ROI試算シートは、入力が2枚、出力が1枚の3シート構成です。効果と費用を別シートに分けているのは、効果は現場（生産技術・品証・保全）、費用は情報システムと購買が別々に入力できるようにするためです。

考え方の解説は製造業AIのROI試算にあります。このページはシートの項目と記入方法を説明します。

効果は次の3つの型のいずれかで計算します。1つのAIが複数の型にまたがる場合（外観検査で工数と流出不良の両方が減るなど）は、それぞれの行に入れます。

各行には「削減率の根拠」の欄があります。

続きをサイトで読む（実務ツール・資料）

IPAの「DX動向2025」によると、DX人材の評価基準がない日本企業は75.7%で、米国の10.0%、ドイツの18.9%と大きな差があります。厚生労働省の令和8年版労働経済白書では、AIと働くための研修を受けたAI利用者の割合は日本が26.7%で、OECD平均の36.8%を下回っています。研修の機会も、研修の成果を測る基準も不足している状態です。

このスキルマップは、評価基準の土台として使うことを想定しています。社員一人ひとりの現状レベルと、役割に応じた目標レベルを同じ表に並べ、差が大きいところから育成計画を立てます。

続きをサイトで読む（実務ツール・資料）

テーマ選定シートは、現場から集めた困りごとを1行1件で並べ、AIで解く必要のないものを外したうえで、残りを4つの軸で採点する表です。出力は「最優先でPoCに進む1〜2件」「データ整備を先にする候補」「既製品で小さく試す候補」「見送り」の4区分です。

考え方の詳細は製造業のAI導入テーマの選び方で解説しています。このページはシートの使い方に絞ります。

シートは3枚構成です。

候補の数は1工場で10〜20件を想定し、行は20行用意しています。20件を超える場合は、似た困りごとをまとめてから入れます。

続きをサイトで読む（実務ツール・資料）

質問リストは、提案依頼（RFP）に添付して全候補ベンダーに同じ形式で回答してもらう表です。60問は6分野に分かれ、各問に「必須／任意」と「PoC前に確認／契約前に確認」の区分を付けています。必須の問いに回答がないベンダーは、その時点で比較から外す判断材料になります。

選び方の考え方は製造業AIベンダーの選び方で解説しています。RFPの書き方はAI開発のRFPの書き方を参照してください。

全60問のうち、回答の差が出やすい質問を分野ごとに抜き出して示します。

続きをサイトで読む（実務ツール・資料）

AI導入の相談で「データは何年分もある」と言われても、実際に使える形で残っていることはまれです。IPAの「DX動向2026」では、日本企業のデータ整備・管理・流通の課題として「データの標準化が難しい」が36.8%、「管理システムが整備されていない」が32.6%挙がっています。

このチェックリストは、データの所在ではなく「AIの学習と評価にそのまま使えるか」を40項目で判定します。結果は「PoCに進める」「PoCと並行して整備する」「整備を先に行う」の3つに分かれ、整備が必要な項目には工数の見積欄があります。

続きをサイトで読む（実務ツール・資料）

総務省の令和8年版情報通信白書（2025年度調査）では、生成AIの活用方針（積極活用または領域を限定して利用）を定めた日本企業は68.9%で、前年の49.7%から大きく伸びました。大企業は74.0%、中小企業は58.1%です。方針を作る企業が増えた一方で、製造業に特有の「図面」「工程条件」「顧客から預かった仕様」をどう扱うかまで書き込んだルールは多くありません。

このひな形は、一般的な生成AI利用ルールに製造業の情報区分を加え、10章構成の条文にしたものです。作り方の考え方は生成AIの社内利用ルールの作り方で解説しています。

続きをサイトで読む（実務ツール・資料）

PoC計画書は、PoC（Proof of Concept：本番前の検証）を始める前に「何をもって成功・失敗とし、その後どうするか」を書き残す文書です。ベンダーの提案書とは別に、発注側が自分で書きます。

McKinseyが2018年に公表した調査（7市場・700社超）では、デジタル製造の取り組みを全社展開できた企業は約30%で、障壁として「ROIの欠如」が61%の企業から挙がりました。PoCの段階で効果の測り方と本番化の条件を決めていないと、精度の数字だけが残り、投資判断の材料になりません。

設計の考え方は製造業AIのPoC設計で解説しています。

続きをサイトで読む（実務ツール・資料）

予知保全（状態基準保全、CBM）の計画は、センサーから始めるのではなく、対象設備の故障モードから始めます。故障モードごとに、どの物理量に兆候が出るか、どのくらい前から出るかが違うため、選ぶセンサーとサンプリング周期が決まります。

実務の手順は、FMEAなどで重要設備と故障モードを特定する、故障モードごとにセンシングを選ぶ（振動・電流・音・温度・油）、数週間〜数か月の正常運転データでベースラインを取る、閾値と異常検知で運用を始める、保全記録と照合してアラームの有効性を評価する、の順です。このシートは最初の2段階と、保全記録との紐付けの設計を扱います。

続きをサイトで読む（実務ツール・資料）

チェックリストは、製造業のAI投資で使われることの多い次の5制度を対象にしています。制度ごとの要件の違いは別表にまとめ、共通の準備作業を30項目に整理しました。各制度の概要は製造業のAI導入に使える補助金・助成金で解説しています。

金額・要件は2026年10月時点で各制度の公式情報・中小機構の補助金活用ナビに載っていたものです。公募回ごとに変わるため、申請前に必ず最新の公募要領で確認してください。

30項目は、準備の順番に沿って6段階に分かれています。各項目に「目安の着手時期（締切の何週間前か）」「担当」「完了日」の欄があります。

続きをサイトで読む（実務ツール・資料）

外観検査AIの精度の大部分は、AIのモデルより前の段階で決まります。欠陥が画像に写らなければAIは検出できず、何を不良とするかが人によって違えば正解ラベルが揺れます。このシートは、その前提を25項目で書き出し、ベンダーへの見積依頼とPoC計画の土台にするためのものです。

外観検査AIの導入手順は、検査仕様の明文化、撮像系の検証、データ収集、手法の比較、閾値設計、並行運用、本稼働と再学習の運用設計の順で進みます。このシートは最初の2段階に当たります。全体の流れは外観検査AIのPoC設計で解説しています。

続きをサイトで読む（実務ツール・資料）