花王のマテリアルズ・インフォマティクス(MI)は、触媒や樹脂の物性を予測する技術から、洗剤などの処方探索、製造設計に近い現場のデータ活用まで広がっています。特徴として読み取れるのは、予測結果を研究者の判断に結びつけることと、その判断を担う人材を育てることを並行して進めている点です。
本記事は、日本の化学・素材メーカーのMI活用事例を売上高順に深掘りする連載の第6回です。花王について、技術・組織づくり・人材育成・外部連携・事業への貢献の5つの観点から整理します。掲載順は連載の基準に従うもので、MIの優劣を示すものではありません。
この記事で学べること
- 触媒画像・化学構造・原子シミュレーションを使い分ける花王の技術展開
- 商品開発研究と基盤技術研究をつなぐ組織運営の考え方
- 講演、講義、実務への伴走を組み合わせた人材育成
- 大学との手法開発、外部ツール導入、現場育成支援の役割の違い
- 溶媒探索や自動配合の成果を、事業価値につなげて評価する視点
資料確認日:2026年10月29日。花王の公式資料と、協業先による当事者インタビューを用いています。公開事実と本記事の考察を区別し、過去の事例を現在の全社運用と同一視しないよう整理しました。MIと、製造工程・運転操作を主な対象とするPI・OIの範囲も分けて説明します。
1.花王のMIは「素材」と「処方」の両方を扱う
花王は公式サイトで、高活性触媒の開発や、洗浄性を高める界面活性剤の組み合わせ提案にMIを活用していると説明しています。対象は産業用薬剤から衣料用洗剤まで及び、長年蓄積した研究データを活用する方針です。[1]
ここで押さえたいのは、単一物質の性能予測だけが課題ではないことです。触媒であれば、構造と反応の関係を考えます。処方であれば、複数成分の配合と性能の関係を扱います。製法まで含めれば、同じ成分構成でも作り方によって品質が変わり得ます。必要な入力、評価指標、実験で確認する項目は、課題ごとに異なります。
花王の取り組みを読む際は、「どのAIを使ったか」に加えて、どの研究判断をデータで支えようとしているかを追うと理解しやすくなります。MIそのものの基本は、マテリアルズ・インフォマティクスとはでも解説しています。
2.技術:少量データの予測から、計算・実験の連携へ
2-1.触媒画像と樹脂構造から、性能と設計の手掛かりを得る
2020年、花王と奈良先端科学技術大学院大学は、触媒の電子顕微鏡画像からの活性予測と、ポリエステル樹脂の化学構造からのガラス転移点予測を発表しました。少量データを補う工夫に加え、予測に影響する箇所を可視化する取り組みです。[2]
触媒の事例では、143枚の画像を切り出しなどで1万枚に拡張しています。これは1万種類の触媒を独立に測定したことを意味しません。画像の拡張と独立した試料の追加は区別して読む必要があります。樹脂の事例では外部の化学構造データベースを利用し、構造中の着目箇所を解釈しています。[2]
本記事の考察として、このような可視化の価値は、次の検証仮説を立てやすくする点にあります。モデルが注目した場所について、研究者が構造や反応の知識と照らし合わせ、条件を変えて確かめる。予測の説明を、そのまま因果関係の証明と受け取らないことが大切です。
2-2.原子レベルの計算を、実験に先立つ判断へ使う
2023年公開のMatlantis導入事例では、花王の解析科学研究所が2021年から同サービスを導入し、触媒開発に活用したと説明しています。取材では、計算結果を実験者に役立つ情報へ組み立てる必要性や、実験部門との時間差が小さくなったことが語られています。[3]
この事例から読み取れる技術導入の要点は、計算そのものに加え、結果から何を提案するかを自社で設計することです。安定性、反応の起こりやすさ、比較した条件などがそろって初めて、次に試す候補や条件を議論できます。高速な計算基盤を研究の判断へ接続する部分に、材料と計算の両方を理解する役割があります。
なお、導入事例に登場する計算速度の大幅な向上を、製品開発期間全体の短縮率へ置き換えることはできません。実験・評価・製造検討などを含む期間とは、比較対象が異なるためです。
2-3.877種の溶媒探索と、AI・自動配合の展開
2024年のDX戦略説明会では、パワー半導体向け洗浄剤の事例として、877種から実験なしで最適溶媒を選択したと紹介されています。この表現は溶媒選択の工程に対応しており、洗浄剤の開発・性能確認・品質保証まで実験不要になったと解釈すべきではありません。[4]
さらに、2026年の研究開発戦略説明会では、機械学習による予測、データを用いた実験計画、自動配合を組み合わせた探索が示されています。資料では生産性3倍の例が紹介されていますが、全研究テーマ共通の改善率ではありません。[5]
これらは、候補を選ぶ計算と、データを増やす実験の双方を改善する方向と理解できます。ただし、個別テーマでの自律実験の範囲、設備構成、全社への導入率までは、今回の資料から確定できません。
| 技術・事例 | 支える判断 | 読む際の注意点 |
|---|---|---|
| 画像・化学構造による予測 | 性能に関係する構造の仮説を立てる | 画像拡張は独立試料の増加ではない |
| 原子レベルのシミュレーション | 実験に進める候補や条件を考える | 計算速度と開発全体の速度を分ける |
| 877種の溶媒からの選択 | 探索対象を絞る | 実験なしの範囲は選択工程 |
| AIと自動配合 | 組成探索の実行を速める | 生産性3倍は資料で示された例 |
3.組織づくり:専門技術と現場の判断を結びつける
3-1.商品開発研究と基盤技術研究のマトリックス運営
花王は、商品開発研究と基盤技術研究を組み合わせるマトリックス運営を、研究開発の特徴として説明しています。生活者のニーズを商品へ結びつける活動と、物質や現象の仕組みを掘り下げる活動を連携させる構造です。[6]
MIの立場で考えると、基盤側は解析・計算の方法を深め、開発側は評価する性能や実用上の制約を提示する関係が重要になります。例えば予測精度が高くても、その入力が開発の初期に手に入らなければ候補選択に使えません。双方が早い段階で課題を共有することが、技術を現場で使う前提になります。
公開事例では、2020年の共同研究にマテリアルサイエンス研究所、2023年の計算化学事例に解析科学研究所が登場します。ただし、これらの所属情報だけから、2026年現在のMI組織全体や指揮命令系統を描くことはできません。
3-2.デジタル部門が、現場の自走を支える
2025年公開の日立との育成事例では、デジタル戦略部門とSCM部門の技術開発センターが登場します。現場の知識がなければ分析結果の妥当性を判断しにくいという課題から、業務を知る担当者自身がデータを使えるよう支援する方向が説明されています。[7]
本記事では、この事例を花王のMI専任組織そのものとは位置づけません。製造設計に近い領域を含む、データ活用体制の具体例として扱います。そのうえで、解析を実行する能力と、結果を業務に適用できるか判断する能力を結びつける設計は、材料開発のMIにも参考になります。
3-3.研究テーマの選択と人材配置まで視野に入れる
2026年の説明会Q&Aでは、研究テーマを可視化して定期的に見直す運用や、基盤技術研究と商品開発研究の連携に向けた人材の配置転換が説明されています。これは研究開発全体の管理施策であり、MIだけの制度ではありません。[11]
MI推進への示唆としては、解析支援の件数に加えて、そのテーマを続ける意味や事業上の優先順位も見直す必要があります。予測モデルを完成させることと、研究資源を適切な課題へ振り向けることを、つなげて考えるためです。
4.人材育成:関心を持つ段階から、実務で使う段階へ進める
4-1.講演と講義を、現場の課題に合わせる
日立の公開事例によると、2023年9〜10月の導入講演には約230名が参加し、同年11〜12月には隔週4回のWeb講義が実施されました。Web講義には毎回約100名が参加しています。これらは参加人数であり、MI専門家の育成人数や認定者数ではありません。[8]
教育設計として注目したいのは、花王側からのフィードバックに応じて内容を調整した点です。受講者が、自分の業務のどこで使えるかを考えられるようにする。そのためには、手法の一般的な説明とともに、現場で起こる迷いや判断を題材にする必要があります。
4-2.実際のテーマで、要件整理とタスク設計を学ぶ
続く伴走支援は2024年6月に始まり、約20件のテーマが採択されています。公開記事では、対象は主にPI・OIと明記されています。分析に入る前の要件整理やタスク設計を重視し、化粧品の製法・処方の類似性を整理する試作ツールも紹介されています。[9]
ここからの学びは、業務の問いを解析で扱える形へ変える練習を、実務の中に置くことです。「品質を安定させたい」という要望だけでは、何を予測するかは決まりません。どの時点で得られる情報を使い、どんな判断を変え、何をもって有効とするかを定める必要があります。
| 段階 | 確認できる内容 | MI推進への学び〈本記事の考察〉 |
|---|---|---|
| 関心を広げる | 導入講演、業務課題との接続 | 自分の仕事に使う場面を想像できるようにする |
| 基礎を学ぶ | Web講義、内容の調整 | 現場の質問を教材へ反映する |
| 実務で試す | テーマへの伴走、要件整理・タスク設計 | 課題を解析可能な問いへ変える |
| 継続利用へつなぐ | 試作ツールと成果の共有 | 学んだ人が次の課題でも使える環境を整える |
4-3.人数に加え、できるようになった仕事を確認する
日立との事例の最終回では、現場側で進められる工程が増えたことや、支援側の判断軸が明確になったことが報告されています。一方、使いやすい解析環境の整備や教育プログラムの改善は、今後の課題としても示されています。[10]
この点を踏まえると、育成の評価では、受講者数とともに「課題を言語化できる」「データの不足を指摘できる」「結果を次の検討に使える」といった行動を追うとよいでしょう。これは本記事の提案であり、花王が公開している認定基準ではありません。
5.外部連携:手法開発・計算基盤・実務育成を使い分ける
花王の公開事例には、異なる目的の連携が見られます。大学との予測手法の共同研究、外部の計算サービスの活用、実務を通じた人材育成の支援です。これらを一括して「AI企業との協業」と捉えるより、社外から何を取り込み、自社に何を蓄積するのかを見ると実像がわかります。
| 相手・基盤 | 確認できる関係 | 主な役割 |
|---|---|---|
| 奈良先端科学技術大学院大学 | 2020年発表の共同研究 | 少量データを用いた予測・解釈の手法開発 |
| Matlantis | 2021年導入、2023年公開の活用事例 | 原子レベルの計算基盤の活用 |
| 日立製作所 | 2023年の教育、2024年開始の伴走支援 | 現場でデータを使うための育成と実践支援 |
ここでの考察は、外部の専門性を、社内の研究判断に結びつく形で取り込むということです。新しい手法を学ぶだけでなく、結果を評価する知識や、次に何を確かめるかを考える力も必要になります。上表は各資料で確認できる範囲の整理であり、3つの取り組みが単一の全社プログラムとして運営されていると示すものではありません。[2][3][7]
6.事業への貢献:探索・実行・判断の改善を分けて見る
6-1.候補探索と実験の生産性を改善する
溶媒選択では多数の候補を計算で扱い、AIと自動配合では組成探索の実行を速める。両者は開発の異なる工程に効きます。自社でMIの効果を測る場合も、候補を絞るまでの時間、必要な実験数、目標に達するまでの期間など、工程に対応した指標が必要です。
6-2.人材育成と実務改善が同時に進む
日立の事例では、5件の成功事例が生まれ、従来なら約2年を要したような取り組みで、約半年で目標を達成したとの説明があります。これは担当者による比較・評価であり、全社の材料開発期間が一律4分の1になった実績ではありません。[10]
本記事の考察として、実務で使う成果物と、次のテーマを進める能力が同時に残ることには継続的な価値があります。その評価には、初回テーマの完了だけでなく、作成したツールの利用、他テーマへの展開、支援を受けた人の次の実践を追うとよいでしょう。
| 公開された内容 | 対象範囲 | 記事での解釈 |
|---|---|---|
| 877種からの溶媒選択 | パワー半導体向け洗浄剤の探索事例 | 候補選択への貢献。開発全体の無実験化ではない |
| 生産性3倍 | 2026年資料のAI・ラボオートメーションの例 | 全社平均や利益増加率には換算できない |
| 約2年相当から約半年 | 伴走型テーマ推進についての担当者説明 | PI・OIを含む取り組みの期間比較 |
| 5件の成功事例 | 日立との育成・実践プロジェクト | 全社のMI成功件数ではない |
6-3.研究の改善から、売上・利益までには検証すべき段階がある
花王は研究開発全体の評価に、営業利益を研究開発費で割るRORCも用いていると説明しています。ただし、その値からMIの利益貢献だけを切り出すことはできません。[11]
今回の資料で確認できる中心は、探索や業務の改善です。個別MI施策の寄与売上、利益、投資回収期間までは確認できませんでした。事業効果を論じる際は、研究段階の短縮、製品への適用、顧客への提供、収益への寄与という段階を追う必要があります。評価指標の考え方は、MIの事業価値を考える記事も参照してください。
7.自社のMI推進に取り入れたい3つの視点
以下は、公開事例をもとにした本記事の考察です。花王の社内制度や未公開の運営方法を示すものではありません。
① 解析の出力を、研究者が選べる行動に結びつける
予測値や構造の画像を見せるだけで終えず、「どの候補を試すか」「どの条件を変えるか」「何が不足して判断できないか」を話し合える出力にします。モデルの評価方法も、使う場面に合わせて設計する必要があります。
② 教育の次に、実務を進める機会を用意する
講義で知ったことを自分のデータで試すまでには、課題設定、データ整理、評価の壁があります。小さなテーマへの伴走や相談の場を設ければ、つまずきが具体化し、次の教育内容も改善できます。受講と実践をつなぐ設計が大切です。
③ 成果の数字に、工程と比較条件を添える
計算時間、実験数、検討期間、売上は別の指標です。どの工程が改善したかを明示すると、次に残っている課題も見えてきます。例えば候補選択が速くなっても評価が滞るなら、次の改善対象は評価工程になります。
8.花王のMIに関するよくある質問
Q1.花王のMIは洗剤だけが対象ですか?
公開事例には、触媒、樹脂、界面活性剤の組み合わせ、パワー半導体向け洗浄剤の溶媒探索などがあります。加えて本記事では、関連する現場のデータ活用として、製造設計に近い育成事例も扱いました。[1][2][4]
Q2.日立の人材育成事例は、材料探索のMIですか?
伴走テーマはPI・OIが中心と明記されています。MIの課題設定や分析設計の考え方を、製造業のより広い対象へ応用した事例として読むのが適切です。[9]
Q3.花王のMI専門家は何人いますか?
今回確認した資料では、MI専門家の全社人数は特定できません。講演の約230名やWeb講義の毎回約100名は、専門家数とは異なります。[8]
Q4.MIで開発期間や利益はどの程度改善しましたか?
個別の探索・生産性・テーマ推進の成果は公表されていますが、全社一律の開発期間短縮率や、MI単独の利益寄与額としてまとめることはできません。数字ごとに対象工程と比較条件を確認する必要があります。
9.花王の事例から見える、研究判断を変えるMI
花王の事例には、少量データを扱う予測、計算による候補探索、自動配合、実務への伴走型育成という複数の取り組みがあります。そこから見えてくるのは、データや計算を研究者が次の行動を選ぶために使う、という方向です。
自社へ取り入れる際には、最初に変えたい判断を定め、そのためのデータ、技術、役割、教育をそろえるとよいでしょう。成果は、判断がどう変わり、どの工程が改善し、それが製品や事業へどう届いたかを追って評価します。
連載全体は化学・素材メーカーのMI活用事例一覧をご覧ください。次回は売上高順で三井化学を取り上げます。
参考資料
- 花王「データサイエンスによる材料・処方開発」。公開日記載なし。MIの対象領域、研究データ、独自教育の説明。
- 花王「ディープラーニング技術を用いた新素材開発手法の開発」。2020年12月25日。奈良先端科学技術大学院大学との共同研究。
- Matlantis「商品開発期間の短縮に取り組む花王が…計算化学で実験の先回りを実現」。2023年10月3日。花王の解析科学研究所へのインタビュー。所属・取り組みは取材当時。
- 花王「DX戦略説明会」プレゼンテーション。2024年6月20日。資料表示p.26(PDF26枚目)の溶媒探索・発酵生産事例。
- 花王「研究開発戦略説明会」プレゼンテーション(スクリプト付)。2026年9月17日。資料表示p.20、23(PDF20、23枚目)のテーマ管理、AI・ラボオートメーション。
- 花王「研究開発」。公開日記載なし。商品開発研究と基盤技術研究のマトリックス運営。
- 日立「データサイエンス人財育成プロジェクト」第1回。2025年7月8日。現場とデジタル戦略部門の役割、3段階の支援。
- 日立「データサイエンス人財育成プロジェクト」第2回。2025年7月8日。2023年の講演とWeb講義。
- 日立「データサイエンス人財育成プロジェクト」第3回。2025年7月8日。2024年6月開始の伴走支援。対象はPI・OIが中心。
- 日立「データサイエンス人財育成プロジェクト」第4回。2025年7月8日。成功事例、期間短縮、今後の展開。
- 花王「研究開発戦略説明会 質疑応答要旨」。2026年9月17日。p.1の研究開発評価とテーマ・人財配置の説明。


