製造業の生産計画をAIで最適化する — 熟練者の「勘」をデジタル資産へ

製造現場において、最も属人化しやすく、かつ全体の生産性に直結するのが「生産計画」の立案です。多くの現場では、長年の経験を持つベテランが、頭の中にある膨大な制約条件を組み合わせて計画を練っています。本記事では、この『熟練の勘』をAIで再現・最適化し、変化に強い現場を作るための現実的な進め方を解説します。

生産計画が「パズル」化する現場の課題

製造現場における生産計画の立案は、まさに終わりのないパズルのようです。納期を守ることは大前提として、設備の稼働率を最大化し、仕掛品在庫を抑え、かつ作業者の負荷を平準化しなければなりません。これらに加え、「特定の機械と金型の相性」や「この作業ができるのはAさんだけ」といった、現場固有の細かな制約が絡み合います。

こうした複雑な条件を調整できるのは、現場を熟知したベテラン担当者に限られているのが実情です。しかし、担当者が不在の際に計画が止まってしまったり、急な注文変更や設備の故障が発生した際のリスケジュールに膨大な時間がかかったりと、属人化によるリスクは年々高まっています。AIによる生産計画の最適化は、こうした『個人の能力への依存』から脱却し、組織として柔軟な対応力を手に入れるための重要なステップとなります。

ベテランの頭の中にある「暗黙知」の正体

生産計画のAI化において最初に取り組むべきは、ベテラン担当者が無意識に行っている判断基準の言語化です。これを「暗黙知（あんもくち）」と呼びますが、AIに学習させるためには、これらを明確な「データ」や「制約条件」として定義し直す必要があります。

• 優先順位の定義：納期厳守、段取り回数の削減、稼働率の向上など、何を最も優先するか
• 物理的な制約：設備の最大負荷、メンテナンス時間、金型の数、資材の保管スペース
• 人的な制約：作業者のスキルレベル（多能工化の度合い）、シフト構成、休憩時間
• 経験的なコツ：『この製品の後は、洗浄時間を短縮するためにこの製品を流すべき』といった段取りの工夫

ベテランへのヒアリングを行うと、「なんとなくこっちの方が効率が良いから」という答えが返ってくることがありますが、そこには必ず論理的な理由があります。その理由を一つずつ紐解き、数値化していくプロセスこそが、AI導入の半分以上を占める重要な作業となります。この工程を疎かにすると、現場の実態に合わない「机上の空論」のような計画しか出せないAIになってしまいます。

AIが得意なのは「膨大な組み合わせ」の計算

AI、特に「数理最適化（すうりさいてきか）」と呼ばれる技術は、人間では処理しきれない膨大な選択肢の中から、目標に最も近い解を数秒から数分で見つけ出すことに長けています。数理最適化とは、与えられた制約条件（守るべきルール）の中で、目的関数（最大化または最小化したい指標）を最適にする値を求める手法です。

例えば、100個のオーダーをどの順番でどの機械に割り当てるかという組み合わせは、天文学的な数字になります。人間は経験から「良さそうな案」を1つか2つ作るので精一杯ですが、AIは数千通りのシミュレーションを瞬時に行い、全体のリードタイムが最短になる案や、電力コストが最小になる案など、複数の選択肢を提示できます。

AIは『正解』を出すのではなく、制約を満たした中での『最良の選択肢』を高速に計算する道具である。

精度を高めるための「データの整備」という土台作り

生産計画AIが正しく機能するかどうかは、入力されるデータの正確性に100%依存します。いわゆる「Garbage In, Garbage Out（ゴミを入れればゴミが出てくる）」の原則です。AI導入を検討する前に、自社のマスターデータが実態を反映しているかを確認する必要があります。

1. 標準時間の見直し：各工程の作業時間は、実測値に基づいているか（古いデータのままではないか）
2. 段取り時間のマトリックス化：製品Aから製品Bに切り替える際、実際にかかる時間をパターン別に整理できているか
3. 実績データのフィードバック：計画に対して実際はどうだったかという『予実差』がデジタルで記録されているか
4. カレンダー情報の統合：設備の点検予定や、従業員の有給休暇などが一元管理されているか

多くの現場では、ERP（基幹業務システム）やMES（製造実行システム）にデータが入っていても、それが現場の実態と乖離していることが珍しくありません。AIを導入する過程で、これらのマスターデータを「生きたデータ」へと磨き上げる作業が必要になります。これは手間のかかる作業ですが、副次的として現場の見える化が飛躍的に進むというメリットもあります。

AIは「案」を出し、人は「最終決定」を下す

生産計画を完全に自動化しようとするのは、現時点では現実的ではありません。なぜなら、製造現場には「急な欠勤」「原材料の納入遅れ」「機械のわずかな異音」など、データ化されていない突発的な事象が常に発生するからです。MGCが推奨するのは、AIと人間が役割を分担する『半自動化』のスタイルです。

AIの役割は、複雑な制約をすべてクリアした「たたき台」の計画案を複数提示することです。一方、人間の役割は、その中から現場の雰囲気や将来の予測を加味して1つを選び、必要に応じて微調整を加えることです。このように「AIが計算し、人が承認する」というプロセスを組むことで、計画作成の時間は劇的に短縮されつつ、現場の納得感も高い運用が可能になります。

また、リスケジュール（計画の立て直し）もAIの得意分野です。トラブルが発生した際、影響範囲を最小限に抑えつつ、残りの時間でどうリカバリーするかをAIが即座に再計算する。このスピード感こそが、現代の多品種少量生産における競争力の源泉となります。

スモールスタートから全社展開へのロードマップ

生産計画のAI化は影響範囲が広いため、いきなり工場全体の計画をAI化しようとすると、調整コストが膨大になり失敗するリスクが高まります。まずは「特定のライン」や「特定の工程」に絞って導入し、効果を検証しながら広げていくのが定石です。

• フェーズ1：ボトルネック工程（最も負荷の高い工程）だけに絞ってAIを適用し、計画精度の変化を見る
• フェーズ2：前後の工程との連携を加え、部分最適から局所的な全体最適へと広げる
• フェーズ3：実績データを自動で取り込み、予実のズレを自動修正する学習サイクルを構築する

この過程で大切なのは、計画担当者を「AIに仕事を奪われる人」にしないことです。AIを導入することで、担当者は『パズルを解く作業』から解放され、より付加価値の高い『工程改善の検討』や『サプライヤーとの戦略的な調整』に時間を割けるようになります。導入の目的を「担当者の負担軽減」と「工場のレジリエンス（回復力）強化」に置くことが、現場の協力を得る鍵となります。

まとめ：生産計画AIを成功に導く4つのステップ

• ベテランの判断基準を書き出し、数値化可能な『制約条件』として整理する
• 設備の能力値や段取り時間などのマスターデータを、現場の実態に合わせて更新する
• AIに全自動を求めず、AIが複数の案を提示し、人が最終判断する『協調体制』を築く
• まずはボトルネック工程から小さく始め、改善のサイクルを回しながら対象を広げる

生産計画のAI活用は、単なる効率化ツールではありません。ベテランの知恵をシステムに組み込み、次世代へ継承可能な「会社の資産」へと昇華させる取り組みです。まずは身近な工程のデータ整理から、一歩を踏み出してみませんか。

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。