工場の生産管理をAIで改善する方法｜リードタイム短縮・在庫最適化の実践ステップ【2026年最新】

工場の生産管理をAIで改善する近道は、需要予測・生産計画（スケジューリング）・在庫の3つをつないで手を入れることだ。バラバラに導入すると「予測は当たるが在庫は減らない」で止まるが、つなげば欠品と過剰在庫を同時に減らせる。

そして2026年は、クラウド型の生産計画AIが月額15万円という価格帯まで下り、「デジタル化・AI導入補助金2026」の対象ツール認定によって年間180万円が実質90万円という公式試算まで出ている（スカイディスク公式）。中小工場にとって、投資判断のテーブルに現実的に載る金額になった。

この記事でわかること:

• なぜリードタイムが縮むと在庫が減るのか、その連鎖の中身
• AIで改善できる生産管理の4領域と、2026年時点の主要アプローチ5類型
• 主要ツールの提供形態・料金（公開しているもの／非公開のものを明記）
• 2026年度の補助金3制度の使い分けと、実質負担額の試算
• データ整備から横展開までの0〜12か月ロードマップ
• 自社の状況別「どこから着手すべきか」の分岐
• 期待値を誤らないための失敗データ（明確な成果を得た企業は16.4%）

対象読者: 製造業の生産管理担当者・工場長・DX推進担当者・経営者で、「AIを入れたいが何から手をつけるべきか分からない」段階の方。

なお本記事は生産管理業務そのもの（需要予測・生産計画・在庫・リードタイム）に絞って扱う。外観検査AI・予知保全・熟練者の技能継承については製造業のAI活用事例｜品質検査AI・予知保全・暗黙知伝承ガイドで詳しく整理している。

生産管理AIとは — 「記録するシステム」から「打ち手を出すシステム」へ

生産管理AIとは、需要予測・生産計画（スケジューリング）・在庫管理・工程進捗といった生産管理業務に、機械学習・数理最適化・生成AI／AIエージェントを適用し、計画立案と判断を支援・自動化する仕組みの総称だ。

既存の生産管理システム（ERP／MES）との違いは、機能の多寡ではなく時間の向きにある。

言い換えると、ERP/MESは「何が起きたか」を教えてくれるが、「では明日どう組み直すか」は教えてくれない。その空白を埋めるのが、APS（Advanced Planning and Scheduling／先進的計画・スケジューリング）とその上に載る予測・生成AIだ。

2026年時点では、APSが計画を作り、生成AI・エージェント型AIが「変動が起きたときの再計画と説明」を担う二層構造が実務の主流になりつつある（Asprova公式コラム、エムニ 2026年版 生産計画の自動化）。エージェント型AIそのものの仕組みはAIエージェントとはで解説している。

現時点の普及度を正しく見る

「他社はもう入れているのか」という問いには、調査によってかなり違う数字が返ってくる。

数字が倍近く違うのは、調査主体・母集団・「AI」の定義がそれぞれ異なるためだ。単一の数字を根拠に焦る必要はない。ただし3調査に共通しているのは、生成AIは総務・管理部門で使われ始めている一方、生産管理という基幹業務にはまだほとんど届いていないという事実である。裏を返せば、ここは先行者利益がまだ残っている領域だ。

リードタイム短縮と在庫最適化が「同時に」効くしくみ

多くの工場では「欠品を減らそうとすると在庫が増え、在庫を減らそうとすると欠品する」というトレードオフから抜け出せない。生産管理AIの本質的な価値は、このトレードオフ自体を動かせる点にある。

安全在庫は「需要のブレ × 調達リードタイム」で決まる

安全在庫の考え方を単純化すると、こうなる。

安全在庫 ≒ 需要のばらつき × 補充リードタイムの平方根 × 安全係数（欠品許容度）

つまり在庫を減らす道は3つしかない。

1. 需要のばらつきを小さく見積もれるようにする（＝需要予測の精度を上げる）
2. 補充リードタイムを短くする（＝生産・調達のリードタイムを縮める）
3. 欠品許容度を上げる（＝サービス水準を落とす。普通は採れない）

従来の改善活動は1か2のどちらか片方にしか手が入らなかった。需要予測だけを高度化しても、リードタイムが2か月のままなら安全在庫はほとんど減らない。逆にリードタイムだけ縮めても、需要予測が外れ続ければ「間違ったものを速く作る」だけになる。

連鎖の全体像

生産管理AIは、この1と2に同時に手を入れられる。

① 需要予測の精度が上がる
      ↓（「念のため多めに」のバッファが不要になる）
② 生産計画が納期・段取り・設備能力を同時最適で組める
      ↓（段取り替え回数と工程間の待ち時間が減る）
③ 製造リードタイムが短くなる
      ↓（仕掛品＝作りかけの在庫が減る）
④ 補充リードタイムが短くなり、安全在庫の必要量が下がる
      ↓（①の精度向上と掛け算になる）
⑤ 欠品率を維持したまま在庫金額が下がる → キャッシュフロー改善

ポイントは③→④の接続だ。リードタイム短縮は、それ自体が在庫削減の手段である。生産計画AIを「計画作成の時短ツール」としてだけ評価すると、この効果を投資対効果の計算から丸ごと落としてしまう。

効果を試算に落とすときの3つのKPI

導入検討の稟議では、次の3点をセットで置くと連鎖が説明しやすい。

工数削減は導入直後に出るが、在庫削減は計画運用が回り始めてから数か月遅れて効いてくる。この時間差を経営層と事前に共有しておかないと、「3か月経っても在庫が減っていない」という誤った失敗判定を招く。

AIで改善できる生産管理の4領域

生産管理でAIが実用段階にある領域を、業務別に整理する。自社の痛点がどこにあるかを当てはめて読んでほしい。

品質検査（外観検査AI）と予知保全も生産管理に密接に関わるが、性質としては「作る前後の品質・設備」の話であり、計画と在庫のロジックとは別系統だ。この2領域は製造業のAI活用事例｜品質検査AI・予知保全・暗黙知伝承ガイドにまとめている。調達・出荷側の輸配送最適化は運輸・物流のAI活用事例を参照するとつながりが見える。

需要予測 — 「データの多さ」より「変数の揃い方」

需要予測AIは、過去実績だけでなく価格・キャンペーン・天候・カレンダー要因などを同時に扱える点が人手との差になる。ただし精度を決めるのは学習データの量よりも、説明変数が揃っているかだ。値引きの履歴が残っていない、特売の実施記録が担当者の記憶にしかない、という状態ではモデルは「なぜ売れたか」を学習できない。

また、AIは需要の構造変化を当てられない。新製品の立ち上がり、災害、規制変更、取引先の生産移管といった断絶的な事象は、過去の外挿では捉えられない。この領域は人の判断で補うしかない。

生産計画・スケジューリング — 最も効果が読みやすい領域

多品種少量・受注生産型の工場では、この領域が最も投資回収を読みやすい。設備・人員・材料・納期・段取りを同時に満たす計画は、人が組むと数時間から数日かかる。クラウド型の最適ワークスは「1分で立案」を公称しており、突発のリスケジュールにも対応する（最適ワークス公式）。

ただし前提がある。マスターデータ（標準時間・段取り時間・工程順・設備能力）が実態とずれていると、AIはずれた計画を高速に出すだけになる。ここが導入プロジェクトの実質的な山場だ。

在庫最適化 — 現物が合っていないなら計測から

安全在庫を固定値で置いている工場は、繁忙期に欠品し閑散期に過剰になる。AIで動的に算出すれば改善余地は大きい。

ただし、帳簿在庫と現物在庫がそもそも合っていない工場は、AIより先に現物を数える仕組みが必要だ。IoT重量計で在庫を自動計測するスマートマットクラウドのようなアプローチは、この「データ以前」の課題から入る型と言える。

工程進捗の可視化と再計画

設備トラブルや急な受注変更が起きたとき、影響範囲を試算して代替案を出す。ここに生成AI・エージェント型AIを重ねる動きが2026年の潮流だが、AIの再計画をそのまま無条件で流さないことが実務のコンセンサスになっている。AIが提案し、人が承認するヒューマン・イン・ザ・ループの設計を最初から組み込むべきだ。

2026年時点の主要アプローチ5類型

出典: スカイディスク公式サイト

同じ「生産計画のAI化」でも、技術的な入り口は5つに分かれる。ベンダーの提案がどれに当たるかを見分けられると、比較が一気に楽になる。

（類型の整理はエムニ 2026年版 生産計画の自動化を参考にした）

中小規模の工場が最初に触れるのは、実際にはほぼ①か②になる。③④⑤は①②が回り始めてから上に載せる層だと考えたほうが失敗が少ない。③の基礎になる技術は生成AIとはで整理している。

主要ツールの比較と料金

生産管理系のツールは料金非公開が多い。ここでは価格を公開しているか自体を比較項目に含めて整理する。金額は執筆時点の公開情報であり、モジュール構成・規模・導入支援の範囲で大きく変わるため、必ず各社公式で確認してほしい。

最適ワークス — 価格が公開されている数少ない選択肢

株式会社スカイディスクが提供するクラウド型の生産計画サービス。金属加工・プラスチック・電子材料などの少量多品種生産を主な対象とし、累計導入は150社以上（2026年6月時点）。注文・工程・設備・スタッフのマスターを登録すると、AIが計画を自動生成する。

最大の実務的意味は、月額15万円という金額を公式に出していること、そして2026年3月31日に「デジタル化・AI導入補助金2026」の対象ITツールに認定されたことだ。公式では、月額15万円×12か月＝180万円に補助率1/2が適用され、補助90万円・実負担90万円という試算例が示されている（スカイディスク公式お知らせ）。

Asprova APS — 制約が複雑な工場の定番

アスプローバ株式会社のパッケージ製品で、50か国4,000サイト以上の導入実績を持つ。設備・人員・在庫・段取りといった制約を同時に扱う機能の厚みが強みで、複雑な工程を持つ中堅〜大手工場での採用が多い。

料金について、公式FAQは「パッケージ価格はオープンプライス」であり、操作教育・導入コンサル・システムインテグレーションを含めた総額が導入費用になると明記している（Asprova公式FAQ）。表中の480万円は販売代理店が公開している標準構成の価格であり、アスプローバ社の公式価格ではない点に注意したい。

大手ベンダーの2026年の動き

• 日立製作所: 熟練オペレーターの技能を取り込んだフィジカルAIによる「最適運転ガイダンスシステム」を、HMAX Industryのラインアップとして2026年内に販売開始予定と発表（2026年7月7日）。化学品などプロセス製造業のバッチ生産が対象で、反応設備内部の状態を可視化し温度・圧力・流量の操作ガイダンスを提示する。なおプレスリリースに効果の具体数値は示されていない
• 富士通: 専有環境で生成AIを自律運用する「Fujitsu Kozuchi Enterprise AI Factory」を2026年1月26日に提供開始

汎用の生成AIツールの選び方は生成AIツールおすすめ比較に整理している。

導入コストと2026年度の補助金3制度

出典: 中小企業省力化投資補助金 公式サイト（中小企業基盤整備機構）

2026年度は、製造業が使う補助金の名称そのものが2つ変わった。旧名称で情報収集していると公募ページにたどり着けないため、まずここを押さえる。

デジタル化・AI導入補助金2026

SaaS型の生産計画AIを導入するなら、まず検討すべきはこれだ。

（事業スケジュール（公式）。締切は更新されるため申請前に必ず確認）

見落とされがちだが、SECURITY ACTIONの実施が必須要件である点は重要だ。セキュリティ対策が補助金の前提条件になっているので、社内のセキュリティ体制整備を先送りしていると申請自体ができない。

新事業進出・ものづくり商業サービス補助金

旧ものづくり補助金と新事業進出補助金が統合された制度。金額規模が大きく、設備投資を伴う場合の本命になる。

第1回は公募要領が2026年6月29日に公開され、申請受付は2026年8月31日開始。応募締切については公式系ページ内で複数の日付表記が併存しているため、本記事では断定しない。中小機構の公式サイトおよび中小企業庁の公募案内で最新日程を必ず確認してほしい。

中小企業省力化投資補助金

一般型の第8回は2026年8月18日から公募が始まっており、締切は10月中旬（予定）とされている。年3〜4回の公募が予定されており、GビズIDプライムが必須。詳細は公式ポータルを参照。

規模別の投資判断の目安

費用相場やROIの計算方法をさらに細かく詰めたい場合は製造業AI導入ガイド｜中小製造業向け費用・補助金・ROI計算方法で解説している。

補助金は制度改正・公募回の追加が頻繁にある。本記事の金額・日程は執筆時点の公開情報であり、申請前に必ず公式サイトで確認すること。

実践ステップ — 0〜12か月のロードマップ

2026年版ものづくり白書（2026年5月29日閣議決定）には、実践設計の出発点になる数字がある。製造プロセスでデータを取得している事業者は約7割にのぼる一方、それを活用して効果を得ている事業者は約4割にとどまるという結果だ。しかも企業間のデータ連携は2年前からほぼ進展していない（経産省 2026年版ものづくり白書）。

つまり多くの工場のボトルネックは「AIツールが無いこと」ではなく、取っているデータが使える形になっていないことにある。ステップ設計はここから逆算する。

Step 2が全体の成否を決める

多くのプロジェクトはStep 2で座礁する。実績データのデジタル化は着手されやすいが、マスターデータの棚卸しは地味で人手がかかるため後回しにされる。しかし標準時間が10年前のまま、段取り時間が「だいたい30分」で登録されている状態では、AIが出す計画は現場が守れないものになる。

現場が計画を守れないと「AIは使えない」という評価が定着し、そこからの巻き返しは難しい。マスター整備にかかる期間と人員を、導入コストとして最初から予算計上するのが現実的な進め方だ。

Step 3では「AI提案の修正理由」を記録する

パイロット期間中に最も価値のあるデータは、現場がAIの計画をどこで、なぜ修正したかの記録だ。修正理由の大半は、AIの性能不足ではなくマスターや制約条件の記述漏れに帰着する。この記録がそのまま改善のバックログになる。

全社的な推進体制やDX組織の作り方は製造業DX推進でAIを活用する手順にまとめている。

自社はどこから着手すべきか — 状況別の分岐

Leachの調査では、中小企業がAI導入で直面する最大の障壁は技術でもコストでもなく「何から始めればいいか分からない」（62%）だった。ここでは現場の状況別に、最初の一手を出し分ける。

判断の原則はシンプルだ。「AIより先にデータ、データより先に業務プロセス」。白書の「データ取得7割・効果4割」というギャップは、この順序を飛ばした結果として現れている。

国内の導入事例（一次情報のあるものに限定）

生産管理AIの記事では社名非公開・出典不明の「◯◯%削減」が並びがちだが、判断材料としては使えない。ここでは企業の公式発表または公式事例ページで確認できるものだけを挙げる。

パナソニック コネクトの2件は生産管理そのものではなく設計・開発と全社業務の事例だが、「AIエージェントを自社の業務データに接続して定型照合を潰す」という型は、生産管理の帳票照合・仕様確認にもそのまま転用できる。事例を読むときは数字より「どの業務のどんな手作業を、何に置き換えたか」を見るほうが自社への転用可能性を判断しやすい。

期待値を誤らないための数字と、失敗パターン

出典: 中小機構「中小企業のAI等の利活用に係る実態調査」(2026年3月)

成功事例だけを見て投資判断すると、ほぼ確実に期待値を高く置きすぎる。冷静な前提として次の数字を置いておきたい。

• AIに「劇的な変革／大きな改善」を期待する企業は64.9%に対し、明確な成果を得ている企業は16.4%（primeNumber調査、2026年7月17日／n=373。MONOist報道）
• Gartnerは2025年2月のプレスリリースで「AIに適したデータで支えられていないAIプロジェクトは、2026年末までに60%が放棄される」と予測している（Gartner公式）
• ものづくり白書2026では、データを取得している事業者が約7割に対し、効果を得ているのは約4割

つまり、うまくいかないほうが多数派だ。そのうえで、生産管理AIの典型的な失敗は4パターンに整理できる。

DX全般でつまずきやすい構造的な要因はDX推進のつまずきポイントにも整理がある。

AIができないことを明示しておく

• 需要の構造変化は予測できない。 新製品立ち上げ、災害、規制変更、サプライヤー倒産といった断絶的事象には弱い
• マスターが不正確なら計画も不正確。 AIは前提の誤りを補正しない
• 無条件の自動実行は現時点では推奨されない。 特に生成AI・エージェント型は誤判断リスクがあるため承認プロセスが必要
• データ整備に数か月かかるのが通常。 1〜2か月で成果を求める設計にすると破綻する

セキュリティとOT/IT統合の注意点

生産管理AIは、原価・受注・取引条件・図面といった競争力の中核データに触れる。導入要件に次の5点を必ず入れておきたい。

1. OTネットワークの外部接続設計 — 従来は閉域だった生産設備側をクラウドに接続すると、新たな攻撃面が生まれる。ネットワーク分離・一方向ゲートウェイ・送信データの最小化を設計段階で決める
2. 学習利用のオプトアウト確認 — 入力データがベンダーのモデル学習に使われないことを契約書面で確認する
3. データ保存リージョン — 国内保存か海外か。自動車業界のサプライヤ要件など、取引先の仕様に抵触しないかを事前照会する
4. アクセス制御と監査ログ — 原価・取引先情報に触れる以上、ロールベースの権限管理と操作ログは必須要件に含める
5. SECURITY ACTIONの実施 — デジタル化・AI導入補助金2026の必須要件でもあり、補助金を使うなら早めに対応しておく

機密度が特に高い図面・レシピ・原価データを扱う場合は、専有環境やオンプレ・エッジでの処理を選択肢に入れる。富士通のKozuchi Enterprise AI Factoryのように、専有環境で生成AIを運用する製品も出てきている。

2026〜2027年に何が変わるか — 製造AX拠点という前提の変化

「今すぐ全部を自前で作るべきか」を判断するうえで、国の動きは無視できない。

経済産業省は2026年版ものづくり白書で「製造AX拠点」構想を打ち出し、その構築・運営を産業技術総合研究所が担うことが2026年7月2日に発表された（産総研プレスリリース、MONOist報道）。

目的は、全国の製造現場に分散する稼働データ・品質データを集約統合し、AIを媒介とした循環型の製造データエコシステムを形成することにある。座組としては、国内製造工場 × AI開発事業者 × 製造プラットフォーム提供者をつなぐハブとして機能し、連携企業にはDMG森精機、小松製作所、WALが名を連ねる。生成AIとフィジカルAIの高度化を進め、経産省・NEDO主導のGENIAC事業と接続する構想だ。

中小企業への波及という観点では、国が基盤データ環境を整備し、ITベンダー等が共同利用型の製造プラットフォームを開発する想定が示されている。中小企業が膨大な投資をせずにAIを利用できる環境づくりが狙いとされている。

この流れが意味するのは、2027年以降、AIモデルそのものを自前で開発する必然性は下がっていくということだ。一方で、共同利用型のプラットフォームに乗るためにも自社の稼働データ・実績データが整っていることは前提になる。

つまり、いま投資すべき対象はAIモデルではなくデータを取れる状態・使える状態である。白書の「取得7割・効果4割」というギャップとも、この見立ては一致する。

こんな工場におすすめ／おすすめしない工場

導入効果が出やすい工場

業務特性

• 多品種少量生産で段取り替えが頻繁に発生している
• 受注変更・突発オーダーが多く、計画の組み直しが日常業務になっている
• 需要の季節変動・市況変動が大きい
• 在庫金額または廃棄ロスが経営課題として認識されている
• 計画立案が特定の熟練者1〜2名に依存しており、退職リスクがある

データ・体制

• 受注・生産実績が2年以上デジタルで蓄積されている
• ERPやMESがあり、データ連携の起点が存在する
• マスター整備に工数を割ける（または割く意思決定ができる）
• 社内にプロジェクトの窓口を1名以上置ける
• SECURITY ACTIONやgBizIDなど補助金申請要件に対応できる

導入を急がないほうがよい工場

• 生産実績が紙の日報のみで、Excel管理も整備されていない
• 帳簿在庫と現物在庫が慢性的にずれている（先に現物計測の仕組みが必要）
• 受注パターンが単純で、現行のExcel運用で計画が回っている
• 生産量が少なく、学習に足るデータが蓄積されない
• 現場の人員がひっ迫しており、新システムの習熟に時間を割けない
• 業務プロセス自体が標準化されておらず、工程ごとにルールが違う

最後の項目は特に重要だ。AIは混乱した業務プロセスを整理してくれない。標準化されていない業務にAIを載せると、混乱が高速化するだけになる。

よくある質問

Q. 生産計画AIと既存のERP・生産管理システムは、どちらを先に入れるべきですか？

実績を記録する仕組み（ERP／生産管理システム）が先だ。生産計画AIは受注・工程・設備・在庫のデータを入力として動くため、それらが手元に無い状態では動かせない。既にERPがあるなら、次の一手は計画AIで妥当性が高い。逆にExcelしか無い工場が計画AIから入ると、入力データを手作業で作り続けることになり、工数が増えかねない。

Q. マスターデータの整備には、どの程度の工数を見ておくべきですか？

工程数と品目数によるが、標準時間・段取り時間・工程順・設備能力の棚卸しは、パイロット対象を1工程に絞っても数週間から数か月かかるのが一般的だ。全社一括で始めるとここで確実に息切れするため、パイロット工程の分だけを先に整備し、その精度検証が済んでから範囲を広げる進め方が現実的である。

Q. 補助金の申請は、ツール選定の前と後のどちらで動くべきですか？

デジタル化・AI導入補助金2026については、IT導入支援事業者を経由した申請が必須で、対象ITツールとして登録済みの製品しか使えない。したがって補助金の活用を前提にするなら、ツール選定の段階で「その製品が対象登録されているか」を確認する必要がある。加えてgBizIDプライムの取得とSECURITY ACTIONの実施には日数がかかるため、これらは選定と並行して先に着手しておくとよい。

Q. 中小企業でも「AIエージェント」型の再計画まで手が届きますか？

現時点では、まずAPS型の計画自動化を安定運用させるのが先だ。エージェント型は変動検知と再計画の提案を担うため、そもそも計画が自動生成されていない工場では効果を発揮する土台がない。ただし2026年は各ベンダーがエージェント機能を既存製品に組み込む形で提供し始めており、選定時に「将来的にエージェント機能を追加できるか」を確認しておく価値はある。

Q. 効果が出なかった場合、どこで撤退判断をすべきですか？

パイロット期間の終了時点で、①AI提案の採用率（現場が手修正せず使えた割合）②修正理由が技術要因か前提データ要因か、の2点を見る。修正理由の大半がマスターや制約条件の記述漏れであれば、それは改善可能な課題であり撤退判断には早い。一方、業務プロセスの前提そのものが計画AIと噛み合っていない場合は、ツールを変えても結果は変わらない。この見極めをパイロット設計の段階で撤退基準として文書化しておくとよい。

Q. 生産管理AIの導入で、人員は削減されますか？

現場の実態としては、削減より配置転換が先に起きる。計画立案に週十数時間を費やしていた担当者が、その時間を例外対応・改善検討・取引先調整に振り向ける形が多い。パナソニック コネクトの全社事例でも、公表されているのは総労働時間の削減率であり、人員削減としては説明されていない。人員削減を主目的に据えると現場の協力を得にくく、結果として定着しないケースが多い。

まとめ — 最初にやること3つ

工場の生産管理をAIで改善するうえで、押さえるべき要点は3つある。

• リードタイム短縮と在庫削減は別々の課題ではなく、安全在庫の計算式を通じてつながっている。両方に同時に手を入れられるのが生産管理AIの本質的な価値
• 2026年はクラウド型の生産計画AIが月額15万円という価格帯まで下り、デジタル化・AI導入補助金2026の対象認定によって年間180万円が実質90万円という試算例まで公式に出ている
• ただし明確な成果を得ている企業は16.4%にとどまる。分かれ目はツール選定ではなく、データとマスターの整備にある

そのうえで、今週から着手できるのは次の3つだ。

1. 現状値を測る — 計画立案工数（時間/週）、製造リードタイム（日）、在庫金額（月末残高）の3つを実測する。この3つが無いと効果測定も稟議も成立しない
2. マスターの実態ズレを1工程だけ確認する — ボトルネック工程を1本選び、標準時間と段取り時間が現場実態と合っているかを確かめる。ここが導入プロジェクトの本当の入口になる
3. 補助金の申請要件を先に潰す — gBizIDプライムの取得とSECURITY ACTIONの実施は、ツール選定より先に着手できる。取得に日数がかかるため、後回しにすると公募締切に間に合わない

生産管理AIは、導入すれば工場が賢くなる魔法ではない。取っているデータを使える形に整えた工場が、その分だけ速く回るようになる仕組みだ。国が製造AX拠点として共通基盤の整備に動き出した今、自社が投資すべき対象は、モデルではなくデータのほうにある。

公式情報リンク

• デジタル化・AI導入補助金2026（中小企業基盤整備機構）
• 新事業進出・ものづくり商業サービス補助金（中小機構）
• 中小企業省力化投資補助金 公式ポータル
• 最適ワークス 公式サイト
• Asprova 公式サイト
• 経済産業省 2026年版ものづくり白書
• 産総研 製造AX拠点の始動について