生産管理をAI化する前に、現場データをつなぐ

生産計画は一つの数字だけでは決まらない

「AIで生産計画を最適化したい」

「需要に合わせて生産量を自動調整したい」

という相談が増えています。

AIによる最適化は有効な選択肢です。

しかし、その前に確認したいことがあります。

生産計画に必要な情報は、現在つながっているでしょうか。

たとえば受注が100個あり、材料在庫が十分でも、担当できる作業者が少なく、設備1台が停止していれば、今日作れるのは60個かもしれません。受注数量と生産可能数量は同じではなく、現場条件を合わせて初めて現実的な計画になります。

生産計画に必要なデータは何か

生産計画に必要な条件は、何を最適化したいかによって変わります。納期遵守、設備負荷の平準化、仕掛在庫の削減など、目的を決めたうえで必要な現場データを選びます。

• 受注残、納期、製品・品番、必要生産数量
• 材料在庫、仕掛在庫、外注工程、調達リードタイム
• 設備能力、設備稼働状況、停止予定
• 人員、シフト、作業者の習熟度
• 標準工数、実績工数、不良率、段取り時間

すべての企業ですべての項目が必須ということではありません。たとえば、Aさんなら1時間に10個、Bさんなら6個という差がある場合、これは個人を監視・評価するためではなく、教育状況や担当可能工程を踏まえた現実的な生産能力を見積もる条件として扱います。

現場データが分断される典型パターン

必要な情報が存在していても、保管場所や更新時点が分かれていると、最新状況を一つの画面で把握することは困難です。

• 受注は基幹システム
• 生産計画はExcel
• 現場進捗はホワイトボード
• 在庫は別システム
• シフトは紙
• 設備停止情報は口頭
• 生産実績は日報

この状態では、生産管理AI以前に、同じ時点の受注・設備・人員・材料をそろえて判断することが難しくなります。既存システムを残しながら接続する考え方は「既存システムを変えずにAIを活用する方法」で整理しています。

ベテランの判断をどう扱うか

製造現場には、システムに登録されていない重要な情報があります。

「この製品はAさんなら早い」

「この設備は午後になると調子が悪い」

「この材料は実際には残りが少ない」

「この得意先の注文は優先する」

こうした判断によって現場が回っていることがあります。

こうした経験知は、現場を支えてきた重要な資産です。「属人化だから悪い」と否定するのではなく、特定設備のクセ、材料の状態、得意先の優先順位、作業者の得意不得意、工程変更の判断条件を整理します。

問題は経験があることではなく、判断条件が共有されず、他の担当者が状況を再現できないことです。

AI化するのであれば、まず、

何を見てベテランが判断しているのか

を整理し、必要な人が共有できる状態にすることが重要です。

最適化の前に、まず見える化する

AIによる生産最適化と聞くと、

設備、人、材料、納期をすべて計算して最善の生産計画を自動作成する仕組みを想像します。

しかし、最初からそこを目指すとプロジェクトは大きくなります。

まず、

今日の人員。

設備の稼働状況。

現在庫。

受注残。

必要生産数。

を一つの画面で確認できるだけでも、現場の判断は変わります。

「最適化」の前に「見える化」。

「自動判断」の前に「情報をつなぐ」。

この順番が重要です。

計画と実績を残すと、次の判断材料になる

生産計画だけではなく、実績を残すことも重要です。

• 計画数量と実績数量
• 標準工数と実績工数
• 担当工程、停止時間、不良
• 段取り時間と遅延理由

計画と実績の差を継続して蓄積すれば、

「この条件なら何個作れる」

という判断材料が増えていきます。

AIが勝手に現場を学習して最適解を出すのではありません。背景と条件を含む実績データが整うことで、分析や予測へ利用できる可能性が高まり、より実務に沿った提案を検討できるようになります。

受注量や在庫の見方は「需要予測の前に受注データを整える考え方」にもつながります。

生産管理AIを検討する前に確認したい7項目

AIへ大量のデータを渡す前に、現場の現在地を次の7項目で確認します。

1. 受注残はどこで管理しているか：品番、数量、納期を計画へ渡せるか確認します。
2. 材料在庫は最新か：帳簿在庫と現物、引当、入荷予定を区別します。
3. 設備稼働状況を把握できるか：停止、保全、能力、利用可能時間を確認します。
4. 人員・シフトをデータ化できているか：人数だけでなく担当可能工程も整理します。
5. 標準工数と実績工数を比較できるか：差が生まれた条件を記録します。
6. 計画変更の理由を残しているか：設備、材料、優先注文などの背景を残します。
7. 誰が最終判断するか：AIの提案を確認し、変更・停止する責任者を決めます。

データとして残っていないことをAIが知ることはできません。だからこそ、生産管理AIの検討では現場ヒアリングが重要になります。

生産管理AIの成果を現場のKPIで見る

生産計画AIの成果は、モデルの精度や自動化率だけでは判断できません。データ品質、設備の状態、材料、人員、急な受注変更によって結果は変わります。

• 計画作成時間と計画変更回数
• 納期遅延件数
• 設備待ち時間と材料待ち時間
• 残業時間
• 生産計画と実績の差
• 仕掛在庫と緊急対応件数

AIが必ず最適な計画を作ると考えず、現場の判断と生産運用が改善したかを継続して確認します。AIへ任せる範囲は「AIに任せる処理と、人が判断する仕事を分ける考え方」で詳しく解説しています。

生産管理DXは、現場とシステムをつなぐことから

生産管理を改善するとき、

新しいシステム。

AI。

高度な最適化。

から考える必要はありません。

まず、

どこに情報があるのか。

誰が何を判断しているのか。

何がデータになっていないのか。

どこで二重入力しているのか。

を整理します。

そして必要な情報をつなぐ。

その先に、生産計画の自動化やAI活用があります。

スペリオルでは、システムありきではなく、現場の生産管理業務を確認しながら「まず何をデータ化するべきか」から整理しています。