SCM×AIテクノロジー25年史統計モデルからエージェント型AIまで

25年で何が変わり、何が変わらなかったのか

日本でSCMの導入が本格化したのは2000年頃でした。以来およそ四半世紀、SCM領域に投入されるテクノロジーは絶え間なく進化してきました。統計モデル、ルールベースの計画エンジン、多段階在庫最適化、機械学習、グラフ・ニューラル・ネットワーク、そして生成AIとエージェント型AIへ。新しいテクノロジーが登場するたびに「これでSCMは変わる」と期待され、各社が導入を試みてきました。

ところが、SCMの現場で交わされる会話は驚くほど変わっていません。「予測精度をもう少し上げたい」「在庫をもっと減らしたい」「計画をもっと早く回したい」など、 25年間、ほぼ同じ問いが繰り返されています。本稿で各時代のテクノロジーを順に整理するのは、単なる技術史の振り返りではなく、これからの生成AI・エージェント型AI活用を考えるうえで、私たちが繰り返してはならない過ちを見極めるためです。

まず、25年の流れを俯瞰してみます。

【2000〜2004年】統計モデルと計画エンジンの時代

日本のSCM元年とも呼ばれる2000年前後、SCMの中心にあったのは統計モデルによる需要予測と、最適化エンジンによる計画立案でした。時系列モデル移動平均、指数平滑法、ARIMAなどが需要予測の代表的な手法として導入され、同時にコスト最小化を狙った最適化エンジンが工場の生産計画や配分計画で利用され始めました。

この時代の中心思想は明快です。「過去を未来に延長すれば需要は予測できる。正しい予測があれば、最適な計画が立てられる」。ERP（SAP、Oracle）の大規模導入と並行して、APS（Advanced Planning and Scheduling）と呼ばれる高度な計画基盤が普及していきました。i2、Manugisticsといったベンダーの名前を記憶しているSCM実務者も多いと思います。

しかし、この発想には根本的な弱点がありました。変動が大きくなった瞬間に、前提ごと計画全体が崩れるのです。輸配送やスケジューリングのように制約が明確な領域では成果が出た一方、グローバルなサプライチェーン計画では狙った効果をほとんど出せなかったのが実態です。それでも各社は「予測精度を上げれば計画は当たる」と信じ続けました。この信念こそが、その後25年間SCMを縛り続ける原点になっていきます。

【2005〜2009年】ルールベース高速計画とシナリオの時代

最適化エンジンの限界が見えてくると、現場で実際に回せる「現実解」が求められるようになりました。そこで注目されたのがルールベースの高速サプライチェーン計画です。

この時代の発想は前の時代とは大きく異なります。唯一の最適解を求めるのではなく、制約を織り込んで素早く複数案を出し、比較する。意思決定は人が担うという前提を改めて置き直し、そのために計画を検討するシナリオ機能が重視されるようになりました。

S&OP（Sales and Operations Planning：販売・業務計画）という概念が日本で本格普及し始めたのもこの頃です。営業・生産・調達・財務をまたぐ経営会議体として、月次でサプライチェーン全体の整合性を取る仕組みが整い始めました。ただし、この時代も限界がありました。数量の計画は精緻化されたものの、損益・キャッシュフローとの連携は弱いままです。S&OP会議が形骸化し、部門最適が優先される構造的な問題は残り続けました。2008年のリーマンショックがこの限界を経営課題として強烈に突きつけることになります。

【2010〜2014年】多段階在庫最適化と可視化の時代

リーマンショック後、SCMには「経営との接続」というテーマが本格的に加わってきました。S&OPは損益計画を統合したIBP（Integrated Business Planning：統合事業計画）へと拡張され、グローバルなサプライチェーンを一つの計画基盤で管理する発想が広がります。

テクノロジー面では多段階在庫最適化（MEIO：Multi Echelon Inventory Optimization）が登場しました。工場、DC（Distribution Center：物流配送センター）、店舗など、複数階層のサプライチェーンのどこに在庫を持つべきかを算出するロジックです。理論的には魅力的なアプローチでしたが、制約や変化が大きいグローバルサプライチェーンへの実装は限定的でした。

同時に、物流領域ではIoT（Internet of Things：モノのインターネット）が普及し、輸配送現場のデータをリアルタイムに取得・活用する取り組みが始まります。BIツールの進展により、それまでExcelの数字の羅列で報告されていた経営情報がダッシュボード上で動的に分析できるようになり、経営層のS&OP会議への参画が定着していきました。

ただし、この時代に整備された「可視化」は、依然として人間が見るためのものでした。最終的な判断は人間が行うことを前提に設計されていたという点で、後の時代と性格を異にします。

【2015〜2019年】機械学習需要予測とDDMRPの時代

2012年、画像認識のコンテスト「ImageNet」でディープラーニングを用いたモデルが従来手法を大きく上回る成績を収め、2016年にはAlphaGoが世界トップの囲碁棋士を破りました。この第3次AIブームを受けて、SCM領域でも機械学習が本格的に導入され始めます。

需要予測の領域では、従来の時系列モデルが苦手だった外部変数や非線形な関係を扱える機械学習モデル（ランダムフォレスト、XGBoost、深層学習など）が普及していきました。補充領域ではDDMRP（Demand Driven Material Requirement Planning：需要駆動型資材所要量計画）が注目され、予測に頼りすぎず需要変化に追随する発想が広がりました。

ところが、現場の会話は変わりませんでした。機械学習が導入されても、依然として「精度を何%上げるか」が議論の中心であり続けたのです。さらに「計算根拠の説明が難しい」というブラックボックス問題から、PoC（Proof of Concept：概念実証）止まりで実運用に至らないケースが多発しました。

この時代に最も顕著だったのは「新しい技術が、古い問いに使われ続けた」という現象です。深層学習という強力な道具を手にしても、私たちが投げかける問いは「需要予測の精度を上げたい」のままでした。

【2020〜2024年】グラフNW・リスク・ESGへの拡張

COVID-19パンデミック、米中貿易摩擦、ウクライナ情勢、半導体不足。2020年代に入り、SCMが扱うべき対象は「コストと在庫」から「リスクとサステナビリティ」へと急速に拡張しました。

需要予測の領域では、商品・店舗・顧客・SNS・物流などをネットワーク構造として扱い関係性を学習するグラフ・ニューラル・ネットワーク（GNN）へとアプローチが広がります。サプライヤーリスクのスコアリングや、ESG（Environment、Social、Governance）データの統合管理も実装が進みました。扱うべき変数の数と変数間の関係性の複雑さが、人間の認知能力では追い切れない領域に達し始めたのがこの時代の本質的な変化です。

それでも、SCM変革を進める日本企業の現場では、依然として「精度向上」「在庫削減」「計画自動化」という同質的なユースケースが繰り返し語られていました。テクノロジーは進化したのに、私たちが投げかける問いはほとんど変わっていません。

【2025年〜】生成AIとエージェント型AIの時代

2022年末のChatGPT登場を皮切りに、生成AIとエージェント型AIがSCMに本格的に入り始めています。SCM領域で活用されるAIは大きく3つに整理できます。

1つ目は分析型AI（Analytical AI）です。過去データから将来の数値を計算するもので、需要予測・在庫最適化・異常検知が代表的な用途です。これまでの25年間で積み上げてきたのも、主にこの領域です。

2つ目は生成AI（Generative AI）です。文章や画像などの非構造化データを理解し、新たなアイデアやシナリオを生成します。報告書の要約、リスクシナリオの作成、論点抽出など、SCMにおける対話と合意形成を支援する役割を担います。

3つ目がエージェント型AI（Agentic AI）です。分析型AIと生成AIを組み合わせ、状況を判断しながら自律的にタスクを実行します。単一タスクを担うシングルエージェントから、複数エージェントが協調するマルチエージェント、さらにメタエージェントが全体を統制するオーケストレーションへと進化が続いています。

この進化を技術的に支える基盤として、Anthropicが2024年に策定したMCP（Model Context Protocol）と、Googleが2025年に提唱したA2A（Agent to Agent）Protocolがあります。これらの標準化の動きにより、SCMのデジタル基盤も中央集権型のERP+SCP+BIから、エージェント同士が連携するA2A型の構成へと変わりつつあります。

重要なのは、これらのテクノロジーが従来とは異なる質の変化をもたらしていることです。これまでのAIは「与えられた問いに対して答えを返す」道具でした。生成AIとエージェント型AIは、問い自体を設定し、自律的に動くという新しい次元を持っています。

それでも変わらない問い

25年間のテクノロジー変遷を振り返ると、ひとつの構造が浮かび上がります。図1で整理したとおり、各時代の主要テクノロジーは確かに進化を遂げてきました。しかし、その下に流れる「予測精度を上げ、コストを削減し、計画を自動化する」という問いの構造は、ほとんど変わっていません。

テクノロジーが新しくなっても、SCMを捉えるメンタルモデルが変わらなければ、AIは既存業務を回すための道具にしかなり得ません。エージェント型AIが自律的に動くようになっても、動かす目的が「これまでと同じユースケースの効率化」のままであれば、その自律性は私たちのSCMに本質的な変化をもたらさないのではないでしょうか。

エージェント型AI時代に向けて

エージェント型AIの時代を迎えた今、私たちが本当に問うべきことは「どのAIを入れるか」ではなく、「AIと共に、SCMのどの前提を変えるのか」です。

例えば、「需要予測の精度を上げる」のではなく「需要に向き合う組織の意思決定の質を上げる」と目標を置き直したら、AIの使い方は変わります。「計画を自動化する」のではなく「計画策定プロセスを民主化し、合意形成のスピードを上げる」と置き直したら、生成AIの活用シーンは大きく広がります。「在庫を削減する」のではなく「サプライチェーン全体の価値創造を最大化する」と置き直したら、最適化のアルゴリズムが評価する目的関数自体が変わってきます。

エージェント型AIは、与えられた問いに自律的に答えを返す存在です。だからこそ、どのような問いを与えるかが、これまで以上に重要になります。25年前、私たちは「予測精度を上げれば在庫は減る」と信じてSCMにテクノロジーを投入し始めました。その信念はある時代までは確かに機能した。しかし、不確実性が常態化した今、その信念の延長線上にエージェント型AIを置いても、過去25年間と同じパターンを繰り返すだけになりかねません。

新しいテクノロジーを手にした瞬間こそ、私たちが立てる問いを点検する好機です。AIに何を答えさせるか、ではなく、AIと共に何を問い直すか── そこにこそ、エージェント型AI時代のSCMリーダーに求められる最初の構えがあります。