バーティカルAIとは？ホリゾンタルAIとの違いと政府19領域、向く業務の5条件【2026年版】

バーティカルAIは、医療・金融・法務・製造といった特定の業界の業務に合わせて作る「業種特化型のAI」です。文章生成や要約を業種を問わずこなすホリゾンタルAI（汎用AI）と違い、業界のデータ・規制・既存の業務システムを前提に設計します。日本政府も2026年7月に「バーティカルAI領域別戦略」の中間とりまとめを出し、19の領域で開発と実装を後押しする方針を示しました。この記事では、言葉の定義とホリゾンタルAIとの違いを押さえたうえで、市場の実際の支出額、自社の業務が向くかを見分ける5つの条件、内製と外部サービスの選び方までを一次情報で整理します。

まとめ：バーティカルAIの業界特化設計と導入に向く業務条件

バーティカルAIとホリゾンタルAIの差は、モデルの賢さではなく、業界の帳票・規制・判断基準を設計に組み込んでいるかどうかにあります。日本政府は「データ、AIモデル、アプリを垂直統合したシステム」と定義しており、単体のAIモデルより業務システムとして捉えています。

お金の動きも業種特化へ向かっています。米Menlo Venturesの推計では、米国企業のバーティカルAIへの支出は2025年に35億ドルで、前年の12億ドルから約3倍になりました。そのうち医療が約15億ドル（43%）を占めます。

導入の成否を分けるのは業界名ではなく、対象業務の条件です。業務量が多く反復的で、成果を数値で測れ、専門データが蓄積され、専門家が足りず、人が最終確認する工程を組める業務なら効果が出やすくなります。発生頻度が低く例外処理ばかりの業務は、業界がどこであれ後回しにするのが妥当です。実装は外部サービスの導入、自社主導の開発、外部事業者との共同実装の3通りがあり、競争力の源泉になるデータや判断基準を自社に残せるかで選びます。

バーティカルAIの意味とホリゾンタルAI・業務特化AIとの違い

バーティカル（vertical）は「業界を縦に深く掘る」、ホリゾンタル（horizontal）は「業界を横断して広く使う」という対の言葉です。ここでは定義、ホリゾンタルAIとの違い、混同されやすい「業務特化」との関係を順に整理します。

日本政府によるバーティカルAIの定義

内閣府の人工知能戦略本部が2026年7月10日に示したバーティカルAI領域別戦略 中間とりまとめは、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」と定義し、暗黙知を含む現場の経験や知識をデータとして集めて活用する点を特徴に挙げています。

一般の解説では「特定業界向けのAI」と広く使われますが、政府の定義は業務で動くシステム全体を指している点が狭く、具体的です。発注の場面では、モデルを選ぶ話ではなく、どのデータを集め、どの業務システムにつなぎ、誰が結果を確認するかまでを一体で設計する話だと理解しておくと、見積もりの範囲を取り違えません。

ホリゾンタルAI（汎用AI）との違いを比較表で整理

ホリゾンタルAIは、ChatGPTやGeminiのように業種を問わず文章作成・翻訳・要約などをこなすAIです。両者の違いは次のとおりです。

両者は置き換えの関係ではありません。多くのバーティカルAIは、汎用の大規模言語モデルを土台にして、業界のデータと業務ルールを上に重ねて作られています。社内文書の要約や議事録のように業種を問わない作業はホリゾンタルAIで足り、診療記録・契約審査・与信判断のように業界の規則と責任が絡む工程だけを業種特化で固める、という分担が現実的です。

業界特化と業務特化は別の軸：Vertical・Departmental・Horizontalの3分類

「特化型AI」には2つの軸が混ざっています。Menlo Venturesの2025年版レポートは、企業のAIアプリへの支出を、業界向けの Vertical AI（35億ドル）、営業・開発など職種向けの Departmental AI（73億ドル）、全職種の生産性を上げる Horizontal AI（84億ドル）の3つに分けています。

この分け方に沿うと、コード生成AIや営業支援AIは「業務特化」ではあっても業界特化ではありません。病院向けの診療記録作成や法律事務所向けの契約レビューが、本来の意味でのバーティカルAIです。社内で「特化型AIを入れたい」という話が出たら、業界の規制や帳票に縛られる仕事なのか、どの業界にもある職種の仕事なのかを先に切り分けると、選ぶ製品群が変わります。

バーティカルAIの市場規模と日本政府の19領域戦略

現在の導入状況を見るには支出推計が参考になります。以下では、Menlo Venturesによる米国企業の支出推計と、日本政府の重点領域を確認します。米国の支出の内訳と、日本政府が重点領域に挙げた19領域を確認します。

米国企業の支出は2025年に35億ドル、医療が43%

Menlo Venturesの推計（2025年12月9日公表）では、米国企業の生成AI支出は2025年に370億ドルで、その半分以上の190億ドルがAIアプリに向かいました。バーティカルAIはそのうち35億ドルで、前年の12億ドルから約3倍です。業界別では医療が突出しています。

医療は調達に時間がかかり規制も厳しい業界ですが、同レポートは、事務負担の増大や慢性的な人手不足などを背景に、医療機関がAIによる自動化の有力な需要源の一つになったと分析しています。支出の中心は診察中の会話から記録を作る「アンビエントスクライブ」で、この市場だけで2025年に6億ドル（前年比2.4倍）でした。医師は診療5時間につき約1時間を記録に費やしているとされ、そこを削れる効果が数字で見えたことが投資を呼んでいます。日本で導入先を検討する際も、業界の大きさより「記録・審査・問い合わせ」のように量が多く成果を測れる業務があるかを先に見るのが近道です。

人工知能基本計画（第Ⅱ期）と領域別戦略の19領域

政府は2026年7月10日の第5回人工知能戦略本部で第2期のAI基本計画案を決め、7月14日に人工知能基本計画（第Ⅱ期）を閣議決定しました。総理発言では、バーティカルAIとフィジカルAIへの官民投資を「強く豊かな日本」投資枠で推進するとしています。中間とりまとめは、バーティカルAIによる市場拡大の期待値を「2030年約3兆円」と記し、19の領域を3つの性格に分けています。

民間企業にとって意味が大きいのは、「政府調達や制度改革により初期需要を積極的に喚起」するという方針です。医療・介護では看護記録や介護記録の作成支援、金融では2026年度にユースケースとリスク低減の方法をガイドラインにまとめる実証研究が挙がっています。自社の業界が19領域に入っていれば、補助事業や実証公募の情報を追う価値があります。なお、政府の戦略はバーティカルAIで集めた現場データを、機械を動かすフィジカルAIへつなげる構想も示しています。

バーティカルAIを構成する3つの部品：業界データ・汎用モデル・業務システム

業種特化といっても、業界専用の大規模言語モデルを一から作る例は多くありません。実装方法の一つは、汎用モデルに業界データと業務システムを組み合わせる構成です。

中心になるのは、社内規程・過去案件・専門文書を検索してAIの回答に反映させるRAG（検索拡張生成）です。業界データをモデルの再学習なしで参照できます。ただし、検索した情報は推論時にモデルへ渡すため、機密データには送信先・保存条件・アクセス権限の確認が必要です。ファインチューニングは、専門用語や出力形式の調整に加え、分類・要約・情報抽出などの性能改善にも使われます。追加するかは、対象業務の評価結果で判断します。業界や業務のデータで学習・調整したモデルについて、Gartnerは2025年7月10日の発表で、企業が使う生成AIモデルの半数超が2027年までにこの型になる（2024年は1%）と予測しています。

次に、書類の読み取りから規程との照合、判定案の作成までを一続きで処理させる場合は、AIエージェントとして業務フローに組み込みます。中間とりまとめも、エージェント型AIの出現でAIが業務全体を自律的に回す基盤になり始めていると述べています。ここで手を抜けないのが基幹システムとの連携です。AIの判定結果を既存の業務システムへ書き戻せない場合は、転記作業を含めても処理時間が短縮するかを確かめます。

参照データの範囲は業務単位で切るのが原則です。与信業務では、与信規程や過去の審査記録など、判断に必要で参照権限のある文書を検索対象にします。対象を絞った効果は、必要情報の取りこぼしも含めて評価します。

領域別の導入事例：医療・法務・金融と顧客対応への展開

実際に本番で使われている例を、提供企業の公開情報で確認できる範囲で挙げます。

• 医療：米Abridgeは診察中の会話から診療記録の原案を作るサービスで、公式サイトでは300を超える医療機関グループ（health systems）で使われているとしています。
• 法務：国際法律事務所A&O Shearmanは2022年12月、法律事務所として初めて法務特化AIのHarveyを全社規模で導入しました。Harveyの事例ページによると現在は43法域の約4,000人が使い、要約や分析などの定型作業で週平均2〜3時間を削減しています。
• 金融：大和総研のレポートは、Morgan StanleyやJPMorganChaseが外部の大規模言語モデルに自社のリサーチ情報や業務知識を組み合わせ、社内向けアシスタントを自社主導で展開している例を挙げています。
• 顧客対応：米Sierraは自社ブログで、Fortune 50企業の40%超にサービスを提供し、住宅ローンの借り換えや保険金請求、返品の処理までエージェントが担っていると説明しています。

人の関与の仕方は事例ごとに異なります。法務では専門家が原案を確認する一方、Sierraは顧客対応の処理をエージェントが実行する事例を示しており、全件を人が最終承認するとは限りません。法務領域の製品の全体像はリーガルテックの7領域の分類、医療でAIの出力が診断に関わる場合の規制はプログラム医療機器の該当性の判断基準で整理しています。

自社の業務がバーティカルAIに向くかを判定する5つの条件

大和総研の2026年9月30日のレポートは、医療・法務・金融・顧客対応の先行事例を比べ、導入が進む業務に共通する5つの条件を挙げています。同レポートは「普及は業界そのものよりも、対象業務にこうした条件がどの程度整っているかに左右される」と結論づけています。これを候補業務の点検表として使えます。

本記事では、③の参照データと⑤の確認体制を用意できない業務は、本番導入を見送ることを勧めます。最終判断者を置けない業務では、誤った出力がそのまま顧客や監督官庁に届きます。③だけが弱く①②④がそろっている業務は見送らず、判断記録の電子化や担当者への聞き取りによる整備から始める価値があります。

同レポートは、発生頻度が低い業務、例外処理が多い業務、成果を数値で捉えにくい業務は条件を満たしにくいとも指摘しています。年に数回しか起きない特殊な審査や、案件ごとに判断が大きく変わる交渉業務は、業界が医療や金融であってもバーティカルAIの最初の対象には向きません。

人の関与をどこに置くか：Human in the loop・on the loop・in the lead

業種特化のAIほど、誤りが出たときの責任の所在を先に決める必要があります。中間とりまとめは、人がAIの意思決定に責任を持つ形として3つの考え方を注記しています。

導入初期は in the loop から始め、正答率の実績が積み上がった業務だけを on the loop に移すのが安全な順序です。人が全件を確認する期間に誤りの傾向をつかめるためです。監視型に移った後も、入力・出力・参照情報・実行履歴を記録し、事後検証する仕組みがあれば、誤りを追跡できます。承認者・記録の残し方・停止の条件は、AIガバナンスの統制の枠組みと一体で決めておくと、監査や監督当局への説明で後戻りが減ります。

内製・外部サービス・共同実装の選び方

大和総研のレポートは、バーティカルAIの実装形態を外部サービスの活用、外部技術を使った自社主導の実装、複数事業者による共同実装の3つに分けています。どれを選ぶかで、費用の出方と、自社に残る資産が変わります。

3つの実装形態と選ぶ条件

外部サービスの活用は、HarveyやAbridgeのような完成品を契約する形です。本番導入までが速い一方、自社固有の業務に合わせるには既存システムとの連携や設定・検証が別途必要になります。Menlo Venturesの調査では、米国企業のAIソリューションのうち外部から購入した割合が2024年の53%から2025年には76%に上がりました（バーティカルAIに限らない生成AI全体の数字）。帳票や判断基準が業界で標準化されている業務なら、まず既製品を検討するのが合理的です。

自社主導の実装は、外部の大規模言語モデルを使いつつ、自社のデータと業務知識を組み込んで社内で作る形です。判断基準そのものが競争力になっている業務、たとえば独自の与信モデルや査定ルールを持つ会社に向きます。その代わり、AI開発の人材と、運用後に精度を監視し直す体制を社内に持ち続ける必要があります。

共同実装は、業界の規制や判断基準を知るユーザー企業と、AI技術やシステム連携に強い外部事業者が組む形です。社内にAI人材が少なく、それでも判断基準やデータは自社に残したい場合の現実解になります。AIエンジン開発のような受託開発を使い、要件定義と既存システムとの連携は外部と組み、提供データの利用範囲・第三者提供・契約終了時の返還や削除、判断ルールに関する知的財産権の帰属と利用条件を契約で定めることができます。社内展開の進め方全体は社内AIの自社構築か外注かの判断基準も参考になります。

PoC止まりになる3つの失敗パターン

試作の段階で止まる企業には、共通する進め方の誤りがあります。

• 試作の精度だけで判断する：基幹システムとの連携と運用体制を設計しないまま本番化を議論し、転記作業が残って現場に定着しない。
• 判断記録を整えずに着手する：業界データが紙・個人のフォルダに散らばったまま始め、参照させる材料が足りず精度が頭打ちになる。
• 人とAIの境界を決めない：AIに任せる範囲と人が承認する範囲を決めず、誤りが出たときに誰が止めるのかが曖昧なまま運用する。

大和総研のレポートは、PwCの6か国調査で生成AIの効果を「まだ評価できていない」と答えた企業が日本では13%と他国より高かったことを紹介し、効果測定の仕組みが課題だと指摘しています。対象を1業務に絞るバーティカルAIは、導入前後の処理時間や品質を比べやすいのが利点です。導入前の処理時間と誤り率を、通常処理と例外処理を含む期間で測り、PoCの結果と比較します。測定期間は業務の周期と件数に合わせて設定します。業務の選び方と費用の内訳はAIエージェント導入の進め方で詳しく扱っています。

バーティカルAIについてよくある質問

ホリゾンタルAIとは何ですか？

ホリゾンタルAIは、業種を問わず横断的に使える汎用AIのことです。ChatGPTやGeminiのように、文章作成・翻訳・要約などをどの業界でもこなします。業界の規制や帳票を前提にしない点が、バーティカルAIとの違いです。

バーティカルAIとバーティカルSaaSの違いは何ですか？

バーティカルSaaSは、建設業向けや医療機関向けといった業界特化の業務ソフトを指し、AIを前提にしていません。バーティカルAIは業界特化の考え方をAIに適用したものです。最近は業界特化のSaaSにAI機能が組み込まれる例が増え、境界は近づいています。

中小企業でもバーティカルAIは導入できますか？

導入できます。全社の大規模開発ではなく、契約書のチェックや問い合わせの一次対応のように件数の多い1業務に絞れば、既製のサービスを契約する形で小さく始められます。過去の判断記録が電子で残っているかを最初に確認してください。

ChatGPTなどの生成AIでバーティカルAIは作れますか？

土台として使えます。汎用の大規模言語モデルに、自社の業界データを検索して参照させるRAGを組み合わせれば、モデルを一から学習させずに業種特化へ寄せられます。ただし、基幹システムとの連携と人の確認工程の設計は別に必要です。

バーティカルAIで与信モデルを作れますか？

作れます。与信審査の一次判定は、金融領域で代表的な適用先です。ただし判定理由を説明できること、過去の審査記録で精度を検証すること、最終承認を審査担当者が持つことが前提になります。審査基準そのものが自社の競争力であれば、外部サービスより自社主導か共同実装が向きます。

関連記事

• AIエージェントとは？生成AIとの違い・仕組みと業務に組み込む判断基準を解説
• RAGとは？仕組みとLLM・ファインチューニングとの違い・企業での導入例を解説
• 社内AIとは？種類・導入メリットと自社構築か外注かの判断基準を解説【2026年版】
• AIガバナンスとは？企業に求められる統制の枠組みと最新ガイドライン対応を解説【2026年版】
• フィジカルAIとは？自動運転を変える仕組みと生成AIとの違い・活用事例【2026年】