【2026年版】生産計画の自動化｜生成AI・APSで進化する需給調整

生産計画とは、需要に合わせて、いつ・どの設備で・何を・どれだけ作るかを決める業務です。

多品種少量化やサプライチェーンの変動が進むなか、担当者の経験だけで計画を立て、変化のたびに組み直すことは難しくなっています。

そこで注目されているのが、APSやAIを活用した生産計画の自動化です。需要予測や在庫、材料、設備能力などのデータをもとに、計画の作成や作業順序の調整、変動時の再計画を支援します。

さらに、生成AIやエージェント型AI、デジタルツインの活用も進み、生産計画は「人が一から作る」形から、「AIが計画案を提示し、人が確認・承認する」形へと変わりつつあります。

本記事では、生産計画を自動化する仕組みや導入時の注意点を解説するとともに、Blue Yonder、Kinaxis、o9 Solutions、Oracleなど、海外企業の取り組みを紹介します。

生産計画の自動化は、生成AIとAPSで「経験で組む計画」から「AIが提案し人が承認する計画」に進みつつある

生産計画の自動化は、熟練担当者が経験と勘で計画を組む進め方に加え、需要と設備能力のデータをもとにAPSやAIが実行可能な計画を提案し、人が妥当性を確認・承認する進め方が広がりつつあります。

APSとは、需要や納期に対して、在庫、材料、設備能力などの制約を踏まえ、生産計画や作業順序を作成・最適化するシステムです。

これまでの生産計画は、需要見込みと現場の状況を担当者が頭の中で突き合わせ、表計算ソフトや専用システムで計画を組み立てる形が中心でした。

2026年現在は、需要予測、設備能力や在庫の制約、順序計画までをAPSが自動で扱い、そこに生成AIやエージェント型AIを重ねて、変動時の再計画まで支援できる段階に入っています。

そこに「人が最終承認する仕組み（ヒューマン・イン・ザ・ループ）」を組み込むことで、計画立案のスピードを保ちながら、現場の実情に合った計画を維持しやすくなります。

こうした仕組みには、人が計画を最終承認する方法に加え、AIが実行できる範囲やルールをあらかじめ定め、その処理を人が監督する方法もあります。これにより、現場の実情を反映しながら、計画立案や変動対応の迅速化が期待できます。

たとえばKinaxisは、状況変化の影響を分析して対応案を提示し、人の承認後に実行するAIエージェントを紹介しています。一方、Blue Yonderは、サプライチェーンの変化を継続的に監視し、問題の検知や解決策の提示に加えて、あらかじめ定められた範囲で特定の業務処理を実行するAIエージェントを展開しています。

ただし、こうしたAIの効果は、需要・在庫・設備能力のデータがどこまで整い、連動しているかに大きく左右される点には、あらかじめ注意が必要です。

参考：

• Advanced Planning and Scheduling | Siemens 
• AI agents are here—and they’re a game changer for how we manage supply chains 
• AI Agents for Supply Chain Software | Blue Yonder 

▼製造業のDXについて詳しく知りたい方はこちら
製造業のDXとは？重要性や成功までのロードマップを徹底解説

生産計画の自動化が求められる背景と課題

生産計画にAIを取り入れる動きの背景には、熟練計画担当者の属人化と不足、多品種少量化とサプライチェーン変動、そして需給データの分断という課題が、同じタイミングで重なっている現実があります。

ここでは、生産計画の自動化が「あれば便利」ではなく「経営課題」として論じられる背景を、3つの切り口で整理します。

熟練担当者への属人化と人材不足で、計画立案が滞りやすい

生産計画は、需要見込み、設備の制約、段取り替えの順序、材料の手配といった多くの条件を同時に考慮する、経験の要る仕事です。

計画条件や例外時の判断ルールが明文化されていない企業では、こうした判断は特定の熟練担当者に集中し、その人が不在になると計画の質が落ちたり、立案自体が滞ったりするリスクを抱えています。

製造業全体でも、技能継承の難しさが顕在化しています。JILPTの2026年調査では、技能継承を重視する企業が91.1％に上る一方、継承がうまくいっているとの回答は33.3％にとどまりました。

少子高齢化と採用難で計画人材の確保が難しくなるなか、属人化した計画立案を、データとAIで支えられる形に移していく必要性が高まっています。

参考：9 割超のものづくり企業が技能継承を重視 | 独立行政法人 労働政策研究・研修機構 

多品種少量化と供給変動で、需給のズレに即応しにくい

製品バリエーションが増加すると、品目ごとに納期、材料、使用設備、段取り替えを調整する必要があり、生産計画は複雑になります。さらに部品の供給遅延や需要の急変が起きると、一度立てた計画を短期間で組み替える必要が生じますが、人手中心の再計画では変化のスピードに追いつきにくくなります。

需給のズレを早く捉えて計画へ反映できるかどうかが、欠品と過剰在庫の両方を抑えるうえで重要な論点になっています。

▼AIによる需要予測について詳しく知りたい方はこちら
需要予測 AI｜経験と勘に頼らないデータドリブン経営

需給・在庫・設備のデータの分断によって、計画精度とスピードを妨げられやすい

生産計画に必要なデータは、需要予測、在庫、設備能力、受注情報というように、部門やシステムごとに別々に管理されている企業もあります。

データがつながっていないと、需要の変化が計画や現場にどう波及するのかを一気通貫で追えず、計画の前提が実態からずれるリスクがあります。

AIに計画を支援させるうえでも、需要・在庫・設備能力などのデータを同じ基盤で連動させておくことが、精度と対応スピードの土台になります。

▼AIによるデータ分析について詳しく知りたい方はこちら
「AI x データ分析」で経営戦略の精度を向上・経験と勘からの脱却

生成AIで進化する生産計画の自動化｜5つのアプローチと海外事例

生産計画の自動化は、APSによる計画、需要予測、生成AIの支援、エージェント型AIによる再計画、デジタルツインによる検証の5つの観点から整理します。

海外企業・機関も、それぞれの領域で製品や機能を提供しています。ここでは、需要の把握から現場の順序計画までをつなぐ形で、各アプローチを「手法・実企業・効果」のセットで取り上げます。

APSで計画・順序計画を自動化する｜Oracle

APSは、需要と生産能力・制約を突き合わせ、長期の計画から詳細な順序計画（スケジューリング）の作成・最適化を支援するシステムです。米国NISTがManufacturing Leadership Councilの調査をもとにまとめた資料では、回答企業の40％が、AIの適用領域として生産計画を挙げています。NISTは、予測分析を活用するユースケースの一つとして、生産スケジューリングも紹介しています。Oracleは、Fusion Cloud Supply Chain Planningで、需要情報や供給制約、関係者からの情報を統合し、供給不足リスクに応じた供給の優先順位付けや供給経路の変更、動的な生産スケジューリングを支援する機能を提供しています。

人手では試しきれない多数の制約を織り込んだ計画を素早く立てられるため、段取り替えの多い多品種少量の現場ほど、立案工数の削減と稼働率の向上が期待されます。

参考記事：

• The Rise of Artificial Intelligence(AI) in U.S. Manufacturing | NIST 
• Supply Chain Planning（Oracle）

需要予測とデマンドセンシングで需給を合わせる｜SAP

生産計画の起点となる需要予測では、時系列モデルや機械学習を組み合わせて精度を高める取り組みが進んでいます。

SAP Integrated Business Planning（IBP）は、販売需要シグナルに合わせて計画を自動調整する「デマンドセンシング」を備え、実需の変化を短期の計画へ反映しやすくしています。

需要の変化を早く捉えられれば、欠品と過剰在庫の両方を抑えながら、計画の前提を実態に近づける効果が期待できます。

参考記事：Demand Planning（SAP Integrated Business Planning）

生成AIのタッチレスプランニングで定型判断を減らす｜o9 Solutions

生成AIを使うと、計画担当者が自然言語で状況を伝えるだけで計画案づくりを支援してもらえるほか、定型的な調整をAIに任せられるようになります。

o9 Solutionsの「Digital Brain」は、計画担当者による修正を監視し、定型的な計画調整やデータの補正を自動化する「タッチレスプランニング」を備えています。また、生産スケジューリングでは、材料や設備能力などの制約を考慮しながら、ドラッグ＆ドロップで作業順序を調整できます。

実際に、ビール大手のAB InBevはo9を活用し、米国の需要計画の85%をタッチレス化するとともに、在庫を20%削減し、需要予測の精度を87%まで高めたと公表されています。

定型判断の手間が減れば、熟練担当者の判断を形式知として引き継ぎやすくなり、属人化を抑えやすくなります。ただしAIの計画案は、担当者が現場の文脈で妥当性を確かめる運用が必要です。

参考記事：

• AI-Driven Supply Chain Planning（o9 Solutions）
• AB InBev’s Journey With o9（o9 Solutions）
• The Key Learnings from aim10x digital 2025 – o9 Solutions 

▼暗黙知を形式知に変換する方法について更に詳しく知りたい方はこちら
生成AIで暗黙知を形式知化するメリットやプロセスを解説

エージェント型AIで変動時の分析と再計画を支援する｜Blue Yonder・Kinaxis

エージェント型AIは、目的を与えると自ら状況を捉え、計画の調整や関連する手配までを自律的に進めるAIです。

Blue YonderはNVIDIAと共同で、エージェント型AIにより供給・需要計画や倉庫・輸送の意思決定を横断し、サプライチェーンを自律的に動かす構想を示しています。Kinaxisも、計画プラットフォーム「Maestro」のAIエージェントが、複数の計画を同時に扱う「コンカレント・プランニング」の基盤で計画サイクルを回すとしています。

こうした計画基盤の効果は、実際の導入事例にも表れています。Blue Yonderが公表する顧客事例によると、配管・バルブメーカーのASC Engineered Solutionsは、Blue Yonderの計画基盤の導入初年度に、需要予測の精度が10ポイント向上、在庫が15%削減、納期遵守（OTIF）が15ポイント向上したとされています。

供給遅延や需要急変が起きたときに、影響評価から代替案の提示までを速められれば、変動への対応スピードを高められます。どこまでをAIに委ね、どこから人が判断するのかを工程ごとに切り分けておくことが前提です。

参考記事：

• Blue Yonder Develops Model Training Factory…（Blue Yonder / Business Wire）
• ASC Engineered Solutions（Blue Yonder）
• AI agents in Kinaxis Maestro（Kinaxis）

▼生成AI駆動なサプライチェーン・バリューチェーンについて更に詳しく知りたい方はこちら
生成AI駆動でサプライチェーンとバリューチェーンを統合・強化

デジタルツインで計画を仮想検証する

デジタルツインは、設備やラインを仮想空間に再現し、計画変更の影響を実機を止める前に試算する仕組みです。

NIST MEPも、デジタルツインがAIを使って設備やシステムをシミュレートし、リアルタイムの検証や継続的な改善を可能にすると整理しています。

計画の変更を仮想空間で検証してから現場へ反映することで、切替や再計画にともなう混乱や損失を抑えつつ、在庫・欠品・段取りのムダを同時に抑える効果が期待できます。

参考記事：

• The Rise of AI in U.S. Manufacturing（NIST MEP）
• PREP Fellowship: Digital Twins in Manufacturing | NIST 

▼デジタルツインについて更に詳しく知りたい方はこちら
デジタルツインと生成AIが実現する超高精度な検証環境の構築

エムニの事例｜生産計画自動化を支えるデータ活用とAI実装

エムニは京都大学発・松尾研発のスタートアップとして、製造業の現場とITの間にある分断を、生成AIの実装でつなぐ役割を担っています。

今回取り上げる公開事例は、生産計画そのものを自動化したものではありません。ですが、計画の土台となるデータ活用や、投資判断を早める進め方など、生産計画の自動化に共通する要素も含んでいます

設備保全文書の作成支援と計画の土台データの整理

エムニはダイセル様とのプロジェクトで、化学プラントの設備保全業務を効率化する生成AIの取り組みを進めています。

本プロジェクトでは、設備保全に関する社内文書や法規・規格などを生成AIで参照し、工事仕様書や工事手順書の作成・チェックを支援します。こうした設備関連情報を整理して活用できる状態にすることは、将来的に保全予定や設備停止の情報を生産計画へ反映する際の基盤にもなり得ます。

また、エムニは一般的なAI開発支援として、要件整理やモデル・システムの開発から、導入後の運用保守までを一気通貫で支援するとしています。

▼ダイセル様の化学プラント業務効率化プロジェクト（生成AI活用）に関する案件事例はこちら
【京大/松尾研発スタートアップ】エムニとダイセルが、生成AIを活用して化学プラントの設備保全業務を効率化するプロジェクトを開始

技術文書の情報抽出と、爆速デモで合意形成を早める

生産計画の自動化では、需給や設備の情報に加え、仕様書や手順書といった技術文書を正しく読み取り、整理する必要が生じる場合があります。

エムニは住友電気工業様との取り組みで、研究開発領域の生成AI・MI（マテリアルズ・インフォマティクス）活用を支援し、技術文書からの情報抽出やデータ活用を伴走してきました。

また、エムニは自社の開発実績として、論文サンプルの受領翌日に調査効率化AIのデモを説明した例や、100ページ規模の資料をもとに1週間で要件整理から動くシステムまで構築した例を紹介しています。

▼住友電工様の生成AI・MI活用による製造業R&D変革に関する案件事例はこちら
製造業R&Dを変える生成AI・MI活用

生産計画の自動化に生成AIを使う注意点

生産計画の自動化への生成AI活用には、AIの誤判断、PoC止まり、機密データの扱いといった、知っていれば回避しやすい注意点があります。

ここでは、3つの注意点を整理します。

AIの誤判断に注意し、人が最終承認する仕組みを設ける

生成AIの出力は参照するデータの質にも左右されます。そのため、需給や設備のデータが古く不完全な状態では、実態とずれた提案を出しかねません。

納期や在庫、稼働に直結する計画では、AIの出力をそのまま実行に移さず、担当者が妥当性を最終承認するヒューマン・イン・ザ・ループを設けることが重要です。

総務省・経済産業省の「AI事業者ガイドライン（第1.2版）」でも、AIの利用にあたっては、データの正確性や安全性、セキュリティなどをリスクに応じて検討する考え方が示されています。

検証の手順と承認の権限を、AIの導入と同じタイミングで設計しておくと運用が安定します。

参考：総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年） 

PoC止まりを避け、データ基盤と業務プロセスから整える

生産計画のAIは、需給・在庫・設備能力のデータ基盤や、計画案を確認・承認して現場へ反映する業務プロセスが整っていないと、PoC（概念実証）で成果を出しても本番運用に移行しにくくなります。

生成AIの効果は現場のデータ整備の質に依存するため、最初からデータ基盤と業務プロセスの見直しを含めた評価軸でプロジェクトを設計しておくことが重要です。

まずは効果の見えやすい範囲で小さく始め、データ整備や現場の運用ルールと一体で段階的に広げていく進め方が現実的です。

機密データの外部流出に注意し、機密度に応じて利用環境を選ぶ

生産計画で扱う需給情報、原価、設備能力、取引先の情報には、競争力の源泉となる機密性の高い情報が多く含まれます。

外部のクラウド型AIサービスを利用する際は、入力データの学習利用や保存期間、アクセス権限、削除条件などを確認する必要があります。データの機密性を段階的に整理し、機微なデータはオンプレミスやプライベート環境で扱う前提で計画を立てるとよいでしょう。

▼オンプレミス環境でのAI利用についてはこちら
オンプレミスLLMとは｜情報漏洩を防ぎつつ競争優位性あるAIを構築

生産計画自動化の競争力は、需給データ基盤と人の最終承認で決まる

2026年現在、生産計画の自動化は、担当者が経験で計画を組む段階から、需給と設備のデータをもとにAPSやAIが計画を提案し、人が判断・調整する運用への移行を進める企業が増えています。

AIやAPS単体の性能ではなく、需要・在庫・設備能力を連動させる統合データ基盤と、AIの提案を人が最終承認するヒューマン・イン・ザ・ループの設計を行うことによって、競争力が大きく向上することが期待されます。

企業として進めるべきは、需給データの統合基盤の整備、需要予測・APS・エージェント型AIの段階的な導入、そして計画を担う人材のリスキリングです。

まずは効果の見えやすい範囲で小さなデモを動かし、投資判断と現場合意を早めながら、段階的に対象を広げていく進め方が現実的です。

もし自社のどこから生産計画の自動化に着手すべきかがわからない場合や、PoCから本番運用へのスケールアップで詰まっている場合は、ぜひエムニにご相談ください。

エムニへの無料相談のご案内

エムニでは、製造業をはじめとする多様な業種に向けてAI導入の支援を行っており、100社以上の支援実績があります。

案件事例やエムニならではの強みが気になる方はぜひこちらの記事もお読みください。

開発パートナーを検討中の企業様へ

自社に最適なAI導入戦略や現場に定着させるまでの流れについて、疑問や不安をお持ちの方はぜひお気軽にご相談ください。