<!-- 想定ニーズ（ジョブ）：「生産計画をAIで楽に・正確にしたい」「属人化やExcel限界から抜けたいが、何から手をつければいいか分からない」製造業の経営者・生産管理担当が、生産計画AIの全体像と自社の進め方を掴みたい。 満たし方：基礎→AIで何が変わるか→進め方→ツール→始め方まで、単体で判断できる網羅ガイド。技術選定より前に業務フロー・ボトルネックを見極める順序を提示し、読後に「自社が次にとる一歩」が決められる状態にする。 促すアクション：まず自社の業務フローを書き出しボトルネックを特定する。整理が難しければ相談。 -->

生産計画AIとは｜中小製造業がAIで生産計画を最適化する完全ガイド

この記事の要点

• 生産計画AIとは、需要予測・生産順序の最適化・在庫調整といった組み合わせの問題を、数理最適化や機械学習で扱えるようにする仕組みです。担当者の頭の中にある判断を、組織の仕組みに置き換えます。
• ただしAIを入れれば数字が動くわけではありません。生産全体のスループットは「一番詰まっている工程（ボトルネック）」で決まるため、そこに当てて初めて受注・売上・利益が動きます。詰まっていない工程を速くしても費用だけが積み上がります。
• 失敗の大半は技術選定ではなく、その手前の業務フローとデータ整備にあります。順番は「業務フロー見直し → ボトルネック特定 → マスタ整備 → 小さく試す → 展開」です。
• ツールはパッケージ型の生産スケジューラ、クラウドSaaS、数理最適化のスクラッチ実装の3類型に整理できます。選び方は「業務の複雑性 × データ整備度」で決まります。
• 読み終える頃には、自社が今とるべき一歩（業務フローの棚卸しか、マスタ整備か、PoCか）を判断できます。

生産計画の現場では、ベテラン担当者が1日かけてExcelで計画を組み、納期や設備能力を頭の中で調整する光景がいまだに多く見られます。受注変更が入れば組み直し、設備が止まれば優先順位を入れ替える。その判断の大半が個人の経験則に依存している状態です。

この記事は、そうした生産計画に「AIを使いたい」と考え始めた製造業の経営者・生産管理担当に向けて、生産計画AIの全体像と、自社で進める順序を1本で掴めるように整理したものです。基礎から、AIで何が変わるか、どう進めるか、どのツールを選ぶか、何から始めるかまでを順にたどります。

生産計画とは何か、なぜいま見直しが迫られているのか

生産計画とは、「何を・いつまでに・どれだけ・どの設備と人員で作るか」を決める、ものづくりの設計図です。需要の見通しから必要な生産量を割り出し、設備能力や人員、部材の制約のなかで実行可能な段取りに落とし込みます。基本の考え方は生産計画とは、その上位概念であるQCD管理や在庫・工程の統制は生産管理とはで扱っています。

いま見直しが迫られている背景は、大きく2つです。1つは人手不足です。計画立案がベテラン1人に依存していると、その人が休むだけで現場が止まり、退職とともに判断ノウハウが失われます。もう1つはデジタル化の遅れです。2025年版の中小企業白書によると、中小企業の一定割合が「紙や口頭による業務中心で、デジタル化されていない」段階にとどまっていると報告されています（経済産業省・中小企業庁「2025年版 中小企業白書」）。計画がExcelと個人の勘で回っている限り、需要変動や短納期化への対応は担当者の体力勝負になります。

ここで一度立ち止まりたいのは、「計画が回らないのは本当にツールのせいか」という点です。工程の流れ自体に無理がある、情報の受け渡しが二重になっている、といった業務フローの問題であれば、AIより先に直すべきものがあります。工程の見える化は工程管理の基本、負荷の実態把握は工数管理が土台になります。

生産計画AIとは何か、従来ツールと何が違うのか

生産計画AIとは、生産計画に関わる意思決定を、数理最適化や機械学習といった技術で支援する仕組みの総称です。中心になる機能は、次の3つに整理できます。

機能領域	AIが担うこと	従来のやり方との違い
需要予測	販売実績・季節性・曜日・イベント等から出荷量を予測	担当者の経験と移動平均から、多変数を同時に扱う予測へ
生産スケジューリング	段取り替えや納期を考慮した生産順序・設備割り当ての最適化	手作業の並べ替えから、膨大な組み合わせの探索へ
在庫・調達最適化	欠品リスクと在庫削減を両立する適正在庫・発注点の算出	固定の安全在庫から、需要に応じた動的な調整へ

これらはいずれも「膨大な選択肢のなかから、制約を満たしつつ良い解を探す」という組み合わせ最適化の問題です。人が手で並べ替えるには選択肢が多すぎる領域を、計算で扱えるようにするのが生産計画AIの本質です。

注意したいのは、生成AI（ChatGPTのような対話型AI）と、生産計画で使う最適化・予測のAIは性質が違う点です。生成AIは出力が確率的にばらつくため、要約・下書き・過去資料の検索といった「柔軟さが要る業務」に強く、帳簿計算のような「厳密な正確性が必須の業務」には向きません。生産計画の最適化は後者に近く、制約を厳密に満たす計算が求められます。この違いは生成AIの限界と適材適所で詳しく整理しています。いずれにせよAIは判断を肩代わりする存在ではなく、判断材料を秒単位で出す存在として位置づけるのが現実的です。

生産計画AIで何が変わり、何が変わらないのか

生産計画AIで「変わる」領域と「変わらない」領域を、あらかじめ分けておくと過大な期待を避けられます。

変わる領域は、計算に落とし込める部分です。受注量に対して設備・人員が足りるかの能力試算、段取り替え時間が最小になる生産順序、複数ラインへの割り当て、需要予測にもとづく先行手配。ここは秒単位で候補を出し、計画作成時間そのものを圧縮できます。

変わらない領域は、人が担うべき判断です。顧客との納期交渉、どの受注を優先するかという経営的な意思決定、「特定顧客は厳守」「この設備は朝1時間は精度が出ない」といった現場固有ルールの最終確認。これらは残り続けます。

そして、生産計画AIを考えるうえで最も外してはいけない視点があります。会社全体の生産能力は「一番詰まっている工程（ボトルネック）」で決まる、という事実です。ボトルネックの前後にどれだけ余力があっても、全体のスループットはボトルネックが上限を決めます。だからAIは、このボトルネックに当てて初めて受注・売上・利益といった経営数字が動きます。

逆に、詰まっていない工程をAIでどれだけ速くしても、全体の産出量は増えません。それでも初期費用と運用費だけは積み上がります。この状態は「AI赤字」と言えます。計画作成が自動化されて担当者は楽になった、レポートの体裁は整った——けれど納期遵守率も生産量も変わらない、というのは典型的なAI赤字です。「AIを入れたか」ではなく「ボトルネックに当てたか」で成果が分かれます。

生産計画AIのメリットと、効果が出ないケースの違いは何か

生産計画AIから得られる主なメリットは、次のとおりです。

• 計画作成時間の圧縮：1日仕事だった立案が短時間で候補まで出せるようになり、受注変更への再計画も速くなります。
• 需要予測精度の向上：季節性や曜日、過去実績を同時に扱うことで、経験則だけの予測より欠品と過剰在庫の両方を抑えやすくなります。
• 属人化の解消と技術継承：計画立案の判断ロジックをデータと仕組みに移すことで、担当者1人依存から脱却できます。
• 納期遵守率と稼働の改善：ボトルネックを起点に順序を最適化できれば、設備総合効率（OEE）の改善にもつながります。

一方で、同じツールを入れても効果が出ないケースがあります。分かれ目は主に3つです。

第一に、AI以前に業務フロー自体に無理がある場合です。工程の流れが二度手間になっている、情報が人づてでしか流れない、といった状態は、AIを載せる前に直すべき対象です。フローを整えれば、そもそも高度な最適化が要らなくなることも珍しくありません。最初に確かめたいのは「これはAI以前の問題ではないか」という点です。

第二に、マスタデータが未整備な場合です。AIは正しいデータを前提に動きます。部品構成表（BOM）、工程マスタ、設備能力マスタが揃っていないと、計算結果が現実離れし、現場が「使えない」と判断します。

第三に、当てどころがボトルネックからずれている場合です。前章のとおり、詰まっていない工程を速くしても数字は動きません。効果が出る導入は、例外なくボトルネックに当たっています。

生産計画AIをどう進めるか、失敗しない導入ステップ

「いきなり本格的な生産計画AI」は、中小製造業ではほぼ失敗します。順序を踏むことが成否を分けます。推奨する流れは次の5ステップです。

1

Step 1

業務フロー見直し

受注→見積→作業→出荷の流れを書き出す。AI以前に直せる無駄がないかを先に確認する

2

Step 2

ボトルネック特定

各工程が何日待ちかを書き込み、一番待ちが長い工程を見つける。ここがAIを当てる先になる

3

Step 3

マスタ整備

BOM・工程・設備能力マスタを整え、現場固有ルール（暗黙知）をヒアリングで言語化する

4

Step 4

小さく試す

1ラインや1品種でクラウドSaaSの試験導入、または数理最適化のPoCを回して効果を確かめる

5

Step 5

展開と連携

効果が出た領域を広げ、上流のERPや下流の実績データと連携させて計画精度を回し続ける

1

Step 1

業務フロー見直し

受注→見積→作業→出荷の流れを書き出す。AI以前に直せる無駄がないかを先に確認する

2

Step 2

ボトルネック特定

各工程が何日待ちかを書き込み、一番待ちが長い工程を見つける。ここがAIを当てる先になる

3

Step 3

マスタ整備

BOM・工程・設備能力マスタを整え、現場固有ルール（暗黙知）をヒアリングで言語化する

4

Step 4

小さく試す

1ラインや1品種でクラウドSaaSの試験導入、または数理最適化のPoCを回して効果を確かめる

5

Step 5

展開と連携

効果が出た領域を広げ、上流のERPや下流の実績データと連携させて計画精度を回し続ける

このうち軽視されがちで、しかし最も効くのがStep 1とStep 2です。フローを書き出して各工程の待ち時間を可視化するだけで、「AIを当てるべき工程」と「そもそも直すべき無駄」が見えてきます。ここを飛ばして技術選定から入ると、詰まっていない工程に高機能なAIを載せてしまい、AI赤字に直行します。

Step 5の連携も見落とせません。生産計画AIだけを高度化しても、上流の受注情報や下流の製造実績とつながらなければ、計画と実績の差から学び直すサイクルが回りません。実行と実績収集を担うMES（製造実行システム）や、既存業務との接続を担う生産管理システムとの役割分担を、設計の段階で描いておくことが、PoCで終わらせないための前提になります。

生産計画AIのツールにはどんな選択肢があるか

ベンダーからの提案は多岐にわたりますが、整理すると生産計画のツールは3類型に集約できます。

Type A

パッケージ型スケジューラ

実績豊富な生産スケジューラ製品

• コスト数百万〜（目安）
• 期間6ヶ月〜1年
• 強み機能網羅・実績
• 弱みカスタマイズ限界・高コスト

Type B

AI型クラウドSaaS

中小向けの月額モデル

• コスト月額数万〜（目安）
• 期間1〜3ヶ月
• 強み短期導入・スモールスタート
• 弱み複雑な制約に限界

Type C

数理最適化スクラッチ

ソルバーで独自実装

• コスト個別見積
• 期間3ヶ月〜
• 強み業務完全フィット・暗黙知吸収
• 弱み開発・保守体制が必要

パッケージ型スケジューラは、生産スケジューラ（APS）として長い実績を持ち、機能の網羅性が高いのが強みです。標準的な業務であれば有力候補になりますが、初期コストと自社業務へのフィットに限界があります。AI型クラウドSaaSは月額で小さく始められ、Excelからの卒業には現実的です。ただし制約が複雑になると標準機能では表現しきれず、効果が頭打ちになることがあります。数理最適化スクラッチは、多品種・個別受注で暗黙知が強い業務ほど、パッケージでは吸収しきれない制約を作り込めます。開発と保守の体制が要る点が課題です。

どれを選ぶかは、業務の複雑性とデータ整備度で決まります。

判断

自社の業務特性は？

標準的な業務・中堅以上

Type A：パッケージ型スケジューラ

機能網羅型で堅く進める

中小・まずExcel卒業

Type B：AI型クラウドSaaS

月額で小さく立ち上げる

個別受注・暗黙知が強い

Type C：数理最適化スクラッチ

業務に合わせて作り込む

3類型は対立するものではありません。中小規模ではSaaSで素早く立ち上げ、複雑性が増した段階でパッケージやスクラッチへ組み替える、という段階設計を前提に置くと、後戻りの少ない投資になります。

何から始めればいいか、中小製造業の現実的な第一歩

最初の一歩は、ツール選びでも予算取りでもありません。受注から出荷までの流れを1枚に書き出し、各工程が何日待ちかを書き込むことです。これだけで、一番詰まっている工程（ボトルネック）と、AI以前に直せる無駄が見えてきます。ここが、その後のすべての判断の起点になります。

次に、当てどころが見えたら、AIをうまく効かせる鍵はプロンプト（指示）より圧倒的にデータにあります。重要度で言えばプロンプトが1割、データが9割です。とりわけ本命は、マニュアルになっていない現場の暗黙知——ベテランの判断ロジックや「あの時の勘」です。既存の図面・過去案件に加えて、こうした暗黙知を蓄積できるかが、自社に合ったAIになるかどうかを分けます。実際に、設備故障対応がベテラン一人に属人化していた現場で、その判断知識をAIで構造化し、若手がいつでも「ベテランAI」に質問できる状態に整えた支援事例があります。別の営業・技術部門では、過去案件から類似事例を検索できるようにし、類似案件の探索にかけていた時間を約90%削減しました（見積のたびに過去案件を探していた作業を、導入の前後で比べた実測値です）。どちらも、派手なモデルではなく、現場に眠るデータを使える形に整えたことが効いています。

投資判断の目安としては、計画作成時間の削減、ボトルネック解消による生産量の増加、段取り削減で生まれる稼働時間、の3点を合算します。金額は業種・規模で大きく変わるため、Step 4の小さな試験導入で「1ラインでいくら効いたか」を実測し、その回収見込みで展開の可否を決めるのが堅い進め方です。

放置したときのコストも判断材料になります。経済産業省の「DXレポート」は、レガシーな仕組みのまま刷新が進まない場合、2025年以降に最大で年間12兆円規模の経済損失が生じうると警告しました（いわゆる「2025年の崖」）。生産計画の属人化・Excel依存も、この文脈の延長にあります。焦って高機能AIを入れる必要はありませんが、業務フローの棚卸しだけは、コストをかけずに今日から始められます。

関連記事

• 生産計画とは｜基礎と立て方
• 生産管理とは｜全体像とQCD
• 生産管理システムの選び方
• 生産スケジューラ（APS）とは
• MESとは｜製造実行システム
• 工程管理の基本
• 工数管理と工数削減
• 段取り替え時間の短縮

よくある質問

Q1. 生産計画AIとは何ですか

需要予測・生産スケジューリング・在庫調整といった組み合わせ最適化の問題を、数理最適化や機械学習で扱えるようにする仕組みの総称です。担当者の頭の中にある判断を、組織の仕組みに置き換える点が要点です。判断を代替するのではなく、判断材料を秒単位で出す道具として使うのが現実的です。

Q2. Excelの生産計画から、いつAIへ移行すべきですか

「立案に1日以上かかる」「担当者が休むと回らない」「計画変更が日次で発生する」のいずれか1つでも当てはまるなら、検討の時期です。どれも当てはまらなければ、ExcelとGASの自動化で足りることもあります。移行の前に、まず業務フローを見直すのが順序です。

Q3. AIを入れれば生産計画の課題は解決しますか

必ずしも解決しません。全体の生産能力はボトルネック工程で決まるため、そこに当たっていないAIは費用だけを増やします。また業務フロー自体に無理がある場合は、AIより先にフローを直すべきです。当てどころを見極めて初めて経営数字が動きます。

Q4. パッケージとスクラッチ、どちらが安いですか

初期費用だけならパッケージが安く見えます。ただしカスタマイズ費と保守ライセンスを含めた数年単位の総所有コストで比べると、業務が複雑な企業ほどスクラッチが安くつくこともあります。標準業務ならパッケージ、暗黙知が強いならスクラッチ、が大まかな目安です。

Q5. 中小企業でも生産計画AIは導入できますか

できます。月額のクラウドSaaSでスモールスタートし、1ラインや1品種で効果を確かめてから広げる進め方が現実的です。IT導入補助金や省力化投資補助金などの公的支援も活用できます。ただし補助金で安くできても、当てどころを外した導入はAI赤字になる点は変わりません。

Q6. AI導入でベテラン担当者は不要になりますか

不要にはなりません。最終的な優先度判断、顧客との納期交渉、現場との調整は人が担う前提で設計するのが、定着する導入の共通点です。むしろベテランの暗黙知をデータ化して残すことが、技術継承と属人化解消の両方に効きます。

Q7. まず何から始めればいいですか

受注から出荷までの業務フローを1枚に書き出し、各工程の待ち時間を書き込んでボトルネックを特定することです。ここでAI以前に直せる無駄も同時に見えます。当てどころが定まってから、マスタ整備・小さな試験導入へ進みます。

---

生産計画AIは、入れること自体が目的化した瞬間にAI赤字が始まります。逆に、業務フローとボトルネックを見極めてから当てれば、投資は経営数字として返ってきます。Delight Flowは、製造現場のAI活用に特化した東大発のスタートアップとして、業務フローの棚卸しからボトルネック特定、マスタ整備、ツール選定、数理最適化の実装までを伴走支援しています。「自社のどこに当てるべきか整理したい」といったご相談があれば、初回相談（無料）でお話を伺います。