資材発注の「経験頼み」をAIで仕組み化する——在庫切れ・過剰在庫ゼロへの3ステップ
「そろそろ在庫が減ってきたから頼もう」——この判断、あなたの工場では誰が、何を根拠にしていますか。
資材・購買担当の田中さんが長年の経験で「感覚的に」発注タイミングを判断している工場は珍しくありません。問題が表面化するのは、田中さんが異動や退職をしたあとです。後任が同じ感覚で動くことはまずできません。欠品が出て生産ラインが止まる。あるいは慎重になりすぎて過剰在庫が積み上がる。「あの人がいたころはうまくいっていたのに」と、気づいたときには損失が出ている。
AIによる自動発注は、こうした「担当者依存の在庫管理」を仕組みに変える技術です。ただし、AIを入れるだけでは解決しません。最初にすべきことは、今まで田中さんの頭の中にあった「何をいつ頼むか」という判断基準を、言葉に落とすことです。
在庫管理の「感覚発注」をAIで仕組み化する
在庫管理AIとは何か——発注タイミングを自動で判断する仕組み
在庫管理AIとは、過去の在庫推移・消費実績・リードタイム・季節性などのデータから「いつ・何を・どれだけ発注するか」を自動で提示あるいは実行するシステムです。
仕組みの核心は「発注点（リオーダーポイント）」の自動更新にあります。従来は固定値で設定されることが多かった発注点を、AIが消費実績に合わせてリアルタイムに見直します。ベテラン担当者が「今月は受注が増えそうだから少し多めに」と感覚で補正していた部分を、データで代替するのです。
重要なのは、AIは魔法ではないという点です。発注の判断基準が存在しない状態でAIを動かしても、精度の高い提案は出てきません。「過去のデータ」が意思決定に使えるフォーマットで蓄積されているかどうか——これがAI活用の前提条件です。
海外の製造業は何をやっているのか——Blue Yonderとe2openの実例
在庫最適化のAI活用（需要予測・在庫補充AI）で先行するのが、海外のSCM（サプライチェーン管理）プラットフォームです。
Blue Yonder（米国、パナソニック傘下）は、多段階在庫最適化（倉庫・工場・拠点をまたいで在庫を一括で最適化する手法）で、複数拠点の在庫を一体で最適化します。AIと機械学習を組み込んだデータモデルにより、発注判断を継続的に自動チューニング。FY2024には全社で132社の新規顧客を獲得しており、AI/ML搭載のSCMプラットフォームとして市場が拡大しています（出典：Blue Yonder Q4 2024 Company Highlights）。
e2open（米国）は、同社が委託した調査会社Nucleus Researchのレポートによると、サプライチェーン計画のAI導入で運用コストを5〜35%削減、サービスレベルを17%向上、生産性を15%向上したと報告しています。実際にある自動車メーカーでは在庫最適化で1,500万ドル（1ドル145円換算で約22億円）のコスト削減を達成し、売上400億ドル規模の設備機器メーカーでは滞留在庫を30%削減したと報告されています（出典：e2open × Nucleus Research レポート）。
これらは大規模プラットフォームの事例ですが、「需要データを蓄積してAIが発注提案をする」という基本構造は中小製造業でも再現できます。スケールが違うだけで、やっていることは同じです。
AIによる在庫補充最適化の基本フロー
国内事例——AI発注が機能した中小製造業は、何を先に用意したのか
国内の中小製造業でも、AI発注の仕組み化は着実に進んでいます。
LED道路照明製造のMARUWA SHOMEIは、公共案件向け部品の欠品による納期遅延リスクを長年抱えていました。品目数が多く棚卸や在庫管理の工数が膨大で、かつ発注判断は担当者の経験に委ねられていました。同社が導入したのはIoT重量計で実在庫を自動取得し、そのデータをAIエージェントが分析して発注点の上げ下げを提案する仕組みです。半年で対象200品目の在庫金額を約2,400万円から2,100万円へ、約300万円（約15%）削減。同時に在庫管理工数も50〜60%削減されたと報告されています。
注目すべきは「AIの精度がすごい」ことではありません。IoT重量計で実在庫データが自動で集まる状態を先に作ったからこそ、AIが提案する発注点の見直しが機能したという順番です。データが取れないところに、いくら賢いAIを載せても動きません。
この事例の要点は「属人的な発注判断を、誰でも使えるルールに変えた」という一点に尽きます。AIが複雑なことをしているわけではありません。「この品目は在庫がX個を下回ったらY個発注する」という基準をシステムが自動実行しているだけです。その「判断基準」と、それを回す「データ収集の仕組み」を先に用意していたから、AI化がうまくいったのです。
「判断基準の言語化」がすべての起点——AIに発注を任せる前の必須準備
最初に見るべきは、今の発注担当者の頭の中にある「判断の地図」です。
「なぜそのタイミングで発注するのか」を担当者に聞くと、多くの場合「感覚」「慣れ」「前任者から教わった」という答えが返ってきます。この感覚を次の誰かに伝えるのは難しい。しかしAIに伝えるのはもっと難しい——なぜなら、AIはルールとデータしか理解しないからです。
判断基準の言語化とは、以下の問いに答えることです。
- 発注する品目は何か（全品目リスト）
- 発注点はいくつか（在庫が何個を下回ったら発注するか、品目ごとに）
- 発注量はどう決めているか（固定量か、消費量の倍数か、リードタイム分か）
- リードタイムは品目ごとに把握できているか（発注から納品まで何日か）
- 季節変動や受注増加時の補正はどう行っているか
この5項目を主要品目20〜30品目だけでも書き出すと、「うちの発注管理はどこが属人的で、どこをAIに任せられるか」が一目でわかります。
判断基準が存在しない工場では、AIを入れても意味がありません。まず整理が先です。これはAI導入の準備ではなく、業務の再設計です。自社でこの整理が難しいと感じる場合は、その困難さ自体が「属人化の深さ」を示しています。
在庫管理AIを動かす3ステップ——今週から着手できる手順
在庫補充AIの導入は、次の3ステップで進めるのが現場定着への最短ルートです。所要期間はいずれも目安で、対象品目数や既存データの整備状況で前後します。
ステップ1：主要品目の発注基準を棚卸しする（目安2週間）
Excelで構いません。在庫管理の対象品目を洗い出し、現在の発注点・発注量・リードタイムを一覧化します。「よくわからない」品目こそ優先して担当者に確認しましょう。ここで棚卸しができていない場合は、AIより先に台帳整備が必要です。
ステップ2：過去12か月の在庫移動データを確認する（目安1週間）
在庫の増減記録・払い出し記録・発注履歴が、使えるフォーマットで残っているかを確認します。紙の台帳や手書きの記録しかない場合は、デジタル化が先決です。在庫管理AIは「過去の数字」を学習して動く仕組みなので、数字がなければ動きません。
ステップ3：クラウド型ツールで小規模から試す（目安1〜3か月）
主要品目10〜20品目に絞り、クラウド型の在庫・発注管理ツールのAI発注提案機能を使ってみます。最初は「提案を見て人間が発注する」半自動化から始め、精度が確認できた品目から自動化を広げていく方法が現場定着しやすいです。担当者が「AIの提案はおかしい」と感じたときにすぐ介入できる設計にしておくことが、信頼構築の近道です。
まとめ
資材発注の「経験頼み」は、担当者が元気なうちは問題が見えません。在庫切れや過剰在庫が頻発してから気づいたときには、すでに損失が出ています。
導入の成否は、AIシステムの選定より前の「判断基準の言語化」で決まります。何をいつ頼むか——その答えが言葉とデータになって初めて、AIは動けます。まず今週、主要品目5点の発注基準を書き出してみてください。それが、在庫管理のAI化に向けた最初の一歩です。
「これ、AIでできない？」
業務の流れに落とし込みます。
相談内容をもとに、
AIで支援できそうな工程と、
人が確認すべきポイントを整理します。
まずは、分かる範囲で構いません。