A: AIスケジューリングが実際の意思決定価値を生むには、データ基盤は単に「存在すればよい」ものではなく、完全・正確・細粒度・新鮮という4つを同時に満たす必要があります。どれか一つが欠けると、アルゴリズムの推奨は当て推量に劣化します。
よくある場面を想像してください。ある電子工場の計画担当者が朝8時にシステムを開くと、AIは本日SMTの3ラインすべてを機種Aに切り替えるよう推奨しています。彼は画面を見つめ、10分迷い、最終的に自分の経験に基づいて計画を元に戻しました。なぜでしょうか。システムは、2号ラインに昨日の午後に特急注文として割り込ませた半製品のバッチが残っていることを知らず、機種Bのソルダペーストが午後3時までしか持たないことも知らないからです。これがデータ基盤が不十分なときのAIスケジューリングの最も現実的な姿です。推奨は美しく見えますが、計画担当者は使う勇気を持てません。
1. 受注・作業指示データは「生きて」いなければならない。昨日のスナップショットではだめ
スケジューリングは需要から始まります。AIには、納期、優先度、数量、工順、顧客からの変更記録、そして営業が口頭で約束したもののまだ入力されていない特急注文を含む、生きたまま継続的に更新される受注プールが必要です。システムがERPから夜間に同期された作業指示しか参照できないなら、AIが計算した計画は生成された瞬間に古くなっています。ここで重要なのはデータ量ではなく、鮮度と変更のトレーサビリティです。
2. リソースデータは意思決定を制約できる粒度でなければならない
多くの工場はリソースデータを設備台帳のレベルでしか持っておらず、それではまったく足りません。AIスケジューリングは、各機械の現在の治具・取付具の状態、段取り替え時間のマトリクス、作業者のスキル適合、さらには特定のマウンタの直近の実装不良率まで知る必要があります。ある自動車部品企業が射出成形工場の計画を立てるとします。同じ機械でも金型によって実際の金型交換時間がどれだけ異なるかをシステムが知らなければ、AIが提案する最適な順序は現場で実行できません。リソースの可用性、能力上限、切替コストは、すべて構造化して捉えなければなりません。
3. 材料・仕掛品データは「今いくつあるか」に答えられること
スケジューリングと材料は不可分です。AIには、在庫、輸送中、ラインサイド倉庫、工程間の仕掛品の所在をリアルタイムに可視化する必要があります。ある電子工場では、AIが作業指示をラインに割り当てたものの、そのラインの重要材料が別の職場で検査待ちになっていたことがありました。システム上は在庫ありと表示されますが、物理的には手が届きません。したがってデータ基盤では、材料の数量そのものよりも、所在と状態の属性が重要になります。
4. 過去の実行データこそAIが経験を得る源泉
履歴がなければ、AIはルールベースの計算しかできず、学習ベースの最適化はできません。実績のサイクルタイム、実績の作業指示完了時刻、異常・停止の記録、実績の段取り時間は、システムに還流させる必要があります。これらが、AIが納期順の並べ替えのレベルにとどまるか、経験豊富な職長の判断に徐々に近づけるかを決めます。ERP時代から数十年この分野に取り組み、120万社の顧客にサービスを提供し、累計数千万台の端末を導入してきたベンダーは、こうした実行データの取得経路がより整っていることが多く、選定時に注目する価値があります。
5. データ品質の仕組みには、データそのものより投資すべき
最後に一言。データを一度で全部きれいにしようと期待してはいけません。より現実的なのは、スケジューリング専用の検証ルールを設けることです。たとえば作業指示に工順がなければスケジューリングをブロックする、設備状態が一定時間更新されていなければ信頼できないとフラグを立てる、といったルールです。データが不完全なときは、AIに積極的に不確実性を示させ、無理にもっともらしい断定を出させないでください。そのほうが完璧なデータを追うより、計画担当者の信頼を得られます。
まとめると、スケジューリングにおけるAI支援の意思決定の価値は、受注・リソース・材料・実行の各データをリアルタイムで細粒度かつトレーサブルにできるかどうか、そしてデータの欠落を認める検証の仕組みを備えられるかどうかにかかっています。データ基盤がその水準に達すれば、AIの推奨は「ちらっと見るもの」から「計画担当者が安心して計画を立てられるもの」に変わります。