AI-Ready製造データとは、工場や設計、品質、保全、サプライチェーンのデータを、AIが再利用しやすいように文脈付き・標準化済み・権利処理済みの形へ整える考え方です。CESMIIは、AI-ready data at scale に必要な条件として、データの非サイロ化、情報モデルの整備、ラベル付けと分類を挙げています。製造AIの実装では、モデルそのものより、データの収集・意味付け・連携・統治のほうがボトルネックになりやすいことが、NISTや学術研究でも繰り返し示されています。いま世界では、EUのData Act、Catena-X、日本のウラノス・エコシステムのように、「工場内の見える化」から「企業間で安全に使えるデータ」へと競争の軸が移っています。
＜関連＞
AI-Ready製造データ関連銘柄を日本株で整理｜本命・周辺株と注意点 | ブルの道、馬の蹄跡
導入 いま何が起きているのか
AI-Ready製造データは「工場データを集めること」ではなく、「AIが誤解なく使えるように整えること」です。ここでいう整えるには、センサーデータの収集だけでなく、設備や工程、品質、保全、設計変更、担当者、製品個体といった文脈情報を結び付け、必要なアクセス権や機密管理まで含めることが入ります。Manufacturing USAとCESMIIは、製造現場でAI-ready dataを実現するには、サイロ化されたデータをほぐし、情報モデルを整え、ラベルや分類を持たせることが必要だと明示しています。
最近このテーマが注目されている理由は三つあります。
第一に、生成AIや産業AIの活用が進み、単なるダッシュボード用途ではなく、品質予測、段取り最適化、異常検知、保全、設計変更影響分析など、より現場に近い用途へ広がっていることです。
第二に、EUのData Actのように、産業IoTデータへのアクセスやクラウド・エッジ間の相互運用を後押しする制度が実際に適用段階へ入ったことです。
第三に、Catena-Xやウラノス・エコシステムのように、データスペースが概念実証から商用化・市場形成へ進みつつあることです。
従来との違いは、製造業DXの重心が「工場内の個別最適」から「設計―製造―品質―保守―取引先をまたぐ全体最適」へずれている点です。NISTのデジタルスレッド研究は、設計、製造、製品サポートまで貫く情報のつながりが、設計から生産までの期間短縮とコスト低減に効くと整理しています。経済産業省も、品質・原価・納期に関わるプロセスをデジタル上で一気通貫できるかどうかが、製造プロセス全体最適化の重要論点だと示しています。
本記事で扱う範囲は、工場のOTデータ、IoT、MES、PLM、デジタルスレッド、デジタルツイン、データスペース、データ基盤、標準化、政策です。AIデータセンターや半導体そのものではなく、それらを使って実際に工場へ実装するための前提条件としてのデータ整備に焦点を当てます。最初に知るべき結論は、AI-Ready製造データは単独製品名ではなく、OT、MES、PLM、データ基盤、ガバナンスを横断する「実装スタック」だということです。これは本稿の整理であり、単一の公的定義ではありません。
技術と産業の全体像
技術の基本構造は、大きく五つの層に分けると理解しやすくなります。
第一層は、設備、PLC、センサー、SCADA、ヒストリアンなどの収集層です。ここではOPC UAが、機器メーカーやOSをまたいだ相互運用の基盤として位置づけられています。
第二層は、MESやMOMによる文脈化層で、何の設備が、どの工程で、どのロット・作業指示・品質条件の下で動いたデータなのかを結びつけます。ISA-95は、企業システムと製造制御システムの接続を整理する国際標準として、この境界とデータの受け渡しを定義しています。
第三層は、PLM、CAD/CAM、BOM、変更管理などを含む設計連携層です。NISTはデジタルスレッドを、設計、製造、検査、製品ライフサイクルをまたぐ情報の流れとして扱っています。
第四層は、デジタルツインやAAS、データスペースによる標準化・共有層です。ISO 23247は製造向けデジタルツインの一般原則を定め、IDTAはAsset Administration Shellを資産の標準的なデジタル表現として推進しています。
第五層は、データレイク／レイクハウス、特徴量管理、MLOps、生成AI連携などの学習・運用層で、ここでようやくAIが安定運用に入ります。
最低限知っておきたい重要用語も、この流れで理解すると混乱しにくくなります。IoTは「つなぐこと」、MESは「現場実行を文脈化すること」、PLMは「製品ライフサイクル情報を管理すること」、デジタルスレッドは「設計から現場まで情報を切らさないこと」、デジタルツインは「現実の資産や工程をデジタル側で再現・運用すること」、データスペースは「企業間で主権を保ちながらデータ共有する枠組み」と考えると整理しやすいです。
研究段階・実証段階・商用化段階の違いも重要です。OPC UAやISA-95、MESそのものはすでに商用化済みで、現場導入も珍しくありません。一方、デジタルツインの全社横断実装や、企業間データスペースの本格運用はまだ移行期です。IPAは2026年時点で、欧州ではデータスペースの多くが依然としてパイロット段階にある一方、Catena-Xのように商業サービスとして市場が形成され始めた例もあると説明しています。つまり、AI-Ready製造データは「基礎技術は成熟」「企業横断の運用はこれから広がる」という中間段階にあります。
ここで誤解しやすい論点を二つ先回りしておきます。
第一に、「センサーを増やせばAI-readyになる」という理解は不十分です。CESMIIは、製造データの多くが、収集されていないか、収集されても十分に文脈化されていないため活用されていないと指摘しています。
第二に、「クラウドに載せれば統合できる」という理解も危ういです。ISA-95、デジタルスレッド、AASが必要なのは、同じ温度という値でも、工程、設備、時間軸、製品、設定条件が違えば意味が変わるからです。AI-readyの本質は量ではなく意味です。
このトレンドを動かす成長ドライバー
最大の成長ドライバーは、人手不足と生産性向上ニーズです。日本の2025年平均の就業者数では、製造業は1,033万人で前年より13万人減少しました。製造現場では、熟練者の減少を埋めながら品質・納期・原価を守る必要があり、AIはその有力な選択肢ですが、前提として現場データの整備が求められます。経済産業省の資料でも、労働人口減少への対応が重要課題であり、ロボットやAIの活用が有望なソリューションとされています。
二つ目のドライバーは、工場の自動化そのものが世界で加速していることです。IFRによれば、世界の工場のロボット密度は2023年に1万人当たり162台となり、7年前の74台から倍増しました。2024年の産業ロボット新規設置は54.2万台で、4年連続で50万台超となり、アジアが新規導入の74%を占めています。AI-readyデータは、こうした自動化設備をつながる資産に変えるための土台です。
三つ目は、AIそのものの実装が工場で本格化し始めたことです。世界経済フォーラムの2025年のGlobal Lighthouse Networkでは、最新コホートの上位5ユースケースの77%が分析AIで、9%が生成AIでした。つまり、工場AIはもはや実験室のテーマではなく、すでに成果を出す運用技術へ近づいています。ただし、NISTのIndustrial AIプロジェクトが示すように、現場では評価方法や信頼性の不足が導入の躊躇につながっており、だからこそデータの信頼性と評価可能性が重要になります。
四つ目は、政策と規制がデータを動かす方向へ変わっていることです。EUのData Actは2025年9月12日に適用開始となり、接続製品のユーザーが自ら生成したデータにアクセス・利用・移転できるようにするほか、クラウドやエッジ間の相互運用要件、データスペース間のデータ流通要件も定めています。これは特に産業IoTと機械データに効く制度で、工場データがメーカーの囲い込み資産から、利用者・サードパーティも扱う資産へ近づくことを意味します。
五つ目は、サプライチェーンの再編とトレーサビリティ需要です。経済産業省は、アナログ・物理データや製造プロセスのデジタル化は、個社だけでなくサプライチェーン上の企業間連携によって事業効率と付加価値を高める取り組みが必要だとしています。Catena-Xも、品質管理、製品カーボンフットプリント、デジタルプロダクトパスポート、マスターデータ管理など、企業間データ交換の実務ユースケースを前面に出しています。AI-ready製造データは、工場内改善だけでなく、調達・品質保証・脱炭素・規制対応まで広げやすいのが強みです。
世界の競争地図
このテーマの市場規模を一つの数字で語るのは危険です。なぜなら、AI-Ready製造データは、OT、MES、PLM、デジタルツイン、データ基盤、データスペース、AI運用をまたぐ横断テーマであり、単独の公的統計区分が存在しないからです。そのため本稿では、ロボット導入、AI実装、政策投資、標準化、データスペース商用化を代理指標として見ています。これは事実の整理に基づく筆者の分析です。
アメリカが強いのは、クラウド、AI、データ基盤、評価標準、産学連携の層です。NISTはAI for Resilient Manufacturing Instituteに5年間で最大7,000万ドルの資金を想定し、DOE系のCESMIIは2016年から、工場で発生するリアルタイム情報を捕捉・共有・処理するソリューションの研究開発を担っています。NISTのIndustrial AI研究も、信頼できる評価と管理方法を整えることを主眼に置いています。つまり米国は、AI-readyデータの上位層であるデータ基盤・AI評価・運用標準で強い構図です。
欧州、特にドイツを中心とする圏が強いのは、工場自動化、PLM・デジタルツインの産業文脈、標準化、データスペース、規制設計です。EUのData Actは産業データの利用ルールを後押しし、IDTAはAASを通じて資産のデジタル表現を進めています。Catena-Xは自動車向けのデータエコシステムとして、品質、サステナビリティ、マスターデータ管理などのユースケースを提供し、2026年時点で市場を形成し始めたとIPAに評価されています。欧州は、単に工場を自動化するだけでなく、企業間のデータ共有を制度と標準で支える点に強みがあります。
中国が強いのは、導入量と製造規模です。IFRによれば、中国は2023年のロボット密度で世界3位に位置し、2024年の新規ロボット設置を牽引したアジアの中心です。WEFのLighthouseにも中国の拠点が継続的に含まれており、実装スピードと量産現場での展開力が強みだと読めます。ここでは、制度や標準の主導権よりも、巨大市場と導入量による学習効果のほうが競争力になりやすいと考えられます。これは公開情報に基づく解釈です。
日本の強みは、FA機器、ロボティクス、品質管理、現場ノウハウ、そして製造業比率の高さです。統計局は、日本の製造業付加価値が名目GDPの約20%を占める中核産業だとしています。また、経済産業省の2026年AI・半導体WG資料は、AI開発競争がWeb上の大規模データの「規模」競争から、工場・物流・建設・医療など現場データを使って付加価値を実装する「統合力」の競争へ移りつつあり、日本の現場データや制御技術の蓄積が強みとして顕在化すると述べています。日本は、AI-ready製造データの源泉には強いが、業界横断の共有ルールとソフトウェア実装の速度で競争が続く構図です。
競争が激しい領域は、MESとPLMを跨ぐデジタルスレッド、IoTデータの標準モデル、クラウドとエッジの相互運用、サプライチェーン向けデータスペースです。逆に、まだ空白が大きいのは、中堅・中小工場向けの安価な後付け接続、品質・保全・設計変更をつないだ日本語対応の業種別情報モデル、AI学習用のラベル付け・評価サービス、そしてOTとITをまたぐサイバーセキュアな運用です。CESMIIが強調する「サイロ解消」「情報モデル」「ラベル化」は、まさにこの空白を示しています。
日本の現在地
日本企業の現在地は、「現場力は強いが、データの横断利用はまだら模様」と捉えるのが妥当です。ものづくり白書によれば、ものづくり企業でデジタル技術を活用した業務改善を行っている割合は、「製造」「生産管理」「事務処理」「受注・発注・在庫管理」で3割強から4割強、「企画・開発・設計」「品質管理」では2割程度です。また、「製造」工程の実施率は、従業員50人以下で31.5%、301人以上で67.9%と、企業規模で大きな差があります。
この数字が示すのは、日本でAI-ready製造データが有望でも、導入の前提となる工程のデジタル化自体に大きなばらつきがあることです。特にAIに効きやすい設計、品質、保全のデータがまだ十分につながっていない企業は少なくありません。経済産業省も、品質管理・原価管理・納期管理に関わるプロセスをデジタル上で一気通貫できるかが重要だと整理しており、単なるIoT導入では全体最適に届かないことを示しています。
政策面では、日本はこの分野を明確に押し始めています。NEDOは2025年5月に「スマートマニュファクチャリング構築ガイドライン（第2版）」を公開し、デジタルソリューション導入前の企画段階に重点を置いて、企業ごとにスマート化の道筋を設計する手引きを示しました。これは、機器導入より前に何を、どの順序で、どの指標でデータ化するかを考えよというメッセージでもあります。
さらに日本は、ウラノス・エコシステムを通じて、企業間データ連携の枠組みづくりにも踏み込んでいます。2025年にはIPAとCatena-Xがデータスペース相互運用のPoC完了を公表し、METIとIPAは同年2月にODS-RAMという参照文書を公開しました。METIはあわせて、国際的な産業データ共有・越境移転に関する実務マニュアルも策定しています。つまり日本は、工場内のDXから、取引先や海外規制を含む産業データ外交へ領域を拡張し始めています。
人材面の制約もはっきりしています。ものづくり白書では、デジタル技術導入のための人材確保について、約6割の企業が社内人材の活用・育成で対応し、約2.5割は新たな人材確保を行わず既存人材だけで対応しているとされています。これは裏を返せば、OT・IT・品質・設計を横断してデータを扱える人材がまだ不足していることを意味します。AI-ready製造データはソフトの話に見えますが、実際には現場改善と人材育成のテーマです。
本稿の解釈として、日本が勝てる可能性のある領域は、後付け接続を含むブラウンフィールド工場のデータ化、品質トレーサビリティ、工程知識を反映した情報モデル、設備・部材・電池などのサプライチェーンデータ連携、そして制御技術と現場実装を結びつける領域です。反対に不利になりやすいのは、汎用クラウド基盤、汎用LLMインフラ、世界規模で先に規模が出るプラットフォーム層です。これはNISTやCESMIIが米国で強く、EUが制度と標準で先行し、中国が導入規模で優位に立つ構図と整合的です。
産業・企業・社会へのインパクト
このテーマの影響が大きい業界は、自動車、電機・電子、機械、化学、食品・医薬のように、品質管理、規制対応、トレーサビリティ、設備稼働、サプライヤー連携の比重が高い分野です。Catena-Xが前面に出しているユースケースも、品質管理、サステナビリティ、プロダクトパスポート、マスターデータ管理であり、まさに製品を作る企業から製品の情報と履歴を運用する企業へ収益構造が広がることを示しています。
企業の収益構造も変わります。従来は、設備販売、部材供給、受託製造が中心でしたが、AI-readyデータが整うと、保全サービス、品質保証サービス、稼働最適化、カーボンフットプリント算定、サプライチェーン監査対応、データ連携コンサルティングなど、継続課金型のサービス需要が増えます。特にMES、PLM、データ基盤、OT接続、マスターデータ管理、認証・トラスト基盤を提供する企業には、工場内と企業間の両方で需要が広がりやすい構図です。これは本稿の分析ですが、方向性はCatena-X、CESMII、NEDOの整理と整合します。
雇用・スキル面では、単純に「AIが仕事を奪う」と見るより、「現場の技能をデータ構造へ翻訳する仕事が増える」と見るほうが現実的です。必要になるのは、データサイエンティストだけではありません。設備保全、品質保証、生産技術、設計、情報システム、法務・知財をまたげる人材が重要になります。NISTのIndustrial AI研究でも、評価の難しさや教育障壁が導入の躊躇につながるとされており、現場側の理解が実装に直結します。
生活者への波及もあります。工場データが整うと、不良の早期発見、納期の安定化、修理時の部材特定、電池や部品の履歴確認、環境情報の可視化がしやすくなります。表からは見えにくいですが、AI-ready製造データは、製品の安心・安全・説明責任を支える裏方インフラです。EUでデータアクセスや相互運用が制度化されつつあるのも、単なる効率化ではなく、競争力と消費者利益の双方を狙っているからです。
ボトルネックとリスク
最大のボトルネックは、データ品質とデータ文脈です。2025年のメタレビューでは、産業AIにおけるデータ課題が82項目、7つのデータライフサイクル段階に整理されました。NISTも、過度に単純化したシミュレーション、都合のよい事例だけを集めたデータ、現場のばらつきを消しすぎたきれいなデータは、AIを誤らせると注意しています。現場AIがPoCでうまく見えても本番で崩れるのは、この問題が大きいです。
二つ目は、ブラウンフィールド設備とセキュリティです。CISAは、ICS特有の課題として、古いレガシー設備へ新しい技術を統合するブラウンフィールド環境を挙げています。製造業では、古い設備が長く使われることが競争力でもありますが、同時に、安全停止、ネットワーク分離、認証、パッチ運用を難しくします。AI-ready化は、データを出せば済む話ではなく、OTの安全とセキュリティを壊さず進める必要があります。
三つ目は、企業間共有に伴う機密・知財・越境移転のリスクです。METIのマニュアルは、国際的な産業データ共有・利活用を行う際の主要リスクを把握し、適切な打ち手を検討するための指針だと明記しています。EUのData Actも、アクセス拡大だけでなく、不公正条項、クラウド切り替え、第三国政府による不当アクセスへの対抗など、ルール整備をセットにしています。共有が進むほど、法務・契約・権限管理は重くなります。
四つ目は、過剰期待のリスクです。よくある誤解は、「生成AIを入れれば工場データの整備を飛ばせる」というものですが、これは逆です。NIST AI RMFは、AIの設計・開発・利用・評価で信頼性を組み込む必要があるとし、Industrial AI研究でも、AIの価値は用途と現場文脈の中でしか意味を持たないと説明しています。AI-ready製造データは、AI導入の前工程であり、ショートカットできる工程ではありません。
今後のシナリオと注目ポイント
ここからは推測です。公開情報を踏まえると、今後3年から5年のシナリオは三つに分かれます。
楽観シナリオでは、企業間データ共有のルールが整い、Catena-X型のデータスペースが自動車以外へ波及し、日本でもウラノスの実運用案件が増えます。中堅企業向けに、OPC UA接続、MES文脈化、PLM連携、AI運用がパッケージ化され、PoCから本番への移行コストが下がります。注目指標は、商用データスペース参加企業数、AI導入工場数、工程横断での品質・保全・設計データ連携事例、OT/IT統合人材の育成数です。
中立シナリオでは、大企業の先行導入は進みますが、中小企業は部分最適にとどまり、MES・PLM・データ基盤のつながりが社内の一部に限定されます。工場内AIは増える一方、企業間データ連携は規制対応や一部業界の要請に応じる形で限定的に広がるでしょう。注目指標は、製造工程別のデジタル改善率、設計や品質工程の実施率改善、中堅・中小企業向け支援策の利用状況です。
慎重シナリオでは、セキュリティ事故、機密流出懸念、標準乱立、ROI不透明感が重なり、AI-ready化がPoCの繰り返しで止まります。特にブラウンフィールド設備の接続や、学習データ品質の担保、越境データ契約の複雑さが障害になります。注目指標は、OTセキュリティ事故件数、データ共有契約の停滞、AI本番導入率とPoC実施率の乖離です。
よくある疑問Q&A
Q.AI-Ready製造データとは何ですか。
工場や設計、品質、保全、取引先のデータを、AIが再利用しやすいように、文脈付き・標準化済み・権限管理済みの形へ整えた状態です。単なるセンサーデータの収集ではなく、意味付けとガバナンスまで含みます。
Q.なぜ今注目されているのですか。
生成AIと産業AIの実装が進み、現場データの価値が高まったことに加え、EU Data Actのような制度が産業データ利用を後押しし、Catena-Xのようなデータスペースが商用化へ動いているためです。
Q.MESやPLMとは何が違うのですか。
MESやPLMはAI-ready化の一部です。MESは現場実行を、PLMは製品ライフサイクル情報を管理します。AI-ready製造データは、それらをOTデータ、品質、保全、企業間共有までつないだ横断概念です。
Q.日本企業にチャンスはありますか。
あります。日本は製造業比率が高く、現場データ、制御技術、品質管理に強みがあります。METIも、AI競争が規模から統合力へ移る中で、日本の現場データとノウハウが強みになると整理しています。
Q.どの国や地域が強いのですか。
米国はAI・データ基盤と評価標準、欧州は標準化とデータスペース、中国は導入規模、日本は現場機器と工程知見に強みがあります。重要なのは、どの国がどの層で強いかを見ることです。
Q.普及しない理由は何ですか。
データ品質、設備のレガシー、OTセキュリティ、機密管理、標準化、人材不足が重なるからです。とくに現場では、データが足りないより意味がばらばらなことのほうが問題になりやすいです。
Q.今後、何を見ればよいですか。
データスペースの商用案件数、品質・保全・設計データの連結事例、ブラウンフィールド接続の低コスト化、OT/IT人材育成、そして規制対応を実務へ落とし込む標準・参照文書の整備状況を見ると流れがつかみやすいです。
結論 何をどう見るべきか
このトレンドの本質は、AIそのものではなく、「現場データを意味のある資産へ変えること」です。世界の争点は、工場内のデータ整備を超えて、設計・製造・品質・保守・サプライチェーンをまたぐデータスレッドとデータスペースを誰が主導するかに移っています。日本の勝ち筋は、現場機器、品質、制御、製造知見の強みを、Ouranosのようなデータ連携基盤や実装指針へつないでいくことにあります。注意すべきリスクは、データ品質、OTセキュリティ、企業間契約、そしてPoC止まりです。今後チェックすべきポイントは、商用ユースケース、標準化の収れん、規制の実装、そして中堅・中小企業まで広がるかどうかです。
参考
Manufacturing USA（2026）「Data Sharing, AI-ready Data and Data-first Smart Manufacturing: an Industry Coalition Experience」Manufacturing USA、https://www.manufacturingusa.com/news/data-sharing-ai-ready-data-and-data-first-smart-manufacturing-industry-coalition-experience、閲覧日：2026年05月19日
CESMII（2025）「Smart Manufacturing: The Path to the Future」CESMII、https://www.cesmii.org/smart-manufacturing-the-path-to-the-future/、閲覧日：2026年05月19日
Morris, K. C. et al.（2019）「Foundations of information governance for smart manufacturing」NIST、https://www.nist.gov/publications/foundations-information-governance-smart-manufacturing、閲覧日：2026年05月19日
NIST（2026）「Digital Thread for Smart Manufacturing」NIST、https://www.nist.gov/programs-projects/digital-thread-smart-manufacturing、閲覧日：2026年05月19日
International Society of Automation（2025）「ISA-95 Standard: Enterprise-Control System Integration」ISA、https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard、閲覧日：2026年05月19日
OPC Foundation（2026）「Unified Architecture – OPC UA」OPC Foundation、https://opcfoundation.org/about/opc-technologies/opc-ua/、閲覧日：2026年05月19日
International Organization for Standardization（2021）「ISO 23247-1:2021 Automation systems and integration — Digital twin framework for manufacturing — Part 1: Overview and general principles」ISO、https://www.iso.org/standard/75066.html、閲覧日：2026年05月19日
Industrial Digital Twin Association（2026）「IDTA – working together to promote the Digital Twin」IDTA、https://industrialdigitaltwin.org/en/、閲覧日：2026年05月19日
European Commission（2025）「Data Act explained」Shaping Europe’s digital future、https://digital-strategy.ec.europa.eu/en/factpages/data-act-explained、閲覧日：2026年05月19日
NEDO（2025）「『スマートマニュファクチャリング構築ガイドライン（第2版）』を公開しました」NEDOニュース、https://www.nedo.go.jp/news/press/AA5_101849.html、閲覧日：2026年05月19日
IPA・Catena-X Automotive Network e.V.（2025）「ウラノス・エコシステムとCatena-X、データスペースの相互運用性を実証」IPAプレスリリース、https://www.ipa.go.jp/pressrelease/2024/press20250331.html、閲覧日：2026年05月19日
経済産業省（2025）「企業の国際的なデータ共有・利活用を推進するための『産業データの越境データ管理等に関するマニュアル』を策定しました」ニュースリリース、https://www.meti.go.jp/press/2024/01/20250127001/20250127001.html、閲覧日：2026年05月19日
IPA（2025）「IPA takes leadership and responsibilities on dataspace architecture for global interoperability」IPA Press Release、https://www.ipa.go.jp/en/pressrelease/press20250801.html、閲覧日：2026年05月19日
IPA（2026）「IPA exhibits at HANNOVER MESSE 2026」IPA Press Release、https://www.ipa.go.jp/en/pressrelease/press20260203.html、閲覧日：2026年05月19日
総務省統計局（2024）「Statistical Handbook of Japan 2024」Statistics Bureau of Japan、https://www.stat.go.jp/english/data/handbook/pdf/2024all.pdf、閲覧日：2026年05月19日
総務省統計局（2026）「労働力調査（基本集計）2025年（令和7年）平均結果の要約」統計局、https://www.stat.go.jp/data/roudou/sokuhou/nen/ft/pdf/youyaku.pdf、閲覧日：2026年05月19日
経済産業省（2025）「2025年版ものづくり白書」経済産業省、https://www.meti.go.jp/report/whitepaper/mono/2025/、閲覧日：2026年05月19日
経済産業省（2024）「製造業を巡る現状と課題 今後の政策の方向性」産業構造審議会資料、https://www.meti.go.jp/shingikai/sankoshin/seizo_sangyo/pdf/016_04_00.pdf、閲覧日：2026年05月19日
経済産業省（2026）「第1回AI・半導体WG 事務局説明資料」経済産業省、https://www.meti.go.jp/policy/mono_info_service/joho/conference/seichosenryakuwg/aisemicon01/shiryo04.pdf、閲覧日：2026年05月19日
IPA（2025）「DX動向2025」IPA、https://www.ipa.go.jp/digital/chousa/dx-trend/index.html、閲覧日：2026年05月19日
World Economic Forum（2025）「Global Lighthouse Network 2025: World Economic Forum Recognizes Companies Transforming Manufacturing through Innovation」WEF Press Release、https://www.weforum.org/press/2025/01/global-lighthouse-network-2025-world-economic-forum-recognizes-companies-transforming-manufacturing-through-innovation/、閲覧日：2026年05月19日
International Federation of Robotics（2024）「Global Robot Density in Factories Doubled in Seven Years」IFR Press Release、https://ifr.org/ifr-press-releases/news/global-robot-density-in-factories-doubled-in-seven-years、閲覧日：2026年05月19日
International Federation of Robotics（2025）「World Robotics 2025 report – INDUSTRIAL ROBOTS」IFR Press Release、https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years、閲覧日：2026年05月19日
NIST（2026）「AI for Resilient Manufacturing Institute Competition」NIST、https://www.nist.gov/oam/ai-resilient-manufacturing-institute-competition、閲覧日：2026年05月19日
U.S. Department of Energy（2026）「Collaborative Ecosystems Smart Manufacturing Innovation Institute」Department of Energy、https://www.energy.gov/cmei/ammto/collaborative-ecosystems-smart-manufacturing-innovation-institute-cesmii、閲覧日：2026年05月19日
NIST（2026）「Industrial Artificial Intelligence Management and Metrology」NIST、https://www.nist.gov/programs-projects/industrial-artificial-intelligence-management-and-metrology-iaimm、閲覧日：2026年05月19日
NIST（2025）「How to Find the Right Balance of Data for Your Industrial AI System」Manufacturing Innovation Blog、https://www.nist.gov/blogs/manufacturing-innovation-blog/how-find-right-balance-data-your-industrial-ai-system、閲覧日：2026年05月19日
Li, X. et al.（2025）「Data issues in industrial AI systems: A meta-review and research strategy」Computers in Industry, DOI:10.1016/j.compind.2025.104361、閲覧日：2026年05月19日
NIST（2023）「AI Risk Management Framework」NIST、https://www.nist.gov/itl/ai-risk-management-framework、閲覧日：2026年05月19日
CISA（2026）「Industrial Control Systems」Cybersecurity and Infrastructure Security Agency、https://www.cisa.gov/topics/industrial-control-systems、閲覧日：2026年05月19日
コメント