M&A事例から読む現場AI関連産業の再編|ローカルAI・エッジAI・フィジカルAIと事業領域の拡張

業界別M&Aレポート 第3回|情報確認基準日:2026年11月22日

本シリーズの視点

本シリーズでは、BtoB領域のモノづくり企業のM&A・資本提携事例を起点に、企業がどのような技術、製造基盤、顧客接点を取得・補完し、事業を広げているかを考察します。その背景にある市場・技術の変化を整理し、企業間の補完関係や競争条件を読み解きます。

第3回は、ローカルAI・エッジAI・フィジカルAIの普及に伴う産業用コンピューター、組込ソフトウェア、制御技術、システム導入・保守サービスの変化を取り上げます。実際のM&A・資本提携と導入効果を手掛かりに、買手・売手双方の合理性を検討します。

経営者の皆様へ

AIは、社内で利用する情報処理の道具から、製造設備やロボットの内部で継続的に働く技術へと用途を広げています。その過程で、AIを開発する能力とともに、現場の設備に組み込み、安全に動作させ、継続的に保守する能力の重要性が高まっています。

この変化は、AI専業企業だけでなく、産業用PC、検査装置、制御、組込ソフトウェア、FAエンジニアリングを担う中堅・中小企業にも新たな機会と経営課題を生みます。既存事業の競争力をどこで維持し、どの機能を他社と補完するかが、事業戦略と資本政策の論点となります。

本稿の要点

① 企業のAI利用は急拡大していますが、生成AIとフィジカルAIでは導入段階が異なります。AIが業務から現実の設備へと広がるほど、実装・運用能力が重要になります。

② ローカルAIの経済性は、設備費、利用量、モデル性能、運用・保守費などに左右されます。製造現場では、通信遅延、品質改善、設備停止の回避、横展開の容易さも投資効果を決めます。

③ AIの現場導入にはセンシング、組込ソフトウェア、制御、安全設計、更新・保守が必要です。初期の導入需要は、AI企業と製造現場に精通したSIer・エンジニアリング企業の双方に機会を生みます。

④ オムロン、ルネサス、TDKなどによる技術取得や、NTTグループとMujinの提携は、AIを現場で機能させる経営資源の補完を示す事例です。

⑤ 企業価値を考える際には、現在の受託工数だけでなく、顧客接点、装置との接続能力、継続保守、独自ソフトウェア、技術の横展開力に着目する必要があります。

1. AI導入の拡大と、用途による普及段階の違い

AIの企業利用は世界的に拡大しています。OECDによれば、企業のAI利用率は2023年の8.7%から2024年14.2%、2025年20.2%へ上昇しました。2年間で約2.3倍です。[1]

もっとも、普及には国・企業規模による差があります。欧州では北欧諸国の企業の利用が先行し、大企業ほど導入率が高い傾向がみられます。

OECD「Digital Economy and Society Outlook 2026」の国際比較では、2025年のAI利用率はデンマーク42.0%、フィンランド37.8%、ドイツ26.0%、OECD平均20.3%となっています。一方、日本の掲載値9.2%は2023年の調査結果で、2025年の各国数値と同年の順位として比較できません。[13]

国・地域AI利用率データの時点
デンマーク42.0%2025年
フィンランド37.8%2025年
ドイツ26.0%2025年
OECD平均20.3%2025年
日本9.2%2023年(比較時点が異なる)
表1|企業のAI利用率の国際比較。対象は原則として従業員10人以上。日本は調査年が異なるため、2025年の水準を示すものではありません。出所:OECD(2026年11月)。
8.7%2023年
14.2%2024年
20.2%2025年
図1|OECDにおける企業のAI利用率の推移。出所:OECD。

ここで重要なのは、AIの用途ごとに導入段階が大きく異なることです。野村総合研究所(NRI)が2026年11月に公表した国内企業調査では、生成AIの「導入済み・導入推進中」が73.1%に達した一方、フィジカルAIは4.4%でした。フィジカルAIを「導入検討中・今後検討したい」とする回答は45.9%です。対象は主に大企業であり、日本企業全体の導入率を示すものではありません。[2]

ここでいう生成AIは文章・画像などのコンテンツを生成するAI、AIエージェントは目的に応じて複数の処理・ツール操作を組み立てて実行する仕組み、AI駆動開発はプログラムの作成・修正・テストなど、ソフトウェア開発にAIを活用する方法、フィジカルAIは周囲の状況を認識・判断し、ロボットや機器の物理的な動作につなげるAIを指します。AIエージェントやAI駆動開発は生成AIを活用する場合があり、これらは排他的な分類ではありません。

また、同調査では、生成AIによる効果について「いずれの指標も測定していない」とする企業が49.1%に達しています。調査対象企業の半数近くで効果測定が行われていないことは、導入後の成果を可視化し、改善につなげる支援需要を考える手掛かりになります。[2]

生成AI
73.1%
AIエージェント
36.7%
AI駆動開発
27.5%
フィジカルAI
4.4%
図2|国内主要企業での技術別導入・推進状況(%)。調査対象・設問定義はNRI公表資料による。横棒の長さは100%を基準に表示。

本稿の考察

文章生成や情報検索ではAIを「使う」ことが先行しました。今後、AIエージェントやフィジカルAIが普及するにつれて、既存業務・装置への接続、実機検証、運用・保守といった技術の重要性が増すと考えられます。

2. AIの実行場所と産業構造

2.1. 集中と分散は同時に進む

AIの処理は、モデルを構築・改良する「学習」と、学習済みモデルを使って生成・認識・判断を行う「推論」に大きく分けられます。最先端モデルの学習には巨大なデータセンターが重要です。一方、モデルの小型化や量子化、専用半導体の発展により、推論の一部を企業内サーバーや産業機器でも実行しやすくなっています。

Stanford大学の「AI Index Report 2025」では、一定の性能水準を持つモデルをAPIで利用する価格が短期間に大きく低下したことが示されています。これは自社設備費用の低下率そのものではありませんが、AIの推論利用を取り巻く費用構造が大きく変化していることを示します。[3]

なお、ローカルAIは自社のPCや社内サーバーなど、利用者が管理する環境でAIを実行することを指します。エッジAIはカメラ、設備、工場内の産業用PCなど、データの発生源に近い場所でAIを実行することを指します。「ローカル」は主にクラウドと対比した運用場所・管理主体、「エッジ」はデータの発生場所との距離に着目した呼び方です。工場内の自社管理PCで画像判定をする場合は、両方に該当します。一方、社内の大規模サーバーで一般事務用のAIを使う場合はローカルAIでも、必ずしもエッジAIではありません。

クラウドAI/大規模データセンター

高性能な汎用推論・学習・複数拠点の集約管理

↕ 処理内容・性能・費用に応じて使い分け ↕
企業内ローカルAI

社内データ・継続的な業務処理

工場・機器側のエッジAI

画像検査・異常検知・即時判断・制御への連携

図3|クラウドAI、企業内ローカルAI、エッジAIの役割分担を示す概念図。

2.2. エッジ化によって必要となる企業群

AIの実行場所が工場や設備の近くへ広がると、モデル開発企業だけでなく、産業用コンピューター、半導体、センサー、画像処理、組込ソフトウェア、制御、設備保守など、複数分野の企業が関わります。ここでは、データが発生する現場の条件に応じ、機器の処理能力、耐環境性、通信、信頼性を合わせ込む必要があります。

3. クラウドとローカルの経済合理性

3.1. API利用と自社設備を比較する

AIを自社設備で動かす経済性は、利用量、モデルの性能、処理速度、設備投資、電力、運用・保守費用などによって決まります。

まず、文章を生成するAIの利用を例に、費用構造を比較します。画像検査やロボット制御では必要なモデル、処理量、設備が異なるため、この試算をそのまま適用することはできません。

例えばGoogleのGemini 2.5 Flashの標準API料金を、入力100万トークン当たり0.30米ドル、出力100万トークン当たり2.50米ドルとします。1回の処理に入力2,000トークン、出力500トークンを使い、為替を1ドル150円と仮定すると、1回当たり約0.28円です。[4]

これに対して、AI専用コンピューターを120万円で取得し3年間使うと仮定します。設備費は月当たり約3.3万円、電力約0.86万円、社内運用管理2万円、保守・その他0.5万円で、月額約6.7万円です。外部運用委託を選ぶケースでは、社内運用管理2万円を仮定上の委託費8万円に置き換えると、月額約12.7万円となります。

月間処理回数クラウドAPIローカル・社内管理ローカル・外注管理
1万回2,775円約6.7万円約12.7万円
10万回2.8万円約6.7万円約12.7万円
30万回8.3万円約6.7万円約12.7万円
50万回13.9万円約6.7万円約12.7万円
表2|クラウドとローカルAIの月額費用の試算。クラウド料金のみ公表単価、その他は説明用の仮定。

【処理能力に関する留意点】月間24万回の処理(1回当たり出力500トークン)には、30日間連続稼働で出力平均約46トークン/秒、月間46万回には約89トークン/秒が必要です。これらは出力だけの平均値です。実際には入力処理、ピーク時の同時利用、停止・保守時間、障害時の余力も考慮する必要があります。120万円の設備1台が必要な処理量や品質を実現できると確認したものではありません。税、資本コスト、冷却設備等も試算には十分反映していません。

計算上の費用が均衡するのは、社内管理ケースで月間約24万回、外注管理ケースで約46万回です。これは同等の業務品質と処理速度を実現できると仮定した損益分岐点であり、実際のモデル選定・設備構成・保守条件によって変わります。

より低価格なクラウドモデルで業務に必要な品質を確保できる場合には、自社設備の購入費用を回収しにくくなります。一方、継続的かつ大量の処理がある場合には、自社設備が経済的となる余地が広がります。

さらに、GPUの性能向上とメモリ容量の拡大も、ローカル化の採算を左右します。同じ価格帯の設備でより多くの処理を実行できれば、処理1回当たりの設備費を引き下げられるからです。従来はローカル環境で動かせなかったモデルが、新しいGPUで利用可能になることもあります。例えばNVIDIAのワークステーション向け「RTX PRO 6000 Blackwell」は96GBのGPUメモリを搭載しています。[15]

ただし、性能向上が速い局面では、購入したGPUが比較的短期間で旧世代となる可能性もあります。新しいGPUへの更新で処理単価が下がる場合、古い設備を長期間使い続ける前提の試算は見直しが必要です。また、クラウド事業者も新型GPUを採用するため、GPUの進歩がローカル側だけを有利にするわけではありません。購入時の処理性能だけでなく、設備価格、必要なメモリ容量、電力効率、更新周期、更新時に旧設備を転用・売却できるかを合わせて比較することが重要です。

実際の導入判断では、まず同じ業務を十分な品質で処理できるモデル同士を比較しなければなりません。ローカルAIが採算に合うには、単なる年間利用回数の多さだけでなく、継続的な利用需要、現場に必要なモデル品質、実際のGPU処理能力、運用を担う人材・外部委託の費用がそろう必要があります。重要な機密情報を扱う企業でも、クラウドGPUの専有利用や外部のマネージドサービスを含め、複数の選択肢を比較するのが合理的です。

3.2. 製造現場では、推論費用以外の要素が加わる

工場の20台のカメラが各2Mbpsで24時間×30日間映像を送ると、データ量は月間約13TBです。現場で必要な映像を解析し、判定結果だけを送る構成なら、通信負荷の軽減が期待できます。

さらに、品質改善や設備停止の回避、判定の遅延を防ぐことによる経済効果は、API料金の削減額を上回る場合があります。なお、クラウド方式でもデータの抽出・圧縮が可能であり、比較は各工場の運用条件に依存します。

経営上の検討点

設備を自社保有するか、クラウドを使うか、運用を委託するかは別々に検討できます。導入のROIは、処理費用の差額だけでなく、品質、稼働率、業務上のリスク、必要な人材まで含む総費用・総便益で判断することが重要です。

4. 機器へのAI実装とフィジカルAI

4.1. 学習済みモデルを機器へ導入し、現場で実行する

AI画像検査を例にすると、製品画像を用いてAIモデルを学習・調整し、機器向けに最適化した後、実行ソフトウェアとともに産業用PCや装置へ導入します。必要なモデルと実行環境があれば、インターネットを経由せず判定することも可能です。

ただし、AIモデルを設置するだけでは製品になりません。カメラやセンサーからのデータ取得、前処理、推論結果の受け渡し、PLCなどへの制御連携、安全性の確認が必要です。人や設備に危険が及ぶ工程では、安全停止などの機能をAIの判断だけに委ねず、別途設計する必要があります。

クラウド・開発用PC

データ収集 → モデル学習・検証 → 機器向け最適化

↓ モデルと実行ソフトを配信・導入 ↓
① 入力

カメラ・センサー

② 前処理

入力データの変換

③ AI推論

検出・判定

④ 機器連携

通知・選別・制御

↕ 監視・検証・更新・切り戻し ↕
設備メーカー・SIer・保守事業者

品質・安全・継続運用を支援

図4|エッジAIの開発・実装・運用の流れを示す概念図。

このとき、AIは状況の認識・推定を担い、緊急停止、動作範囲、インターロックなどの安全機能は、AIモデルの推論結果だけに依存しない設計が必要です。工場への実装で重要なのは、AIの精度と制御・安全技術の組み合わせです。

4.2. フィジカルAIが増やす実装上の要件

フィジカルAIは、現実世界を認識・判断し、ロボットや機器の動作につなげる技術です。物理的な行動を伴うため、推論精度だけでなく、応答時間、センシング、制御、安全設計、異常時の動作が一体的に問われます。

AIモデルの学習やシミュレーションは大規模な計算基盤で行い、動作に関わる推論を装置側で実行する構成も考えられます。ここに、従来の制御系エンジニアリングや産業用ソフトウェアの蓄積が活きます。

5. 現場AIの導入効果と横展開

産業用AIの普及を評価するうえでは、実際の投資対効果と、多くの現場へ展開できるかが重要です。

SiemensとP&Gは2026年9月、AIによる品質検査を複数の生産拠点へ展開すると発表しました。P&GのAIモデルとSiemensのIndustrial Edge基盤等を組み合わせ、製品に応じて廃棄率を10〜20%削減し、新規導入を従来の個別設計型画像検査システムより5〜10倍速く立ち上げられるとしています。[5・12]

また、SiemensのRastatt工場の事例では、検査結果の手動確認に要する時間を60%削減し、初年度の費用削減効果は約16万ユーロと報告されています。[6]

導入事例公表された改善効果事業上の示唆
P&G × Siemens製品に応じて廃棄率10〜20%削減、新規導入5〜10倍速共通基盤による複数拠点への横展開
Siemens Rastatt手動での検査結果確認時間60%削減、初年度約16万ユーロ削減検査品質と現場工数を同時に改善
表3|現場AIの導入成果。指標と評価期間が異なるため、数値の大小を直接比較するものではありません。

本稿の考察

注目したいのは、最初の1拠点でAIが動くことに加え、2拠点目以降への導入を速く、安く、確実にできることです。機種や工程ごとに必要な調整が残るとしても、モデル配信、計算基盤、管理画面、検証手順を共通化できれば、提供企業の成長余地が拡大します。

6. 導入・保守を担う企業の事業機会

6.1. 普及初期の需要は、現場実装を担う企業にも向かう

AIモデルが高度化しても、企業が容易に現場へ導入できるとは限りません。画像検査では撮像条件、既存設備との接続、品質検証が必要です。ロボットでは制御・安全設計に加え、設備の改造や実機調整が生じます。中堅・中小企業がこれらをすべて内製することは容易ではありません。

こうした段階では、IT系SIer、FA系SIer、制御エンジニアリング企業、装置メーカー、保守会社などに需要が生じる可能性があります。特に既存設備を扱ってきた企業は、制御機器への接続や顧客の操業条件を理解している点で強みを持ちます。

工程主な役割需要を獲得し得る企業
構想・業務設計業務分析、費用対効果の試算IT系SIer、AI導入支援企業
機器接続・実機検証PLC、撮像、制御、安全設計FA系SIer、制御エンジニアリング企業
AI実装・製品化推論環境、組込ソフト、品質保証装置メーカー、組込ソフト企業
運用・保守モデル更新、精度監視、障害対応装置保守、AI運用基盤企業
表4|現場AIの導入工程と、収益機会を持つ事業者の整理。

6.2. AIのバージョンアップと運用管理

ローカル環境でも、新しいAIモデルを取得・配信し、従来のモデルと入れ替えることはできます。ただし、産業用途では、更新後に精度や処理速度が低下する可能性があるため、事前検証、一部設備への先行導入、段階的な展開、問題発生時の旧版への切り戻しが重要です。

また、AIシステムが正常に稼働していても、製造条件や製品の変化によって判断品質が低下することがあります。モデルの更新と、現場データを使った追加調整は異なる作業です。監視・データ収集・評価・更新を継続して行う運用体制が必要になります。

6.3. 誰に利益が蓄積されるのか

導入・保守の需要が増えても、顧客ごとに技術者を配置する事業では人員数が成長の制約となり得ます。一方、共通ソフトウェアや遠隔管理基盤を活用できれば、対象設備の増加を工数の同率増加なしに取り込める可能性があります。

ただし、現場ごとに異なる設備、安全基準、操業条件への対応は標準化しにくく、専門的な現場対応能力そのものが希少な経営資源となることも考えられます。 したがって、装置・AI基盤メーカーによる機能の標準搭載が進むほど、専門企業には「複数メーカーを横断した統合」「特定工程の品質・安全検証」「障害時の原因切り分けと復旧」という、代替されにくい機能への重点化が求められます。

経営上の検討点

AI導入・保守企業を評価する際には、人材数や案件単価に加え、再利用可能なソフトウェア資産、顧客との継続契約、管理する設備台数、標準化できる工程と個別対応が残る工程を分けて確認する必要があります。

7. 国内外のM&A・資本提携事例

7.1. 取得・補完される経営資源

公表時期・買手/対象取引形態取得・補完する機能主な戦略的意義
2026年10月
オムロン/Interlogic・OnLogic
買収契約。企業価値6億7,500万米ドル産業用PC、現場の計算基盤センシング・制御とエッジ計算機能の統合 [7]
2026年5月
ルネサス/Irida Labs
買収完了ビジョンAI組込ソフト半導体と認識ソフトの一体提供 [8]
2023年1月
TDK/Qeexo
買収発表AutoML、エッジAI開発環境センサーと現場AIの補完 [9]
2025年12月
NTTグループ/Mujin
資本業務提携ロボット制御・フィジカルAI通信・クラウドと現場実装の結合 [10]
2026年10月
鈴与シンワート/トッカシステムズ
70%取得契約企業向けAI導入・活用支援顧客業務への実装能力の取得 [11]
表5|AIの実装・導入支援に関連するM&A・資本提携の例。買収、買収契約、資本提携を区別して記載。

7.2. オムロン――産業用PCと制御技術の接続

公表事実:オムロンは2026年10月12日、米国Interlogic(OnLogicの親会社)の取得契約締結を公表しました。公表企業価値は6億7,500万米ドル(同社換算約1,046億円)で、取得完了は2027年1月を予定しています。オムロンは、OnLogicの堅牢な産業用PCと自社の高精度制御技術を組み合わせ、製造現場のデータ活用とフィジカルAIに向けたプラットフォーム開発を加速する方針です。買収後もOnLogicのブランドと顧客への直接販売モデルを維持し、独立した事業運営を続ける方針も示しています。[7]

本稿の考察

本件を単なる産業用PCメーカーの取得と捉えると、その戦略的意義を見落としかねません。オムロンのセンサーや制御機器は現場の情報を取得し、設備を動かす機能を担います。一方、産業用PCは、それらの情報を現場で処理し、AIによる推論やソフトウェアを実行する基盤となります。両者を組み合わせれば、データ取得から推論、制御への連携を、自社の製品開発と顧客提案に反映しやすくなります。

さらに、OnLogicのブランドや直販モデルを維持する方針は、買収後の経済合理性を考えるうえで重要です。既存顧客への販売を維持しながら、オムロンの制御機器顧客への新たな提案や、OnLogic顧客への制御技術の展開を狙う構造と考えられます。ただし、こうした相互販売や開発効果は将来の期待であり、その実現度は今後の製品統合や顧客採用によって左右されます。

また、エッジ計算基盤と制御機器が一体的に設計されるほど、独立した産業用PCメーカーや組込ソフトウェア企業にも新しい採用機会が生じる一方、主要プラットフォームが採用する仕様への対応力が重要になります。

経営上の検討点

本件で注目したいのは、買収後にどこまで技術を統合し、どこまで対象会社の独立性を維持するかという点です。共同開発による製品競争力の向上を図りながら、OnLogicが築いてきた顧客関係や事業運営上の強みを損なわないことが、買収効果の実現を左右すると考えられます。

7.3. ルネサス・TDK――半導体・センサーからAIソリューションへ

公表事実:ルネサスは2026年5月、ビジョンAI組込ソフトウェアを開発するIrida Labsの買収完了を発表しました。TDKは2023年1月、エッジAIのAutoML技術を持つQeexoの買収を発表しました。[8・9]

本稿の考察

半導体やセンサーの性能そのものに加え、取得したデータを解析・判断する能力まで提供範囲を広げる動きと捉えられます。AIソフトウェアを独立製品として販売するより、顧客の機器設計に組み込めることに戦略上の意味が生まれます。

7.4. NTTグループ・Mujin――フィジカルAIの実装能力を補完

公表事実:NTTとNTTドコモビジネスは2025年12月、Mujinとの資本業務提携を発表しました。通信・クラウド・AIと、ロボット制御・現場実装技術の組み合わせを目指しています。[10]

本稿の考察

現場の設備を実際に動かす技術と、デジタル基盤の双方が必要となることを示す資本提携です。技術の補完関係があっても、最初から全株式を取得する方法だけが選択肢になるわけではありません。

7.5. 鈴与シンワート――AI導入支援を買収で拡張

公表事実:2026年10月、鈴与シンワートはAI導入・活用支援等を手掛けるトッカシステムズの株式70%を取得する契約を締結しました。公表資料上の取得実行予定日は2026年11月30日です。産業用エッジAIに特化した取引ではありませんが、AIを顧客業務へ実装する能力の取得例です。[11]

本稿の考察

買手が保有する既存顧客基盤と、対象企業の導入・開発技術を組み合わせることで、AI導入支援サービスを短期間に拡張する狙いが考えられます。AI関連企業の評価では、現在の受託利益だけでなく、買手側で実現できる技術・顧客補完効果を検討する必要があります。

本件の2026年1月期実績については、売上高約5.75億円、営業損失約700万円と公表されています。70%持分の取得対価を約2.32億円とする公表値から単純に割り戻した100%株式価値は約3.31億円となります。ただし、持分に応じた単純換算であり、現預金・有利子負債を調整した企業価値(EV)ではありません。この金額は、現在の営業利益では説明しにくい技術・人材・顧客補完に対する期待を検討する材料です。

8. SIer・専門企業の競争条件

8.1. AIはSIerの需要を増やすと同時に、既存の仕事を変える

顧客企業のAI導入が進めば、業務設計やシステム統合の需要は拡大する可能性があります。一方、AIによるコード生成・テスト支援が浸透すれば、従来の人月型開発の単価や必要工数に影響することも考えられます。

ソフトウェア開発全体は、要件定義、業務理解、既存システムとの統合、検証、セキュリティなど多くの工程から成るため、コード生成の効率化がそのまま開発費全体の減少を意味するわけではありません。

8.2. どの競争優位性が残るのか

AIの現場実装で「標準化」が進む対象は一様ではありません。まず、モデルの配信・バージョン管理・稼働監視などは共通基盤へ集約しやすい領域です。一方、異なるメーカーの設備を接続し、製造工程に合わせて制御・検査条件を調整する作業は、顧客固有の要件が残ります。さらに、品質・安全性の検証や障害対応では、現場への責任を引き受ける能力が問われます。

事業領域機会競争条件・リスク
定型的な受託開発AIによる開発生産性の向上人月売上への依存・価格競争
業務・AIシステム統合既存業務へのAI導入需要顧客の業務理解と成果責任
FA・制御系エンジニアリング装置・PLC・ロボットとの連携需要現場固有の設計・安全・保守
AI運用・保守継続契約、モデル更新・監視対応工数・サービス品質・共通化
AI運用プラットフォーム多数設備への展開とソフトウェア収益標準機能との競争・研究開発費
表6|AIの普及に伴うSIer・専門企業の競争条件の変化に関する仮説。

特に、装置メーカーがAIの導入・管理機能を標準装備すれば、外部事業者の一部の作業は代替される可能性があります。逆に、複数メーカーの設備を横断した統合や、顧客固有の安全・品質要件への対応には独立した専門企業の役割が残ると考えられます。

経営上の検討点

対象企業の強みを「AI対応」「技術者がいる」といった一般的な説明で捉えるだけでは足りません。主要顧客、対応可能な制御機器、設備への接続実績、再利用可能な資産、契約の継続性を具体的に確認することが重要です。

8.3. 導入需要が拡大しても、利益の帰属は一様ではない

AIシステムの導入初期には、現場の調整・既存設備への接続・実機検証など、個別エンジニアリングの工数が増える可能性があります。ただし、顧客ごとの受託作業を積み重ねるだけでは、人員制約がそのまま成長制約になります。

普及が進むと、AIのモデル配信・監視・診断が装置メーカーや大手ソフトウェアプラットフォームの共通機能となり、独立した導入会社が担う作業の一部が縮小することも考えられます。一方、メーカーが異なる設備の接続、現場の設備更新時の改造、安全評価、顧客固有の生産条件への対応などは共通基盤だけでは完結しにくく、独立系のエンジニアリング企業にも競争余地が残ります。

事業者利益が蓄積される条件収益性の制約
現場実装・制御SIer顧客との継続取引、機器横断の接続力、設計資産の再利用技術者の採用・育成、個別案件の採算
装置メーカーAI搭載設備の販売、機能追加、保守契約との一体提供品質保証、長期供給、異機種対応
運用プラットフォーム多数の端末への共通配信・監視、継続的なソフトウェア収入プラットフォームの標準機能との競争、開発費
表7|現場AIの普及に伴う収益構造の変化に関する本稿の仮説。

この構造をM&Aで考える場合、現在の営業利益だけでなく、事業の成長に必要な追加人員、既存顧客への横展開、再利用可能なソフトウェア、継続保守の収益性を検証する必要があります。

SiemensのIndustrial Edge向けAI Asset Managerでは、複数のエッジ端末に対するモデルの配信、バージョン管理、段階的な展開、切り戻し、稼働状況の監視などを共通基盤で扱います。これは、個々の現場で都度実施してきた更新・管理作業の一部が、製品・プラットフォームの標準機能へ移っていく具体例です。[14]

その一方、標準化されたAI基盤を実際の設備に適用するには、撮像・制御条件の調整、安全回路との整合、装置停止時の復旧など、現場での技術判断が必要です。したがって、専門企業の収益機会を評価する際は、「AIを使える」ことより、標準機能に代替されにくい現場責任と、顧客横断で再利用できる設計・ソフトウェア資産の有無を見るべきでしょう。

9. M&A・資本提携の合理性

9.1. 買手側――不足する機能をどう確保するか

産業機器メーカーがAI開発・運用技術を取得する場合、機器の付加価値向上、保守サービスの拡充、製品開発の短縮が期待されます。IT・AI企業が制御系エンジニアリング企業を取得する場合には、顧客の製造現場に入るための技術や導入実績、継続的な顧客接点を得られる可能性があります。

一方、技術の利用が目的であれば、共同開発やライセンスで対応できる場合もあります。技術者、品質保証、保守体制、顧客関係を長期的に一体確保することが、取得コストと統合負担を上回る追加価値を生むかが重要です。

買収の価値を分解すれば、①自社開発に比べた市場投入の早期化、②自社顧客へ取得技術を展開する追加売上、③既存設備・ソフトウェアと共通化する開発・保守コスト、④取得後に必要な人材・研究開発・統合費用が主要な検討項目となります。既存の技術が優れているだけでは買収価格は正当化されず、これらの正味効果が取得対価と比較されます。

経営上の検討点

例えば、産業機器メーカーが制御系SIerを取得する場合、売上の増分だけでなく、現場への導入リードタイムの短縮、設備の稼働データへのアクセス、保守契約への波及を評価します。他方、対象会社の主要技術者が離職した場合の影響、顧客との契約引継ぎ、製品保証責任の範囲などは、取得後の経済効果を左右します。買収対価に見合う便益を得るために、どの機能をグループとして統合し、どの機能の独立性を残すかまで検討する必要があります。

9.2. 売手側――成長機会を取り込むための経営資源

AIの実装市場が成長しても、その機会を取り込むには人材採用、モデル検証、セキュリティ対策、品質保証、多拠点展開などへの投資が求められます。小規模なAI企業が装置メーカーの販路・保守基盤を活用する場合もあれば、制御系SIerがAIソフトウェア企業の技術を必要とする場合もあります。

例えば、中小の制御系SIerが独立経営でAI実装事業を拡張しようとする場合、専門人材の採用、検証設備、モデル更新体制の整備に固定費が先行します。他方、大手装置メーカーと資本提携すれば顧客への販路を確保し、品質保証や保守網を共用できる可能性があります。売却を促すのは市場の成長そのものではなく、成長に必要な投資と事業拡大の時間軸が、自社の経営資源を上回る局面だと考えられます。

また、AIの進歩で定型的な開発・監視機能が標準化されると、既存事業の競争力が変わる可能性があります。売手側の合理性は、単に成長産業に属するという点より、独立経営で必要投資を行った場合と、提携・資本統合で補完した場合の将来の競争力と事業価値を比較することで明確になります。

売手の立場では、次の二つの変化が資本政策の契機になり得ます。第一に、引き合いの増加に比べて専門人材や保守体制の増強が追い付かず、成長投資が先行する局面です。第二に、モデル配信や基本的な画像認識などが標準機能化し、従来の個別開発の価格決定力が変化する局面です。前者では市場機会を取り込むための資本・販路の確保、後者では代替されにくい技術領域への移行が、提携・資本統合の動機となります。

9.3. 経営手段の比較

確保したい機能経営上の選択肢主な判断軸
AIモデルの利用・限定的な技術ライセンス、共同開発性能・知財・開発期間
顧客ごとの導入支援販売提携、業務協業導入責任・顧客接点・収益配分
継続的な技術・販路の補完資本業務提携、共同投資人材確保・優先順位・経営権
開発・制御・保守の一体確保企業買収、事業譲受統合効果・取得対価・運営負担
表8|必要な機能と経営手段の比較。一般的な検討軸を示す。

9.4. 自社の事業に当てはめるための問い

  1. 自社の技術はどこで差別化できるか。 AIモデル・制御・顧客固有の実装・運用のうち、価格決定力を持つ領域は何か。
  2. 成長を制約する経営資源は何か。 技術者、品質保証、販路、資金、モデル更新・保守の仕組みのどこが不足しているか。
  3. 顧客との関係は継続的か。 単発開発、保守契約、独自ソフトウェアの利用料など、どの収益が蓄積されるか。
  4. 技術の変化による代替リスクは何か。 大手プラットフォームの標準機能化や、AIによる開発効率化の影響はどこに及ぶか。
  5. 買収が必要な理由は何か。 業務提携、資本参加、経営統合を比較し、技術と経営資源の一体確保による追加価値を確認できるか。

まとめ

AIの進化によって、巨大データセンターを中心とする計算資源の集約が進む一方、企業内や工場、個々の機器でAIを実行する用途も広がっています。フィジカルAIの普及は、現場の認識・判断と物理的な制御の接続をさらに重要にします。

その過程では、AIモデルの性能だけでなく、センシング、計算基盤、組込ソフトウェア、現場への実装、安全設計、保守・更新までの能力が競争力を形成します。実際の導入事例では、検査品質や工数の改善に加え、複数拠点への展開を速める共通基盤の価値が確認できます。

そして、こうした機能を取得・補完するためのM&A・資本提携も始まっています。オムロン、ルネサス、TDKの技術取得や、NTTグループとMujinの提携、国内のAI導入支援企業の買収は、それぞれ異なる経営資源の補完を示しています。

これからのM&Aを考えるうえでは、どの企業がAIを開発できるかだけでなく、誰がAIを実際の業務・設備に組み込み、安定稼働させ、その価値を継続的に顧客へ届けられるかが重要になると考えられます。

出所一覧(クリックして表示)

情報確認基準日:2026年11月22日。企業・研究機関・国際機関の公開資料等を参照しています。外部リンクは別タブで開きます。

本稿は公表情報を基にした産業構造とM&Aに関する分析です。「本稿の考察」「経営上の検討点」は筆者による分析・仮説です。個別企業の今後の取引を示すものではありません。

買収・資本提携/事業承継・会社売却のご相談

AIの普及と技術変化を踏まえた、事業戦略と資本政策

製造業・BtoB企業様の買収・資本提携、事業承継・会社売却について、初期段階からご相談をお受けしています。自社の技術・顧客基盤の将来と、他社との補完関係を踏まえ、御社のご方針に応じた選択肢の検討をご支援します。

M&Aについて相談買収・資本提携の支援内容を見る