生産管理・在庫管理にAIを使うとき——任せるのは予測と案まで、決めるのは人

生産管理のどこに AI を入れるのか

「生産管理に AI を使いたい」という話は、範囲が広すぎて進まないことが多い。生産管理の用語を定めた JIS Z 8141 は、生産管理を、所定の品質・原価・数量と納期で生産するために、需要予測、生産計画、生産実施および生産統制を行う手続とその活動と説明している^[1]。同じ JIS は、基準生産計画（MPS）を、独立需要品目を対象に品目ごとにタイムバケット単位で設定した生産予定とし、需要予測・受注・資材と生産能力の利用可能性・生産方針などを考慮して立てられ、資材所要量計画（MRP）へのインプットになると説明している^[1]。在庫の側では、有効在庫を「手持在庫－引当量＋発注残」とし、発注点方式を、有効在庫量があらかじめ定めた発注点に達するか下回ったときに一定量または需要量などに応じた量を発注する方式と定めている^[1]。

この流れのどこで AI を使うかを分けると、検討すべきことがはっきりする。

表の右の 2 列が空欄のまま「AI を入れる」と決めると、出てきた数字を誰が使うのかが決まらない。人が決めることの欄を先に埋めるのが、AI の導入を検討するときの最初の作業になる。

予測は外れる前提で使う

需要予測に AI を使う理由の多くは「当てたい」だが、実務で役に立つのは、当たらないことを前提にした使い方のほうである。化粧品の需要予測の実務を報告した山口（2019）は、不確実性が高いビジネス環境では完璧に需要が予測できると考えることは非常に危険であり、需要予測の精度には限界があることを受け入れ、それを前提とした SCM に発想を切り替える必要があると述べている^[3]。

同じ報告は、具体的な考え方として、複数の予測手法で予測して比べることで「幅を持った」需要予測にし、計画としては一つの数字に決めた場合でも同時に変動幅を予測できるようにしていること、AI（機械学習）による需要予測にも取り組んでいるが、データ整備の問題から、当時の段階ではサードオピニオンとしての活用を目指していることを紹介している^[3]。

製造業の中小企業に置き換えると、次のような使い方になる。

• AI の予測値を、いまの方法（前年同月の実績、担当者の見込み）と並べて表示し、差が大きい品目だけ人が理由を確かめる
• 予測値を 1 つの数字ではなく、上振れ・下振れの幅とあわせて出させ、安全在庫や仕入先への内示の量を決める材料にする
• 予測が外れたときに、どの品目でどれだけ外れたかを記録し、次の見直しに使う

山口（2019）は、販売データを日々監視して統計的に需要変動を察知すると担当者に知らせる仕組みを作り、急な需要の変化を数日後に察知した例を紹介している。ただしその時点では変動の理由は分からず、担当部門に原因の調査を依頼し、分かった原因と過去の知見をもとに予測を立て直して追加発注したとしている^[3]。変化に気づくのは仕組みに任せ、原因を確かめて数字を決めるのは人が行う、という分担の分かりやすい例である。

予測の根拠を示させる

AI の予測が現場で使われない理由として多いのは、精度よりも「なぜその数字なのか分からない」ことである。製品の生産終了に伴う部品の一括購入（ラストバイ）の数量を予測する研究で、日立製作所の工藤らは、業務担当者は出荷実績の傾向が似ている過去の製品を参考に出荷数を見積もり、それを根拠として決裁者へ報告しているため、機械学習の予測結果を実業務で採用するには、担当者が参考にしているような根拠の提示による納得感や説明性が求められる、と述べている^[4]。

この研究は、出荷傾向の似た製品の情報を予測モデルに取り込み、さらに大規模言語モデルに予測に使った情報を与えて、予測の根拠を自然な文章で出力させる方法を、ダミー化した実データで検証している^[4]。出力された根拠には、似た製品の出荷のピーク値や、出荷の山が 1 回か複数回かといった、担当者が自分で確かめられる観点が含まれていた^[4]。

AI に予測をさせるなら、数字と一緒に「何を見てそう出したか」を出させる。似た品目、使った期間、外れ値として除いたもの、が書かれていれば、人はそれを確かめてから使える。根拠が出せない仕組みは、決裁や仕入先への説明の場面で使えない。

人が承認するときに、何を確かめるか

AI 事業者ガイドライン（第 1.2 版）は、AI に過度に依存する自動化バイアス（人間の判断や意思決定において、自動化されたシステムへの過度の信頼や依存が生じる現象）のリスクに注意を払うよう求め、その対策として、AI の評価・判断・推奨・予測などを人間が鵜呑みにしないために AI の欠点を含む特性を理解できるトレーニングを受けることや、AI の評価や判断を人間が承認する際には、承認する理由や根拠を自分で考えてから承認すべきことなどが提案されているとしている^[2]。

同じガイドラインは、AI 利用者が重要とする事項として、AI の出力について精度とリスクの程度を理解し、様々なリスク要因を確認したうえで利用すること、正確性や必要な場合には最新性が担保されたデータを入力すること、機密情報等を不適切に入力しないよう注意を払うことを挙げている^[2]。

生産計画や発注の場面に落とすと、承認する人が確かめることは次の 4 つになる。

1. 入力したデータが最新か
在庫・受注残・発注残が締めのたびに更新されているか。古い在庫の数字で計算した発注案は、それだけで外れる。

2. 予測の前提が今も成り立つか
販促・価格改定・取引先の生産変更・品目の切り替えなど、過去のデータに入っていない事情がないか。

3. 予測と現行の方法の差に説明がつくか
差が大きい品目は、根拠の欄を読み、自分で納得できる理由があるかを確かめる。

4. 承認の理由を記録したか
AI の案をそのまま採った場合も、変えた場合も、理由を一言残す。後で外れたときに、どこを直すべきかが分かる。

購買の仕事で生成 AI に何を任せてよいかの線引きは、購買で生成 AI に任せてよいこと・任せないことの記事で、入れてよい情報の区別も含めて整理した。この記事は、生産計画と在庫の数字の扱いに絞っている。

予測を仕入先と共有するときの線

AI で需要予測を作るようになると、その予測を仕入先に示して、先回りして作ってもらいたくなる。このとき気をつけるのは、予測と発注は別のものだということである。

公正取引委員会・中小企業庁の取適法テキストは、資料として、平成 15 年に公正取引委員会が示したサプライチェーン・マネジメントに関する事前相談への回答を収録している^[5]。旧法（下請法）の時代のもので用語も当時のままだが、そこでは、発注側が週に一度、先 8 週間程度の需要予測データを先行所要情報として受注側に示す方式について、先行所要情報は需要予測データであり、発注書面に記載した数量を超えて需要予測データに基づき生産した数量は発注側に引き取る義務がない、という取り決めの例が示されている^[5]。

そのうえで回答は、長期の需要予測データを共有することは双方の利益になると考えられる一方、示した需要予測データと実際の発注数量にかい離が生じる際に部品の引き取り範囲を明確にしていない場合には、受注側に在庫負担を強いるおそれがある、と指摘している^[5]。また、単価を需要予測に基づく数量を前提に設定したにもかかわらず、実際の発注数量が予測を著しく下回る場合には、買いたたきに当たるおそれがあり、代金の額の見直しが必要になるとしている^[5]。

AI の予測を仕入先に渡すなら、次の 3 点を基本契約や運用のルールに書いておく。

• 示すのは予測であって発注ではないこと。発注は数量・納期を書いた書面（または電磁的方法）で別に出すこと
• 予測と発注の数量が食い違ったとき、どこまでを発注側が引き取るか
• 予測の数量を前提に単価を決めた場合、実際の数量が大きく下回ったときに単価を見直すこと

買いたたきの判断の考え方は買いたたきと価格転嫁の協議の記事で扱っている。

データの準備：AI より先に記録を揃える

AI の予測や発注案の質は、入れたデータの質を超えない。生産計画・在庫管理で AI を使う前に、少なくとも次の記録が揃っているかを確かめる。

• 品目ごとの受注・出荷・出庫の実績（日付つき）。品目コードが途中で変わっていないか、統合や分割の履歴が残っているか
• 在庫と入出庫の記録。帳簿と現物が合っているか
• 部品表（BOM）と、発注残・引当の数
• 発注から納入までの実績日数（約束の日数ではなく、実際にかかった日数）

出庫の記録には、需要ではないもの（試作への持ち出し、不良による作り直し、棚卸の調整など）が混ざっている。そのまま AI に学ばせると、需要ではない動きまで予測に入る。出庫の実績から何を取り除くかは安全在庫を出庫の実績で見直す記事で、在庫の数を現場で正しく保つ方法は在庫を見える化する記事で扱った。帳簿と現物が合わないときの調べ方は棚卸差異の記事にまとめている。

小さく始めて、比べてから広げる

AI の導入は、全品目・全工程を一度に置き換えるより、範囲を絞って、いまの方法と並べて比べるほうが判断しやすい。

1. 対象を絞る
需要の変動が大きく、欠品か過剰のどちらかで困っている品目群を選ぶ。出荷の実績が数年分ある品目がよい。

2. 比べる指標を先に決める
予測の誤差、欠品の回数、在庫の金額など、何で比べるかを決め、AI を入れる前の値を数えておく。

3. 並べて運用する
一定期間、AI の予測といまの方法の予測を並べ、実際に使う数字は人が決める。どちらがどの品目で外れたかを記録する。

4. 広げるか、やめるかを決める
比べた結果で判断する。AI を使わず、いまの方法の見直し（データの整理、発注点の設定の更新）で足りると分かることもある。

生産管理のシステムそのものをどこから入れるかは中小の製造業が生産管理システムで最初に入れる範囲の記事を参照してほしい。設備や業務ソフトに国の補助金を使う場合の制度の選び方は設備投資の補助金の記事で扱っている。

よくある質問

AI の予測をそのまま発注に使ってはいけませんか

発注は、仕入先に数量と納期を約束する行為で、取引上の責任を伴う。AI の発注案を使うこと自体はよいが、確定は人が行い、承認の理由を残す。ガイドラインが求める人間の判断の介在は、ここで行う^[2]。

過去のデータが 1 年分しかありません

季節の変動を読むには短い。似た品目の動きを参考にする方法もあるが^[4]、その場合も、どの品目を似ているとみなしたかを人が確かめる。データが少ない段階では、AI の予測は参考値として並べるにとどめ、記録を積み上げることを優先する。

生成 AI に生産計画を作らせてもよいですか

文章で条件を与えて計画の案を作らせることはできるが、設備の能力や段取りの時間といった数値の制約を正確に守っているかは、人が検算しなければならない。計画の案や、計画を変えた理由の説明文の下書きに使い、確定させる計画は、制約を確かめてから人が決める。

AI を入れれば、在庫は減りますか

予測の仕組みを入れただけで在庫が減るとは限らない。在庫が増える原因が、予測の誤差ではなく、まとめ買いの判断や使わなくなった品目の放置にあることも多い。AI を入れる前に、在庫が増えている原因がどこにあるかを確かめる。

まとめ

生産計画・在庫管理で AI に任せるのは、予測値とその幅・根拠の提示、発注点や計画の案の作成まで。何を作り、いつ発注し、仕入先に何を約束するかは人が決め、承認の理由を残す。予測は外れる前提で使い、いまの方法と並べて比べながら広げる。予測を仕入先に示すときは、予測と発注を分け、引き取りの範囲と単価の前提を取り決めておく。そして、AI より先に、出荷・在庫・発注の記録を揃えることが、いちばん効く準備になる。

出典・参考資料

1. JIS Z 8141:2022 生産管理用語（日本産業標準調査会 JIS 検索で閲覧／2022 年 3 月 22 日改正）
2. AI 事業者ガイドライン（第 1.2 版）（総務省・経済産業省／令和 8 年 3 月 31 日）
3. SCM実現のための需要予測のあり方（山口雄大）（経営情報学会 2019 年春季全国研究発表大会・J-STAGE／2019 年）
4. 類似製品情報を活用した製品需要予測と根拠生成（工藤文也・堀脇一樹・武藤和夫）（2026 年度 人工知能学会全国大会論文集・J-STAGE／2026 年）
5. 中小受託取引適正化法テキスト「下請法」から「取適法」へ（公正取引委員会・中小企業庁／令和 7 年 11 月）

WHITE PAPER

この記事の理解を深める
無料ホワイトペーパーをプレゼント

製造業の現場で使える実務資料（PDF）を無料でお届けします。"こんな資料が届きます" ↓ 下のボタンからどうぞ。

🔒 全文は無料ダウンロードで