生産計画・スケジューリングにAIをどう使うか｜制約条件の設計とAPS導入で失敗する4パターン

生産計画のAI化でつまずくのは、アルゴリズムではなく制約の言語化

多品種少量化と短納期化が進むなかで、生産計画の作成は年々難しくなっています。受注が確定するタイミングは遅く、部材の入荷は揺れ、設備と人の空きは日々変わる。それでも計画は毎日組み直さなければならず、実際にはごく限られた担当者が経験で組み立てている、という工場は少なくありません。

この状態に対して「AIで生産計画を最適化する」という提案は自然に見えます。しかし導入プロジェクトで最初に詰まるのは、多くの場合アルゴリズムの選定ではありません。「この工場で守らなければならない条件は何か」を書き出す作業です。段取り替えの順序、金型や治具の数、資格を持つ作業者の割り当て、同時に流せない品種の組み合わせ。これらは現行の計画担当者の頭の中にあり、どこにも文書化されていないことが普通です。書き出されていない条件は、どんな手法を使っても計画に反映されません。

本記事では、生産計画・スケジューリングにAIを使う際の設計を、制約条件の整理を軸に整理します。計画の3階層の分け方、ハード制約とソフト制約の切り分け、解き方の使い分け、そして「導入したが使われない」に終わる典型パターンまでを扱います。

この記事が扱う範囲と、扱わない範囲

生産計画は3階層に分かれる ― 需給計画／基準生産計画／詳細スケジューリング

「生産計画」という言葉は、実務では3つの異なる意思決定をまとめて指しています。AI化の議論が噛み合わないとき、多くは関係者が違う階層の話をしています。まず自社の課題がどの層にあるかを特定することが出発点です。

階層ごとに解く問題と、意思決定の周期

需給計画で扱うのは能力の構え方であり、予測の精度が効きます。基準生産計画は数量と時期の決定で、部材の手配と直結します。詳細スケジューリングは順序と割り当ての問題で、組合せの数が爆発的に増えるため人手では最適化しきれません。AIの効き方が層ごとに違うという点が重要です。需給計画では需要予測、詳細スケジューリングでは組合せ最適化が中心になり、必要なデータも評価指標も別のものになります。

「計画がすぐ崩れる」の原因は、階層のズレにある

現場でよく聞かれる「計画を作っても午前中に崩れる」という状態は、詳細スケジューリングの精度の問題として持ち込まれがちです。しかし原因が上の階層にあることも多くあります。基準生産計画が能力を無視した数量で降りてくれば、詳細スケジューリングは最初から実行不能な条件で解かされます。逆に、需給計画の段階で能力の構えを外していれば、週次の計画で調整できる幅は残りません。

そのため、着手前に「どの層の計画が、どの層の計画をどれだけ拘束しているか」を確認します。上位計画が守られていないなら、そこを直さずに下位の最適化を導入しても効果は出ません。この見極めは業務プロセスの棚卸しと同じ作業なので、業務プロセスの棚卸しの手順を計画系に当てはめて進めると整理しやすくなります。

制約条件の設計 ― ハード制約とソフト制約を切り分ける

計画をAIに解かせるとき、最も工数がかかり、最も成否を左右するのが制約条件の整理です。ここを飛ばすと、出てくる計画は「理屈は通っているが現場では流せないもの」になります。

制約は2種類に分けます。ハード制約：違反すると計画が成立しないもの。設備の能力、同時に使えない治具、資格を持つ作業者しか扱えない工程、危険物の同時取り扱い禁止、確定納期など。ソフト制約：守れると望ましいが違反しても計画は動くもの。段取り替えの回数を減らしたい、同じ色や材質をまとめて流したい、特定のラインに寄せたい、残業を避けたい、など。

この切り分けは、輸配送の最適化で「絶対に守るべき制約」と「できれば優先したい選好」を分ける考え方と同じ構造です。実際に配車最適化でベテランの暗黙知を制約と選好に分解する手順が整理されており、対象が設備と工程に変わっても進め方は流用できます。

制約の棚卸しの進め方

制約は「教えてください」と聞いても出てきません。担当者にとっては当たり前すぎて、条件として認識されていないためです。実務的には次の順序が機能します。

1. 過去の計画実績から逆に引く。 直近数ヶ月の実際の投入順序を並べ、「なぜこの順序なのか」を1件ずつ確認する。順序に理由がある箇所が制約の候補になる
2. 計画変更の履歴を見る。 一度組んだ計画を組み替えた事例には、必ず変更の理由がある。これは例外処理のルールとして表に出る
3. 不成立の事例を集める。 「この組み合わせは流せない」という失敗の記憶は、ハード制約として最も確度が高い
4. ハード／ソフトを判定し、ソフトには重みを付ける。 「できれば」の条件同士がぶつかったときにどちらを優先するかを、担当者と合意して数値にする

目的関数は複数ある ― 何を優先するかを先に決める

生産計画には、互いに競合する評価軸が同時に存在します。納期遵守率を上げようとすれば段取り替えが増え、段取り替えを減らそうとすればロットが大きくなって仕掛在庫が増える。稼働率を最大化すると、変動に対する余裕がなくなります。

したがって「最適化する」という合意だけでは設計に落ちません。どの指標を主目的に置き、どの指標をどこまで許容するかを、生産管理・製造・営業の間で先に決めます。この合意を取らずに進めると、出力された計画に対して部門ごとに違う不満が出て、評価そのものができなくなります。

解き方の選択 ― ルールベース／数理最適化／メタヒューリスティクス／機械学習

制約と目的が定まってはじめて、解き方の議論に入れます。手法は大きく4つに分かれ、データ量・計算時間・説明性の要求で選び分けます。

4アプローチの比較

実務では組み合わせて使います。標準時間や段取り時間を機械学習で予測し、その値を入力として数理最適化やメタヒューリスティクスで順序を決める、という構成が典型です。機械学習だけで生産計画は組めません。制約を守ることは最適化の役割であり、学習の役割ではないためです。

需要予測とスケジューリングは、別の問題として設計する

「AIで生産計画」という括りで語られると、需要予測とスケジューリングが同じプロジェクトに混在しがちです。この2つは、必要なデータ・評価指標・成果が出るまでの期間がいずれも異なります。需要予測は過去の出荷実績と外部要因を使い、予測誤差で評価します。スケジューリングはマスタと制約を使い、計画の実行可能性と目的関数の値で評価します。

分けずに進めると、「予測が外れたからスケジューラが使えない」「スケジューラの結果が悪いのは予測のせい」という切り分け不能な状態に陥ります。着手時点で別のワークストリームとして設計し、接続点（予測値をどの粒度でいつ渡すか）だけを合意しておくのが実務的です。

APS導入が「使われない」に終わる4パターン

生産スケジューラやAPSの導入は、システムが動いたのに使われないという形で失敗することが多くあります。典型は4つです。

① 現行計画のロジックを棚卸しせずにパッケージを入れる

製品の標準機能に自社の制約が入りきらず、結果として「参考値」として出力されるだけになります。担当者は従来どおり手作業で組み直し、二重管理になります。回避策は、選定の前に制約の棚卸しを終え、どの制約が標準機能で表現できるかを判定材料に入れることです。

② 計画変更のサイクルが業務側と合っていない

計算に時間がかかり、朝の変更に間に合わない。あるいは、変更のたびに全体を組み替えるため、現場の作業指示が毎回入れ替わる。前者は使われず、後者は嫌われます。部分再計画（変更の影響範囲だけを組み替える）とロックの仕組みを要件に入れるかどうかで、運用の可否が変わります。

③ 実績が計画の粒度で返ってこない

計画は工程単位で立てているのに、実績は日単位の生産数しか取れない。この状態では計画の精度を評価できず、標準時間のズレも直せません。計画のAI化は、実績データの粒度をそろえる作業と不可分です。設備側からデータが上がってこないのであれば、PLC・SCADAからのデータ収集方式の選定が先に必要になります。

④ 計画担当者の役割を再定義していない

最も見落とされるのがこれです。計画を組む作業が自動化されると、担当者の仕事は「組むこと」から「制約を維持し、例外を判断し、結果を評価すること」に変わります。この再定義をしないまま導入すると、担当者は自分の仕事が否定されたと受け取り、システムの出力を採用しない理由を探すようになります。役割の設計は導入後の課題ではなく、要件定義と同時に進めるべき論点です。

導入の進め方 ― 5ステップと効果測定

5ステップの全体像

先行させるのはデータ整備ではなく、制約の棚卸し

このステップ順で重要なのは、Step 2（制約）がStep 3（データ）より前にあることです。データ整備から始めると、何に使うか決まらないまま広範囲を集めることになり、工数が膨らみます。制約と目的が決まっていれば、必要なマスタと実績の範囲が絞れます。データ側の設計を進める場合も、ユースケースから逆算する原則は共通で、工場のデータ連携をユースケースから逆算する考え方がそのまま当てはまります。

なお、Step 4で試算まで進んだあと本番運用に移す局面では、精度以外の要件（データ供給の継続性、責任分界、障害時の代替手段）が論点になります。ここは領域を問わず共通なので、PoCを本番化する条件チェックリストで確認するのが早道です。

何をKPIに置くか

計画のAI化では、「担当者が計画作成に使っていた時間」を必ず測ります。目的指標が改善していなくても、立案リードタイムが短縮していれば変動への対応力は上がっています。逆にここが改善していなければ、二重管理が起きている疑いがあります。効果を投資判断の言葉に変換する必要がある場合は、DX投資の稟議の組み立て方を併せて参照してください。

まとめ：生産計画のAI化は「制約を書き出す作業」から始まる

• 「生産計画」は需給計画・基準生産計画・詳細スケジューリングの3階層。どの層の問題かを先に特定する
• 計画がすぐ崩れる原因は、下位の最適化精度ではなく上位計画とのズレにあることが多い
• 最も工数がかかり成否を分けるのは制約の棚卸し。ハード制約とソフト制約を切り分け、ソフトには重みを付ける
• 目的は互いに競合する。主目的を1つに決め、許容範囲を部門間で合意しておく
• 手法は組み合わせて使う。機械学習は予測を担い、制約充足は最適化が担う
• 使われない4パターンは、標準機能とのズレ・再計画サイクル・実績の粒度・計画担当者の役割の再定義漏れ

生産計画のAI化は、計画を作る作業を機械に置き換える取り組みではありません。頭の中にあった制約を全員が読める形にし、計画担当者の仕事を「組む人」から「制約と例外を設計する人」へ移す、業務プロセスの再設計です。着手の第一歩は、直近数ヶ月の投入順序を並べて「なぜこの順序なのか」を1件ずつ確認することから始まります。

工程全体の進め方を通しで確認したい場合はAI×BPRの進め方（9工程）、As-Is/To-Beの設計手順から確認したい場合はBPRの進め方を参照してください。

次に読む記事