エージェントスキルによるサプライチェーン最適化: 需要予測から統合事業計画まで

エージェントスキルによる サプライチェーン最適化 需要予測から統合事業計画まで 小林 和博（青山学院大学 / MOAI Lab CAIO） MOAI Forum 2026 研究部会

本講演の位置づけ 前の講演の続きとして、サプライチェーン領域への応用を扱います 前の講演：スキルとは何か、どう作るか ＝ 器 本講演：そのスキルに何を詰めるか ＝ 中身 – SCMの各領域には、数十年蓄積された数理最適化エンジン群がある – それを自然言語のひと言で選択・起動できる形に再パッケージする – 領域横断のスキルを束ねたS&OP自動オーケストレーション ＝ 次世代IBP 2

目次 需要予測から統合事業計画まで、4部構成 第1部 なぜ SCM にエージェントスキルなのか 第2部 実行系スキル：予測・在庫・生産・配送 第3部 戦略系スキル：ネットワーク・リスク・収益 第4部 統合：S&OP オーケストレーションと次世代 IBP – 付録：各領域の定式化、実行画面、詳細事例 3

第1部 なぜ SCM にエージェントスキルなのか 4

SCM の意思決定は「縦割り」に分断されている スキルの仕組み 領域ごとに専用システムを構築するアプローチの限界 – 予測・在庫・生産・配送・NW設計・リスク・収益 — それぞれ独立した研究系譜 – モジュールごとに異なるデータモデル、操作画面、出力形式 – システム上は統合されていても、データ連携と部門間調整の負担が残る 「使うために専門家が要る」→ 結局は表計算と経験則に戻ってしまう 5

スキルは「業務の依頼窓口」として設計されている スキルの仕組み 利用者が自然言語で依頼できる内容 スキル 自然言語で依頼できる内容 需要予測 品目別・拠点別の需要を予測し、誤差・信頼区間・シナリオを評価する 在庫分類 重要度と需要変動の観点から品目を分類し、特性を可視化する 在庫最適化 発注点、発注量、安全在庫、補充方策をまとめて検討する 生産計画 ロットサイズ、能力制約、段取り、詳細スケジュールを整合させる シフト計画 人員の勤務条件と必要能力を満たす勤務表を作成する 配送計画 顧客、車両、時間枠、積載制約を考慮したルートを作成する 物流NW設計 拠点配置、輸送経路、サービス範囲、総コストを評価する サービスNW設計 ハブ配置、便の運行頻度、荷物の経路を一体で検討する 途絶リスク分析 拠点停止や輸送途絶が供給能力に与える影響を評価する 収益管理 需要、価格、在庫、供給制約を踏まえて収益を最大化する 統合事業計画 予測、在庫、生産、配送をまたいで整合した計画を作成する 6

スキルが実行していること スキルの仕組み 利用者が書くのは①だけ。②〜⑤はエージェントとスキルが担う 依頼から結果までの流れ スキルに埋め込まれたふるまい ① 利用者が自然言語で依頼する ② 依頼から、呼ぶスキルと解くべき問題型を決める 結果から対話を始める – 既定データで走らせ、まず叩き台を返す – 結果を見て「ここを変えたい」と言えばよい エージェント自身には計算させない – その場でコードを書かせず、 – テスト済みの計算基盤に委ねる → 正しさ・数値安定性・処理時間を担保 出力は次工程が使える構造で返す → 第4部の連鎖を可能にする ③ 入力を組み立てる – 前処理・欠損補完・既定値の補完 ④ 専門計算基盤を起動して解く ⑤ 結果を解釈して説明し、次のスキルへ渡す 7

そう振る舞うように、どう作ったか スキルの仕組み 前の講演のスキルの作り方を SCM 領域に落とすときに決めたこと ① 粒度は「業務単位」で切る – 「EOQ を計算するスキル」ではなく「在庫最適化スキル」 – 利用者は解法名では依頼しない。業務の言葉で依頼する ② description には「呼ぶべき場面」を書く – できることの列挙だけでは誤起動が増える ③ 詳細は参照ファイルへ追い出す – 本文は起動判断と手順だけ。細部は必要になってから読ませる ④ 出力形式を先に決める – 領域をまたぐ連鎖は、出力規約が揃っていて初めて成立する 8

SKILL.md の骨組み スキルの仕組み 中身はドメインごとに違うが、節の構成は共通にしてある 節の構成 各節の役割 --- メタデータ – エージェントが起動を判断する唯一の材料 name: 業務名 description: 何ができるか ＋どんな依頼で呼ぶか --- 即時実行のルール – 質問で止めず結果を返す／計算は専門基盤へ 意図と機能の対応表 – 業務の言葉と、内部機能の対応 ## 即時実行のルール ## 意図と機能の対応表 ## 入出力の形式 ## 参照ファイルの案内 入出力の形式 – スキル間で揃える。連鎖の前提 参照ファイル – 詳細は必要になってから読み込む 9

第2部 実行系スキル：予測・在庫・生産・配送 10

予測の4つの公理 需要予測 需要予測を実務で使うための基本姿勢 ① 予測は予測のためならず – 目的ではなく、後続の意思決定を支える手段。誤差が欠品にどう効くかを見る ② 予測は外れるもの – 的中ではなく「外れ方」を継続的に管理する ③ 集約すれば精度が上がる – 時間軸・商品軸・地域軸。ただし集約の粒度は用途で決める ④ 近い未来ほど予測しやすい – 遠い先ほど粗い粒度へ 11

依頼はこの一文だけ 需要予測 「ある電動アシスト自転車メーカーの直近24か月の機種別月次出荷実績 （製品ライフサイクルと季節性を含む）から、来期12か月の機種別需要を予測してほしい。 可能なら ABC 別の予測誤差サマリも合わせてほしい」 利用者が指定したのは、データと欲しいアウトプットだけ 予測手法も、平滑化係数も、季節周期も、ABC の閾値も指定していない それらはスキルが判断する。次ページがその実行画面 12

実例：電動アシスト自転車の機種別需要予測 需要予測 ひと言の依頼から、12機種・来期12か月の予測までを自動実行 13

その依頼が返した予測結果 需要予測 前ページの実行が出力した、来期12か月の需要（12機種の合計） 月 予測（台） 月 予測（台） 1月 145,551 7月 170,667 2月 149,737 8月 174,853 3月 153,923 9月 179,039 4月 158,109 10月 183,225 5月 162,295 11月 187,411 6月 166,481 12月 191,598 → 月あたり約 3,700 台ずつ増加するトレンドを検出。ライフサイクルと季節変動を分離している。 14

使用例：8,400 SKU の在庫方策総点検 在庫 重要度と需要変動の2軸で分け、区分ごとに適した方策を当てる 重要度が高いほど手厚く監視し、需要変動が大きいほど発注量を可変にする 変動 小（X） 変動 中（Y） 変動 大（Z） 重要度 高 （A） 連続レビュー (Q,R) Q は EOQ ベース 連続レビュー (s,S) 安全在庫を需要CVで増減 — 重要度 中 （B） 周期レビュー (R,S) レビュー周期 1週 周期レビュー (R,S) レビュー周期 1週 — 重要度 低 （C） — — 需要が立った時 のみ補充 (Q,R) ＝ 発注点を割ったら定量 Q を発注 ／ (s,S) ＝ s を割ったら S まで補充 ／ (R,S) ＝ 一定周期ごとに S まで補充 — ＝ 既存方策の維持で十分（パラメータのみ再計算）。方策を変えるのは 8,400 SKU のうち 2,232 SKU 在庫コスト ¥412M → ¥358M（▲13.1%） ／ サービス水準 95.4% ／ 在庫回転率 6.1 → 7.4 回/年 15

安全在庫の数理：(s, S) 方策と EOQ 在庫 在庫が s を割ったら発注し、届いた時点で S まで戻す 入荷して S まで補充 在庫量 S（発注上限） s（発注点） 安全在庫 SS 発注 時間 L（リードタイム） d：需要率（単位期間あたりの平均需要） L：リードタイム σ：需要のばらつき z：安全在庫係数 K：発注1回あたりの固定費 h：単位あたりの在庫保管費 図の右下がりの傾きが d。d L はリードタイム中の平均需要。EOQ は K と h が釣り合う点。 16

リスクプーリングと多段階安全在庫配置（SSA） 在庫 「在庫はバラバラに置くのではなく、まとめて置く」ことの数理的根拠 バラバラに置く まとめて置く 多段階安全在庫配置（SSA） 拠点A 拠点B 2 × SS 下流需要が独立なら、安全在庫は単純合計ではなく 二乗和の平方根に比例して増える – 共同管理係数 α：α = 2（独立）〜 α = 1（完全相関） 集約 √2 × SS 同じサービス水準を、約3割少ない在庫で達成できる – 各地点が下流に「何日以内に渡すか」を約束する この約束が保証リード時間 – 長く約束すればその地点の在庫は減るが、 下流の在庫は増える。全地点を同時に決める 各段階に少しずつ置くより、特定地点にまとめる 解の方が安い — 直列の教科書例でさえそうなる 17

ここでも依頼は一文だけ 在庫 「この化粧品・コスメ EC の SKU 群 （約3,000 SKU、需要平均・変動・リードタイム・原価・現行の (s,S) を含む）について、 現在の発注方針より総コストが低くなる方策を提示してほしい。 ABC分析を行い、サービス水準は 95% を維持できる範囲とする」 「サービス水準95%」が制約、「総コストを下げる」が目的 依頼文が、そのまま制約付き最適化の問題設定になっている どの品目にどの方策を当てるかも、安全在庫係数も、レビュー周期も指定していない 次ページがその実行画面、その次が返ってきた方策 18

在庫最適化スキルの実行画面 在庫 この一文から、ABC分析と方策設計までを自動実行 19

その依頼が返した在庫方策 在庫 約3,000 SKU の一律 (s,S) 方策を、ABC 区分別に差別化した結果 区分 SKU数 需要シェア 目標サービス水準 Aランク 555 70 % 98 % Bランク 1,285 20 % 95 % Cランク 1,160 10 % 90 % → 上位18.5%のAランクが需要の70%を占める典型的パレート分布。 → 需要加重平均のサービス水準を約54% → 95% へ引き上げつつ、年間総コストを削減。 20

配送計画：教科書の VRP と実務の距離 配送計画 配送最適化スキルが一つのモデルとして統一的に扱う拡張 時間枠 – 「午前10-12時、または午後3-6時に」という複数時間枠 車両 – 多次元容量・非等質車両、複数デポ、パス型（デポへ戻らない） 人 – ドライバーの複数休憩条件、免許・設備によるスキル条件 顧客 – 配達と集荷の混在、訪問しきれない場合の優先度 住所 → 座標変換と地図描画は、補助スキルが裏で担う 21

その依頼が返した配送計画 配送計画 「東京・大阪の2拠点から全国30都市へ、総距離を最小に」の一文から 4t車11台／総走行距離 4,128.3 km／平均積載率 83.5% 22

第3部 戦略系スキル：ネットワーク・リスク・収益 23

戦略系の4領域 戦略系 頻繁には行わないが、一度決めると影響が数年続く意思決定 ① 物流ネットワーク設計 – DC配置、工場立地、倉庫の統廃合、輸送モード選択、CO2削減 ② サービスネットワーク設計 – ハブ配置、便の運行頻度、車両割当、OD の経路選択 ③ サプライチェーンリスク管理 – 拠点停止・供給途絶の影響、テールリスクへの備え ④ 収益管理 – 限られた容量を、いつ、誰に、いくらで提供するか 24

途絶リスク評価は何をしているのか 戦略系 平均を少し犠牲にして、最悪側の裾を切る 縦軸：起こりやすさ 現状の期待値 推奨案の期待値 現状 最悪側 5%（テール） 推奨案 この裾の平均が CVaR ※ 模式図 横軸：損失（総コスト） → 右にいくほど大きな損失 期待値：¥1.84B → ¥1.97B（＋7.1%） ／ CVaR 95%：¥4.21B → ¥2.06B（▲51.1%） ＋7%のコストで最悪損失を半減させる ＝ 平常時の効率性と非常時のレジリエンスを同じ土俵で比較できる スキルは途絶シナリオを1,000通り生成し、期待値最小化方針と CVaR 方針を並べて返す 25

第4部 統合：S&OP オーケストレーションと次世代 IBP 26

領域は互いに独立していない S&OP・IBP 部門ごとに分かれた計画を、一つの整合した計画として束ねる – 需要予測が変われば在庫方針が変わり、生産計画も配送計画も変わる – 供給リスクや収益性を考えれば、どの市場を優先するかの判断も要る S&OP と IBP – S&OP：部門別の計画を整合させる仕組み – IBP：販売・供給・財務・リスク・収益性まで統合し、選ぶシナリオを判断できる形に → 利用者は計画とシナリオを自然言語で依頼し、エージェントが順序を決めて実行する 27

使用例：統合事業計画スキルによる一気通貫実行 S&OP・IBP 「当社の最新の販売実績、BOM、生産能力、輸送費を踏まえて、 今後12か月の S&OP 計画を立案してほしい。 需要予測、ABC分類、品目別の在庫方針、月次の生産計画までを通しで 実行し、エグゼクティブ向けサマリも付けてほしい」 需要予測 → 在庫分類 → 在庫最適化 → ロットサイズ最適化 → 統合 利用者は「どのスキルを呼ぶか」「何を次へ渡すか」を意識しなくてよい 28

スキルはどう連鎖するのか S&OP・IBP 各スキルの出力が、そのまま次のスキルの入力になる 需要予測スキル → 品目別・期別の予測値 在庫分類スキル → 重要度の区分 在庫最適化スキル → 安全在庫と補充方策のパラメータ 生産計画スキル → 期別の生産量と段取り回数 → 統合KPI（需要充足率・在庫回転率・総コスト） – 利用者はこの受け渡しを一切書かない。出力形式が統一されているから連鎖できる 29

S&OP スキルの実行画面 S&OP・IBP 4ステップ（予測 → 分類 → 在庫方針 → 生産計画）を、1回の依頼で実行 30

その依頼が返した統合 KPI S&OP・IBP 電動アシスト自転車メーカー、完成品3機種の6か月計画 指標 実績値 需要充足率（Fill Rate） 97.7 %（目標95%超を達成） 在庫回転率 8.6 回/年 総需要（6か月・3機種計） 28,303 台 → 4つのスキルの結果が矛盾なく整合した計画が、一度の依頼で立案された。 31

動画：AI 窓口から S&OP を実行する S&OP・IBP チャットで頼むと、裏で複数スキルが走り、KPI が返ってくる（90秒） 別フロントエンドでの実行例（同じスキル群を利用） 32

なぜスキル統合が「次世代 IBP」になりうるか S&OP・IBP 従来型 SCM システムとは異なる4つの利点 ① インターフェースが統一される – 自然言語という一つの窓口から全領域へ ② 領域をまたいだ整合性を保ちやすい – 上流の結果を下流へ自動的に渡せる。統合の労力が数週間〜数か月分減る ③ シナリオ比較が自然に行える – 会議中に「需要が10%上振れしたら」をその場で再計算できる ④ 継続的に改善しやすい – 領域ごとに独立して差し替えられる 33

実プロジェクトでは何が返るか S&OP・IBP 別事例：5,000 SKU × 20拠点 × 12か月の S&OP 計画 統合KPI（前期比） – 売上予測 +6.2%／在庫コスト ▲13.1%／生産コスト ▲8.4% – 顧客サービス水準 92.3% → 95.4% 経営層向け論点（要意思決定） – ① 西日本拠点の冗長能力に関する投資判断（CVaR分析と併読） – ② 新製品の立上げ時期（前倒し1か月で売上機会 +¥184M） – ③ 卸価格改定のタイミング → 計算結果ではなく、何を決めるべきかが返る 34

重要なのは規模ではなく「やり直しが軽い」こと S&OP・IBP S&OP を月次の儀式から日次の調整へ – 5,000 SKU × 20拠点 × 12か月の S&OP 計画を、通常の対話セッション内で完了 – 従来は前提を少し変えるだけで、各部門がファイルを更新し直していた – 需要の前提／サービス水準／能力制約／拠点リスクを、対話の中で変えて再実行できる → S&OP は「事前に作り込む計画」から 「会議中にも更新できる意思決定支援」へ 35

まとめ：認知的プロテーゼから自律的 SCM 意思決定支援へ S&OP・IBP 汎用エージェントに欠けている部分を、後付けで補う装置 – 汎用エージェントだけでは、SCM全体の意思決定を高品質に支援できない – 各領域に数十年の研究蓄積と現場知見がある。踏まえないモデルは実務で使えない – スキルは、その能力を自然言語で引き出せるようにする接続装置 S&OP の自動オーケストレーションは、その最も分かりやすい兆候 36

次世代 SCM システムの競争軸 画面の作り込みでも、個別アルゴリズムの優劣でもなく 「どれだけ厚みのある専門計算基盤を、 どれだけ自然なスキル接続点から、 どれだけ自律的に組み合わせられるか」 ご清聴ありがとうございました 37