人型ロボット（ヒューマノイド）が、実際の工場や倉庫で働き始めています。BMWの米国工場では板金部品の供給を10か月にわたって担当し、トヨタ自動車のカナダ工場や物流大手GXOの拠点では、月額課金で借りる契約のもとで日常業務に組み込まれました。展示会のデモではなく、契約書のある仕事です。

そうなると、次に出てくる問いは自然とこうなります。自社のどの作業なら任せられるのか。

この問いに答えるために、いま世界中で実際にロボットが担っている作業を、工程レベルで洗い出してみました。すると、業種も国も違うはずなのに、任されている作業の置かれ方が驚くほど似ていることが分かります。そこには、いまの技術で「できること」と「できないこと」の境界線が、はっきりと現れています。

本稿では、まずその共通点を確認し、次に現行のロボットがどこまでの重さ・精度・速度を扱えるのかをメーカーの公表値で押さえ、最後に自社の工程を見分けるための8つのポイントに整理します。専門用語には都度説明を添えました。ロボットに詳しくない方でも、そのままお読みいただけます。

1. いま任されている作業は、どこにあるか

1-1. 実際に配備されている5つの現場

まず、実際の現場を5つ並べてみます。いずれも公表資料または顧客企業側の発信で確認できるものです。

物流大手GXOの倉庫では、ロボットがAMR（自律走行搬送ロボット。人が操縦せず、自分で床を走って荷物を運ぶ台車型のロボットのことです）の棚からプラスチック製の箱を取り、隣のコンベアに載せています。自動車部品メーカーSchaefflerの米国工場では、プレス機から出てきたベアリング部品入りのカゴを持ち上げ、隣の洗浄機に投入しています。

BMWの米国スパータンバーグ工場では、ラックや箱に入った板金部品を取り出し、溶接用の治具（部品を固定する台のことです）にセットしていました。その先の溶接作業は、従来からある据え付け型の産業用ロボットが行います。同じ工場では現在、後継機が大型コンテナに未整理のまま届いた部品を取り出し、組立順に並べる台車へ仕分ける工程に着手しています。その台車は、自動牽引台車またはスマート搬送ロボットが組立ラインへ運びます。

1-2. 共通点は「設備と設備のつなぎ目」

並べてみると、置かれている場所がすべて同じ性格を持っていることが分かります。プレス機も、洗浄機も、溶接ロボットも、コンベアも、搬送車も、どれもとうに自動化されています。にもかかわらず、それらの設備どうしは直接つながっていません。自動化された設備と設備のあいだに残った受け渡しの一手間だけが、人手で埋められていたのです。

ヒューマノイドは、いまこの隙間に入っています。設備を改造して直結させる工事をするより、人の形をしたロボットを1台置くほうが安いか速い。その計算が成り立つ場所です。

この見方は、自社の工程を探すときにそのまま使えます。「重労働だからロボットにやらせたい作業」を探すよりも、「自動化された設備と設備のあいだで、人が受け渡しだけをしている場所」を探すほうが、当たりを引きやすいということになります。

1-3. 入口は雑然、出口は整然

BMWの部品仕分け工程を見ると、もう少し細かい特徴が見えてきます。BMWの発表によれば、部品は未整理の状態で大型コンテナに届くとされています。つまりロボットが手を入れる側は、きちんと並んでいません。一方、置く先は組立順に並べる台車で、こちらは決まった位置に置く必要があります。

雑然とした入口から、整然とした出口へ。この変換こそが、人の形をしたロボットに任される理由になっています。入口も出口もきれいに整っているのであれば、専用の機械を作ったほうが安く済むからです。

2. いまのヒューマノイドは、どこまでできるのか

任せられるかどうかを判断するには、機械の実力を数字で知っておく必要があります。各社が公表している仕様を並べると、意外なほど狭い範囲に収まっています。

2-1. 既存の自動化機器と比べると

比較のために、既存の自動化機器の数字も置いておきます。人のそばに柵なしで置ける産業用ロボットアーム（協働ロボット）の代表機種であるユニバーサルロボット社のUR10eは、同じ位置に±0.05mmの正確さで戻ってくる能力を持ち、12.5kgまで扱えます。無人搬送車の代表機種であるMiR250は、250kgを積んで13〜17時間半走り続け、秒速2.0mで移動します。

こうして並べると、ヒューマノイドは正確さでも積載量でも速さでも、既存の機械に負けていることがはっきりします。にもかかわらず導入が進んでいるのは、既存の機械にはない2つの性質があるからです。ひとつは1台で複数の設備をまたいで作業できること、もうひとつは建屋や設備を改造せずにそのまま入れられること。裏を返せば、この2つが価値を持たない工程では、ヒューマノイドを選ぶ理由がありません。

2-2. 公表されていない指標に注意する

注意しておくべき空白もあります。同じ位置にどれだけ正確に戻れるかという指標を公表しているヒューマノイドは、今回調べた範囲では1機種もありませんでした。故障間隔や稼働率も同様に非公表です。この点は、実証実験で自社が実測する以外に確かめる方法がないのが現状です。

3. 自社の工程を見分ける8つのポイント

ここからが本題になります。前半の4つは「そもそも物理的に扱えるか」を確かめるもので、ひとつでも引っかかれば、その工程は現時点では見送りになります。後半の4つは「他の手段ではなくヒューマノイドを選ぶ理由があるか」を確かめるものです。

3-1. 物理的に扱えるかを確かめる4つ

① 扱うものは、形が崩れないか

箱、プラスチック製のトート、金属部品、成形品といった形の崩れないものであれば、まず問題ありません。実際に配備されている案件の対象物は、ほぼすべてこれに該当します。

興味深いのはGXOの事例です。この倉庫が扱っているのは衣料品ですが、ロボットが触れるのは衣類そのものではなく、衣類が入ったプラスチック箱だけになっています。柔らかいものは、硬い容器に入れてしまえば回避できるという設計です。自社の工程でも、この手が使えないかを先に検討する価値があります。

布のように平らな柔軟物は、柔らかいものの中では最も研究が進んでいる領域です。あるAI企業は、初めて訪れた住居で50種類の見たことのない衣類を数時間たたみ続けたと報告しています。ただし業務での実績はまだ少なく、慎重に見るべき段階です。

一方で、ケーブル類、袋、形の定まらない容器、シール材といったものは、現時点では対象外と考えたほうがよいでしょう。理由は5章で数字とともに説明します。

② 求められる正確さは、ミリ単位で足りるか

許容誤差が5mm以上あれば、実証済みの範囲になります。BMWの事例では、5mmの誤差内に2秒で部品を置き、1シフトあたり99%を超える成功率を目標に運用されていました。

1〜5mmになると難易度が上がります。研究レベルでは、隙間1.5mmの部品を差し込む作業で、触覚センサーを併用した手法が成功率97%を記録しています。

1mmを切ると、現時点では現実的ではありません。同じ研究で、隙間0.25mmでは触覚センサーを併用して95%、併用しない場合は79%、隙間0.05mmになると併用しても67%、併用なしで52%、人の動作を真似る学習だけでは0%まで落ちています。このレベルの正確さが必要な工程は、据え付け型の協働ロボット（±0.05mm）に任せるほうが確実で、費用も安く済みます。

③ 重さと高さは、範囲に収まるか

15kg以下で、床から1.8m以内。これが安全に見込める範囲です。25kgまで対応できる機種もありますが、選択肢が限られます。

実際の配備事例で重量が確認できたものは約11kg（前述のベアリング部品入りのカゴ。ただし報道ベースの数字です）でした。人が持てないほどではないけれど、一日中繰り返したくない重さの帯に、きれいに収まっています。

④ 作業に、時間の余裕はあるか

ここは公表されている数字が大きく割れているので、慎重に見る必要があります。

単純な繰り返し作業では、人の速さが視野に入ってきています。Figureは荷物の仕分け工程について、実演データを10時間分から60時間分に増やすことで1個あたりの処理時間が6.84秒から4.31秒に短縮され、バーコードの読み取り成功率も88.2%から94.4%に向上したと公表しています。同社はさらに、よく選別されたデータのほうが量よりも効くとして、データ量が3分の1でも処理量が40%高かったと報告しています。

一方、手順の多い作業では差が開きます。第三者による分析では、あるAI企業が公開した難易度の高い作業群について、ほぼすべての作業で人の4〜10倍の時間がかかり、成功率は52%だったと報告されています。

さらに読み解きの注意点として、各社が示す速度の指標は、比較対象が現場の熟練作業者ではなく「学習用データを収録した遠隔操作者」であることが多いという点があります。Figureは指標の定義でその旨を明記しています。

実証されている工程の姿はこうです。BMWの案件では、工程全体に許された時間が84秒で、そのうちロボットの作業時間が37秒でした。つまり1個あたりの時間に余裕がある工程や、夜間・稼働の合間の作業であれば、いまの速度でも十分に成り立ちます。安全側を見て「人の3倍かかっても回るか」を基準にしておくと、想定を外しにくくなります。

3-2. ヒューマノイドを選ぶ理由があるかを確かめる4つ

⑤ 扱う品種は、ばらついているか

形や寸法がばらつくほど、そして作業内容が頻繁に変わるほど、ヒューマノイドが有利になります。逆に単一品種を何年も同じように繰り返すだけであれば、その作業専用の機械を作ったほうが、安く、速く、確実です。

先ほど触れたBMWの「未整理のコンテナから取り出す」という設計が、まさにこれを表しています。取る対象が整っていないからこそ、人の形をした汎用のロボットに任せる意味が出てくるわけです。

⑥ 建屋や設備を、改造せずに済ませたいか

既存の建屋に手を入れられない現場ほど、ヒューマノイドの相対的な価値が上がります。段差や階段、狭い通路がある場合も同様です。

実際、Agility Roboticsが中南米の物流大手Mercado Libreと結んだ契約では、既存の通路と業務の流れをそのまま使って荷物を運ぶと説明されています。BMWのライプツィヒ工場に入ったHexagon社のロボットも、建屋の構造を変更せずに手先の道具を取り替えるだけで作業を切り替えられることを特徴として挙げています。改造の予算が取れる現場であれば、そもそも専用設備を入れたほうが合理的です。

⑦ 人と作業場所や時間を分けられるか

現時点では、人と分離できることが実質的な前提条件になっています。時間帯を分けるか、区画を分けるか、どちらかの方法が必要です。

GXOの拠点ではロボットは人の近くで作業していないと報じられており、Schaefflerの工場では米国の安全基準に適合させるため、透明な樹脂板の囲いの中で稼働しているとされています（いずれも報道ベースの情報です）。

この制約の理由は、技術というより制度の側にあります。脚で歩くロボットを直接カバーする国際的な安全規格が、まだ発行されていません。現在、脚型を明示的に対象に含めた規格が策定中で、委員会原案を審議している段階にあり、発行時期は公表されていません。Schaefflerの囲いも、人を検知するセンサーを積んだ次世代機が入るまでの暫定措置と説明されており、この制約は時限的なものと見てよさそうです。

⑧ 稼働時間を区切れるか

前述のとおり、充電なしで動ける時間は長くても5時間です。8時間のシフトを通しで回すには、電池を交換するか、充電で止まる時間を織り込んだ運用設計が必要になります。Schaefflerでは1日8時間を4時間ずつ2回に分け、あいだに充電休憩を挟んでいるとされています。

ただしここは各社が急速に手を打っている領域でもあります。自分の腕で電池を交換する機能を公表しているのがAtlasとWalker S2の2機種（いずれも所要3分）、Figure 03は足の裏のコイルで充電台に乗るだけで充電できる方式を採用しています。24時間止められない工程でなければ、運用でカバーできる範囲に入りつつあります。

4. 3つの工程に当てはめてみる

4-1. 入荷検品

「うちの入荷検品は載るのか」。ヒューマノイドの話題が出たとき、管理部門から最初に挙がる問いのひとつです。8つのポイントで見ていきます。

引っかかるのは⑦だけで、しかもこれは工程側の運用で動かせます。有力な候補と言っていいでしょう。

ただし、ひとつ重要な但し書きがあります。「検品」という言葉の中身を分けて考える必要があるという点です。荷降ろし、移載、並べ替えといった物を動かす部分は任せられますが、傷や汚れを見つけて最終的に良否を判断する部分は人に残ります。実配備されている案件を横断して見ると、Mercedes-Benz、Schaeffler、BMW、そして中国の自律店舗のいずれでも、ロボットが一次的なふるい分けをして人が最終判断をするという線引きが、繰り返し現れます。

4-2. 組立ラインへの部品供給

BMWの後継機が着手した工程がこれにあたります。8つのポイントすべてに当てはまり、現時点で最も相性のよい工程の形と言えます。未整理のコンテナから取り出すという雑然とした入口、組立順に並べる台車という整然とした出口、既存の物流設備への接続、そして余裕のある時間設定。BMWがこの用途について、自動車の生産物流では頻繁に登場する作業であり、さらに展開できる可能性があると述べているのは、こうした条件が揃っているからでしょう。

4-3. ワイヤーハーネスの組み付け

こちらは①の時点で対象外になります。ケーブルは形が定まらず、②のコネクタ挿入も1mmを切る精度を要求します。前半の4つで2つ引っかかるため、他の条件を見るまでもありません。なぜそこまで難しいのかを、次章で数字とともに説明します。

5. なぜ、その作業は任せられないのか

「難しそうだから」ではなく、公開されている実験データで境界線を引くことができます。

5-1. コネクタ挿入は「見えないこと」が壁

ここでVLAという言葉が出てきます。カメラの映像と言葉の指示から、ロボットの動作を直接生成する新しいタイプのAIモデルのことで、この分野で最も注目されている技術です。産業用の配線作業を模した研究ベンチマーク（WireCraft）で、コネクタを挿し込む作業の成功率が公開されています。

部品の位置や接触状態を正確な数値として渡せば92%を超えるのに、カメラだけになると18%まで落ちる。この落差が答えを示しています。ロボットの動かし方が下手なのではなく、いま部品どうしがどう接触しているのかを、映像から読み取れないのです。

この構造を的確に言い当てているのが、Boston Dynamicsに長く在籍したスコット・カインダースマ氏の指摘です。同氏は、知的な力加減の制御に必要な信号の多くが、映像や人の実演データの中には存在しないと述べたうえで、次のように語っています。

位置の制御だけをやっている自律ヒューマノイドが実用になる世界はない。力を一級の要素として扱うことが絶対に必要だ

スコット・カインダースマ氏／Quanta Magazine（2026年3月）

人間は、コネクタが少し斜めに入ったとき、指先で抵抗を感じて修正します。この「感じる」部分が、まだ十分に実装されていないということになります。もっとも、手を打つ動きは始まっています。BMWの発表によれば、同工場に入った最新機は、触覚センサーと手のひらのカメラを備えたハンドを新機能として搭載しています。

5-2. そのほか、まだ任せられない作業

最後の行は運用設計に直結します。一度失敗すると、ロボットは自力で立て直せないことのほうが多いのです。実証実験を設計する際には、人がすぐ気づいて復旧できる導線を必ず用意しておく必要があります。

5-3. 5本指の手は、まだ2本指に勝てていない

Google DeepMindが、同じAIモデルを異なるハードウェアで動かした成績を公開しています。2本指のシンプルなつかみ具では、精密な差し込みが89.6%、工具を隙間なく箱に詰める作業が78.9%という成績でした。一方、人間の手に近い多指ハンドでは32〜92%と成績が大きくばらついています。同社自身も、全身動作とつかみ具を使った作業では中程度から高い成功率を達成したが、多指の器用な操作は依然として難しいと述べています。

ただしこの2つは、手の形だけでなく機体そのものも異なります（2本指は双腕の据え置き型、多指ハンドはヒューマノイド）。手の形だけを取り出した比較ではない点には注意が必要です。それでも、人の手の形をしていることが、いまの段階ではまだ有利に働いていないという傾向は読み取れます。検討している工程が2本指のつかみ具で足りるのであれば、それは実現性を高める材料になります。

6. 企業として、どう始めるか

6-1. 立ち上げに必要な期間

作業を覚えさせるためのデータ収集そのものは、もう重い作業ではなくなりました。あるAI企業は、難易度の高い作業群について、大半の作業で9時間未満のデータで対応できたと公表しています。

ただし、実演データだけでは実用水準に届きません。同じ企業は、実演で学習させたモデルに現場での自律運転と人による補正を重ねることで、最も難しい作業の一部では処理量が2倍以上になり、失敗率がおよそ半分になったと報告しています。Agility Roboticsも導入プログラムについて、実証期間の終わりには投資対効果を検証するための90日分の運用データが手元に残ると説明しています。なお、具体的な投資対効果の数値そのものは、同社も公表していません。

6-2. ベンダーに確認すべき3つの問い

選定の初期段階では、自律の度合いや保守体制といった一般的な確認事項が中心になります。工程を具体化する段階では、これに次の3つを加えてください。

特に3つ目が重要になります。失敗からの自力復帰率が最も良いモデルでも3割という現状では、うまくいったときの効率よりも、失敗したときの後始末のほうが、運用コストを決めてしまうからです。

ヒューマノイドの導入は、ロボットを選ぶ作業ではありません。自社の工程を、任せられる部分と人に残す部分に切り分ける作業です。8つのポイントは、その切り分けを社内の共通言語にするための道具として使っていただければと思います。