デジタルツインは「見る技術」から「動かすAI」へ―― CAD・BIM・点群・IoTデータを、予兆保全と現場改善につなげる方法

デジタルツインは「見る技術」から「動かすAI」へ

これまで「デジタルツイン」と聞くと、工場や建物、設備などを3D空間上に再現し、現場の状況を可視化する技術をイメージする人が多かったのではないでしょうか。しかし、デジタルツインの役割は大きく変わり始めています。

これからのデジタルツインは、現実世界をデジタル上に再現するだけではありません。現場から収集したデータをAIが分析し、将来の異常や故障を予測し、対応策を立案し、場合によっては設備やロボットへ指示を出す――。

その進化を後押ししているのが、生成AI、基盤モデル、ワールドモデル、そして自ら計画して行動する「AIエージェント」です。本記事では、2026年に発表された最新研究をもとに、デジタルツインとAIエージェントがどのように融合し、製造業や建設業の現場を変えていくのかを詳しく解説します。

最新研究が示した「デジタルツインの4段階進化」とは

2026年1月4日、デジタルツインとAIの融合を体系的に整理した研究論文「Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models」が公開されました。この論文では、デジタルツインにおけるAI活用を、次の4段階に整理しています。

研究チームは、デジタルツインが単なる受動的なシミュレーション環境から、推論、コミュニケーション、シナリオ生成、自己改善ができる知的システムへ進化していると指摘しています。対象領域も製造、ロボティクス、航空宇宙、医療、スマートシティなど、11分野に広がっています。

重要なのは、デジタルツインの価値が「精巧な3Dモデルを作ること」だけではなくなっている点です。現場の状況を理解し、将来を予測し、改善策を選び、実行までつなげる。この一連のサイクルを実現して初めて、デジタルツインは企業の生産性や競争力に直結する仕組みになります。

デジタルツインとは何か

デジタルツインとは、工場、建物、製品、設備、都市など、現実世界に存在する対象をデジタル空間上に再現する技術です。単なる3Dモデルとの大きな違いは、現実側の対象とデータでつながっていることです。

例えば、工場設備に設置されたセンサーから、温度、振動、圧力、電力消費量、稼働時間、生産数量、エラー履歴、部品交換履歴といったデータを取得します。これらをデジタル空間上の設備モデルと連携させることで、現実の状態をデジタル側へ反映します。

IBMはデジタルツインを、現実の物体やシステムを正確に反映し、リアルタイムデータ、シミュレーション、機械学習、推論を使って意思決定を支援する仮想表現と説明しています。従来は「今どうなっているか」を確認する用途が中心でしたが、AIを組み合わせることで、「これから何が起きるか」「何をすべきか」まで扱えるようになります。

デジタルツインと3Dモデル・BIMの違い

デジタルツインを理解するうえで、3DモデルやBIMとの違いを整理しておく必要があります。

3Dモデル

物体や空間の形状を立体的に表現したものです。製品の形状確認、設計レビュー、完成イメージの共有などに利用されます。

BIM

建物の3D形状に、部材、材質、設備、コスト、施工、維持管理などの属性情報を付加した情報モデルです。柱、壁、ドア、空調、配管などを、それぞれ意味を持った部品として管理できます。

デジタルツイン

3DモデルやBIMに、現実世界から取得したIoTデータや稼働データを組み合わせたものです。さらにAIを連携すると、異常検知、将来予測、運用最適化まで可能になります。整理すると、次のようになります。

したがって、BIMを導入しただけではデジタルツインとは限りません。現場とデータでつながり、継続的に状態が更新されることが、デジタルツインの重要な条件です。Autodeskも、デジタルツインについて、物理世界とデジタル世界を双方向のデータで接続し、現実の稼働データに基づいて予測、シミュレーション、意思決定を行う仕組みと説明しています。

デジタルツインが進化する4つの段階

ここからは、最新研究で整理された4段階の進化を、製造・建設現場の具体例とともに見ていきます。

第1段階：現実世界をデジタル上にモデル化する

最初の段階は、現実に存在する製品、設備、建物、工場、都市などを、デジタル空間上に再現することです。CADデータ、BIMデータ、3Dモデル、点群データ、図面、写真・動画、設備台帳、マニュアル、過去の施工・保守記録などが使われます。

製造業であれば製品や生産設備のCADモデルが、建設業であればBIM、施工図、測量データ、ドローンで取得した点群などが基盤になります。従来は人間が多くの時間をかけてモデルを作成し、属性情報を登録していましたが、今後は画像認識AIや生成AI、物理法則を取り入れたAIによって、モデル作成や情報整理の一部が自動化される可能性があります。

ただし、ここで重要なのは、精巧な3Dモデルを作ること自体を目的にしないことです。最初に決めるべきは、次の問いです。

このデータを使って、どの業務課題を解決したいのか。

予兆保全をしたいのか、施工進捗を把握したいのか、設備検索を効率化したいのかによって、必要なモデルの精度やデータ量は異なります。

第2段階：現実とデジタルをリアルタイムで同期する

第2段階では、現実側から取得したデータをデジタルツインへ反映します。具体的には、IoTセンサー、カメラ、ロボット、ドローン、設備制御システムなどから情報を取得します。

工場では設備の温度や振動がデジタルツインへ反映され、建設現場ではドローンや360度カメラ、レーザースキャナーで取得したデータで進捗や施工状態を更新します。ビル管理では、空調、照明、電力、人流、CO2濃度などをデジタル空間上で確認できます。

この段階での価値は、現場の状態を一元的に把握できることです。ただし、可視化だけでは担当者が画面を見て判断しなければならず、データ量が増えるほど人間がすべてを監視することは難しくなります。そこで必要になるのが、次の「予測・異常検知」の段階です。

第3段階：AIが異常を予測し、改善策を提示する

第3段階では、デジタルツイン上に蓄積されたデータをAIが分析します。故障予測、異常検知、品質予測、エネルギー最適化、生産計画の最適化、工程遅延の予測、設備配置のシミュレーション、ロボット動作の事前検証などが主な用途です。

例えば、ある設備で振動の増加と温度上昇が確認されたとします。従来は異常値が基準を超えた段階でアラートを出していましたが、AIを利用すると、過去の故障データ、現在の稼働状況、部品の使用期間などを組み合わせ、故障の兆候をより早い段階で検知できます。そして「48時間以内に点検を実施する」「生産負荷を20％下げる」「交換部品を手配する」「別ラインへ生産を振り分ける」といった提案を行います。

Siemensは、デジタルツインに稼働データ、データ分析、AIを組み合わせることで、継続的な最適化や予知保全につなげられると説明しています。IBMも、蓄積された履歴データを利用し、設備が故障する可能性を事前に予測できるとしています。ここまで来ると、デジタルツインは「現場を見る画面」ではなく、問題を先回りして発見する意思決定支援システムになります。

第4段階：AIエージェントが自律的に管理する

第4段階が、今回の研究で特に注目すべき部分です。従来のAIは、与えられたデータを分析し結果を表示することが中心でした。一方、AIエージェントは、目標を与えられると、必要な情報を集め、状況を判断し、計画を立て、外部システムを操作します。

例えばAIエージェントに「生産品質を維持しながら、設備停止時間と消費電力を最小化する」という目標を設定すると、デジタルツイン上で次のサイクルを回します。

1. 設備の稼働状況を確認する
2. 異常やボトルネックを分析する
3. 複数の運転条件をシミュレーションする
4. 最適な対応策を選択する
5. 必要な作業を担当者へ依頼する
6. 許可された範囲で制御システムを操作する
7. 実行結果を確認する
8. 次の判断へ反映する

これが、「見る技術」から「動かすAI」への転換です。AIエージェントとデジタルツインを組み合わせた研究では、AIが動作案を作成し、シミュレーションで効果を検証し、別の検証エージェントが安全性を確認したうえで、必要に応じて計画を作り直す構成も提案されています。

ただし、自律運用といっても、最初からすべてをAIへ任せるわけではありません。現実的には、次のように段階的に権限を広げていくことになります。

• AIが状況を説明する
• AIが対応案を提示する
• 人間が承認して実行する
• 一定条件ではAIが自動実行する
• 例外時のみ人間へ確認する

安全性や事業への影響が大きい設備では、Human in the Loop、つまり人間による承認や監督を残すことが重要です。エージェント型デジタルツインに関する別の研究でも、デジタルツインと現実世界の結合が強くなるほど、そのシステムは単なる予測ツールではなく、現実を積極的に形成する存在になると指摘されています。

なぜ今、デジタルツインとAIエージェントが融合するのか

デジタルツイン自体は、新しい概念ではありません。それでも今、AIエージェントとの融合が注目されているのには理由があります。

理由1：生成AIが非構造化データを扱えるようになった

製造・建設現場には、構造化されたセンサーデータだけでなく、PDF図面、仕様書、施工要領書、点検報告書、保守履歴、作業日報、写真、動画、メール、熟練者のノウハウといった情報が大量に存在します。従来のシステムでは、これらを横断して活用することが困難でした。

生成AIやマルチモーダルAIを利用すると、文章、表、画像、図面などをまとめて検索・分析できる可能性が高まります。例えば設備を選択するだけで、AIに次のような質問ができます。

この設備で過去に発生した故障と、その原因、対応内容を教えてください。
現在のセンサーデータと過去の点検結果から、注意すべき箇所を挙げてください。
このBIMモデルと最新の点群データを比較し、施工差分を説明してください。

デジタルツインが持つ構造化された空間情報と、生成AIが得意とする言語・画像理解を組み合わせることで、現場データを自然言語で扱えるようになります。

理由2：AIエージェントが複数システムを横断できる

現場改善では、分析結果を表示するだけでは不十分です。設備管理システム、生産管理システム、在庫管理、保守管理、チャット、メールなど、複数のシステムをまたいで作業する必要があります。AIエージェントは、それぞれのシステムとAPIなどで連携し、複数の処理を順番に実行できます。

例えば故障リスクを検知した場合、①設備の保守履歴を確認 → ②マニュアルから点検手順を検索 → ③必要な交換部品を特定 → ④在庫管理システムで在庫を確認 → ⑤担当者のスケジュールを確認 → ⑥点検作業案を作成 → ⑦責任者へ承認依頼 → ⑧承認後に作業指示を登録、という一連の処理が考えられます。従来は人間が複数の画面を開いて行っていた作業を、AIエージェントが支援または代行するイメージです。

理由3：ロボットや設備制御との接続が進んでいる

AIが現実世界へ働きかけるには、ロボット、ドローン、設備制御、センサーなどとの接続が必要です。建設分野では、BIM、IoTセンサー、ロボットが取得した画像・点群を組み合わせ、施工現場のデジタルツインを更新しながら、ロボットの移動経路や安全管理へ活用する研究が進められています。

デジタルツイン上でロボットの動きを事前に検証すれば、現実の現場で試行錯誤するよりも、安全かつ効率的に動作を改善できます。今後、デジタルツインはフィジカルAIを動かすためのシミュレーション環境として、さらに重要になると考えられます。

製造業はどう変わるのか

製造業では、デジタルツインとAIエージェントを次のような業務へ活用できます。

1. 設備の予兆保全

振動、温度、圧力、電流、音などを継続的に収集し、故障の兆候を検知します。AIが点検時期や交換部品を提案し、保守管理システムへの登録まで行えば、突発停止を減らせます。

2. 生産ラインの最適化

稼働状況、仕掛品、設備負荷、人員配置などをデジタルツイン上で再現します。AIエージェントが複数の生産計画をシミュレーションし、納期、コスト、品質、消費電力を踏まえて候補を提示します。

3. 品質異常の原因分析

製造条件、設備状態、原材料、検査結果を関連付けることで、不良発生の条件を分析します。「どの設備で、どの条件が重なったときに不良率が高くなるか」をAIが発見できる可能性があります。

4. 設備立ち上げの効率化

新しい生産設備やロボットを導入する際、現実の工場へ設置する前にデジタルツイン上で動作を検証します。設備の干渉、作業動線、処理能力、ロボットの到達範囲などを事前に確認できます。

5. 現場ノウハウの継承

熟練者の判断、過去のトラブル、点検記録をデジタルツインと結び付けます。若手社員が設備を選択すると、AIが注意点、過去の故障、点検手順を説明する仕組みも考えられます。

建設業・不動産業はどう変わるのか

建設・不動産分野でも、BIMや点群データを保有するだけでなく、運用データとAIを接続することが重要になります。

1. BIMと点群の差分検出

設計時のBIMモデルと、現場で取得した点群データを比較し、施工状況や設計との差分を確認します。AIが差分を抽出し、確認すべき箇所を報告書へまとめれば、進捗確認や施工検査を効率化できます。

2. 工程遅延の予測

施工進捗、作業員数、資材搬入、天候、過去の工事データなどを組み合わせ、遅延リスクを予測します。AIエージェントが工程の入れ替えや人員配置の見直し案を提示することも考えられます。

3. 建物設備の予兆保全

竣工後の建物では、空調、エレベーター、照明、電力、給排水などのデータをデジタルツインへ集約し、異常傾向を検知して点検や交換のタイミングを最適化します。実際に、BIMとAI分析を組み合わせ、延床面積10万平方メートル規模のオフィスビルで、エネルギー、設備、空間管理などにデジタルツインを利用する事例も報告されています。

4. エネルギー利用の最適化

建物内の利用状況、外気温、人流、電力消費などを分析し、空調や照明の運転を最適化します。人が少ないエリアの空調を抑えたり、電力需要のピークを避けたりする制御が可能になります。

5. 施設管理情報のAI検索

建物や設備を選択し、自然言語で関連情報を検索します。例えば「この空調設備の型番、設置時期、保証期間、過去の修理履歴を表示してください」「同じ型番の設備で発生している不具合を一覧にしてください」「次回点検時に確認すべき項目を提案してください」といった使い方です。BIMを「納品して終わるデータ」から「建物を運用するAIの知識基盤」へ変えられます。

CAD・BIM・点群データを持っているだけでは競争優位にならない

多くの製造・建設企業では、すでに大量のデータを保有しています。しかし、現場では次のような問題が起きています。

• CADデータが担当者のパソコンに保存されている
• BIMと設備台帳が連携していない
• 点群データを取得したが活用されていない
• IoTデータは蓄積しているだけ
• 図面と保守記録が別システムにある
• データ形式や設備名称が統一されていない
• 必要な情報を探せる人が限られている

この状態では、データを持っていても業務改善にはつながりません。競争優位を生むのは、データ量ではなく、「現場を把握する → 問題を予測する → 対策を立案する → 現場へ反映する → 結果から学習する」というサイクルを回せることです。

自律型デジタルツインの導入はどこから始めるべきか

最初から大規模なデジタルツイン基盤を構築する必要はありません。むしろ、特定の業務課題に絞って、小さく始めることが重要です。

ステップ1：解決する業務課題を決める

「デジタルツインを導入する」ことを目的にしてはいけません。最初に、具体的な課題とKPIを決めます。例えば「設備停止時間を20％削減する」「点検報告書の作成時間を半減する」「図面検索時間を1回30分から5分へ短縮する」「エネルギー消費量を10％削減する」といったテーマです。

ステップ2：利用できるデータを棚卸しする

CAD、BIM、IFC、点群、IoTデータ、設備台帳、図面、仕様書、保守履歴、写真・動画、日報、生産管理データなど、社内にあるデータを確認します。量だけでなく、保存場所、形式、更新頻度、品質、アクセス権限まで確認します。

ステップ3：AI検索から始める

比較的始めやすいのは、既存データをAIで検索できるようにすることです。設備台帳、図面、仕様書、保守記録などを横断して検索するAIチャットを構築します。これにより、データ整備上の問題や、現場が本当に必要としている情報を把握できます。

ステップ4：リアルタイムデータを接続する

次に、効果が見込める設備や工程へセンサーを接続します。すべての設備を一度に対象にするのではなく、停止時の影響が大きい設備や、故障頻度が高い設備から始めます。

ステップ5：予測・異常検知を実装する

一定期間のデータが集まったら、異常検知や予測モデルを構築します。AIによる判定結果と、現場担当者の判断を比較しながら精度を改善します。

ステップ6：AIエージェントへ業務を任せる

最初は、AIに提案だけを行わせます。精度と安全性を確認したうえで、作業登録、担当者への通知、在庫確認など、リスクの低い業務から実行権限を与えます。設備制御など影響の大きい処理については、人間の承認を必須にするなど、段階的な設計が必要です。

導入時に注意すべき5つの課題

デジタルツインとAIエージェントの融合には、大きな可能性がある一方で、注意点もあります。最新研究でも、拡張性、説明可能性、信頼性などが共通課題として挙げられています。

1. データ品質

現実の設備とデジタル側の情報が一致していなければ、AIの判断も不正確になります。設備名称、型番、設置場所、センサー情報などを統一する必要があります。

2. リアルタイム同期

データの更新が遅れたり、センサーが誤った値を送ったりすると、デジタルツインと現実に差が生じます。どの程度の更新頻度が必要なのかを、用途ごとに設計しなければなりません。

3. AIの説明可能性

AIが設備停止や運転条件の変更を提案した場合、なぜその判断に至ったのかを説明できる必要があります。特に安全性に関わる現場では、判断根拠、参照データ、実行履歴を記録することが重要です。

4. セキュリティ

デジタルツインが設備制御システムとつながるほど、サイバー攻撃の影響も大きくなります。閲覧権限と実行権限を分け、AIエージェントが操作できる範囲を限定する必要があります。

5. 責任の所在

AIが提案した操作によって損害が発生した場合、誰が責任を持つのかを明確にしなければなりません。すべてをAI任せにするのではなく、重要度に応じて承認フローを設計することが求められます。

カトルセが考える「デジタルツイン×AIエージェント」の進め方

株式会社カトルセでは、デジタルツインを単なる3D可視化プロジェクトとしてではなく、現場改善につなげるAI活用プロジェクトとして捉えています。特に製造・建設分野では、次のような段階的な支援が考えられます。

• CAD・BIM・点群・文書データの統合：分散している図面、BIM、点群、設備台帳、仕様書、保守履歴などを整理し、検索・活用できるデータ基盤を構築します。
• 現場データを検索するAIチャット：設備、建物、部材、図面などに関連する情報を、自然言語で検索できるAIチャットを構築します。
• IoTデータを使った異常検知・予兆保全：センサーデータと過去の保守履歴を組み合わせ、設備異常や故障リスクを早期に発見します。
• AIエージェントによる現場業務の自動化：異常発見後の情報収集、マニュアル検索、担当者への通知、作業指示案作成などを支援します。
• 小規模PoCからの段階導入：特定設備・特定工程・特定施設に絞ってPoCを実施し、効果を確認したうえで対象範囲を拡大します。

まとめ｜デジタルツインの価値は「再現」から「改善」へ

デジタルツインは、現実世界をデジタル上に再現するだけの技術ではなくなりつつあります。最新研究では、その進化が「①現実世界をモデル化する → ②現実とデジタルを同期する → ③AIで予測・異常検知・最適化する → ④AIエージェントが自律的に管理する」の4段階に整理されています。

これから企業の競争力を左右するのは、CAD、BIM、点群、IoTデータを保有しているかどうかではありません。それらのデータをAIが理解し、現場の問題を予測し、改善行動につなげられるかどうかです。

デジタルツイン導入の第一歩は、高額なシステムを購入することではありません。自社にどのようなデータがあり、どの業務課題に活用できるかを整理するところから始めてみてはいかがでしょうか。

※ 本記事は2026年1月に公開された研究論文「Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models」および各社の公開情報をもとに、一般的な解説として整理したものです。技術動向や各製品の仕様は変更される可能性があります。記載の企業名・製品名は各社の商標または登録商標です。