生産管理にAIを導入しても、需要予測が現場で使われない、在庫も欠品も減らないという話は珍しくありません。多くの場合、原因はAIモデルではなく、データを可視化して予測へ渡し、その結果を意思決定へ戻す仕組みの不在にあります。

本記事では、BIによる可視化から需要予測、在庫最適化、運用後の精度監視までを一つの流れとして整理します。

なぜ「BIだけ」「AIだけ」の生産管理DXは失敗するのか？

製造プロセスのデータを何らかの目的で取得している事業者は66.0％にのぼる一方、取得したデータを活用して効果が得られた事業者は43.9％にとどまります。データはあるのに成果へ結び付かない。その差はどこで生まれるのでしょうか。

出典：経済産業省「2026年版ものづくり白書（概要）」

BI（ダッシュボード）の限界：過去と現在の可視化で止まってしまう

BIを導入すると、受注や在庫、生産実績を部門横断で確認できます。基幹システムからデータを抽出してExcelへ転記する作業も減り、資料作成に充てていた時間を分析へ回せます。

ただし、BIが答えられるのは「何が起きたか」「どこで問題が起きているか」までです。製品Aの在庫がこの3か月で増加している事実は把握できても、来月の需要が伸びるのか落ち込むのかまでは示してくれません。

在庫の増加に気づいた段階で手を打つのでは、判断が後追いになります。可視化だけでは先回りできない点が弱みです。

AI（予測）の罠：現場が予測根拠を理解できず使われない

一方、需要予測AIを単体で導入する場合にも壁があります。よくあるのは、予測値だけが提示され、担当者が扱いあぐねる状況です。

来月の需要が10,300個と表示されても、前年実績はいくつだったのか、営業の見込みとどれだけ差があるのか、先月の予測は当たっていたのかが分からなければ、その数字を信じて発注量を変える判断はできません。結果としてAIの出力は参考値にとどまり、従来どおり経験則で計画が組まれます。

在庫金額や納期に直結する判断が多い以上、根拠を確認できない数字は現場に採用されません。

解決策としての「BI×AI」の統合アプローチ

この2つの弱点は、互いを補う関係にあります。BIで現状と実績を押さえたうえでAIが将来を推定し、その予測値を再びBIへ戻して実績や既存予測と並べれば、担当者は数字の妥当性を確かめながら意思決定できます。

さらに実行後の結果を取得し、予測と実績の差をBIで検証すれば、モデルの改善点も見えてきます。BIは導入前の準備ツールではなく、予測を使い続けるための運用基盤でもあります。

成果を左右するのは、可視化から予測、意思決定、検証へと戻る循環を設計できるかどうかです。

AI生産管理におけるBI・AI・数理最適化の役割分担

BIとAIを連携させると言っても、両者だけでは具体的な行動は決まりません。予測を実際の発注量や生産順序へ変換する数理最適化を含め、3つの技術がそれぞれ何を担うのかを整理しておきます。

なお、AI活用の全体像や導入ロードマップはAIによる生産管理はどうやる？大手から中小企業まで、製造業におけるロードマップを整理で解説しています。

受注・在庫・生産実績を可視化するBI

BIが扱うのは、すでに起きた事象の把握です。受注推移、計画と実績の差異、製品別の在庫数量と在庫金額、滞留日数、調達リードタイム、納期遵守率などを一つの画面へ集約します。

重視したいのは、見栄えのよいグラフをそろえることではありません。AIで予測しようとしている現象を、まず人間が説明できる状態にすることが目的です。

在庫が増えている品目や計画変更が頻発する工程を特定できれば、どの業務からAI活用を検討するかの判断材料にもなります。

将来の需要や欠品リスクを予測するAI

機械学習が得意とするのは、蓄積データからの推定です。過去の販売実績に加え、曜日や季節性、価格、販促、気温などの要因を同時に扱い、来月の需要量や欠品しそうな品目を示します。

需要予測のほかにも、納期遅延が起こりそうなオーダーの抽出、設備故障の予兆検知、不良が出やすい製造条件の推定などへ適用できます。

ただし予測は確率的な推定であって確定値ではありません。幅があるという前提を共有しないと、現場は数字を過信するか、外れた時点で使わなくなります。

発注量や生産順序を決める数理最適化

需要が30,000個と予測されても、それだけでは「どの設備で、いつ、いくつ作るか」は決まりません。ここを担うのが数理最適化です。

需要量を推定する機械学習と、設備能力や納期を踏まえて計画を組み立てる仕組みは、技術的にも役割が異なります。予測と最適化では、そもそも解くべき問題が違うということです。

どのラインへどの製造オーダーを割り付けるかという判断は、設備能力や材料、段取り時間、最低ロットといった制約を組み込んで初めて計算できます。

AI生産管理の精度を落とすデータ側の「3つの壁」

AIの予測精度はアルゴリズムの選択だけで決まるわけではありません。実際のプロジェクトでは、学習データの状態が結果を大きく左右します。生産管理特有の3つの壁を押さえておきましょう。

ERP・MES・WMSへのデータ分散

1つ目は、データの置き場所が分かれていることです。受注や売上はERP、製造実績はMES、入出庫はWMS、設備の稼働状況はIoT、補助情報はExcelというように、生産管理データは複数のシステムへ散らばっています。

現場から在庫実績やリードタイムのばらつきを確認したいと依頼を受けても、どのテーブルを参照すべきかを探し、Excelへ整形するだけで時間が過ぎていく。分析の前段階に人手を取られている職場は少なくありません。

需要予測では受注と在庫、調達リードタイム、生産能力を突き合わせるため、分散を放置したままでは学習データを組み立てられません。

部門ごとに異なる「需要」「在庫」の定義

2つ目は、同じ言葉が部門ごとに違う意味で使われていることです。営業が需要と呼ぶのは顧客からの内示であり、生産管理では確定受注、物流では出荷数量、経理では売上計上数量を指しているかもしれません。

在庫も、帳簿在庫、実在庫、引当済在庫、利用可能在庫、仕掛在庫が混在します。帳簿上100個あっても80個が既存注文に引き当てられていれば、新たな需要へ回せるのは20個です。

どの数字を需要や在庫と定義するかを統一しないまま学習させると、AIはノイズを含んだ不正確なパターンを学んでしまい、現場で使えない予測を出力することになります。

欠損・異常値の学習による予測精度の低下

3つ目はデータそのものの品質です。ある工場だけ停止時間が記録されていない、商品コード変更で同一製品の履歴が分断されている、棚卸調整で大量出庫したように見えるといった状態は珍しくありません。

大口のスポット受注が通常需要として記録されていれば、AIはその急増も繰り返し起こるパターンとして学習する可能性があります。特需かどうかを見分けるのは、データではなく業務を知る人間の役割です。

生産計画や調達計画のもとになる販売計画そのものに誤りがあれば、そこから先の計画は機能しません。入力データの誤りは、モデルの高度化では取り戻せないものです。

データ可視化から需要予測・在庫最適化へ進む手順

壁を踏まえたうえで、実際にどの順番で進めるかを整理します。いきなり全社・全SKUを対象にせず、1工場と1商品群に絞って循環を一巡させると、課題の切り分けがしやすくなります。

BIで現状を可視化し、予測精度のベースラインを把握する

最初に取り組むのは、受注、生産、在庫、納期の実績をBIで横断的に見える状態にすることです。この段階で欠損や異常値、マスタの不一致が表面化し、整備すべき範囲を見積もれます。

あわせて現在の業務水準も記録します。在庫金額、在庫日数、欠品率、緊急発注の件数、計画作成に要している時間、現行予測の誤差を押さえておきます。

導入後の評価を「以前より良くなった気がする」で終わらせないために、比較対象となる出発点が欠かせません。

予測する商品粒度と期間を決める

需要予測では、モデルの選定より先に、何をどの単位でいつまで予測するかを決めます。全社合計からSKUへと細かくするほど需要ゼロの期間が増え、予測は難しくなります。

時間の単位も同じで、月次なら季節性を捉えやすい一方、日次に近づくほどノイズが増えます。

原材料の調達に3か月かかるのであれば、翌週の需要を精緻に当てても調達判断には間に合いません。予測期間はリードタイムと計画サイクルから逆算します。

AI予測をBIに戻し、現行の予測方法と比較する

予測結果を分析環境に置いたままでは業務に届きません。予測値をデータベースへ保存し、実績と統合してBIで精度まで確認できるようにする。ここまでを一つの業務フローとして設計します。

BI上では、AI予測、営業予測、前年実績、実績値を並べ、それぞれの誤差を比較できるようにします。評価にはMAEやMAPE、WAPEに加え、予測が過大と過小のどちらへ偏っているかを示すBiasも確認します。

誤差の大きさが同じでも、常に多めに予測するモデルを使い続ければ在庫は積み上がります。現行のExcel予測や前年同月と比べて優れているかどうかの確認も欠かせません。

予測値を安全在庫と発注量に反映する

予測精度が改善しても、在庫ルールが従来のままでは在庫は動きません。安全在庫を一律1か月分と決めている、発注ロットが大きいといった条件が残れば、削減余地は限られます。

必要在庫は需要量だけでなく、需要の変動幅、調達リードタイムとそのばらつき、維持したいサービスレベルによって決まります。翌日補充できる部品と海外調達で3か月かかる部品では、同じ需要でも持つべき量が違います。

BIの画面に現在庫、将来需要、入荷予定、推奨安全在庫、推奨発注量、欠品予測日を並べ、次の行動まで確認できる形にすると実務で使われやすくなります。歩留まり向上や在庫最適化に取り組んだ企業の具体的な進め方は、【業種別】AI生産管理の導入事例8選で紹介しています。

AI導入後に精度を維持するための運用

AIモデルは導入時の精度が続くとは限りません。市場や顧客の行動が変われば、学習時に成り立っていた関係は崩れます。運用段階で確認したい観点を挙げます。

モデルドリフトを想定して予測精度を定期的に確認する

価格改定や競合の参入、顧客構成の変化などが起きると、過去データから学んだパターンは通用しにくくなります。モデルが壊れたのではなく、前提となる環境が動いた状態です。

本番運用中のモデルでは、入力データの分布の変化、予測値の偏りの変化、データ品質、モデル性能といった観点を継続的に監視するのが一般的です。実績値を取得できるなら、予測と突き合わせることで性能を客観的に確認できます。

精度が落ちた際は、原因がモデルか、市場環境か、連携障害による入力データの欠損かを切り分けます。再学習を急ぐより、原因を確かめる順序が安全です。

AI精度と在庫・欠品などの業務KPIを同じ画面で監視する

監視の対象はモデル精度に限りません。在庫金額、在庫日数、欠品率、サービスレベル、緊急発注の件数、納期遵守率といった業務KPIも同じダッシュボードへ並べます。

例えば在庫が2割減っても、その裏で欠品が大きく増えていれば成果とは呼べません。逆にMAPEが改善しても在庫金額が動いていなければ、在庫ルールの見直しが残っている可能性があります。

経営、生産管理、情報システム、分析担当が同じ数字を見て議論できれば、改善の打ち手も決めやすくなります。

例外となる品目だけを担当者が確認する体制をつくる

すべての品目を人が点検していては、AIを導入した意味が薄れます。予測誤差の小さい定番品は自動処理へ回し、急激な需要変化や欠品リスク、過剰在庫が生じた品目だけを担当者へ通知する運用が現実的です。

大口案件の内示や設備の停止予定など、過去データに存在しない情報は人間のほうが把握しています。近年では、生成AIに前提条件を与えて安全在庫数の目安を算出させ、状況変化に応じて再計算させるといった試みも始まっていますが、出力された回答の妥当性を最終判断するのは、あくまで業務を熟知した人間の役割です。

担当者が予測を修正した際は、修正者と理由も記録します。修正が妥当だったかを後から検証でき、蓄積された理由は次の改善材料になります。

BIとAIをつなぐ循環設計がAI生産管理の成果を決める

AI生産管理の成否は、モデルの賢さよりも、データが意思決定へ変わるまでの流れを設計できているかどうかで決まります。ここまでの内容を振り返ります。

• BIは現状把握、AIは将来予測、数理最適化は行動の決定を担い、単体では成果に届かない
• 予測精度を落とす要因は、データの分散、部門ごとの定義のずれ、欠損や異常値にある
• 可視化とベースライン設定から始め、予測の粒度を業務の意思決定から逆算する
• AI予測はBIへ戻して既存予測と比較し、安全在庫や発注量のルールまで見直す
• 導入後はモデル精度と業務KPIを併せて監視し、例外だけを人が判断する体制を整える

可視化によって現状を把握し、予測へ進み、在庫と生産計画の判断へつなげ、その結果を再び可視化して検証する。この循環が回り始めると、AI活用は一度きりの実証実験ではなく、継続的な業務改善の仕組みへ変わります。

自社にどのデータが存在し、どのシステムからどう流れ、どのKPIへ活用できるのかが整理できていない場合は、モデルの選定より先にデータ活用の全体像を描くところから着手することをおすすめします。

CC-Dashでは、データの所在とフローの整理、分析軸やKPIの設計といったAI活用の前段階から、BIによる可視化、その先の予測活用までを一貫して支援しています。何から手を付けるべきか判断がつかない段階でも、現状のデータを一度棚卸しするところからご相談ください。