生産計画・スケジューリングは、SaaSのAIエージェントと内製化、どちらに任せるべきか

生産計画・スケジューリングのAI内製化のよくある質問【5問5答】

私たちが生産計画・スケジューリングのAI活用についてご相談をお受けする中で、特に多くいただく質問があります。まずは1問1答でお答えし、そのうえで詳しくご案内します。

Q1. 生産計画AIエージェントと、これまでの生産スケジューラは何が違うのですか。 従来の生産スケジューラは、あらかじめ設定した制約条件(設備能力・段取り時間など)に基づいてガントチャートを自動作成することが得意です。一方AIエージェントは、需要変動や欠品といった突発事象を検知し、影響範囲を分析したうえで再計画案まで提案・実行する役割を担います。計画を作るだけでなく、計画が崩れたあとの立て直しまで踏み込むところが違います。

Q2. 再計画をAIエージェントに任せても、現場が混乱しませんか。 計画の見直し案を出すところまではAIに自律実行させつつ、実際にラインの生産順序を切り替える最終判断は、人間が確認する設計にすることをお勧めします。私たちの基本姿勢は「AIは壁打ち相手であり、判断は人間がする」というものです。現場に落とし込む前に人が確認する運用にしておくことで、混乱を抑えられます。

Q3. SaaS(APS)のAIエージェント機能と内製化、どちらを先に検討すべきですか。 「生産計画 AIエージェント SaaS 違い」「生産スケジューラ AI内製化」で情報を集める担当者も増えていますが、私たちの経験では、まず既存のAPSのAIエージェント機能で対応できる範囲を確認することをお勧めします。標準的な制約充足型のスケジューリングであれば、ベンダーが磨き込んだ機能をそのまま使うほうが効率的です。そのうえで、SaaSでは対応できない自社ライン特有の例外ルールが見つかった部分から、内製化を検討するのが現実的な順序です。

Q4. 多品種少量生産や複数ラインでも内製化できますか。 できます。ただし品目やラインごとに、段取り時間や優先順位のルールに細かい違いがあるものです。最初から全ライン共通の計画ロジックに統一しようとせず、まず主要ラインでルールを言語化し、「ラインごとの差分」として管理できる設計にしておくと、展開がスムーズになります。

Q5. 導入にはどのくらいの期間がかかりますか。 生産計画・スケジューリングフローの棚卸しから始めて、特定の1ラインでAI再計画の試験導入まで進めるのに、1ヶ月程度が目安です。ただし私たちの経験では、たたき台となるプロトタイプ自体は1日で動く状態までお見せできます。まず動くものを見ながら、権限の範囲や運用ルールを一緒に判断していくのが確実です。

「生産スケジューラ」と「生産計画AIエージェント」、SaaS側の進化

生産計画・スケジューリングのSaaSも、じっとしているわけではありません。国内では、AIによる生産計画の自動立案を月額十数万円程度から提供するクラウド型サービスが登場し、老舗の生産スケジューラベンダーも、AIが最適スケジュールを導出し受注・製造・購買を紐づけるオプション機能を強化しています。海外に目を向けると、大手APSベンダーはAIによる「タッチレスプランニング」で定型判断を減らす機能や、需給変動時にAIエージェントが分析・再計画を支援する機能を打ち出しています。

私たちの現場感とも一致します。SaaS(APS)側のAIエージェント機能が担うのは、あらかじめ用意された制約条件の範囲内での最適化です。設備能力・段取り時間・在庫制約といった標準的な制約充足問題は、業界標準のアルゴリズムとして磨き込まれてきました。だからこそSaaSが確定的な処理として提供する価値があります。

「生産計画 AIエージェント SaaS 違い」「APS AIエージェント 違い」といった検索が増えているのも、この2つの動きが同時進行している表れだと私たちは見ています。需要予測AIエージェントは、過去の実績・季節性・市場動向を踏まえて計画案を提案するところまでは共通して得意です。違いが出るのは、需給変動や突発トラブルが起きたときに、その再計画をどこまで自律的に実行させるか、という一段先の設計です。

需要予測と生産スケジューリングでは、AIエージェントの設計思想が違う

「需要予測」と「生産スケジューリング」は、まとめて「生産計画AI」と語られることが多いのですが、私たちの現場経験では、この2つは設計の考え方が異なります。

需要予測は、過去の販売実績や季節性という定量化しやすいデータが対象です。統計的に何が最も確からしいかを検証する構造で、異常検知や自動改善のロジックをAIに任せやすくなっています。一方、生産スケジューリングは、設備の空き状況・段取り時間・人員配置・取引先ごとの納期優先度が複雑に絡み合う判断であり、一度確定した計画を変更すると後工程・調達・出荷まで影響が波及するため、判断を誤った際の影響範囲が大きいという特徴があります。

ある老舗化粧品メーカーの生産計画担当者は、Excelをそのままシステム化するだけでは現場が回らないと指摘し、「完璧なものにしようとすればするほど無理が生じることが分かってきた」「臨機応変な修正がどうしても必要だ」と、計画システムに完璧な精度を求めない現実的な姿勢を語っていました。これは私たちの実感とも一致します。工程によって「機械的に最適化できる部分」と「現場の判断に委ねるべき部分」の水準は違い、そこを一律に扱おうとすると、かえって現場の納得感を損ないます。

SaaSのAIエージェントと「MCPで直結する内製化」は何が違うのか

ここが、私たちが最も重視している論点です。SaaS(APS)のAIエージェントは、ベンダーが設計した制約充足ロジックの中でAIが手伝ってくれる仕組みです。設備稼働率の最適化も段取り時間の最小化も、あらかじめ用意された選択肢の範囲で自動化されます。

一方、MCP(Model Context Protocol: AIが外部システムに安全に直接アクセスするための共通規格)でAIを生産管理システム・設備稼働データに直結させる内製化は、自社ライン特有の優先順位ルールや例外処理まで、AIに任せる範囲を自分たちで設計できる点が違います。ある老舗化粧品メーカーの現場担当者は、装置の扱いについて「装置は感覚で覚えているため依頼しなかったが、引き継ぎを考えると重要になる」と、属人化への危機感をのぞかせていました。これは、内製化だからこそ実現できる、自社の暗黙知を形式知に変える設計の例だと私たちは見ています。

誤解のないように言えば、SaaSのAIエージェント機能を選ばない方がよいという話ではありません。標準化された制約条件下の最適化であれば、ベンダーが磨き込んだAIエージェントに任せる方が、開発コストも保守の手間も少なくて済みます。役割が違うだけです。

生産計画・スケジューリングのどこを内製化し、どこはSaaSに残すべきか

判断の軸はシンプルです。標準的な制約充足型のスケジューリングロジックや、需要予測の統計モデルは、既存のSaaSにロジックを残すべきだと私たちは考えています。反対に、自社ライン特有の優先順位ルールや、熟練計画担当者の経験に基づく例外処理、突発トラブル時の再計画判断は、内製化に向いています。

観点	SaaS/既存システムに残す領域	内製化する領域(AI×社内ルール)
対象業務	標準的な制約充足スケジューリング、需要予測モデル、設備稼働率の最適化	自社ライン特有の優先順位ルール、熟練担当者の例外処理、突発トラブル時の再計画判断
選ぶ理由	業界標準のロジックで汎用的、ベンダーの改善が継続的に届く、運用負荷が軽い	自社ラインのクセを反映できる、経験に基づく判断が必要、競争優位性の源泉になる

私たちが複数の製造業の現場に関わる中で共通して挙がるのが、「生産計画は工場ごとの違いが大きく、ベテラン計画担当者が脳内で判断していることが多すぎる」という属人化リスクです。ある中堅製薬・健康食品メーカーの需要予測担当者は「製販会議自体に課題があり、将来的には会議をなくしたい」と本音を漏らしていました。会議のたびに担当者の経験と勘に頼って生産量を決めている工場は、私たちが関わってきた中でも珍しくありません。

なぜこの切り分けが機能するのかを、もう少し掘り下げます。標準的な制約充足の数式は、多くの工場で同じロジックが通用することが前提です。需要予測の統計モデルも、業界標準として磨き込まれてきました。だからこそSaaSが確定的な処理として提供する価値があります。一方、ライン特有の優先順位や例外処理は、工場ごとに異なることそのものが前提です。異なるからこそ、その工場らしい強みになっています。この「同じであるべきもの」と「異なってよいもの」を分けて考えることが、内製化の範囲を決める最初の一歩になります。

私たちの現場経験では——生産計画・製造管理システムを再構築した事例

私たちが支援した化粧品メーカー(製造業)の事例が、これを象徴しています。生産計画・製造管理システムを再構築し、社内検証環境(MVP)から自社管理のクラウド環境へ全面移行しました。利用者19名の規模で、認証基盤も含めて移行し、運用コストの見通しと情報セキュリティを両立させる設計にしています。それまでは生産計画の担当者が、Excelをベースにした独自の管理方法で計画を組んでおり、標準化しきれない例外対応が日常的に発生していたといいます。

この事例が示しているのは、生産計画・スケジューリングの内製化が向いているのは「標準的な最適化計算の精度」ではなく「自社の運用ルールへの最適化」が求められる部分だという点です。ラインごとに優先順位の付け方が違い、季節性の強い品目もあれば、安定して動く定番品目もあります。この違いをどう扱うかは、法令が定めているルールではなく、その会社が長年積み重ねてきた計画運用のノウハウです。ここをSaaSの標準機能に無理に合わせようとすると、現場の納得感が得られません。

正直に言えば、この構造は化粧品業界に限った話ではありません。品質管理・検査の内製化でも、属人化リスクが複数の現場に共通して見つかっていることをお伝えしました。業種が変わっても、暗黙知をどう仕組み化するかという課題は、本質的には同じ構造を持っています。私たちが在庫管理・受発注の内製化でもお伝えした「標準業務はSaaSに残し、自社独自の判断は内製化する」という線引きの基準は、生産計画・スケジューリングでも変わりません。

内製化はどう進めるか——3段階のロードマップ

私たちが生産計画・スケジューリングの内製化を支援するときも、いきなりAIエージェントを構築するのではなく、段階を踏んで進めます。第1段階は、現在の生産計画・スケジューリングフローのうち、どこがSaaS(APS)の標準機能で足りているか、どこが担当者の暗黙知に依存しているかの棚卸しです。第2段階は、特定の1ライン(例えば変動の少ない定番ライン)にAI再計画の試験導入をし、現場の反応を確認します。第3段階で、実際に判断・再計画の実行までを担うAIエージェントの構築(MCP直結)に進みます。

この順序を守る理由は、ルールが整理されていないラインにAIエージェントを入れると、属人化した誤りまでそのまま自動化してしまうためです。私たちが数多くの現場に関わる中でたどり着いた実感として、この棚卸しを省略した案件ほど、後から「AIが立てた計画が現場の実態と合わない」という手戻りに直面しています。

多品種少量生産や需要変動が激しい業種でも展開できるか

多品種少量生産の企業からは、「主要ラインで作った仕組みは、他のラインにも展開できますか」という質問をよくいただきます。私たちの答えは、できます。ただし条件があります。

ライン・工程ごとに、段取り時間や優先順位のルールに細かい違いがあるものです。ある工程では「品種切り替えに30分かかる」、別の工程では「特定の得意先向けは午前中のうちに生産を完了させる」といった具合です。最初から全ライン共通のルールに統一しようとすると、どこかのラインで納期遅延や設備の空き時間のロスが出やすくなります。私たちが支援した案件でも、まず主要ラインでルールを言語化し、「ラインごとの差分」として管理できる設計にしておくことで、他ラインへの展開がスムーズになるケースが多くありました。

省力化投資補助金など、活用できる公的制度もあります。ただし私たちの見解では、補助金は単発の効率化のためだけに使うより、複数ライン・複数拠点に展開できる仕組みに投資する方が、投資対効果は大きくなります。

セキュリティ・ガバナンスも内製化の設計に組み込む

生産計画・スケジューリングは、受注情報や取引先ごとの納期優先度という、機密性の高い情報を含む業務です。私たちがAIPLA(自社の業務基盤)で実践している原則は、機能単位でのアクセス権の分離です。誰が生産計画を見られるかだけでなく、誰が計画の変更を確定できるか、誰が設備の稼働順序を切り替えられるかまで踏み込んで設計することで、AI導入後のトラブルを減らせます。

もう一つ欠かせないのが、AIの再計画案を人が確認する運用です。私たちの基本姿勢は「AIは壁打ち相手であり、判断は人間がする」というものです。MCPで生産管理システムに直結すると、AIが需給変動の検知から再計画の実行まで一気に進めてしまうことも技術的には可能です。ですが私たちの現場経験では、最初の数ヶ月は人が確認するステップを残しておくべきだと考えています。AIが立てた計画が納期優先度や設備制約から外れていないかを確認する工程は、省略しない方がよいというのが率直な結論です。

不安の正体は、生産計画・スケジューリングでもほとんどの場合「AIが何をしたか後から確認できるのか」という点に集約されます。誰が、いつ、どの権限で、何をAIに指示したかを操作ログとして残しておけば、後から振り返って検証できます。私たちが自社のAIPLA(社内業務基盤)で実践しているのも、この操作ログの設計です。

よくある失敗パターンと避け方

生産計画・スケジューリングのAI内製化でよく見る失敗にも、共通する型があります。

1つ目は、SaaS(APS)のAIエージェント機能と内製化の対象を混同することです。標準的な制約充足スケジューリングまで内製化しようとすると、アルゴリズムの保守が全て自社の責任になり、負担だけが増えます。設備構成が変わるたびに自社で調整しなければならず、これは私たちが最も避けるべきだと考えているパターンです。

2つ目は、権限設定を後回しにすることです。「まずは参照のみから」という順序を飛ばして最初から計画確定の権限までAIに与えると、想定外の操作が起きたときの影響が大きくなります。生産計画の表示や需給変動の検知といった「見るだけ」の操作から試すのが、安全に内製化を進める定石です。

3つ目は、属人化した例外ルールを可視化せずにAIに学習させることです。「この得意先向けは午前中のうちに生産を終える」といった暗黙のルールを言語化しないままAIに任せると、属人化がAIの中に温存されるだけで終わります。ベテラン計画担当者が退職したあとに、その判断基準が誰にも分からなくなるという事態は、内製化以前から起きている問題でもあります。

4つ目は、生産管理部門を巻き込まずにIT部門主導で進めることです。私たちの経験では、実際に設備の特性やライン特有の優先順位を一番理解しているのは現場の生産管理担当者です。設計の初期段階から巻き込まなかった案件ほど、後から「想定していた運用と違う」という声が上がりやすくなります。

私たちがBPRから入る理由

こうした失敗を避けるため、私たちAI-Pathは、生産計画・スケジューリングの内製化でも、まず業務プロセス診断(BPR)から着手することを基本にしています。代表が自作した業務整理ツールを使い、現場へのヒアリングから業務フロー・改善案・投資対効果(ROI)の試算までを、たたき台としてまず可視化する進め方です。

技術選定から始めた案件ほど、あとから「そもそも何を自動化すべきだったのか」という問いに戻ってしまう——これは、私たちが数多くの現場に関わる中でたどり着いた実感です。生産計画・スケジューリングは一見数理的に解ける業務に見えますが、ライン・得意先ごとの例外ルールを洗い出す作業を軽視すると、内製化の効果は限定的なものにとどまります。

私たちが提供している無償の業務プロセス診断(BPR)は、技術検証から始める進め方とは異なります。現場へのヒアリングを通じて、生産計画に限らず、会社全体の業務フローのどこにAIが効くかを可視化するところから始めます。技術の話に入る前に、まず「何が課題で、何を変えれば効果が出るか」を明らかにすることを優先しています。

まず試すなら

いきなり生産計画・スケジューリング全体のAI化を計画する必要はありません。私たちが推奨するのは、次の3つです。

• 現在使っている生産スケジューラ(APS)のAIエージェント機能で、どこまで対応できているかを棚卸しすること
• ライン別・得意先別の「特別対応」の計画ルールを1つだけ書き出し、誰が判断しているかを確認すること
• 生産管理システムのAPIやMCP連携が、参照のみの権限で試せる範囲を確認すること

どれも、外部への発注や大きな予算を必要としない、社内だけで今日から始められることです。私たちの経験では、この3つを1〜2週間で棚卸しできた会社ほど、その後の内製化の判断が早くなっています。AI-Pathでは、無償の業務プロセス診断(BPR)を実施しています。生産計画・スケジューリングのどこから内製化すべきか迷っている段階でも、まずは診断からご相談ください。

参考リンク

• 【2026年版】生産計画の自動化｜生成AI・APSで進化する需給調整 - エムニオウンドメディア
• 生産スケジューラとは？製造業が知っておくべき基礎知識とメリットを解説 - 最適ワークス
• 生産スケジューラーとは？おすすめ製品の価格や機能を比較 | ITトレンド