業種で効くAIは「利益を左右する工程」で決まる
製造業のAI用途は、外観検査、予知保全、生産計画・需要予測、プロセス制御・品質予測の4つの系統にほぼ収まります。どの系統が利益に効くかは業種で決まります。たとえば完成車の組立では1時間の停止が大きな損失になるため保全と検査が効き、化学や鉄鋼のような連続プロセスでは0.5%の歩留まり差が年間で大きな金額になるためプロセス最適化が効きます。
判断の軸は次の3つです。
- 損失の源泉：不良流出、設備停止、在庫・欠品、原単位（エネルギー・原料）のどれが一番大きいか
- データの単位：製品1個ずつ追えるか（シリアル・ロット）、連続した時系列か
- 規制・顧客要求：GMP・HACCP・OEMの品質要求など、記録と変更管理の制約がどこまで強いか
データの単位の違いは組立加工とプロセス産業で異なるAIの使い方で詳しく扱っています。
30業種のマップ：最初に効く用途とデータの単位
下表は、当サイトの業種別記事で扱う30業種を、型（組立加工・プロセス・混合）と最初に検討すべき用途で整理したものです。「最初に効く用途」は、公開事例の多さと、正解データの集めやすさから編集部が判断したもので、どの企業にも当てはまるわけではありません。
| 業種 | 型 | 主な課題 | 最初に効く用途 | データの単位 |
|---|---|---|---|---|
| 自動車（完成車） | 組立 | 停止損失、溶接・塗装品質 | 予知保全、溶接・塗装検査 | 車体ID |
| 自動車部品 | 組立 | OEMの全数検査・トレーサビリティ要求 | 外観検査、トレーサビリティ分析 | シリアル・ロット |
| 電子部品 | 組立 | 微小欠陥、多品種 | 外観検査、歩留まり分析 | ロット・リール |
| 半導体前工程 | プロセス寄り | 歩留まり、計測コスト | 欠陥分類、バーチャルメトロロジー | ウェハID |
| 半導体製造装置 | 組立（受注） | 多品種の計画、顧客装置の保守 | 生産計画、装置データ活用 | 号機 |
| 食品 | 混合 | 原料ばらつき、人手不足 | 原料検査、需要予測 | ロット・時刻 |
| 飲料 | 混合 | 高速ライン、天候で振れる需要 | 充填検査、需要予測 | ロット |
| 化学（連続） | プロセス | 品質のリアルタイム把握 | ソフトセンサー、自律制御 | 時刻 |
| 化学（バッチ） | プロセス | バッチ間ばらつき | 終点品質予測、条件最適化 | バッチ番号 |
| 医薬品 | 混合 | GMPと変更管理 | 外観検査、記録のデジタル化 | ロット |
| 医療機器 | 組立 | QMS・トレーサビリティ | 検査補助、記録の自動化 | シリアル |
| 鉄鋼 | プロセス | 歩留まり、エネルギー | 品質予測、設備保全 | コイル・スラブ |
| 非鉄金属 | 混合 | 溶解エネルギー、品種管理 | 省エネ、型式判別 | ロット |
| 産業機械 | 組立（受注） | 設計・見積の属人化 | 図面AI、アフターサービス | 製番 |
| 工作機械 | 組立 | 工具寿命、加工条件 | 工具摩耗予測 | 加工プログラム |
| 建設機械 | 組立 | 大型・多品種の組立 | 計画AI、デジタルツイン | 号機 |
| 樹脂成形 | 混合 | 条件出し、外観 | 成形条件最適化、外観検査 | ショット |
| ゴム・タイヤ | 混合 | 配合、加硫条件 | 材料開発、条件最適化 | バッチ・本 |
| 繊維・不織布 | 連続シート | 長尺の欠点 | 欠点検査 | 反物・位置 |
| 紙・印刷 | 連続シート | 紙切れ、印刷欠陥 | 断紙予測、欠陥検査 | 巻取・位置 |
| 窯業・ガラス | プロセス | 炉のエネルギー | 燃焼制御、欠点検査 | 時刻・板 |
| 電池 | 混合 | 安全性、全数トレーサビリティ | AI検査、工程間の品質追跡 | セルID |
| 工場内物流 | — | 搬送・ピッキングの人手 | AMR、ピッキングロボット | 搬送指示 |
| 航空宇宙 | 組立 | 認証、軽量化 | 生成設計、非破壊検査 | シリアル |
| 造船 | 一品生産 | 溶接・塗装の人手 | 溶接ロボット、デジタルツイン | ブロック |
| 建材 | プロセス | 焼成エネルギー | 焼成制御、品質予測 | 時刻 |
| 化粧品 | 混合 | 処方開発、多品種 | 処方探索、計画 | バッチ |
| 精密機器 | 組立 | 微細組立 | 作業分析、組立ミス検査 | シリアル |
| 金型・板金・鋳造・めっき | 組立（受注） | 見積、条件出し | 図面見積、条件最適化 | 製番・ロット |
| 中小・多品種少量全般 | 組立（受注） | 少量データ | 見える化、AI-OCR、動画マニュアル | 製番 |
公開データで見る業種間の差
業種によって、AIの事例がどこに集まるかも違います。中国信通院の魏凱チームが数百件の工業AI事例を分析した結果では、AIは研究開発設計とマーケティング・サービスに集中する「スマイルカーブ」型で、生産製造段階の事例比率は2025年に19.9%から25.9%へ上がったとされます（経済日報・新華網、2026年1月）。生産の現場にAIが入るのは、上流・下流より遅れているということです。
日本では、JILPTの調査（2025年5月、2025年版ものづくり白書で引用）で製造工程にAIを使っている企業は12.2%、大企業に限ると31.3%でした。生成AIの利用率と工程AIの導入率は別の数字なので、混同しないよう注意が必要です。
WEFのグローバル・ライトハウス・ネットワークの2025年1月コホートでは、上位5ユースケースのうち77%が分析系AIで、生成AIは9%でした。業種を問わず、成果の大半はいまも検査・保全・計画・プロセス最適化といった従来型の分析AIから出ています。
自社の業種で最初の用途を選ぶ手順
業種マップは出発点にすぎません。同じ業種でも、工場ごとに損失の構造は違います。次の順で絞り込むと、業種の定石と自社の事情を両立できます。
- 業種マップで候補の系統を2つに絞る（例：自動車部品なら検査とトレーサビリティ）
- 直近1年の損失を金額で並べる（不良・停止・在庫・エネルギー）
- 候補ごとに正解データの有無を確認する（不良画像、故障記録、ラボ分析値、計画実績）
- MESや設備から必要なデータが取れるかを確認する（ロット・シリアルとの紐付けができるか）
- 1ライン・3か月で効果を測れるテーマに切り出す
各業種の詳細は、自動車メーカーのAI活用や化学メーカーのAI活用など、業種別の記事で扱います。
よくある質問
自社の業種が表にない場合はどう考えればよいですか
組立加工型かプロセス型か、記録・規制の要求が強いかの2軸で最も近い業種を選び、その業種の定石から始めてください。たとえば電線・ケーブルは連続シートに近い性格を持つため、繊維や紙の欠点検査の考え方が参考になります。
業種によって生成AIの使いやすさは違いますか
文書業務（手順書、品質記録、規制文書）が多い業種ほど生成AIの効果が見えやすくなります。医薬品、医療機器、航空宇宙は文書と記録が多い一方、GMPや認証の要求で検証の負担も大きくなります。
業種別の事例はどこで探せばよいですか
国内は中小機構の省力化ナビ、海外はWEFのライトハウス選出拠点の発表が一次情報として使えます。ベンダーの事例ページは成果の前提条件が省かれていることが多いため、対象ライン・期間・比較対象を確認してください。
この記事に出てくる用語
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。
