製造業の在庫最適化にAIをどう活かすか — 「適正在庫」をデータで導き出す

在庫管理は、製造業で「勘と経験」が強く残る領域の一つで、AIを入れれば発注が自動で最適になると期待されがちです。実際に成否を分けるのは、AIに渡すデータが現物と合っているか、そしてAIの数字を人がどう判断に使うかです。この記事では、AIで「適正在庫」を導くときに確認したい項目を整理します。

まず決めること：AIは推奨値を出し、発注の判断は人が持つ

経験に基づく発注は、需要が安定していた時代にはよく機能しました。いまは原材料価格の変動や物流の遅れ、急な需要の変化が重なり、過去の経験がかえって判断を誤らせることがあります。欠品で困った記憶から安全在庫を厚めに持ちがちで、それが積み重なると使われない在庫になります。

末端のわずかな需要変動が、上流に行くほど大きく増幅される現象（ブルウィップ効果）も、在庫を膨らませる原因です。AIは、こうした心理的な偏りを除いて、欠品を抑えつつ在庫を絞る点を計算で示します。ただし、最初はAIの推奨値を人が承認する「半自動」にとどめます。

チェックリスト1：需要予測と安全在庫の考え方を、品目ごとに決めているか

• 曜日・季節性・祝日・販促など、需要の変動要因を予測に入れているか
• 発注から納入までのリードタイムのばらつきを、安全在庫に反映しているか
• 品目ごとに、欠品をどこまで許容するか（サービスレベル）を決めているか

従来は、過去3ヶ月の平均出荷量に固定の係数を掛ける方法が一般的でした。しかしリードタイムが平均10日でも、実際には8日のことも14日のこともあります。主力品は欠品率1%以下、低回転品は5%まで許容するなど、品目ごとに水準を決めます。AIは、あと何個持てば足りる確率がどれだけ上がり、その費用はいくらかという判断材料を示します。

チェックリスト2：AIに渡すデータが、現物と一致しているか

• システム上の在庫数と、倉庫の現物が一致しているか
• 入出庫の実績を、まとめてではなく日次で入力しているか
• SKU（品目の最小単位）ごとに、リードタイムや最小発注単位、発注ロットをマスタ化しているか
• 欠品で出荷できなかった需要と、一度きりの大口受注などの特需を記録しているか

精度の低いデータを入れると、AIは現場を混乱させる数字しか出しません。棚卸しの差異が多い状態では、AIはシステム上の誤った数字で学習してしまいます。欠品の記録がないと、AIは「需要がなかった」と受け取ります。製品の需要から部品の必要量を逆算するには、BOMの整備も前提になります。

実績データは、季節性まで見るなら2〜3年分あるのが理想です。1年分でも、週単位の変動やリードタイムの傾向は分析できます。少ないうちはAIの予測を参考値として扱い、運用しながらデータをためていきます。

チェックリスト3：対象を絞り、過去のデータで確かめてから使う計画か

• 全品目ではなく、予測が当たりやすい品目から始めるか
• 過去のデータで「当時AIを使っていたら」を試算したか
• 担当者の判断とAIの推奨値を並べて比べる期間を設けているか

全品目を一度にAI管理へ移すと、現場の混乱と反発を招きます。次の順で信頼を積み上げます。

1. 在庫を金額と頻度で分類するABC分析を行い、中回転のBランクから始める
2. 過去1〜2年のデータで、AIを使っていた場合の在庫の推移を試算して実績と比べる
3. 3ヶ月ほど、担当者の判断とAIの推奨値を突き合わせ、差の理由を話し合う
4. 信頼が確認できた品目から、推奨値をもとにした発注に切り替え、人の承認を残す

チェックリスト4：AIの数字の根拠を、現場に説明できるか

• 推奨値の根拠（たとえば主要顧客の注文パターンからの需要増）が表示されるか
• サプライヤーの工場メンテナンスなど、現場だけが知る情報を補正入力できるか
• AIの数字を修正したとき、理由を記録して後で検証できるか

在庫最適化AIが使われなくなる主な理由は、「なぜその数字なのか」が分からない不安です。欠品したときに「AIが言ったから」では、担当者は責任を取れません。AIが計算を引き受け、人は調整や調達の交渉に時間を使う、という位置づけを経営層から伝えることが大切です。

チェックリスト5：効果の測り方と、システムのつなぎ方を決めているか

• 在庫回転率・欠品率・棚卸資産評価額を、導入前後で比べる仕組みがあるか
• 生産管理システムと倉庫管理システム（WMS）のデータがつながっているか
• マスタ上のリードタイムと、実際にかかった日数の差を確認しているか
• 特殊な時期のデータを、学習から外すか重みを変えるかを決めているか

効果を測る指標がないと、導入の成果があいまいになります。既存のERPや生産管理システムをすべて入れ替える必要はありません。今のシステムからデータをCSVなどで書き出し、AIで計算した結果を戻す「外付け」の形から始めると、初期の費用を抑えられます。

MGCのAIソリューションの場合

MGCでは、AIソリューションとして、業務へのAIの組み込みをPoC（小さく試して効果を確かめる段階）から進めています。PoCは100〜300万円が目安で、本番導入は要件に応じて個別にお見積もりします。

期間はパイロット運用2〜4週間・本番運用1〜3ヶ月が目安で、対象にする範囲によって変わります。初回相談・お見積もりまでは無料で、専門チームが一貫して担当します。

• AIソリューション：業務へのAIの組み込みを、PoCから本番運用まで進める支援
• 料金の考え方：AIソリューションの費用の構成と目安

まとめ

在庫最適化にAIを使うときは、まずAIが推奨値を出し、発注の判断は人が持つと決めます。そのうえで、品目ごとの需要予測と安全在庫、データと現物の一致、対象を絞った段階的な導入、根拠の見える化、効果の測り方の5つを確認してください。欠品と過剰在庫の両方を抑える判断を、データで支えやすくなります。

製造業の関連コラム

製造業

製造現場の「技術資料探し」をAIで効率化する — 熟練者の知恵と過去図面を資産に変える完全ガイド

2026.10.12製造業

製造現場の「職人の勘」をAIで形式知化する — 最適な製造条件を導き出す進め方

2026.09.30

本コラムは一般的な情報提供を目的としたもので、特定の成果を保証するものではありません。導入可否や効果は、企業の状況・データ・体制により異なります。具体的なご相談は個別にお問い合わせください。