なぜAIは「砂上の楼閣」になるのか
需要予測や在庫最適化に使われる分析型AIは、過去のデータに潜むパターンを学習し、将来を予測します。裏を返せば、過去データが不正確であったり、精度や粒度、登録頻度が不足している、あるいは、そもそもデータ自体に欠損があったりすれば、AIの出力もそれに引きずられます。AIの成果は、その土台となるデータの品質に大きく左右されるのです。
ところが、この土台づくりが十分にできていない企業は少なくありません。同じ品目に対して名称やコードが部署ごとに違う、実績の入力が遅れる、データが各部門のファイルに閉じているといった状態のままでは、どれほど高性能なAIを導入しても、砂の上に建てた楼閣でしかありません。多くのSCM変革の取り組みが「AIを入れたのに現場が楽にならない」という壁に突き当たる背景には、データガバナンスを後回しにしてきたことにあります。データ戦略の出発点は、まず過去の実績データを「正確さ・欠損のなさ・鮮度」の三点で使える状態に整えることにあります。
もっとも、過去データを整えることは、AIが成果を出すための必要条件であって、十分条件ではありません。土台が整っているだけでは、AIが期待どおりの成果を出すとは限らないのです。
分析型AIは過去データのパターンから予測や提案を行うことは得意でも、地政学リスクのような未知の構造変化を予測に織り込むことには限界があります。新しい事態への対応は、最終的には人が判断しなければなりません。
しかし、人が適切な判断を行うためには、変化の兆しや手がかりが適切なタイミングで届く必要があります。AIに期待される役割には、答えそのものを出すことに加えて、判断材料となる兆しや文脈を人に示すことも含まれます。そして、その役割を果たすには、過去の実績データだけではなく、会議記録や業務文書、市場環境に関する情報など、人の判断を支える多様なデータが必要になります。
データは存在するが、目的に対して十分ではない
企業を支援する中で、確かにデータはあるものの、実用には足りていないというケースに頻繁に直面します。ここでは、組立製造業のアフターサービス領域で、グローバル業務改革に取り組んだ際の補修部品需要予測プロジェクトでの事例を紹介します。
補修部品の需要予測にあたり、保守データとして保持している部品交換実績から、製品・部品別の寿命実績を導出しようとしました。ところが、製品によっては市場での稼働開始から数年間、保守データを取得していませんでした。そのため、保守データの取得開始後に部品を交換していても、それが製品の稼働開始時から使われ続けてきた部品なのか、途中で交換された部品なのかを特定できないのです。
さらに、このような寿命を特定できない部品の交換が、保守データから取得できる交換記録の半数以上を占めていました。つまり、部品の交換実績データは一定数存在するものの、製品稼働初期のデータの欠落により、寿命分析に利用できる範囲は限定されていたのです。
また、この保守データには、サービス担当者がコメントとして残した修理やサービスの記録が一定数存在していました。これらの記録を生成AIを活用し、部品交換が故障によるものなのか、サービス担当者の修理不備によるリワーク(再作業)や故障前の事前交換に因るものなのかの分析を試みました。しかし、コメントの記載内容・レベル感は担当者ごとの差が大きかったため、生成AIによる分析結果の信頼性は十分に確保できず、実運用に耐えるレベルで活用することはできませんでした。
このように、「データはあるものの、一部の欠落や精度の問題に起因して、目的に対して使えるデータは限定される」ということは往々にして生じます。「整える」こともまだ不十分なケースが多く、対応策を講じる余地が存在するという実感があります。
AIに与えるデータの「幅」を広げる
判断材料となる兆しや文脈をAIが捉えるためには、より幅広いデータをAIに与えることが必要です。現場には、判断の痕跡を刻んだ多様なデータが眠っています。表計算ファイルのような構造化データ、タグやヘッダーで一部が構造化されたメールのような半構造化データ、会議メモのような非構造化データ、さらに文書・画像・数値を束ねたマルチモーダルデータです。これらに市場・外部環境の動きも加われば、変化の兆しをより早く捉えやすくなります。
こうしたデータが活用の対象になってきた背景には、AIそのものの進化があります。ここではAIを用途の面から「分析型AI(Analytical AI)」と「生成AI(Generative AI)」に分けて考えます。過去の実績から数値を予測する分析型AIが構造化データを前提とするのに対し、文章や画像を理解する生成AIは、これまで分析の対象になりにくかった非構造化データに意味を与えます。
AI以前、メールや会議メモ、画像といったデータは、形式が統一されておらず分析や再利用が難しい「使えないデータ」とされてきました。しかし生成AIは、構造化されていないデータから意味や文脈を読み取り、人間の判断を支える材料として提供することができます。そこには、現場が実際にどう仕事を回し、どのような情報を見ながら判断しているかという業務の痕跡が残されています。かつては顧みられなかった現場の記録が、AIを支える資源へと変わりつつあるのです。
整えること(品質)と、広げること(幅)。この二つを両立して初めて、AIは正しい分析だけでなく、人の意思決定を支える存在になれるのです。
データ基盤の整備は、AI導入の前段階に位置づけられる地味な作業に見えるかもしれません。しかし、砂の上に楼閣は建ちません。AI時代のSCMにおいて、データ戦略は「あとで考える」ものではなく、「最初に描く」ものなのです。





