想定読者： 年商20〜500億円・従業員100〜1,000名・国内2〜3工場規模の中堅製造業のCFO、SCM部長、生産管理部長。完成品・半製品・原材料の在庫日数が60〜90日に膨らみ、運転資本が10〜25億円規模で固定化されている組織。

中堅製造業の経営では、利益率改善と同等以上に運転資本効率が重要だ。在庫が運転資本を圧迫し、キャッシュフローと新規投資余力を奪う。本稿では、AI需要予測とS&OP（販売事業計画）プロセスの統合で、在庫日数を40%圧縮し、運転資本5億円規模を削減するシナリオを整理する。

在庫の数値ペイン

中堅製造業で起きている在庫関連の数値の典型像を示す。

指標健全な状態困っている工場の実数値
完成品在庫日数15〜30日40〜70日
原材料在庫日数20〜40日50〜90日
仕掛品在庫日数5〜10日12〜25日
在庫回転率（年）8〜12回4〜7回
死蔵在庫比率2〜5%8〜15%
業種・サプライチェーン構造で大きく変動するが、中堅製造業では年商の20〜30%が在庫として固定化されているケースが珍しくない。

在庫圧縮を阻む3つの構造要因

単純に在庫を減らせば良いわけではない。在庫が膨らむ構造要因を理解する必要がある。

要因1：需要変動への過剰バッファ

需要予測精度が低く、欠品リスクを避けるため安全在庫を厚く積む。実需を超えた予測在庫が滞留する。

要因2：ロットサイズと最小発注単位

原材料の最小発注単位が大きく、製造ロットも経済性重視で大きく取る。結果として「使い切れない原材料」「売れ切るのに時間がかかる完成品」が発生。

要因3：S&OPプロセスの不在

営業の販売計画、生産の能力計画、調達の発注計画が部門別に作られ、整合性が取れない。バッファの積み増しが各部門で起きる。

3要因を同時に解かないと、AI需要予測だけ入れても在庫は減らない。

AI需要予測+S&OPの設計

層1：AI需要予測

過去出荷・受注・季節性・市況・販促などを統合し、機械学習で予測精度を改善する。中堅製造業の典型では、予測精度（MAPE）を25%→15%まで改善できる。

層2：S&OPプロセス

月次（理想は週次）で、営業・生産・調達・財務が同じ予測値を見て、計画調整する場を設ける。AI予測は「叩き台」、人による調整が「最終計画」。

層3：在庫ポリシー再設計

ABC分析と需要変動性に応じて、品目ごとの安全在庫水準を再設計。AI予測の改善幅に応じて安全在庫を段階的に下げる。

3層を順次積み上げると、在庫日数40%圧縮が射程に入る。

月次効果のレンジ試算

年商150億・在庫日数60日の中堅製造業の例。

  • 在庫日数60→36日（24日圧縮）：運転資本約10億円圧縮
- 金利機会費用（年2%）：月170万円

- 倉庫・保管費削減：月80〜200万円

  • 死蔵在庫処分損削減（年8%→3%）：月100〜250万円
  • 欠品リスク維持での失注回避（精度向上効果）：月50〜150万円
  • 需要計画担当者の業務時間削減：月30〜80万円
  • 合計：月430〜850万円（年5,200万〜1.0億円）+ 一過性の運転資本5〜10億円圧縮

初期投資（AI予測基盤＋S&OP導入支援、1,500〜4,000万円）に対し、回収期間9〜18ヶ月のレンジ。

12ヶ月実装ロードマップ

期間主要施策成果指標
0〜3ヶ月データ整備・予測対象品目選定・現状予測精度算定MAPE算定、対象品目決定
4〜6ヶ月AI需要予測PoC・既存方式と並走比較予測精度+5〜10pt改善
7〜9ヶ月S&OPプロセス導入・月次会議定着営業・生産・調達の整合計画
10〜12ヶ月安全在庫水準再設計・段階的在庫圧縮在庫日数-15〜25日
12ヶ月で在庫日数40%圧縮の射程。残り6ヶ月で品目展開を完了する36ヶ月計画もあり得る。

失敗しないための4つの設計原則

  1. 欠品リスクを先に決める：在庫圧縮の代償として欠品リスクが上がる。許容欠品率を品目別に経営合意してから始める。
  2. AI予測は叩き台：AIに頼り切ると現場が予測を信じなくなる。人の調整余地を残し、AI予測の根拠を可視化する。
  3. S&OP定着が要：技術導入だけでは在庫は減らない。月次S&OP会議の定着、KPI、責任分担が運用の核。
  4. 段階的圧縮：安全在庫水準の引き下げは段階的に。一気に下げると欠品が出て信頼を失う。

中堅製造業特有の注意点

  • 多品種少量・受注生産品の扱い：AI予測が効きにくい品目は、受注生産化や見込み生産から後送りに切り替える。
  • 季節商品・新製品：データが少ない品目は人の判断と組合せ。AI予測単独に任せない。
  • 海外調達のリードタイム制約：原材料調達リードタイムが2〜3ヶ月の場合、需要予測精度向上の効果が限定的。サプライヤー集約・国内化と併用する。

「在庫日数が60日超えで運転資本が固定化しとる。圧縮したいが欠品リスクが怖くて手をつけられん」

中堅製造業（年商20〜500億）の在庫圧縮・AI需要予測導入を100件以上支援した経験から、貴社の品目構造に合うS&OP設計をご提案します。

在庫圧縮の無料相談を予約する

※ 営業電話はしません | オンライン対応可 | 相談だけでもOK

よくある質問

Q. AI需要予測の精度はどれくらい上がりますか。 A. 既存方式のMAPEが25〜30%の場合、AIで15〜20%まで改善するケースが多い。元の精度が15%以下の場合、改善幅は限定的。

Q. S&OPは何人で運営しますか。 A. 中堅製造業では専任2〜4名（需給計画担当）が中核。月次会議には営業・生産・調達・財務の責任者が参画する10〜15名規模が標準。

Q. ERPの在庫管理機能で十分ではないか。 A. ERPは在庫の記録・参照には十分だが、需要予測ロジックとS&OP運用支援は弱い。AI予測モジュールやS&OPツールを追加するケースが多い。

GXOでは、中堅製造業向けの在庫圧縮、AI需要予測、S&OPプロセス導入の無料相談を受け付けております。

追加の一次情報・確認観点

この記事の内容を社内で検討する場合は、一般論だけで判断せず、次の一次情報と自社データを照合してください。特に、稟議・RFP・ベンダー選定では「何を実装するか」よりも「どのリスクをどの水準まで下げるか」を先に決めると、見積もり比較のブレを抑えられます。

確認領域参照先自社で確認すること
AIリスク管理NIST AI Risk Management Framework用途、リスク、評価方法、運用責任者を確認する
LLMセキュリティOWASP Top 10 for LLM Applicationsプロンプトインジェクション、情報漏えい、権限設計を確認する
AI事業者ガイドライン総務省 AI関連政策説明責任、透明性、安全性、利用者保護の観点を確認する
DX推進IPA デジタル基盤センターDX推進指標、IT人材、デジタル基盤の観点で現状を確認する
個人情報個人情報保護委員会個人情報・委託先管理・利用目的・安全管理措置を確認する

稟議・RFPで使う数値設計

投資判断では、導入前後で測れる指標を3から5個に絞ります。下表のように、現状値・目標値・測定方法・責任者をセットにしておくと、PoC後に本番化するかどうかを判断しやすくなります。

指標現状確認目標の置き方失敗しやすい例
対象業務数現状の対象業務を棚卸し初期は1から3業務に限定対象を広げすぎて要件が固まらない
月間処理件数件数、担当者、例外率を確認上位20%の高頻度業務から改善件数が少ない業務を先に自動化する
例外対応率手戻り、確認待ち、属人判断を計測例外の分類と承認ルールを定義例外をAIやシステムだけで吸収しようとする
正答率・再現率テストデータで評価業務許容ラインを明文化体感評価だけで本番化する
人手確認率承認が必要な判断を分類高リスク判断は人間承認全自動化を前提に設計する

よくある失敗と回避策

失敗パターン起きる理由回避策
目的が曖昧なままツール選定に入る比較軸が価格や機能数に寄る経営課題、業務課題、測定KPIを先に固定する
現場確認が不足する例外処理や非公式運用が見落とされる担当者ヒアリングと実データ確認を必ず行う
運用責任者が決まっていない導入後の改善が止まる業務側とIT側の責任分界をRACIで定義する
AIの回答品質を本番で初めて確認する評価データと禁止事項が未定義テストセット、NG例、監査ログを用意する

GXOに相談する前に整理しておく情報

初回相談では、次の情報があると診断と提案の精度が上がります。すべて揃っていなくても問題ありませんが、分かる範囲で用意しておくと、概算費用・期間・体制の見立てを早く出せます。

  • 対象業務の現行フロー、利用中システム、Excel・紙・チャット運用の一覧
  • 月間件数、担当人数、手戻り件数、確認待ち時間などの概算
  • 個人情報、機密情報、外部委託、権限管理に関する制約
  • 希望開始時期、予算レンジ、社内承認者、決裁までの流れ
  • AIに任せたい業務、任せてはいけない判断、評価に使える過去データ

GXOでは、現状整理、要件定義、RFP作成、ベンダー比較、PoC設計、本番移行計画まで一気通貫で支援できます。記事の内容を自社に当てはめたい場合は、まずは現在の課題と制約を共有してください。