記事の要約
- 生産計画AIとは、需要や設備状況などのデータから生産の順序と量を自動で立案・修正する仕組みで、属人化した計画業務を組織の資産に変える技術です。
- 計画づくりには予測を担うAIと、条件の中で最適解を探す数理最適化の2つの技術があり、課題によってどちらが主役になるかが変わります。
- 導入の成否を分けるのは精度そのものではなく、現場データが正しく揃っているか、そして最終判断を人が握る運用を設計できているかです。
「ベテランの担当者が休むと、翌日の生産計画が誰にも組めない」。製造現場で生産計画AIへの関心が高まる背景には、こうした切実な事情があります。とはいえ、AIを入れれば計画が自動で出てくるという期待のまま検討を始めると、多くの場合データの壁にぶつかります。
本記事では、生産計画AIの仕組みと従来の生産管理システムとの違いを整理したうえで、現場に共通する3つの課題と、AI化で実際に得られる効果を説明します。あわせて、国内メーカーの導入事例、導入の5ステップと、多くの企業がつまずく注意点も具体的に示します。国の統計による客観的な現状認識と、弊社が製造業のAI開発で得た知見の両面から解説するため、自社で何から着手すべきかが判断できるようになるはずです。
目次
生産計画AIとは？従来の生産管理システムとの違い
生産計画AIとは、需要予測・在庫・設備の稼働状況・人員配置といったデータをもとに、何をいつどれだけ作るかをAIが自動で立案し、状況の変化に応じて組み替える仕組みを指します。従来の生産管理システムとの最大の違いは、計画を「入力された条件どおりに計算する」のではなく、「過去の実績から傾向を学び、条件そのものを推定する」点にあります。
従来型の生産スケジューラも、制約条件を入力すれば計画を自動生成できました。しかし、実際の現場では「この設備は段取り替えに時間がかかる」「この製品は特定の担当者でないと歩留まりが落ちる」といった、明文化されていない条件が大量に存在します。これらを人が一つずつ設定値として入力するのは現実的ではありません。生産計画AIは、こうした暗黙の条件を過去の実績データから学習して計画に織り込める点で、従来システムの限界を超える可能性を持っています。
生産計画AIという言葉は、性質の異なる2つの技術をまとめて指していることが多く、混同すると導入の設計を誤ります。1つ目が需要や所要時間を当てる予測の技術で、機械学習によって「来月この製品がどれだけ売れるか」「この工程に何時間かかるか」を推定します。2つ目が、与えられた制約の中で最も良い組み合わせを探す数理最適化の技術です。納期・設備能力・人員といった制約を満たしながら、段取り替え回数や総リードタイムを最小にする順序を計算します。実務では、この2つを組み合わせる形が主流です。予測AIが不確かな未来の数字を埋め、その数字を前提に数理最適化が実行可能な計画を作ります。自社の困りごとが「需要が読めない」ことなのか「条件が多すぎて人では組めない」ことなのかを見極めると、必要な技術が判断できます。前者であれば予測、後者であれば最適化が出発点です。
生産計画の現場に共通する3つの課題
生産計画AIの検討が進む背景には、現場の構造的な課題があります。国の統計は、その深刻さを裏づけています。製造業の就業者数は2024年の1,046万人から2025年には1,033万人へと減少しました。1年で13万人、中規模の工場が数百か所分の働き手が減った計算です。
人手の逼迫は、現場の実感としても数字に表れています。中小企業における製造業の従業員数過不足DIは2025年にマイナス17.9となり、新型コロナウイルス感染症の拡大前である2019年に近い水準まで人手不足が戻っています。人が減る一方で、多品種少量化によって計画の難易度は上がり続けているのが現状です。
現場で起きている問題は、次の3つに整理できます。
- 属人化：計画を組めるのが特定の熟練者だけで、代替がきかない
- 変更対応：飛び込み注文や設備トラブルのたびに計画を手作業で組み直している
- 部分最適：工程ごとに都合の良い計画を作り、工場全体では在庫が膨らむ
属人化がもたらす影響は、業務の停滞だけではありません。計画の根拠が個人の頭の中にあるため、なぜその順序なのかを誰も説明できず、改善の議論が成立しなくなります。人材構成の変化がこの問題を加速させています。2002年以降、製造業では34歳以下の若年就業者が減少し、65歳以上の高齢就業者が増加してきました。技能継承の取組として最も多く選ばれているのは、再雇用や勤務延長によって高年齢の従業員に継続して勤務してもらう方法で、その割合は54.8％にのぼります。半数以上の企業が、技能の継承ではなく「ベテランに残ってもらうこと」で当面をしのいでいる計算になります。
変更対応の負荷は、計画の品質を静かに下げていきます。組み直しに追われると、担当者は「とりあえず動く計画」を作ることを優先せざるを得ません。結果として、段取り替えの多い非効率な順序が常態化します。そして部分最適は、工程間の在庫として表面化します。各工程が自工程の稼働率を上げようとするほど、工程間に仕掛品が滞留し、キャッシュフローを圧迫する構図です。
参照元：経済産業省・厚生労働省・文部科学省「2026年版ものづくり白書」（2026年5月公表。DIは中小企業庁「中小企業景況調査」2025年12月、技能継承の割合はJILPT「ものづくり産業における雇用・定着と技能継承に関する調査」2026年5月による）
生産計画をAI化する4つのメリット
結論として、生産計画AIの効果は「計画を速く作れる」ことよりも、「計画を作り直せるようになる」ことに現れます。人手では1日がかりだった再計画が数分で回せるようになれば、変更を前提とした運用に切り替えられるためです。主なメリットを、現場で起きる変化とあわせて整理します。
| メリット | 現場で起きる変化 | 効果が出やすい条件 |
|---|---|---|
| 立案時間の短縮 | 計画作成が数時間から数分単位になる | 制約条件をデータで表現できている |
| 属人化の解消 | 担当者以外でも計画を提示・検証できる | 過去の計画実績が蓄積されている |
| 全体最適の実現 | 工程単位でなく工場全体で在庫と納期を評価できる | 工程間のデータがつながっている |
| シミュレーション | 複数案を比較して意思決定の根拠を残せる | 評価指標が事前に決まっている |
とくに見落とされがちなのが4つ目のシミュレーションです。AIが出した案をそのまま採用しなくても、「この条件ならこうなる」という比較を短時間で作れること自体に価値があります。増産の可否を営業と検討する場面や、設備投資の判断根拠を経営層に示す場面で、数字に基づいた議論ができるようになります。計画業務が「作業」から「意思決定の支援」へ性質を変える点が、本質的な効果といえます。
生産計画AIの活用事例｜国内メーカーの導入例と弊社の開発事例
生産計画AIの導入は、いきなり全工程の自動立案を狙うのではなく、対象を絞って段階的に進むケースがほとんどです。全体を一度に置き換えようとすると検証範囲が広がりすぎ、うまくいかなかったときに原因を特定できなくなるためです。
最も効果が見えやすいのは需要予測と計画立案を接続する領域で、天候や季節、販促の有無によって出荷量が大きく変動する製品では、予測AIが外部要因を含めて需要を推定し、その結果を計画に反映できれば、安全在庫を過剰に積む必要がなくなります。需要予測そのものの進め方については「需要予測AIとは？導入メリットと活用事例・失敗しない選び方」で詳しく解説しています。ここでは、公表されている国内メーカーの導入事例と、弊社が関わった関連事例を順に紹介します。
国内メーカーの導入事例：立案時間の短縮・省エネ計画・属人化の解消
ニチレイ・アイス（日立製作所と協創、2025年10月発表）は、季節変動の大きい包装氷を対象に、生産・輸送・在庫の3つの計画をAIで自動作成する仕組みを導入しました。生産能力など40を超える制約条件を考慮し、約10個の相反するKPIを最適化した計画を数理最適化で立案する構成で、計画立案にかかる時間を約70％削減したと公表されています。3つの計画を連携させている点が、部分最適を避ける設計の参考になります。
住友化学は日立製作所と共同で、エネルギー消費の低減を織り込んだ生産計画の自動立案システムの実証を2025年3月から千葉工場・袖ケ浦地区で開始しました。日立の計画連携エンジン「TSPlanner」を用いて、生産計画とエネルギー計画の双方に調整案を提示する仕組みで、事前検証ではエネルギー消費量を一定量削減できることを確認したとされています。生産性だけでなく省エネという評価軸を同時に扱う点が、今後の生産計画AIの方向性を示す例です。
日本触媒は姫路製造所の高吸水性樹脂（SAP）の生産計画にALGO ARTISの計画最適化ソリューション「Optium」を導入し、課題であった属人化の解消や在庫リスクの抑制に寄与したと公開インタビューで語っています。同じソリューションは関西電力の舞鶴発電所の燃料運用計画にも使われ、複雑な計画を非熟練者でも短時間で策定できるようになったとされています。定量的な削減率が公表されていない事例もありますが、「熟練者しか組めなかった計画を、誰でも組める状態にする」という効果は、本記事で述べた属人化の課題に直接対応するものです。
参照元：日立製作所「AIを活用しサプライチェーン計画業務を最適化するシステムをニチレイフーズグループのニチレイ・アイスに導入」（2025年10月15日）／日立製作所「日立と住友化学、AIを活用し、エネルギー消費の低減・最適化を図る生産計画の自動立案システムの実用化に向け、実工場での検証を開始」（2025年3月27日）／ALGO ARTIS「計画最適化ソリューション『Optium』の活用で生産性向上や属人化解消を実現した関西電力様、日本触媒様の担当者インタビューを公開」（2023年3月28日）
弊社の関連事例：計画の前提となる現場データの自動取得
計画AIの入口としてもう一つ有効なのが、計画の入力になるデータを自動で集める仕組みづくりです。実績が紙の日報にしか存在しない状態では、どれだけ高度なAIを用意しても学習させる材料がありません。弊社が細胞・遺伝子治療分野のCDMOであるCyto-Factoに提供したAI-OCRの開発は、この課題に直接取り組んだ事例です。通信機能のない機器の液晶パネルや制御PCの画面を作業員が手作業で記録していた状況に対し、画像からデータを読み取ってMESやLIMSへ自動入力する仕組みを検討しました。サンプル画像では100％の認識精度を達成し、GMP対応を見据えた修正履歴管理機能の設計にも着手しています。計画の高度化は、こうした足元のデータ化から始まります。
参照元：株式会社EQUES「AI-OCRで製造現場の記録を自動化｜Cyto-Factoの導入事例」
失敗しない生産計画AI導入の5ステップと注意点
生産計画AIの導入は、技術選定よりも準備段階の設計で決まります。弊社が製造業のPoCで踏んでいる手順は次のとおりです。
- 対象ラインと工程を1つに絞る
- 現状の計画立案時間と在庫水準を実測し、比較の基準を作る
- 入力に使えるデータを棚卸しする（実績・制約条件・例外処理）
- 小さな範囲でAIの提案と熟練者の計画を突き合わせて検証する
- 採用条件と撤退条件を決めたうえで運用に移す
データ整備が成否の大半を決める
実務で最も時間がかかるのは、モデルの開発ではなくデータの整備です。同じ品番が拠点ごとに別の名前で管理されていたり、段取り替え時間が標準値のまま何年も更新されていなかったりすることは珍しくありません。こうした状態でAIを動かすと、現場の実感と合わない計画が出力され、一度で信頼を失います。経済産業省も、製造現場の加工・稼働データから成る製造データベースを整備し、AIモデルを実装した製造プラットフォームの開発を支援する「製造AX拠点」の立ち上げを検討しており、データ基盤の整備が個社の課題にとどまらないことを示しています。着手前に、どのデータがどの精度で存在するかを必ず確認してください。
最終判断は人に残す設計にする
もう一つの注意点は、運用の設計です。AIが出した計画をそのまま確定させる仕組みにすると、現場は例外への対応手段を失い、かえって混乱します。現実的なのは、AIが複数案を提示し、計画担当者が根拠を確認して選ぶ形です。この形であれば、担当者は自分の判断を残しながら作業時間だけを削減できるため、導入への抵抗が生まれにくくなります。あわせて、AIの提案を採用しなかった理由を記録できるようにしておくと、その蓄積が次の改善材料になります。
弊社は東京大学松尾研発のスタートアップとして、製造業のAI活用を伴走型で支援しています。熟練技術者の暗黙知をどうシステム化するかという課題については、SOLIZE PARTNERS株式会社にAI PoCサービス「ココロミ」を提供し、形状データから設計ナレッジを自動提案するAIが開発現場で活用できる水準に達することを確認しました。生産計画の領域でも、まずはどの工程から手を付けるべきかの見極めからご一緒できます。日々のAI・DXの疑問を相談したい段階であれば、月額20万円で相談し放題の「AI×DX寺子屋」もご利用いただけます。製造業全体のAI活用については「製造業のAI・生成AI活用事例｜失敗しない導入とROIの考え方」、検証の進め方は「PoC支援とは？失敗を防ぐPoC支援サービスの選び方と導入事例」もあわせてご覧ください。
生産計画AIに関するよくある質問
Q. 生産計画AIと生産スケジューラは何が違いますか？
スケジューラは入力された制約条件どおりに計画を計算する仕組みで、条件の設定は人が行います。生産計画AIは過去の実績から条件そのものを学習できる点が異なり、明文化されていないノウハウを計画に反映しやすくなります。
Q. データが紙の日報しかありませんが、導入できますか？
そのままでは学習させる材料が不足します。まずは実績データを電子的に取得する仕組みから着手するのが現実的です。AI-OCRなどで記録を自動化する工程が、結果として最短経路になる場合があります。
Q. 導入効果はどのように測ればよいですか？
計画立案にかかる時間、計画の変更回数、工程間在庫の金額といった指標を、導入前に実測しておくことが前提です。比較の基準がないまま始めると、効果の有無を誰も判定できなくなります。
Q. 中小規模の工場でも効果はありますか？
対象を絞れば規模に関わらず効果は見込めます。むしろ計画担当者が1名しかいない企業ほど、属人化の解消という点で得られる価値は大きくなります。
まとめ
生産計画AIは、人手不足と多品種少量化が同時に進む製造現場にとって、計画業務を個人の技能から組織の仕組みへ移すための有力な選択肢です。ただし、その効果はデータの整備状況と運用設計に大きく左右されます。本記事の要点は次のとおりです。
- 生産計画AIは予測と数理最適化の組み合わせであり、自社の課題によって主役となる技術が変わる
- 属人化・変更対応・部分最適という3つの課題に対し、再計画を高速に回せることが最大の効果になる
- 導入は対象工程を絞り、データ棚卸しと評価基準の設定から始める。最終判断は人に残す
生産計画のAI化は、一足飛びの自動化ではなく、現場のデータを整えるところから始まる地道な取り組みです。どこから着手すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。
生産計画AIの導入をご検討の方へ
どの工程から着手すべきか、データの棚卸しと評価基準の設計からご一緒します。
