への接地も組織への定着も実現しないという現実を浮き彫りにしている。
最終回となる次回は、⑤Industry Use Casesと⑥ Governance & Securityを取り上げる。
