---
title: 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
tags: 
author: [MIKIO KUBO](https://image.docswell.com/user/mikiokubo)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/YE9P1N8YJ3.jpg?width=480
description: 講演者：小林 和博 氏（MOAI-Lab CAIO / 青山学院大学 准教授）  近年、サプライチェーンマネジメントにおいて、領域ごとに専用システムを構築するアプローチが大きな転換点を迎えている。需要予測から配送・物流ネットワーク・リスク・収益管理まで、縦割りに分かれた意思決定問題に対し、長年研究開発されてきた数理最適化エンジン群をエージェントスキルとして再パッケージし、自然言語のひと言で適切なエンジンが選択・起動される枠組みへの転換が求められている。本講演では、こうしたスキル群と背後にある最適化モデルの考え方を解説し、領域横断のスキルを束ねた S&OP の自動オーケストレーションが、次世代の統合事業計画（IBP）の現実的な姿となりうることを論じる。
published: August 21, 26
canonical: https://image.docswell.com/s/mikiokubo/ZQ2NPY-kobayashi
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/YE9P1N8YJ3.jpg)

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


# Page. 2

![Page Image](https://bcdn.docswell.com/page/GE8D4K8KED.jpg)

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


# Page. 3

![Page Image](https://bcdn.docswell.com/page/LELM6ZRP7R.jpg)

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


# Page. 4

![Page Image](https://bcdn.docswell.com/page/4JMY5VR2JW.jpg)

第1部
なぜ SCM にエージェントスキルなのか
4


# Page. 5

![Page Image](https://bcdn.docswell.com/page/PJR932R579.jpg)

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


# Page. 6

![Page Image](https://bcdn.docswell.com/page/PEXQ4DRXJX.jpg)

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


# Page. 7

![Page Image](https://bcdn.docswell.com/page/3EK9ZXR9ED.jpg)

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


# Page. 8

![Page Image](https://bcdn.docswell.com/page/L73WD58975.jpg)

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


# Page. 9

![Page Image](https://bcdn.docswell.com/page/87DKPDM8JG.jpg)

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


# Page. 10

![Page Image](https://bcdn.docswell.com/page/VJPKNXRWE8.jpg)

第2部
実行系スキル：予測・在庫・生産・配送
10


# Page. 11

![Page Image](https://bcdn.docswell.com/page/2EVVKLR9EQ.jpg)

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


# Page. 12

![Page Image](https://bcdn.docswell.com/page/57GLQXM4EL.jpg)

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


# Page. 13

![Page Image](https://bcdn.docswell.com/page/4EQYK8RRJP.jpg)

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


# Page. 14

![Page Image](https://bcdn.docswell.com/page/KJ4WP28Q71.jpg)

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


# Page. 15

![Page Image](https://bcdn.docswell.com/page/LE1Y9M2L7G.jpg)

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


# Page. 16

![Page Image](https://bcdn.docswell.com/page/GEWGQ3RQJ2.jpg)

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


# Page. 17

![Page Image](https://bcdn.docswell.com/page/47ZLWVR3J3.jpg)

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


# Page. 18

![Page Image](https://bcdn.docswell.com/page/YJ6WG5RZJV.jpg)

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


# Page. 19

![Page Image](https://bcdn.docswell.com/page/GJ5MVY89J4.jpg)

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


# Page. 20

![Page Image](https://bcdn.docswell.com/page/9E293GK57R.jpg)

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


# Page. 21

![Page Image](https://bcdn.docswell.com/page/D7Y41VN6EM.jpg)

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


# Page. 22

![Page Image](https://bcdn.docswell.com/page/VENY2MV1J8.jpg)

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


# Page. 23

![Page Image](https://bcdn.docswell.com/page/Y79P1N6YE3.jpg)

第3部
戦略系スキル：ネットワーク・リスク・収益
23


# Page. 24

![Page Image](https://bcdn.docswell.com/page/G78D4KZK7D.jpg)

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


# Page. 25

![Page Image](https://bcdn.docswell.com/page/L7LM6ZDPJR.jpg)

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


# Page. 26

![Page Image](https://bcdn.docswell.com/page/4EMY5VP2EW.jpg)

第4部
統合：S&OP オーケストレーションと次世代 IBP
26


# Page. 27

![Page Image](https://bcdn.docswell.com/page/PER93215J9.jpg)

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


# Page. 28

![Page Image](https://bcdn.docswell.com/page/P7XQ4DYXEX.jpg)

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


# Page. 29

![Page Image](https://bcdn.docswell.com/page/37K9ZX397D.jpg)

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


# Page. 30

![Page Image](https://bcdn.docswell.com/page/LJ3WD5G9J5.jpg)

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


# Page. 31

![Page Image](https://bcdn.docswell.com/page/8JDKPD18EG.jpg)

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


# Page. 32

![Page Image](https://bcdn.docswell.com/page/VEPKNXQW78.jpg)

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


# Page. 33

![Page Image](https://bcdn.docswell.com/page/27VVKL597Q.jpg)

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


# Page. 34

![Page Image](https://bcdn.docswell.com/page/5JGLQX647L.jpg)

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


# Page. 35

![Page Image](https://bcdn.docswell.com/page/47QYK84REP.jpg)

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


# Page. 36

![Page Image](https://bcdn.docswell.com/page/KE4WP2QQJ1.jpg)

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


# Page. 37

![Page Image](https://bcdn.docswell.com/page/L71Y9MPLJG.jpg)

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