航空宇宙産業では、部品や工程を変えるたびに、品質マネジメントシステムの手続きや航空当局の承認に沿った検証が求められます。これはAIにも当てはまります。AIの判定結果で部品の合否を決める、AIが出した設計をそのまま採用する、といった使い方は、そのAIの振る舞いを説明し再現できることが前提になり、ハードルが高くなります。

一方、人の判断を支援する使い方、つまり設計候補を出す、検査員に注目箇所を示す、記録を探す、といった用途は、最終判断を人が持つため既存の手続きの中で導入しやすくなります。航空宇宙のAI活用は、この「判断を支援する」側から進んでいます。

続きをサイトで読む（業種別の製造業AI）

完成車メーカーは、重要保安部品を中心に、部品メーカーへ全数検査と製造履歴の記録を求めます。不具合が出たとき、どのロットのどの部品が、どの設備・どの条件で作られたかを遡れなければ、リコールの範囲を絞れないからです。この要求に人の目視と紙の記録で応えると、検査員の確保と記録の転記が大きな負担になります。

部品メーカーのAI導入が進む領域は、この負担を減らす「検査の自動化」と、記録を品質改善に使う「トレーサビリティ分析」の2つが中心です。

タチエス（自動車シート）は、リンクウィズのL-QUALIFYで0.1mm単位のレーザ溶接検査をロボット化しました。

続きをサイトで読む（業種別の製造業AI）

完成車工場は、プレス・溶接・塗装・組立の4工程が1本の流れでつながり、どこか1か所が止まると全体が止まります。Siemensの「The True Cost of Downtime 2024」は、大規模自動車工場の停止コストを1時間あたり230万ドルと推計し、2019年の約2倍としています。設備保全と、後工程に不良を流さない検査に投資する理由がここにあります。

もう1つの特徴は、車体IDで工程の履歴を追えることです。溶接の電流波形、塗装ブースの温湿度、締付トルクを車体ごとに紐付けられるため、検査結果と工程条件を結んだ品質分析がしやすい業種です。

続きをサイトで読む（業種別の製造業AI）

中国では2025年から、工信部など6部門が智能工厂を基础级・先进级・卓越级・领航级の4段階で認定する「梯度培育」を進めています。「智能工厂梯度培育要求（2025版）」では、卓越級にAI応用シーン20%以上、領航級に60%以上が求められます（経済日報、2025年12月）。AIの導入率が補助金や表彰の要件として数値で定められている点は、日本のスマート工場施策にない設計です。

この基準の下で、上汽通用五菱は領航級に選ばれ、自社開発の運営大模型「EOAI」を使ってAI応用シーンの比率が75%を超えたと報じられています（新出行、2025年11月）。

続きをサイトで読む（業種別の製造業AI）

リチウムイオン電池の製造は、電極（塗工・プレス・スリット）、組立（積層または巻回・溶接・注液）、化成とエージング（初回充電と経時検査）の3段階に分かれます。どの工程の微小な欠陥も、使用中の内部短絡につながる可能性があります。このため、電池工場では全数検査と、セル1個ごとに全工程の条件を遡れるトレーサビリティが前提になっており、AIが入り込む余地もその上にあります。

続きをサイトで読む（業種別の製造業AI）

飲料の工場は、調合・殺菌の前工程（プロセス型）と、充填・キャップ・ラベル・箱詰めの後工程（組立型の高速ライン）で構成されます。損失の源泉は大きく3つです。

前工程と後工程でデータの単位が変わるため、調合バッチと充填ロットの対応を記録しておくことが、工程をまたぐ品質分析の前提になります。

飲料の充填ラインは毎分数百本の速度で流れるため、検査は速度が最優先です。外観検査AIの手法の中には、推論が1画像2ミリ秒程度で終わるもの（EfficientAD、RTX A6000での実測）もありますが、搬送の振動や照明の変化を含めた撮像系の設計が精度を左右します。

続きをサイトで読む（業種別の製造業AI）

セメントは、石灰石や粘土を回転窯（キルン）で約1,450℃まで焼成してクリンカを作り、石膏を加えて粉砕して作ります。石膏ボードは、焼石膏をスラリーにして紙で挟み、成形後に乾燥機で水分を飛ばします。どちらも、熱をかける工程が製品の品質を決め、同時に燃料と電力の大半を使います。

この構造のため、建材メーカーでのAIは「品質を保ったまま、エネルギーを減らす」という一つの問題として扱うのが基本です。

キルンは熱容量が大きく、燃料や原料の投入量を変えてから焼成状態が変わるまで時間がかかります。

続きをサイトで読む（業種別の製造業AI）

鋳造・ダイカストの不良の代表は鋳巣（ポロシティ）です。溶けた金属が固まるときの収縮や、巻き込んだガスが内部に空洞として残るもので、外観からは見えません。強度不足や、加工後の表面に穴が出る、気密部品で漏れが起きるといった問題につながります。

鋳巣の出方は、製品の形状（肉厚の変化が大きい場所）、金型の温度分布、溶湯の状態、射出の速度切替のタイミングなど、多くの要因が重なって決まります。熟練者は経験でこれらを調整してきましたが、要因が多いため、条件と結果の関係をデータで見ることの効果が大きい工程です。

対策は2つの方向があります。

続きをサイトで読む（業種別の製造業AI）

連続プロセスでは、ある時刻の温度・圧力と、その時刻に作られた製品の品質を結びつけます。バッチプロセスでは、1バッチの仕込みから払い出しまでの温度・圧力・攪拌速度の時間変化（軌跡）全体が、そのバッチの品質を決めます。そのため、データの単位は「時刻」ではなく「バッチ番号」で、各バッチの軌跡を比べられる形に揃えることが最初の仕事です。

バッチごとに反応時間や昇温時間が違うため、軌跡をそのまま重ねても比較できません。次の3つの処理が要になります。

段階の区切りに使うステップ記録がないと、軌跡の比較は難しくなります。

続きをサイトで読む（業種別の製造業AI）

これに加え、保全の領域で生成AIとナレッジグラフを使った故障診断が出てきています。

ソフトセンサーは、オンラインで測れる温度・圧力・流量から、ラボでしか測れない濃度や物性を推定するモデルです。2009年の論文で、データ駆動型ソフトセンサーは化学、バイオプロセス、鉄鋼を主な適用分野として普及していると整理されています（Kadlecほか）。課題は、分析値の間隔が粗いこと、プロセスのドリフト、外れ値と欠損で、定期的な再学習が欠かせません。

複数の変数の相関を同時に監視する多変量統計的工程管理（MSPC）も定番です。

続きをサイトで読む（業種別の製造業AI）

建設機械の組立は、自動車ほどの台数はなく、受注生産ほど1台ごとに違うわけでもない、中量・多仕様の生産です。車体が大きいため組立ラインの変更に大きな費用がかかり、部品は鋳物・板金の大物から油圧機器・電装品まで多岐にわたります。

NVIDIAは2025年10月、CaterpillarがOmniverse、NIM、cuOptを使い、工場とサプライチェーンのデジタルツインを構築して、予知保全とスケジューリングに使っていると発表しました。cuOptは配送や配置の最適化に使う数理最適化のライブラリです。

続きをサイトで読む（業種別の製造業AI）

化粧品の製造は、処方（原料と配合比）を決める開発、乳化・混合などのバッチ製造、容器への充填と包装という流れです。化学プロセスの一種ですが、化学品や医薬品と比べて次の特徴があります。

この特徴に沿って、AIの主な対象は3つに分かれます。

処方開発は、目標の性能（粘度、安定性、使用感）を満たす原料の組み合わせを探す作業で、試作と評価の繰り返しに時間がかかります。過去の処方と評価結果がデータとして残っていれば、MIで次に試す処方の候補を絞れます。

続きをサイトで読む（業種別の製造業AI）

金型メーカーは、顧客の製品図面から金型を設計し、切削・放電加工・研磨で作り、試作（トライ）で調整して納めます。受注生産で、同じ金型を2度作ることはほとんどありません。この業態には、AIで解きたい課題が2つあります。

1つは見積です。金型の見積は、製品の形状、型の構造、加工の難しさから、工数と材料費を見積もる作業で、多くの会社でベテラン1〜2人に頼っています。見積が遅れれば受注を逃し、甘ければ赤字になります。

もう1つは金型の寿命とメンテナンスです。

続きをサイトで読む（業種別の製造業AI）

日本の電機・家電メーカーのAI活用は、外観検査、予知保全、設計支援といった個別の用途から進んできました。これに対し中国の家電大手は、工場全体を統括する「工場大脳」と呼ばれる仕組みの下に、多数のAIエージェントを配置し、計画・品質・設備・物流を横断して動かす形を打ち出しています。

14エージェント・38シーン|美的 荊州洗濯機工場の構成|第一財経（2025年8月28日） 約6億元|美的グループのAIによるコスト削減（2025年見込み）|第一財経（2026年1月15日）、2026年は9億元を計画 155個|格力 珠海工場に組み込んだAIモデル数|中国経済周刊…

続きをサイトで読む（業種別の製造業AI）

電子部品は、組立加工の中でも検査対象が小さく数量が多いため、検査AIの効果が出やすい一方で、撮像系の設計が精度を決めます。

外観検査AIの代表的な手法であるPatchCoreは、公開データセットMVTec ADで画像レベルAUROC最大99.6%を示しました。しかし同じ論文の条件でも誤判定はゼロにならず、部品の欠落や配置違いのような「論理的な異常」を含むデータセット（MVTec LOCO）を加えると、性能は大きく下がります（EfficientAD論文、2023年）。

続きをサイトで読む（業種別の製造業AI）

工場内物流には、部品倉庫からラインへの供給、工程間の仕掛品の搬送、完成品の保管と出荷があります。いずれも付加価値を生まない作業ですが、止まればラインが止まります。AIとロボットの適用は次の3つの領域で進んでいます。

AMRは、地図を持ち障害物を避けながら自律で走る搬送ロボットで、床の磁気テープが要る従来のAGVよりレイアウト変更に強いのが特徴です。国内では、ホンダロジコムがラピュタ・ロボティクスのAMR20台と台車ピッキングを組み合わせたハイブリッドの現場を運用しているとラピュタが公表しています。

続きをサイトで読む（業種別の製造業AI）

食品工場の課題は、工業製品の工場と次の点で異なります。

この3つに対応する形で、原料検査、需要予測、省人化の3領域が先行し、記録のデジタル化とサプライチェーン分析が続いています。

キユーピーのAI原料検査装置は、不良品のパターンではなく良品のパターンを学習し、良品以外を不良とする方式で精度を大きく上げたとされます（MONOist、2020年4月）。原料の不良は種類が多く、すべてを集めて学習させるのは現実的でないためです。2016年に開発を始め、2018年8月に鳥栖工場（ベビーフード原料）に導入し、統合報告書の時点では国内4工場で稼働しています。

続きをサイトで読む（業種別の製造業AI）

HACCPは、危害要因を分析し、重要管理点（CCP）を決めて監視・記録する衛生管理の手法です。現場の記録業務は次の4つに分けられます。

AIが直接役立つのは、手書き帳票の読み取り（AI-OCR）、画像による衛生状態の確認補助、センサーデータの異常検知の3つです。残りはセンサーと電子記録の仕組みで省力化できます。

加熱温度や冷蔵庫の温度は、人が定時に測って書くより、センサーで連続して記録する方が確実です。記録漏れがなくなり、逸脱が起きた時刻も正確にわかります。ポイントは、センサーの時刻と生産ロットを結びつけることです。

続きをサイトで読む（業種別の製造業AI）

板ガラス、ガラス容器、ガラス繊維、セラミックス、耐火物といった窯業製品は、いずれも原料を高温の炉で溶かすか焼成して作ります。炉の温度分布が狙いから外れると、泡・脈理（ガラス内部の筋）・焼成ムラといった品質不良が出ます。同時に、燃料と電力は製造コストの大きな割合を占めます。炉の状態を安定させることは、品質とエネルギーの両方に効くため、窯業ではプロセス制御のAIが最も費用対効果を出しやすい領域です。

炉は熱容量が大きく、操作してから温度が変わるまで数時間以上かかることもあります。熟練オペレーターは、その遅れを見越して燃料や空気の量を早めに調整しています。

続きをサイトで読む（業種別の製造業AI）

製造業のAI事例の多くは、同じ製品を大量に作る工場のものです。外観検査AIは同じ部品の画像を数百枚以上集めて学習し、予知保全は同じ設備の長期間のデータを使います。多品種少量・受注生産の工場では、この前提が崩れます。

このため、多品種少量では「製品のデータでAIを学習する」より、「品種をまたいで共通する業務の判断をデータで支える」方向で考えると、効果が出やすくなります。具体的には次の4つの領域です。

受注生産では、見積の速さと精度が受注率と利益を左右します。

続きをサイトで読む（業種別の製造業AI）