バーティカルAIとは何か｜汎用AIより製造・医療・金融で強くなる理由

バーティカルAIという言葉を聞いて、また新しい営業用語ではないかと感じるのは無理のない反応です。実際、統一された公的定義が広く定着しているわけではありません。ただし、2026年の日本政府資料は、バーティカルAIを領域特化型で、データ、AIモデル、アプリを垂直統合したシステムであり、現場で使えるAIだと整理しています。ここから分かるのは、バーティカルAIが単なる追加学習済みモデルではなく、現場の仕事を回すための実装の束だということです。

本記事での一言定義はこうです。バーティカルAIとは、特定業界の仕事を、安全性、監査性、責任分界を保ちながら継続運用するために、基盤モデルの上へ業界データ、評価基準、業務フロー、規制対応、人間承認を重ねた運用システムです。したがって、汎用AIと対立する概念ではありません。むしろ、汎用モデルを部品として使い、その外側に業界固有の実務層を組み上げる考え方です。

製造・医療・金融でこの構造が重要になるのは、誤りのコストが高く、業務フローが複雑で、既存システムや規制との整合が必要だからです。製造ではOTの安全性と停止損失、医療では患者安全と承認・同意、金融ではモデルリスクと監査・説明責任が先に立ちます。そのため、モデル単体の賢さより、どの業務を、どの条件で、誰の責任の下で動かすかを設計できる企業のほうが競争優位を持ちやすくなります。

ただし、業界特化を名乗れば自動的に強いわけではありません。データ権利が曖昧、業務統合が浅い、監査設計が弱い、個別開発が重い、販売期間が長すぎる、といった条件では、バーティカルAIはむしろ採算を崩しやすい側面があります。そこで以下では、責任の設計を軸に、製造・医療・金融を同じ物差しで比較します。

バーティカルAIとは何か――業界特化モデルだけでは足りない

バーティカルAIに統一された唯一の公的定義はまだありません。しかし、近年の利用実態を見ると、共通する核はあります。日本政府は2026年に、バーティカルAIを領域特化型で、データ、AIモデル、アプリを垂直統合したシステムとし、暗黙知を含む現場知の活用を重視しました。日本語の競合記事も、特定業界向け設計、既存ワークフローとの統合、規制や業界ルールの組み込みを強調していますが、そこに責任分界まで十分書き込めている記事は多くありません。

バーティカルAI、汎用AI、ドメイン特化モデル、Vertical SaaS、AIエージェントは似ていますが、同一ではありません。汎用AIは幅広い課題に使える基盤、ドメイン特化モデルは学習や調整の単位、Vertical SaaSは業界ソフトの提供形態、AIエージェントはタスク実行の振る舞いの単位です。バーティカルAIは、それらを業界実務へ接続して継続運用する統合体と捉えるほうが実態に合います。

概念主眼何が強みになりやすいか本番導入の壁
汎用AI幅広いタスク対応モデル性能、API、開発者エコシステム業界固有の責任・監査設計
ドメイン特化モデル特定分野での精度向上専門データ、評価セット業務統合と継続運用
Vertical SaaS業界業務のソフト化顧客接点、業務データ、導入済み基幹機能AIの安全運用と責任設計
AIエージェントタスク実行の自動化オーケストレーション、ツール連携停止条件、誤作動管理
バーティカルAI業界仕事の運用システム化データ、評価、業務、規制、監査、責任の束個別最適化のしすぎと採算崩れ

この表は本記事の整理であり、公的標準ではありません。各概念の整理には日本政府資料、金融庁文書、NIST、ISOの定義と実装論をあわせて用いました。

生成AI以前との連続性も重要です。製造の予知保全や外観検査、医療の画像診断支援、金融の不正検知や与信モデルは、LLM以前から存在していました。PMDAのEndoBRAINは2018年に日本初の内視鏡AI承認製品として位置付けられていますし、金融庁は従来型AIをパターン識別・分類・予測の文脈で、生成AIを文書・対話の文脈で整理しています。バーティカルAIはLLM登場後に突然生まれたというより、既存の業界特化AIに生成AIとエージェントを接ぎ木した発展形と見るほうが正確です。

汎用AIが高性能になるほど、なぜ業界特化の価値が増えるのか

一見すると、汎用モデルが進化すればバーティカルAIは不要に見えます。実際には逆です。理由は、モデルが高性能になるほど、差別化の重心がモデルの中身から、モデルをどう業務へ安全に埋め込むかへ移るからです。金融庁は、多くの金融機関がベンダーSaaS、オープンソースLLM、複数生成AIの併用を進めていると示しており、モデル選択が固定資産ではなくなりつつある現実を示しています。

この点で重要なのが、評価基準の変化です。汎用AIの強みは、要約、文章生成、検索補助など横断的タスクでの汎用性です。一方、製造・医療・金融では、回答がうまいかより、「誤りが起きたときに検出できるか」「誰が止めるか」「記録が残るか」「監査に耐えるか」が価値を決めます。NISTのAI RMFとGenAI Profile、OECDのResponsible AIガイダンス、ISO/IEC 42001と23894はいずれも、文脈依存のリスク管理、文書化、説明可能性、継続監視、承認プロセスを重視しています。

読者が感じやすいデモは便利なのに本番で確認作業が増えるという違和感も、ここで説明できます。デモでは平均的な成功率が見えやすい一方、本番では例外処理、権限管理、入力品質、既存記録との整合、事故時の説明責任まで背負う必要があります。だから、導入後にヒトの確認が増えるのは、AIが駄目だからではなく、責任が現実の業務に接続されたからです。日本政府の2026年資料が Human in the loop、Human on the loop、Human in the lead を整理しているのは、その構造を端的に示しています。

この意味で、汎用AIとバーティカルAIは二者択一ではありません。汎用モデルは部品になりやすく、バーティカルAIはその部品を、業界データ、基幹システム、承認手順、規制要求、障害対応へ接続する層です。モデルが安価で高性能になるほど、部品の価値は下がり、部品を本番運用へ組み上げる能力の価値が上がる、というのが本記事の読み解きです。

バーティカルAIの強さを決める五層――データから責任まで

本記事では便宜上、バーティカルAIを五層で見ます。業界データ層、評価・モデル層、業務フロー層、規制・監査層、運用・責任層です。この整理の狙いは、どこが価値で、どこが模倣されやすく、どこが導入失敗の原因になるかを分けて考えることです。NIST、ISO、OECDの文書は、まさにデータ、評価、運用、監査、継続改善の各要素を別々に管理する必要性を示しています。

業界データ層では、質、権利、更新性、ラベル、プライバシーが資産です。ただし「独自データがある」だけではモートになりません。医療では個人情報処理や二次利用ルール、金融では機密情報・顧客情報のマスキング、製造ではOT/IT分断と標準化不足が壁です。使えるデータであること、更新し続けられること、監査可能であることが必要です。

評価・モデル層では、ベンチマーク精度だけでなく、失敗モード、再現性、モデル交換可能性が重要です。金融庁はRAGとファインチューニングを区別し、用途に応じた複数モデルの併用を示しています。つまり、モデルは交換される前提で見るべきで、交換後にも残る業界評価セット、承認ルール、出力検証基準のほうが長持ちしやすいのです。

業務フロー層では、基幹システムやシステム・オブ・レコードに入れるかが勝負です。Morgan Stanley DebriefがSalesforceへノート保存まで行い、MUFGの「提案書データレイク」がマスキングと自動タグ付けまで含むのは、単なるチャットではなく業務フローに入っているからです。逆に、単発チャットで終わる製品は、便利でも切り替えやすく、継続課金の根拠が弱くなります。

規制・監査層では、法令対応、役割分解、ログ、アクセス制御、第三者評価、QMSが資産になります。医療ではPMDAやIMDRFの文脈、金融ではモデルリスク管理、EUではAI Act、組織全体ではISO/IEC 42001がここに当たります。この層は、導入企業から見ると安心材料ですが、ベンダーから見るとコンプライアンス固定費でもあります。

運用・責任層では、人間の最終判断、障害対応、補償、SLA、保守、継続改善、事故時の責任分界が中心です。ここはロックインと価値が最も混ざりやすい層でもあります。顧客にとっては、導入後に安心して使えることが価値です。ベンダーにとっては、業務設計に深く入るほど解約しにくくなるため、収益安定化につながります。ただし、責任が曖昧なまま深く入ると、現場だけに確認負担が押し付けられ、反発の原因にもなります。

製造・医療・金融を同じ物差しで比較する

三業界とも「誤りのコストが高い」「データが分散しやすい」「既存システムが重い」「人間承認が残る」という共通点を持ちますが、ボトルネックの位置は違います。製造は現場と設備、医療は臨床と承認、金融は監査と統制が中心です。

比較軸製造医療金融
主な業務設計、保全、品質、工程、需要・在庫診断支援、記録、看護、トリアージ、創薬顧客対応、文書処理、審査、不正検知、リスク管理
代表用途予知保全、外観検査、工場コパイロット画像診断支援、サマリー生成、診療記録支援社内照会、提案書検索、会議記録、不正検知
主なデータセンサー、PLC、保全記録、図面、品質証跡画像、電子カルテ、会話、検査、処方顧客情報、規程、FAQ、取引履歴、リサーチ
誤りのコスト停止損失、安全事故、品質不良患者安全、誤診、説明責任金銭損失、法令違反、信用失墜
求められる検証低遅延、現場再現性、フェイルセーフ臨床有用性、承認、最終確認モデルリスク管理、内部統制、監査証跡
規制・標準OTセキュリティ、OPC UA、IEC系PMDA、FDA、IMDRF、個人情報金融庁監督、日銀、SR26-2
既存システム統合MES、SCADA、ERP、エッジ電子カルテ、PACS、院内認証CRM、勘定系、文書管理、決済基盤
人間の最終判断多くは残る。制御介入は限定的医師・医療職が最終判断行職員・審査担当・管理部門が承認
責任分界設備ベンダー、工場、SI、運用部門医療機関、医師、ベンダー、規制金融機関、ベンダー、監督当局
販売・導入期間中長期になりやすい承認・調達で長期化しやすいPoCは短く、本番統制で長期化しやすい
継続学習条件設備差異、現場条件差、データ更新同意、匿名化、承認変更、品質管理規程更新、商品変更、監査要求
切替費用設備・OT統合が深いほど高いEHR連携・承認設計次第で高いCRM・文書・承認フロー統合で上がる
成果指標ダウンタイム、不良率、保全時間記録時間、診療質、安全、残業時間処理時間、エラー率、監査負荷、利用継続
典型的な失敗条件レガシー設備、OT分断、安全要件見落とし同意・承認・責任設計の不足人手確認前提を消し、監査設計が弱い

表は、NIST OT Security、OPC Foundation、PMDA、FDA、IMDRF、金融庁、日銀、実際の導入事例をもとに本記事が要約したものです。公開情報で一般化できない項目は保守的に記しました。

共通条件として抽出できるのは、業務が定型と例外の混合であること、ログや記録が制度的に重要であること、既存システムとの連携が重要であること、人間承認を消せないことです。逆に、誤りコストが高いほど自動化が進むわけではありません。むしろ高リスクほど、人間の最終判断、停止条件、監査、トレーサビリティが増えるため、自動化の速度は遅くなることがあります。

各業界で勝負どころは違う――製造は現場、医療は臨床、金融は監査

製造で勝負どころになるのは、OTとITの橋渡し、リアルタイム性、設備差異、安全停止条件です。NISTはOTについて、性能、信頼性、安全性の要求が通常ITと異なると明記しています。OPC Foundationも、OPC UAを単なるプロトコルではなく、標準化データ交換と end-to-end security を備えたフレームワークと位置付けています。つまり製造のバーティカルAIは、チャットで工場知識を答えるだけでは足りず、設備、保全履歴、品質証跡、エッジ推論まで接続してはじめて価値が立ちます。

事例として、SiemensのIndustrial Copilotは、thyssenkrupp Automation Engineeringでバッテリー品質検査機のエンジニアリングに組み込まれ、2025年からグローバル展開予定とされています。コード生成だけでなく、センサー設定、データ管理、レポート作成、機械可視化まで担い、オンプレ提供計画も示されています。これは製造向けLLMではなく、工場ソフトと工程要件に入り込んだワークフロー統合型の例です。ABBのFrosinone工場の品質検査AIも、エッジ推論、標準化API、欠陥時の即時分岐まで含んでおり、まさに現場と制御境界に接続された構成です。

医療で勝負どころになるのは、精度そのものよりも、臨床有用性、承認区分、患者データの扱い、医師の最終判断です。PMDAはAI活用医療機器の一覧を公開していますが、それは網羅的ではなく、かつプログラム医療機器の承認情報であって、臨床での広範な定着を意味しません。FDAも、AI-enabled medical device list は authorized for marketing の一覧であり、包括的ではないと明記しています。IMDRFは2025年にGMLP最終文書を公表し、各国規制の整合を進めています。ここでも、研究、承認、病院導入、診療標準は別々に見る必要があります。

具体例として、EndoBRAINはPMDA承認済みの内視鏡画像診断支援ソフトウェアで、病理診断予測を支援するプログラムです。茅ヶ崎市立病院は2025年にEndoBRAIN-EYE導入を公表しており、これは研究ではなく実運用側の導入告知です。一方、がん研究会とSB TEMPUSの生成AI診療記録支援は、2026年2月から2027年3月の共同研究で、患者同意取得、院内保管、法令遵守の上で有効性を検証する段階です。さらに、日本医師会の2026年委員会資料では、恵寿総合病院の運用として、生成AIによる退院・看護サマリー作成をEHR操作に組み込みつつ、医師・看護師の確認修正を義務化し、残業時間減少を報告しています。この並びを見ると、医療で本当に大事なのはAIが何を言えるかではなく、どの工程を、どの承認条件で、どこまで任せるかです。

金融で勝負どころになるのは、説明可能性、監査、モデルリスク管理、機密情報管理です。金融庁は、現時点で多数の金融機関が社内利用から始め、対顧客サービスでは人の判断を介するケースが大半と整理しています。日銀も、情報漏えいとハルシネーションを固有リスクとして認識し、適切なガバナンス構築を求めています。米銀行監督のSR26-2は、モデルリスクが財務損失、財務報告エラー、誤った経営判断につながりうると明示し、リスクベースの管理を求めています。金融は、生成品質より統制品質の業界だと言ってよいでしょう。

事例では、MUFGが2025年にAIポリシーを制定し、情報漏えい、偽情報の拡散、誤判断の誘発をAIガバナンス上のリスクとして明示しました。実務面では、三菱UFJ銀行の「提案書データレイク」が、顧客情報マスキング、自動タグ付け、銀行固有用語対応、高いセキュリティ基準を要件に構築されています。海外例として、Morgan Stanleyは2024年にAI @ Morgan Stanley Debriefを開始し、顧客同意のもとで面談ノート作成、アクション項目抽出、メール下書き、Salesforce保存までつなげています。また、Financial Advisor teams の98%がAssistantを採用済みだと公表しています。AskResearchGPTも、投資銀行・セールス&トレーディング・リサーチ向けに社内高品質情報の探索と要約を支援する用途です。いずれも、金融における価値がチャットより既存統制への接続にあることを示しています。

どの企業が価値を取るのか――モデル企業より補完資産を持つ主体

ここで補完資産の視点が効きます。Teeceは、技術が優れていても、補完資産を持たない企業は利益を取り切れないと論じました。バーティカルAIでは、この補完資産が、販売網、導入済みソフト、規制知識、顧客データ利用権、統合ノウハウ、監査能力、保守運用、保険・契約設計にあたります。だから、最も高性能なモデル企業が必ずしも最終利益を最大化するとは限りません。

企業類型強み弱み価値を取りやすい条件
基盤モデル・クラウド企業モデル性能、計算資源、API、生態系業界責任を直接負いにくい部品化された基盤を広く供給するとき
バーティカルAI専業スタートアップ業務課題への集中、速い改善販売期間、規制費用、個別対応負担データと導入先を絞り込めるとき
既存の業界ソフト企業顧客接点、基幹統合、既存ワークフローモデル革新の速さで不利な場合既存ソフトにAIを埋め込めるとき
データ・情報コンテンツ企業高品質コンテンツ、更新性実行系ワークフローが弱い判断支援の中核データを握るとき
SI・コンサル統合、要件定義、導入支援プロダクト粗利が出にくい複雑統合が競争の中心のとき
既存大手事業者現場データ、責任主体、業務知見ソフト開発速度、内製負担内製または共同開発で主導権を持つとき

この表はTeeceの補完資産論、日本政府のバーティカルAI戦略、実際の製造・医療・金融事例を踏まえた本記事の整理です。

既存ソフト企業が有利な条件は明確です。すでに顧客のワークフロー、記録、承認、権限体系に入っている場合です。Morgan StanleyがSalesforce保存を含む運用を作れたこと、SiemensがTIA PortalやWinCC Unifiedと一体でIndustrial Copilotを展開していること、EndoBRAINが内視鏡ワークフローに乗ることは、すべてこのパターンです。

逆に、スタートアップが有利なのは、既存ソフトが弱く、明確な痛点があり、規制や責任が重すぎず、しかも導入先から継続フィードバックを得られるときです。MUFGとLayerXの協業で、メガバンクの高い品質・セキュリティ要求がそのまま製品磨き込みにつながった構図は、垂直型スタートアップが大口顧客と組んで補完資産を借りる典型です。

規制は参入障壁であると同時に、既存企業優位も生みます。EU AI Actが段階適用され、GPAI、高リスクAI、禁止用途に別々のスケジュールを設けているのは、AIを単一の市場競争でなく適用文脈ごとに統治しようとしているからです。その結果、規制対応能力を持つ既存企業や業界ソフト企業には追い風になりますが、販売期間とコンプライアンス費用も押し上げます。したがって、規制が厳しいほどスタートアップに不利とも、有利とも、一概には言えません。

バーティカルAIが失敗する条件と、よくある誤解

まず、バーティカルAIはファインチューニング済みLLMと同義ではありません。金融庁が整理するように、業務特化型モデルにはRAG、ファインチューニング、社内データ統合、複数サービス併用など複数アプローチがあり、業務に必要な優位はモデル再学習だけからは生まれません。

第二に、独自データを持つだけでデータモートは生まれません。重要なのは、合法的に使えるか、更新し続けられるか、ラベルと文脈があるか、評価とワークフローに接続しているかです。医療では個人情報・二次利用、金融ではマスキング、製造ではOT/IT分断と標準が壁になります。

第三に、ベンチマーク精度が高いことと、本番で安全・採算的に使えることは別です。日本医師会の2026年資料は、画像診断AIが期待ほど使われず、最終確認が必要なため人件費低減に結びつかない場合がある一方、生成AIの記録支援は有効と報告しています。これは、精度ではなく、業務のどこに入るかがROIを左右する例です。

第四に、提携、実証、導入発表は本番定着や収益貢献を意味しません。がん研究会とSB TEMPUSの事例は共同研究であり、有効性を評価・検証する段階です。thyssenkruppのSiemens Copilotも、2025年以降のグローバル展開計画として示されています。こうした段階の違いを無視して「採用済み」「勝者」と断じるのは危険です。

第五に、市場が成長しても、個別企業が利益を得るとは限りません。個別要件対応が増えすぎると、SaaSのような高粗利モデルは崩れます。導入ごとに業務設計、監査、権限、説明文書、ログ設計、保険対応が別物になると、営業増よりカスタマーサクセスと実装コストが膨らみます。補完資産を持つ既存企業やSIが利益を吸う構図も起こりえます。

第六に、汎用AIで十分な領域もあります。誤りコストが低く、業務変更が速く、顧客固有性が高すぎ、制度監査が軽く、既存システム統合が浅いなら、汎用AIや水平型コパイロットのほうが合理的です。バーティカル化のコストが便益を上回るからです。

導入先・事業性を見抜く七つの質問

第一の質問は、何の業務・判断を、どこまで引き受けるのかです。診療記録の下書きなのか、医師の診断なのか。文書の要約なのか、顧客への自動提示なのか。設計支援なのか、設備制御なのか。この境界が曖昧な製品は危険です。

第二は、業界データを合法かつ継続的に利用・更新できるかです。医療は同意と二次利用、金融は機密情報マスキング、製造は設備間標準化が焦点になります。他社の公開PDFを食べさせただけでは、実務に耐えるデータ資産とは言えません。

第三は、評価指標がモデル精度ではなく、業務成果と失敗モードに結び付いているかです。製造なら停止時間や不良率、医療なら記録時間や安全性、金融なら監査負荷や承認時間です。NISTやOECDは、リスク評価と運用後監視をライフサイクルで管理する必要を強調しています。

第四は、既存の記録・承認・監査システムに組み込まれているかです。Salesforce保存、電子カルテ操作連携、TIA Portal統合のように、システム・オブ・レコードへ入っているかが重要です。別画面のチャットだけなら、便利でも本番業務への定着は弱くなります。

第五は、人間の承認、停止条件、ログ、事故時の責任が明確かです。これは特に医療と金融で必須です。日本政府資料が人の責任類型をわざわざ列挙し、金融庁と日銀がガバナンスを強調し、PMDAやIMDRFが安全性とQMSを重視することは、この質問の重要性を裏付けます。

第六は、基盤モデルを変更しても残る資産は何かです。評価データ、業務ルール、連携コネクタ、RBAC、監査証跡、責任文書、顧客教育が残るなら強いです。逆に、価値の大半が外部モデルAPIに依存しているなら、見かけの垂直化で終わる可能性があります。

第七は、顧客利益とベンダーのロックインを区別し、費用対効果を継続測定できるかです。高い切替費用は、顧客にとっては負担であり、ベンダーにとっては収益安定要因です。だからこそ、時間削減や安全性向上が、その切替費用と均衡しているかを見なければなりません。恵寿総合病院のように、確認義務付きでなお効果が出ているなら価値がありますが、確認負担だけ増えるなら失敗です。

結論――AIの競争は性能から責任を実装する能力へ

ここまでの一次情報をまとめると、バーティカルAIは汎用AIの対抗馬ではありません。汎用モデルを業界実務へ接続するためのシステム層です。日本政府資料は、バーティカルAIをデータ・モデル・アプリの垂直統合として扱い、人の責任の設計を明記しています。NIST、ISO、OECD、金融・医療監督も、共通してライフサイクル管理、説明可能性、監査、継続運用を重視しています。

製造ではOT安全と設備統合、医療では臨床フローと承認、金融では統制とモデルリスク管理が差別化の中心になっており、どれもモデル単体では完結しません。一方で、データ権利が曖昧、個別開発が重い、規制や既存システムが重すぎる、大手ベンダーに吸収される、といった条件では弱まります。

したがって、バーティカルAIを評価するときは、モデルが賢いかだけでなく、どの仕事を引き受け、どの失敗に責任を持ち、どの記録を残し、どの制度に適合し、どのシステムに入るのかを問うべきです。モデルが安価で高性能になるほど、企業が差別化すべきものはAIそのものではなく、責任を実装する能力なのではないか。では、その責任をベンダー、導入企業、現場の専門職、規制当局の間でどう分けるべきか。この問いが、次のフェーズの本論点です。

よくある疑問Q&A

Q.バーティカルAIと業界特化型AIは同じですか。
近い概念ですが、同じではありません。本記事では、業界特化型AIを広い総称、バーティカルAIを「データ・業務・規制・責任まで束ねた運用システム」として、より狭く実務的に使っています。

Q.汎用AIが進化すると、バーティカルAIは不要になりますか。
不要にはなりにくいです。金融庁文書が示すように、現場では複数モデル併用やRAG、OSS利用が進んでおり、モデル選択より業務統合や責任設計が残りやすい価値になります。

Q.ファインチューニングすればバーティカルAIになりますか。
なりません。ファインチューニングは一手段にすぎず、評価、ログ、承認、監査、障害対応、既存システム連携まで入って初めて本番運用に近づきます。

Q.製造・医療・金融以外でも有効ですか。
有効です。法務、物流、公共分野、建設、教育などでも成立しえます。ただし、誤りコスト、データ更新、規制、基幹統合の強さによって、垂直化の価値は変わります。

Q.日本企業が導入するとき最初に確認すべき点は何ですか。
「何の業務をどこまで引き受けるのか」「誰が最終承認するのか」「既存記録系へどう入るのか」の三点です。これが曖昧だと、PoCは動いても本番で止まります。

Q.バーティカルAI企業の強みはどう見抜けばいいですか。
モデル性能ではなく、データ権利、評価基準、業務統合、監査能力、責任設計、販売網のどこを持っているかで見ます。Teeceの補完資産論がそのまま使えます。

Q.業界特化なら安全ですか。
安全とは言えません。医療では承認や最終確認、金融では監査と統制、製造では安全停止条件が必要です。業界特化は安全の自動保証ではなく、安全設計を入れやすくする条件にすぎません。

Q.ベンダーロックインはどう考えるべきですか。
ロックインは悪ではありません。業務統合の深さが価値そのものでもあるからです。ただし、基盤モデル交換時にも持ち出せる評価データ、ログ、コネクタ、契約条件を確保しておくべきです。

参考

[1] 内閣府 AI戦略本部（2026年5月）「バーティカルAI領域別戦略 中間とりまとめ」内閣府、https://www8.cao.go.jp/cstp/ai/ai_hq/5kai/shiryo2_2.pdf、閲覧日：2026年07月24日。
[2] 金融庁（2026年3月3日）「生成AIディスカッションペーパー Version 1.1」金融庁、https://www.fsa.go.jp/news/r7/sonota/20260303/aidp_version1.1.pdf、閲覧日：2026年07月24日。
[3] Bank of Japan（2024年10月29日）“Financial System Report Annex ‘Use and Risk Management of Generative AI by Japanese Financial Institutions’” 日本銀行、https://www.boj.or.jp/en/research/brp/fsr/fsrb241029.htm、閲覧日：2026年07月24日。
[4] 総務省・経済産業省（2026年3月31日）「AI事業者ガイドライン（第1.2版）」経済産業省、https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf、閲覧日：2026年07月24日。
[5] NIST（2023年1月26日更新）“AI Risk Management Framework” National Institute of Standards and Technology、https://www.nist.gov/itl/ai-risk-management-framework、閲覧日：2026年07月24日。
[6] NIST（2024年7月26日）“Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile” NIST、https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence、閲覧日：2026年07月24日。
[7] ISO（2023年12月）“ISO/IEC 42001:2023 AI management systems” International Organization for Standardization、https://www.iso.org/standard/42001、閲覧日：2026年07月24日。
[8] ISO（2023年）“ISO/IEC 23894:2023 Information technology — Artificial intelligence — Guidance on risk management” International Organization for Standardization、https://www.iso.org/standard/77304.html、閲覧日：2026年07月24日。
[9] ISO（2026年時点掲載）“Artificial intelligence” International Organization for Standardization、https://www.iso.org/sectors/it-technologies/ai、閲覧日：2026年07月24日。
[10] OECD（2026年時点掲載）“AI principles” OECD、https://www.oecd.org/en/topics/ai-principles.html、閲覧日：2026年07月24日。
[11] OECD（2026年2月）“OECD Due Diligence Guidance for Responsible AI” OECD、https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/02/oecd-due-diligence-guidance-for-responsible-ai_7831bb49/41671712-en.pdf、閲覧日：2026年07月24日。
[12] OECD（2023年2月）“Advancing accountability in AI: Governing and managing risks throughout the lifecycle for trustworthy AI” OECD、https://www.oecd.org/content/dam/oecd/en/publications/reports/2023/02/advancing-accountability-in-ai_753bf8c8/2448f04b-en.pdf、閲覧日：2026年07月24日。
[13] European Commission（2024年8月1日）“AI Act enters into force” 欧州委員会、https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en、閲覧日：2026年07月24日。
[14] Board of Governors of the Federal Reserve System, OCC, FDIC（2026年4月17日）“Supervisory Guidance on Model Risk Management (SR 26-2)” Federal Reserve、https://www.federalreserve.gov/supervisionreg/srletters/SR2602.pdf、閲覧日：2026年07月24日。
[15] NIST（2023年9月）“Guide to Operational Technology Security (NIST SP 800-82r3)” NIST、https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-82r3.pdf、閲覧日：2026年07月24日。
[16] OPC Foundation（2026年時点掲載）“OPC UA for Factory Automation” OPC Foundation、https://opcfoundation.org/factory/、閲覧日：2026年07月24日。
[17] 経済産業省・厚生労働省・文部科学省（2025年）「2025年版 ものづくり白書 概要」経済産業省、https://www.meti.go.jp/report/whitepaper/mono/2025/pdf/gaiyo.pdf、閲覧日：2026年07月24日。
[18] Siemens（2024年11月12日）“Siemens Industrial Copilot expanded, adopted by thyssenkrupp” Siemens、https://press.siemens.com/jp/en/pressrelease/pr-20241112、閲覧日：2026年07月24日。
[19] Siemens（2025年3月24日）“Siemens expands Industrial Copilot with New generative AI-powered Maintenance Offering” Siemens、https://press.siemens.com/global/en/pressrelease/siemens-expands-industrial-copilot-new-generative-ai-powered-maintenance-offering、閲覧日：2026年07月24日。
[20] ABB（2025年）“Through the eyes of machines” ABB Review、https://search.abb.com/library/Download.aspx?Action=Launch&DocumentID=9AKK108471A7517&DocumentPartId=&LanguageCode=en、閲覧日：2026年07月24日。
[21] PMDA（2026年時点掲載）「プログラム医療機器の承認等情報」医薬品医療機器総合機構、https://www.pmda.go.jp/review-services/drug-reviews/about-reviews/devices/0052.html、閲覧日：2026年07月24日。
[22] PMDA（2026年4月1日版）「内視鏡画像診断支援ソフトウェア EndoBRAIN」医薬品医療機器総合機構、https://www.pmda.go.jp/PmdaSearch/bookSearch/01/04580369884009、閲覧日：2026年07月24日。
[23] 茅ヶ崎市立病院（2025年10月21日）「AI内視鏡画像診断」茅ヶ崎市立病院、https://hosp.city.chigasaki.kanagawa.jp/4001480/4001493/4001547.html、閲覧日：2026年07月24日。
[24] IMDRF（2026年時点掲載）“Artificial Intelligence/Machine Learning-enabled” IMDRF、https://www.imdrf.org/working-groups/artificial-intelligencemachine-learning-enabled、閲覧日：2026年07月24日。
[25] IMDRF（2025年1月29日）“Good machine learning practice for medical device development: Guiding principles” IMDRF、https://www.imdrf.org/documents/good-machine-learning-practice-medical-device-development-guiding-principles、閲覧日：2026年07月24日。
[26] FDA（2026年時点掲載）“Artificial Intelligence-Enabled Medical Devices” U.S. Food and Drug Administration、https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices、閲覧日：2026年07月24日。
[27] PMDA（2022年）「機械学習を活用する医療機器の審査について」医薬品医療機器総合機構、https://www.pmda.go.jp/files/000265866.pdf、閲覧日：2026年07月24日。
[28] 日本医師会（2026年4月8日）「AIの臨床利用に関する検討委員会（プロジェクトチーム）」日本医師会、https://www.med.or.jp/dl-med/teireikaiken/20260415_3.pdf、閲覧日：2026年07月24日。
[29] がん研究会有明病院（2026年2月16日）「がん研究会とSB TEMPUSが生成AIを活用した医療業務支援ツールに関する共同研究を開始」公益財団法人がん研究会、https://www.jfcr.or.jp/hospital/information/general/11825.html、閲覧日：2026年07月24日。
[30] 三菱UFJフィナンシャル・グループ（2025年3月18日）「『MUFG AIポリシー』の策定について」MUFG、https://www.mufg.jp/dam/pressrelease/2025/pdf/news-20250318-001_ja.pdf、閲覧日：2026年07月24日。
[31] 三菱UFJフィナンシャル・グループ（2025年12月15日）「LayerX社との連携による生成AIの業務実装」MUFG、https://www.mufg.jp/profile/strategy/dx/articles/0133/index.html、閲覧日：2026年07月24日。
[32] Morgan Stanley（2024年6月26日）“Launch of AI @ Morgan Stanley Debrief” Morgan Stanley、https://www.morganstanley.com/press-releases/ai-at-morgan-stanley-debrief-launch、閲覧日：2026年07月24日。
[33] Morgan Stanley（2024年10月23日）“Morgan Stanley Research Announces AskResearchGPT Powered by OpenAI” Morgan Stanley、https://www.morganstanley.com/press-releases/morgan-stanley-research-announces-askresearchgpt、閲覧日：2026年07月24日。
[34] Teece, David J.（1986）“Profiting from technological innovation: Implications for integration, collaboration, licensing and public policy” Research Policy, Elsevier, https://www.sciencedirect.com/science/article/pii/0048733386900272、閲覧日：2026年07月24日。
[35] Nonaka, Ikujiro（1994）“A Dynamic Theory of Organizational Knowledge Creation” Organization Science, INFORMS, https://pubsonline.informs.org/doi/10.1287/orsc.5.1.14、閲覧日：2026年07月24日。
[36] BrainPad（2026年）「Vertical AI（バーティカルAIエージェント）がもたらす可能性と事例から見る導入メリットを解説」DOORS DX、https://www.brainpad.co.jp/doors/contents/what-is-vertical-ai-agent/、閲覧日：2026年07月24日。
[37] Members（2026年3月26日）「専門業務を支えるVertical AIとは？汎用AIだけでは超えられない業務の壁」メンバーズ、https://www.members.co.jp/column/20260326-vertical-ai、閲覧日：2026年07月24日。
[38] AI総合研究所（2026年）「バーティカルAIとは？汎用AIとの違いや業界別事例、料金モデルを徹底解説」AI総合研究所、https://www.ai-souken.com/article/what-is-vertical-ai、閲覧日：2026年07月24日。

コメント

タイトルとURLをコピーしました