10領域を「技術・データ・成熟度」で並べた一覧
製造業のAI活用は、工場の業務に沿って10の領域に分けられます。下の表は、各領域で使われる代表的な技術、学習や判定に必要なデータ、現場での実装の進み具合（成熟度）を同じ軸で並べたものです。成熟度は公開事例の量と、既製品で導入できるかどうかを基準にした編集部の評価です。
| 領域 | 主なAIの機能 | 代表的な技術 | 必要なデータ | 成熟度 |
|---|---|---|---|---|
| 外観検査 | 判定 | 良品学習（PatchCore等）、物体検出 | 製品画像、限度見本 | 高い（既製品が多い） |
| 予知保全 | 判定・予測 | 異常検知、振動・電流解析、余寿命推定 | 振動・電流・温度、保全記録 | 中（異常検知は実用、余寿命推定は限定的） |
| 需要予測 | 予測 | 勾配ブースティング、時系列基盤モデル | 受注・出荷実績、販促、カレンダー | 中〜高 |
| 生産計画 | 最適化 | 制約プログラミング、数理最適化 | 工程表、標準時間、段取りマトリクス、MES実績 | 中（マスタ整備が前提） |
| 品質・プロセス分析 | 予測・最適化 | 多変量SPC、ソフトセンサー、ベイズ最適化 | 工程条件、検査結果、ロット履歴 | 中 |
| 技能伝承・作業分析 | 判定・生成 | 姿勢推定、動画解析、社内文書RAG | 作業動画、手順書、保全履歴 | 中（生成AIで伸びている） |
| 設計・開発 | 生成・予測 | 生成設計、CAE代替モデル、図面AI | CAD、解析結果、図面 | 低〜中 |
| 調達・SCM | 予測・最適化 | 価格予測、在庫最適化、リスク検知 | 購買実績、リードタイム実績、市況 | 低〜中 |
| 省エネ | 予測・制御 | ベースライン回帰、最適制御 | 設備別電力、稼働実績、外気温 | 中 |
| 安全 | 判定 | 物体検出（保護具・侵入） | 現場カメラ映像 | 中 |
このほか、紙の検査記録や点検表をデータ化するAI-OCRは、他の領域の前処理として横断的に使われます。
成熟度の高い領域：外観検査・予知保全・需要予測
外観検査は、良品の画像だけで学習する方式が実用段階に入り、既製品の選択肢が最も多い領域です。キユーピーは2018年8月に、良品のパターンを学習するAI原料検査装置を実ラインで稼働させました（同社の統合報告書・MONOistの報道）。ただし精度の大部分は撮像系で決まり、欠陥が画像に写らなければAIでは検出できません。詳しくは外観検査AIの解説を参照してください。
予知保全は「いつもと違う」を見つける異常検知までは実用的ですが、「あと何日で壊れるか」という余寿命推定は、故障まで運転したデータが工場にほとんどないため、適用できる場面が限られます。誤報が多いと現場が警報を無視するようになり、McKinsey（2021年）は誤報率10%で節約効果が消えた事例を挙げています（Reliable誌のまとめによる二次情報）。進め方は予知保全AIの解説にまとめています。
需要予測は手法の比較研究が最も進んだ領域です。Walmartの販売データを使ったM5コンペ（2020年）では、上位のほとんどがLightGBMを使い、上位50手法はすべて多数の系列を1つのモデルで学習する方式でした。一方で、出荷実績を需要と見なすと欠品期間の需要を過小評価するなど、データの定義を誤ると精度以前の問題が起きます（需要予測AIの解説）。
データ基盤が前提になる領域：生産計画・品質分析・省エネ
生産計画、品質・プロセス分析、省エネの3領域は、AIの手法そのものより「工程データをロットや設備に紐付けられるか」で成否が決まります。
- 生産計画：日立は日立ハイテクの半導体製造装置の生産計画を制約プログラミングで自動立案し、月最長5日かかっていた立案作業を月1日以内にしました（日立、2023年5月発表）。ただし標準時間と実際の工程時間がずれていると、その誤差がそのまま計画の誤差になります。MESの実績で標準時間を更新できることが前提です。
- 品質・プロセス分析：不良の要因を探るには、検査結果と、そのロットが通った工程条件を結び付ける必要があります。ラボの分析値と工程データのタイムスタンプが合わないと、分析が成り立ちません。
- 省エネ：設備別の電力を測っていても、生産量で補正しないと「削減効果」を正しく出せません。電力データとMESの稼働実績を紐付けることが出発点です。
生成AIで広がった領域：技能伝承・設計・品質文書
生成AIの登場で、文書やナレッジを扱う領域の選択肢が広がりました。パブリカ（ものづくり新聞）の事例DBでは、2026年6月末時点で製造業の生成AI関連事例が756件あり、最多は「経営・全社ナレッジ活用」の243件、次いで生産現場130件、設計・開発83件でした。
ただし生成AIが向くのは「文書・知識の扱い」で、数値の判定や予測は従来の分析系AIの領域です。WEFが2025年1月に選んだ先進工場（ライトハウス）でも、上位ユースケースの77%は分析系AIによるもので、生成AIを使ったものは9%でした。使い分けは生成AIと予測AIの違いで整理しています。
自社の領域を選ぶときの判断基準
10領域のどこから始めるかは、技術の流行ではなく、次の3点で決めます。
- 効果の金額が大きいか：不良、停止、工数、在庫のうち、自社で最も金額が大きい損失がどこにあるか
- データがすでにあるか：その領域に必要なデータが、どの粒度で何年分残っているか
- 結果の受け取り手がいるか：AIの判定や予測を受けて業務を変える部署と担当者が決まっているか
候補を点数で比べる方法はAI導入テーマの選び方で解説しています。
よくある質問
製造業で最も使われているAIの用途は何ですか？
海外の調査では品質関連が上位です。Rockwell Automationの第10回スマート製造調査（2025年3月、17か国1,560人）では、2025年にAI/MLを製品品質に適用する予定の回答が50%で、品質管理が2年連続でAI用途の首位でした。日本ではMONOistのスマート工場動向調査2026でも、AI画像認識による品質検査とAI予知保全への関心が高いという結果でした。
1つの領域で成功すれば、他の領域にも広げられますか？
生成AIはどの領域で使えますか？
手順書や保全記録の検索（技能伝承）、不具合報告書の下書き（品質）、図面や過去設計の検索（設計）など、文書と知識を扱う業務で使えます。検査の良否判定や需要の数値予測には、分析系のAIを使うのが基本です。
- キユーピーレポート2020 p10-11（キユーピー, 2020年）
- AIで原料を判定、キユーピーの挑戦（MONOist, 2020年4月3日）
- M5 accuracy competition: Results, findings and conclusions（Makridakis et al., 2020年10月）
- Predictive Maintenance ROI Benchmarks（Reliable Media, 2026年6月9日）
- 日立ハイテクの半導体製造装置における生産計画の自動立案（日立製作所, 2023年5月24日）
- 製造業DX事例分析 vol.01（パブリカ/PR TIMES, 2026年7月17日）
- Global Lighthouse Network 2025（World Economic Forum, 2025年1月14日）
- Ninety Five Percent of Manufacturers Are Investing in AI（Rockwell Automation, 2025年6月3日）
- スマート工場動向調査2026（MONOist, 2026年9月29日）
この記事に出てくる用語
外観検査AIの選び方
良品学習か不良学習か、撮像系を誰が持つか。精度の数字だけで選ばないための比較軸 全51本
- 外観検査AIとは？2つの学習方式と導入5ステップを製造現場の目線で解説
- 外観検査AI製品の比較軸10項目：学習方式・撮像系の範囲・エッジ対応・再学習の手間
- 自動車メーカーのAI活用：溶接・塗装検査から生産計画・フィジカルAIまで10用途
- 食品工場のAI活用：キユーピーの原料検査から需要予測・省人化まで5用途
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
