6.3技術戦略とビジネスインダストリ

技術戦略とビジネスインダストリの分野では、技術をどう経営に活かすかという大枠（MOT・イノベーション・ロードマップ）を押さえたうえで、近年の出題で存在感を増しているAI活用の具体技術、業界ごとに特有のビジネスシステム（POS・EDI等）、そしてe-ビジネスへと視野を広げていくと整理しやすくなります。レベル3では、イノベーションが事業化に至るまでの障壁の名称と、それぞれの段階で必要な対策まで踏み込みます。

6.3.1MOTとイノベーション

• MOT（Management of Technology、技術経営）＝技術力を事業成果・企業価値に結びつける経営の考え方。優れた技術を持ちながら事業化に失敗する段階の壁として、研究段階で予算が続かず頓挫する「魔の川」、研究成果を製品化する段階で資金・人材が不足する「死の谷」、製品化できても市場での競争に敗れる「ダーウィンの海」の3つを区別し、各段階でどんな支援（資金調達・提携・市場テスト等）が必要かを判断するのがレベル3の論点です。
• イノベーション＝技術や仕組みの革新によって、これまでにない価値を生み出すこと。既存製品の改良にとどまる持続的イノベーションと、既存の市場・製品を破壊し置き換える破壊的イノベーションを区別します。オープンイノベーション＝自社の技術・知見だけに頼らず、社外（他企業・大学・スタートアップ等）の技術やアイデアを取り込んで革新を生み出す手法。死の谷を越えるための資金・技術の補完として外部提携を活用する場面で登場します。技術ロードマップ＝自社が保有・獲得すべき技術と、それをいつ・どの製品/事業に投入するかを時間軸で示した計画図。

6.3.2IoTとAI活用

• IoT（Internet of Things）＝様々なモノにセンサーや通信機能を組み込み、インターネット経由でデータを収集・連携させる仕組み。工場設備の稼働状況をセンサーで収集し遠隔監視する、といった活用が典型です。
• 機械学習＝コンピュータがデータから規則性やパターンを自動的に学習し、未知のデータに対する予測・判定を行う技術。深層学習（ディープラーニング）はその一手法で、特徴量もデータから自動的に獲得できる点が従来型の機械学習と異なります。生成AI＝文章・画像・音声・プログラムコードなど、新たなコンテンツを生成するAI技術（大規模言語モデル等を基盤とする）。業務文書のドラフト作成や問い合わせ対応の自動化など、業務プロセスの一部を代替・補助する形で導入するのが実務での典型パターンで、生成結果の事実誤認（ハルシネーション）を人がレビューする体制が導入時の論点になります。

6.3.3ビジネスシステムとe-ビジネス

• POS（Point of Sale、販売時点情報管理）＝商品の販売時点でバーコード等を読み取り、売上・在庫データをリアルタイムに記録・集計する仕組み。何が・いつ・いくつ売れたかを把握し、発注や品揃えの意思決定に活かします。EDI（Electronic Data Interchange）＝企業間で発注書・請求書等の取引データを標準化された形式で電子的にやり取りする仕組み。紙の伝票をなくし、処理の迅速化・誤り削減を図ります。
• e-ビジネス＝インターネットを活用した事業活動全般。EC（電子商取引）＝インターネット上での商品・サービスの売買（企業間のBtoB、企業対消費者のBtoC等）。フィンテック（FinTech）＝金融（Finance）と技術（Technology）を組み合わせた造語で、スマホ決済・送金・資産運用等をITで革新するサービス群。ロングテール＝実店舗では陳列コストの制約で扱いにくい売れ筋以外の多品種少量商品（テール部分）を、ネット販売では在庫・棚コストの制約が小さいため幅広く扱うことができ、その合計売上が売れ筋商品（ヘッド部分）に匹敵しうるというEC特有の現象。
• JIT（ジャストインタイム）＝必要なものを、必要なときに、必要な量だけ生産・調達する生産管理方式。過剰在庫や仕掛品の無駄を排除し、生産効率を高めることを目的とします。かんばん方式＝JITを実現する代表的な仕組みで、後工程が「かんばん」と呼ばれる指示票を使って前工程に必要な部品を必要な分だけ引き取りに行く（プル型生産）。生産計画に基づき前工程が見込みで作るプッシュ型とは指示の起点が逆になる点が対比されます。

部品メーカーC社が、外観検査工程の自動化を検討する場面を追ってみましょう。C社の研究部門は数年前から画像処理技術を研究していましたが、継続予算が確保できず開発が停滞する「魔の川」を一度経験していました。技術部門はMOTの観点からこの技術の事業化を再検討し、自社単独では製品化に必要な資金・データ量が不足する「死の谷」の状態にあると判断し、画像認識に強みを持つ大学の研究室と提携するオープンイノベーションによって不足を補うことにしました。まず技術ロードマップを作成し「1年目に検査AIの実証実験、2年目に生産ラインへの本格導入」という時間軸を描きます。採用する技術としては、外観画像から局所的な特徴を段階的に抽出することに強みを持つ深層学習モデルを選定しました。並行して、各検査装置にIoTセンサーを組み込み、検査結果や稼働状況をリアルタイムに収集してクラウドへ集約する仕組みも整えます。この自動検査の導入は既存の検査工程を段階的に改善する持続的イノベーションの範囲に収まりますが、C社は将来的に、検査データを蓄積・分析して不良発生の根本原因をレポートとして自動生成する生成AIの活用も検討しており、その際は生成結果を必ず人がレビューする体制を組み込む方針です。仮に市場投入後、より低価格な競合の検査AIサービスが登場し自社製品がシェアを奪われれば、それは製品化には成功したが「ダーウィンの海」で競争に敗れた例になります。生産管理の面では、検査を通過した部品をかんばん方式で後工程が必要な分だけ引き取るプル型の運用に切り替え、見込み生産によるプッシュ型で生じていた仕掛品の滞留を解消します。また、取引先メーカーとの発注・納品データのやり取りは紙の伝票をやめてEDIに切り替え、店舗での部品販売実績はPOSでリアルタイムに把握しています。さらに補修部品のネット販売では、実店舗では在庫コストが見合わず扱えなかった多品種少量の旧型部品も幅広く取り扱えるようになり、ロングテールの効果でこれらの合計売上が主力部品の売上に迫る規模まで成長しました。

6.3.4この節のまとめ

• MOTの3つの壁＝魔の川（研究継続）→死の谷（製品化・資金/人材）→ダーウィンの海（市場競争）。オープンイノベーション＝社外技術の取り込みで死の谷を補完
• 機械学習＝規則性を自動学習・深層学習は特徴量も自動獲得・生成AI＝新規コンテンツ生成（人によるレビュー要）
• かんばん方式＝後工程が引き取るプル型（プッシュ型と対比）。ロングテール＝ネット販売特有の多品種少量の合計売上効果