AI需要予測プロジェクトが失敗した本当の理由
AI時代のBPRにおける取組みの失敗パターン
これからお話しする話はフィクションです。しかし読み終えたとき、「これはうちの会社で起きていることと同じではないか」と感じる方が、少なからずいらっしゃるのではないでしょうか。近年、予測AIや生成AIの導入が一気に身近になったことで、この種の取り違えは、以前にも増して頻繁に起きるようになりました。
ある製造業の経営会議。社長の一言から、そのプロジェクトは動き出しました。
「AIで需要予測できないか。販売予測の精度が上がれば、在庫も減らせるし、欠品も防げるはずだ」
この一言をきっかけに、SCM部門を中心としたAI需要予測プロジェクトが立ち上がりました。
会社としても、在庫削減は長年の課題でした。営業からは「在庫が足りず、販売機会を逃している」という声が上がる一方で、経理からは「在庫が多すぎて資金効率が悪い」と指摘されていました。工場からは「急な計画変更が多く、生産が安定しない」という不満もありました。つまり、需要予測の精度を上げることは、誰にとっても重要なテーマと考えられていました。
当時の業務は以下の様に回っていました。
毎月、営業部門が得意先別・商品別の販売予測を提出します。需給担当者は、その予測をExcelで集計し、過去実績や在庫状況を見ながら生産計画を作成します。その後、営業、SCM、工場を交えた会議で内容を確認し、修正が入ります。工場側から「この数量は生産能力的に厳しい」と言われれば再調整し、営業側から「この得意先向けは減らせない」と言われれば、さらに修正します。一度で決まることはほとんどありません。会議、修正、再会議。この繰り返しです。
【図1】現状の需要予測・生産計画業務の流れ
プロジェクトの構想はシンプルでした。「この販売予測を、AIで自動作成してしまおう」。過去の出荷実績や季節性をAIに学習させれば、営業が手作業で積み上げるよりも精度の高い予測が、しかも自動で手に入るはずだ。ベンダーのデモ画面に表示された滑らかな予測カーブを前に、立ち上げ当初は誰もが手応えを感じていました。
ところが、検討を進めるうちに、少しずつ違和感が出てきました。
営業部門は言います。「AIの予測は参考にはします。ただ、得意先との商談状況までは分からないですよね。結局、最後は営業が見て修正することになると思います」
需給担当者は言います。「AIが予測を出してくれても、結局それをそのまま使えるわけではありません。得意先事情や在庫状況を見て、最後は手修正する必要があります」
工場は言います。「AIの予測精度が上がったとしても、生産能力が急に増えるわけではありません。多品種小ロットの計画が増えれば、むしろ現場は混乱します」
ある月の需給会議。試験的に作成したAI予測をスクリーンに投影してみたものの、営業からは「この数字は、いま現場で起きている動きを知らない」と一蹴され、結局は従来どおり営業が手で積んだ数字をもとに議論が進みました。最新のAIモデルを導入しても、誰一人としてその予測を使おうとしない。既存の業務フローの横に「AI予測」という新しい数字が一つ増えただけで、現場の意思決定は何ひとつ変わらなかったのです。
【図2】AI予測が追加されただけで業務が変わらない構造
問題は「予測精度」ではなかった
なぜ、このAI需要予測プロジェクトは期待した成果を出せなかったのでしょうか。一見すると、原因はAIの予測精度にあるように見えます。
「もっと精度の高いAIモデルが必要だったのではないか」
「より多くのデータを入れれば良かったのではないか」
「アルゴリズムの選定が悪かったのではないか」
もちろん、AIの精度は重要です。データの質も重要です。モデルの設計も重要です。しかし、この事例の本質はそこではありません。問題は、需要予測の精度ではなく、需要予測を使って誰が何を決めるのかが設計されていなかったことです。
営業部門には営業部門の事情があります。売上目標を達成したい。得意先に迷惑をかけたくない。競合に棚を取られたくない。だから、販売予測はどうしても強気になりがちです。
工場には工場の事情があります。生産を安定させたい。段取り替えを減らしたい。急な計画変更を避けたい。だから、販売側の急な増減には慎重になります。
SCM部門にはSCM部門の事情があります。在庫を減らしたい。しかし欠品も避けたい。営業と工場の間に立ち、全体最適を考えなければならない一方で、最終的な責任をどこまで負うのかは曖昧なままです。
営業は「売上を積みたい」。
工場は「生産を安定させたい」。
SCMは「在庫を減らしたい」。
それぞれの主張は、部門の立場から見れば正しいものです。しかし、それらがぶつかったときに、会社としてどの基準で判断するのかが決まっていなければ、AIがどれだけ精度の高い予測を出しても、意思決定は前に進みません。
【図3】営業・工場・SCMの利害が交差する構造
ここに、AI時代のBPRで見落とされがちな問題があります。
問題はAIの性能でも、アルゴリズムの巧拙でもありませんでした。営業の「売上を積みたい」、工場の「生産を安定させたい」、SCMの「在庫を減らしたい」——この組織間の意思決定構造そのものに、手がつけられていなかった。これが、このプロジェクトが失敗した本当の理由です。
仕組み化とは、意思決定を構造化すること
では、何をすべきだったのか。鍵は「仕組み化」という言葉の捉え直しにあります。
業務の中には、判断のポイントが数えきれないほど存在します。たとえば——
- 欠品リスクが生じたとき、限られた在庫をどの得意先に優先して割り振るのか。
- 在庫がある水準を下回ったとき、どのタイミングで追加発注をかけるのか。
- 倉庫間で横持ち運賃をかけてでも、在庫を移動させるべきか。
- 急な需要増に対して、残業で対応するのか、派遣を増やすのか、外注に回すのか。
これらの判断が個々人の経験と勘に依存している限り、「誰がやっても同じ結果になる」状態は、決して訪れません。担当者が代われば、判断の質も結果も変わってしまうからです。ベテランが異動した翌月に欠品が増える、といった事態は、その典型です。
【図4】SCM業務に存在する主な判断ポイント
仕組み化の本質は、マニュアルを増やすことではありません。
もちろん、手順書やルールは必要です。しかし、手順書をいくら整備しても、判断の基準が曖昧なままでは、実務は属人化します。
本当に必要なのは、意思決定を構造化することです。
- どの情報を見て判断するのか。
- 誰が一次判断をするのか。
- どの条件を満たしたら上位者にエスカレーションするのか。
- 営業、工場、SCMの意見が食い違ったとき、最終的にどの基準で優先順位を決めるのか。
- 欠品リスク、在庫金額、生産効率、得意先重要度をどう重みづけするのか。
こうした判断の構造が共有されて初めて、AIの出す予測値は業務の中で意味を持ちます。
AI需要予測が出した数字を、そのまま使うかどうかが重要なのではありません。その予測値を見たうえで、人がどのように判断するのか。その判断をどのルールに基づいて行うのか。そこまで設計されていなければ、AIは単なる参考情報で終わります。
特にSCMでは、在庫責任の話が前面に出た瞬間に、議論が止まりがちです。
在庫を多く持てば、欠品リスクは下がります。しかし、在庫金額は増えます。在庫を減らせば、資金効率は良くなります。しかし、販売機会を逃すリスクは高まります。営業に責任を持たせれば、販売機会を重視します。工場に責任を持たせれば、生産安定性を重視します。SCMに責任を持たせれば、全体最適を求められますが、営業や工場をどこまで動かせるのかという問題が残ります。
つまり、在庫の問題は単なる数値管理ではありません。責任と権限の設計の問題です。
ここを曖昧にしたままAI需要予測を導入しても、現場はこう考えます。
「AIの数字は分かりました。でも、それに従って欠品したら誰の責任ですか」
「AIが在庫削減を提案しています。でも、得意先に迷惑をかけたら誰が説明するのですか」
「AIが増産を示しています。でも、工場の負荷が高まった場合、誰が調整するのですか」
この問いに答えられない限り、AIは使われません。
AI時代のBPRとは、業務を自動化することではありません。人が何を判断し、どのルールで意思決定するのかを再設計することです。
需要予測AIを導入するなら、同時に見直すべきことがあります。
- 営業予測は何のために提出するのか。
- AI予測と営業予測が異なる場合、どちらを優先するのか。
- 生産能力制約を誰がどのタイミングで反映するのか。
- 欠品リスクと在庫削減のどちらを優先するのか。
- 例外判断は誰が行い、どのように記録するのか。
- 判断結果を次回の予測や計画にどうフィードバックするのか。
ここまで設計して初めて、AIは業務に組み込まれます。
逆に言えば、AIを導入すること自体はBPRではありません。AIをきっかけに、これまで曖昧だった判断基準、責任分担、部門間の調整ルールを見直すことこそが、AI時代のBPRです。
今回のプロジェクトが失敗した本当の理由は、AIの精度が低かったからではありません。営業が悪いわけでも、工場が非協力的だったわけでも、SCM部門の努力が足りなかったわけでもありません。問題は、会社としての意思決定構造を変えないまま、AIだけを現行業務に追加しようとしたことです。
AIは、曖昧な責任分担を解決してくれるわけではありません。AIは、部門間の利害対立を自動的に調整してくれるわけではありません。AIは、会社として何を優先するのかを決めてくれるわけではありません。
それを決めるのは、人であり、経営であり、業務を設計するリーダーの役割です。
AI時代のBPRが問うているもの
【図5】AI時代のBPRは、業務自動化ではなく意思決定再設計である
AI需要予測プロジェクトが失敗した本当の理由。それは、予測精度の問題ではなく、予測を使った意思決定の仕組みがなかったことです。
AI時代のBPRで問われるのは、どのAIを使うかではありません。AIによって見えるようになった情報を使い、誰が、何を、どの基準で決めるのか。そして、その判断を組織として再現可能な形にできるのか。
この問いに向き合わない限り、AI活用は現場に新しい数字と新しい確認作業を増やすだけで終わってしまいます。
BPRとは、業務を少し便利にする活動ではありません。業務の流れ、役割、責任、判断基準を見直し、会社として成果が出る仕組みに作り替える活動です。
AIを導入する前に、まず問うべきことがあります。
そのAIは、どの意思決定を変えるために使うのか。
この問いに答えられるかどうかが、AI時代のBPRの成否を分けるのです。
TKコンサルティングでは、これまで業務改革、DX推進、システム刷新、要件定義など、さまざまなBPRに関わるプロジェクトを支援してきました。
BPRで重要なのは、単に業務を効率化することでも、システムやAIを導入することでもありません。現場で起きている課題を丁寧に整理し、業務の流れ、役割分担、データ、判断基準を見直し、組織として成果が出る仕組みに作り替えることです。
しかし実際のプロジェクトでは、部門ごとの利害がぶつかり、誰が何を決めるのかが曖昧なまま議論が進んでしまうことも少なくありません。だからこそ、客観的な立場から課題を整理し、関係者の認識をそろえ、実行可能な形に落とし込んでいく伴走支援が重要になります。TKコンサルティングは、BPRの構想づくりから、業務課題の整理、要件定義、業務フロー・データ・運用設計、関係者との合意形成まで、お客様の状況に合わせて伴走します。
AIやデジタル技術を活用した業務改革を検討しているものの、何から着手すべきか分からない、部門間の調整が進まない、システム導入が目的化していると感じていたら、ぜひ一度ご相談ください。