生成AI時代：生産計画における数理最適化の意義～PSIを支える「計画知」の再考～SCM計画系コラム「SCPナレッジの杜」

生成AIは、計画業務の説明や整理を大きく助けてくれます。しかし、納期・能力・在庫・部材が絡み合うPSIの現場で、実行可能な計画をつくるのは別の仕事です。担当者が積み上げてきた「計画知」は、これからどこに置かれるのか。数理最適化と個社固有制約という切り口から考えます。

生産計画の立案は、しばしば理路整然とした管理業務のように語られます。しかし実際には、きわめて“泥臭い作業”です。

販売部門からは「この顧客分だけは今月中に出したい」と依頼が入ります。

生産部門からは「その数量を入れると能力山積みが崩れる」と返ってきます。
調達部門は「その部材はまだ引当できない」と告げ、物流・倉庫側からは「完成品をこれ以上積む余地がない」と制約が示されます。

計画担当者は、その狭間で、Excel、基幹システム、メール、会議メモ、現場からの口頭情報を突き合わせながら、何とか矛盾の少ない計画へ落とし込んでいきます。

PSIとは、本来、販売・生産・在庫を統合するための枠組みです。ただ、現場におけるPSIは、単なる数表の整合ではありません。
納期、能力、在庫、部材、優先順位、拠点間の融通、商流上の約束事……性質の違うものを同じ時間軸に並べ、どこに無理があり、どこを緩和すべきかを見極める作業です。

担当者が日々積み上げているこの勘所を、ここでは「計画知」と呼びます。

生成AIは、目覚ましい進歩を遂げています。
文章生成、論点整理、過去情報の要約……計画担当者の周辺業務は、確実に軽くなりました。
PSI会議の資料作成、計画変更理由の整理、関係者向けの説明文案づくり。こうした場面で、生成AIはすでに立派な戦力です。

とりわけ、生産計画業務には「説明」がつきまといます。
なぜこの品目を後ろ倒しにするのか。なぜこの顧客分を優先するのか。なぜ在庫が一時的に積み上がるのか。
こうした問いに、生成AIは人間が理解しやすい言葉を与えてくれます。

しかし、説明できることと、計画を立案できることは別です。

試しに、汎用の対話型AIに来月の生産計画を相談してみます。返ってくるのは、たとえばこんな答えです。

「納期と在庫のバランスを取りつつ、能力制約に配慮した計画を立てることが重要です」

まったくその通りです。反論の余地がありません。
ただ、来月A製品を何台つくればいいのかは、どこにも書いていません。

数字を出してほしいと頼めば、出してはくれます。
けれど、その数字が能力上限と部材の引当を本当に満たしているかは、結局、担当者がExcelで検算することになります。
計画を立ててもらうつもりが、検算の仕事が一つ増えている。

生産計画に求められるのは、もっともらしい提案ではなく、実行可能性を備えた計画です。

生産計画には、絶対に破れない線があります。BOMに基づく部材充足、残業・休出まで含めた能力の上限、拠点別の生産可能範囲、ロット条件、置き場の物理的な上限、出荷可能数。
冒頭で「同じ時間軸に並べる」と書いたもの、その正体がこれです。

これらは単なる参考情報ではありません。一本でも越えた計画は、紙の上でしか成立しません。

一方で、線の内側にある要求は、すべてを同時には満たせません。

納期遵守を重視すれば在庫が増えます。在庫を抑えれば供給余力が細ります。内製を優先すれば能力を圧迫し、外部活用を増やせばコストが上がります。
ここに、生産計画の本質的な難しさがあります。

したがって生産計画とは、その線で囲まれた範囲の中から、納期遅延・在庫過多・残業や休出・外部費用・供給不足という“痛み”の合計がいちばん小さい一点を探す作業です。

数理の言葉でいえば、制約付きの最適化問題（constrained optimization problem）です。

たとえば、「納期遅延1日」と「在庫1パレット」。どちらが、どれだけ痛いのか。
そう聞かれて、即答できる計画担当者はまずいません。

けれど実は、毎日の判断の中で、誰もが無意識に答えています。
この顧客は1日も遅らせない。この品目なら、多少積み上がっても構わない。その一つひとつが、換算の結果です。

目的関数とは、その無意識の換算表を、紙に書き出したものです。
冒頭で「計画知」と呼んだものの少なくとも一部は、ここに書き写すことができます。

書き出してあるから、特定顧客を優先する案とそうでない案を、同じ物差しで比べられます。どの制約が効いて、どの評価項目で差がついたのか。計画が選ばれた理由を、数字で示せます。

計画の正しさを決めるのは、語りのうまさではありません。
制約を守れているか。案同士を同じ物差しで比べられるか。この二つです。

計画担当者の日常において、計画は常に揺らぎます。販売要求の変更、部材引当の遅れ、能力制約の顕在化、在庫偏在、優先順位の変更。こうした事象が起きるたびに、担当者は「何を守り、何を諦めるか」を迫られます。

このとき有効なのが、条件を変えた複数案のシミュレーションです。

こうした議論を経験則だけで進めると、合意形成は難しくなります。計画エンジンは、制約条件を反映した複数案を提示し、PSI上の影響を同じ尺度で並べます。

数字のない会議にも、目的関数はあります。たいていは「早く終わらせること」です。

販売の「今月中に出したい」と、生産の「能力山積みが崩れる」。その折り合いを、会議の長さではなく、数字でつける。
計画シミュレーションとは、そのための装置です。

ただし、生産計画の難しさは、一般的な理論だけでは捉えきれません。
実際の現場にあるのは、会社ごとどころか、工程ごと・作業現場ごとに違う制約です。

こうした制約は、業務の歴史、商習慣、現場判断、顧客との約束から生まれます。

あらゆる企業のあらゆる業務シーンに、最初から完全対応する汎用的な計画エンジンが存在するわけではありません。
むしろ必要なのは、現場の暗黙知を丁寧に棚卸しし、制約として定義し、目的関数として翻訳し、計画エンジンへ組み込む作業です。

棚卸しは、ルールを書き写す作業ではありません。
出てきたルールの中には、本当に守るべき制約と、「昔からそうしているから」守られてきただけのエセ制約が混ざっています。

前者は計画エンジンに正しく教え込み、後者は見直しの俎上に載せる。この見極めこそが、棚卸しの肝です。
ただ、口で言うほど簡単ではありません。

ある計画担当者は、こう漏らしていました。

「この見極めには、現場の事情と数式の両方が読める目が要る」

汎用の理屈や流暢な説明では埋まらない、その会社だけの事情。生産計画の難しさと面白さは、ここに凝縮されています。

それを数式に翻訳できた計画エンジンだけが、現場で使われ続けます。

では、担当者が積み上げてきた「計画知」は、どこに置かれるべきなのか。

生成AIは、計画を語ることができます。けれど、計画知を預けておく場所にはなりません。預け先は、破れない線と痛みの換算表を数式に書き出し、痛みの合計が最も小さい解を探す仕組み。数理最適化です。

AIが賢くなるほど、計画の芯には数理最適化が座る。

海外の一部の大規模な計画パッケージで始まった生成AIの組み込みも、解くのは最適化エンジン、生成AIはその窓口、という分担の上に立っています。

ただし、計画知は自動では数式になりません。現場の暗黙知を棚卸しし、制約と目的関数に翻訳する。この作業を、実務と数理の両方が分かる人間が担ってはじめて、計画知は担当者の頭の外でも働き始めます。

語るのは、生成AIに任せればいい。

計画知の預け先を、誰と、どう作るか。
生成AI時代の生産計画は、そこで差がつきます。