製造業の生産計画は、需要予測や在庫、設備の稼働、人員配置など考慮すべき要素が多く、長らく熟練担当者の経験と勘に頼ってきた業務です。近年はこの分野でAIの活用が一気に進み、計画立案の自動化や高精度な需要予測によって、大手企業が次々と成果を上げています。
本記事では、生産計画にAIを活用した企業の事例を業界別に多数紹介し、共通するメリットや導入のポイントまで解説します。需要予測やデータ活用の発想は流通・小売の現場にも通じるため、自社でのAI活用を考える際の参考にしてください。
基幹システムの刷新・導入なら
流通業向け基幹システム「基幹船」
- 700名以上のエンジニアによる幅広い対応
- オフショア開発により低コストでのカスタマイズを実現
- 多彩なシステムと連携可能
目次
生産計画にAIを活用するとは？
生産計画AIとは、需要予測や在庫、設備、人員などのデータをもとに、AIが最適な生産計画を自動で立案・支援します。これまで、生産計画は考慮する条件が多く、熟練者でも長時間を要するうえ、担当者によって精度が変わりやすい業務でした。しかし、AIの活用によって多数の制約条件を高速で処理し、属人化の解消と立案時間の短縮を同時に実現します。
生産計画にAIを活用すると、主に次のことが可能になります。
- 過去データや外部要因をふまえた需要予測の高精度化
- 数百万〜数兆通りにおよぶ複雑な制約条件の同時処理
- 計画立案の自動化による工数削減と属人化の解消
- 適正な生産量の算出による在庫の最適化
生産計画AIの導入によって、人の経験を活かしつつ、データ・ドリブンな精度が高く、かつスピーディな生産計画を立てることが可能です。
食品・飲料業界の生産計画AI活用事例
食品・飲料業界では、需要変動の大きさから生産計画にAIを取り入れる動きが先行しています。代表的な6社の事例を紹介します。
- サントリー食品インターナショナル
- ニチレイフーズ
- ニチレイ・アイス
- キッコーマン
- キリンビール
- サッポロビール
サントリー食品インターナショナル
飲料は天候や消費者ニーズによって需要が大きく変動します。そこで、サントリー食品インターナショナルでは、納期や生産能力、輸送コストなど複雑な制約条件をふまえた生産計画の立案に膨大な時間を要しており、熟練者の負担が課題でした。そこで日立製作所と協創し、AIが最適な生産計画を自動立案するシステムを開発しました。
これにより、複数の熟練者が平均毎週約40時間かけていた立案作業を、約1時間にまで短縮できたといいます。国内の主要工場に適用し、エリア単位の個別最適から全国規模の全体最適へと進化させた好例です。
ニチレイフーズ
ニチレイフーズでは、食品工場の生産計画と要員配置を熟練者が長時間かけて立案しており、業務の属人化が大きな課題でした。そこで日立製作所との協創により、熟練者の計画パターンを数値化し、AIが膨大な選択肢から最適解を導き出すシステムを導入しています。
具体的には1工場で最大16兆通りもの組み合わせの中から、最適な計画を従来の約10分の1の時間で自動立案できるようになりました。熟練者以外の従業員でも計画を作成でき、働き方改革にもつながった好例といえます。
ニチレイ・アイス
ニチレイ・アイスが扱う包装氷は季節によって需要が大きく変動するため、生産・輸送・在庫の計画立案が熟練者の負担になりがちでした。しかし、AIの活用後は40を超える制約条件を考慮し、AIが3つの計画を連携させて自動作成するシステムを稼働させています。
具体的な効果としては約50品で約200万通りに及ぶ組み合わせの中から最適解を抽出し、計画立案にかかる時間を約70%削減しました。コストなどの指標を可視化し、需給の変化にも柔軟に対応できるようになった事例です。
出典：生産・輸送・在庫計画の立案業務をAIシステムで自動化｜ニチレイフーズ
キッコーマン
キッコーマンでは、約2,000アイテムにのぼる商品の需要を7人の需給担当者が分担して予測していましたが、経験に頼るために時間がかかり、担当者ごとのばらつきも生じていました。同社はAIによる需要予測システムを取り入れ、過去のデータをもとに将来の需要量を客観的に算出する仕組みへ移行しています。
属人的だった予測の標準化が進み、各商品の需要に応じた無駄のない生産計画を立てやすくなりました。担当者の負担を抑えながら、予測の質を安定させた事例といえます。
出典：キッコーマン株式会社様 導入事例｜日立ソリューションズ東日本
キリンビール
キリンビールでは、ビールの製造計画を熟練の担当者が複雑な条件を考慮しながら立案しており、技術継承や工数が課題でした。同社はNTTデータと共同で、仕込みや発酵などの工程をAIが計画するシステムを開発し、2022年から国内9工場で運用しています。
国内9工場の合計で年間約4,000時間の業務削減を見込むなど、計画業務の大幅な効率化を進めています。ブレインパッドと開発した製造計画作成アプリでも約70%の工数削減を実現し、AI活用を段階的に広げた事例です。
出典：キリン、ビール製造にAI 仕込み・発酵計画を立案｜日本経済新聞
サッポロビール
サッポロビールでは、ビールやRTDの出荷量を担当者が経験にもとづいて予測しており、属人化や予測のばらつきが課題となっていました。同社は需要予測にAIを取り入れ、人とAIが協働して出荷量を予測する体制づくりを進めています。
機能検証では、人だけの予測に比べて人とAIが協働した予測の精度が約20%向上し、2023年から本格運用を開始しました。予測のノウハウを組織の知見として蓄積し、在庫の最適化につなげた事例です。
出典：人とAIが協働！「AI需要予測システム」本格運用開始｜サッポロビール
基幹システムの刷新・導入なら
流通業向け基幹システム「基幹船」
- 700名以上のエンジニアによる幅広い対応
- オフショア開発により低コストでのカスタマイズを実現
- 多彩なシステムと連携可能
自動車・素材・家電業界のAI活用事例
自動車や素材、家電の分野でも、生産計画や需要予測、製造工程にAIを活用する取り組みが広がっています。代表的な3社の事例を紹介します。
- トヨタ自動車
- ブリヂストン
- タイガー魔法瓶
トヨタ自動車
トヨタ自動車では、製造現場が主導でAIを活用するために、AIを動かす基盤となる「AIプラットフォーム」の内製化に取り組みました。現場の担当者自身がAIモデルを作成・運用できる環境を整え、検査の自動化などに役立てています。
このシステムの整備により、AIモデルの作成や更新にかかる時間を約8割削減し、現場でもワンクリックでAIを使えるようにしました。専門家に頼らず現場発のAI活用を広げ、製造DXを加速させた事例です。
ブリヂストン
ブリヂストンは、タイヤ成型の工程でAIを活用した生産システム「EXAMATION（エクサメーション）」を導入しています。タイヤ1本あたり約480項目の品質データをセンサーで計測し、最適な条件で部材が組み立てられるようAIがリアルタイムに自動制御する仕組みです。
熟練技能員のスキルに依存していた工程を自動化し、品質のばらつきを抑えながら、従来比で生産能力を約2倍に高めました。人の経験を形式知化し、生産性と品質を両立させた事例です。
出典：最新鋭タイヤ成型システム「EXAMATION」を彦根工場に初導入｜ブリヂストン
タイガー魔法瓶
タイガー魔法瓶では、ベテラン社員が定年を迎える前に、その経験にもとづく業務ノウハウをAIで継承する取り組みを進めています。まず着目したのが、PSI（生産・販売計画・在庫）の精度向上と予測の自動化でした。
AIで7〜8割まで予測を進め、最後は人が判断する流れを採り、属人化していた計画業務の効率と精度を高めています。熟練者の暗黙知をデータとして残し、次世代へ引き継ぐ基盤づくりにつなげた事例です。
事例に共通する生産計画AI活用のメリット
生産計画へのAI活用は、工数削減から在庫最適化まで複数の効果を同時にもたらします。事例に共通する3つのメリットを整理します。
- 計画立案の工数を大幅に削減できる
- 属人化を解消し計画を標準化できる
- 需要予測の精度向上で在庫を最適化できる
計画立案の工数を大幅に削減できる
生産計画AIの最も分かりやすい効果は、計画立案にかかる工数を大幅に削減できる点です。熟練者が何十時間もかけていた複雑な立案作業を、AIは数時間から数分にまで短縮します。
サントリー食品の約40時間から約1時間、ニチレイフーズの約10分の1といった事例は、その効果を端的に示しています。立案にかけていた時間を別の業務に振り向けられるため、現場全体の生産性向上にもつながります。生産計画AIは、限られた人員で計画業務を回すための強力な助けになります。
属人化を解消し計画を標準化できる
生産計画AIは、熟練者の経験や勘に依存しがちだった業務の属人化を解消します。担当者の頭の中にあった暗黙知をAIが学習して形式知に変えるため、誰が担当しても精度の高い計画を安定して作成できます。
たとえばキッコーマンやサッポロビールでは、担当者ごとに生じていた予測のばらつきが抑えられ、予測の標準化が進みました。属人化が解消されれば、担当者の退職や急な不在が業務に与える影響も小さくできます。生産計画AIは、組織として計画の質を保ち続ける土台になるといえるでしょう。
需要予測の精度向上で在庫を最適化できる
生産計画AIは、需要予測の精度を高めることで在庫の最適化にも貢献します。AIは過去の販売実績だけでなく、天候やイベントなどの外部要因も加味して需要を予測するため、人手では難しかった高精度な見通しを立てられます。
サッポロビールでは人とAIの協働で予測精度が約20%向上するなど、予測の改善は着実に成果を上げています。需要を正確に読めれば、過剰生産による在庫リスクと欠品による販売機会の損失を同時に抑えられます。生産計画AIは、つくりすぎとつくり不足のどちらも防ぐ、在庫最適化の要になるでしょう。
生産計画にAIを導入する際のポイント
生産計画にAIを導入して成果を上げるには、いくつかのポイントを押さえておくことが大切です。とくに重要な2点を解説します。
- データの整備と品質を確保する
- スモールスタートで効果を検証する
データの整備と品質を確保する
生産計画AIの成果は、土台となるデータの質に大きく左右されます。AIは与えられたデータから学習するため、入力ミスや表記の揺れ、欠損が多いままでは精度の高い予測や計画を得られません。
そのため、AIを導入する前に、販売実績や在庫、生産能力などのデータを整える作業が欠かせません。正確なデータがそろって初めて、AIは事例で見たような高い効果を発揮します。データの整備と品質確保は、生産計画AIを成功させる出発点になります。
スモールスタートで効果を検証する
生産計画へのAI導入では、対象を絞って小さく始めることが大切です。最初から全工程を一度にAI化しようとすると、投資や負担が大きくなり、効果も見えにくくなります。
サッポロビールが約40アイテムでの機能検証から始めたように、一部の商品や工程で効果を確かめてから広げる進め方が現実的です。小さな成功を数字で示せれば、社内の理解を得ながら次の展開へ進めやすくなります。スモールスタートで生産計画AIを定着させられるので、徐々にAI化を進めていきましょう。
まとめ
生産計画へのAI活用は、食品・飲料から自動車、素材、家電まで幅広い業界に広がっています。サントリー食品やニチレイ、サッポロビールなどの事例が示すように、AIは立案工数の削減、属人化の解消、需要予測の精度向上といった成果を生み出しています。
これらの効果を発揮できるのは、AIに読み込ませる土台のデータが正確だからこそです。生産計画でも、流通・小売の在庫管理や発注でも、蓄積したデータをいかに整え、活用するかが成否を分けます。需要予測やデータ活用の発想は、業界を越えて共通する経営テーマです。
弊社の流通業向け基幹システム「基幹船」は、高いカスタマイズ性と拡張性を備え、B-LuckスイートのAI需要予測型自動発注などとの連携で、データを生かした需要予測や発注の最適化を支援します。基幹システムやAIの活用をご検討の際は、ぜひ一度ご相談ください。
03-6264-7226