AI予知保全システム開発の費用相場｜設備故障を予測して突発停止ゼロを目指す導入ステップ【2026年版】

「先月の突発停止で、ライン全体が8時間止まった。損害は1,000万円を超えた」「ベアリングの異常に気づいたのは、焼き付いた後だった」「定期交換の間隔を詰めたら、まだ使える部品まで捨てていた」——製造現場の保全担当者やCTO・工場長から、こうした声を聞く機会が増えている。

経済産業省「2025年版ものづくり白書」によると、国内製造業の設備老朽化率は過去20年で最も高い水準にあり、設備トラブルによる突発停止の発生件数は年々増加傾向にある。一方で、「予知保全」に取り組んでいる企業は全体の12%にとどまる。大多数の企業がいまだに「壊れたら直す」事後保全か、「決められた時期に点検する」時間基準保全に依存しているのが実情だ。

結論から言えば、AI予知保全システムの開発費用は PoC（概念実証）で200〜600万円、本番システム構築で500〜1,500万円、月額運用で15〜50万円 が2026年時点の相場だ。本記事では、この数字の根拠から、データ分析の手法、ROI試算の考え方、導入ステップまでを網羅する。

---

目次

1. 予知保全とは何か——3つの保全方式の比較
2. AI予知保全システムの全体像——何をどう作るか
3. 費用相場——PoC・本番構築・月額運用の3段階
4. 費用の内訳——何にいくらかかるのか
5. 振動・温度・電流データの分析手法
6. ROI試算——突発停止コスト vs 予知保全投資
7. 導入ステップ——失敗しない5段階の進め方
8. 開発会社の選定基準
9. まとめ
10. FAQ
11. 付録：予知保全 導入チェックリスト

---

1. 予知保全とは何か——3つの保全方式の比較

「予知保全」を正しく理解するために、まず保全方式の全体像を整理する。

保全方式	考え方	メリット	デメリット
事後保全（BM）	壊れたら直す	管理が簡単、平時のコストが低い	突発停止が発生、二次被害のリスク大
時間基準保全（TBM）	決められた間隔で交換・点検する	突発停止をある程度防げる	まだ使える部品も交換、過剰コスト
状態基準保全（CBM）/ 予知保全	データで異常の予兆を検知し、必要なタイミングで対処する	突発停止を最小化、部品寿命を最大限活用	導入コストとデータ基盤が必要

AI予知保全は「状態基準保全（CBM）」をAIで高度化したものだ。設備に取り付けたセンサーから振動・温度・電流などのデータを常時収集し、AIが正常パターンからの逸脱を検知する。人間の五感では気づけない微細な変化を、数値として捉えるのがAIの強みである。

予知保全で防げる代表的な故障

• ベアリングの劣化：振動データの周波数成分に異常が現れる
• モーターの過負荷：電流値の上昇傾向を検知
• ポンプの空転・キャビテーション：振動パターンの変化で判別
• 切削工具の摩耗：加工中の振動・電流の変化で寿命を推定
• 配管の詰まり・漏れ：圧力・流量データの異常検知

セクションまとめ：保全方式は「壊れたら直す」から「壊れる前に対処する」へ進化している。AI予知保全は状態基準保全をAIで高度化したもので、突発停止の防止と部品寿命の最大活用を両立できる。

---

2. AI予知保全システムの全体像——何をどう作るか

AI予知保全システムは、大きく5つの層で構成される。

層	役割	主な構成要素
センサー層	設備の状態を数値化する	振動センサー、温度センサー、電流センサー、圧力センサー
通信層	データをクラウドへ送る	IoTゲートウェイ、Wi-Fi/LTE/LPWA、エッジコンピューティング端末
蓄積層	データを貯める	クラウドDB（AWS IoT、Azure IoT Hub）、時系列DB（InfluxDB、TimescaleDB）
分析層	異常の予兆を検知する	機械学習モデル（異常検知・回帰分析・分類）、統計処理
表示・通知層	現場に伝える	ダッシュボード、アラート通知（メール・Slack・LINE）

設備1台あたりのセンサー構成例

加工機（マシニングセンタ）を例にすると、以下の構成が一般的だ。

取り付け箇所	センサー種別	計測項目	データ送信間隔
主軸ベアリング	加速度センサー	振動（3軸）	1秒〜5分
主軸モーター	電流センサー	電流値（3相）	1秒〜1分
冷却液タンク	温度センサー	液温	5分
油圧ユニット	圧力センサー	油圧値	5分
制御盤内	温度センサー	盤内温度	5分

設備1台あたりのセンサー費用は5〜30万円が目安。取り付け工事費を含めると10〜50万円程度になる。

セクションまとめ：AI予知保全システムはセンサー→通信→蓄積→分析→表示の5層構成。設備1台あたりセンサー費用10〜50万円が目安。まずは故障リスクの高い設備1〜3台から始めるのが現実的だ。

---

3. 費用相場——PoC・本番構築・月額運用の3段階

AI予知保全の開発は「いきなり全設備に導入」ではなく、PoC（概念実証）→本番構築→運用 の3段階で進めるのが定石だ。各段階の費用相場を整理する。

段階1：PoC（概念実証）——200〜600万円

「本当にAIで故障を予測できるのか」を小規模に検証するフェーズ。

項目	費用目安	内容
センサー設置（1〜3台）	30〜100万円	対象設備へのセンサー取り付けとデータ収集環境の構築
データ収集・前処理	50〜150万円	1〜3ヶ月分のデータ蓄積、欠損値処理、ノイズ除去
AIモデル構築	80〜250万円	異常検知モデルの開発・学習・精度検証
レポート・報告	30〜50万円	検証結果の報告書、本番移行の判断材料作成
合計	200〜600万円	期間：2〜4ヶ月

PoCの目的は「投資判断の材料を得ること」だ。PoCの段階で完璧な精度を求める必要はない。「異常を60〜70%の精度で検知できた」「データの品質に課題があるとわかった」という結果でも、本番構築に向けた貴重な知見になる。

段階2：本番システム構築——500〜1,500万円

PoCで有効性が確認できたら、本番システムを構築する。

項目	費用目安	内容
センサー増設（5〜20台）	100〜400万円	対象設備の拡大、センサーの追加設置
データ基盤構築	100〜300万円	クラウド環境の構築、時系列DBの設計、データパイプライン
AIモデルの精度向上・量産化	150〜400万円	モデルの再学習、設備ごとのチューニング、推論基盤の構築
ダッシュボード・通知機能	50〜200万円	現場向けの画面開発、アラート設定、既存システムとの連携
テスト・導入支援	50〜100万円	現場での動作検証、運用マニュアル作成、操作研修
合計	500〜1,500万円	期間：4〜8ヶ月

費用に幅がある理由は「対象設備の台数」と「既存システムとの連携の複雑さ」だ。設備5台・単独運用なら500万円前後で収まるが、20台・既存の生産管理システムや基幹システムと連携する場合は1,000万円を超える。

段階3：月額運用——15〜50万円

本番稼働後の運用費用。

項目	月額目安	内容
クラウドインフラ	5〜15万円	AWS/Azure/GCPの利用料（データ量に比例）
AIモデルの再学習・保守	5〜20万円	精度劣化への対応、新しいデータでの再学習
システム監視・運用保守	5〜15万円	障害対応、セキュリティ更新、バージョンアップ
合計	15〜50万円/月	—

AIモデルは一度作って終わりではない。設備の経年変化、季節の温度変動、加工対象の変更によって「正常の基準」が変わるため、定期的にモデルを再学習させる必要がある。この費用を見落とすと、半年後に誤報だらけのシステムになる。

費用一覧表

段階	費用	期間	目的
PoC	200〜600万円	2〜4ヶ月	技術的な実現可能性の検証
本番構築	500〜1,500万円	4〜8ヶ月	対象設備の拡大と業務への組み込み
月額運用	15〜50万円/月	継続	精度維持・インフラ・保守
初年度合計（目安）	880〜2,700万円	—	PoC＋本番＋運用12ヶ月分

セクションまとめ：AI予知保全の費用はPoC 200〜600万円、本番500〜1,500万円、月額運用15〜50万円が相場。PoCを飛ばしていきなり本番構築すると、「データが取れない」「精度が出ない」で投資が無駄になるリスクが高い。段階的に進めるのが鉄則だ。

---

4. 費用の内訳——何にいくらかかるのか

「見積もりを見ても、何にお金がかかっているのかわからない」という相談は多い。費用の構造を分解する。

人件費（全体の60〜75%）

AI予知保全の開発費用の大部分はエンジニアの稼働時間だ。

役割	人月単価の目安	主な作業
プロジェクト管理	100〜150万円	要件整理、進捗管理、顧客折衝
データエンジニア	80〜120万円	データ収集基盤の構築、前処理パイプライン
機械学習エンジニア	100〜150万円	異常検知モデルの設計・学習・評価
IoTエンジニア	80〜120万円	センサー選定、通信設計、エッジ処理
フロントエンドエンジニア	80〜100万円	ダッシュボード、画面開発

（参考：IPA「ソフトウェア開発分析データ集2024」、JISA「情報サービス産業 基本統計調査 2024年版」）

センサー・ハードウェア費（全体の10〜20%）

項目	単価目安	備考
加速度センサー（振動計測）	3〜15万円/個	産業用は10万円前後、簡易型は3万円程度
温度センサー	0.5〜3万円/個	熱電対やサーミスタ
電流センサー（CT）	1〜5万円/個	クランプ式が取り付け容易
IoTゲートウェイ	5〜20万円/台	設備3〜10台を1台のゲートウェイで集約
取り付け工事	5〜15万円/台	配線工事、防水・防塵対策を含む

クラウド・インフラ費（全体の5〜15%）

設備20台、データ送信間隔1分の場合、月額のクラウド費用は5〜15万円が目安。データを1秒間隔で送ると月額は3〜5倍に膨らむ。PoCの段階では送信間隔を粗く設定し、本番で必要に応じて細かくするのがコスト管理のコツだ。

セクションまとめ：費用の6〜7割は人件費。見積もりでは「誰が何ヶ月稼働するか」の内訳を確認するのがポイント。センサーとクラウドの費用は対象台数とデータ量で決まるため、段階的に広げることでコストを制御できる。

---

5. 振動・温度・電流データの分析手法

AI予知保全の精度を決めるのは、モデルの複雑さではなく「データの質」と「分析手法の適切さ」だ。代表的な3種類のセンサーデータについて、分析手法を整理する。

振動データ分析

振動データはAI予知保全の中核を成す。ベアリングの劣化、軸のずれ、歯車の摩耗など、回転機械の多くの故障は振動に変化として現れる。

分析手法	概要	検知できる異常
周波数分析（FFT）	時系列データを周波数成分に分解する	ベアリングの外輪・内輪・転動体の損傷（特定の周波数にピークが出る）
包絡線分析	振動波形の包絡線を抽出し、微小な衝撃成分を可視化する	初期段階のベアリング損傷、歯車の欠け
統計的特徴量	実効値（RMS）、尖度、歪度などの統計量を時系列で監視する	全体的な振動レベルの上昇傾向
機械学習（異常検知）	正常時のデータで学習し、逸脱を検知する	未知の異常パターン、複合的な劣化

温度データ分析

温度データは変化がゆっくりで、単体では故障予測の精度が低い。しかし、振動データや電流データと組み合わせることで、判断の確度を上げる「補助的な指標」として重要だ。

• 閾値監視：温度が設定値を超えたらアラート（最も基本的な手法）
• トレンド分析：温度の上昇傾向を線形回帰で捉え、閾値到達時期を予測する
• 差分監視：環境温度と設備温度の差を監視し、異常な発熱を検知する

電流データ分析

モーターの電流データは、負荷の変動や回路の異常を反映する。

• 電流値の統計監視：平均値・標準偏差の変動を検知
• 起動電流の分析：モーター起動時の電流波形から、巻線の劣化や絶縁低下を推定
• 負荷パターン分析：定常運転時の電流パターンの変化で、設備への過負荷や摩耗を判別

データ分析の実務上のポイント

1. まず統計的手法を試す：いきなり深層学習に飛びつかない。RMSのトレンド監視だけで十分な設備もある
2. 正常データを十分に集める：異常検知では「正常とは何か」の定義が肝。最低1ヶ月、理想は3ヶ月分の正常データが必要
3. 複数のセンサーを組み合わせる：振動だけ、温度だけでは誤検知が多い。振動＋温度＋電流の組み合わせで精度が上がる

セクションまとめ：予知保全の分析手法は「振動の周波数分析」「温度のトレンド監視」「電流の統計監視」が3本柱。深層学習よりもまず統計的手法を試すのが現実的で、正常データの十分な蓄積が精度を決める。

---

6. ROI試算——突発停止コスト vs 予知保全投資

「費用はわかった。で、元は取れるのか？」——経営層への稟議で最も問われるのがROI（投資対効果）だ。

突発停止のコスト構造

突発停止によるコストは「目に見えるコスト」と「目に見えにくいコスト」の2つに分かれる。

コスト項目	1回あたりの目安	備考
生産損失	50〜500万円	ライン停止時間 × 時間あたり生産額。自動車部品ラインなら1時間あたり100万円以上の損失も珍しくない
緊急修理費	30〜200万円	通常修理の1.5〜3倍。夜間・休日の緊急対応は割増
部品の二次破損	50〜300万円	ベアリングの焼き付きがシャフトや歯車に波及するケース
納期遅延ペナルティ	30〜100万円	取引先への違約金、特急便での代替品手配
仕掛品の廃棄	10〜50万円	停止時に加工途中だった製品の廃棄
信頼低下（定量化困難）	—	取引先からの評価低下、失注リスク

ROI試算のモデルケース

前提条件

• 対象設備：10台（加工機・プレス機など）
• 現状の突発停止：年間6回（平均停止時間4時間）
• 1回あたりの突発停止コスト：150万円（生産損失＋緊急修理費）
• 過剰保全の削減：年間120万円（まだ使える部品の交換見送り）

年間の突発停止コスト

150万円 × 6回 = 900万円/年

AI予知保全の投資額（初年度）

項目	金額
PoC	400万円
本番構築	800万円
運用12ヶ月分	360万円（月額30万円 × 12）
初年度合計	1,560万円

投資回収の計算

項目	金額
突発停止コストの削減（70%削減と仮定）	630万円/年
過剰保全の削減	120万円/年
年間削減効果	750万円/年
2年目以降の運用費	360万円/年
2年目以降の純効果	390万円/年

• 初年度：投資1,560万円 − 削減効果750万円 = 810万円の持ち出し
• 2年目：運用費360万円 − 削減効果750万円 = 390万円のプラス
• 投資回収期間：約2.1年（初年度の持ち出し810万円 ÷ 2年目以降の純効果390万円/年 ＋ 1年）

試算のポイント

1. 突発停止コストを過小評価しない：目に見えにくいコスト（信頼低下、失注リスク）を含めると、実際のコストは上記の1.5〜2倍になることが多い
2. 削減率は70%で計算する：AI予知保全でも100%の防止は不可能。70%が現実的な目標
3. 段階的に設備を増やす前提で試算する：最初から20台分の投資額で稟議を通そうとせず、まず3台のPoCで実績を作る

セクションまとめ：突発停止コスト年間900万円に対し、AI予知保全の投資回収期間は約2年。2年目以降は年間390万円のコスト削減効果が続く。稟議では「突発停止1回あたりのコスト × 年間発生回数」を定量化するのが説得の鍵だ。

---

7. 導入ステップ——失敗しない5段階の進め方

AI予知保全の導入で最も多い失敗は「いきなり全設備にセンサーをつけて、データを集めたけど、何もわからなかった」というパターンだ。以下の5段階で進めれば、リスクを抑えながら確実に成果を出せる。

ステップ1：対象設備の選定（1〜2週間）

すべての設備にAI予知保全が必要なわけではない。以下の基準で優先度をつける。

選定基準	具体的な判断ポイント
故障頻度が高い	過去2年間の故障記録を確認し、年2回以上故障している設備
故障時の影響が大きい	ライン全体が停止する「ボトルネック設備」
センサー取り付けが容易	振動・温度・電流を計測できる取り付けスペースがある
データが取得しやすい	常時稼働しており、正常データを十分に蓄積できる

最初は1〜3台に絞る。 これがPoCの対象になる。

ステップ2：PoC（概念実証）（2〜4ヶ月）

選定した設備にセンサーを設置し、データ収集とAIモデルの構築を行う。

• 最初の1ヶ月：センサー設置、データ収集環境の構築、正常データの蓄積
• 2ヶ月目：データの前処理、特徴量の抽出、異常検知モデルの構築
• 3〜4ヶ月目：モデルの精度検証、誤検知率の評価、結果報告

PoCの成功基準は「完璧な精度」ではなく、「この方向で本番構築すれば成果が出る」と判断できる材料が揃うことだ。

ステップ3：本番システムの設計・構築（4〜8ヶ月）

PoCの結果をもとに、対象設備を拡大し、業務に組み込めるシステムを構築する。

• 対象設備を5〜20台に拡大
• ダッシュボードで設備の状態を一覧表示
• アラート通知の仕組みを構築（メール、Slack、LINE等）
• 既存の生産管理システムとの連携（必要に応じて）

ステップ4：現場への展開・定着（1〜2ヶ月）

システムを作っても、現場が使わなければ意味がない。

• 操作研修：保全担当者・ラインリーダーへの操作説明
• アラート対応フローの整備：アラートが鳴ったら「誰が」「何を」「いつまでに」やるかを決める
• 運用ルールの策定：日次・週次で確認する項目、報告のルートを明文化する

ステップ5：継続改善（運用開始後）

AI予知保全は「導入して終わり」ではなく、「運用しながら精度を上げていく」ものだ。

• 月次で検知精度をレビュー：誤検知率・見逃し率を集計し、モデルの再学習に反映
• 四半期ごとに対象設備の拡大を検討：成果の出た設備タイプを他の設備に横展開
• 年次でROIを評価：突発停止の実績と予知保全のコストを比較し、投資効果を確認

セクションまとめ：導入は「設備選定→PoC→本番構築→現場展開→継続改善」の5段階。PoCを飛ばさないことが最大のリスク回避策。現場の定着まで含めて計画するのが成功の鍵だ。

---

8. 開発会社の選定基準

AI予知保全のシステム開発は「ITだけの話」ではない。設備の知識、センサーの扱い、現場への定着支援まで含めた総合力が問われる。

必須の確認項目

確認項目	なぜ重要か	確認方法
製造業での開発実績	工場のネットワーク環境やセキュリティ制約を理解しているか	実績一覧、導入事例の具体的な内容を確認
IoT・センサーの知見	ソフトウェアだけでなく、ハードウェア選定やネットワーク設計ができるか	提案書にセンサー構成やネットワーク設計が含まれているか
機械学習の実務経験	論文レベルではなく、実運用レベルのモデル構築ができるか	PoCの実績、モデルの精度指標の提示
PoC対応の姿勢	「いきなり本番」を提案してこないか	提案にPoC段階が明記されているか
運用保守の体制	開発だけで終わらず、運用後の精度維持まで支援できるか	運用保守契約の内容、再学習の頻度と費用

見積もり比較のポイント

複数社から見積もりを取る際は、以下を揃えて比較する。

1. 対象設備の台数と種類を統一する
2. PoC・本番・運用の3段階の費用を分けて提示してもらう
3. センサーのハードウェア費用を含めるか含めないかを明確にする
4. 月額運用費にAIモデルの再学習を含めるかどうかを確認する

GXOでは、AI・IoTのシステム開発からPoC支援、本番構築、運用保守までを一貫して支援しています。製造業のお客様への導入実績について詳しくは導入事例ページをご覧ください。また、会社概要ページでは開発体制や技術スタックをご確認いただけます。

セクションまとめ：開発会社の選定では「製造業の実績」「IoTの知見」「PoCへの対応」「運用保守の体制」を必ず確認する。見積もり比較は3段階の費用を分けて提示してもらうのが基本。

---

まとめ

AI予知保全システムの費用と導入の要点を振り返る。

項目	ポイント
費用相場	PoC 200〜600万円、本番構築 500〜1,500万円、月額運用 15〜50万円
データ分析	振動（周波数分析）、温度（トレンド監視）、電流（統計監視）の3本柱
ROI	突発停止コスト年間900万円のケースで、投資回収期間は約2年
導入ステップ	設備選定→PoC→本番構築→現場展開→継続改善の5段階
最重要原則	PoCを飛ばさない。段階的に進める。現場の定着まで計画する

突発停止は「いつか起きる」ではなく「必ず起きる」ものだ。問題は「起きてから対処する」のか、「起きる前に備える」のかの違いでしかない。AI予知保全は、その備えを「勘」ではなく「データ」で行うための技術である。

まずは対象設備を1台選び、小さく始めることが第一歩だ。

---

AI予知保全の導入について無料相談しませんか？

「うちの設備でAI予知保全は使えるのか」「PoCの進め方を具体的に知りたい」「費用感を見積もってほしい」——そんなご相談に、製造業のシステム開発に実績のあるエンジニアがお答えします。まずはお気軽にお問い合わせください。

無料相談を申し込む

※ 営業電話はしません ｜ オンライン対応可 ｜ 相談だけでもOK

---

FAQ

Q1. AI予知保全と従来の状態監視（振動診断）は何が違いますか？

A1. 従来の振動診断は「閾値を超えたらアラートを出す」方式で、閾値の設定は熟練の保全技術者の経験に依存していた。AI予知保全は、正常時のデータパターンをAIが学習し、人間が設定した閾値ではなく「正常からの逸脱」を自動的に検知する。これにより、経験の浅い担当者でも高精度な異常検知が可能になり、従来は気づけなかった初期段階の異常も捕捉できる。

Q2. 古い設備にもセンサーを後付けできますか？

A2. できる。1980年代以降の設備であれば、ほとんどの場合、外付けの振動センサー・温度センサー・電流センサーを後付けで設置可能だ。設備自体を改造する必要はなく、マグネット式やクランプ式のセンサーを外側から取り付ける。PLCや制御装置にアクセスしなくても、外部センサーだけでデータは取得できる。

Q3. データが少ない（導入したばかりで蓄積がない）場合はどうすればよいですか？

A3. まず1〜3ヶ月のデータ蓄積期間を設ける。この間はAIモデルの構築と並行してデータを貯める。正常データが最低1ヶ月分あれば、基本的な異常検知モデルは構築可能だ。データが増えるほど精度は上がるため、最初は精度が低くても運用しながら改善していく方針でよい。

Q4. 誤報（誤検知）が多いと、現場が無視するようになりませんか？

A4. その通りで、誤検知の多さは現場の信頼を損なう最大の要因だ。対策は3つある。1つ目はPoCで誤検知率を事前に把握し、許容範囲に収まるまでモデルを調整すること。2つ目はアラートを「緊急」「注意」「情報」の3段階に分け、「緊急」の誤検知率を最小化すること。3つ目は誤検知が発生したら、そのデータをフィードバックしてモデルを再学習させる運用を回すこと。

Q5. 補助金は使えますか？

A5. 使える可能性がある。「デジタル化・AI導入補助金2026（旧IT導入補助金）」の枠でIoT・AIシステムの導入が対象になる場合がある。補助率は1/2〜2/3、上限額は450万〜1,000万円程度。また、「ものづくり補助金」も設備投資を含む案件であれば対象になる。ただし申請には事業計画書の作成が必要で、採択率は約40%。詳細は各補助金の公式サイトで最新情報を確認してほしい。

---

付録：予知保全 導入チェックリスト

自社の現状を確認するためのチェックリストを用意した。該当する項目が多いほど、AI予知保全の導入効果が高い。

設備の現状

• 過去1年間に突発停止が3回以上発生した設備がある
• 突発停止1回あたりのライン停止時間が2時間を超える
• 修理費用が1回あたり50万円を超えることがある
• 壊れたら直す「事後保全」が中心になっている
• 定期交換の間隔が「感覚」で決まっており、根拠がない

データ環境

• 設備にPLCや制御装置が搭載されている
• 設備の稼働データ（電流・温度など）を一部でも取得している
• 工場内にWi-Fiまたは有線LANの環境がある
• 設備の故障履歴を記録・保管している
• 日報や点検記録をデジタル（Excel含む）で管理している

組織体制

• 保全専任の担当者がいる（兼任でも可）
• 設備の故障に詳しいベテラン社員がいる
• 経営層がDXや設備投資に前向きである
• IT部門または外部のIT支援パートナーがいる
• 補助金の申請経験がある、または支援してくれる専門家がいる

チェックが「設備の現状」で3つ以上、かつ「データ環境」で2つ以上ついた場合、AI予知保全の導入効果は高い。 まずはPoCから検討することをお勧めする。

---

参考資料

• 経済産業省「2025年版ものづくり白書」 https://www.meti.go.jp/report/whitepaper/mono/
• IPA「ソフトウェア開発分析データ集2024」 https://www.ipa.go.jp/
• JISA「情報サービス産業 基本統計調査 2024年版」 https://www.jisa.or.jp/
• 中小機構「デジタル化・AI導入補助金2026」公式サイト https://it-shien.smrj.go.jp/
• 中小企業庁「ものづくり補助金総合サイト」 https://portal.monodukuri-hojo.jp/