2040年に向けた労働供給の不足は、特定の業界だけの問題ではなく、日本の現場全体に通底する構造的な制約として議論されています。本稿では人口動態という最上流から課題を捉え直し、製造・物流・検査の各現場で「何で補うのか」を冷静に整理します。
「2040年に労働供給が約1100万人不足する」という試算は、パーソル総合研究所が公表したシナリオとして広く引用されています。リクルートワークス研究所なども近い時期に向けた労働力不足を別の前提で試算しており、いずれも「働き手の数が、社会が必要とする労働量に届かなくなる」という同じ方向を指しています。数値や対象範囲、試算の前提は調査機関ごとに異なるため、引用の際は所管・各研究機関の最新の公表資料でご確認ください。
重要なのは、これが景気変動による一時的な人手不足ではなく、人口動態という最も予測しやすく、最も動かしにくい変数から導かれている点だと考えられます。2040年に労働市場の中心を担う世代は、すでに生まれています。つまり「これから増やす」余地が構造的に乏しい。だからこそ、多くの試算が方向性として一致しているのだと考えます。
これまで人手不足は、主に採用コストや残業の問題として語られてきました。しかし供給そのものが細る局面では、「採用予算を増やせば解決する」という前提が崩れていきます。募集をかけても応募が来ない、特定の技能を持つ人材が市場にいない、という状況は、すでに一部の現場で顕在化しつつあると言われています。労働力不足は、コストの問題から事業継続の問題へと性質を変えつつあると捉えるのが妥当だと考えます。
労働供給の不足を単なる「人手が足りない」と捉えると、打ち手を見誤りやすいと考えます。現場で起きるのは、少なくとも三つの異なる波及だと整理できます。それぞれ必要な対応が違うため、最初に切り分けておくことが有効だと考えられます。
単純に頭数が足りなくなる波です。ライン要員、ピッキング、目視検査といった、人数で成り立っていた工程が最初に影響を受けると考えられます。ここでは省人化・自動化が直接の解になりうる一方、自動化しにくい不定形な作業がボトルネックとして残りやすい点に注意が必要です。
頭数以上に深刻になりうるのが、特定の人にしかできない仕事が失われる波です。長年の勘で微妙な欠陥を見分ける検査員、設備の異音で異常を察知する保全担当——こうした暗黙知は、人が辞めると同時に消えます。これは採用では補えず、熟練検査員の退職と技能継承のように、技能をどう形式知化・再現するかという別問題になります。
人口動態とは独立に、労働時間規制の強化も同時に進んでいます。物流における時間外労働の上限規制（いわゆる2024年問題）はその代表例で、「同じ人数でこれまでと同じ量を運べない」状況を制度的に作り出しています。規制の具体的な適用範囲・上限時間は改正される可能性があるため、所管省庁（厚生労働省・国土交通省等）の最新の公表資料でご確認ください。量の不足と制度的制約が重なることで、影響は単純な足し算以上になりうると考えます。
最上流の課題は、現場ごとに異なる顔で現れます。抽象的な「人手不足」を、自社の工程に引き寄せて具体化することが、対策の第一歩だと考えます。
製造現場では、ベテランの高齢化と、その人が複数工程を兼ねる「多能工依存」が同時に進みやすい構造があります。一人が抜けると複数の穴が空くため、影響が見えにくく、いざ顕在化すると一気に効くと考えられます。詳しくは製造業の高齢化対応で整理していますが、まず「誰が何を担っているか」の棚卸しが起点になると考えます。
物流では、EC需要の構造的な拡大と、ドライバー・庫内作業者の不足が重なります。さらに前述の時間規制が加わり、2030年のドライバー不足として中期の見通しが議論されています。入出荷検品やラベル・伝票の照合といった、人の目に依存してきた工程は、量が増えるほど人手のボトルネックになりやすいと考えられます。
外観検査は、現場の中でも特に属人性が濃く残る領域です。「良品と不良品の境界」が言語化されておらず、熟練者の感覚に委ねられているケースは少なくありません。だからこそ自動化が難しく、同時に最も技能継承リスクが高い。検査の省人化を考えるとき、まず必要なのは技術選定ではなく、判断基準そのものの可視化だと考えます。
「1100万人をどう補うのか」という問いに、単一の答えはないと考えます。現実的には複数の方向を組み合わせることになり、それぞれに効く範囲と限界があります。
女性・高齢者・外国人材の労働参加を広げる方向です。社会全体としては重要ですが、企業単位で見ると、受け入れ体制や標準化のコストが伴います。たとえば多様な背景の作業者が同じ品質で検査するには、判断基準の明文化が前提になり、結局は属人性の解消という別課題に戻ってくると考えられます。
省人化・自動化・DXによって、同じ人数でより多くをこなす方向です。本稿が主に扱うのはこの領域ですが、「自動化すれば人がいらない」という単純化は危ういと考えます。多くの工程では、人と機械の役割分担を設計し直すことが現実的な落としどころになりうると考えます。
過剰品質の見直し、検査項目の合理化、設計段階での不良の作り込み防止など、需要側を減らす方向です。地味ですが、自動化を検討する前に「その検査は本当に全数必要か」を問い直すだけで、必要な省人化の規模が変わることもあると考えられます。
熟練者の判断を、データ・ルール・モデルの形で外に取り出す方向です。これは(1)〜(3)を下支えする横断的な取り組みで、画像AIが関わりうるのも主にこの領域だと考えます。
省人化の文脈でAI外観検査が注目されるのは、検査という最も属人的な工程に対して、人の判断を再現しうる手段だからだと考えます。ただし「AIを入れれば人手不足が解決する」という期待は、現場ではしばしば裏切られます。解の一つになりうるのは、いくつかの条件が満たされたときだと考えます。
AIは、人が何を見て良否を決めているかを学習・参照することで成り立ちます。基準が完全に言語化されている必要はありませんが、サンプルや現物を通じて「これは良い・これは悪い」を示せることが前提になります。基準そのものが存在しない工程では、AI以前にまず基準づくりが必要になると考えます。
画像検査の成否は、AIモデル以前に「対象がきちんと撮れているか」で大きく左右されます。産業用カメラの選定、現場のライティング設計、対象の見え方の安定化——この物理面の作り込みが甘いと、どんなモデルでも安定しません。元キーエンス画像処理事業部の現場知見が効くのは、まさにこの撮像・照明という地味で決定的な部分だと考えます。
VLM（視覚言語モデル）のような近年の手法は、従来は学習データを大量に集めにくかった多品種・少量・不定形な対象にも適用余地が広がりつつあると考えられます。さらにJetson等のエッジで動かすことで、クラウドに送れない・止められないラインでも現場完結の運用が視野に入ります。ただし、これらが自社の対象で本当に機能するかは、カタログではなく現物での検証でしか分からないと考えます。
労働力不足という大きな課題に焦らされると、手段が目的化しやすくなります。やってみないと分からない部分も多いからこそ、典型的なつまずきを先に知っておくことが有効だと考えます。
2040年という時間軸は遠く見えますが、技能を持つ人が現場を離れるのは、その手前から段階的に進みます。つまり対策は「いつか」ではなく、今の現場が回っているうちに着手できるかが分かれ目になると考えます。最後に、現実的な進め方を整理します。
どの工程に何人が張り付き、そのうち「その人にしかできない」判断はどこか。まずこれを客観的に把握します。ここが曖昧なまま投資判断に進むと、効果の薄い場所を自動化しがちだと考えられます。
最も属人性が高く、かつ影響の大きい一工程を選び、自社の現物・実ラインの条件で小さく検証します。撮像・照明から含めて「自社の対象で安定して撮れ、判断を再現できるか」を確かめる段階です。ここで得られる手触りが、横展開すべきか・別の手段を取るべきかの判断材料になると考えます。
検証結果をもとに、人と機械の役割分担、判断基準の更新フロー、性能監視の仕組みまで含めて設計します。省人化は導入時点ではなく、運用が続いて初めて効果が出ると考えます。最上流の労働力不足という大きな問いに対しても、出発点はこの一工程の地道な可視化と検証にあると考えます。
パーソル総合研究所などが約1100万人規模の労働供給不足を示すシナリオを公表しており、他機関も近い方向の試算を出しています。ただし対象範囲・前提・時点は調査ごとに幅があり、確定値ではありません。引用の際は各研究機関の最新の公表資料でご確認いただくことをおすすめします。
技術選定の前に、どの工程に人手が張り付き、何が特定の人にしか出せない判断かを客観的に棚卸しすることが出発点になると考えます。把握ができて初めて、省人化・自動化・基準づくりのどれが効くかを判断できます。影響が大きく属人性の高い一工程から、現物で小さく検証する進め方が現実的だと考えます。
解決するとは言い切れないと考えます。画像AIが解の一つになりうるのは、良否の判断基準が部分的にでも取り出せ、対象が安定して撮れ、運用を続けられる体制があるときです。基準が曖昧なまま導入しても安定しにくく、自社の現物・現場で機能するかは検証して初めて分かります。まず小さく試すことをおすすめします。
労働時間の上限規制により「同じ人数で従来と同じ量を運びにくくなる」制約が生じ、人口動態による頭数の不足と重なることで影響が大きくなりうると考えられます。規制の具体的な上限時間や適用範囲は改正されうるため、所管省庁（厚生労働省・国土交通省等）の最新の公表資料でご確認ください。
VLM（視覚言語モデル）は、従来は学習データを集めにくかった多品種・少量・不定形な対象にも適用余地が広がりつつあると考えられます。Jetson等のエッジで動かせば、クラウドに送れない・止められないラインでも現場完結の運用が視野に入ります。ただし自社の対象で機能するかは、カタログではなく現物検証で確かめる必要があると考えます。
2040年に向けた労働力不足は、いつか来る問題ではなく、今の現場が回っているうちに着手できるかが分かれ目になると考えます。まずは影響が大きく属人性の高い一工程を、自社の現物・実ラインの条件で小さく検証することから始められます。撮像・照明の設計を含めて、現場でご一緒に確かめます。
現場の省人化について相談する