「ベテランの勘」が会社を救ってきた──そして、会社を縛り始めた

「この時期は多めに仕入れておけば大丈夫」「去年もそうだったから」──地方の製造業・卸業の現場では、こうした経験則による発注判断が今も主流です。長年培った勘は確かに価値があります。しかし、その勘を持つベテランが退職したとき、あるいは想定外の需要変動が起きたとき、企業は一気に在庫リスクにさらされます。

本記事では、徳島を含む地方製造業が「経験則発注」から脱却し、在庫回転率AI改善を実現した実例と、その背景にある構造的な問題を整理します。AI導入の話である前に、これは経営の意思決定をどう設計するかという話です。

在庫問題は「管理の問題」ではなく「意思決定の問題」

まず数字を確認しましょう。中小企業庁の調査によると、製造業における在庫保有コストは売上高の約10〜15%に上ると言われています。過剰在庫は資金繰りを圧迫し、逆に欠品は顧客離れを招きます。この二つのリスクを同時に抑えることが、在庫管理の本質的な課題です。

ところが多くの中小製造業では、発注判断の根拠が属人的なままです。経済産業省のDX推進指標でも、中小企業のデジタル化の遅れとして「業務プロセスの暗黙知化」が繰り返し指摘されています。在庫発注はその最たる例です。

「誰が決めているか」ではなく、「何を根拠に決めているか」が問題の核心です。経験則は過去データの圧縮版ですが、環境変化への対応力が低い。AIはその弱点を補う道具になり得ます。

在庫回転率AI改善とは何をしているのか

在庫回転率の定義をおさらいする

在庫回転率とは「売上原価 ÷ 平均在庫金額」で計算される指標です。この数値が高いほど、在庫が効率よく販売・消費されていることを意味します。業種によって適正値は異なりますが、製造業では一般的に年間6〜12回転が目安とされます。

回転率が低い状態、つまり在庫が滞留している状態は、倉庫コスト・資金コスト・廃棄リスクの三重苦を生みます。これを改善するためには、発注量と発注タイミングの精度を上げるしかありません。

AIが介入できるポイントはどこか

AIによる在庫最適化のアプローチは、大きく以下の三段階に分けられます。

  • 需要予測の精度向上：過去の販売データ・季節性・外部要因（天候、イベント等）をもとに、将来の需要量をより正確に予測する
  • 発注点・発注量の自動計算：リードタイム・安全在庫を加味した上で、最適な発注タイミングと量を算出する
  • 異常検知と警告：需要パターンが通常と乖離した場合に、自動でアラートを出す

これらは大企業専用の話ではありません。ExcelベースのデータをAIツールに読み込ませるだけでも、需要予測の精度は大幅に向上します。重要なのは「AIに任せる」のではなく、「AIの提案を人間が判断材料として使う」という設計です。

この「AIをどのレベルで活用するか」という視点は、AI活用成熟度モデル Lv.1〜5で詳しく解説していますが、在庫管理においてはLv.2〜3（業務への部分適用）から始めるのが現実的なスタートラインです。

地方製造業の実例：経験則発注からの脱却

典型的な「Before」の状態

ある地方の金属加工業者（従業員30名）では、発注担当者が月に一度、在庫棚を目視確認して発注量を決めていました。基準は「なんとなく少ない気がしたら多めに頼む」というもの。結果として以下の問題が慢性化していました。

  • 繁忙期前に在庫を過剰積み上げ、資金が3〜4ヶ月分固定される
  • 一方で特定の素材は欠品が続き、生産ラインが止まる事態が年数回発生
  • 担当者が退職した際、引き継ぎがほぼ不可能な状態だった

AIを使った「After」の設計

改善のステップは以下の通りです。ポイントは、高価な専用システムを入れるのではなく、既存データの整備とAIツールの組み合わせから始めた点です。

  • Step1：データの棚卸し ── 過去2〜3年分の発注記録・販売実績・リードタイムをExcelに集約
  • Step2：需要予測モデルの作成 ── ChatGPTのデータ分析機能（旧Advanced Data Analysis）や、Googleの無料ツール「Looker Studio」を使って季節変動パターンを可視化
  • Step3：発注点の数値化 ── 安全在庫日数を設定し、在庫量が一定水準を下回ったら発注するルールを明文化
  • Step4：月次レビューの仕組み化 ── 予測と実績の乖離を毎月確認し、モデルを更新する運用サイクルを設ける

この取り組みにより、在庫回転率は導入前の年間5.2回転から7.8回転へ約50%改善。過剰在庫による資金拘束が減り、浮いたキャッシュを設備投資に回すことができました。

なぜ地方中小企業はこの改善を後回しにするのか

総務省の「令和5年版 情報通信白書」によれば、中小企業のデジタル活用状況は大企業と比較して大幅に遅れており、特に「データを経営判断に活用している」と答えた中小企業は全体の3割に満たないとされています。

その背景には、いくつかの構造的な要因があります。

  • 「今のやり方で回っている」という現状維持バイアス：問題が顕在化するまで動かない、典型的な経営パターン
  • デジタル人材の不足：データ整備・分析を任せられる人材が社内にいない
  • 「AI＝大規模投資」という誤解：既存の無料ツール・低コストツールで十分なケースが多いにもかかわらず、導入障壁を高く見積もりすぎている

この「最初の一歩」の踏み出し方については、地方中小企業がAI導入より先にやるべきことでも詳しく触れていますので、合わせてご覧ください。

在庫回転率AI改善を始めるための3つのチェックポイント

「自社でも取り組めるか」を判断するために、まず以下の3点を確認してください。

  • ① 過去2年分の発注・販売データはデジタルで存在するか？ ── 紙台帳しかない場合、まずデジタル化が先決です
  • ② 発注判断の担当者は1人に集中していないか？ ── 属人化が進んでいる場合、その人の退職リスクが最大の経営リスクになっています
  • ③ 在庫回転率を今期と前期で比較できるか？ ── 測定できていないものは改善できません。まず計算してみることが出発点です

一つでも「できていない」があれば、そこがAI活用より先に手を打つべきポイントです。逆に言えば、データが存在してさえいれば、AIによる需要予測は今日から始められます。

経験則を「資産」として残しながら、AIで「精度」を上げる

誤解してほしくないのは、「ベテランの勘を捨てろ」という話ではないということです。長年の経験から生まれた発注感覚は、実は貴重なデータソースです。その感覚を数値として言語化・記録し、AIの学習データとして活かすことが理想的なアプローチです。

「去年の秋は台風が来たから素材Aが急に必要になった」「地元の祭りの時期は受注が2割増える」──こうしたローカルな知見は、汎用的なAIモデルには存在しません。これこそが地方中小企業の競争優位になり得る情報資産です。

AIはあくまで計算の道具です。何を予測させるか、どのデータを与えるか、結果をどう判断するか。その設計を行うのは、経営者と現場の人間です。在庫回転率AI改善とは、技術の話ではなく、経営の意思決定プロセスを再設計する話なのです。

まとめ：データを持っている企業が、次の10年を生き残る

地方製造業における在庫問題の本質は、「管理が甘い」のではなく「意思決定の根拠が見えない」ことにあります。AIはその根拠を数値化し、再現可能な形にするための強力な手段です。

大規模なシステム投資は不要です。まず手元にあるデータを整理し、需要パターンを可視化するところから始めてください。在庫回転率AI改善は、その小さな一歩から動き始めます。

金融の現場で多くの中小企業の財務を見てきた立場から言えば、在庫の滞留は「見えにくい借金」です。それを解消することは、借入を減らす以上に経営体質を強くします。AIはその解消を加速するツールです。使わない理由は、もうありません。