変更要約: 初版
6.3技術戦略とビジネスインダストリ
技術を経営資源として活かすMOT（技術経営）、破壊的な変化をもたらすイノベーション、将来の技術展開を示す技術ロードマップ、そしてIoT・機械学習・深層学習（ディープラーニング）・CNN（畳み込みニューラルネットワーク）・生成AIといったAI活用の実務、POS・EDIなどのビジネスシステム、EC・フィンテックといったe-ビジネス、生産の無駄を省くJITを学びます。
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、そして業界ごとに特有のビジネスシステム（POS・EDI等）へと視野を広げていくと整理しやすくなります。
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「魔の川」「死の谷」「ダーウィンの海」といった技術の事業化段階の壁を乗り越えるマネジメントを指します。
- 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。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。技術戦略と事業計画をつなぐ役割を持ちます。
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）＝人間の神経回路を模した多層のニューラルネットワークを用いる機械学習の一手法で、特徴量の設計を人手で行わずデータから自動的に獲得できる点が特徴です。
- CNN（畳み込みニューラルネットワーク）＝深層学習の代表的な手法の1つで、画像認識に特に強みを持つネットワーク構造。画像の局所的な特徴（エッジ・模様等）を段階的に抽出する畳み込み層を持つのが特徴で、製品の外観検査の自動化などに応用されます。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、業務効率化への応用が急速に広がっています。
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を指します。
- 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（かんばん方式が代表的な実現手段）。
「機械学習は規則性を自動学習・深層学習は多層ニューラルネットで特徴量も自動獲得・CNNは画像認識に強い深層学習の一手法・生成AIは新規コンテンツを生成」「POSは販売時点の実績データ収集・EDIは企業間取引データの電子的やり取り」「JITは必要な物を必要な時に必要な量だけ」が最頻出です。破壊的イノベーションと持続的イノベーションの違い、MOTの「魔の川・死の谷・ダーウィンの海」の段階の意味も定番の論点です。
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。これまで熟練作業員が目視で製品のキズや欠陥を検査していましたが、人手不足と検査精度のばらつきが課題でした。C社の技術部門はMOTの観点から、社内に眠る画像処理技術の研究成果をどう事業化するかを検討し、まず技術ロードマップを作成して「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（キズの形状・模様）を段階的に抽出することに強みを持つCNNを用いた深層学習モデルを選定しました。これは単純な機械学習（あらかじめ人が定義した特徴量に基づく判定）よりも、キズのパターンをデータから自動的に学習できる点で精度面の優位があると判断したためです。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の活用も視野に入れています。生産管理の面では、検査を通過した部品を必要な工程へJITの考え方で過不足なく供給し、仕掛品の滞留を防ぎます。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することで、需要予測の精度向上にもつなげています。
| 用語 | 位置づけ | 強み/特徴 |
|---|---|---|
| 機械学習 | データから規則性を自動学習 | 特徴量は人が設計することも多い |
| 深層学習 | 多層ニューラルネットワーク | 特徴量も自動獲得 |
| CNN | 深層学習の一手法 | 画像認識に強い（畳み込み層） |
| 生成AI | 新規コンテンツの生成 | 文章/画像/コード等を出力 |
ひっかけ： 「深層学習は特徴量を人が事前に設計して与える手法である」は誤りです。それは従来型の機械学習に多い進め方で、深層学習は特徴量もデータから自動的に獲得する点が特徴です。また「POSとEDIはどちらも企業間の取引データを電子的にやり取りする仕組み」も誤り＝POSは自社の販売時点データの収集、EDIは企業間の取引データ交換と対象が異なります。さらに「破壊的イノベーションとは既存製品の性能を段階的に改良することを指す」も誤り＝それは持続的イノベーションの説明で、破壊的イノベーションは既存の市場・製品を置き換える変化を指します。
6.3.4この節のまとめ
- MOT＝技術を事業成果に結びつける経営。イノベーション＝持続的（既存改良）と破壊的（市場/製品を置換）を区別。技術ロードマップ＝技術投入の時間軸計画
- 機械学習＝規則性を自動学習・深層学習＝多層NNで特徴量も自動獲得・CNN＝画像認識に強い深層学習手法・生成AI＝新規コンテンツ生成
- POS＝自社の販売時点データ収集・EDI＝企業間取引データの電子交換。JIT＝必要な物を必要な時に必要な量だけ
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 製品の外観画像から傷や欠陥を自動検出するAIモデルを開発したい。人が特徴量をあらかじめ設計するのではなく、大量の画像データから局所的な特徴を段階的に自動抽出させたい場合、用いるべき技術として最も適切なものはどれか。
Q2. ある企業が、既存製品の性能を毎年少しずつ改良し続けている状態と、全く新しい技術によって既存の市場や製品を置き換えてしまう状態がある。後者を表す用語はどれか。
Q3. 小売店が、レジでバーコードを読み取り商品の販売時点の実績データをリアルタイムに記録・集計する仕組みと、仕入先メーカーとの発注書・請求書のやり取りを標準化された形式で電子的に行う仕組みをそれぞれ導入したい。この2つの仕組みの組合せとして正しいものはどれか。