AIに在庫管理を任せるときの設計｜計算はシステムに、判断だけをAIに分ける

「AIで在庫管理を自動化したい」という相談を受けたとき、最初にお伝えしている結論があります。在庫の計算をAIにやらせてはいけない、ということです。

AIに任せて成果が出るのは「何を・いつ・どれだけ作るか（仕入れるか）」という判断の部分です。その判断の材料になる「今の在庫は何個か」「週に何個売れているか」「あと何週間で切れるか」という計算は、毎回同じ入力から必ず同じ答えが出る、普通のプログラムにやらせます。

• 計算層（システム）: 在庫の消し込み、週販、季節指数、在庫週数、欠品予測日。Excel関数やPythonで書ける決定論の処理
• 判断層（AI）: 計算結果を読んで「今週これを何個、どの段階まで作る」を理由付きで出す

この2層に分ける設計を、弊社が実際に構築して運用している事例をもとに解説します。対象は約1万2,500品番（SKU）を扱う名古屋の製造小売（革製品メーカー・直営店とECを運営）ですが、考え方は美容室の店販在庫や、材料を仕入れて施術するビジネスにもそのまま使えます。

なぜ計算をAIにやらせてはいけないのか

理由は3つあります。

1つ目は、計算はAIの得意分野ではないからです。 生成AIは「1万2,500品番の在庫を全部正確に消し込む」ような処理をさせると、間違えたときに間違いに気づけません。同じ処理をプログラムで書けば、答えは毎回同じで、検算もできます。

2つ目は、コストです。 全品番の生データをAIに読ませると、それだけで処理量（トークン）が膨らみます。計算をシステム側で済ませて「要約された判断材料」だけをAIに渡せば、弊社の事例では週1回の実行でAI利用料は1回あたり数十円に収まっています。毎日でなく週1回のバッチにしているのも同じ理由で、製造や発注の判断は週次で十分回ります。

3つ目は、検証できるかどうかです。 AIの判断が妥当かを確かめるには、判断の元になった数字が正しいと言い切れる必要があります。計算までAIに混ぜてしまうと、「判断がおかしいのか、数字がおかしいのか」を切り分けられなくなります。

実例：週1回、1万2,500品番を回す製造指示の仕組み

弊社が構築した仕組みの実際の流れです。

計算層（プログラムが毎週やること）

1. ある時点の在庫棚卸しを「基準在庫」として固定する
2. 基準在庫から日々の販売データを消し込み、現在の理論在庫を出す
3. 品番ごとに週販（直近8週と26週のブレンド）と季節指数を計算する
4. 「在庫週数（今の在庫があと何週もつか）」と「欠品予測日」を出す
5. 在庫週数が閾値を切った品番に「製造」「仕入検討」「店舗間移動」の候補フラグを立てる

ここまでは判断が入る余地のない計算です。実際、「理論在庫が基準を下回ったら補充候補に挙げる」だけならExcel関数でも書けます。

判断層（AIが毎週やること）

計算層の出力（候補リストと工場の稼働状況）を読んで、製造指示書を作ります。ここで初めてAIの価値が出ます。実際に出た判断の例を挙げます。

• 繁忙期の前倒し製造: この事業は12月の販売が閑散期の約1.8倍になる季節性があります。年末の需要に合わせて11月に一気に作ると工場がパンクするため、年間の販売数から「週138個の一定ペース」を逆算し、閑散期のうちに売れ筋を作り貯める計画を出す
• 決算をまたぐ工程の判断: 完成品は在庫として資産計上され、決算時の税負担に影響します。AIは品番ごとの製造リードタイムを読んで「この品は着手から3日で完成してしまい決算日前に完成品在庫になるため、型抜きの工程で止める。この品は完成まで15日かかり完成が期明けになるため、完成まで進めてよい」という工程段階付きの指示を理由付きで出しました
• 移動と製造の使い分け: 遠隔地の店舗で品薄になった品番について、他店に在庫があれば移動、どこにもなければ製造、と在庫の全体配置を見て判断する

「季節と決算と工場の忙しさを同時に見て、今週の最適な着手を決める」──この種のトレードオフの判断は、単純なルールでは書き切れません。ここだけをAIに渡すのが層分けの肝です。

設計の手順と判断基準

自社でAI在庫管理を組むときの手順です。

1. 入力データを2つに絞る: 「ある時点の在庫棚卸し（基準在庫）」と「日々の販売データ」。この2つがあれば理論在庫は計算できます
2. 理論在庫は毎回、基準在庫から全再計算する: 「前回の結果に差分を足す」方式は、一度ズレると誤差が累積し続けます。毎回基準からの再計算なら、誤りがあっても原因を1か所に特定できます
3. ルールで書ける処理を全部先に書く: 消し込み・週販・在庫週数・欠品予測日。「Excel関数で書けるか」が計算層に置くかどうかの判定基準です
4. AIには要約とルールを渡す: 全品番の生データではなく、フラグの立った候補と、工場能力・決算月・リードタイムなどの制約条件を渡します
5. AIの出力は「指示＋理由」のセットで受け取る: 理由が書かれていれば、人間が週次で妥当性を確認でき、おかしな判断に早く気づけます

そして運用面でもう1つ。AIの処理が失敗しても、計算層の結果（在庫表）は必ず出るように組んでおきます。AIは外部サービスであり、認証切れや障害で止まる日が必ず来ます。そのときに在庫の数字まで見えなくなる設計だと、業務全体が止まります。

AIの判断を狂わせる、データ側の落とし穴

層分けをしても、計算層に入るデータが歪んでいればAIは歪んだ判断をします。運用で実際に起こりうる（そして弊社が実データで検知・是正した）代表的な落とし穴を3つ挙げます。いずれも「AIが間違えた」のではなく「渡した数字が間違っていた」ケースです。

1. 在庫の二重計算・入庫の反映漏れ

販売の消し込みだけを回して、製造や仕入による「入庫」の反映経路が別管理になっていると、理論在庫が実在庫からズレます。実際に起こりうるのは、実際は15本在庫がある商品が「在庫ゼロ」と計算され、AIが「今すぐ製造」と指示してしまう事態です。防ぐには、入庫補正を含めた在庫計算の経路を1本にまとめること。是正時は、新旧ロジックを同じ条件で並走させて差分を全品番比較するのが確実です。弊社の是正では101品番・533個分の反映漏れが見つかり、「今すぐ製造」と出ていた11品番の誤指示が解消されました。

2. 商品マスタの欠落による誤分類

「商品の区分情報を販売実績から補完する」設計にすると、長期間売れていない品番の区分が失われます。この事業では、自社工場で製造できる品番が118件も「仕入検討」リストに並ぶ状態が起きていました。放置すれば、作れるものを外部に発注するミスを誘発します。商品マスタは販売実績と切り離して独立に持つのが正解です。

3. 「空欄」ではなく「列ごと無い」データ

日々の販売データはPOSからの出力に依存します。出力時の項目選択ミスで、特定の日だけ列が2本足りないということが実際に起こります。値の空欄チェックだけでは「列が無い日」はすり抜けます（列が無いシートを読み飛ばす作りだと、検査対象から外れたまま「異常なし」と出ます）。集計スクリプトには除外した件数を必ず出力させ、検査母数が想定とズレたら止まるようにしておきます。

小さな店舗ビジネスに引き直すと

1万品番の製造業でなくても、構造は同じです。美容室の店販なら、計算層は「棚卸し在庫−レジの販売実績＝現在庫」「商品ごとの月販」で、これはスプレッドシートで組めます。AIに渡すのは「発注候補と、キャンペーン予定・季節・資金繰りを踏まえてどれを先に仕入れるか」という判断だけ。仕組みの規模が変わっても、計算は決定論・判断はAI・失敗してもAI無しで数字は見えるという3点は変わりません。

まとめ

• AI在庫管理の正しい設計は「全部AI」ではなく2層分離。消し込み・週販・在庫週数はシステム、何をいつどこまで作るかはAI
• 判定基準は「Excel関数で書けるか」。書ける処理をAIにやらせるのはコストと検証性の両面で損
• 理論在庫は差分更新でなく毎回基準在庫から全再計算。入庫の反映経路は1本化する
• 商品マスタは販売実績から切り離して持つ。区分の欠落は誤発注に直結する
• AIが止まっても計算層の数字は出る設計にする。AIは判断と理由を書く係、数字はシステムの係

弊社では、この設計での在庫管理・製造指示の自動化を、データの受け取り方の設計から週次運用の定着まで一貫して支援しています。「うちの在庫データでできるのか」という段階のご相談で構いません。お気軽にお問い合わせください。