AI×IoTで変わる現場：UNI-ONE採用に学ぶ遠隔運用

製造業のAI活用は「モデルを作ること」より前に勝負が決まります。勝負どころはデータが安定して集まり、現場に返ってくる仕組みがあるかどうか。ここが弱いと、予知保全も品質解析も、生成AIによるナレッジ化も続きません。

2025/12/24に報じられた、ホンダのモビリティロボット「UNI-ONE」でソラコムのIoTプラットフォームがデータ通信基盤として採用されたニュースは、その“地味だけど本質”をよく示しています。バッテリー、位置、速度、センサー情報の収集に加え、ファームウェアのリモートアップデートまで含めた設計は、AI時代の運用を前提にしたものです。

この連載「建設業界のAI導入ガイド：生産性向上と安全管理」でも同じ話を繰り返してきました。建設現場でAIを効かせるには、カメラや重機、ウェアラブル、安全設備からのデータを**“止まらずに”集めて、素早く意思決定につなげる**必要があります。UNI-ONEの事例から、製造×建設の両方に効く考え方を整理します。

IoT基盤が先：AIは「つながる現場」で初めて伸びる

結論から言うと、AI導入を成功させる会社は、まず通信・回線管理・更新配信を「運用のプロダクト」として設計しています。

UNI-ONEでは、ECUからSORACOM経由で各種データを集め、サービス改善、メンテナンス、性能・運転行動の解析に使うとされています。ここでポイントは、単にテレメトリを集めるだけではなく、分析→改善→アップデート配信という循環を最初から作っていること。

AIの価値は「一回当てる」ではなく、現場で育ち続けることにあります。だからこそ、次の3点が基盤に必要です。

• 屋内外で切れにくい接続（移動体・屋外も含む）
• **回線管理の自動化（コンソール/API）**で運用コストを抑える
• マルチキャリア等の拡張性で、現場条件に合わせて最適化する

建設でも同様です。例えば、現場監視カメラの映像解析（安全監視AI）を入れても、回線が不安定だとアラートが遅れ、結果として「使われないAI」になりがちです。

ホンダ×UNI-ONEの示唆：遠隔監視とOTAが“標準装備”になる

このニュースが示す最も実務的な学びは、遠隔監視（テレメトリ）とOTA（Over-the-Air更新）がセットで語られている点です。私はここに強い時代の流れを感じます。

収集するデータは「故障」だけじゃない

UNI-ONEで収集されるのは、バッテリー残量や位置情報、速度、センサー情報など。これらは単なるログではなく、AIにとっては次のような“学習素材”になります。

• 予兆検知：バッテリー劣化や異常温度などの早期兆候
• 運用最適化：ルート、稼働率、充電タイミングの最適化
• 安全性の改善：速度変化やセンサー反応からの危険挙動抽出

建設に置き換えると、重機の稼働ログ、振動、油圧、位置、作業者の動線といったデータに相当します。安全管理AIや工程管理AIは、こうした“現場の事実”があって初めて強くなります。

OTAは「現場に行かない」ための仕組みではなく「品質保証」の仕組み

OTAはコスト削減にもなりますが、本質はバージョン整合性の担保です。現場に複数台（複数現場）で機器が展開されるほど、

• どの個体が
• どの設定で
• どのファームウェアで
• いつから

動いているかが不明確になり、トラブル時に切り分け不能になります。

建設現場でも、カメラAI端末やゲートウェイ、ウェアラブルを増やすほど、更新管理がボトルネックになります。更新が回らない組織は、AIが“古くなる”。これはかなり致命的です。

「AIの精度」より先に「AIを更新できる体制」が問われる。

なぜセルラーが効くのか：移動体・屋外・仮設に強い

答えはシンプルで、製造でも建設でも“現場は固定ではない”からです。

UNI-ONEのようなモビリティは屋内外を移動します。セルラー通信はその前提に合っています。建設現場も同じで、現場は期間限定で立ち上がり、仮設の電源・ネットワークで回すことが多い。固定回線が引けない、引けても工期に合わない、ということが普通に起きます。

セルラー中心の設計は、次のメリットを持ちます。

• 立ち上げが早い（現場開始に間に合う）
• 拠点が増えても運用を標準化しやすい（回線管理の一元化）
• 移動体・屋外のデータが取りやすい（安全管理、稼働最適化に直結）

現場DXは「全部をクラウドに」ではなく、つながる部分から順に成果を出すのが現実的です。

AIが現場を変える“具体像”：建設×製造で共通する3ユースケース

結論として、AI×IoTは「見える化」で終わらせず、意思決定と行動まで持っていくと投資が回ります。建設業界の読者向けに、UNI-ONEの構造をヒントに共通ユースケースを3つに整理します。

1) 予知保全：止めないためのAI

• 入力：稼働時間、振動、温度、電流、バッテリー状態、エラーコード
• AIの役割：異常の兆候検知、故障確率推定、部品交換の推奨
• 現場の成果：突発停止の減少、保全の平準化、部品在庫の圧縮

UNI-ONEで言えば、バッテリー充電状況やセンサー情報がここに効きます。建設なら発電機、ポンプ、重機、エレベーター仮設機器などで同じ設計ができます。

2) 安全管理：アラートを「運用」に落とす

• 入力：カメラ映像、位置情報、速度、近接センサー
• AIの役割：危険エリア侵入、接触リスク、転倒・ヒヤリハット検知
• 現場の成果：是正指導の迅速化、事故の未然防止、教育データ蓄積

ここで重要なのは、アラートが鳴っても通信が遅い/切れると意味がないこと。IoT基盤は安全AIの“心臓部”です。

3) 工程・生産性：ログが「段取り」を変える

• 入力：位置、稼働率、移動距離、作業時間、待機時間
• AIの役割：ボトルネック推定、配置最適化、作業標準の生成
• 現場の成果：手戻り削減、段取り短縮、少人数運用

UNI-ONEの運転行動解析は、建設なら「人と機械の動線最適化」に置き換えられます。

導入でつまずく点と、私ならこう設計する（実務チェックリスト）

現場AIは、PoC（試験導入）では動くのに、本番で失速するケースが多い。原因はだいたい運用設計です。私は次の順番で決めます。

1. KPIを1つに絞る：例）「突発停止を月2回→0回」「是正までの時間を30分以内」
2. 取得するデータの“最小セット”を決める：全部取らない。まずは効くものだけ
3. 通信要件を明文化する：屋内外、移動、死活監視、再送、バッファの方針
4. デバイス管理と更新（OTA）を初日から設計する：台数が増えるほど効いてくる
5. 現場に返すUI/通知を決める：メールではなく、現場が見る場所に出す

年末（2025年12月）は来期予算の検討が進む時期です。AIを「ソフト購入」で終わらせず、現場のつながり方と運用をセットで見積もる会社ほど、来年の成果が早いはずです。

現場のAIは「通信＋データ＋更新」が揃って初めて回り出す

ホンダのUNI-ONEでSORACOMが採用された話は、AIの派手さではなく、現場でAIを回すための土台に光を当てています。データ収集、遠隔監視、解析、そしてOTA。これが循環すると、ロボットも設備も“使うほど賢くなる”状態に近づきます。

建設業界でも、画像認識による安全監視、工程管理の最適化、BIMやデジタルツイン連携を本気で進めるなら、まずはつながる設計から始めるのが近道です。AIは魔法じゃありません。でも、現場がつながった瞬間に、驚くほど現実的な武器になります。

来期、あなたの現場で最初につなぐべき対象は何でしょう。重機ですか、カメラですか、それとも仮設設備ですか。そこで取れるデータが、次の一手（AI活用）の質を決めます。