予測の出どころと、その周辺

2026年3月23日に公開された Gartner Market Guide for Manufacturing Execution Systems（著者：Jake Cunningham、Christian Hestermann）に、次の予測が示されています。

2027年までに、企業が使用する生成AIモデルの50%超が業界特化型または機能特化型になる

同じ Market Guide のキーメッセージは、Siemens の要約によれば次の3点です。

  1. AIは構成の複雑さとオペレータ体験の課題に対処して導入障壁を下げうるが、レガシー刷新が先
  2. オープンAPI／プラットフォーム／MCP戦略による相互運用性が必須
  3. 規制産業ではセキュリティ・観測性・human-in-the-loop という信頼メカニズムが導入可否を決める

そして「派手な機能ではなく測定可能な成果に集中せよ」と結ばれています。掲載形式が Magic Quadrant ではなく Representative Vendor 方式である点については、「Gartnerのマジック・クアドラントでリーダー」はもう成立しないという記事で詳述しています。

「業界特化」には4つの意味がある

問題は、この予測を受けたベンダー各社が「当社のAIは製造業に特化しています」と言い始めたときに、その言葉が何を指しているかが説明されないことです。実際には、少なくとも4つの異なる特化があります。

軸何が特化されているか検証方法特化しないと何が起きるか
① データ学習・参照するデータが製造ドメインのもの（工程実績、設備ログ、検査画像、規格文書）学習データの出所と量を聞く。自社データの扱い（学習に使われるか）を契約で確認一般的な回答は返るが、自社の工程の事情を反映しない
② 語彙・情報モデル「ロット」「指図」「工程能力指数」「逸脱」などの用語が定義済みで、モデルが正しい対象に紐づける自社の不良コード体系を読み込ませ、コード番号で質問して正答するかを見る用語が一般名詞として解釈され、集計が別のものになる
③ ワークフロー製造業務の手順（検査判定→不適合起票→CAPA、設計変更→工程表改訂）が組み込まれているエージェントが実行できる操作の一覧を出させる。読み取り専用か、実行までするか「提案はするが、次の作業に繋がらない」状態になる
④ 統制監査証跡、権限、human-in-the-loop、説明可能性が製品機能として実装されている規制産業向けの構成があるか。判断根拠の記録形式を見せてもらう規制産業ではそもそも本番投入できない

この4つは独立です。①だけを満たして「業界特化AI」と称する製品もあれば、④まで実装している製品もあります。提案書で「業界特化」という語を見たら、どの軸の話をしているかを必ず特定してください。

実際の製品を4軸に当てはめると、違いが見えます。

  • iBase-t の Solumina AI（2026年1月15日ローンチ）は、航空宇宙・防衛（A&D）特化を掲げ、エアギャップ環境での動作、ITAR準拠、NISTベースのセキュリティを明記しています。CEO の Naveen Poonian 氏は「A&DにおいてAIは統制され、制限環境で展開可能で、説明責任を果たすものでなければならない」と述べており、これは明確に④統制の特化です。
  • Rockwell が2026年8月11日に発表した、CADファイルを作業手順書に自動変換するAIオーサリングエージェントは、設計データから作業指示という製造固有の変換を扱う点で③ワークフローの特化にあたります。
  • Critical Manufacturing が2025年7月29日に買収した Convanit の c-Alice（ノーコードで画像分類AIモデルを構築・展開）は、外観検査という用途に絞った①データの特化です。

同じ「業界特化AI」でも、解いている問題がまったく違うことがわかります。

なぜ汎用モデルでは工場の問いに答えられないのか

具体例で考えます。「先月、3号機で発生した不良コード17の傾向を教えてください」という質問に、汎用の大規模言語モデルが答えるには、次の情報が必要です。

  • 3号機 が社内のどの設備マスタのレコードを指すか（同じ「3号機」が拠点ごとに別の設備）
  • 不良コード17 が何を意味するか（拠点間で定義が揃っていない可能性がある）
  • 先月 の期間定義（暦月か、締め日基準か、シフト境界をどう扱うか）
  • そのデータがどのテーブルのどの列にあり、どう結合すれば工程・ロット・作業者と紐づくか

このうち、汎用モデルが事前学習から持ってこられる情報はゼロです。すべて自社固有です。したがって「業界特化」の実質は、多くの場合モデルそのものの特化ではなく、モデルに渡すコンテキスト（情報モデル）の整備を指しています。

この文脈で、標準側の動きが直接効いてきます。OPC Foundation は 2026年4月20日、430以上のOPC UAコンパニオン仕様を、RAG（検索拡張生成）・MCP（Model Context Protocol）・AI支援エンジニアリングに最適化された形式へ変換する計画を発表しました。プロトタイプでは、仕様をMarkdownファイル、画像説明、トークン最適化されたRAGチャンク、ベクトル埋め込み、MCP/RESTベースのクエリインターフェースへ変換済みです。詳細はOPC UAの430超の仕様がAIエージェントの知識ベースになるという記事で扱っています。

Gartner が Market Guide で「MCP整合による相互運用性が必須」と書いていることと、OPC Foundation のこの動きは、同じ方向を向いています。業界特化の実装手段として、標準の情報モデルをAIが読める形にする、という路線が2026年に固まりつつあると読めます（この総合的な読みは当サイトの解釈です）。

特化のコストは誰が負担するのか

ここが選定上の実務論点です。「業界特化」を作り込む作業は、どこかで誰かがやります。

ベンダーが負担する場合は、製品価格に乗ります。その代わり、自社の負担は初期のマスタ提供と検証で済みます。ただしベンダーが用意した特化は、多くの場合「業界平均」であって自社仕様ではありません。自社の不良コード体系や工程呼称に合わせる作業は、結局どこかで発生します。

自社が負担する場合は、AIツールの費用は下がりますが、社内に情報モデルを整備・維持する担当が必要になります。しかもこれは一度作って終わりではなく、製品追加・拠点追加・設備更新のたびにメンテナンスが要る継続的な作業です。

SIerが負担する場合は初期は楽ですが、更新のたびに費用が発生し、モデルの中身が社外にしか残らないという状態になりかねません。

選定時に確認する5つの質問

MESの選び方の評価軸にAIを組み込むなら、次の5問が実用的です。詳細な質問リストはベンダーへの質問リストにまとめています。

  1. その「業界特化」は、上の4軸のどれですか。 複数なら、それぞれ具体的に何が特化されているか
  2. 当社の不良コード体系・工程呼称を、どのように取り込みますか。 取り込みの作業主体と工数は
  3. AIが出した回答の根拠を、どの形式で記録しますか。 監査で提示できる形式か
  4. 人間が最終判断する箇所（human-in-the-loop）は、どこに設計されていますか。 変更できますか
  5. 当社のデータは、貴社のモデル学習に使われますか。 契約書のどの条項に書かれていますか

5番は、規制産業と機密性の高い工程を持つ企業では最初に確認すべき項目です。「使いません」という口頭回答ではなく、契約条項の該当箇所を示してもらってください。

この予測が外れる可能性

最後に、逆側も書いておきます。「2027年までに50%超が特化型」という予測が外れる筋も存在します。

汎用モデルの性能向上が続けば、「特化モデルを作るより、汎用モデルに良いコンテキストを渡すほうが安く早い」という状況になりえます。実際、上で見たとおり、製造現場の問いに答えるために必要なのはモデルの重みではなくコンテキストです。その場合、勝負は「特化モデルを持っているか」ではなく「情報モデルを整備できているか」に移ります。

どちらに転んでも、発注側がやるべきことは同じという点が重要です。用語とコードの定義を揃え、情報モデルを標準に沿った形で持ち、外部から機械可読な形で参照できるようにしておく。この投資は、どのAI製品を選んでも無駄になりません。逆にここを整えないまま特化AIを買っても、上の具体例で見た4つの情報のどれも渡せません。

よくある質問

「業界特化型モデル」と「ファインチューニング」は同じ意味ですか？

同じではありません。ファインチューニングは既存モデルの重みを追加学習で調整する技術的手法の一つで、業界特化を実現する複数の方法のうちの1つにすぎません。実務でより多く採用されているのは、RAG（検索拡張生成）による外部知識の参照と、情報モデル・APIを通じた構造化データへのアクセスです。OPC Foundation が430超のコンパニオン仕様をRAGチャンクとMCPインターフェースへ変換しているのは後者の路線です。ベンダーが「特化」と言ったら、どの手法を使っているかを聞いてください。手法によって、更新のしやすさとコストが大きく変わります。

中小企業でも業界特化AIは導入できますか？

可能性は上がっています。理由は2つあります。1つは、特化の実体がモデル学習ではなく情報モデルの整備であるため、規模より整備状態が効くこと。もう1つは、Siemens Opcenter X のようなSaaS型MOMがSMB向けを明示するなど、ベンダー側の提供形態が変わってきていることです。ただし、AIを載せる前提としてのデータ整備（用語統一、時刻同期、文脈付与）の負担は規模に比例して小さくなるわけではありません。まず1ラインに絞って、答えたい問いを1つ決めるところから始めるのが現実的です。

human-in-the-loop は、実際にはどう実装されるものですか？

典型的には3つの形があります。①承認ゲート型（AIが提案し、人が承認してから実行される）、②例外エスカレーション型（AIが自動処理し、確信度が閾値を下回るときだけ人へ回す）、③事後レビュー型（AIが実行し、人が一定件数を抜き取りで検証する）。規制産業では品質判定に①、外観検査の一次判定に②が使われる例が多く見られます。重要なのは、どの形を採るかで監査証跡に残すべき内容が変わることです。①なら承認者と承認時刻、②なら閾値の設定履歴と例外の処理結果が必要になります。EU GMP の新設 Annex 22（AI）が説明可能性と信頼度（confidence levels）を求めているのは、この記録のことです。