生産管理のAIは4つの業務に分かれる
生産管理部門がAIを使える業務は、需要予測、生産計画・スケジューリング、納期回答、在庫最適化の4つです。この4つは独立しておらず、需要予測が計画の入力になり、計画が納期回答の根拠になり、計画と実績の差が在庫を決めます。
| 業務 | AIの役割 | 主な手法 | 必要なデータ |
|---|---|---|---|
| 需要予測 | 品目・期間ごとの需要を予測する | 勾配ブースティング（LightGBM）、統計手法、時系列基盤モデル | 受注・出荷実績（2〜3年）、販促、カレンダー、内示 |
| 生産計画・スケジューリング | どの品目をいつどの設備で作るかを決める | 数理最適化、制約プログラミング、ディスパッチングルール | 品目マスタ、工程表、標準時間、段取り表、設備カレンダー |
| 納期回答 | 新規受注の納期を即答する | 計画の再計算＋負荷シミュレーション | 現在の計画、仕掛、資材在庫 |
| 在庫最適化 | 安全在庫と発注点を決める | 予測の分布（予測区間）と在庫モデル | 予測の誤差、リードタイム実績、欠品履歴 |
注意したいのは、生産計画で使われる中心技術はAI（機械学習）より数理最適化だという点です。予測は「何が起きるか」を出し、最適化は「どうするか」を出します。両者の違いは予測AIと数理最適化の違いで詳しく扱っています。
需要予測：精度より「計画がどう変わるか」で評価する
需要予測の手法については、Walmartの日次販売42,840系列を予測したM5コンペ（2020年）の結果が参考になります。上位はほとんどがLightGBMを使い、上位50手法はすべて多数の系列を1つのモデルで学習する方式でした。優勝チームは最良のベンチマークより22.4%改善しましたが、20%以上改善したのは上位5チームだけでした。
製造業でつまずきやすいのはデータ側です。出荷実績を需要とみなすと、欠品していた期間の需要が隠れます。品番の統廃合で系列が途切れることもあります。予測を出しても計画担当者が上書きし、その効果を誰も測っていないという状況もよく見られます。
生産計画：MESの実績が計画の誤差を決める
スケジューリングの公開事例として、日立製作所が2023年5月に発表した日立ハイテクの半導体製造装置の事例があります。従来は月最長5日かかっていた計画立案が月1日以内になり、計画時間は約5分の1に短縮されたとされます（日立発表）。制約プログラミング技術による立案は1時間以内で、2022年4月に導入し、2023年4月からSAP S/4HANAと連携して運用しています。
計画が現場で使われない原因の多くは、データにあります。標準時間が実態と合っていなければ、どれだけ良い最適化をしても計画は外れます。実際の工程時間を記録しているのはMES（製造実行システム）なので、MESの実績と標準時間の差を定期的に見直す仕組みが、計画AIの精度を決めます。熟練計画者の暗黙のルール（この品目は朝一番に流す、など）を拾いきれずに計画が使われない例も多く、計画者の暗黙ルールのモデル化が必要になります。
納期回答と在庫最適化：予測の「幅」を使う
納期回答は、現在の計画に新しい受注を入れたときの負荷を再計算する業務です。計画の再計算が数分で終わるなら、営業からの問い合わせに即答できます。ここでもボトルネックは計算速度より、仕掛と資材在庫の現在値が正しいかどうかです。
在庫最適化では、予測の点の値ではなく予測の幅（予測区間）を使います。予測が外れる幅が分かれば、欠品率の目標に合わせた安全在庫を計算できます。予測ツールを選ぶときは、点予測だけでなく分位点（例えば90%点）を出せるかを確認してください。
よくある質問
生産スケジューラーとAIは何が違いますか
従来のスケジューラーはルールや最適化で計画を組みます。AI（機械学習）は需要予測や標準時間の補正など、計画の入力側を改善する役割が中心です。計画そのものは今も数理最適化や制約プログラミングが主流で、強化学習による計画は大規模・高頻度の再計画で検討される段階です。
需要予測にはどれくらいの期間のデータが要りますか
季節性を捉えるには最低2周期分が目安で、月次なら2〜3年分です。出荷実績より受注や需要の実績が望ましく、欠品期間があった場合はその期間を補正する必要があります。
MESがなくても生産計画のAIは使えますか
計画は作れますが、実績が戻らないため精度が上がりません。最低限、工程ごとの着手・完了時刻と数量を記録する仕組みが必要です。紙の日報でも、デジタル化して計画と突き合わせられれば第一歩になります。
- 日立ハイテクの半導体製造装置における生産計画の自動立案（日立製作所, 2023年5月24日）
- M5 accuracy competition: Results, findings and conclusions（Makridakis et al., 2020年）
- Forecast Evaluation for Data Scientists: Common Pitfalls and Best Practices（Hewamalage et al., arXiv 2203.10716, 2022年）
- The continuing evolution of the Global Lighthouse Network（McKinsey, 2026年7月13日）
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
