役に立つロボットのタスクは、人が集まらない仕事から探す ― 箱の組み立てデモから研究テーマの選び方を組み直す

2026年9月24日、SB IntuitionsがXで、同社ロボティクスチームのVLA（カメラの画像と指示文を受け取り、ロボットの関節の動きを直接出力するAIモデル）が、段ボール箱の組み立てを人の操作なしでやり遂げた動画を公開した。動画では、2本のアームが机の上の段ボール箱を組み立てていく。

このポストには、別のユーザーから引用で反応がついた。面白く、技術的にも優れていて、学術的な意義も分かる。ただ、段ボールを組み立てる機械はすでに世の中にあるので、実用性はないだろう。ほかに役立ちそうな作業を選んでほしい、という趣旨だった。実際、国内ではスター精機が2025年3月に段ボール箱の自動組立ロボットシステムの販売を始めている。

この記事は、その指摘をきっかけに、ロボットに何の作業をさせるべきかを調べ、その結果を別のAI（codex）に「間違っている前提」で検証させ、崩れたところを直すまでの記録である。

箱の組み立てデモに付いた「専用機がある」という指摘

役に立ちそうなタスクがなにかを決めるのが実は結構大変よな。

ロボット研究で題材になる作業と、現場で人手が足りない作業は、同じとは限らない。ずれる理由は3つ考えられる。

• 量が多く形が決まった作業には、すでに専用機がある。 専用機は速くて安い。汎用のロボットに勝ち目があるのは、品種が多く量が少なく、専用機を入れても元が取れない作業だ。ただ、そういう作業は現場の外から見えにくい。

• 研究では、成否をはっきり測れて動画で伝わる作業が選ばれやすい。 箱の組み立ては、薄い紙を扱い、2本の腕のタイミングを合わせ、手順も長い。技術の力を示す題材としてはよくできている。一方で現場の困りごとは、何をもって成功とするかが曖昧なことが多い。

• 現場の人は、自分の作業を工程に分けて言葉にしていない。 どの工程に何人が張り付いていて、なぜ機械化されていないのかは、誰かが聞き出して整理しないと出てこない。

3つ目は、アパレルの量産で、遠くの工場が読んで同じものを作れる仕様書を書いてきた経験と重なる。作業を工程に分けて、誰が読んでも同じ動きになるように書く。現場の作業をロボットの題材にするときにも、同じ手間が要る。

産業ごとに有望な作業を並べると、既存の導入事例の一覧になった

— 実際に役立つ作業は、産業ごとにどんなものがあるか。

最初は素直に、産業ごとにロボット化が進みそうな作業を調べた。コンビニの飲料補充、惣菜の盛り付け、配線部品（ワイヤーハーネス）の組み立て、ホテルのタオルやシーツを洗って届けるリネン工場、衣服の縫製、トマトのハウス栽培、倉庫での荷降ろし。どれにも実証や導入の発表があった。

たとえばコンビニの飲料補充では、Telexistenceのロボットが1日1,000本以上を補充し、人が手を貸すのは20回未満だと説明されている（技術を提供する側の事例紹介）。残っている手助けの代表は、棚の中で倒れたペットボトルを立て直す作業だ。倒れる向きも位置も毎回違うので、決めた動きでは対応できない。

並べてみると、この調べ方では、企業がすでに発表している事例の一覧にしかならなかった。「ロボットに合う作業は何か」から探すと、ロボットを作る側から見えている作業しか出てこない。その中に、本当に人が足りていない作業が入っているかどうかは、この一覧からは分からない。

人が集まらない仕事を先に探し、あとからロボットに合うものを絞る順番

人がほんとうに集まらないけど、世の中には常に必要である業務を見つけるのが大事だよね。実はどれがロボットのタスクに合うか？より、徹底的に人が集まらない職種、業種、タスクを探す方が情報も集まりやすくない？？？まずはそれを調査、分析したあとに、その中でロボットやフィジカルAI技術に置き換えやすいものを探したらいいんじゃない？

順番を逆にすると、公的な統計が使える。ハローワークの職業別の有効求人倍率（仕事を探している人1人に対して、求人が何件あるか）、帝国データバンクが集計する人手不足が原因の倒産件数、外国人材を受け入れる「特定技能」制度で、国が決めた受入れ人数の上限にどこまで近づいているか。どれも、ロボットを売りたい側の都合では選ばれていない数字だ。

2026年7月、常用（パート含む）の値。この表の職業計は1.05倍。

人手不足が原因の倒産は、2025年度に441件だった。建設業が112件、道路貨物運送が55件、老人福祉が22件、飲食店が21件。外食業では、特定技能の在留人数が上限の5万人に達する見込みとなり、2026年4月13日以降の申請から新規の受入れが原則停止された。

同じ物流の中でも差がある。厚労省の職業情報サイト（job tag）に載っている令和7年度の全国値では、積卸作業員（トラックやコンテナから荷物を降ろす人）が4.87倍、ピッキング作業員（棚から商品を取り出す人）が0.81倍だった。サイト自身が、この値はその職業だけを表すとは限らないと注意書きしている。それでも、重い箱を降ろす仕事と、棚から商品を取る仕事とで、人の集まり方が大きく違うことは読み取れる。

1本目のレポートが出した最有望3タスク

— 人手不足の深さと、ロボットへの置き換えやすさを掛け合わせると、どの作業が残るか。

この順番で、Claudeに調査と分析をさせた。1本目のレポートは、コンテナからの荷降ろし、リネン工場での布の取り扱い、惣菜の盛り付けを「最有望の3つ」とした。

ほかにも、いくつか強い主張が入っていた。ピッキングや品出しは人手不足ではない。既存の機械で8割をこなし、残り2割の例外を学習させたAIで扱う形が現実的だ。外国人材の受入れ上限に届く時期が、そのまま自動化に投資する時期になる。

読んだ時点では筋が通って見えた。ただ、同じAIが調べて同じAIがまとめたものは、同じところを見落とす。そこで、このレポートを別のAIに反論させることにした。

codexに敵対的検証してもらいます。

codexへの依頼文には、「このレポートは間違っている」という前提で検証すること、褒める必要はないこと、数字は厚労省や帝国データバンクなどの一次資料と照合すること、確認できなかったものは推測で埋めず「未確認」と書くこと、を明記した。見てほしい点として、年度の違う数字を並べていないか、出典のない数字がないか、成功事例だけを集めていないか、も挙げた。

codexの検証で、数字は合っていて結論だけが崩れた

— 1本目のレポートのどこが、一次資料と照らして崩れるか。

codexの結論は、このまま事業の優先順位を決める資料として使うのは不適切、というものだった。ただし、数字の多くは正しかった。2026年7月の職業別の求人倍率は厚労省の原表と一致し、倒産件数も帝国データバンクの公表値と一致した。崩れたのは、その数字から引いた結論のほうだった。

誤りの多くは、ひとつの数字が表している範囲より広いことを、その数字に言わせていたことだった。0.29倍は「ピッキング」単独の値ではない。企業が発表した最大の処理量は、条件付きの最大値であって、毎日の平均ではない。「人が足りないか」を示す数字と、「ロボットで置き換えられるか」を判断する材料を、単位が違うまま一つの順位に混ぜていた。

codexは、失敗や撤退の事例も探していた。名前の出た3つの作業では、導入をやめた一次の公表は見つからなかった。ただ、それは失敗がなかった証拠にはならない。成功した発表だけを集めても、「できる」とは言えるが、「最も有望」とは言えない。

事業を選ぶ資料か、研究テーマを選ぶ資料か

— このレポートは、何を選ぶための資料なのか。

codexの指摘の中で一番大きかったのは、数字の誤りではなく、レポートの目的が決まっていなかったことだった。何を選ぶかによって、同じ作業の評価が逆になる。

つまりVLAや学習でしか解けない部分が対象になります。評価軸は「他人が同じ環境で再現できるか」

選んだのは、研究と発信のテーマの方だった。このプロジェクトは、他人が同じ手順で同じ結果にたどり着ける環境を増やすことを、主な目標にしている。だから評価の基準も、他人が同じ部材で組み直して、同じ基準で成功か失敗かを測れるかどうか、になる。

冒頭の箱の組み立てに戻ると、「実用性はない」という指摘は、事業の物差しで測れば正しい。研究の物差しで問われるのは別のことで、決まった箱を決まった手順で組む部分ではなく、専用機に任せられない部分を切り出せているかどうかだ。

研究テーマを選ぶ3つの基準と、卓上に縮めたときに落ちるもの

— 研究テーマとして選ぶなら、何を基準にするか。

検証を受けて、基準を3つに組み直した。

• 人が集まらないことを、一次資料で示せるか。 求人倍率・倒産件数・特定技能など。ただし、これらは職業や業種という大きな単位の数字で、個々の作業の不足を直接示すものではない。

• 専用機や、ルール通りに動くプログラムでは解けない部分が残っているか。 量ってからやり直す、カメラで位置を測って補正する、といった従来の方法で解ける部分は外す。「なぜ学習が要るのか」を、具体的な物と動きの1文で言えることを条件にする。

• 他人が同じ環境を組み直し、同じ基準で測れるか。 対象物を商品名で指定できるか、卓上と個人の予算で組めるか、成功を同じ道具で同じ数字として測れるか、重い物や刃物や人との接触がないか。

この3つで4つの候補を並べた。どの候補にも、卓上に縮めたときに現場から落ちるものがある。落ちるものが大きい候補は、卓上で解けても、現場の課題を解いたことにはならない。

ペットボトルの立て直しは、卓上で組むのが一番簡単だが、品出しを含む職業の求人倍率は0.29倍で、人が集まらない根拠を示せない。崩れた箱の積み直しは逆で、人手不足の根拠は一番強いが、現場では箱の重さがロボットの作り方と速さを決めている。卓上の軽い箱では、現場の難しさの中心が抜けてしまう。

候補から外した作業もある。段ボール箱の組み立ては、市販の専用機がある。鉄筋の結束は、専用ロボットで人の手助けが1割未満になったという現場実験の報告がある。介護の身体介助と交通誘導は、人の体に触れるか公道での作業になり、卓上で安全に再現できない。

最初の候補は、絡まる具材を狙った重さだけ容器に取る作業

— 最初に手を動かすなら、4つの候補のどれか。

惣菜工場では、ひじきやきんぴらのような具材を、容器に決められた重さで盛り付ける。盛り付けるロボットは、すでにある。Connected Roboticsの盛付ロボットは、入れすぎた分を取り除いて重さを合わせ、きんぴらで1時間に最大1,000パック近くを処理した例が公表されている（企業の発表で、条件付きの値）。つまり、量ってからやり直すことで重さを合わせる部分は、学習させなくても解けている。

残るのは、絡まる具材を同じ動きで掬っても、毎回取れる量が違うことだ。やり直しが増えるほど、1パックあたりの時間が延びる。1回目で狙いに近い量を取る動きと、初めて扱う具材に少ない見本で合わせること。この2つが、学習でしか解けない部分の候補になる。

卓上では、商品名で指定できる乾燥ひじきなどを使い、キッチンスケールで重さを量る。記録するのは、狙いの重さから何gずれたかと、狙いの範囲に入るまで何回掬ったか。はかりがあれば、誰でも同じ数字を測れる。片腕で試せる。

まだ確かめていないことが2つある。ひとつは、盛り付けの現場で、実際に人の手に残っている工程がどこなのか。一次資料で確認しないまま始めると、専用機がすでに解いた部分を卓上で解き直すだけになる。もうひとつは、乾燥した具材で測った結果が、水分や油を含む実際の惣菜にどこまで当てはまるか。どちらも、手を動かす前に調べる。

箱の組み立てデモへの指摘から、題材を選ぶ手順が決まった

最初の問いは、役に立つ作業は何か、だった。調べる順番を変えて、人が集まらない仕事から始めた。そこからロボットに合う作業を選んだ1本目のレポートは、数字は合っていたが、結論が数字より強く、何を選ぶための資料なのかも決まっていなかった。codexの検証を通って残ったのは、候補の順位ではなく、題材を選ぶ手順のほうだった。

人が集まらない仕事から出発し、専用機がまだ解いていない部分を切り出し、他人が同じはかりで測れる形にして公開する。