ロボット動画より採用情報を見るべき理由

ヒューマノイドが歩き、物を運ぶ映像は、フィジカルAIの可能性を最も直感的に見せてくれます。しかし産業変化を人材市場から読むなら、デモ映像より組織図と採用情報の方が直接的な手掛かりになります。企業が実際にどんな組織をつくり、どんな役割を切り出して採用し始めたのかを見ると、技術トレンドが仕事とキャリアへ降りてくる地点が見えるからです。

2026年夏の韓国では、その変化がかなり具体化しています。Samsung ElectronicsはRX（Robotics eXperience）組織を新設し、ロボット関連の役割を複数レイヤーに分けて採用しています。LG ElectronicsはCEO直轄のロボティクス事業センターとロボット学習用データファクトリー組織を設けました。ここで見えるのは、単純な「AI研究者需要の増加」より複雑な変化です。

Samsungはロボット戦略を「組織」と「9つの細分化職種」まで落とし込んだ

Samsung Electronicsは2026年7月、CEO直轄のRX組織を新設し、ロボットの中核技術と事業戦略を一つの軸で進め始めました。続いて8月20日に始まったDX部門R&D経験者採用では、生産技術研究所とRX事業推進室を中心にロボット関連の細分化職種が9つ明記されています。学習ベースのロボット操作AI、アクチュエータ・ロボット制御、適応型制御、産業用ロボットモーション、ロボットハンド制御・電装、機構・電装、全身制御まで広がっています。

この求人だけで韓国全体のロボット人材不足や賃金プレミアムを論じることはできません。ただし、一社がフィジカルAIを実際の組織と役割へどう分解しているかを見るシグナルとしては有効です。AIモデル一つではなく、操作学習、アクチュエータ、モーション、電装、機構、全身制御がそれぞれ専門責任として切り分けられている点が重要です。

LGはロボット本体だけでなく「学習・統合・運用の仕組み」まで作っている

LG Electronicsは6月30日、CEO直轄のロボティクス事業センター新設を発表し、7月1日付で組織を稼働させました。事業開発・営業・オペレーションを備えた完結型の事業組織として運営し、その傘下にロボット学習用データファクトリーの専任組織も置きます。フィジカルAIでは実機だけでなく、現実世界の作業データを継続的に生産し学習させる仕組みそのものが事業インフラになりつつあります。

LG CNSのRX職務構造を見ると、人材市場への翻訳がさらに明確です。Robot SW Engineerはperception・意思決定・制御・motion planningとROSベースのソフトウェア、Robot HW/SI Engineerは機構・電装・駆動部とHW/SW統合・現場設置を担います。Physical AI EngineerはRobot Foundation Model、学習パイプライン、simulation・teleoperation・ロボットデータを扱い、Robot Workforce Platform Engineerは複数種類のロボットをfleet・スケジューリング・クラウド運用基盤で統合します。

米国では「学習させる・検証する・運用する仕事」まで分化している

米国の先行シグナルでは、役割の分化がさらに広がっています。Teslaの現在のOptimus採用にはData Collection OperatorやData Collection Supervisorといったデータ運用職から、強化学習、embedded systems、simulation、system validation、manufacturing controls、robotics manufacturingまで異なる責任が並びます。設計エンジニアだけでは、学習データの生成から量産・検証までの全ループを埋められないことが分かります。

注目すべきなのは、単に「AI職が増える」という話ではありません。生成AIの成長に伴ってdata engineering、MLOps、インフラなど周辺職種が広がったように、フィジカルAIはその生態系を物理世界へ拡張します。センサーとアクチュエータ、実作業データ、安全、製造、現場検証、運用がモデル性能と切り離せない構造です。

日本は強い製造・ロボット基盤の上にAIを載せる経路を示す

日本は米国とは出発点が異なります。FANUCは2026年に公開した資料で、Googleとの協業とNVIDIAとの連携強化を基盤に次世代フィジカルAIロボットシステムを示しました。Google Gemini Enterpriseを用いたAIエージェントが産業用ロボットと協働ロボットを協調させてキッティングを行う例や、NVIDIAの技術を用いた模倣学習で2台のCRX-10iAがTシャツを畳む例も公開しています。

これは既存の産業用ロボット・製造自動化の蓄積が、AI agent、imitation learning、open platformと結び付く場面です。米国にAI・ソフトウェア側から物理世界へ降りてくる強い流れがあるとすれば、日本には蓄積したロボット・制御・製造能力の上にAIを載せる強い経路があります。韓国は電子・半導体・自動車・バッテリー・製造基盤とAI能力を同時に持つため、二つの経路が重なる市場になり得ます。

先に再評価される可能性があるのは「境界にいる人材」だ

現在公開されている組織・採用シグナルからは、いくつかの経験の組み合わせが再評価される可能性を読み取れます。AIモデルを実機のperception・planning・controlにつないだ人、motion control・actuator・mechatronicsにsimulationや学習を組み合わせられる人、teleoperationと実ロボットデータを収集・整備・学習ループにつなぐ人、HW/SW統合と現場立ち上げまで経験したSI・自動化人材です。

もう一つは、従来のロボット人材だけでは捉えにくい領域です。ロボットが数十台、数百台へ増えれば、fleet management、distributed system、cloud、scheduling、monitoringが重要になります。Backend・Cloud・Platform経験者でも実機運用につなげられる人にはフィジカルAI生態系へ移る余地があります。重要なのは専攻名ではなく、異なる技術レイヤーのインターフェースを担えるかどうかです。

企業のJDも「ロボットエンジニア」の一言から抜け出す必要がある

企業がフィジカルAI人材を探す際、「ロボット専門家」「AI・ロボットエンジニア」と広く定義するだけでは候補者市場を正しく分けにくくなります。必要なのがRobot Foundation Modelなのか、manipulationとcontrolなのか、機構・電装なのか、simulationとdataなのか、現場system integrationなのか、fleet運用基盤なのかで、対象となる候補者は大きく変わります。

採用の第一歩は人気技術名をJDへ足すことではなく、解くべき問題と責任の境界を先に分けることです。同じROS2経験でも、研究プロトタイプを作った人と工場へ導入し長期運用した人では強みが異なります。フィジカルAI採用の難易度は人材の絶対数だけでなく、企業が求める「接続範囲」をどこまで正確に定義できるかにも左右されます。

個人の問いも「ロボット専攻か」より「どの二つの層をつなげるか」に変わる

フィジカルAIへ移るために、全員がロボット工学の学位からやり直す必要はありません。Computer Vision開発者はrobot perceptionへ、強化学習経験者はmanipulationやcontrol policyへ、機械・制御エンジニアはAIを使ったmotion・simulationへ、Backend・Cloudエンジニアはrobot fleet platformへ、スマートファクトリー・FA経験者はsystem integrationへ既存経験をつなげられます。

ただし「興味がある」だけではキャリア価値は変わりません。実機へモデルを載せた経験、失敗データを扱った経験、latency・safety・reliabilityといった物理制約を解いた経験、現場でHWとSWを一緒にデバッグした証拠の重要性が高まる可能性があります。新産業が立ち上がる時、最初に価値が変わるのは完全な新職種より、既存経験が新しい問題と接続される地点であることが少なくありません。

BANSEOG VIEW

フィジカルAI人材市場は「新しい職業」より「新しい組み合わせ」から先に開く

Samsung・LGの韓国シグナルとTesla・FANUCの米国・日本の事例を並べると、共通点は明確です。ロボットを一つの技術職にまとめるのではなく、AI、ソフトウェア、制御、機械、データ、製造、運用をより細かく分け、再びつないでいます。現時点の公開資料だけで各職種の賃金がどれだけ上がるかは言えませんが、企業がどの責任を独立した役割として作り始めたかは観察できます。

Banseog SearchはフィジカルAI人材市場を「ロボットエンジニアが何人必要か」ではなく、「どの技術レイヤーをつなぐ役割が生まれているか」という視点で見ます。企業にとっては必要な接続範囲を先に定義することがSearchの出発点であり、個人にとっては実際につないだシステムと現場経験を証明することがキャリア価値を説明する出発点になります。

SOURCES

参照した主な資料

この記事で使った企業組織・採用資料は、現在公開されている役割定義と事業方向を示すシグナルです。特定職種について韓国全体の不足人数や賃金プレミアムを測った統計ではないため、「求人がある＝市場全体で人材不足・賃金上昇」とは一般化していません。米国と日本の事例は韓国市場規模を推計するためではなく、役割構造がどのように広がるかを比較するbenchmarkとして使っています。