書籍：サプライチェーン入門（全文）

Joannes Vermorel著『サプライチェーン入門』（2025年9月）から全文を簡易的に抽出したものである。
このページは全文検索を目的としている。体裁を整えた版は、英語のプレビューを参照されたい。

1 基礎

悪い経済学者と良い経済学者の違いは、すべてここにある。前者は目に見える効果にとどまり、後者は目に見える効果と、予見しなければならない効果の両方を考慮する。この違いは大きい。[..] 悪い経済学者は、将来の大きな害につながる目先の小さな利益を追い求める。一方、真の経済学者は、目先の小さな苦難を覚悟で、将来の大きな利益を求める。見えるものと見えないもの（1850）、Frédéric Bastiat

サプライチェーンは抽象概念である。物理的な財を安価かつ確実に届けるため、多くの人々の取り組みを調整する知的な道具だ。この道具は、工業化された文明が抱える途方もない複雑さを扱うために考案された。サプライチェーンは見ることも触れることもできない。工場、倉庫、船舶、トラックは目に見えるが、それ自体がサプライチェーンなのではない。サプライチェーンは、それらの資産を結びつける期待の網の目に存在する。サプライチェーンは意図であって、物ではない。

過去二十年間で、自動化はサプライチェーンの中心的な関心事となった。20世紀が肉体労働を機械化する世紀だったとすれば、21世紀はまさしく知的労働を機械化する世紀である。大規模なサプライチェーンの多くでは、その複雑さが、最も勤勉な管理者でも扱える範囲をすでにはるかに超えている。したがって、現代のコンピュータがもたらす能力を最大限に活用する形で、サプライチェーンに取り組み、理解しなければならない。

サプライチェーンに取り組むのは困難な仕事だ。時間や人間の本性といった概念について考察を求める抽象的な側面と、コンテナの最大積載重量や国の祝日といった日常的な細部への注意を求める具体的な側面を併せ持つ。何より難しいのは、バスティアが的確に指摘したとおり、目には見えず、予見するほかないものを思い描く力である。実際、経済学とサプライチェーンのつながりは深い。

そこで、サプライチェーンを正確に定義する必要がある。これが以降の各章を導く土台となる。

サプライチェーンは研究分野であると同時に、企業の実務でもある。研究分野としては記述的であり、物理的な財の流れに内在する原理や性質を明らかにすることで、その流れを記述する。目標は、流れに影響するあらゆる要因について、直近と長期の両方の帰結を評価する予測理論を構築することだ。仕入先への発注のように企業が制御できるものもあれば、顧客からの受注のように制御できないものもある。最終的に、これらの帰結が企業の長期的な収益性を形づくる。

企業の実務としては規範的である。社内、そして場合によっては社外における物理的な財の流れを導くため、最適な組織と方法を設計することを目指す。目標は、サプライチェーンの改善に一般的に望ましいと考えられる視点、道具、実践を特定することだ。逆に、一般的に収益性を損なう実践は、そのようなものとして認識すべきである。当然ながら、規範的なアプローチは記述的な分析を土台とする。意思決定の帰結を理解することが、企業をより良い選択へ導くはずだからだ。

1.1 意思決定

意思決定は、希少な資源を特定の目的に割り当て、それまで利用できた他の選択肢を排除する。たとえば、ある製品を追加で一個購入するために企業がお金を使えば、そのお金はもはや他の用途には使えない。やがて企業は新たな購入資金を必要とし、その資金は、先に取得した製品を処分したり別の用途に振り向けたりして回収するかもしれない。当面、そのお金は意思決定の結果として拘束されたままである。サプライチェーンの意思決定は、経済的な意思決定のうち財の流れに関わる部分をなす。経済的な選択の多くには、そのような流れはまったく関わらない。

お金に限らず、あらゆる資源は希少である。在庫も、サプライチェーンにおける基本的な資源の一つだ。たとえば、倉庫にある一個の商品をある店舗へ発送すれば、それを別の店舗へ発送することはできない。いずれ企業は同じ製品を倉庫に補充するかもしれず、もとの商品を店舗から戻すことさえあるかもしれない。しかし少なくとも当面、その在庫品は意思決定の結果として用途が確定している。

価格設定の意思決定も、サプライチェーンで重要な役割を果たす。製品の価格を設定すると、その取引の市場条件が定まり、その販売に対する他の価格設定の選択肢は事実上排除される。市場の需要には常に不確実性があるが、選ばれた価格は、企業が自社の在庫をどう評価しているかを伝える。時間がたてば、企業は市場からの反応に応じ、その後の販売に向けて価格戦略を調整することもある。

何を、どこへ、いつ、どれだけ動かすかを変える意図的な行為は、すべてサプライチェーンの意思決定である。発注書を起票すること、トラックの運行日程を決めること、入荷するコンテナをクロスドック施設ではなく倉庫へ割り当てること、販売の遅い商品を値下げすることは、いずれも業務上のリードタイム内で物の流れを変える。したがって、これらは明確にサプライチェーンの管轄に属する。

一方、基礎研究開発への資金提供、広告キャンペーンの発注、新たな進出地域の調査など、影響が遠くにしか及ばない取り組みも、最終的には流れに影響するかもしれない。ただし、そこにはいくつもの中間段階が介在する。それらの意義は業務上というより戦略上のものであり、本書で扱う範囲の外にある。実務上、この境界は明確だ。計画担当者が毎週操作する何百もの手段のうち、即座に分類できないものはごくわずかであり、そのようなまれな場合にサプライチェーンか否かというラベルが収益性に及ぼす影響は無視できる。

この認識を妨げるのは、たいてい分析の難しさではなく、企業の慣習である。何十年にもわたり、企業は価格設定、マーチャンダイジング、品ぞろえの選択といった手段をマーケティングや営業の専管事項と位置づけ、サプライチェーンの議論から締め出してきた。しかし、まさにそれらの手段が需要を形づくり、ひいてはその下流にあるあらゆる財の動きを形づくる。以降では、論理が示す位置、すなわちサプライチェーンの領域の内側で、これらを正面から扱う。

1.2 オプショナリティ

意思決定は、競合する選択肢の中から行う。しかし、企業に複数の選択肢が用意されているとは限らない。たとえば、ある製品について仕入先を一社しか見つけていなければ、選べるのは、その仕入先への発注日と発注数量だけである。その仕入先の信頼性があまりに低い、あるいは価格が高すぎると判明すれば、企業は発注停止を余儀なくされ、自社にも顧客にも不満をもたらす可能性が高い。したがって、有利な選択肢を育てることが極めて重要だ。使用する技術が何であれ、企業が作成するどのような予測にも、本質的に取り除けない不確実性が伴うからこそ、オプショナリティは不可欠なのである。

サプライチェーンの選択肢は、それを確立するのに必要な能力、ひいては費用によって制約される。経営者の注意力、そして組織全般の注意力も、慎重に配分すべき希少な資源である。信頼できる仕入先が複数あるほうが望ましいが、適時に発注できるようにするには、それらを探し、適格性を確認し、契約を結ぶ必要がある。状況によっては、その注意力を、現在の仕入先、そしておそらく最良の仕入先との関係を深めることに振り向けるほうがよい場合もある。

使われていない選択肢を、経営側が削減すべき単なる間接費とみなすのは、浅はかで誤っている。企業がオプショナリティに過剰投資し、選択肢を増やしてもそれに見合う便益が得られず、収益が逓減する場合はあり得る。それでも、そのような過剰投資はまれである。外部の人には選択肢の維持が高くつくように見えるとしても、そうなのだ。

多くの選択肢は自明であるにもかかわらず、実務上は排除されている。選択肢を容易に評価できないとき、これは必ず起こる。たとえば、多数の店舗を持つ小売ネットワークでは、トラックが順に商品を積み降ろしする最適経路を選ぶことで、在庫を再配分できる機会があると気づくこともあるだろう。しかし、その再配分を手作業で計画したり、用途に合わない汎用的な道具で計画したりしなければならないなら、組み合わせ爆発によって人間もスプレッドシートもたちまち限界に達する。数百万通りの経路の組み合わせを数秒で選別できる専用の最適化ソフトウェアがなければ、この種の選択肢は「複雑すぎる」とひそかに退けられ、意思決定の俎上に載ることすらない。

よりよくあるのは、企業の注意力や道具の限界が主な原因となり、選択肢が断続的にしか評価されない場合だ。たとえば、ある企業が仕入先への発注を週に一度しか行わないのは、週次という周期に本質的な制約や便益があるからではなく、単に毎日発注内容を組み立てると時間がかかりすぎるからかもしれない。毎日評価することは、毎日発注することを意味しない。ほとんどの日には発注しないとしても、発注するという選択肢を毎日検討するという意味である。

1.3 物理的な財

サプライチェーンが扱うのは、物理的な財の流れである。財を取り除けば、残るのはほとんど金融と売買だけだ。その実務は、繰り返される三つの動きからなる。まず、お金を財に換える。つまり、仕入先から在庫品を購入する。次に、その財を処理する。検査し、保管し、輸送し、あるいは加工する。最後に、財を再びお金に戻す。直接販売する場合もあれば、さらなる製品やサービスの生産に使用する場合もある。

この過程は際限なく繰り返すことを意図している。ただし、流れのあらゆる側面が時間とともに変化するため、まったく同じ形で繰り返されることはない。変わらないのは流れが存在するということだけであり、それは企業が存在する限り続く。

物理的な財には、逃れることのできない制約がある。購入、移動、加工といったあらゆる行動が現金を消費する一方、保持、待機、保管といったあらゆる不作為にも、同じように暗黙の負担が生じる。財が流れていても止まっていても、お金はかかる。働きかける余地は、オプショナリティを保ちながら総費用を最小限にする行動と不作為の組み合わせを選ぶことにしかない。現代の取引システムで財を電子的な記号に還元すると、こうした現実は見えなくなる。銅を扱う高頻度取引業者は、その金属がどこにあるのか、酸化や盗難からどう守られているのか、二十フィートコンテナの総重量制限に収まるのかを気にする必要はない。対照的に、サプライチェーンの実務家はこれらの制約すべてに向き合わなければならない。市場が報いるのは、行動の明示的な費用と、不作為の暗黙の費用の両方を使いこなす企業である。

物理的な財の取り扱いは、物質、エネルギー、空間、時間によって制約される。木箱は壁をすり抜けられず、パレットはフォークリフトの揚力を超えて持ち上がらず、昨日上海を出港した船が明日ロッテルダムに接岸することもない。対照的に、それらの動きを導く情報層は、実務上、伸縮自在だ。一般的なノートパソコンでも毎秒数百万通りの組み合わせを探索でき、小規模なクラウドクラスターなら数十億通りを扱える。

伸縮自在であることは、簡単であることを意味しない。生データを行動につながる洞察に変えるのは、恐ろしく難しい。ノイズ、曖昧さ、そして膨大な量そのものが重なって、全体像をぼかすからだ。それでも、計画担当者がレポートの更新を待つ一分一分や、「システムの制約」で遅れる補充バッチの一つ一つは、設計の失敗を示している。ボトルネックがあるべきなのは鉄鋼とディーゼル燃料の側であって、SQLクエリの中ではない。

時間を比べれば、この点は鮮明になる。千SKUの調達推奨を五十ミリ秒で計算するアルゴリズムは、財を製造する二週間や、海を渡って運ぶ六週間と比べれば、一瞬である。原子に比べれば、ビットは光速で動く。物理的なリードタイムと比べて無視できないほどの意思決定の遅延は、すべて不要な無駄だ。

規模についても同じことが言える。一千万個の段ボール箱をデータ上で列挙しても、保存費用はわずかで、CPU時間は数ミリ秒しかかからない。それらの箱を実際に収容するには、何ヘクタールもの保管ラック、大量のコンベヤー、大勢の作業員が必要になる。プロジェクトが「データ量のために行き詰まった」とされるとき、解決策はフォークリフトを増やすことでは決してない。常に、より良いデータモデリングと、より無駄のないソフトウェアである。

要するに、適切に運営されるサプライチェーンの制約要因は、立方メートル、キロワット、暦日といった現実そのものであるべきだ。詰まりがデジタルの操縦席にあるならば、すなわちダッシュボードが止まり、最適化処理がタイムアウトし、計画担当者が選択肢を「見られない」ならば、経営者は容易に取り組める改善の機会を見つけたことになる。意思決定の摩擦をなくすのは、表面的な手直しではない。現代のコンピューティングが、同じ希少な資源からより多くの収益を引き出すための主要な手段なのである。

1.4 変動

サプライチェーンの意思決定はすべて、財が実際に動く時点での企業と市場の状態に対する賭けである。原子の移動や変形には必ず時間がかかる。数時間のこともあれば、多くの場合は数日を要する。だからこそ、意思決定は本質的に不確実な未来にまで及ばなければならない。その未来は今日の想定どおりかもしれず、大きく外れるかもしれない。綿密な計画が損失に変わることも、同じくらい容易に思わぬ利益に変わることもある。

たとえば、企業が海外の仕入先に発注するとき、複数の不確実性に対処しなければならない。製造業者も運送業者も完全には信頼できないため、生産や輸送の遅延は本質的に予測しきれない。さらに、輸送中の偶発的な破損によって、受け取る財の数量が減る可能性もある。最後に、将来その財に対して顧客がどれだけ支払おうとするかも不確実なままだ。納品中も納品後も、競合他社の価格戦略に自社が影響を及ぼせないことが、さらに事態を複雑にする。

製造工程を単独で見た場合と、サプライチェーン全体を見た場合を簡単に比べると、変動の性質が明らかになる。工場の現場では、鋼板の公称厚さ、試薬の純度、ピックアンドプレース用アームの動作タイミングからの逸脱は、すべて不良である。変動は、費用さえかければ常に打ち負かせる敵だ。センサー、アクチュエーター、アルゴリズムによって制御が原子スケールにますます近づくにつれ、その費用は下がり続けている。半導体産業が十分な証拠である。資本が十分にあれば、目標平均値の周囲に残るばらつきはいくらでも小さくできる。サプライチェーンでは状況が逆になる。需要、リードタイム、仕入先の信頼性、競争上の動きは、無数の独立した主体によって生み出され、その行動を工学的な手段で消し去ることはできない。いくらお金を積んでも、確定した未来は買えない。唯一合理的な姿勢は、変動を見込み、選択肢を育て、不確実性を損失ではなく利益に変える意思決定を設計することである。

実際、サプライチェーンは、閉じた製造環境とは比べものにならない規模で、より広い世界にさらされている。顧客、仕入先、規制当局、軍、競合他社など、どこから来る力であれ、外部の力から自社を完全に守れる企業はない。人為的な要因に加え、吹雪、洪水、森林火災、津波、地震、パンデミックといった自然の出来事も、依然としてサプライチェーンを混乱させる。幸い、こうした災厄による人的被害は過去一世紀で大幅に減少しているが、それでも混乱は起こる。

変動が差し引きで必ずマイナスとなる製造工程とは異なり、サプライチェーンの変動は、しばしば競争優位に変えられる。平均需要をはるかに上回る充填能力を意図的に整備する、ボトル入り飲料水のメーカーを考えてみよう。余分なラインはほとんどの時間、稼働しない。しかし、十年のうち数回の夏にしか起こらない熱波が襲うと、競合他社が在庫の割り当てを制限する中、この企業は一夜にして生産量を増やせる。一時的な数量の急増と、うだるような暑さの中で消費者が進んで支払う割増価格を合わせれば、遊休状態だった設備の費用を補って余りある。ここでの余剰能力は、まさに異常気象を収益化するためにあらかじめ買っておいた選択肢であり、変動を利益に変える教科書的な例である。

要するに、変動がリスクをもたらすときは、同時に機会も開かれる。実のところ、リスクや機会という言葉が明らかにするのは、対象に固有の性質よりも、観察者自身の利害である。エトナ山への旅行を企画する旅行業者には、火山活動が続くことによって得られる利益がある。彼らにとっては、古代ポンペイの人々とは異なり、活火山は災害ではなく、重要な収入源なのだ。

1.5 熟達

サプライチェーンを使いこなすとは、有利な選択肢を育てながら、今日の収益性と明日の強靭さを保つのに必要な分だけ資源を投入することである。そのような熟達は、一人の計画担当者が成し遂げるものでは決してない。多くの専門分野が歩調を合わせ、協調して働くことによって結実する。

組織内の足並みが十分にそろっていても、五つの根強い性質がサプライチェーンを扱いにくいものにしている。無形性、媒介性、複雑性、相互接続性、そして問題の厄介さである。以下ではそれぞれを順に検討し、障害となる性質を競争優位の手段へどう変えられるかを示す。

工場、トラック、パレット、さらには人といった目に見える資産がサプライチェーンにとって意味を持つのは、それらを動かす意図を通じてのみである。したがって、サプライチェーンは本質的に無形だ。将来の財、お金、サービスの交換についての期待の集合なのである。

スーパーマーケットの棚に置かれた一本の牛乳を考えてみよう。実体のあるものではあるが、そこに置かれる理由は、重なり合う二つの賭けにしかない。小売業者は、牛乳が傷む前に顧客が買うことに賭けている。顧客は、小売業者が棚に商品を補充し続けることに賭けている。これらの賭けは、成功している間は何も語らない。牛乳が期限切れになったり、棚が空になったりして失敗したときに初めて、痛みを伴う声となって聞こえる。

この無形性が、熟達への最初の障害である。期待が貸借対照表に現れることはない。欠品、過剰在庫、リードタイムのずれ、利益率の低下といった症状から推し量る必要がある。経済学者と同様、サプライチェーンの実務家は、あらゆるMOQ、補充周期、販促カレンダーに埋め込まれた暗黙の前提を表に出すことで前進する。それらの前提を明示し、定量化し、問い直して初めて、熟達が始まる。

現代のサプライチェーンは直接観察できない。どの一端を見るにも、ソフトウェアの記録が媒介する。計画担当者が手持ち在庫、未完了の発注、輸送中の数量として読み取るものは、何十年もかけて継ぎ足されたアプリケーション群が組み立てるデジタル表現にすぎない。決定的に重要なのは、この環境が、最も関連性の高いデータを取得するよう設計された科学実験として生まれたのではないということだ。学術的な論考の多くが示唆するのとは逆に、日々の業務を動かし続けるための道具の寄せ集めとして生まれた。したがって、その環境が、流れの何が見えるかと、それを表す語彙の両方を規定する。原子そのものは、常に一段隔たったところにある。

実務家は、循環棚卸しの数え間違いやバーコード読み取りの遅れといった数値の不正確さを気にしがちだ。しかし、そのような誤りは小さく、通常は影響も限定される。本当の危険は意味のずれである。昨日までconfirmed_orderを意味していたフィールドが、ベンダーの修正パッチや利用者の場当たり的な回避策を経て、ラベルはそのままで、明日にはまったく別のものを記録するかもしれない。意味は件数よりも速く変わり、データがシステム間を渡るたびに歪みが増幅する。したがって、それぞれの記録は現実そのものではなく、現実についての仮説であり、継続的に再検証しなければならない。

どれほど努力しても、サプライチェーンの複雑さは一人の頭脳で扱える能力をはるかに超えている。今では小規模な企業でさえ、何十万ものSKU（在庫管理単位）を扱う。その増殖の一部は、古い規制、場当たり的な業務プロセス、不適切な修正を重ねたソフトウェアなどによる偶発的なものだ。しかし、ますます大きな割合を占めるのは意図的な複雑さである。提供価値を高めるために、込み入った仕組みをあえて導入するのだ。

この点はeコマースを見ると鮮明になる。ワンルームの部屋に歯ブラシを届けるには、ラストマイルの配送経路設定、荷物の追跡、リバースロジスティクスが必要だ。大型スーパーにパレットを降ろすだけなら不要な工程である。追加の層が複雑であることは疑いようがないが、顧客は買い物に出かけずに済むため、割増料金を払う価値がある。航空分野では、エンジンメーカーはもはや機器そのものを売らず、「稼働時間に応じた料金での動力供給」を売る。航空会社が価値を置くものに完全に一致させる一方で、整備の変動をメーカーのMROネットワークへ移している。同様に、ファッションブランドが品ぞろえを1,000SKUから10,000SKUへ拡大すれば、仕入れ、在庫保有、値下げは複雑になる。しかし、選択の幅が広がることで対象顧客層は拡大し、顧客の忠誠心も強まる。

このような本質的複雑さは、採算の合う形で扱えるならば、収益化できる顧客価値を生むため、その負担に見合う。残るもの、すなわち規制対応上の奇妙なしきたり、実体のないSKU、過去の方針の残骸などは偶発的複雑さであり、取り除くべきだ。両者を見分け、偶発的な複雑さを抑え、本質的な複雑さを活用することは、21世紀のサプライチェーンが直面する大きな課題の一つである。

サプライチェーンは、Russell Ackoffが明確に述べた意味でのシステムとして機能する。全体の成果は、各部分が孤立した状態でどれほど優れているかではなく、部分同士の相互作用から生まれる。したがって、サプライチェーンは本質的に相互接続している。どれほど小さな意思決定でも、その波紋はネットワーク全体へ広がる。地域倉庫に置かれた一個の在庫品を考えてみよう。計画担当者がそれを店舗Aに割り当てた瞬間、他のすべての店舗はその選択肢を失う。店舗Aの欠品を防ぐという局所的な改善が、同時に店舗B、C、Dの将来の欠品の種をまくかもしれない。こうしたゼロサムの緊張関係は構造的なものだ。あらゆる製品、仕入先、トラック、そして経営者が注意を向ける一分一分が、同じ有限の資源を利用するからである。

こうした結びつきは、経済的な力によってさらに強まる。顧客は補完関係にある商品が同時に手に入ることを期待する。運送業者はパレット単位ではなく、トラック一台単位の料金を提示する。コンベヤー設備の投資を回収できるのは、物量を集約したときだけだ。一つの拠点を切り離して「最適化」しようとしても、費用やリスクをチェーン内の別の場所へ移すにすぎない。このような機械的な分割統治の考え方は、機械に対しては優れていても、サプライチェーンでは失敗する。時間と空間をまたいで意思決定を結ぶフィードバックループを無視しているからだ。

したがって、熟達にはシステム思考が必要だ。あらゆる手段を、現在と未来の流れ全体に及ぼす影響を通じて評価するのである。倉庫在庫の割り当て、トラックの運行計画、補充ルール、価格設定を、同じ意思決定空間の諸側面として捉える企業だけが、相互依存を弱みから強みへ変えられる。

サプライチェーンが直面する問題は厄介である。これは道徳的な悪さを意味するのではなく、介入した途端に姿を変える課題を表すためにRittelとWebberが作った専門的な意味での言葉だ。厄介な問題には、明快な定式化も最終的な解決もなく、あらゆる「修正」が、修復しようとしているシステム自体を作り変えてしまう。

具体例を挙げれば明らかになる。ある企業が「予測精度94%」に連動する賞与を発表したとしよう。計画担当者の生活がその数値に左右されるようになれば、最も手っ取り早い方法は、予測期間を短くし、SKUをまとめ、安全在庫を水増しして、計算結果を都合よくすることだ。運転資本は膨らみ、サービスは悪化するのに、ダッシュボードは緑色に輝く。指標が目標になったために、良い指標ではなくなった。グッドハートの法則がむき出しになった姿である。

この逆説は根深い。サプライチェーン管理には、明示的な数値目標が必要である。個人的な思惑に左右されないソフトウェアであることの多い最適化エンジンが、それを絶え間なく追求できるようにするためだ。しかし目標を発表した瞬間、従業員、仕入先、さらには競合他社にまで、ルールを逆手に取る新たな動機を与えてしまう。どんな処方も長く最適なままではいられない。明白、固定的、または予測可能なルールは、主体が適応するにつれて骨抜きにされる。したがって、この厄介さは、「問題＋解法」という整然とした組み合わせを期待する学術界の素朴な願望を覆す。熟達とは、目標と、それを追うアルゴリズムの両方を絶えず見直すことにある。

1.6 章を終えるにあたって

一見簡潔なサプライチェーンの定義には、抜本的な未来像が隠れている。財を動かすあらゆる手段がデータとして捉えられれば、意思決定はもはや計画担当者が「OK」をクリックするのを待たない。限界費用がほぼゼロで昼夜動き続けるアルゴリズムによって、実行し、監査し、改善できる。人の介入を要さない、ソフトウェア主導の意思決定という意味での自動化は、組立ラインが肉体労働にもたらしたものを、ホワイトカラーの計画担当者にもたらそうとしている。

このような自動化は、単なる人件費の差を利用する手段ではまったくない。スプレッドシート漬けの組織にはほとんど想像できない生産性を実現する。今や多くの企業では、段ボール箱を扱う作業員より、スプレッドシートを整える分析担当者のほうが多い。それでも、一つの意思決定エンジンが両者を上回る速度で動き、遅延と誤りを大幅に減らし、希少な人材を、新しく、より高度な課題へ振り向けられる。

さらに重要なのは、ソフトウェアが、人間には決して探索できない意思決定空間を動き回れることだ。人間の忍耐力ではなく計算能力がボトルネックになれば、口コミなどで需要が急増する最中の継続的な価格改定、航海途中での海上コンテナの経路変更、大陸全体を対象とした毎時の在庫再配分が、現実のものになる。eコマースが電話販売を磨き上げるのではなく小売業を作り直したように、人の介入を要さない最適化は、昨日までの手順を単に速めるのではなく、サプライチェーンを作り変える。

UNIVAC I（1951）以降に蓄積された定量的サプライチェーンの文献は、威圧的な代数学や、ペタバイト規模のデータをむさぼるアルゴリズムであふれている。それでも、現代のコンピューティングを活用し、サプライチェーンに具体的な成果をもたらすことには、いまだ失敗している。その高度さは向ける先を誤っている。経済的に決定的なものではなく集計しやすいものを最適化し、脆い点予測に固執し、現実の選択肢が生む組み合わせの広がりに直面すると崩れ去る。狙いを外すことで、今日ほとんど無料になったギガフロップスを背景雑音に変え、その間も計画担当者はスプレッドシートと格闘し続ける。リーダーシップに関する定性的な処方箋も、状況は変わらない。図書館はサプライチェーンの「ハンドブック」で埋め尽くされているが、読む指導者は少なく、読んで役立てられる指導者はさらに少ない。

この空白を鮮明に示すのが、大企業に独学の実務家が広く存在することである。社会が独学の外科医を認めないのは当然だ。素人と訓練を受けた専門家の隔たりは、人命を危険にさらすには大きすぎる。しかし、数十億規模の在庫価値がかかっていても、企業は、現場の言い伝えやブログ記事を継ぎ合わせて技術を身につけた計画担当者に日常的に頼っている。この比較は厳しく、この分野がいまだどれほど未発達かを浮き彫りにする。

主流の手法は、単に期待以下の成果しか出せなかったのではない。多くの場合、規模を拡大できる科学の代わりに、見せかけの精密さやスプレッドシート上の曲芸を推奨し、積極的に人々を誤った方向へ導いてきた。本書の最終章では、それらの欠点と、そこから抜け出す道を正面から検討する。

以降の各章では、サプライチェーンを使いこなす力をソフトウェアに組み込み、明日の指導者が当然とみなすであろう、人の介入を要さない最適化を実現するために、必要な科学の構成要素をそろえていく。言い伝えを、精密でコンピュータ上で実行できる科学に置き換えることが、変動とオプショナリティを、繰り返す頭痛の種から、繰り返し得られる利益へと変えるための前提条件である。

2 歴史

ロジスティクス、サプライチェーン、サプライチェーンマネジメント（SCM）の定義は一致していない。「サプライチェーン」を物理的な財の流れに限定し、調整には「SCM」という言葉を使う人もいれば、これらを同義語として扱う人もいる。ベンダー、コンサルタント、実務家は、組織図や売り込みの文句に箔をつけるため、さらに言葉の意味をねじ曲げる。歴史を少し振り返ると、こうして生じた分断を理解しやすくなる。

サプライチェーンの思想は、ユークリッド幾何学の明快さと、姿を変え続けるAIの専門用語という二つの極の間に位置する。呼び名は十年ごとに変わるが、根底にある課題、すなわち物理的な財の流れにおけるオプショナリティを使いこなすことは変わらない。ロジスティクス、オペレーションズ・リサーチ、サプライチェーン、企業最適化の専門性をうたう主張は、その分野についてよりも、主張する人の立ち位置について多くを語ることがある。

本章には二つの目的がある。第一に、ロジスティクスやオペレーションズ・リサーチといった先行する概念から、曖昧で変化し続けるサプライチェーンという呼び名がどのように生まれたかをたどり、現在の意味もなお暫定的であることを示す。第二に、本書全体を貫く、批判的に対峙する姿勢を例示する。以下では、それぞれの流行語を、それを生み出した動機と組にして扱う。ベンダーはライセンスを売るために新しさを喧伝し、コンサルタントはスライドを売るために昨日の考えを包み直す。経営幹部は後れを取ることを恐れ、中身を検証する前にその言葉を採用する。この懐疑的な姿勢を保つことで、実務家は高くつく蜃気楼から身を守りつつ、本物の革新が姿を現す余地を残せる。

2.1 1800年代初頭から戦前の1900年代まで

「ロジスティクス」や「サプライチェーン」という言葉が作られるはるか以前から、その活動自体は、どの都市国家にとっても生命線だった。ローマはアフリカからの穀物船団に、アムステルダムはバルト海からの木材輸送船団に、江戸は潮のよい時刻に合わせて運航する米の平底船に頼っていた。それぞれに共通する、変わらぬ難題があった。不確実性の中で、生産と消費の空間的な隔たりを、来る日も来る日も埋めることである。課題は続き、専門用語と分析の道具が変わる。体系的な数学的試みが初めて現れたのは18世紀後半になってからだ。ここからは、その歴史をたどる。

現代のサプライチェーンの時代が、分析によって業務の改善を追求する時代を意味するなら、その始まりはこの時期にある。1781年、フランスの数学者Gaspard Mongeは、Memoir on the Theory of Embankments and Rubble（Mémoire sur la théorie des déblais et des remblais）を発表した。起伏のある地形を平らにするため、土を移動する労力を最小限にすることを提案したのである。

かつてサプライチェーンと同じ意味で使われたロジスティクスという言葉は、19世紀前半の軍事的な文脈で形を成した。確認されている最古の用例であるlogistiqueは、スイスの軍人Antoine-Henri JominiによるSummary of the Art of War（Précis de l’Art de la Guerre、1830）に現れる¹。ロジスティクスとは、人員、装備、資材などの資源を、適切な時に適切な場所へ移すことを意味した。古代にさかのぼる軍事管理の長い伝統を洗練させたものである。

1840年、英国郵便局は「均一ペニー郵便」を導入した。今でいうオペレーションズ・リサーチの、初期の民間での実践である。数学者で技術者でもあったCharles Babbageは費用表を作成し、郵便費用に対する距離の寄与はわずかで、実際に費用を左右するのは集荷、仕分け、最終配達であることを示した。この定量的な知見をもとに、議会は手紙一通につき一ペニーという全国均一料金を認めた。この決定は郵便物の量を飛躍的に増やし、ひいては商取引の及ぶ範囲を広げた。バベッジの研究は、言い伝えを測定と最適化に置き換えることで、現代のサプライチェーン分析を先取りしていた。後に彼が追求し、階差機へと結実したプログラム可能な計算機は、まさに郵便の研究で必要だった統計表の作成を自動化することを目指していた。

1888年、アイルランドとスペインにルーツを持つ経済学者Francis Ysidro Edgeworthは、後に「新聞売り子問題」として知られる考えを明確に述べた。Mathematical Theory of Bankingで初めて示したこの考えは、売れ残った新聞を毎日処分する場合のように、期末に余剰在庫を処分しなければならないとき、最適な在庫水準をどう決めるかという課題を扱っていた。この貢献は、統計的なリスク分析と業務上の問題解決を結びつけたものであり、その視点が主流となるまでには、およそ一世紀を要した。

一方、19世紀末の米国で株式を保有する中流階級が台頭したことから、初期の経済予測家が生まれた。その先駆者の中でも、Roger BabsonとIrving Fisherは20世紀初頭に名声を得た。彼らは個人や企業に対し、資源配分に定量的な手法を用いることを推奨した。この精神は、現代のエンタープライズソフトウェアの多くにも受け継がれている。統計的な時系列予測の手法を開拓したのも彼らである。

20世紀前半の経済学の発展は、小規模な業務上の難問を解くための数多くの手法を生んだ。その解決を目指す試みのいくつかから、後にサプライチェーンの世界で長く信奉される決まり文句となる理論や公式が生まれた。たとえば、サプライチェーンの定番である経済的発注量（EOQ）の公式は、1913年にFord Harrisが提唱し、1930年代にウィルソンの公式として広まった。

2.2 第二次世界大戦と戦後の発展

第二次世界大戦が始まると、この分野は軍事という原点に立ち返った。英国は、後にオペレーションズ・リサーチとなる取り組みのため、1,000人近くの男性を集めた。英国陸軍はこれを、「指揮部門に対し、その管理下にある作戦についての意思決定に定量的な根拠を与える科学的方法」と定義した。この取り組みは大きな成果を生んだ。敵機の撃墜に必要な砲弾の数は減り、英国の船舶と航空機の生存率は高まった。

戦時中の名声に支えられ、オペレーションズ・リサーチは学術界で急速に広がった。汎用的でプログラム可能な計算機ハードウェアの登場により、研究者は、手計算ではまったく現実的でなかった手法を探究できるようになった。ただしハードウェアの制約から、1950～60年代の研究の大半は、時間がたっても変わらないと仮定される静的あるいは定常的な問題にとどまった。たとえば、需要を一定と仮定して小売店舗網に供給する倉庫の立地を決めることは、定常的な問題である。対照的に、倉庫在庫の割り当てプロセスや配送経路の最適化は動的な問題だ。需要、リードタイム、交通状況、運転手の確保、トラックの整備などの変動に左右されるからである。動的な問題は当時のハードウェアの能力を超えており、大部分は脇に置かれた。

オペレーションズ・リサーチは当初、企業の管理者を魅了したが、1970年代になるとその魅力は薄れ始めた。1980年代までには戦時中の名声は失われ、企業の関心も移っていた²。1970年代には、バーコードを利用できる計算機ハードウェアなど、新たな進歩があった³。バーコードは、Coddが1970年に示したリレーショナルデータベースと組み合わさり、その後の数十年間でサプライチェーンとそのデジタル環境を作り変えることになる。この融合から、現代の業務ソフトウェアの初期の先駆けとなる、在庫管理システムが生まれた。

当時のソフトウェア業界で「管理」とは、下位の管理職の日常業務を意味した。いわゆる「管理システム」は、その管理者を丸ごと置き換えるよう設計された。仕事の大半は事務作業だったが、これらの管理者は、細かく正確な記録を保つことに長けた、教育を受けた労働者だった。さらに、こうしたホワイトカラーの職は、財を物理的に動かすブルーカラーの職よりも高い権限と威信を持っていた。

管理システムの登場に伴い、ソフトウェアベンダーはまもなく、サプライチェーン管理に、記帳と意思決定という二つの異なる側面があることを認識した。記帳とは、在庫水準を電子的に追跡し、日常の事務作業を処理することである。意思決定とは、企業にとって最適な在庫の発注や割り当てを決めることだ。ベンダーは当初、管理者の役割を自動化しようとした。記帳は容易に自動化できたが、意思決定ははるかに複雑で、1970年代のハードウェアの能力を大幅に超えていることがわかった。

それでも、「記帳」には「管理」のような魅力がなかった。ソフトウェアベンダーは、明確さを犠牲にしてでも、売りやすい言葉を選んだ。製品のイメージを高められたからだ。その後ソフトウェア業界では、WMS（倉庫管理システム）、CRM（顧客関係管理）、PLM（製品ライフサイクル管理）など、システムの名称に「管理」を使うことが広く定着した。

「管理」が至るところで使われるようになった結果、「マネージャー」という肩書の威信は薄れていった。2020年代には、プロジェクトマネージャー、オフィスマネージャー、アカウントマネージャーといった職に見られるように、「マネージャー」はしばしば自分自身しか管理しないことを意味する。反対に、組織階層の中で実際の権限を持つ従業員には、通常、「マネージャー」より具体的な肩書が与えられる。たとえば「リード」や「リーダー」といった肩書である。

したがって、「サプライチェーンマネジメント」は、伝統的な企業でいう管理者、すなわち正式な権限を持つ個人の活動を指す。これに対し、「サプライチェーン」はより広い意味を持ち、実務と学術分野の両方を指す。

2.3 1980年代から2000年代初頭まで

1980年代までに、ソフトウェアベンダーは在庫を超えて対象を広げ、受発注、支払い、給与などを扱うようになった。分散型ソフトウェアは、まだベンダーにとって経済的に成り立たなかった。そのため、企業が在庫を記帳するシステムと給与を記帳する別のシステムを導入した場合、後から両者を統合することは、通常、非現実的と考えられた。そこでベンダーは、機能を単一のメインフレーム上の一枚岩のシステムへ集約した。

戦後の名声から一転、ロジスティクスの威信は財務やマーケティングの後塵を拝するようになっていた。当時、大手消費財企業で流布していた率直な格言が、支配的な序列を要約している。「頭のよい人間はマーケティングへ、信頼できる人間は生産へ、そのどちらもない人間はロジスティクスへ。」企業内の職種同士の親しみを込めた対抗意識が明らかに反映されているとはいえ、この言葉は、ロジスティクス部門の地位が低下したという広く共有された認識を捉えていた。

その一因は、1980年代まで、ロジスティクスが主に経験則に基づいていたことにある。ロジスティクスを現代的な分析科学へ変えるという、オペレーションズ・リサーチの当初の約束は色あせていた。1979年、企業でのオペレーションズ・リサーチ活用の時代を切り開いた米国の先駆者Russell Ackoffは、論文The Future of Operational Research is Pastで、状況を次のように要約した。

オペレーションズ・リサーチは、まだ埋葬されていないだけで、すでに死んでいる。その死の理由がほとんど理解されていない以上、復活の見込みも乏しいと私は考える。[…] OR [オペレーションズ・リサーチ]の生涯は短かった。1930年代後半にここで生まれ、60年代半ばには学術界、科学界、経営の世界で広く受け入れられていた。私の見るところ、この拡大は、開拓者精神、使命感、革新性の喪失を伴っていた。発展よりも生き残り、安定、体面が優先されるようになり、衰退が始まった。

1980年代には、意思決定が停滞する一方で、記帳は発展した。年代末までに、多くの企業が取引業務をデジタル化していた。電子記録によって、業務を監視する新しい方法が可能になった。絶えず再計算される単純な合計値や平均値が、企業の実務を変え始めたのである。

20世紀初頭に小規模な形で登場したコンサルティング会社は、21世紀初頭までに巨大企業となった。さまざまな要因がある中でも、1980年代の電子記録の普及は、経営コンサルティングを大きく後押しした。

コンサルタントの仕事は、スプレッドシートやスライドと格闘することだけに見える、というありふれた観察はある⁴。それでも企業側の理屈では、コンサルタントは事業への効果を売る商売をしている。電子記録は、分析を大して高度化しなくても、さまざまなプロセスを改善できる機会を数多く生み出した。

コンサルティングの永遠の課題は差別化である。参入障壁が低いため、競合他社の提供内容とは異なるものを維持するのは難しい。だから、企業で使われる言葉の変化に影響を及ぼすことが、コンサルタントにとって極めて魅力的なのも不思議ではない。今では定番となった手口は、数年おきに新しい言葉を作るか、少なくとも採用し、サービスとブランドを新鮮に見せることだ。新しく流行の言葉と結びついているように見せることで得られる権威は、非常に望ましい競争優位を生む。少なくとも、競合他社が必然的にそれをまねるまではそうである。

サプライチェーンマネジメント（SCM）という言葉は、ロジスティクスの専門家からコンサルタントへ転身した英国人Keith Oliverが1982年に作った。販売・操業計画（S&OP）という言葉は、ソフトウェアエンジニアからコンサルタントへ転身した米国人Richard Lingが1985年に作った。どちらの視点も、企業のさまざまな機能を端から端まで整合させるという考えを中心に据えている。企業のデジタル記録がますます利用可能になっていなければ、どちらの実践も抽象的なままにとどまっていただろう。

ソフトウェアベンダーの後押しを受け、コンサルタントが提唱する実践が広まり、新しい技能が求められるようになった。ロジスティクス責任者は、安全在庫の公式に象徴されるように、時系列予測を作成し、サービスレベルのパラメータを調整する責任を負うようになった。この新しい、より分析的な責任は、従来のロジスティクス責任者の役割からの大きな転換だった。従来は主に、倉庫作業員やトラック運転手の大部隊を管理できる現場の指揮者だったのである。それも決して簡単な仕事ではない。

1990年代までに、大手ベンダーは目がくらむほど多様な記帳プロセスを、一枚岩のソフトウェアに統合した。明確に呼ぶなら、これらの製品はERM（Enterprise Resource Management、企業資源管理）と名づけるべきだったが、この用語は定着しなかった。その頃には計算機ハードウェアが大幅に進歩し、意思決定の側面も、もはや手に負えないものとは考えられなくなっていた。企業顧客はまもなく、うたい文句とは裏腹に、これらの道具が記帳にとどまっていることに気づいた。

それでも、多くのベンダーが、サプライチェーンの意思決定の側面への投資を始めた、あるいは再開した。これらのベンダーは、記帳を提供する競合他社と混同されるのを避けようと、自社製品を差別化した。そのため、市場アナリストの助けを借りて、ERP（Enterprise Resource Planning、企業資源計画）という言葉を作った。エンタープライズソフトウェアの世界では、「計画」が意思決定能力を示す旗印となった。確かに、コンピュータのハードウェアの進歩によって、最も細かい粒度まで掘り下げた基本計画があれば、理論上、すべての意思決定は単なる事務的な実行の問題となる⁵。実際の計画モジュールは、時系列の点予測と決定論的な在庫最適化を組み合わせていた。その狙いは、下位の管理職を段階的にではなく、一挙に丸ごと置き換える技術的な解決策を提供することだった。

まもなく競合ベンダーも、実際に計画機能がどれほど乏しいかに関係なく、自社製品にERPのラベルを貼るようになった。確かに、企業向け製品は多様な状況に対応しようとするため、本質的に複雑であり、顧客だけでなくベンダー自身にとっても不透明なことが多い。その結果、ベンダーには、販促資料でどの能力を見せるかを選ぶ大きな自由があった。単純な移動平均による販売予測でも「計画」に当たり、したがってERPという呼び名は正当だと論じることさえできる。多くのベンダーは、この意味の手品を利用した。

1990年代以降、新しいベンダーが意思決定に特化し、ERPが提供する取引処理層の上に位置する分析層として、自社を位置づけた。ERPはむしろERMと呼ぶべきだったとも言える。サプライチェーンの文脈では、これらのベンダーは大きく、アルゴリズム系と調査分析系の二つの陣営に分かれた。どちらも、既存の業務システムにある同じ電子記録を利用していた。

アルゴリズム系の陣営は、時系列予測の手法と、計画という考え方を支える在庫最適化の手法に注力した。ERPがすでに計画機能をうたっていたため、追加の「計画」を売り込むのは難しかった。そこで新興ベンダーは、アナリストの助けを借りて、「Advanced Planning System」（APS、高度計画システム）という言葉を作った。つまり、「確かに御社のERPにも計画機能はありますが、それを補完する当社のソリューションには高度な計画機能があります」というわけだ。

調査分析系の陣営は、管理者がより良い意思決定をするための業務レポートの作成に集中した。ERPにはすでに「業務レポート」があったため、ソフトウェアベンダーは、ここでもアナリストの助けを借りて、この種の道具に「ビジネスインテリジェンス」（BI）という呼び名を広めた⁶。技術面では、BIの多次元キューブは、二十年前のCoddのリレーショナルモデルからの注目すべき転換だった。

2.4 現在の状況

2025年現在も、アルゴリズム系と調査分析系という両陣営の後継者は活動を続けている。アルゴリズム系では、従来の統計手法を超える後継技術として売り込まれる機械学習を強調しながら、統合事業計画が推進されている。調査分析系では、経営陣に洞察を提供することを目指し、「サプライチェーンのデジタルツイン」や「サプライチェーンのコントロールタワー」といった概念を推す企業もある。

これらすべてが示すのは、最新の流行語を使って既存製品の看板を巧妙に掛け替えるという、1970年代にさかのぼる慣行が、今も広く続いているということだ。「計画」機能をめぐる一件は、エンタープライズソフトウェアの歴史の中では、小さな小競り合いにすぎなかった。過去70年間、計算機のハードウェアとソフトウェアは目覚ましい速度で進歩した。ハードウェアが絶えず進歩するため、技術的陳腐化こそが、今日のエンタープライズソフトウェアベンダーにとって最大の脅威だと言える。新しいハードウェアは、かつて不可能だったことを可能にする。しかし、その能力を利用するには、通常、ソフトウェアを全面的に再設計する必要がある。この現実を踏まえれば、最新の技術進歩を十分に活用するために全面的な再設計を行うより、製品の看板を掛け替えるほうが、はるかに容易で、費用対効果も高い。

ソフトウェアベンダーは、古典的な囚人のジレンマの実例に直面している。業界全体で見れば、製品についてより正直で透明な説明をするほうが、ベンダーにとって利益になる。果たせない約束をすれば、両者にとって高くつく問題が必ず生じる。しかし、一社が競合他社以上に主張を誇張すれば、顧客にとって自社のソリューションをより魅力的に見せ、市場で戦略的な優位を得られる。過大な約束と期待以下の成果は、エンタープライズソフトウェアの力学から生まれる、何ら不思議のない帰結なのである。

言葉のインフレは、やがて組織図そのものに及んだ。2000年代初頭には、サプライチェーン責任者という役職が登場した。従来のロジスティクス責任者の肩書を単に変えた場合もあれば、部門横断的な分析を推進するために新設された場合もあった。2020年代までには、ロジスティクス責任者が高度な予測分析に関わることはほとんどなくなり、一方、サプライチェーン責任者が日々の倉庫業務を扱うこともまれになっていた。

機械学習や数理最適化といった高度な分析技術は約三十年前から利用可能だが、サプライチェーン部門での採用は依然として例外的であり、意思決定は今もスプレッドシートに支配されている。

今日、ロジスティクスの専門家は、倉庫業務と輸送を扱う。物流を外部委託する場合、受託業者は「サードパーティー・ロジスティクス・プロバイダー」（3PL）と呼ばれ、在庫を動かすたびに電子的な指示を受け取る。皮肉なことに、ロジスティクスはもともと、適切な時に適切な場所へ資源を動かすという原則に基づいていたのに、3PLは非効率から利益を得る。在庫の移動と保管期間に対して料金を請求するからだ。したがって、移動回数が多く、保管期間が長いほど、物流業者の収入は増える。

2.5 一般的な受け止められ方

過去十年間で、「サプライチェーン」という言葉は一般のメディアでもますます頻繁に使われるようになった。報道において「サプライチェーン」は、半導体や自動車のような高度な製品を届けるため、ときには極めて緊密に協力する、専門化した企業のネットワークを指す。「サプライチェーン」のニュースは通常、港湾の壊滅的な火災のような悪い出来事をきっかけに生まれる。その影響は一つの事業体にとどまらず、相互に依存する企業のネットワークへ波及し、もとの影響を増幅する。

ジャーナリストは、このような問題の再発を将来防ぐには何をすべきかと、しばしば問いかける。その視点自体は正当だが、こうした「サプライチェーン」を統括する中央の権限主体が存在しないことを見落としている。実際、この文脈のサプライチェーンは、相互に調整されていない多数の企業から成り立っている。さらに、政府介入などによって統括主体を設ければ、状況は悪化する可能性が高い。その主体は、資源を効果的に配分するために必要な情報を持たないからだ。Friedrich HayekがThe Use of Knowledge in Society（1945）で指摘したように、関連する知識は、異なる企業に属する無数の個人の間に広く分散している。一つの権限主体が、この分散した情報を完全に活用することは決してできない。「船長」を押しつけようとすれば、必ず資源の誤配分につながる。

こうしたニュースになる失敗は、経済における分業から創発する性質である。どのような分業にも固有の脆さがある。高度に専門化した一部門がつまずけば、その余波は経済全体へ広がる。この脆さを避ける唯一の選択肢は分業を放棄することだが、それは不合理な提案である。実際、そうすれば、トイレットペーパーからスマートフォンまで、日々消費する物理的な財の費用が劇的に増える。分業がもたらす莫大な便益は何世紀も前からよく理解されており、初めて定式化されたのは、David Ricardoとその比較優位の法則による19世紀の研究にさかのぼる。

しかし、分業は市場の特徴でもある。人々が取引するのは、まさに専門化が双方に利益をもたらすからだ。メディアが観察する「サプライチェーン」とは、それぞれの専門化がもたらす競争優位によって生まれた、密接に依存し合う企業群にすぎない。

サプライチェーンは外部委託とも混同され、豊かなウェストニアから仕事を「奪い」、貧しいルリタニアに利益をもたらすものと受け止められることもある。しかし現代では、海外の安価な労働力を利用することは、たいてい副次的な関心事にすぎない。サプライチェーンの目的が最も安い労働力を使うことだけなら、アフリカは先進国にとって主要なサプライチェーンの相手となるはずだ。しかし、実際は逆であり、先進国は主に先進国同士で貿易している。労働力が最も安いことの多い後発開発途上国は、世界貿易からほぼ取り残されている。

実際には、インフラ、技術、必要な資本の条件が、通常、純粋な労働力の問題をはるかに上回る。たとえば、1950～60年代のコンテナ化の急拡大は海上輸送費を大幅に下げたが、同時に大規模な港湾改修を必要とした。それを負担できたのは、力強い資本投資と安定した規制の枠組みを持つ国だけだった。より最近では、高付加価値の電子機器には、高度なロボット技術、厳格な品質基準、安定した電力、専門技術を持つ人材が必要であり、こうした複雑な条件の前では、賃金がわずかに安いという利点は取るに足らない。その結果、強固な物流ネットワーク、信頼できる法制度、十分に蓄積された技術的ノウハウを持つ国は、同程度に発展した国々との大規模な貿易から利益を得る。一方、それらの資産を欠く地域は、現代のサプライチェーンがもたらす機会からほぼ切り離されたままであることが多い。

2.6 今後を見据えて

サプライチェーンの用語は今も変化し続け、ベンダーはかつてなく活発に動いている。一部のコンサルティング会社は、「アジャイル」「ダイナミック」「ホリスティック」なサプライチェーンや、「サプライチェーン設計」を提唱する。フローキャスティングや需要駆動型資材所要量計画（DDMRP）のように、「サプライチェーン」という言葉を付けること自体をやめたものもある。これらの枠組みはすべて、方法や技法こそ大きく異なるものの、似た問題を扱っている。

過去70年間に百万本を超える科学論文と一万冊を超える書籍が刊行されているため、「サプライチェーン」は一般に成熟した分野とみなされている。それでも企業は、主流のサプライチェーン理論とはほとんど似ても似つかない、スプレッドシート上の経験則に頼り続けている。

実務家が膨大な文献を知らないせいだ、と非難することはできるかもしれない。しかし、その非難はほとんど成り立たない。国際的に事業を展開する大企業の大半は、激しい競争圧力のもとで活動している。過去半世紀、主流の理論がほとんど進歩していないことを考えると、企業がいつまでも無知なままだという主張は、信じ難い。

より単純な説明は、主流の理論が不十分だというものだ。実務が理論から離れるのは、理論に欠陥があり、期待された利益が実現しないからである。言い換えれば、膨大な文献があるにもかかわらず、サプライチェーンは、知識が一貫した予測可能な成果を生まない、科学以前の段階にとどまっている。

七十年間で、記帳の層は、バーコード読み取り、リアルタイムデータベース、クラウド上の台帳へと飛躍的に進歩した。しかし、何を買い、作り、動かし、在庫として持つかを決めるルールは、今も世紀半ばの教科書に似ている。取引処理側の進歩は目覚ましかったが、意思決定側では停滞した。その根源は技術上の問題ではなく、知識の成立と信頼性に関わる問題にある。この分野には、長く通用する洞察と流行の教義を確実に見分ける方法が欠けているのだ。

この隔たりを説明し、最終的に埋めるためには、歴史の叙述をいったん止める必要がある。そのため次章では、年代記から認識論へと話を移す。対処法を処方する前に、主張はどう作られるのか、どの説明によって誰が利益を得るのか、たった一枚のパレットの扱いを支配するにしても、その考えはどのような検証を通過しなければならないのかを検討する。こうした基準が明確になって初めて、五十年間途絶えていた意思決定の進歩が、本格的に再開できるのである。

3 認識論

サプライチェーンの改善は、それを導く知識の改善から始まる。そこで本章では、財を動かす仕組みから、あらゆる提言に先立つ知識の根拠に関わる問いへと話を移す。*サプライチェーンに関するある考えを、信じ、資金を投じ、実装するに値すると、どう判断すればよいのか。*この問いに答えることは、実益のない哲学ではない。流行の教義、見栄えのよいスライド、そして成果を変えないまま日常的に予算を消費する「実証済み」のアルゴリズムに対する、唯一の防御策なのである。

サプライチェーンの知識は、とりわけ誤りに陥りやすい。不確実性が意思決定と結果を結ぶフィードバックループを曖昧にし、インセンティブは慎重な検証よりも自信に満ちた物語を報い、世界規模の流れに伴う物理的な時間の長さそのものが、条件を制御した実験をまれなものにする。その結果、学術誌や書籍は、紙の上では優れていると称する理論であふれる一方、日々の実務は今もスプレッドシートに支配されている。この矛盾は技術の問題ではなく、知識の問題だ。長く通用する洞察を、一時的な熱狂からより分ける確かな方法が欠けているのである。

そこで本章では、三つの目標を掲げる。

1. 分類。 サプライチェーンを知識の地図上に、経済学の応用分野として位置づける。そして、これを数学、社会学、あるいは単なる記録管理と取り違えると、なぜ系統的な失敗につながるのかを示す。

2. 検証。 無作為化試験が少なく、反実仮想が中心を占め、成功が美しさや合意ではなく利益で測られる分野で、何が証拠として認められるかを検討する。

3. 腐敗。 学者、コンサルタント、ソフトウェアベンダーといった当事者が、善意を持ちながらも、知識が生み出され伝わる経路を無意識にどう歪めるかを分析し、利害が対立するインセンティブの中で知識の健全性を守るための対策を概説する。

本書全体を通じて、英語の単数形「supply chain」は学問分野を表し、複数形「supply chains」は企業が運営する具体的な流れを指す。この学問分野の役割は、理想化した典型ではなく、個々のサプライチェーンに、不確実性のもとで長期的な利益を増やす意思決定をもたらすことである。反対に、この言葉を市場全体へ広げれば、一般経済学の領域へ踏み込み、ここで採用する実務的な視点を曖昧にする。

本章を読み終える頃には、読者は、アルゴリズム、組織、技術のいずれに関するものであれ、以降のあらゆる主張を判断する物差しを得る。*変動と利害の対立するインセンティブを考慮したとき、この考えは希少な資源をより収益性高く配分できるか。*この物差しを確立することが、その後の分析の前提条件となる。

3.1 経済学

サプライチェーンは、独立した学問分野ではなく、経済学の応用分野として理解しなければならない。この階層関係を見落とすことは、文献に見られる知識の位置づけに関する誤りの中でも、おそらく最も頻繁で、最も深刻なものである。この一つの誤りで、主流のサプライチェーン知識がなぜ実務で実を結ばないのか、その多くを説明できる。

残念ながら、経済学そのものも、その中心的な考え方はきわめて単純であるにもかかわらず、しばしば誤解されている。英国の経済学者Lionel Robbinsは、一般に経済学の古典的な定義とされるものを示した。

ロビンズの一文には、見かけ以上に多くの意味が詰まっており、一語一語に重みがある。資源は、現金だけにとどまらない。工場の稼働時間、パレットの置き場所、トラックの積載能力、経営者の注意力、仕入先との良好な関係さえも含まれる。ある欲求を満たすために使えるもの、あるいは別の欲求を満たすために使わずに取っておけるものは、すべて経済学者の帳簿に載る。

希少性は普遍的な制約である。耕作地が足りない中世の荘園であれ、鉄鋼の割当量に制約される計画経済であれ、資金を使い果たす前に成果を出そうと急ぐベンチャー出資の新興企業であれ、あらゆる社会で欲求は手段を上回る。希少性は資本主義に特有の癖ではない。人間が置かれた条件そのものだ。

代替用途には、機会費用の厳しさが込められている。一トンの銅を圧延して電力ケーブルにすれば、同じ銅を打ち抜いて薬莢にすることはできない。計画担当者が遅れている出荷の追跡に集中した一時間は、来季の品ぞろえの改善には使えない。どの配分も競合する用途を退け、その失われた便益が、あらゆる選択に隠れた代価となる。

資源、希少性、代替用途という三つの要素は、封建主義、社会主義、資本主義のいずれのもとでも存在する。したがって、社会秩序が何であれ、経済学は有効であり続ける。希少性に対処する仕組みは、価格、順番待ち、命令などと異なるが、根底にあるトレードオフの計算は変わらない。企業が誰に所有され、市場がどう組織されているかに関係なく、サプライチェーンの実務は経済学という岩盤の上に立たなければならない。

本書のサプライチェーンの定義と照らし合わせると、この関係は明確になる。

サプライチェーンとは、物理的な財の流れを管理する際に、変動のもとでオプショナリティを使いこなすことである。

希少性の扱いという点で、サプライチェーンは経済学と基本的に同じ道筋をたどる。ここで「オプショナリティ」とは、企業がまず育て、その後に活用しなければならない代替用途を指す。サプライチェーンの意思決定は一つひとつが、他の用途にも使える希少な資源を利用する。購入するあらゆる品目は、他のあらゆる購入候補と競合し、製造するあらゆる品目は、同じ材料を使い得た別の製品と競合する。同様に、追加で一個の発送を受ける拠点は、その倉庫の一個をめぐって、他のすべての拠点と競い合う。

要するに、希少な資源の配分だけに注目すれば、サプライチェーンと経済学は区別できない。しかし、サプライチェーンは、いくつかの重要な点で経済学とは異なる。まず、「使いこなす」という言葉は、利益を追求する企業の姿勢を表す。サプライチェーンは応用科学であり、より広い経済学の分野とは異なり、単に記述的であるだけでなく、規範的であることを目指す。経済学は、なぜある人が他の人より裕福なのかを説明するが、市場の仕組みをよりよく理解することによる間接的な効果を除けば、人々をより大きな富へ直接導くとは主張しない。

さらに、サプライチェーンの範囲は、経済学のごく一部である、物理的な財の流れに限られる。たとえば、生産の選択を左右する特許や著作権といった知的財産の問題は、物理的な資源が十分にあるにもかかわらず生産を制約する場合を除き、経済学の領域に属する。

また、変動という要素によって、範囲はさらに狭まる。変動がなければ、その問題はサプライチェーンの関心事ではなくなる。たとえば、ほぼ完全に自動化でき、到着率がある閾値を下回る限り、ピッキングと梱包の時間に厳密な上限を設けられる倉庫工程を考えてみよう。そのような場合、サプライチェーンは自動化を所与のものとして受け入れ、それを可能にした経済的な意思決定を詳しく検討しない。

サプライチェーンを正しく分類することは重要だ。その真の基盤は今も昔も経済学であるにもかかわらず、実りのない数学、事務的な記帳、経営上の決まり文句といった誤った視点から、日常的に取り組まれているからである。

世間の見方とは異なり、経済学は「陰鬱な科学」などではない。確かに、ほとんどの自然科学のような数値上の確実性は得られない。参加者の自由意志がそれを妨げるからだ。それでも、多くの経済原理は、科学理論として得られる限りの強固な裏づけを持つと考えてよい。

十分に記録されている家賃規制の事例を考えてみよう。政府が市場の均衡水準を下回る家賃の上限を設けると、予測可能な帰結がいくつも生じる。所有者は、既存の住戸を維持・改善する動機を失う。家賃を上げてその費用を回収できないからである。開発業者は建設をためらうようになり、長期的な不足が生じる。不足は入居待ちの列を長くし、選択肢を減らし、住宅の質を低下させる。このような効果は、都市や時代をまたいで繰り返し観察される。文化や時代の違いにかかわらず、経済原理が驚くほど一貫していることを示している。

製品を市場の均衡価格より安く売るときには、個々の企業内にも、ほぼ同じ仕組みが現れる。ある家電メーカーが「顧客を喜ばせる」ために、新しいゲーム機を、市場の均衡水準より意図的に20%安い価格で発売するとしよう。需要はたちまち短期的な生産能力を超える。小売店の在庫は一掃され、購入待ちの列ができる。そして最も示唆的なのは、非正規市場の仲介業者、すなわち転売業者が、希少なゲーム機を定価で購入し、実際の市場価格でオンライン転売することである。企業が自発的に手放した利益幅は、これらの仲介業者が丸ごと手に入れる一方、最終顧客は結局、高い金額を支払う。企業は収入を失い、忠実な顧客を失望させ、運営の混乱を印象づけることでブランドを傷つける。

想定外の需要急増に追いつくほど速く生産を増やせないのであれば、経済的に健全な対処法は、自ら課した価格の上限を取り払い、需要が供給能力に等しくなるまで価格を上げることである。⁷他のどの方策も、制限された価格と真の均衡価格との差額を懐に入れることしかしていない裁定取引業者の集団に、補助金を与えるにすぎない。

経済の法則を逃れることは、電磁気の法則を逃れることと同じくらい難しい。サプライチェーンを応用経済学として捉え損ねれば、よくても、実務家が当然のこととして無視する理論や実践を生み、悪ければ、企業を傷つける意思決定を生む。

3.2 数学

学術界で広く見られる誤りは、サプライチェーンを数学の一分野とみなすことだ。SnyderとShenによるFundamentals of Supply Chain Theory（2019）は、この誤った道筋を代表する書籍である。過去七十年間に百万本を超える論文が発表されてきたにもかかわらず⁸、サプライチェーンの学術文献は現実の実務にほとんど貢献していない。ごくわずかな例外を除き、サプライチェーンは依然としてスプレッドシートに支配されている。「最適性を証明できる」在庫最適化手法を何か一つ採用するより、宝くじを買うほうが、企業が利益を得る見込みは高い。それでも、何千人もの研究者がこのアプローチにキャリアを捧げてきたようだ。これほど大きな誤りに、この学術共同体がこれほど長く固執してきたことには驚かされる。

サプライチェーンを数学の一分野として扱うと、それは一連の数学的パズルへと還元される。需要が不確実で、売れ残りが無価値になる中で、新聞売りが何部を仕入れるかを決める新聞売り子モデルは、最も古く、最も有名な例の一つである。同様に、将来の需要が一定のもとで、保有費用と発注費用の合計を最小化する発注数量として定義される経済的発注量も、古典的な例だ。これらのパズルを解くには、通常、解析的手法、確率論、あるいはアルゴリズムを用いる。

この考え方では、サプライチェーンのパズルは、物理的な財の流れを形式的に記述することから始まる。製品、拠点、需要とリードタイムの方程式、そして制約である。この形式化から、著者は数学的な解を導く。理想的には証明可能な性質を持つ解であり、少なくとも、しばしば人工的に作られたデータによって検証された経験則である。

内部的に整合しているだけでは足りない。現実にさらされても持ちこたえる必要がある。重要なのは、数値レシピが、トラック、リードタイム、顧客と向き合っても通用するかどうかだ。本書が採用する基準と、それが本書にとって持つ意味は、後述の反証可能性の節で示す。

率直に言えば、現実にさらされることを拒むだけで生き残る理論は、トラックがどう走り、顧客がどう買い、パレットがどう待つかについて、何も教えてくれない。内部整合性が正しさを保証するのは、仮定が築いた壁の内側だけだ。その壁が最初の販促による需要急増や、最初の通関遅延にぶつかった瞬間、「最適な」方策は、検証不能な推測へと戻ってしまう。

数学の一分野として扱われると、サプライチェーンのパズルは、現実の条件から切り離されたままになる。たとえば、需要が定常的である、リードタイムが一定である、財が劣化しない、といったいくつかの仮定のもとで、在庫補充方策の最適性を証明できる。現実のどのサプライチェーンも、その結果に反することはできない。それに異議を唱える実験を考案することは不可能なのだ。解の根拠は、問題の仮定から導かれた内部整合性だけである。

このアプローチの支持者は、パズルを無作為に選んだわけではないと、間違いなく反論するだろう。むしろ、現実のサプライチェーンの課題を正確に反映するよう、慎重に作り込んだのだという。さらに、多くの論文は「現実の」データセットによる裏づけを主張し、それらを使った厳密な検証を報告している。

しかし、実務はこの主張を明確かつ強力に反駁する。企業は、これらの「最適」とされる手法をサプライチェーンの運営に使っておらず、その派生形を採用することも、発想の手がかりにすることさえもない。これらのアルゴリズムに本当に価値があるならば、取引処理用データベース、クラウドコンピューティング、ディープラーニングといった優れた技術が急速に取り入れられるソフトウェアの世界と同じような衝撃が、この分野でも見られるはずだ。

企業がこうした「現代的な」サプライチェーン手法を知らないという主張も、精査には耐えない。1970年代末から、企業向けソフトウェアのベンダーは、この種の手法を何千も製品に組み込んできた。しかし、それらは必ず捨てられ、サプライチェーンの実務家はすぐにスプレッドシートへ戻ってしまう。

オッカムの剃刀を適用すれば、最も単純な説明は、数学的には整ったこれらの「パズル」が、日々の業務の混沌に直面すると、利益に関わる再現可能な改善を何も生み出せないというものだ。導入の負担を上回るほど総費用を下げることも、サービスレベルを上げることもないため、実務家はきわめて合理的にそれらを退け、有用性が確かめられた道具へ戻る。その道具がスプレッドシートであっても、である。

最後に、この数学の一分野における見かけの「進歩」の多くは、幻想かもしれない。研究も、他のあらゆる知識分野と同じくらい流行に弱い。1960年代にはサプライチェーンのパズルに対する明示的な解析解が流行し、1990年代にはパラメトリックな時系列モデルが人気を集め、2020年代にはモンテカルロシミュレータが流行している。その時々の科学界の流行に取り組む著者が、この分野の真の進歩、あるいは進歩の欠如に、必ずしも貢献しているわけではない。さらに、過去の論文が現実のサプライチェーンに何をもたらしたかにかかわらず、以前の流行には「時代遅れ」というラベルが貼られる。

3.2.1 反証可能性

数学的な姿勢だけではサプライチェーンを導けないとわかった以上、パレットの扱いを決めるに値する知識と、そうでない知識を分けるための、積極的な判断基準が必要になる。

複雑な理論に対する決定的な視点は、20世紀前半、Karl Popperの研究によって現れた⁹。科学とは何かを明らかにしようと生涯にわたって取り組む中で、ポパーは経験的反証という基準を導入した。この基準は本書の中心にある。彼の人生にまつわる逸話が、その意味を明らかにしてくれる。

ポパーは著書『Conjectures and Refutations』（1963）の冒頭の章で、1919年頃のウィーンでの若き日の経験が、科学の特徴としての反証可能性という考えをどう形づくったかを説明している。アインシュタインの相対性理論は大胆な予測を行い、観察によって反証される危険を冒していた。一方、マルクス主義やフロイトの精神分析は、反する証拠が現れるたびに、その場しのぎの説明で際限なく「救済」されていたと彼は指摘する。アインシュタインの理論を検証する物理学者は、反証の可能性を歓迎し、積極的に探し求めさえした。たとえば、日食の際に太陽の周囲で星の光が曲がる様子を観測し、理論が持ちこたえるかを調べた。物理学者は、理論を打ち砕く可能性が最も高い切り口を追い、できる限り現実にさらそうとしたのである。

これに対し、マルクス主義者は、出来事を理論に合うよう解釈し直すことで、自分たちの教義を反証から「免疫化」した。たとえば、マルクス主義の理論では、プロレタリア革命は工場労働者が最も多い場所、すなわち英国で最初に起こると予測されていた。ところが、革命が起きたのは、欧州で最も工業化の遅れた国の一つである帝政ロシアであり、1917年だった。マルクス主義者は、反証されたとして理論を退ける代わりに、最も工業化の遅れた国で革命が最初に起こる理由を説明できるよう、解釈を修正した。

明らかに、正しい知的姿勢を取っていたのは物理学者である。その知的な志向は、やがて、現在の宇宙理解を支える二つの金字塔、一般相対性理論と量子物理学を生むことになる。どちらも、経験的に意味のある予測を行う上で、きわめて優れた力を発揮した理論だ。反対に、マルクス主義の理論は、この教義に着想を得た改革を実施した何十もの国によって、際限なく反証され続けることになる。改革は惨憺たる経済的結果を生み、そのたびにマルクス主義の経済学者を困惑させた¹⁰。

こうした観察から、ポパーは反証可能性を明確に述べるに至った。それは、科学における真と偽の間の、根本的な非対称性を浮き彫りにする。どの理論も、真であると証明することは決してできない。できるのは、誤りであると示すことだけだ。実際、たとえば一般相対性理論を完全に証明するには、あらゆる場所の、あらゆる時点の、すべての天体が、その理論の法則に従うと確かめなければならない。これは明らかに、まったく不可能な仕事である。できるのはせいぜい、理論と一致する長い測定の系列を集めることだ。それを超えては、宇宙の残りの部分へ理論の有効性を外挿するしかない。しかし、逆の方向ははるかに容易である。理論に反する天体の組がたった一組¹¹あれば、理論が誤っていると証明するには十分なのだ。

したがって、できるのはせいぜい、理論の反証を試みることだけである。ただし、その試みが行われるためには、理論は、原理上は失敗し得る経験的な検証過程に自らをさらさなければならない。ポパーは、そのような理論を反証可能と呼んだ。つまり、理論が容赦ない実験的攻撃に長く耐えるほど、それに対する信頼は増す。一方、反証不可能な理論は、誤りを示すことができず、科学的知識には属さない。反証可能性は現在、科学の中心的な原則の一つとして広く認められている。

サプライチェーンに話を戻すと、反証可能性は、純粋に数学的な姿勢の何が問題かを明らかにする。反証を受けつけないことだ。その姿勢は、自然科学ではなく応用数学に属する。その結果、この視点から導かれる数値レシピの正しさは、浅いものになる。最初に置かれた仮定の束との整合性を反映しているにすぎない。これらのレシピは、その前提が正しいかどうかだけでなく、もっと日常的な問題に対しても、まったく無防備なままである。

反証可能性が重要なのは、サプライチェーンが美しさではなく利益によって評価されるからだ。棚が空のままであったり、在庫が膨れ上がったりしても誤りだと示せない提言は、業務の科学ではなく、数学による物語である。数学的な厳密さは不可欠だ。ただし、その前提が経験的な反証に開かれていなければならない。

3.2.2 学術界のインセンティブ

これらのモデルを機能不全にする過大な仮定の具体例を見る前に、なぜ学術界がそれらを擁護し続けるのかを問わなければならない。答えは、研究者のキャリアを形づくるインセンティブにある。学術誌が報いるのは、実務への効果ではなく、新規性と形式的な美しさである。そのため、研究は自然と、実践可能なパズルではなく、論文にできるパズルへと引き寄せられる。

Russell AckoffはThe Future of Operational Research is Past（1979）で、自らの分野を損なう一連の問題を指摘している。現代の用語では、「オペレーションズ・リサーチ」は「サプライチェーン」と同義であり、アコフの批判は今も全面的に当てはまる。その問題には、次のようなものがある。

1. 作り物の問題を解くこと。

2. 目的を所与とみなすこと。

3. システムの性質を無視すること。

4. 未来を知り得ると仮定すること。

5. 内向きであり、しかもその傾向を強めていること。

6. 合理主義が理性と取り違えられること。

四十年以上がたっても、学術界がこれらの根本的な問題をなお見過ごしているのは、特にアコフの高い名声を考えれば、驚くべきことに思えるかもしれない。しかし、インセンティブに目を向ければ、この振る舞いはそれほど意外ではなくなる。

学者は主に、密接に結びついた二つの評価軸で評価される。第一は、発表した論文の量と、それらが学界の反響室の中で得た影響力である。ここでいう影響力は、他の論文がどれだけ頻繁に引用するかということに、ほぼ尽きる。引用された考えが調達費用を削減するか、リードタイムを短縮するか、欠品を防ぐかは、この指標には反映されない。

第二の軸は教育上の実績であり、実際には、同じ引用重視の教材を、次の世代の学者志望者へ伝える講師の能力に還元される。この二つの物差しは、自己参照的な循環を生む。知識人は、他の知識人をどれほどうまく説得するかだけで評価される。教室に立ち、授業計画を書くのは、すでに同業者を説得する術を身につけた人々だ。考えがフォークリフト、関税、顧客と接しても通用する力、すなわち経験的な有効性は、決して勘定に入らない。

その結果、サプライチェーンという題材に合う数学的問題は、出版可能な問題設定と解を、尽きることなく供給する。制約を加える、需要方程式を修正する、ネットワークのトポロジーを変える、目的関数に項を追加することで、ほぼ無限の派生形を生み出せる。その一つひとつが、学術論文に理想的な素材となる。さらに、小さなデータセットでも共有してくれる企業があれば、その企業固有の細部が、対象に対する独自の、したがって新規性のある視点を提供できる。こうして、孤立したパズルを解くことに、その分野全体にとっての意義があるという錯覚が、必然的に生まれる。

このように、学術界がサプライチェーンを執拗に数学の一分野として扱うのは、投じる時間に対して、論文を発表する最も手っ取り早い方法だからである。さらに、そうした論文には、方程式、アルゴリズム、定量的な結果など、「偉大な科学」の流行の印が備わっている。サプライチェーン研究を応用数学に分類することで、著者は、自然科学が日常的に向き合う厳しい反証の試練を回避する。

授業では、昇進が学生の評価や合格率に左右されるため、講師には、同僚が試験で問う内容に沿った教材を提示する強い動機がある。ここでも、現実との対決より、従来の路線の継続が優先される。

また、話し手が内容を理解しているという前提のもとでは、数学はとりわけ教えやすい。自然科学と違い、限られた時間に説明を収めるために、疑わしい妥協をする必要がない。話し手は、時間に合わせてパズルの数と複雑さを調整するだけでよい。

さらに、採点という点でも、数学的パズルはこの上なく便利だ。試験の条件に合わせて数と複雑さを厳密に調整でき、最小限の労力で、ほぼ誤りのない客観的な採点ができる。残念ながら、その結果として生まれるパズルは、実際のサプライチェーンの、混沌として曖昧で複雑な現実には、ほとんど似ていない。知識人が、過去の知識人の作った教材を、未来の知識人に教える。その循環を断ち切る外部の基準はない。

サプライチェーンを応用数学として扱うこのアプローチが、実務でどれほど悪い成果しか出さなくても、学術的なキャリアを求める人々の変わらぬ関心には応えている。したがって、アコフの例が示すように、この研究アプローチが誤っていると証明するだけでは不十分だ。学術界の根底にある有害なインセンティブに対処しなければならない。それは、本書の範囲を完全に超える仕事である。

ここは明確にしておこう。数学的問題を最もよく説明する比喩がサプライチェーンなのであれば、数学、あるいは解析、アルゴリズム、統計学といった分野で、サプライチェーンを題材に使うこと自体には何の問題もない。たとえば、Leonhard Eulerが1736年に解いた、有名なケーニヒスベルクの七つの橋の問題を考えてみよう。課題は、各橋をちょうど一度ずつ渡る、市内の経路を考案することだった。オイラーは解が存在しないことを証明し、グラフという概念を導入し、それによってトポロジーの分野への道を開いた。

この場合、論文に価値があるのは、数学それ自体としての意義を持つときだけだ。隠れた真実や構造を明らかにするか。説明がとりわけ美しいか。その方法が、無関係に見える別の数学的問題を解く道を開くか。そうでなければ、その研究は無価値とみなされる。根本的に数学の領域に属する研究に、サプライチェーンを題材にするだけで価値を与えることはできない。

文献に通じた読者なら、この基準を満たすサプライチェーン論文が極めてまれであることを知っているはずだ。

3.2.3 安全在庫の落とし穴

サプライチェーンを数学として扱う膨大な文献の欠点を示すのは、気の遠くなる仕事だ。相手はおよそ百万本の論文であり、ほとんど不可能に近い。これは、戯言を反駁するには、それを生み出すより通常一桁大きな労力を要するという、ブランドリーニの法則の鮮明な例である。

議論を扱える範囲に収めるため、広く受け入れられている一つの概念、安全在庫に焦点を絞り、サプライチェーンに数学として取り組むことの一般的な欠点を示す。

安全在庫とは、あるSKU（在庫管理単位）について、望ましいサービスレベルを達成するために必要なバッファである。ここで、サービスレベルは、ある期間内に欠品を回避できる頻度と定義される。このモデルは、リードタイム中の需要が正規分布に従い、リードタイムが一定であると仮定する。これらの仮定から、必要な在庫量を閉形式で表す公式が得られる。

図：安全在庫モデルでは、発注点は、稼働在庫（リードタイム中の平均需要）と安全在庫（リードタイム中の需要の偏差に係数を掛けたもの）の和として設定される。

この計算には歴史的な関心しかないため、ここでは省略する。このモデルからは明示的な公式が得られ、プログラマーにもコンピュータにも最小限の負担で、スプレッドシート上で容易に計算できる、と述べれば十分だろう。

しかし、安全在庫には根本的な欠陥がある。「危険在庫」のほうが適切な名前だろう。問題の捉え方を誤ることで、悪い結果を生むからである。せめてもの利点として、安全在庫は、サプライチェーン分野での深刻な無能さを見分ける、簡単な試金石になる。

安全在庫には三つの大きな問題があり、どれも、それ一つだけで、現実のサプライチェーンに適用した際に満足のいく成果を妨げるに十分である。最初の二つはカテゴリーの取り違えであり、三つ目は技術上の問題だ。

第一の、そして最も有害な欠点は、方法論的な孤立主義である。安全在庫の公式は、各SKUを、貸借対照表上の資源を要求する唯一の存在であるかのように扱い、他から切り離された状態で、その品目の「最適」数量を計算しようとする。しかし、一個追加するたびに、別の製品の在庫に充てることも、さらに収益性の高い他の用途に使うこともできた現金が拘束される。実際、すべてのSKUは、同じ有限の運転資本を奪い合っている。この競合を無視するモデルは、自ら調整すべきトレードオフそのものに目を閉ざしている。

零細企業を除けば、一つのSKUだけを扱うサプライチェーンはない。企業は通常、数千とはいかなくても、数百のSKUを管理する。さらに、一つのSKUを補充することと、多数のSKU全体の補充を管理することは、根本的に異なる。両者はまったく別の問題である。安全在庫は、SKUを切り離して扱えないことさえ認めていない。その定義自体が、解くべき問題、すなわち在庫のためのお金の配分を避けている。

第二に、各SKUを切り離して扱うことを一時的に受け入れたとしても、安全在庫のレシピは、どうしようもなく不完全なままである。このレシピは、根拠もなく選んだ割合である「目標サービスレベル」を定め、その数値が利益と本来的なつながりを持つかのように扱うことに依存している。95%が92%や97%より優れている理由を、公式が説明することは決してない。最も難しい判断を、経営者の一存に委ね、決着したかのように先へ進むだけだ。

支持者は、サービスレベルが高いほど「一般に」収益性は高まると答えることがある。しかし、相関は因果ではない。水準を高くしすぎれば、需要が変わった瞬間に不良在庫が積み上がる。低くしすぎれば、不満を抱いた顧客が競合他社へ流れる。数学の上では0%から100%まで、どの目標も許されるため、実務家は出発点に戻ってしまう。どの品目に、どれだけの資本を投入するかという、本当の経済的な問いに直面するのだ。安全在庫という仕組みは、それに答えるために何もしていない。

第三の、そして最後の欠点は、統計に対する素朴さである。現実の需要は、ほとんど決して釣鐘型にはならない。長い間まばらにしか発生せず、突然跳ね上がり、極端な値は正規分布が許容するよりはるかに頻繁に現れる。リードタイムも同じように不規則で、一つの対称的な山に沿うのではなく、「予定どおり」「通関遅延」「仕入先の欠品」など、異なる最頻値の周囲に集まる。これらは外れ値ではなく、普通に見られるパターンである。これを無視するモデルは、出発点から座標を間違えている。

教科書やソフトウェアが正規曲線に固執するのは、データに合うからではなく、代数の形が整うからだ。原理上は、ゼロ過剰分布、裾の重い分布、混合分布に置き換えて、理論を修復できるかもしれない。しかし、そうすれば、その唯一の長所である単純さが失われる。計算の見通しが悪くなると、安全在庫のレシピは、先に挙げたカテゴリーの取り違えをすべて抱えたまま、唯一の実務上の魅力を失う。現実的でも単純でもない手法に、推奨する理由は何も残らない。

残念ながら、不毛な数学に終始する学術界が残した空白は、すぐに埋められる。そこに足を踏み入れるのは、振り子を反対の極へ振り、数値を捨てて物語を選ぶコンサルタントやビジネス書の著者たちである。学術界の誤謬がサプライチェーンをインセンティブのないパズルとして扱うのに対し、コンサルタントの誤謬は、それを定量化のない物語として扱う。両陣営とも経済的な核心を無視しており、違うのは、両極のどちらに立つかだけだ。次節では、この社会学への転換が、心を奮い立たせる文章に包まれていても、補完すると称する方程式以上に信頼できるものではないことを検討する。

3.3 社会学

学術界の道筋がサプライチェーンを抽象的なパズルへと変え、実りを奪うのに対し、コンサルティングの道筋は反対の極へ振れる。この分野を、社会学的な観察とリーダーシップに関する陳腐な教訓の目録へと作り変えるのだ。こうして過去四十年間、経営コンサルタントはサプライチェーン関連の出版を支配し、あらゆる問題を文化、チームワーク、「ベストプラクティス」の言葉で捉えてきた。その著作は膨大で、「Supply Chain Management」のもとに並ぶ書籍は10,000冊をはるかに超える¹²。John GattornaによるDynamic Supply Chains（2015）は、このジャンルと、知識の信頼性という点での弱さを代表する一冊である。検証可能な証拠の代わりに説得力のある逸話が置かれ、読者の手元に残るのは、裏づけられた知識ではなく物語だ。

これらの文献は、まさしく自己啓発のジャンルに属する。想定する読者は、新しい流行語を身につければ、企業の業績も上がり、自分の昇進も早まると信じる経営幹部、あるいは経営幹部になりたい管理職である。一方、著者であるコンサルタントは、日単位で借りられる洞察を持つ導師の姿勢を取る。

各書籍は、予測しやすい二つの軸に沿って展開する。戦略の軸では、通常三つから五つの少数のスローガンを示し、サプライチェーンについてどう「考える」べきかを説明すると約束する。この分野は、整った四象限、波、成熟度の段階へと切り分けられる。組織の軸では、そのスローガンを、運営委員会、部門横断ワークショップ、責任分担マトリクスなどの儀式のチェックリストへ変換する。いずれも、そのまま使えば実行へ進める手順として提示される。

話の勢いを保つため、物語には借り物の権威が織り込まれる。Fortune 500企業の経営幹部の短い発言、米海軍特殊部隊SEALsによる強靭さについての言葉、土壇場のスポーツの勝利を逐一語り直した話などだ。スポーツの逸話や選手の発言は、文章を一時的に活気づける以外には、サプライチェーンの議論を裏づける証拠として何の重みも加えない。競技や芸能の世界での名声は、パレットや発注の配分には関係がない。そうした顔見せは、実戦で試されたかのような錯覚を生む。実際にもたらすのは、彩りであって証拠ではない。

このジャンルが頼る最初の手口は、おなじみの流行語のインフレである。「アジャイル」「デジタルツイン」「AI駆動」といった言葉が、避けて通れないものに聞こえるまで繰り返される一方、定義はどんな状況にも合うほど伸縮自在なままだ。その輝きの裏にあるのは、「世界は変わっている。適応しなければならない」といった、いつの時代も変わらない当たり前のことを、新発見として売り直したものにすぎない。企業を「先導者」と「後進組」、あるいは「革新者」と「追随者」に分ける分類は、同語反復をフローチャートで包み、深みのないところに深みがあるよう見せかける。

第二の手口は、緊急性のでっち上げである。著者は、仕入先との親密さ、顧客中心主義、持続可能性、文化など、見過ごされていると称する少数の手段に光を当て、直ちに最高経営層の議題へ引き上げることが不可欠だと唱える。この「今すぐ行動するか、滅びるか」という構図は、取締役会の場では反証しようがない。それは、機能するサプライチェーンが守らなければならない他のあらゆる制約に及ぼす機会費用を一度も評価することなく、コンサルタントが好む取り組みへ、注意力と予算を巧みに振り向ける。

最後の手口は、借り物の権威である。事例紹介は、尊敬されるブランド名を並べ、都合のよい成功指標を誇示し、スポーツ選手や特殊部隊経験者の言葉を散りばめる。暗黙の三段論法は、もっともらしいだけのものだ。「X社は有名である。X社はこの枠組みを支持している。ゆえに、この枠組みは名声を生む。」相関がひそかに因果へすり替えられ、その魔法を解くはずの失敗は、見えないところへ追いやられる。

これらの修辞的な仕掛けは、無害な娯楽ではない。本当の改善に必要な定量的推論を押しのける。陳腐な教訓を威信と緊急性で包むことで、この文献群は、経営幹部を持ち上げ、決断力を発揮している気分にさせる一方、財の実際の流れには何も手をつけない。ロゴと意欲をかき立てる逸話を取り除けば、分析的な精査に耐えるものは何も残らない。

言い換えれば、コンサルティングの定番の教えは、サプライチェーンの機能不全を人間関係の問題として扱い、集団行動を作り変えることに解決を求める。好む変数は役割、儀式、物語であり、使う道具はワークショップ、行動憲章、インセンティブの一覧表だ。この視点は、教科書どおりの組織社会学である。集団がどう結束を保ち、地位がどう交渉され、規範がどう徹底されるかを研究し、その社会的構造を再調整するための儀式を処方する。物語の真の主役は、影響力を奪い合う部門であり、パレット、コンテナ、リードタイムは小道具として現れるにすぎない。物量が実際により滑らかに流れるかどうかは、社会的な調和の改善から自然に生じる副産物とみなされる。したがって、これらの文献は、自らそう名乗ることはめったにないとしても、方法と目的において社会学的なのである。

仮にこれらの文献に本物の洞察が含まれていたとしても、実際にはめったに含まれていないが、サプライチェーンを主に社会学的な取り組みとして扱うことは、改善の努力を誤った方向へ導く。思考実験をしてみよう。近い未来のプラットフォームで、一つの自律的な人工知能（AI）が、すべての需要シグナル、リードタイムの更新、費用曲線を取り込み、人の介入なしに、あらゆる発注、価格変更、経路指示を出すと想像してほしい。その世界には、「足並みをそろえる」ことも「権限を与える」ことも、もはや何も残っていない。委員会、ワークショップ、インセンティブの一覧表からなる足場全体が、一夜にして消える。それでも、この分野の経済的な実体は残る。変動のもとで、希少な資源を配分しなければならないことに変わりはない。そのAIが頼るのは、部門間政治の理論ではなく、経済学の核心であるオプショナリティ、機会費用、リスクの原理だ。この思考実験は、階層関係を明確にする。組織の構造は、CPUより遅く、希少でもある人間同士が調整しなければならないためだけに、私たちが築く暫定的な回避策である。自動化は、すでにこの社会学的な外装を削り始めている。価格設定ボット、経路最適化システム、配分エンジンが、かつて部門全体を占めていた仕事を担っている。かつて大勢の事務員の存在理由となっていた保険数理表を、ノートパソコンが置き換えたのと同じだ。完全な自動化が実現するまでは、人間は処理の輪の中に残る。人間を導く羅針盤は、社会学的なものではなく、経済的かつ業務的なものであり続けなければならない。

確かに、サプライチェーンの課題の中には、今もソフトウェアでは解けないものがある。必要な手順が明確になったら、最先端の手法で自動化できるようになるまでのつなぎとして、人間の知性に頼ることは許容できる。仕事量が一人の能力を超えるなら、人を増やし、それに応じて組織すればよい。それでも、社会学は最後の手段であるべきだ。実際、知的な仕事に「人間の知性が必要だ」と言い張ることは、「この問題をどう解けばよいか、はっきりわからない。しかし、いざとなれば誰かが何とかするだろう」と認めることに等しい。

二世紀以上にわたり、人間の関与そのものを美徳とみなす誤りは、繰り返されてきた。19世紀初頭の英国で、機械式の織機や編機に反対した織工や繊維労働者、ラッダイトは、その典型例である。サプライチェーンにおいて、数百万のSKUの日常的な細部管理に人間が関わることは、それ自体として望ましいことではない。機械化がなければ、処理の長い遅延、反応力の低下、凡庸な配分といった、予測可能な限界が生じる。担当者が、関係するすべての定量的要因を比較検討できないからだ。

こうしたコンサルタント主導の手口を合わせて見れば、見栄えのよい枠組みが、コンテナ、価格、発注を、なぜこれほど頻繁に出発点のままにしておくのかがわかる。それらは資源配分を集団療法へと変え、調和を利益と取り違える。社会学とサプライチェーンを使いこなすことの混同が、どれほど現実の費用を生むかを見るため、次に、この文献群の看板となる教義、販売・操業計画を検討する。

3.3.1 S&OPの落とし穴

販売・操業計画（S&OP）は、部門の縦割りを治すものとして四十年間もてはやされてきた。しかし、それは今述べた社会学的誤謬の典型である。複雑に組まれた会議日程を通じ、非常に不確実な、たった一つの予測について合意を求め、その後、すべての部門に忠誠を誓わせる。統合事業計画（IBP）など、名称を変えた派生形も、同じ弱点を引き継ぐ。価格設定、購買、生産能力を、経済的な最適化ではなく、企業の儀式として扱うのだ。S&OPは影響力が大きく、問題をよく表しているため、以下の批判ではこれだけを取り上げる。ただし、その議論は、同類の手法すべてに等しく当てはまる。

19世紀に巨大企業が台頭して以来、私たちが「規模の経済」と呼ぶものの大半を生み出してきたのは、専門化である。対象を絞ることで、チームは専門性を深め、生産性を高め、成果をより予測しやすくする。しかし、専門分野が一つ増えるたび、全体へ縫い合わせ直さなければならない継ぎ目も一つ増える。組織の織物が広がるにつれ、その縫い合わせは組み合わせ的に難しくなる。

調整が遅れると、失敗は劇的なものになる。マーケティングは、工場で満たせない需要をあおり、広告予算を浪費し、顧客を失望させ得る。製造部門は、市場が吸収できない製品で倉庫を埋め尽くし、保有費用が見込める利益幅を上回れば、投げ売りや全額の評価損計上を余儀なくさせる。

販売・操業計画（S&OP）は、今述べた勢力間の休戦を儀式化するものとして、1980年代初頭に考案された。その約束は単純だった。日程上の一つの確認時点にすべての部門を集め、将来の需要について一つの見方に合意し、その見方を、同期の取れた供給計画、生産能力計画、財務計画へと展開する。理論上、この会議は、需要を作る人々、すなわち営業、マーケティング、マーチャンダイジングの担当者と、それを満たす人々、すなわち調達、製造、物流の担当者が、同じ数値と制約に従うことを約束して退室することを保証する。

2000年代にERPベンダーやコンサルティング会社が、S&OPのダッシュボード、成熟度モデル、ベンチマーク調査を売り始めると、この枠組みは勢いを増した。道具の見栄えはよくても、仕組みは簡素なままだ。18～24か月先までを順次更新しながら見る期間、「単一の数値セット」と呼ばれることもある合意予測、そして、すべての担当役員が承認できるよう数値を調整する、毎月の事前資料の読み込みとワークショップの連なりである。

歴史的に見れば、S&OPは画期的な発明というより、1920年代にGeneral MotorsでAlfred Sloanが開いた経営幹部による生産会議の、現代版の続編である。言葉は変わったが、意図は同じだ。変動によって各部門の王国が引き離されそうになっても、ばらばらにならないよう、制度化された慣行を課すのである。

長く続いてきたにもかかわらず、S&OPは精査すれば崩れ去る。四つの構造的欠陥がこの実践を損ない、知識の信頼性という観点から、なぜ希少な資源の配分を任せられないかを示している。

1. 予測の幻想。 S&OPは、需要について一つの時系列予測が存在するだけでなく、数か月前から生産能力、価格設定、在庫を導くのに十分正確であると仮定することから始まる。この前提は、不確実な未来を既知の定数として扱い、問題の最も難しい部分をスプレッドシートへの入力に変えてしまう。不確実性を確実性に見せかけることで、この儀式は、その数値をそもそも信じるに値したかどうかを検証するはずのフィードバックループを断ち切る。

2. 意思決定の空白。 合意された需要予測を魔法のように作り出した後、S&OPは、調達ロット、生産日程、配送経路計画といったあらゆる定量的な意思決定を、各部門の縦割り組織がすでに使っている経験則へ丸投げする。この枠組みは、ある配分を別の配分より選ぶための経済的基準を何も提供しない。他の場所で行われた選択に、認証の印を押すだけだ。知識の観点から言えば、これは最適化を装った記帳である。

3. 儀式の行き過ぎ。 事前会議、足並みをそろえるワークショップ、経営幹部による確認という毎月の周期は、調整不全の治療法として示される。しかし、その治療法は、物の流れの物理的な性質ではなく、人員数に応じて拡大する。SKU、輸送路、販促が一つ増えるたびに求められるのは、より鋭いアルゴリズムではなく、新たなスライド資料だ。この複雑さは、原子とリードタイムから生じる本質的なものではなく、会議が作り出す偶発的なものである。

4. 恣意的な分類。 S&OPは時間を業務、戦術、戦略の区分に分け、現実を「需要対供給」という二軸のマトリクスへ還元する。これらの区分は、経験的な発見ではなく、議論を運ぶための便宜にすぎない。経済的な結果を変えることなく、自由に組み替えられる。パラメータを自由に変えられる理論は反証できず、したがって信頼できる知識を蓄積できない。

これらの欠陥を合わせれば、S&OPを採用した企業が、なぜしばしば自作のスプレッドシートへ戻るのかがわかる。この実践が提供するのは、予測する力を伴わない、見せかけのプロセスだからだ。会議は、一時的な合意を強制することはできる。しかし、変動と利害の対立するインセンティブのもとで、どの意思決定が長期的な利益を最大化するかを明らかにはできない。その前提を経験的な反証にさらし、機会費用に処方の根拠を置くまでは、その枠組みは、サプライチェーンの科学ではなく、組織に伝わる言い伝えに属する。

次に経済史へと目を向け、知識をめぐる同様の誤りが、過去にどのような結果を生んだか、そして現在にどんな教訓をもたらすかを検討する。

3.4 経済史

経済史は、実際に起きたことを記録する。支払われた価格、動いた財、耐え抜いた危機である。背景を知るためには不可欠だが、Ludwig von MisesがHuman Action（1949）で強調したように、事実が自らを解釈することはない。原因、結果、反実仮想をたどり、意味を与えられるのは、先立つ経済理論だけだ。要するに、経済学は経済史に先行しなければならない。過去を有益に語り直すには、まず論理的な枠組みが必要なのである。

同じ順序が、サプライチェーンにも当てはまる。リードタイムのヒストグラム、サービスレベルのグラフ、在庫回転率で埋め尽くされたダッシュボードは、記録にすぎない。機会費用とオプショナリティの理論がなければ、在庫の20%削減が見事な手腕なのか、怠慢なのかを、分析担当者は判断できない。データが知識になるのは、経済的な視点を通して選り分けられたときだけである。そうでなければ、その作業は、洞察を装った記帳にすぎない。

しかし、日々の実務では、記録と説明の区別が日常的に曖昧になる。分析担当者はダッシュボードを埋め、ベンダーはベンチマーク報告書を出し、コンサルタントは導入前後の事例を誇示する。どれも、何が実際に起きたかを語る一方、別の選択をしていたら何が起こり得たかについては何も述べない。記録は物語を語るが、その物語を生んだ仕組みを診断することは決してない。

在庫を20%削減したと宣伝する小売業者を考えてみよう。機会費用の理論がなければ、その見出しに意味はない。サービスを低下させずに、本当に運転資本を解放したのか。それとも、棚の欠品が、まだ報告されていない四半期へ先送りされただけなのか。帳簿には、実現しなかった売上、試みられなかった品ぞろえの拡大、実施されなかった価格実験のための行はない。歴史が記録するのは、選ばれた道だけであり、その隣にありながら探索されなかった道では決してない。

ベンチマークは問題をさらに大きくする。「在庫日数」や「在庫回転率」で企業を順位づければ、模倣を促す一方、品ぞろえの幅、約束するサービス、価格決定力といった戦略上の非対称性を無視する。背景を再現せずに指標だけをまねるのは、カーゴ・カルト的な最適化だ。儀式は保たれるが、経済的な中身は保たれない。

この教訓は、数学や社会学への批判と響き合う。経済史は、洞察の補助的な源であって、基盤ではない。後から集められた事実は不可欠だが、反実仮想と機会費用を評価する、将来を見据えた経済的な視点を通さなければならない。その視点がなければ、歴史は、数値に明るい物語へと変わる。読めば安心できても、次のコンテナを導く力はない。したがって、使いこなす力は理論から始まり、その理論を経験に照らして試し、その後で初めて、帳簿を将来の配分の指針にする。

3.5 補助科学

補助科学とは、サプライチェーンが事実、証明、道具を得るために日常的に頼る学問分野である。不確実性のための統計学、自動化のためのコンピュータ科学、人間の偏りのための実証心理学、燃費のための航空工学などだ。この言葉は歴史学に由来する。十六世紀以来、古文書学や年輪年代学といった分野は、歴史を叙述することなく証拠を提供するため、補助的と呼ばれてきた。この階層関係は、知識の根拠に関わるものであって、軽蔑を含むものではない。サプライチェーンは、それらの科学が確立する、長く通用する真実に従属する。統計学者が信頼区間の意味を精緻化したり、航空技術者がより安価な飛行パターンを実証したりしたら、実務家は直ちに適応しなければならない。重要なのは、知識が信頼できるかどうかであって、それがどの経路で得られたかではない。

ただし、従属は融合を意味しない。サプライチェーンは、数学、ソフトウェア工学、心理学、ロジスティクスをごった煮にした学際分野ではない。変動のもとで希少な資源を配分するという、ただ一つの使命を持つ、経済学の明確な応用分野であり続ける。補助科学を参照するのは、その知見がこの使命を果たす助けになる範囲に限られる。内部の論争、専門用語、威信をめぐる争いは、安心して無視してよい。実務家に必要なのは、適切な道具を選び、それが機能しないときに気づくのに足る理解である。それ以上でも、それ以下でもない。

必要な理解の深さは、知識がどこまで道具に組み込まれているかによって決まる。補助科学の成果が、バーコードスキャナー、最適化エンジン、集積回路といった堅牢な人工物に組み込まれているなら、サプライチェーンの専門家は、それをブラックボックスとして扱い、経済的なトレードオフに集中できる。行動経済学の研究の大半が今もそうであるように、道具への組み込みが不十分であれば、専門家は箱を開け、限界を把握し、人手で補わなければならない。

歴史家がよい類例になる。年輪年代学によって、ある盾を1519年の夏のものと年代測定できれば、1515年のマリニャーノの戦いで使われたという主張を反駁できる。しかし、年輪の研究と歴史の叙述を混同する歴史家はいない。サプライチェーンも、同じ規律を養うべきである。あらゆる補助科学を徹底的に利用しながら、決して舵を明け渡さないことだ。

微生物学が交渉の余地のない境界を定めるとき、この従属原則は明らかになる。実験室での研究によれば、食品由来の病原体の大半は、製品の温度が5 °Cを超える状態が数時間以上続くと、指数関数的に増殖し始める。そのため、コールドチェーンの指針では、冷蔵肉は4 °C未満で工場から出荷され、顧客に届くまで7 °Cを決して超えないことが義務づけられる。計画担当者がリステリアの増殖曲線を暗唱できるかどうかは関係がない。微生物学者がこれらの閾値を定めたら、サプライチェーンの専門家は、冷蔵コンテナの費用を払うか、配送経路の密度を高めるか、配送圏を狭めるかを決めなければならない。しかし、温度の制約自体は議論の対象ではない。

材料科学も、同じ教訓を与える。圧縮試験によれば、標準的な厚さ7 mmの複両面段ボール箱は、上からの荷重がおよそ8 kNを超えると潰れる。したがって、そのような箱をパレット六段の高さまで積む配送センターでは、箱一個当たりの重量に、およそ18 kgの上限を設けることになる。三層段ボールの梱包に切り替えるか、積み上げる高さを下げるか、保管ラックに投資するのでなければ、である。補助科学は境界条件を提供し、サプライチェーンはその境界の内側にある経済的なトレードオフを評価する。

サプライチェーンが補助科学に従うのは、それらの分野が、真実と誤りをより速く、より明確に分ける方法を持つからである。物理学や化学では、昼食前に実施する卓上の実験で、悪い仮説を、ごくわずかな費用で打ち砕ける。結果は速く、再現可能で、決定的だ。サプライチェーンの主張は、経済学の主張と同様、工場、トラック、店舗が織りなす、混沌とした現実の世界でしか検証できない。現場試験は数か月に及び、実際のお金を消費し、明確な肯定か否定の結論を出せることはめったにない。フィードバックループが遅く、ノイズも多いため、サプライチェーンは、補助科学の厳密さを借りながら、自らの知識はより徐々に蓄積されると受け入れなければならない。

それでも、サプライチェーンが補助科学の目的を引き継ぐわけではない。その知見を、未加工の入力として買うだけだ。航空技術者が、超長距離便で途中に給油のための寄港を入れると燃料消費を八パーセント減らせると証明しても、実務家は、その節約を、輸送時間の延長、追加の着陸料、乗務員の時間外勤務、顧客離れの可能性と比較しなければならない。基準は、技術的な美しさではなく、経済的な見返りである。ジェット燃料、時間、資本、良好な関係のすべてに機会費用があり、意思決定の前に価格をつけなければならない。補助科学は事実を提供し、サプライチェーンは価値を与える。

サプライチェーンは、日々の実務で統計学、コンピュータ科学、機械工学、さらには行動心理学まで借りるため、学際的に見えるかもしれない。この印象は、道具と目的を混同している。科学としてのサプライチェーンは、希少な資源を空間と時間の中でどう流すべきかを決めるという、単一の使命を持つ応用経済学の一分野だ。補助科学が供給するのは、その使命に役立つ測定、アルゴリズム、機械にすぎず、使命を再定義するわけではない。これに対し、自然科学の諸分野が互いに入り込むのは、まさに原子が、物理学と化学や生物学を隔てる学科の壁など知らないからである。それらの境界は、教育上の便宜にすぎない。したがって、サプライチェーンは、知識の成り立ちという意味では学際的ではない。外部から取り込む多くの成果を利用するという、実務的な意味においてのみ学際的なのである。

実務家が補助分野へ深く踏み込む必要があるかどうかは、二つの要因によって決まる。経済的な影響度は、その補助的な知識に利益がどれほど左右されるかを測る。道具への組み込みの質は、その知識のどれほどが、信頼できる人工物に組み込まれて提供されるかを測る。影響度が高く、組み込みが不十分であるほど、本人の深い理解と活用能力が必要になる。

経済的な影響度とは、補助科学に関わる利益の感応度である。クリーンルームの風量を少し調整しても、一バッチ当たりごくわずかしか節約できないなら、影響度は低く、その設定は固定の手順のままでよい。対照的に、連続式の化学反応器の滞留時間をわずか五分短縮すると、一時間当たりの処理量を六パーセント増やせることがある。しかし、同時に反応の収率が下がり、併産品の構成も変わる。主たる等級の製品は割増価格で売れる一方、二次、三次の生成物は安く売るか、再処理しなければならない。増加した量、低下した収率、変わった併産品構成は、在庫、契約への割り当て、価格帯へと波及する。トレードオフが大きく、制御の論理が複雑な工程図の中に隠れているため、計画担当者は、変更を認める前に、生産能力と利益幅を比較できる程度には反応速度論を理解していなければならない。したがって、深い専門知識が必要なのは、影響度が高く、道具への組み込みが不十分な場合だけである。それ以外では、補助分野は、安心して閉じたモジュールのままにしておける。

逆に、集積回路は、優れた組み込みの例である。五ボルトのインターフェースの背後に、一世紀の量子力学を内包している。計画担当者は、バンド理論を学ぶことなく、その計算能力を活用する。ジェットエンジンも、同じくらい見事に熱力学と材料科学を隠している。ネットワークの最適化に必要なのは、燃料消費量の表だけだ。反対の端にあるのが、実証心理学である。アンカリング、損失回避、双曲割引といった知見は、主に文章として経営者に届く。道具への組み込みが不十分である一方、価格設定、販促、交渉への経済的な影響度は高い。そのため、サプライチェーンの指導者は、自ら概念を理解しなければ、その分野が記録している偏りを繰り返す危険を冒すことになる。

ここから実務上の目安が得られる。*深い専門知識が必要なのは、経済的な影響度が高く、道具への組み込みが不十分な場合だけである。*どちらか一方が欠けているなら、補助科学は、閉じたモジュールのままでよい。

要するに、補助科学は可能性の境界を押し広げ、サプライチェーンの実務は、その境界がいつ重要になるかを決める。統計学がより狭い区間を、材料科学がより軽いパレットを、コンピュータ科学がより速いソルバーを生むたびに、対応する意思決定の経済的な影響度は変わる。経営者の注意の向け方も、変わらなければならない。逆に、新たな成果が信頼できる人工物の中に収まれば、インフラとして扱い、頭の中で追い続ける必要をなくせる。求められる技は、どの部分にはまだ精査が必要で、どの部分が「ブラックボックス」の境界を越えたかを示す地図を、常に更新しておくことだ。その地図を放置すれば空白が生まれ、ベンダーの誇張された売り文句やコンサルタントの言い伝えが、すぐにそこを埋める。次に、知識体系の腐敗という題のもとで、このパターンを検討する。

3.6 知識体系の腐敗

知識体系が大きく健全性を失い、期待される種類の信頼できる知識を提供しなくなったとき、それを知識体系の腐敗と呼ぶことができる。知識体系の腐敗は、その体系の背景にあると考えられる中心的な目標の一部と相いれない利害のために、体系が取り込まれることで生じる場合が多い。Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science（2021）、Sergio Sismondo。

今日、サプライチェーンの知識として通用しているものの多くは、腐敗している。サプライチェーンを改善すると称しながら、改善できないのだ。しかし、壮大な陰謀や邪悪な支配者、賄賂が働いているわけではない。ひどく偏ったサプライチェーンの資料を作る著者が不誠実であることはまれであり、多くの場合、問題に気づいていない。サプライチェーンをむしばむ知識体系の腐敗の大半は、構造的な逆インセンティブから生じる。本章の残りでは、被害がサプライチェーンをはるかに超えて広がる、根強い誤解を扱う。

経済学の応用分野として、サプライチェーンの知識は富を約束する。企業をより豊かにし、ときには大きな富をもたらすのだ。サプライチェーンの実務家や社内チームは皆、競争相手を上回るために、より優れた知識を生み出す動機を持つ。そのため、発見を公表する動機は乏しい。直感に反するが有効な在庫最適化の経験則を見つけたなら、企業はそれを営業秘密として守ることを好む。

サプライチェーンの「真実」を最も声高に広めるのは、助言を収益化する人々、すなわち学者、コンサルタント、ソフトウェアベンダーである。それぞれが、何を公表するかという選択を歪めるインセンティブのもとで活動している。

第一に、学術界である。民間や公的な資金を受ける教授は、論文発表を通じて学生と評価を奪い合う。「出版か死か」の典型だ。学術論文の著者には、サプライチェーンについての自らの主張を実務で検証する機会がめったにない。企業と関わる場合でも、そのキャリアは現実の成果から大部分が隔離されたままである。実際、サプライチェーンを数学的パズルの集合とみなす傾向は、構造的なインセンティブの影響をよく示している。

数学的パズルを考案して解くのに必要な創意工夫は、限られている。新しいパズルも解も、既知の例の派生形にすぎないなら、なおさらだ。解の妥当性は、あらゆる数学的証明と同様、純粋に内部整合性の問題であるため、著者は現実での検証を求める負担から解放される。人工的なベンチマークに現実のデータを使うことは、煙幕以上のものではほとんどない。実装していたらどのような結果が得られたかを、依然として示してはいない。

第二に、企業の管理職を顧客とするコンサルタントである。学者とは違い、コンサルタントは自らの理論が現実に生む結果に直面する。そして、この責任はしばしば強みになる。管理職がプロジェクトに不安を持つと、緩衝材としてコンサルタントが呼ばれる。成功すれば管理職の手柄となり、失敗すればコンサルタントが責任を負う。この力学を知る管理職は、実績が凡庸なコンサルタントでも、めったに解雇しない。より広く言えば、コンサルタントは通常、断固とした提言を避ける。その役割は根本的に、顧客に決して「ノー」と言わないことだからだ。

第三に、筆者もその一員である、ソフトウェアベンダーだ。エンタープライズソフトウェアを開発するのは、時間のかかる、混沌とした過程である。最終製品は通常、不透明で複雑だ。そうでなければ、個人や小規模企業向けのセルフサービス型製品として売られるだろう。ソフトウェアベンダーの顧客も管理職だが、ベンダーを選ぶ管理職と、製品を使う人は、通常異なる。管理職は、より情報に基づいた判断をするために、しばしば部下に相談する。そこで、利害の対立するインセンティブが入り込む。ほとんどのソフトウェア製品は、少なくとも部分的には生産性の向上を目的としており、それにはしばしば人員削減が伴う。部下の意見に頼ると、現状、したがって人員数を最もよく維持するベンダーが、系統的に有利になる。管理職には、製品を評価する専門知識を身につける時間が足りないことが多いため、評価の多くを第三者の権威に委ねる。

この力学によって、事例紹介が、エンタープライズソフトウェアにおける定番の販促手段となった。この分野の「証拠」の非常に多くが今やこの経路を通るため、次節で詳しく検討する価値がある。

3.6.1 事例紹介

こうした利害の対立するインセンティブが証拠を歪める経路の中で、一つが抜きんでている。企業の事例紹介である。事例紹介は、企業の読者に向けた、精巧な宣伝記事だ。それ以上でも、それ以下でもない。それでも多くの企業は、特に取り上げられた顧客に連絡できる場合、事例紹介は真実だという危険な思い込みのもとで動いている。現実は違う。事例紹介ができるのは、よくても、ベンダーが何を売ろうとしているかを明確にすることだけだ。登場する顧客がどれほど恩恵を受けたかを評価することはできず、まして、ベンダーが別の企業に何をもたらすかを評価することはできない。この思い込みを取り除こう。

「ソフトウェア」の事例紹介には、それぞれが単独でも致命的な、二つの本質的な欠陥がある。逆インセンティブと選択バイアスである。

ベンダーに、便益を膨らませ、投資の見返りを損なう問題を隠して、話を美化する強い動機があることに疑いはない。顧客の声は、現実に照らして確認する役割を担うはずだ。しかし実際には、顧客にもベンダーと同じくらい、美化する動機がある。企業向けの販売を成立させるには、その選択肢を推す経営幹部が、一人以上必要になる。これらの推進者は、事実上、ベンダーを保証しているのだ¹³。さらに、その主張は、非常に説得力のある指標によって裏づけられる。サプライチェーンは十分に複雑なので、取り組みがどれほど機能不全でも、都合のよい指標を少数選び出せることは保証されている。必要なら、指標をかなり露骨に捏造することさえできる。その取り組みを内情までよく知る人を除けば、事例紹介の主張を否定できる立場にいる人はいない。部外者なら、なおさらだ。企業の事例紹介は、その設計上、再現できない。

これほど明白な利益相反があり、それを責任追及の完全な欠如がさらに増幅するなら、偏りは避けられない。日常の行いでは誠実と知られる、品性の確かな人でさえ、評判や生計が懸かれば、歪んだインセンティブに屈することがある。これは、その道徳心を疑うためではない。職業上の圧力、同僚からの見られ方、個人的な野心が、他の点では立派な人にも及ぼし得る、強い影響を認めるためだ。プロジェクトの成功が、昇進、講演への招待、社内の威信につながるなら、最も倫理的な人でも、中立に評価することはほとんど不可能に感じるかもしれない。利益相反は、そもそも組み込まれているのである。

こうした理由から、事例紹介を「確認」するために顧客へ電話することは、まったく効果がない。まれにある全面的な捏造の場合を除けば、関係する管理職は、書かれたことをすべて喜んで肯定するだろう。インセンティブから予測されるとおりだ。さらに悪いことに、「人との触れ合い」が、主張に過剰な信頼性を与える。ほとんどの企業の管理職は、連絡してきた相手に好印象を与えるという、それだけの理由によるものだ¹⁴。

仮に、もっともらしくはないが、顧客が正直だと認めたとしても、方法としての事例紹介には、なお選択バイアスという致命的な欠陥がある。ベンダーは多数の顧客にサービスを提供しており、事例紹介は無作為には選ばれない。ベンダーは当然、最も都合のよい事例を選ぶ。このベンダー主導の選択によって、大きな偏りが確実に生まれる。

実際、ベンダーが無能で、ほとんどの取り組みを失敗としてひそかに畳んでいても、成功を掲げることはできる。エンタープライズソフトウェアで、成功したように見せるために必要なのは、別の無能なベンダーが残した混乱を引き継ぐことだけだ。

無能なベンダーは数多くあり、それを選ぶ企業は判断力の欠如を示している。したがって、一度無能なベンダーを選んだ企業が、最初の失敗を内々に認めた後、同じように無能な別のベンダーを選ぶとしても、不思議ではない。しかし二度目には、いくつかの教訓が得られており、深刻な間違いの一部は避けられるだろう。そのため、第二のベンダーは、最初のベンダーと同じくらい無能でも、最初より比較的良いものを納める可能性が高い。棒を十分低く置けば、足の不自由な人でさえ越えられる。この相対的な成功から、第二のベンダーの能力を称える事例紹介が生まれる。

サプライチェーン分野の著者の偏りを嘆くことは、いつか「偏りのない」著者が現れると期待することと同じくらい無益だ。中立な観察者など存在しない。サプライチェーンの理論を実際に試すには、どんな理論であれ、利益を追求する企業の協力が必要になる。中立であり続けることは、無能であり続けることに等しい。純粋研究の象牙の塔に、解決策はない。利害の対立するインセンティブと、それが生む偏りは、サプライチェーンに内在する性質とみなすべきである。

つまり、サプライチェーンの知識を生み出す方法は、その偏りを増幅するのではなく、緩和する力によって評価しなければならない。理想的には、まさにその目的のために、方法を設計し、方向づけるべきだ。

3.7 否定的知識

サプライチェーンの「知識」がどう道を誤るかを見てきたところで、実務的な対策が必要になる。最も確かな第一歩は、否定的知識である。予測どおりに失敗するものを選び抜いて記録し、常に手元に置き、魅力的だが破滅を招く計画への拒否権として適用する。以下では、その記録がなぜ重要で、どう使えばよいかを説明する。

肯定的知識が思考を正しい方向へ導くなら、否定的知識は、思考を誤った方向から遠ざける。現代の教育制度には、否定的知識がほとんどない。教育は、学生に「有効な」知識を伝授する営みとみなされている。高等教育の場ですら、教授が「広く信じられている妄想」や「聞こえはよいが、うまくいかないもの」といった題材へ踏み込む講義は、ごくまれだ。その結果、サプライチェーンの文献にも否定的知識がほとんどない。この点で、サプライチェーンは特別ではない。

しかし、サプライチェーンは、否定的知識に非常に適した分野である。失敗したサプライチェーンの取り組みは豊富にある。それでも、否定的知識の貴重な源として扱うべきところを、あまりにも頻繁に脇へ追いやられる。1980年代から相当な規模のサプライチェーンを運営し、今なお、本当に自動化されたシステムではなくスプレッドシートで業務を行っている企業なら、ほぼ間違いなく、そのような大失敗を六回ほど経験している。この皮肉は、ソフトウェアベンダーが初めて完全自動化を約束し、いまだに満たしていない期待を高めた1970年代末にまでさかのぼる。企業は、こうした失敗を記憶の彼方へ消えさせるのではなく、一つひとつを詳しく調べ、経営上層部が至宝のように守る事後検証を作成すべきだ。誇張された売り文句、混乱した指揮系統、頑固に残る古いプロセスなど、何が間違ったのかを解剖することで、組織は問題の早期兆候を見分け、数年後に同じパターンを繰り返すのを避けられるようになる。

たとえば、ある企業が、数十の倉庫全体に完全自動の在庫システムを導入する、壮大な計画に乗り出すとしよう。その取り組みが失敗する理由は、いくらでもある。新しく導入したソフトウェアが数十年前からの手順と矛盾する、部門ごとの要求が対立する、華やかなデモが現実の条件に置き換わると、ベンダーの技術が不十分だと判明する、といったことだ。適切な事後検証がなければ、企業は三年後、不気味なほど似た取り組みに、無自覚に再び踏み込む危険を冒す。どれほど振り返るのがつらくても、丁寧に記録された失敗は、巧みな約束や杜撰な指導が作り出す落とし穴を明らかにし、企業を強くする。失敗した取り組みから学ばない者は、同じ間違いに再び資金を出す運命にある。そしてサプライチェーンでは、その費用は年月とともに積み重なり、膨らむばかりだ。

サプライチェーンの大失敗が明るみに出たときには、特別な注意と、より大きな信頼を向ける価値がある。まさに、それを明らかにする動機を誰も持たないからだ。関係者はほぼ常に失敗を隠すため、惨事が公になるのは、通常、隠し通すには大きすぎるか、費用がかかりすぎる場合である。この否定的な知識は、守り、研究すべきだ。失敗の詳細は容易には広まらず、書籍や学術論文で見つけるのはほとんど不可能だからである。同じ高価な教訓を避けたい管理職は、こうしたまれな開示を捉え、注意深く検討すべきだ。それぞれが、悪い結果だけでなく、それを生んだ悪い考えを明らかにするからである。

否定的知識が長く通用するのは、その基盤が、市場の一時的な癖に依存していないからだ。手法や考え方が根本から欠陥を持つなら、状況がどう変わっても修復されることはない。サプライチェーンには、そうした失敗があふれている。たとえば、強制順位づけ¹⁵は、わかりやすく見えるかもしれない。しかし、チーム間の密接な協力が必要な分野では、チームが機能するために必要な信頼そのものをむしばむ。同様に、需要をモデル化するために正規分布を押しつけると、紙の上では整って見えるかもしれないが、サプライチェーンのデータが、きれいな釣鐘曲線に従うことはめったにない。現実の業務を形づくる需要の急変やまれな出来事こそ、このモデルが見落とすものだ。これらの欠陥は、その時々の事情が生んだものではない。十分に調整すれば、強制順位づけや正規分布が突然適切になると想像するのは、まったく不合理である。欠陥は最初から組み込まれている。サプライチェーンの指導者は、違う結果を期待してこうした道具に手を伸ばすたび、貴重な時間と資源を浪費する。

否定的知識は、肯定的知識より、はるかに容易に理解できることが多い。列指向データベースの仕組みを詳しく調べるには何日もかけられるが、この種のデータベースは記録システムに適さないと覚えておくほうが、はるかに単純で実用的だ。取引処理の多い業務を列指向アーキテクチャ上で動かす企業は、動作が耐え難いほど遅く、計算資源を大量に消費して、ホスティング費用を押し上げると、すぐに気づく。一度この教訓を味わえば、構成全体を廃棄し、二度と同じ誤りを繰り返さない企業もあるだろう。その意味で、否定的知識は、なぜ技術が失敗するかの細部をすべて習得する負担から、管理職を解放する。失敗すると知り、その行き止まりを最初から避ければ十分なのである。

反対の側から見ても、信頼できる肯定的知識を集めることが非常に難しいからこそ、否定的知識はサプライチェーンに特に適している。

サプライチェーンの実験は、見かけ以上に実施が難しい。失敗が在庫、輸送、顧客満足へ一度に波及しかねない巨大なネットワークの成果を、賭けにさらしたい大企業はない。小規模に見える試験ですら、業務の一部全体を混乱させ得る一方、本当に改善したのか、チェーンの別の部分へ負担を移しただけなのかについては、一時的な感触しか得られないことがある。小口で頻度の高い配送を試す小売業者は、少数の店舗で局所的な欠品を減らせても、輸送費が急増し、すでに複雑な日程をやりくりしている配送センターに問題を生むと気づくかもしれない。これは、サプライチェーンに繰り返し現れる呪いだ。問題はしばしば、取り除かれるのではなく、別の場所へ押しやられる。

さらに、サプライチェーンの実験はどれも、経済学の実験と同じく、再現が極めて難しい。同じ条件を持つ二つの時点はなく、市場からの圧力、組織上の制約、人間の要素を、完全に再現することは決してできない。ある需要パターンのもとで昨年うまくいったものが、消費者の好みが変わったり、新しい競合他社が市場に参入したりすると、劇的に失敗するかもしれない。交絡要因が常に背後に潜み、原因と結果を曖昧にする。企業が実験を「成功」と宣言するとき、通常は、特定の視点を通じて局所的なデータを解釈している。より広い現実がすでに変わっていることに、気づいていない場合も多い。この種の試験は、決定的な真実へ導くというより、その真実がどれほど脆く、捉えにくいものであり得るかを、主に思い出させる。

いわゆる「ベストプラクティス」は、額面どおりに受け取れない。教授、コンサルタント、ソフトウェアベンダーは、それぞれ自分の目的を推し進めており、そのどれも、企業が本当に必要とするものと一致していない。教授は、研究論文や教室での採点に適した理論へ集中する。そのどちらも、理論が現実に成果をもたらすかどうかとは、ほとんど関係がない。コンサルタントは、同業者から抜きんでるため、独自性を声高に求める。しかし、新しさだけでは何も証明できない。周辺的な問題に光を当て、緊急の問題として示すことで、はるかに差し迫った関心事から、経営上層部の注意をそらす。一方、ソフトウェアベンダーは、提案依頼書（RFP）のすべての項目にチェックを入れるため、絶えず機能を増やす。しかし、その追加の層が、保守性を限界まで追い込むことを、めったに認めない。

優れた考えが実務で足場を得たとしても、採用する者が多くなりすぎた瞬間、強みを失うことがある。いわゆるベストプラクティスも、業界全体に広く普及すると、もはや優位性をもたらさない。競争相手が適応し、かつてその実践が生んだ利益を削っていく。この効果は、サプライチェーンに特有ではない。しかし、ベンダー、コンサルタント、さらには学術界まで、多数の競合する当事者が、新しい手法を万能の解決策として売り出す動機を持つため、この分野では特に大きな影響を持つ。真の進歩は別のところにある。広く採用されるという厳しい光を浴びても、変わらず生き残れるほど頑健な単一の手法は存在しないからだ。ある実践が最良とみなされるかどうかは、競争相手がそれを行っていないことに依存する。相手が追いついた瞬間、その価値は消える。

これで、知識をめぐる落とし穴の地図は完成した。流行する数学、物語主導の社会学、腐敗した証拠の流通経路、そして三つすべてを存続させる逆インセンティブである。この迷路から抜け出すには、流行が変わっても動かない基準枠と、同じ溝へ再び進まないようにする防護柵が必要だ。基準枠を与えるのは経済学であり、防護柵を与えるのは否定的知識である。サプライチェーンに関するあらゆる主張を、機会費用、利益、損失へと置き換え、同時に、価値を壊すと予測できるパターンを積極的に退けて初めて、代替案を中立な土俵で比較し、願望的思考の正体を明らかにできる。この基準を整えた上で、次章では認識論から第一原理へと移る。経済学の基本法則を改めて取り上げ、本書の以降の意思決定ルールすべてを、それらがどう支えるかを示す。

4 経済学

サプライチェーンは経済学の応用分野であり、経済学そのものは、人間の行為を理論化する人間行為学の一分野である。サプライチェーンは、人々が自らの物質的な生活条件を改善しようと、大規模に協力して行動することから生まれる。

第1章では、サプライチェーンを変動のもとでオプショナリティを使いこなすことと定義した。オプショナリティは、一般経済学の「代替用途」を企業の視点から捉え直すものである。あらゆる意思決定は、希少な資源を一つの選択肢に割り当て、ほかの選択肢を排除する。経済学は遠い背景ではなく、サプライチェーン実務の文法なのである。

残念ながら、経済学は今なお広く軽視され、無視されている科学である。従来のメディアでもソーシャルメディアでも、自称「経済学者」の多くは、科学者としてではなく、政治的イデオロギーの唱道者として発言している¹⁶。

利益相反が事態をさらに悪化させる。多くの経済学者は、自らが政策を論評する当の国家から、直接または間接に給与を受け取っている。意識的であれ無意識的であれ、そのような資金源は、職業上の危険を冒さずに表明できる見解の幅を狭める¹⁷。イデオロギーが中立的な分析を装えば、世間の不信は深まるばかりである。

4.1 基本的な経済原則

経済学になじみのない読者には、Thomas SowellのBasic Economics（2000）を勧める。必読の前提図書ではないが、その洞察はサプライチェーンを学び、実践するうえでの基礎となる。Sowellのほかの著作と同じく、非常に明快で、専門知識のない読者にも理解しやすい。何より、この本は経済学が政治やその他のイデオロギーに対して厳密に中立であることを明らかにしている。経済学の一般法則から逃れることはできない。資本主義、社会主義、封建制のいずれであれ、社会がどのように組織されようと等しく適用される。需要と供給の法則、収穫逓減の法則、リカードの比較優位の法則などは、サプライチェーンの根幹をなす。

これらの基本法則は、サプライチェーンが取り仕切るあらゆる交換を支配している。

需要と供給の法則。 自由市場では、需要が供給を上回ると財の価格は上がり、供給が需要を上回ると下がる。価格シグナルは恣意的な慣習ではなく、希少な資源を配分する仕組みである。2021年、ロックダウン後の回復期に入荷用の海上コンテナが不足すると、運賃は四倍になった。コンテナを最も高く評価する荷主は割増料金を受け入れて予定どおりに出荷し、価値の低い貨物は輸送能力が回復するまで待った。この仕組みは冷酷に見えるかもしれないが、希少な資源を最も価値のある用途に黙々と割り当てると同時に、輸送事業者に能力増強への投資を促している。

収穫逓減の法則。 ほかの生産要素をすべて一定に保ったまま一つの生産要素を増やすと、追加した一単位から得られる追加生産量は、やがて減少する。フルフィルメントセンターのピッキング作業員を倍にすれば、荷物の処理量はほぼ倍になるが、それは梱包作業場の混雑が制約となるまでのことである。緩衝在庫を積み増す場合にも同じ曲線が現れる。最初の一パレットは欠品リスクを大きく下げるが、十パレット目で得られる追加の備えはごくわずかである。この曲線が大きく曲がる位置を見極めることは、サプライチェーンにおける中心的な工学上の課題である。

リカードの比較優位の法則。 一方の当事者があらゆる財を相手よりも効率よく生産できる場合でも、それぞれが相対的に最も得意とするものに特化すれば、双方が貿易から利益を得る。高精度の歯車を作るスイスの微細加工工房と、綿のシャツを織るインドネシアの工場は、賃金や技能の差があっても、生産物を交換することでともに繁栄する。サプライチェーンは、比較優位を具体的な余剰へと変えるインフラ、すなわち航路、倉庫、情報システム、契約を提供する。

これら三つの法則は例示であり、網羅的なものではない。機会費用、時間選好、企業家の利益と損失など、ほかにも多くの概念が関わる。それでも、この三つだけで、在庫を持つ、経路を決める、価格を付けるといったあらゆる選択が、結局は同じ問いに帰着する理由がわかる。不確実性のもとで、希少な資源を最も価値の高い用途へ、どうすれば最も適切に振り向けられるか、という問いである。

4.2 市場とサプライチェーン

過去三世紀にわたる人類の物質的な生活条件の目覚ましい改善は、その大部分を自由市場経済に帰することができる。自由市場経済は、現在われわれが享受する科学技術のほぼすべての発展に資金を供給してきた。先進国が占める人類の割合は今も拡大しており、そこでは食品や工業製品の実質価格が一世紀前のごく一部にまで下がっている。

サプライチェーンを使いこなすことは、より少ない資源でより多くを提供するために、自由市場が生み出した数々の革新の一つである。サプライチェーンは補完的な技術に依存するが、その存在は通常、大衆が財を入手できることを意味する。サプライチェーンがなくても財は生産できるが、その費用を負担できるのは、ごく少数の恵まれた人々だけになる。

先進国の優れた物質的な生活条件は、その多くが効率的なサプライチェーン運営の成果である。科学技術の進歩によって、軌道上で生命を維持するような並外れた偉業が可能になった。しかし、単発の技術的離れ業と、誰もが利用できるよう整えられた、信頼性の高い奇跡との間には、大きな隔たりがある。この隔たりを埋める役割の大部分を担うのが、産業文明の屋台骨となる強固なサプライチェーンである。

示唆に富む反例がソビエト連邦にある。中央計画のもとでは、信頼できる取引相手がそもそも存在しなかったため、大規模な製造業者のほぼすべてが、極端な垂直統合を余儀なくされた。レニングラードの冷蔵庫工場は、梱包箱を作るための木材置き場、棚用のガラス工場、さらには社員食堂に食材を供給する酪農場まで自ら運営していた。書面上はうらやましいほどの自給自足に見えるものが、実際には、信頼、専門化、価格シグナルが消滅した経済の症状だったのである。

納期の遵守や品質が報われる市場がないため、「取引相手」とは、できるものを、できるときに納める義務を負う別の省庁にすぎなかった。そのため工場は、上流の生産能力を社内に重複して設け、数か月分、ときには数年分の原材料在庫をため込むことで備えた。完成品の状況も変わらない。貨車を何週間も待つことが多く、その貨車自体が、ゴスプランの計画に伴う慢性的な不足に縛られていた。西側の企業なら倒産していたはずのリードタイムが日常として受け入れられ、あらゆる指標に無駄が現れていた。生産量一単位あたりの貨物輸送トンキロは市場経済の数倍に上り、鉄鋼、繊維、パンの生産単位あたりのエネルギー消費も、西側の基準をはるかに上回っていた。

この事例は、現代の経営者にも重要である。サプライチェーンの成果を主に決めるのは、巧みなヒューリスティクスや、より大きな倉庫ではない。何よりもまず、インセンティブと適切な経済計算の組み合わせである。価格が自由に動き、契約が履行されるなら、専門化が進み、長く繊細なネットワークが成立するだけでなく、一枚岩の巨大企業よりはるかに効率的になる。そのインセンティブや計算を取り除けば、ネットワークは内側へ崩れ込み、ついにはすべての工場が自らの原材料をため込む要塞となる。複雑さは消えず、無駄という形で再び現れるだけである。

1950年代以前、空の旅は軍と富裕層だけに許された、途方もなく贅沢なものだった。その後、一連の革新によって飛行が安全で手頃になり、日常的なものとなった。重要な革新の一つが、航空機のエンジンをポッドに収めて主翼の下に取り付けるポッド式エンジンであり、1955年のシュド・アビアシオン・カラベルがその先駆けとなった。このポッドによって、エンジンの整備を機体本体の整備から切り離すことができ、運航コストが大幅に下がった。そして1957年のボーイング707のような航空機が、空の旅を大衆化する道が開かれた。

現在の宇宙産業は、主として技術的な制約により、まだ現代のサプライチェーン実務の恩恵を受けていない。一握りの裕福な企業家が軌道への飛行を購入したものの、その価格は依然として大半の人に手が届かない。数十年の停滞を経て、SpaceXは、将来、宇宙のサプライチェーンを支えうる技術、とりわけ再使用型ロケットを進歩させている。これらの技術を使いこなせるようになれば、確立されたサプライチェーンの原則によって、コストは大きく低下する。

この動きを示す歴史的な例が、1950年代と1960年代の海上輸送におけるコンテナ化の急速な普及である。標準化された複合一貫輸送用コンテナは、荷役費と輸送時間を劇的に削減する突破口となった。適切な設備を備えた港湾、クレーン、船舶を必要とするこの技術が確立されると、その周囲に新世代のサプライチェーンが形成された。設備を更新せず、コンテナの規格を取り入れなかった港は後れを取り、コンテナ化を受け入れた港は、世界貿易の主要な拠点となった。同様に、再使用型ロケットであれ高度なロボット技術であれ、新しい技術が成熟するたびに、革新を担う人々はその進歩を活用するようサプライチェーンを素早く組織する。モジュール性と標準化の双方を生かし、それまでにない規模と費用効率を実現するのである。

より一般的にいえば、技術の進歩は利用できる選択肢の幅を広げ、サプライチェーンは、経済効率を最大にするためにそれらをどう使うのが最善かを決める。

4.3 サプライチェーンの価値

サプライチェーンが市場経済から生まれたのは、効率的だからである。最初の真のサプライチェーンがいつ現れたかを特定しようとしても意味はない。この現象は徐々に現れ、その起源は古代にまでさかのぼる。しかも、先見の明ある計画者が、今日われわれがサプライチェーンと呼ぶものへと企業を意図的に導いたわけではない。企業は単に、実際に効率のよい方法を追い求め、その先に現在のサプライチェーンがあった。現代では、優れたサプライチェーンを市場にもたらすという明確な意図のもとに企業を設計できるが、その見方は比較的新しく、サプライチェーンそのものよりはるかに後から生まれた。

サプライチェーンが存在するのは、持続的な競争優位を生む、いくつかの構造的な仕組みを利用できるからである。以下ではこれらの仕組みを検討し、サプライチェーンの設計が、単なる規模では到底得られない価値をどう生み出すかを示す。

これらの仕組みは、従来の規模の経済という概念とは多少異なる。規模の経済とは一般に、規模が大きくなるにつれて効率が上がることと理解されている。その効率は、通常、生産における固定費と変動費の組み合わせから生じる。技術開発、マーケティング、戦略的経営、法令遵守などの機能にかかる費用は、生産量にかかわらずおおむね固定されている。一方、財の取得、輸送、加工にかかる費用は、数量に応じて増減する。

規模の経済は、流れを最適化する基本的な形の一つであり、数量を増やすと限界費用が下がる。しかし、日々の業務において、サプライチェーンの実務家が、さらなる規模の経済を得られるほど数量を増やす手段を持つことはまれである。流量を一段引き上げるような変化は、サプライチェーンではなく、M&A（合併・買収）の領域に属する。

規模の経済に加えて価値を生むのは、企業が、繰り返し現れる四つの作用を通じて流れをどう形作るかである。その四つとは、標準化（もともとの変動を抑えること）、プーリング（在庫を集約してランダムな変動を吸収すること）、バッチ化（移動をまとめて一単位あたりの取扱費を下げること）、汎用性（複数の目的に使えるよう資産を設計すること）である。これらが働きかけるのは情報、空間、時間、資本という異なる対象だが、同じ希少な資源からより多くのサービスを提供する、という目標に収束する。以下では、標準化から順に、それぞれの作用を検討する。

4.3.1 標準化

物理的なものは、変動があるのが自然な状態である。まったく同じ木は二本と存在しない。石、牛、人、土地についても同じである。境界もしばしば曖昧になる。落ちた果実は、まだ木の一部に数えるのだろうか。土地の所有権は、地中の奥深くから頭上の星々まで及ぶのだろうか。われわれの行為にも、本来、変動がある。リンゴを置くだけでも無数のやり方があり、まったく同じ置き方は二つとない。リンゴが床に落ち、それを拾って棚に戻すこともある。それでも同じ行為とみなせるだろうか。床が汚れていてもそうだろうか。それでも産業文明では、物理的な財の流れにおけるほぼすべての「もの」と「行為」を、明確に識別し、数えられることを当然視している。これは偶然ではない。何世紀にもわたって流れを管理可能にしてきた結果であり、その過程を標準化という。

標準化とは、企業内でも市場全体でも財の流れを管理可能にする、さまざまな実践の総称である。実際、あらゆるものに内在する変動は、すべてを複雑にする。売買される品物は一つひとつ特性が異なり、その結果、価格も異なることが多い。あらゆる製造工程は、絶えず変わる投入物の微細な差に対応するため、継続的な調整を必要とする。こうした複雑さは、費用のかかる投入資源である経営管理上の注意力を消費し、企業が規模の経済を実現する力を弱める。また、品物が意図した用途に適しているかを判断しなければならない顧客にも、認知的な負担を課す。

現代の読者には、抽象的に感じられるかもしれない。財の大半は標準化され、狭い物理的な公差の範囲内で大量生産されている。個体間の差は気づかれないほど小さいことが期待され、同じ製品の二つの個体は、目で見分けられないはずである。見分けられる場合、顧客であるわれわれは、その違いを何らかの欠陥だと直感的に考える¹⁸。現在では、店で買う果物や野菜でさえ慎重に選別され、収穫時の自然な差に比べて、ばらつきはごく小さく抑えられている。産業において、品質とは主として、意図しないばらつきがないことを意味する。

資産同士にも、高いモジュール性と相互運用性を期待している。専用のコンテナクレーンのおかげで、コンテナは船からトラックへと円滑に移る。限られた種類のタイヤサイズで、ほぼすべてのトラックに対応できる。標準的なパレットの積み付け方でコンテナの空間を有効に使い、パレット用に設計されたフォークリフトで効率よく移動させる。各段階でバーコードが印刷され、後で読み取られるが、読み取るのは別の企業であることも多い。結局、モジュール性と相互運用性は、丁寧な標準化から生まれ、それによって一群の作業全体が簡素になる。

しかし、わずか一世紀前には状況はまったく違っていた。大量生産された品物の多くにも、まだ目に見えるばらつきがあった。相互運用性は世界共通ではなく局所的なもので、モジュール性もほぼ個々の企業内に限られていた。第二次世界大戦後、現代のサプライチェーンとともに、標準の対象範囲も深さも拡大した。この運動には有力な推進者がおり、なかでもW. Edwards Demingの品質管理手法は、標準化を経営の優先課題に押し上げた。

標準化は、流れを大規模化するための不可欠な要件である。標準化がなければ、多くの工程は成立せず、ブランドは欠陥の危険にさらされ、管理者は例外への対応に追われ、規模の経済の大部分を享受できない。

その帰結として、流れは主として離散的になった。区別のないトンやリットルの塊に代わり、一つひとつ数えられる個別の単位がネットワーク内を移動する。砂、原油、穀物ではばら積みが残っているが、少しでも価値のあるものなら、バーコード付きで読み取り可能な個体が標準となっている。

この離散性は、オプショナリティを飛躍的に増やす。エタノールを積んだ貨車なら、選択は出荷するか保留するかの一つである。一方、120台の電動ドリルを載せたパレットには、120の独立した選択がある。ドリルは一台ごとに、荷を分け、経路を変え、価格を変え、キットに組み込み、あるいは後回しにできる。したがって各SKUは、選択権を表す券として機能する。その価値は、最終的にその選択権をどこで、いつ、誰に対して行使するかによって決まる。

利点は明らかである。粒度が細かければ、新たに生じた局所的な需要へ在庫を振り向け、わずかな価格差から裁定利益を得て、確定的な判断をできる限り先延ばしにできる。欠点も同じくらい明らかであり、意思決定空間が爆発的に広がる。かつて月に二本のコンテナを手配していた計画担当者が、今では一日に数千件の小さな移動を取り仕切らなければならない。認知能力や計算能力が不足すると、経営側はMOQ、固定周期、一律配分といった粗い規則に頼り、費用をかけて得た柔軟性の大半を自ら消してしまう。離散性は、この意味で両刃の剣である。機会を増やすと同時に、それらを調べて順位づけできる自動化の必要性も増す。この緊張関係には、意思決定プロセスを論じる際に戻る。

個々の単位を扱うことは無料ではない。梱包箱、バーコード、追加の取り扱いには、それぞれ少額の費用がかかる。しかし、最も安いコモディティ以外では、その費用は、精密な配分によって得られる利益に比べればごく小さい。以下では、一つひとつの単位を取引可能な選択権として扱い、常に、どのように行使すれば長期利益が最大になるかを問う。この離散的な基礎を踏まえ、次の構造的な作用であるプーリングに進もう。

4.3.2 プーリング

プーリングとは、複数の需要の流れに対応するため、在庫を一か所、または一つの企業体に集約することである。集約による追加負担が無視できるなら、複数の独立した在庫より少ない資本で、同じサービスを提供できる。実際には、在庫費用の節減が、サービス提供に伴う追加負担を上回る場合に、プーリングは利益を生む。たとえば在庫を一か所に集めると、通常、複数の拠点から財を供給する場合に比べて輸送費が上がる。

プーリングは大数の法則によって、サプライチェーンの変動を緩和する。中央にまとめた在庫は、セグメントごとに不均等に生じる需要の急増を柔軟に吸収でき、サービスレベルの維持に必要な総在庫を減らす。多数の小さなテーブルにシャンパンを分けて置く代わりに、レセプション全体の分を一つのテーブルに置く場面を想像してほしい。資源をまとめると、どこかのテーブルだけが空になる危険が減り、全員に行き渡る。もちろん、消費する場所から遠すぎるところに財を置けば、プーリングはラストマイルのサービスを妨げることもある。

一つの大型物流センターと、複数の小規模倉庫を比較する企業を考えよう。一つのセンターなら需要を効率的にまとめて総在庫を減らせるが、平均輸送距離が長くなり、拠点での荷役が増えるという追加負担も生じる。管理者は、こうした物流費と運転資本の節減を比較しなければならない。季節性や全国的な販促によって、地域ごとの製品需要に強い相関があるなら、倉庫を一つにする利益は小さくなる。需要の相関と、店やチャネルを変えられる顧客の柔軟性は、理論上のプーリングの利益を削る。通常は、条件をそろえたシミュレーション比較や試験運用によって、在庫の節減が追加費用と遅延を上回り、正味の価値がプラスになるかを確かめる。

理論上、プーリングは運転資本を大幅に減らせる。実際には、さまざまな摩擦が利益を削り、追加負担を生む。それでも、多くの状況でプーリングは魅力的である。

輸送に伴う追加負担を除いても、利益が小さくなる理由は二つある。第一に、需要の流れは決して独立しておらず、むしろ相当な相関があると考えるべきである。市場はつながっている。ある場所の増加と別の場所の減少が相殺することもあるが、典型的には相殺するのではなく、同じ方向に動く。相関の原因は多様であり、企業自身の行動であることも多い。たとえば全国広告は、多くの拠点の需要を同時に押し上げる。需要の流れが完全に相関していれば、所定のサービスレベルを実現するための運転資本は、プーリングしても分散させても同じである。

第二に、需要が急増したとき、近くで欠品に直面した顧客は、それに伴う追加の負担を引き受けて、別の拠点での購入を試みることがある。同じ都市で複数の店舗が競合する、密度の高い小売ネットワークではよくあることだ。さらに、オンラインで在庫状況を確認できるようにすると、この効果は強まり、一定の範囲で、企業の在庫方針に顧客が協力するよう促される。顧客が別の提供拠点を利用する負担を全面的に受け入れるなら、プーリングの利益はない。集約しなくても、同じ在庫削減が可能だったからである。

将来を完全に予見できるなら、プーリングには何の利益もなく、不適切な配置による追加負担が生じるだけである。プーリングが広く行われているのは、まさに将来の不確実性を取り除けないからである。

オプショナリティの観点では、プーリングは選択肢の数を減らすが、その頻度や多様性は減らさない。その意味で、サプライチェーンの課題をいくらか簡単にする。ただし、簡素化だけを目的にプーリングを採用する企業はまれである。実際には、ある製品をどこに保管するかという適地の選定を主に左右するのは、不動在庫や棚スペースへの懸念である。

4.3.3 バッチ化

プーリングが在庫を空間的に集約するのに対し、バッチ化は流れを時間的に集約する。品物を一つずつではなく、大きなロットで処理し、一単位あたりの処理費用を下げる一方、少量に対応する能力を落とす。

物流では、バッチ化は至るところで見られる。流量がある閾値を超えると、個々の単位は大きなロットにまとめ直される。典型的には、\(N\)個を一箱にまとめ、\(N\)箱をパレットの一段にまとめ、\(N\)段を合わせて一パレットとし、最後に\(N\)パレットを一つのコンテナに積む。このようにまとめることは、施設内の物流でも施設間の物流でも、取扱費を直接減らす。まとめた荷は扱いやすく数えやすいうえ、梱包によって物理的な保護も強まることが多い。

製造でもバッチ化は一般的であり、通常、一つの製品を大きなロットで生産してから、切り替えたり停止したりすることを指す。これによって段取り時間や、再較正などの生産に直接寄与しない作業を最小限にし、生産後の物流も容易にできる。化学などのプロセス産業では、歩留まりの向上などの規模効果が、巨大な工場と、それに応じた大きなバッチを促す。

バッチ化は、流れに内在する変動を増やし、外部市場の変動の影響も増幅する。内部で変動が増えるのは、多くの個体の運命を結びつけるからである。100個をさまざまな配送業者が別々に運ぶなら、そのすべてが失われるのは驚くべきことだろう。しかし、100個すべてを一台のトラックで運べば、小さいながらも存在する交通事故のリスクが、すべてに一度に及ぶ。形式的にいえば、バッチ化は流れの分散を増やす。

バッチ化は外部の変動も増幅する。最もよくある仕組みは、流れの周期が長くなることである。バッチ化すると、取得、輸送、生産の頻度が下がる。日常的には、この周期の延長を「リードタイムが長くなる」と呼ぶ。バッチ化におけるリードタイムとは、次のバッチを始めるまでに企業が待たなければならない期間である。バッチが大きくなる、または頻度が下がると、かなり前もって品物を購入・生産しなければならず、より多くの運転資本が在庫に拘束される。柔軟性も失われる。需要を読み違えると、大きすぎるバッチは過剰在庫や長期の欠品を招き、どちらも修正に費用がかかる。周期が長くなるほど、企業は次の意思決定ができるまで、より長く業務を続けなければならない。たとえばバッチ化した状態で需要を読み違えると、過大評価なら過剰在庫が増え、過小評価なら欠品が長引く。

バッチ化は、ある期間、たとえば一か月の間に行う意思決定の頻度と件数の両方を減らし、オプショナリティを低下させる。適切な自動化がなければ、主としてサプライチェーンを簡素化するためにバッチ化が使われることが多い。しかし、このトレードオフによって企業の選択肢は減り、市場の変動に適応する柔軟性も低下する。実際には、より頻繁で細かな意思決定を扱う能力や管理資源が足りないために、大きなバッチを選ぶ企業があまりにも多い。これは人間や組織の限界を反映するものであり、物理的な必然ではない。

適切に自動化すれば、物理的な財について頻繁に意思決定する追加負担はごく小さくなり、多くの場合は無視できる。自動化によって取り仕切る費用が下がるにつれ、小さなバッチのリスクと見返りの関係は改善し、在庫費用もリードタイムも減る。実際、現代のコンピューターがナノ秒の時間尺度で動くのに対し、物理的な財は十分の一秒（0.1 s）程度の時間尺度に限られる。この隔たりによって、より遅い物理的プロセスを、損傷を生じさせずに扱える。そのため、現代のコンピューターから見れば、物理的な財の流れは、ほとんど静止しているように見える¹⁹。

4.3.4 汎用性

汎用性とは、機械、車両、施設など、物理的な財の流れを可能にする耐久資産である資本財が、複数の異なる機能、さらには広範な作業全体に対応できることを指す。ただし、ある時点で一つの資本財が果たせる目的は一つだけであり、企業はそれぞれの資本財に、その時点での具体的な用途を割り当てなければならない。

たとえば、管理された室温、具体的には15°C～25°Cなどを維持するよう設計された倉庫に、12°C～14°Cなどの低温物流にも対応できる装置を備えることがある。低温管理の機能を当初は使わなくても、将来の市場変動に対応するための、妥当な投資になりうる。

汎用性は意図的に持たせるものであり、企業の機敏さを高め、選択肢の幅を広げる。その広い機能範囲には、必ず追加負担が伴う。ほかの条件が同じなら、汎用的な資本財は、機能の広さゆえに専用の資本財より高価になる。実際には、こうした追加負担は通常、モジュール化と、それにしばしば伴う標準化によって相殺される。

モジュール化は、工程を、交換可能な小さな単位に分け、異なる仕事に合わせて容易に組み替えられるようにする。これらの単位が標準化されると、企業はその生産を激しく競う。その結果、通常は大きな規模の経済が生まれ、競争力を維持するためには、モジュール化された資本財を採用するほかにほとんど選択の余地がなくなる。欠点は、広く入手できるモジュールに合わせるためだけに作業が細分化され、流れ全体の複雑さが増すことである。

現代の物流では、バーコード、荷役ドック、輸送コンテナがモジュール化を体現している。20世紀の徹底した標準化がなければ、モジュール化の利益ははるかに小さかっただろう。ある企業が印刷したバーコードを別の企業が読めると期待できるのは、標準を共有しているからである。ある拠点でトラックに積み込み、別の拠点で荷下ろしできるのは、ドックの高さがトラックの設計に合っているからである。

現代の製造も同様に変わった。企業は現在、大半の工程で標準化された単位を利用し、独自の競争優位をもたらす工程にだけ、特注の資本財を使う。製造設備全体が標準化された構成要素から成り、企業の独自性が、それらの選び方と配置の独自性から生じることも多い。さらに、さまざまな形態のプログラマブルコントローラーが着実に進歩したことで、これらの構成要素は、モジュール化されているだけでなく、高い汎用性も備えるようになった。

汎用的な資本財には、それぞれ独自の割当スケジュールが必要である。企業は各時点で、ある資産を別の用途に割り当て直すかどうかを決めなければならない。一部の資産では、その判断は単純で、日常業務に組み込まれている。たとえばトラックの車隊は、通常、決まった経路を走る。一方で、汎用性が使われないままの資産もある。市場環境が変動していても、ある施設が何年も限られた品目だけを生産し続ける場合がある。

資本財の汎用性は、企業が利用できる選択肢の数を大きく膨らませる。同じ設備で異なる財を扱えるだけではない。汎用的な資本財は能力が重なることも多いため、輸送や変換という同じサービスを、さまざまな方法で実行できる。たとえば箱型トラックとセミトレーラーは、財の輸送においてほぼ代替可能であり、セミトレーラーが必要なのは特に重い積み荷だけである。

しかし、資産ごとに取得費と運用費は異なる。さらに、傷みやすいと分類されるかどうかにかかわらず、あらゆる資産は摩耗や損傷によって、いずれ寿命を迎える。したがって、各仕事に対して適切な資産を適切な時に投入し、費用を最小限にしながら結果を得ることには、大きな利害がかかっている。

4.3.5 構造的な作用から意思決定方策へ

経済学者の視点で見ると、標準化、プーリング、バッチ化、汎用性という四つの作用は、希少な資源と代替用途が接する境界を作り変える、四つの方法である。

それぞれの作用は、基本的な経済上のトレードオフに対応する。標準化は、多様性を犠牲にして限界費用を下げる。プーリングは、最初の区間の輸送距離が長くなることを受け入れ、運転資本を解放する。バッチ化は、在庫リスクを引き受ける代わりに取扱費を下げる。そして汎用性は、設備投資をリアルオプションへと変える。その価値が実現するのは、意思決定システムが適切な行使時点を選べる場合だけである。これらが組み合わさると、選択肢の空間は、経営管理上の注意力で追える速度をはるかに超えて拡大する。

選択肢の組合せ爆発に直面すると、企業はしばしば、単純な配分規則で表された方策を採用する。たとえば二つの倉庫とトラックの車隊を持つ企業が、在庫を調整するため、一台のトラックを毎日両施設の間で往復させると決めることがある。この方策には、固定的なスケジュールを在庫調整に使うという暗黙の意図がある。何を運ぶかは指定されていないが、管理者が毎日割り当てられた輸送能力を使って在庫の均衡を保つ、という了解がある。しかし、この「一台のトラック」という方策は単純すぎる。二台の方がよい日もあれば、在庫の偏りが小さいため、往復を延期すべき日もある。このような規則に基づく方策は、適切な従業員に適切な時刻に通知するソフトウェアとして実装できるが、事務員でも、さほど苦労せずに監督できたはずである。

とはいえ、単純な規則に基づく方策でサプライチェーンを運営することは、ほぼ過去の名残である。デジタルなサプライチェーンの登場とともに意味を失った制約を反映している。事務員が方策の実行を担当していた時代には、単純な規則に徹することが不可欠だった。しかし、実行をコンピューターに任せるなら、処理の追加負担を無視できる程度に保ちながら、はるかに動的な方策にできる。その複雑化がサプライチェーンを改善するなら、資源配分は格段によくなる。先ほどの例に戻ると、より高度な方策は、調整すべき在庫量を見るだけでなく、在庫調整の利益と、顧客注文への対応など、トラックの代替用途とを比較するべきである。トラックがボトルネックで、二つの倉庫の在庫の偏りが許容範囲なら、すべてのトラックを顧客への配送に割り当てるべきだ。

選択肢を減らすプーリングやバッチ化とは異なり、資本財の汎用性は選択肢を増やす。これらすべての選択肢が経済的に同等だと考える先験的な理由はない。むしろ多くの選択肢は劣っており、サプライチェーンについてある経済モデルを採用すれば、そのもとで最善のものが一つ存在する。現代の計算ハードウェアに支えられたソフトウェアを使えば、きわめて多数の選択肢を探索することは比較的容易になる。この過程の細部は、ここでは重要ではない。重要なのは、汎用性がサプライチェーンに深い影響を及ぼすということである。

あらゆる方策は結局のところ配分規則なので、その価値は手続き上ではなく、経済上のものである。扱う資源のリスク調整後の収益率を高めなければならない。人間が計算のボトルネックだったとき、静的なヒューリスティクスには正当性があった。しかし、規則をコンピューターが担うようになれば、基準は事務処理の都合ではなく機会費用になる。したがって、自動化が意味を持つのは、モデル内では評価額や割引率として表される価格シグナルを、すべての微細な意思決定にまで行き渡らせられる限りにおいてである。結局、方策が正当化されるのは、それが利益を生む範囲においてのみである。

実際、汎用的な資本財が引き起こす組合せ爆発は手に負えないように見え、人間の監督能力をあっさり超えてしまうことも多い。しかし、現代のサプライチェーンソフトウェアは、単にあらゆる可能性を総当たりしようとするわけではない。意思決定の章で論じるように、ソルバーやヒューリスティックなアルゴリズムに支えられた高度な分析によって、この複雑さを扱えるものにできる。

4.4 サプライチェーンの目標

最初の章では、サプライチェーンを物理的な財の流れを管理する際に、変動のもとでオプショナリティを使いこなすことと定義した。ここでいう「使いこなすこと」は、抽象的な美徳ではない。不確実性の不利な側面から企業を守りながら、オプショナリティを金銭へと変える具体的な能力である。市場経済では、その能力を測る尺度は明確であり、実際の通貨で表した長期利益である。したがって、サプライチェーン実務の具体的な目標は、行使できる選択肢の幅と質を絶えず改善することで、資本、能力、時間、好意や協力的な姿勢など、関わるすべての希少な資源について、企業のリスク調整後の収益率を高めることにある。

この目標には、実務家が抱きうるあらゆる副次的な意図が含まれる。サービスレベルの向上、リードタイムの短縮、在庫の削減、環境負荷の低い輸送、満足するサプライヤー、安全な労働環境は、いずれも重要である。ただし、直接に、あるいはリスクの軽減を通じて、事業の正味現在価値に寄与する限りにおいてのみ重要なのだ。サプライチェーンは道徳哲学ではない。帳簿の結果によって生死が決まる、経済学の応用分野である。利益の追求を、近視眼的なコスト削減や、戯画化された「むき出しの」利益動機と混同してはならない。それは、変動とオプショナリティの双方を踏まえながら、長期の余剰を最大にする配分を、規律を持って追求することである。

この節の残りでは、その命題を解きほぐす。まず、サプライチェーンの意思決定が価値を生み出しているのか、破壊しているのかを企業に知らせる、不可欠なフィードバックの仕組みとして、利益と損失を改めて考える。次に、個人の価値評価はすべて主観的であるにもかかわらず、企業内では客観的な価値評価が必須である理由と、収益率という概念が、時点の異なる多様な意思決定をどう比較可能にするかを説明する。最後に、利益の追求に対してよく向けられる、道徳主義的、終末論的、あるいは制度上の異論を取り上げ、そのいずれもサプライチェーンを経済法則から免れさせないことを示す。

4.4.1 利益と損失

利益と損失は、会計上の小道具ではない。強制ではなく合意の上に成り立つ社会の成績表である。二者が取引するとき、双方が以前よりよい状態になると期待している。そうでなければ取引は成立しない。したがって利益は、自発的な交換の領域においてのみ生じる。逆に、力によって、あるいはそれと同じ働きをする規制によって配分が押しつけられると、利益が生じる可能性そのものが消え、貢納、税、略奪に置き換わる²⁰。経済的にいえば、人間関係は、支配的な命令から制約のない取引へと至る連続体の上にある。利益は、その後者の側でしか生じない。

それでもなお、声の大きい一部の世論は、利益を本質的に搾取的なものとして描いている²¹。この見方は、利益と略奪を混同している。略奪は力によって奪うものであり、利益は、双方が同意し、交換後に自分たちがよりよい状態になると考えたときにしか生じない。このように見れば、利益には道徳的な優位性がある。他者に役立つことによってのみ得られるからである。損失は、その鏡像となる役割を果たす。顧客が、自らの希少な資源を別の用途に使いたがっていることを、企業家に知らせる。損失は有害であるどころか、市場の免疫系として働く。さらなる浪費を止め、労働、資本、創意工夫を、より切実な目的へと振り向け直すのである。

歴史を見ると、この対比が鮮明になる。17世紀の商業革命以前、富を築く典型的な方法は、地方を征服すること、農民から税を取り立てること、あるいは王の寵愛を得ることだった。開かれた市場が台頭して以来、富への道は逆転した。Rockefellerは誰より安く灯油を精製し、盛田昭夫は大衆のために電子機器を小型化し、Ingvar Kampradは倹約的な世界に組立式家具を広めた。利益を競い合えるところでは効率が飛躍的に高まり、配分が命令で決まるところでは、行列、不足、錆が生じる。

サプライチェーンは、この原則をパレット、コンテナ、輸送経路へと具体化する。標準化は単位費用を縮め、プーリングは運転資本を解放し、バッチ化は取扱費と即応性を比較衡量し、汎用性は固定資産を、いつでも行使に移せる選択権へと変える。しかし、これらの手段はどれも、どこで止めるべきかを教えてはくれない。唯一の公平な審判は損益計算書である。変動と機会費用を計上したうえで、追加のSKU、大きくしたバッチ、補強した梱包箱は、その費用を回収するだろうか。答えが肯定なら流れは拡大し、否定なら流れは縮小し、資本はよりよい用途へ移る。

したがって、「サービスレベル」「在庫回転」、その他の局所的な指標を単独で追い求める実務家は、要点を外している。こうした指標が意味を持つのは、企業の長期的な収益率を高める限りにおいてである。目標は決して変わらない。不確実性がもたらすリスクを踏まえ、顧客が自発的に支払うものと、サプライチェーンが不可逆に消費するものとの差を最大にすることである。

以下の節では、利益動機に対するお決まりの異論を解体し、明確な損益の視点が、スプレッドシート上の詭弁と敬虔そうな標語の双方から、サプライチェーンの設計をどう守るかを示す。

4.4.2 客観的な価値評価

経済学は、単純な観察から始まる。感じ、考え、行動できるのは個人だけであり、したがって、何かに価値を認められるのも個人だけである。こうした価値評価は主観的で、順序を表すものである。紅茶よりコーヒーが好きだとはいえても、二つの好みを足したり、引いたり、平均したりする算術は存在しない。分析者にとってさらに困るのは、その順位が明日、何の前触れもなく逆転しうることである。最初の一口の水、百口目、千口目のそれぞれに「固有の」価格を確定できるスプレッドシートなどない。価値のパラドックスは、人間の行為の欠陥ではなく、その特徴なのである。

もちろん統計モデルは、平均的な経済力を持つ人がエスプレッソにいくら払うか、あるいは買い物かごを放棄する可能性がどれほどかを、学習して予測できる。しかし、その予測によって個人的な好みが客観的な量に変わるわけではない。主観性を確率分布として特徴づけるだけであり、商売には役立っても、価値そのものについては何も語らない。

この点は、財に「体現された」労働時間に価格の根拠を求めようとした、労働価値説を根底から覆す。ダイヤモンドが高価なのは、鉱夫が骨を折るからではなく、買い手がその輝きを高く評価するからである。明日、誰もが水晶の方が美しいと考えるようになれば、投入する労働が変わらなくても、ダイヤモンド鉱山は閉鎖されるだろう。

2019年、ノートルダム大聖堂で大火災が起きた際、人々は速やかに避難した。もはや人命が危険にさらされていないにもかかわらず、一部の消防士は、永遠の価値を持つ芸術作品だと自らが考えるものを救うため、命を大きな危険にさらした。経済的にいえば、単なる人工物を自分たちの命より上に置く、価値判断を行ったのである。同じ状況でも、大半の人は同じようには行動せず、これ以上危険にさらされる人命がないとわかった時点で、命を危険にさらすのをやめただろう。それらの人工物が労働時間に換算してどれほどの「価値」を持つか、ほぼ完全な複製を作るのにいくらかかるかを評価しても意味はない。彼らにとって、それらの人工物の歴史的・芸術的価値は、後から代替物を作ろうとするいかなる試みよりも、決定的に優れていた。自由な個人は、自らの行為を通じて、まったく任意の価値判断を実行できる。経済学の役割は、その価値判断の善悪を評価することではない。取り除くことのできない主観性を認めるだけである。

しかし企業は、そのような個人的な嗜好を許容できない。社内でCEOがトリュフを好み、CFOが嫌っていても、許される問いはただ一つ、「顧客は、われわれの費用を賄うのに十分な額を、十分に早く支払うか」である。個人の好みは足し合わせられず、相殺される。残るのは、入金と出金として記録される、市場の非人格的な判定である。

ある従業員が、「まったく売れなくても、この環境に優しい小物を在庫すべきだ」と、利益動機を無視して特定の選択肢を企業に評価させようとするなら、その従業員は善良でも思いやり深くもない。自分の価値判断を企業に投影して、自分を欺いているだけである。消費者の欲求に逆らい、そのとき気に入っている自分の見方を優先しているのだから、企業にも市場にも不利益を与えている。もちろん、企業の基本的な使命に賛同できないなら、自由な個人としてその従業員が果たすべき義務は、辞職してほかに職を探すことである。企業が掲げる目的への異議を、内部から業務を妨害することで解決してはならない。

したがって企業は、社会的協力の道具である。資本、人材、情報を集め、人々が購買を通じて表す、最も切実な欲求を満たす。利益と損失は、分散したそれらのシグナルを、どの計画担当者にも読み取れる客観的な尺度へと変える。支出より収入が多ければ、資源はより優先度の高い欲求へ流れており、逆なら無駄にされている。サプライチェーン実務では、あらゆる価値評価を、個人の趣味ではなく、この尺度に結びつけなければならない。数百万もの主観的な尺度を一つの客観的な尺度に集約できるのは、価格だけだからである。

そこで次に問われるのは、どちらも利益を生むが時期の異なる二つの選択肢をどう比較するかであり、その答えが収益率である。

4.4.3 収益率

意思決定によって資源を投入する時点と、その見返りを得る時点が離れているなら、単純な利益の計算だけでは足りない。経済学者は、この普遍的な現象を時間選好と呼ぶ。同じ財なら、早く利用できるほど価値が高いということである。今出される一杯のコーヒーは、来週出すと約束された同じ一杯より価値がある。サプライヤーも通常、支払いを九十日先に延ばすなら、割増分を要求する。

時間選好は、まず個人の特性である。一人ひとりが自分の状況に応じて将来の利益を割り引き、市場がそれらの割引を金利へと集約する。したがって金利は、将来の財に比べて現在の財がどれほど好まれるかを、社会全体の規模で数値化する。

企業にも同じ論理が引き継がれる。今日受け取った現金は、再投資に回し、債務を決済し、あるいは不確実性への備えにできるが、来年受け取る現金ではそうはいかない。そのため企業は、自らの集団としての時間選好である資本コストを、あらゆる投資評価に明示的に組み込む。単独ではどれほど魅力的でも、この基準を超えられない提案は、待つことの機会費用を認めた時点で、価値を損なうものとなる。

時間選好を認めるなら、利益を最適化するには時間に注意を払う必要がある。具体的には、企業は収益率が最も高い選択肢を選ぶべきである。副次的な複雑さを除けば、概念上、この率は次のように計算される。

\[ \mathtt{RoR}=\frac{\text{収入} - \text{支出}}{\text{支出} \times \text{期間}} \]

ここで期間とは、対応する収入と支出が実現するまでに必要な時間である。収益率（RoR）は、単位時間あたりの百分率で表す。RoRがゼロより大きければ企業は利益を上げており、ゼロより小さければ損失を出している。二つの選択肢を比較する際は、両方を同じ期間に正規化したうえで、高い方を選ぶ。

たとえば、ある棚に陳列する品物として、二つの製品から選べる小売店を考えよう。どちらも販売価格は3通貨単位で、平均需要は一日あたり1個である。最初の製品の費用は一個あたり1通貨単位、二番目は一個あたり2通貨単位である。棚スペースを除けば、保管費用は無視できるとする。また、棚は十分大きく、欠品を無視できるだけの個数を置けるとする。この状況では、最初の製品のRoRは一日あたり200%、二番目は一日あたり50%である。したがって、RoRの高い最初の製品を優先すべきだ。この結果は意外なものではない。両製品は、最初の製品の粗利益が二番目の倍である点を除けば同じだからである。RoRは、この選択を形式化する順位づけの基準を提供しているだけである。

典型的なサプライチェーンでは、RoRを最大にしようとすると、数量の多い製品や回転の速い製品に、より多くの能力、在庫、棚スペースを割り当てる傾向がある。ただし、最適化すべきものはRoRであり、サービスレベルのような恣意的で非経済的な指標ではない。サプライチェーンの著者の多くは、高いRoRと、数量の多さや回転の速さとの緩やかな相関を、因果関係と取り違える。その結果、数量や不規則性に応じて製品をクラス²²に分け、その区分に従って資源配分を調整する在庫分類手法が、頻繁に提案される。これらの手法は、相関と因果を混同している。最適化しなければならないのはRoRである。その緩やかな帰結をまねることは、カテゴリーの誤りであり、収益を低下させる。

実際には、収益率にはいくつもの複雑な点がある。

1. RoRの計算は、収入と支出をどこに帰属させるかに依存し、これは難しい問題である。

2. 収入と支出は同時には生じず、共通の期間が存在することはまれである。

3. 収入はできるだけ早く、支出はできるだけ遅く生じるべきであり、キャッシュフローを割り引く必要がある。

4. 将来の支出と将来の収入の時間差は、企業の流動性制約を満たさなければならない。

5. 選択肢同士の依存関係によって、RoRは選択する順序という経路に依存する。

6. 将来の収入も支出も不確実であり、その不確実性をモデル化しなければならない。

いずれも、ある程度の近似は伴うものの、実際に克服できない問題ではない。

4.4.3.1 収入と支出の帰属づけ

RoRは、物理的な流れを理想化して捉えたものである。しかし、制約を扱うには、単純ではない経済モデル化が必要になる。そのため、ある選択肢のRoRを計算するには、通常、経済的な帰属づけによって、その選択肢を企業全体から切り分けなければならない。この点は後で論じるが、ひとまず、収入、支出、選択肢の間には一対一の対応がないことに注意してほしい。したがってRoRは、サプライチェーンをモデル化する一つの視点であり、自明の真理ではない。

たとえば、二つの代替製品を持つ小売店を考えよう。最初の製品は、毎日補充される100通貨単位の在庫を必要とし、一日あたり140通貨単位の収入を生む。二番目の製品は、150通貨単位の在庫を必要とし、一日あたり200通貨単位の収入を生む。両製品が店で占める棚スペースは、まったく同じである。この場合、最初の製品のRoRは一日あたり40%、二番目は33%となる。したがって、最も高いRoRをもたらす選択肢を選ぶという原則に従えば、店主は最初の製品を選ぶべきだ。しかし、この選択は意外である。時間を通じて最終的に得られる粗利益の絶対額が、より少ない製品を選ぶからである。固定費が支配的な店舗にとっては、誤った選択に思える。

実際、上の素朴なモデルは、店舗の固定費を無視していた。固定費の一部を製品に帰属させ、モデルを精緻化しよう。帰属させる一日あたりの固定費を40通貨単位とする。すると、最初の製品の一日あたりの費用は\(100+40=140\)通貨単位、二番目は\(150+40=190\)通貨単位になる。この修正モデルでは、最初の製品のRoRは一日あたり0%、二番目は5.3%となる。したがって、この精緻化したモデルのもとでは、二番目の製品を優先すべきである。

これは例外的な状況ではない。何を最善とするかは、そのサプライチェーンに採用した経済モデルに依存する。残念ながら、どのモデルが優れているかを決める、単一で単純な基準は存在しない。適切さは、判断に役立てるべき経済的な現実を、それぞれのモデルがどれほどよく捉えているかにかかっている。この課題は、汎用知能を要する問題である。だからといって、何でもよいわけではない。この種の課題には後で戻る。

4.4.3.2 非周期収益率

金融の教科書では、収益率（RoR）はほぼ必ず、一か月、四半期、一年といった固定期間に結びつけられる。会計や課税が、その周期で行われるからである。しかし、サプライチェーンを実行する微細なレベルでは、こうした暦はうまく当てはまらない。発注、値下げの開始、パレットの配分、トラックの手配は、個々の最小単位の意思決定であり、その現金の流出と流入は不規則な間隔で少しずつ生じる。十二か月という尺度では、資本をできる限り速く回転させるという、それらの意思決定の存在理由そのものがぼやけてしまう。

非周期のRoRは、暦という拘束を取り除く。すべての選択肢を恣意的な期間に押し込める代わりに、一つの問いを立てる。その選択肢が拘束した現金を回収し、余剰を複利で増やし始めるまでに、どれだけの時間がかかるか。 この自ら定まる時間差がRoRの式における暗黙の期間となり、それぞれの意思決定が独自の時計を選んでも、相互に比較できる複利の率を得られる。

計算を個々の選択肢のレベルで行うため、結果の幅は大きく、一桁、さらには二桁の違いも珍しくない。回転が速く粗利益の高い補充は、非周期の尺度で表すと年率1,000%を超えることがある一方、隣の通路にある売れ行きの遅い品物の補充は、10%にも届かないことがある。このばらつきは、モデルの欠陥ではない。どこで資本が切実に必要とされ、どこで静かに失われているかを知らせるシグナルである。

計算上、非周期RoRは、選択肢のキャッシュフローの時間軸に沿ってカーソルを動かし、各日付で、その時点で投資を清算したなら成立する収益率を計算する。その最大値を採用し、その頂点を与える日付が、選択肢の暗黙の評価期間となる。この指標は一つの数値で、利益の大きさと、拘束された資本が複利で増えうる最速のペースの両方を捉える。厳密な規則は付録で示す。

4.4.3.3 割引キャッシュフロー

前節では、投入した資本がどの速さで複利増殖するかを測る尺度として、収益率を導入した。しかし、速さは時間に関する話の半分にすぎない。今日受け取る一通貨単位は、次の四半期に受け取る同じ一通貨単位より価値が高い。早く受け取れば、その間に再投資し、備えとして保有し、あるいは単に利息を得られるからである。割引キャッシュフローは、時間選好を数値に置き換えたものである。将来の各入出金に、時間とともに小さくなる割引係数を掛け、すべての現金の動きを「今日の通貨単位」で表す。割引係数は、企業の資本コスト、すなわち流動性のために実質的に支払う利息から導かれる。厳密な式は付録を参照してほしい。

言い換えれば、割引キャッシュフローは、貨幣の時間価値を考慮しながら、獲得した、あるいは失った金額の絶対額を測る。サプライチェーンの視点では、金利は企業の資金調達費用を表す。金融では、この率を遅延に伴う不確実性の代理として使うことも多いが、サプライチェーンへの適用では、不確実性は後述する別の仕組みで扱う方がよい。

輸送や在庫の意思決定に割引キャッシュフローが関わる実例は、長いリードタイムと資金制約にしばしば直面するファッション業界に見られる。新しいコレクションをシーズンの六か月前に発注しなければならない、中価格帯のファッションブランドを想像してほしい。交渉した支払条件では、相当額を前金で払い、残額は出荷時に支払う。借入資金の費用が、たとえば年率10%にすぎなくても、こうした早期発注の実効収益率は、その数字をはるかに上回りうる。収入が実現するずっと前から資本が拘束され、サイズ、色、スタイルを少しでも読み違えると、財の実効的な費用が膨らむからである。シーズンが来ると、売れ行きの遅い品物を値下げすることがあり、より有望な商品群に投じられたはずの資金の機会費用が、さらに増える。逆に、需要に合った適切な発注なら、定価ですばやく回転し、資本コストをはるかに超える収益率をもたらせる。したがって、各サプライチェーン意思決定の実際の収益性を決めるうえでは、長いリードタイム、長期に及ぶ支払条件、市場の不確実性の相互作用が、一般的な金利水準より重く働くことが多い。

実際、サプライチェーンの意思決定では、一般的な金利水準よりも、主として在庫回転に左右される収益率の方が重要である。金利の重要性を否定するわけではない。しかし、一回転あたり10%を生み、一年に十回転する一単位の在庫は、複利で\(1.1^{10}\approx 2.59\)、すなわち年率159%となる。一つの企業が扱う製品でも、収益率が年率1%から1,000%まで広がることは珍しくない。この幅の広さは、在庫回転が日単位から年単位まで及ぶことに大きく由来する。このような極端な差があるため、利益を最大にするサービス品質は製品ごとに大きく異なり、在庫戦略もそれに応じて分かれる。

年率1,000%の収益率は、サプライチェーン内の単独の製品の流れとしては珍しくないが、金融で「ありうる」とみなされる水準を、一桁以上上回る。当然、この計算では固定費、とりわけインフラの費用を無視している。それらを考慮すれば、サプライチェーンの実効収益率は、経済全般の水準に近づく。

4.4.3.4 キャッシュフローと運転資本

金利は流動性の費用の下限を定めるため、すべてのサプライチェーンに関わる。ただし実際には、金利は通常、たとえば年率およそ10～20%という比較的狭い範囲にある一方、在庫の一巡が生む収益率には、普通に二桁の幅がある。したがって、計画担当者を最もよく制約するのは、資金の正確な価格ではなく、資金を利用できるかどうかである。8%ではなく12%で資金を引き出す買い手でも、その資金で賄う在庫が年率300%で複利増殖するなら、購入を進めるだろう。逆に、与信枠を使い切ってしまえば、名目2%の融資でも役に立たない。そのためキャッシュフローの管理は不可欠である。財が通関したり棚に届いたりする何か月も前に送金しなければならない事業では、とりわけそうだ。ファッションのコレクション、祝祭期向けの玩具、ハイテク機器は、身近な例である。

たとえば、銀行から、過去三年間の平均売上高の25%を上限とするリボルビング融資枠を、一律年率10%で提供される企業を考えよう。上限までは一晩で資金を引き出せるが、上限に達した瞬間から、追加の一通貨単位ごとに新たな交渉が必要となり、拒否される可能性もある。増資、メザニン融資、サプライヤー向けファクタリングといった別の資金源は確かにある。しかし、どれも一晩では確保できず、明示的な費用も暗黙の費用も、大幅に高くなる。したがって流動性の価格は、一つの数値ではなく区分的な曲線で表される。単一の一様な金利を仮定するモデルは、実務で最も頻繁に問題となる、まさにその非線形性を無視している。

流動性の確保に伴う非線形性を考えれば、サプライチェーンで支払条件がしばしば最重要になる理由がわかる。支払条件は、企業が必要とする運転資本の量を決定的に形づくる。長期的には、運転資本の必要額を減らすと、貸し手に支払う利息が下がり、収益性が改善する。短期的には、業務を円滑に進められる企業と、流動性不足でよい選択肢を閉ざされ、劣った選択を強いられる企業とを分けることが多い。

たとえばファッションブランドは、新コレクションの商品を、シーズン開始の六か月以上前に発注しなければならない場合がある。海外のサプライヤーは、多額の前払いを要求するかもしれない。そのコレクションの販売が好調になると見込めば、ブランドは発注を増やそうとする。しかし、与信枠が足りずに阻まれることがある。その場合、発注量は小さくなり、下流で大規模な欠品を招く可能性がある。当然、貸し手からすれば、その上限は恣意的なものではない。コレクションが大成功するというブランドの楽観を、貸し手は共有していないだけである。

金利が一律だという仮定は、ほとんど成り立たない。ただし、許容できる近似となる状況はある。最も単純なのは、利益を生むサプライチェーン上の機会に比べて、企業が利用できる流動性がはるかに大きい場合である。少しわかりにくい例として、必要運転資本がマイナスの場合もある。

例として、店舗在庫を毎月回転させ、サプライヤーのリードタイムは無視できる小売業者を考えよう。サプライヤーへの支払いは納入の二か月後で、商品は店頭で粗利益率20%で売れるとする。この条件では、店頭で保有する財の価値四通貨単位あたり、小売業者の必要運転資本は\(-2\)通貨単位となる。実際、財の代金を支払う時点までに、在庫は平均二回転し、二通貨単位の粗利益を生む。ここでは、少なくともキャッシュフローだけを見れば、小売業者の必要運転資本はマイナスである。

この例をマイナス金利と混同してはならない。小売業者には、依然として市場金利が適用される。

短期的に運転資本の上限がある、より典型的な場合に戻ると、選択肢を比較する数値手法が必要になる。概念上は、全体として運転資本制約を満たす、実行可能な選択肢の集合を選べる。これは汎用ソルバーを使うのに近い考え方である。ただし、資金の費用に時間依存の要素を加えるなど、より単純なヒューリスティクスも使える。

4.4.3.5 相互に依存する選択肢

収益率という指標は、資本の次の最善の使い道を特定する。しかし、選択肢自体が単独で存在することはまれである。多くは現金、棚スペース、車両の積載能力といった同じ有限の資源を利用するため、互いに影響する。その関係は、二つのSKUが同じ場所を奪い合う競合、コーヒーと砂糖が互いの販売を押し上げる補完、一パレット目を割り当てた後に初めて二パレット目が意味を持つ順序依存などである。このような結びつきを認識することが、指標を妥当な意思決定に変える前提となる。

相互に依存する選択肢を扱う実用的なヒューリスティクスは、収益率に従って一つずつ選び、そのたびに更新する方法である。現在の率が最も高い選択肢を選び、いま投入または解放した資源を反映するよう残りの率をすべて更新し、再び選ぶ。すべての制約が限界に達するまで、これを繰り返す。計算機科学では、これを貪欲アルゴリズムと呼び、その結果は優先順位付きリストとなる。更新のたびに現在の制約が伝わるため、リストが完全な降順のままである必要はない。競合が強まるにつれて大半の率は下がるが、補完関係が利用可能になれば、一部は上がることもある。それでも各段階では、その時点で可能な最善の手を選んでいる。結びつきが弱いなら、この貪欲な処理で十分である。車両経路や生産順序のように結びつきが強い場合は、同じ価値評価の基礎に立ちながら、多数の組合せ経路を探索する、より重いソルバーの方が、このヒューリスティクスを上回る。

たとえば、小売店の補充という課題を考えよう。収益率に基づき、店舗に追加する一個を、率が最も高いものとして選ぶ。その一個を概念上、店舗に加えたら、収益率を調整する。同じ店に在庫を積み増すと収穫逓減が生じるため、同じ製品の次の一個の収益率は下がる。そこで、修正後の収益率に基づいて二個目を選ぶ。店舗の棚容量に達するまで、この過程を繰り返す。

貪欲最適化には、いくつかの大きな利点がある。第一に、選択肢の収益率を求める以上のことを必要としない。第二に、過程が単純で観察可能である。優先順位付きリストによって、アルゴリズムがどう進んだかを完全に把握できる。第三に、適切に実装すれば、通常、貪欲法以外の方法より何桁も速い。

この貪欲最適化の論理を素朴に実装すると、競合する選択肢の数に対して二次の計算費用がかかる。数千の選択肢がある大半のサプライチェーンでは、二次の費用は受け入れがたいほど高い。ただし、ここでの議論の範囲外となる手法によって、この負担を緩和し、計算量を準線形時間まで減らせる。

サプライチェーンの課題の大半は、選択肢の結びつきが緩いため、貪欲法や準貪欲法によく適している。これは偶然ではない。企業は、暗号の謎解きに似たシステムを意図的に避ける。コンピューターにとって難しいことは、人間の頭にも難しいからである。

たとえば、A、B、Cという三つの技術製品を扱う専門小売店では、それらが通常、Aを二個、Bを五個、Cを七個といった一定の比率で、キットを作るために一緒に購入されるなら、在庫管理を簡素化できる。三品目を別々に追跡する代わりに、あらかじめ組み合わせたキット\(K\)を一つの在庫品目として扱い、例外に備えて個々の構成品も少量余分に持つ。この集約によって複雑さが減り、補充が効率化する。

ただし、貪欲最適化は、すべてのサプライチェーンの場面に適しているわけではない。車両の経路決定や生産スケジューリングは、目立った例外である。より一般には、相互依存性の強い意思決定を順に行う問題は、貪欲法になじまない。とはいえ、大半とまではいわなくても、多くのサプライチェーンの状況は、少し工夫すれば準貪欲的に扱える。たとえば、それぞれ独自の最小発注量（MOQ）を持つ複数のサプライヤーへ同時に発注するとき、貪欲な戦略では、予算が限られるなかで、どの発注も閾値に届かず未完成になるなど、実行不可能な結果が出ることがある。しかし、この限界への対処には、小さなヒューリスティクスで十分である。収益が最も低いサプライヤーから順に候補から外し、残りのサプライヤーへ予算を再配分すればよい。

選択肢同士の依存関係が生む複雑さは、収益率の最も高い選択肢を選ぶという原則を損なわないが、素朴な選択方法を無効にすることがある。この複雑さを扱うには、通常ソルバーと呼ばれる専用の最適化ソフトウェアが必要である。特に、こうしたソルバーは多様な損失関数、すなわち最小化する量に対して最適化を行う。この話題は、後の意思決定の章で扱う。

4.4.3.6 不確実な収益率

第一の障害は相互依存性、第二は不確実性である。現金、能力、棚スペースを選択肢がどう奪い合うかを整理しても、それらの選択肢が実行される際に、どの数字が実現するかは、まだわからない。需要、リードタイム、歩留まり、スポット価格は、いずれも計画担当者の制御の外で揺れ動く。それでも指針は変わらない。経済的な収益が最も大きい選択肢を選ぶ。ただし、一点の値ではなく、期待値で測る。実際には、決定論的な見返りをすべて、確率で重みづけした値に置き換える。ありうるシナリオを列挙し、それぞれに確率を与え、各分岐で決定論的な式を適用し、その結果を平均する。こうして得られる期待収益率は、これまでと同じように選択肢間で比較できる。

概念としては単純だが、確率的な視点には独自の課題がある。第一に、確率を推定しなければならない。これが確率的予測の本質である。第二に、将来はまだ下されていない意思決定に左右される。ある選択肢の収益率は、将来の選択肢をどう選ぶかに依存する。不確実性のもとで現在と将来の選択肢を選ぶことが、確率的最適化の本質である。

確率的予測と確率的最適化は、未来の章で論じる技術的な主題である。しかし、収益率を確率的に捉えることは、単なる理論上の関心事ではない。適切なソフトウェアがあれば、実際のサプライチェーンの選択肢はこの方法で評価でき、またそうすべきである。もちろん、可能な未来の数は無限なので、近似は避けられない。しかし、それによってこの方法の実用的な価値が損なわれるわけではない。

4.4.4 縁故主義と規制の虜

利益動機は、「どんな犠牲を払ってでも、もっと多くを」求める冷酷な追求として戯画化されることが多い。実際には、競争市場における利益とは、希少な資源の消費を最小限にしながら、見知らぬ人々の最も切実な欲求を満たしたことで得られる拍手にすぎない。したがって利益は、結果であり、信条ではない。

「利益」という一語の背後には、まったく異なる三つの行動がある。真の利益追求は、入手可能性、品質、価格の優れた組み合わせを提供することで利幅を得る。したがって長期利益は、顧客、サプライヤー、従業員との間で、好意や協力的な姿勢を育むことに依存する。今日のスプレッドシートを喜ばせながら、明日の選択肢を削る焼畑的な戦術は、収益率を漏れなく計算すれば、自滅的だとわかる。

第二は、大衆文化が好んで非難する*「むき出しの」利益動機である。川に廃棄物を流し、サプライヤーを威圧し、おとりの商品で顧客を呼び込んで別のものを売りつける、といった行動だ。こうした行為は、利益追求の論理的な帰結ではなく、誤った経済計算の帰結である。罰金、訴訟、人材流出、ブランドの損傷を現在価値に戻せば、その蜃気楼は消える。現代のサプライチェーン分析が存在するのは、まさにそうした潜在的な費用をシャドー評価額*へと変えて明るみに出し、あらゆる意思決定を規律づけるためである。

第三は、縁故資本主義と規制の虜である。関税、独占的な免許、義務的な規格を求めて働きかける企業は、利益を稼ぐのではなく、レントを引き出している。顧客への提供価値は何もよくならず、資源が政治的な特権によって別のところへ移されるだけである。レントは、サプライチェーンのあらゆるシグナルを歪める。オプショナリティは縮み、革新は停滞し、見かけの収益率は成果ではなく法令によって支えられる。²³

本書が示す学問は、第一の道を目指し、後の二つから企業を守る。その後に紹介するすべての手法は、開かれた市場を前提とする。各選択肢を測る基準は、昨日議会で確保した特権ではなく、抜け目のない競合が明日できることである。真の競争を取り戻せば、同じ最適化の仕組みが富を生む原動力となる。レントの蓄積を許せば、どれほど予測を精緻にしても、経済的な行き詰まりは救えない。

4.4.5 経済に優越するとされる目標

利益を追求する企業に対して繰り返し向けられる異論は、経済に優越するとされる目標への訴えである。単なる金銭的考慮より上位にあるとされ、そのために価格、費用、機会費用の規律を無視することを正当化する目的のことである。この訴えには、通常二つの種類がある。第一は道徳主義的なものだ。企業は顧客への奉仕を超えて、何らかの倫理的・社会的な主張を推進すべきだという確信である。第二は終末論的なものであり、迫る破局を予言し、それを避けるために収益性を直ちに犠牲にするよう求める。以下では、その両方を検討する。

開かれた市場で活動する企業にとって、より高い目的を掲げても希少性は消えず、トレードオフの呼び名が変わるだけである。ある目標に投じたパレット、人時、通貨単位は、必ず別の目標には使えなくなる。したがって経済計算は、採用してもしなくてもよい世界観ではなく、代替案を首尾一貫して比較する唯一の方法である。たとえば軍隊のように強制に依存する制度は、まさに資源が自発的な交換を通じて配分されないため、本書の範囲外となる。それ以外のあらゆる組織では、経済を超える目標が優越するという主張は幻想である。実際には、資源を本来の使命から別の用途へ回すことが、長期の価値を生むのか壊すのかを、やはり判断しなければならない。

4.4.5.1 道徳主義的な懸念

サプライチェーンの言葉でいえば、道徳主義的な懸念とは、人々は何かの消費を減らすべき、あるいは増やすべきであり、したがって企業は望ましい社会変化を導く手助けをすべきだ、という主張である。その内容は時代や場所によって変わる。

たとえばルリタニアでは、支配的な宗教が、大人が牛乳を飲むのは堕落のしるしであり、牛乳は子どもだけのものとすべきだと宣言するかもしれない。それに応じてルリタニアの企業が、大人向けに販売する瓶入り牛乳の量と種類を自発的に減らし、一見望ましい社会変化を率先して実行するかもしれない。しかし、その行動は市場にほとんど影響しない。「経済的権力」という通俗的な物語とは裏腹に、企業は顧客に自社製品を買わせたり、買うのをやめさせたりできない。大人向けの瓶入り牛乳の生産を企業が恣意的に減らせば、たった一社の競合が生産量を増やし、需要は以前と同じように満たされる。

ただし、ルリタニアで大人向けの瓶入り牛乳への反感が強く、多くの顧客が無関係なほかの製品まで不買するなら、その事業から全面的に撤退するのが合理的かもしれない。生産をほかの事業から切り離せるなら、部門を売却する方法もある。この対応は、市場全体の需要が下がるという誤った期待のもとに、単に供給を減らすこととは根本的に異なる。

道徳主義的な懸念の典型には、個人に害があるとされる、あるいは生産時に害をもたらすという理由で、不適切とみなされる食品や飲料がある。たとえばヴィーガニズムは、非常に多様な信条のなかでも、比較的新しいものの一つである。こうした懸念は原産国にも及び、貿易についての誤った重商主義²⁴的な見方、たとえば「われわれはルリタニアと経済戦争をしている」や、その国の労働条件への認識、たとえば「ルリタニアは企業に国民を不当に搾取させている」に基づくことが多い。

サプライチェーンが道徳主義的な見方に関わるのは、ある種類の財を供給したり、特定の生産要素を使ったりすることが、業務全般を遂行する力を損ないうる範囲に限られる。ブランドの損傷は、顧客を遠ざけたり、就職先としての企業の魅力を下げたりする。これらは現実の懸念であり、ほかのリスクと同様に数値化できる。経済計算によって、そのようなリスクが過大であり、将来の損失を最小にするには、市場のあるセグメントから撤退すべきだとわかる場合もある。しかし、これらの計算を、サプライチェーン部門の従業員の個人的な価値判断と混同してはならない。

ただし、この課題をさらに厄介にするのは、道徳主義的な懸念について、従業員²⁵が歪んだインセンティブを持つことである。従業員は、美徳の誇示と呼ばれる行動、すなわち道徳主義的な懸念を公然と強く訴えることによって、自分が同僚よりもとりわけ高潔であるかのように見せる。美徳の誇示は、かつても今も有効である。社内政治は、企業の収益性を高める者だけではなく、その時代の社会規範に最もよく従う者を報いる傾向があるからである。

しかし、サプライチェーンにおいて、行動方針の変更にかかる費用を負担するのは、美徳を誇示する本人ではなく、企業そのものである。また、競合がその空白を埋めるまでは、市場への供給も十分でなくなるため、市場も一部を負担する。したがって経営幹部は、そのような美徳の誇示を警戒し続けなければならない。実際、大企業はこの種の反社会的な行動に特に弱い。それは正式な指揮系統の権限と、顧客に奉仕する方向へ企業を導く力を損なう。

4.4.5.2 終末論的な懸念

歴史を通じて、人類のかなりの部分は、滅亡への魅惑にとらわれてきた。この病的な魅惑を探り、なぜ何千年も続いてきたかを理解するのは、心理学、社会学、歴史学の課題である。サプライチェーンが関わるのは、そうした魅惑が事業運営を妨げる範囲に限られる。歴史から二つのことが観察できる。第一に、終末論的な懸念の規模と影響は甚大だった。第二に、その具体的な内容は、十年ごとに大きく変わってきた。かつて流行した近現代の終末像を、いくつか振り返ろう。

• 人口過剰（18～19世紀）： 第一次産業革命期の急速な人口増加により、多くの知識人は、人口の増加が必然的に食料生産を上回り、広範な飢饉と社会の崩壊を招くと考えた。（Thomas MalthusのAn Essay on the Principle of Population（1798）を参照。）

• 人種の退化（1920年代～1930年代）： 優生学や疑似科学的な人種理論の影響を受けた、人種的・遺伝的な退化への恐怖は、人種の混交によって文明が衰退すると予言した。（Madison GrantのThe Passing of the Great Race（1916）を参照。）

• 共産主義による支配と赤の恐怖（1950年代）： ソビエト連邦の台頭と共産主義の拡大は、共産主義が世界を支配するという恐怖を生み、米国では赤の恐怖とマッカーシズムにつながった。（W. Cleon SkousenのThe Naked Communist（1958）を参照。）

• 化学農業（1960年代）： 農薬、特にDDTが環境と公衆衛生にもたらす悪影響により、産業汚染と生態系の崩壊に対する、より広範な懸念が注目された。（Rachel CarsonのSilent Spring（1962）を参照。）

• 核の冬と地球寒冷化（1970年代）： 冷戦下では、核戦争後に地球が寒冷化する「核の冬」への恐怖が、自然に氷河期が訪れる可能性への懸念と合流した。（Lowell PonteのThe Cooling: Has the Next Ice Age Already Begun?（1976）を参照。）

• 資源の枯渇（1970年代～1980年代）： 人類は石油や鉱物などの不可欠な資源を使い果たしつつあり、社会が崩壊するという予測が数多くなされた。（MeadowsほかのThe Limits to Growth（1972）を参照。）

• 淡水の確保（1980年代～1990年代）： 淡水資源の枯渇と汚染が、深刻な水不足と水をめぐる紛争を招くと予測された。（Marc ReisnerのCadillac Desert: The American West and Its Disappearing Water（1986）を参照。）

• 酸性雨（1990年代）： 産業排出物による酸性雨が、森林、湖、建物を荒廃させ、広範な生態系被害をもたらすと恐れられた。（B. J. MasonのAcid Rain: Its Causes and its Effects on Inland Waters（1992）を参照。）

• オゾン層の破壊（1990年代）： 冷媒ガスによるオゾン層の破壊が、紫外線の増加、皮膚がん、生態系の混乱をもたらすという懸念である。（Richard Elliot BenedickのOzone Diplomacy: New Directions in Safeguarding the Planet（1991）を参照。）

• 地球温暖化（2000年代）： 「温室効果」ガスの増加が、海面上昇、異常気象、生物多様性の喪失など、破局的な気候変化を引き起こすと予測された。（Al GoreのAn Inconvenient Truth: The Crisis of Global Warming（2006）を参照。）

• 気候変動（2010年代～2020年代）： 地球温暖化の物語を土台として、気候変動は、予測不能で深刻な環境への影響が人類文明の持続可能性を脅かすという、より広範な懸念を含む。（David Wallace-WellsのThe Uninhabitable Earth: Life After Warming（2019）を参照。）

この一覧は過去150年間に及ぶが、何千年も前まで広げることもできる。目的は、これらの脅威を肯定したり否定したりすることではない。その判断はサプライチェーンの範囲外であり、個々の専門科学に属する。ここで示したいのは、この現象の大きさと、脅威の具体的な内容の一貫しなさである。

終末論的な懸念が経済に優越するとされるのは、対処しなければ世界、したがって市場経済が終わるか、取り返しのつかない荒廃状態に陥ると考えられるからである。定義上、終末論的な懸念は、個人のあらゆる個別的な欲求より優先される。人類の相当部分、場合によっては全人類が消滅する可能性と比べれば、どの個人も取るに足らない存在でしかありえない、というわけである。

流行が過ぎた終末論的な恐怖については、かつてそれらの主張を支援するために資源を割り当てた企業が、大きく道を誤り、自らに甚大な害を与えたことは明らかである。少数派の宗教を明示的に差別する採用方針が、企業にとって最善の経済的利益を反映すると、今なお主張する経営者はほとんどいないだろう。同様に、優生学を唱える慈善団体や政治運動への多額の寄付が、人類の改善に真に貢献すると主張する経営者も、今日ではほとんどいないだろう。しかし、それほど遠くない過去には、どちらの方針も、確固たる「科学的」合意とみなされるもののもとで、教育を受けた善意の人々によって広く実践されていた²⁶。

これらの終末論的な懸念がサプライチェーンを混乱させるのは、経済に優越するという主張によって、経済計算が無効にされるからである。しかし企業は、それでも希少な資源を配分しなければならない。世界の終末も、希少性をなくしはしない。顧客を満足させるうえで、経済計算に代わるものはない。ある懸念が顧客を満足させることより上位なら、なぜ全資源をそこに投じないのだろうか。

Richard IIIでリチャード王が叫ぶように、「馬を、馬を！ 馬一頭のためなら、わが王国をくれてやる！」

より一般的にいえば、希少な資源の配分に関する何らかの懸念が、日常的な問題を無条件に上回る、経済に優越した地位を持つという考えは、経済学への深い誤解を反映している。利益と損失に代わるものはない。

4.4.5.3 非営利組織

西側諸国の多くでは、税法は「営利」とみなす組織とは異なり、「非営利」と称する組織に特別な免税措置を与える。そのような免税や規制上の優遇²⁷が社会全体に利益をもたらすかどうかは、サプライチェーンの範囲外である。しかし、一般的な経済理解という点では、この呼称はきわめて不幸なものであり、世間に大きな混乱を生む。さらに悪いことに、サプライチェーンの本を書く著者の多くも同じ混乱を抱え、広く流布する誤った信念を繰り返し、非営利組織に準神秘的な性質を与えている。そうした著者は、団体、すなわちいわゆる「非営利」組織には、利益と損失の原則が適用されないと誤解している。これは明白な誤りである。団体も同じ経済法則のもとで活動し、サプライチェーンを運営する限り、同じ原則に従う。したがって、サプライチェーンを改善するための手法は、税制上の扱いにかかわらず、等しく有効、あるいは等しく無効である。

いくつかの事実を挙げれば十分だろう。どちらの種類の組織も、企業家が動かしている。営利組織を経営する企業家のなかには、失敗し、始める前より貧しくなる者もいる。逆に、非営利組織を経営して成功し、全国平均をはるかに超える給与を得る者もいる。利益を上げる企業のなかには、配当を出す企業も、出さない企業もある。企業にも団体にも、汚職の不祥事はある。どちらも、資金を提供する顧客が必要である²⁸。顧客には期待があり、いずれの場合も、競合組織がより少ない費用でより多くを提供すれば、顧客は効率のよい方を選ぶ。どちらも支出以上を集めれば拡大し、集める以上に支出すれば破産する。

団体を「非営利」と呼ぶのは、実態に合わない呼称である。利益と損失は、経済の基本的な事実だ。組織は資源を集め、支出する。集めたものが支出を上回れば利益があり、支出が集めたものを上回れば損失がある。会計担当者がいなくても、利益と損失は存在する。会計担当者が帳簿をつければ状況は明確になるが、その人が利益や損失を作るわけではなく、明らかにするだけである。

市場経済では、すべての主体が顧客の最も切実な欲求に応えようとする。これは企業にも団体にも等しく当てはまる。たとえば顧客が森林破壊を懸念していれば、木を植えたり、植えてもらったりするためにお金を使うかもしれない。森林再生に取り組む団体への寄付は、顧客による価値判断である。将来の森林を買い、森林の多い世界を見返りとして得るのだ。同じように熱心な団体がいくつもあり、そのうち一つが一通貨単位あたり倍の森林を育てられるなら、顧客はそこを選ぶ。後になって、その団体が集めた資金をすべて広告に使い、一本も木を植えていなかったとわかれば、顧客がだまされたと感じるのは当然であり、その後の寄付も控えるだろう。

顧客の支払いと団体が提供するサービスとの間に直接的な対応がないことは、単なる細部にすぎない。同じ構造は事業にも見られる。都市のごみ収集は、通常、サービスを受けるたびではなく、年額の一括料金で支払われるが、その提供者の多くは営利企業である。

組織を「非営利」と呼ぶのは、「重力から自由」と呼ぶのと同じほど無意味である。自然法則に異議を唱えても通用せず、経済を支配する法則も例外ではない。利益を株主に分配するのか、追加の資本財に再投資するのか、従業員の賃金引上げに使うのかという配分方法は、技術的な細部である。税制はそうした細部に大きく影響するが、たとえば太陽光エネルギーのような部門に補助金を出すことと、本質的に異なるわけではない。政府が補助金を配る際に市場を区分する、数ある方法の一つにすぎない。補助金が団体に特別な経済的な力を与えることはない。

結局、組織が営利であれ非営利であれ、企業家の内心の動機を外部の観察者が知ることはできない。同胞の生活の改善に心から動かされているかもしれないし、成功した団体に伴う虚栄や知名度だけを追っているかもしれない。人は嘘をつくことも、変わることもある。利己的な意図で始まったものが、時とともに真の利他心へ変わることも、その逆もありうる。

したがってサプライチェーンでは、いわゆる非営利組織と営利組織を、本質的に別の種類として区別できない。この区別は税法のものであって、サプライチェーンのものではない。団体には独自のサプライチェーン上の性質があると主張する著者は、高尚な大義を掲げて美徳を誇示しているか、イデオロギーに惑わされて、それらの組織に準神秘的な性質を与えているかのどちらかである。

4.4.5.4 軍隊

非営利組織は、利他的な建前のもとでも利益と損失から逃れられないことを示している。軍隊は、それとは異なる事例である。経済の領域に確かに属しながら、通常の営利組織にあるフィードバックの仕組みを欠く制度だからだ。軍隊は顧客にサービスを売って収入を得るのではなく、主権国家が徴収する税によって資金を得る。国家の強制に依存しても希少性から免れるわけではなく、資源の配分方法が変わるだけである。武器や軍服があっても経済法則は消えない。弾丸一発、燃料一樽にも、経済のほかの部分を支配するのと同じ制約がかかる。

経済的な視点では、「軍」は現代社会で最も広範な中央計画組織の一つである。軍隊は装備を維持し、物資を調達し、部隊を支え、さまざまな地域へ戦力を展開しなければならない。しかし、これらの活動を、市場の主体に適用する損益の枠組みで評価することはできない。民間企業が支出と顧客からの支払いを常に比較するのに対し、軍の資金は自発的な交換によらず、直接的な市場の規律を欠く。民間事業の効率を促す見えざる手は、短期の金銭的収益ではなく、戦略を統合するための上意下達の指示に置き換わる。

それでも、利益シグナルがないからといって、軍隊が経済計算の問題を免れるわけではない。Ludwig von MisesがSocialism（1922）とHuman Action（1949）で示したように、中央の計画者が価格形成の過程の外で資源配分を導こうとすると、利益を生む用途と生まない用途を区別する、信頼できる尺度がなくなる。自由市場が課す規律がなければ、誤配分はほぼ避けられない。こうした誤配分は、予算が一つの項目として示される平時には隠れたままだが、重要な装備が不足したり、時代遅れの装備が余ったりすると明らかになる。複雑なサプライチェーンを運営する大企業も同じ課題に苦しむが、軍隊は、より大きな規模で、生死を分ける結果を伴って、それに直面する。

現代の、数十億規模に達する防衛予算は、政治の最高レベルで行われる複雑なトレードオフを反映している。古典的な「大砲かバターか」という比喩は、軍に回す一単位が、学校、病院、道路、その他の生産的な事業といった民間の財には使えなくなることを捉えている。軍隊は使命を果たしても「利益」を得ず、同じ活動をさらに続けるための政治的支援を受け続ける。新世代の戦闘機や軍艦が発注されても、その支払意思によって支出を正当化する顧客の列はない。代わりに、実際の、あるいはそう認識された戦略上の必要性から正当化が生まれるが、それは市場に通常備わる説明責任の仕組みの外にある。

当然、軍は「即応態勢」「任務遂行能力」「戦力投射」など、戦略的または官僚的な代理指標に頼ることで、中央計画の落とし穴を緩和しようとする。これらは有用だが、損益が持つ直接性の代わりにはならない。戦役に勝利しても軍に余剰収入は生じず、紛争が長引いても、それが直接損失として記帳されるわけではない。経済的に有効に使われているという明確な証明がなくても、紛争の長期化によって防衛予算やインフラが拡大することがある。意思決定は、自発的な需要が形づくるトレードオフではなく、国民やその代表が何を正当とみなすかという、政治に戻る。

これらの制約は、軍隊に独特のサプライチェーン課題を生む。需要はきわめて不確実で、消費者の好みではなく、地政学的な出来事によって動く。危機に備えて大量の備蓄を維持し、原子力潜水艦やステルス航空機のような特殊装備のリードタイムは、異常なほど長くなりうる。重要な構成部品を自ら生産する十分な能力がない場合、軍は民間の防衛企業を頼らなければならない。その時点で、サプライチェーンの一部は、少なくとも書面上は、市場競争の領域に戻る。サプライヤーには交渉した価格に従って支払い、国はしばしば、複数の請負企業を競わせて費用を下げようとする。しかし、政治的干渉や規制の複雑さがこれらの過程を歪め、「原価加算」契約などの仕組みを生み、それが縁故資本主義へと堕することはあまりにも多い。その結果、市場の規律が表面的には存在しても、通常は部分的で、官僚政治の陰に隠れる。

同様に、HayekがThe Use of Knowledge in Society（1945）で論じた知識の問題も、軍に当てはまる。資源配分に関わる情報は広く分散している。現地の部隊は、自らの兵站や戦略上の制約について最新の知見を持つが、大きな配分判断を下すのは上級司令部である。厳格な上意下達の階層構造は、下からのシグナルを抑え、調達、配備、整備について十分な情報に基づく選択をするために必要な現地の知識を、上層部から奪う。事実上、軍需産業は、中央計画の閉じた縮図として動く。将校や官僚がどれほど有能で善意を持っていても、重要な情報は伝達の途中で失われ、誤配分の危険が高まる。

それでも、関わる資源はすべて希少なままである。物資不足は戦役全体を頓挫させ、逆に、時代遅れの装備の過剰な備蓄は、近代化に資金を回す力を妨げる。さらに、あらゆる大規模な官僚組織と同様、日常的な改善の取り組みは、工程の層を増やす。新しい委員会、新しい監督機関、新しい計画段階が加わる。時間がたつと、これらの層は独自の慣性を持ち、軌道修正を難しくする。無駄を取り除く利益の基準がなければ、調達対象の系列全体が、有用性を失った後も長く存続しうる。政治的に支持される計画は、戦場でほとんど優位をもたらさなくても続く。経済的な帰結は、資源利用を最適化できないという構造的な無能力である。軍は、これらの制約を自由に捨てることはできず、利益を指針とする機敏な組織にはなれない。自発的な協力の外にある機能を果たしており、その仕組みの代償が、直接的な市場からのフィードバックの欠如なのである。

軍隊の最後の特異性は、通常、政治指導者の交代に伴って、急な方向転換を受けることである。脅威の認識に応じて、予算は上にも下にも大きく変わりうる。同盟関係の変化、新しい条約、戦争への疲弊は、いずれも軍の優先順位を組み替える。自由市場の民間企業も急変に適応するが、よりよい配分へ導く利益シグナルに頼れる。対照的に軍は、上からの指示に従ってサプライチェーンを再設計しなければならず、新しいドクトリンを作り、古いものを廃し、車両や装備の全体を再編することを同時に求められる、巨大な官僚機構の負担を負う。

したがって軍隊は、大規模な統合企業が直面するのと同じ計画上の難問が、極端に現れた例である。国家は、消費者の欲求をどれだけ有効に満たしたかによって軍の成功を測らず、消費者の不満が軍事予算に作用する直接の経路もない。それでも資源は希少であり、配分する必要も残るため、経済の論理は依然として適用される。損益シグナルの欠如は、代理指標で部分的に補えるが、市場価格が提供する広さと精密さには、まるで及ばない。つまり、軍が市場の外で活動していても、あらゆる紛争、平時のあらゆる動員、舞台裏のあらゆる兵站準備は、希少性という鉄則のもとにある。戦争状態は、純粋に政治や戦略の問題として扱われがちだが、その核心には、いかなる命令でも逃れられない、精緻な配分問題も存在する。

4.4.6 解決策とトレードオフ

解決策は存在しない。あるのはトレードオフだけである。
A Conflict of Visions（1987）、Thomas Sowell。

サプライチェーンは、経済法則に厳密に縛られている。ある資源を配分するたびに、それまで利用できたすべての代替用途が閉ざされる。その意思決定が正しいのは、その資源によりよい使い道がない場合だけである。利益が出るだけでは不十分であり、最大でなければならない。

どのような在庫配分にも、最善の代替案の機会費用が伴う。小売ネットワークでは、倉庫の一個を店舗へ出荷すると、その個体はほかの店舗には回せなくなる。もし最後の一個を、ほかの店舗ではよく売れているのに、売れ行きの遅い店舗へ送ったなら、その配分はおそらく誤りである。最後の一個は、需要が最も切実な店舗へ送る方がよい。どちらに送っても、いずれ売れるだろう。しかし、需要が最も強い場所へ送れば、ネットワークは顧客の最も切実な欲求に沿う。売れ行きの鈍い店舗でその一個が滞留すれば、倉庫へ戻し、より適した店舗へ再発送できるかもしれない。ただし、輸送費が余分にかかり、輸送中は誰にも役立たない。

今売ることは、後でもっと利益を上げて売る機会とのトレードオフになる。後でより多くの利益を得るために、価格を高くする必要があるとは限らない。たとえば、1通貨単位で買ったねじを2通貨単位で売れば、粗利益は1通貨単位となる。しかし、そのねじが在庫の最後の一本で、組み合わせて売る商品の一部、たとえば構成品の費用が50通貨単位で、100通貨単位で売れる機械の一部だったとする。ねじだけを売れば、今は1通貨単位を得られるが、追加のねじを確保する前にその組合せ商品の買い手が来れば、50通貨単位を失う。企業が、まもなく組合せ商品の買い手が来ると予想するなら、ねじ単品の販売は利益が出ても、サプライチェーンとして誤った判断である。正しい行動は、組合せ商品の販売機会を残すため、ねじを在庫に持ち続けることだ。

資源は多様であり、それによって生じるトレードオフはさらに多様である。それでも多くのサプライチェーン著者は、意思決定を、在庫費用対欠品、費用対現金対サービス、あるいは供給対需要へと縮めてしまう。これらの低次元の視点は誤っている。経済学よりも記帳に根ざした、いくつかの工学的なトレードオフを第一原理へと格上げすることで、唯一の普遍的な尺度である経済計算を見えなくしている。

どの産業でも、サプライチェーンは、両立しない改善の間で綱渡りを続ける。表示価格を下げれば通常は販売量が急増するが、譲った一パーセントポイントずつが粗利益を直接削る。高級品の分野では、値下げがブランドをひどく安っぽく見せるため、売れ残りを値下げせずに廃棄することさえある。色やサイズを増やして品揃えを広げれば顧客は喜ぶが、調達、保管、品質管理の費用も同じ勢いで上がる。納品遅れに備えて予備のサプライヤーを加えれば、強靭性は増すが、購買交渉力を弱める代償を払う。営業時間を延ばせば来店客は増えるが、人件費も膨らむ。季節的な急増をさばくため臨時のピッキング作業員を雇えば、処理量とともに、ミスや在庫の目減りも増える。小規模な専門部品メーカーに切り替えれば、完成品には高級感が出る。ただし、その小さな工場が自らの納入時期に間に合うことが条件だ。顧客ロイヤルティを育むため返品条件を緩めれば、返品物流の費用は膨張する。鮮度を最大にするため生鮮品を毎日回転させれば、棚は見事に整うが、意図的に在庫を薄くした分、欠品は必ず増える。すべての手段にこうした二面性があり、計画担当者は常に、何十ものジレンマを同時に扱っている。

この一覧は、あらゆる業種と、その固有のトレードオフを通じて、ほぼ際限なく延ばせる。さらに、名前を付けた資源のほぼすべては、もっと細かく分解できる。呼称は便利だが、結局は近似である。たとえば倉庫の容量を10,000 \(m^2\)としよう。実際には、そのすべての\(m^2\)が同じではない。荷役ドックやコンベヤーの終端に近い場所もある。容量を、「上等」な2,000 \(m^2\)と「通常」の8,000 \(m^2\)へと細かく分けることもできる。

資源とトレードオフには、好きなだけ分類を増やした、恣意的な分類体系をいつでも当てはめられる。ある企業の内部では、そのような体系が意思疎通を助けるかもしれない。しかし市場全体では、そうした作業はほぼ無意味であり、日常の言葉以上の結果を生まない。

これらのトレードオフに対する唯一の実用的な方法は、経済計算である。経済計算は、こうした矛盾を釣り合わせ、適切なサプライチェーンの意思決定へと導く。また、どの意思決定も、純粋な利益の源泉という絶対的な善ではなく、期待される利益と損失の混合物であることを明らかにする。

4.5 価値評価をめぐる課題

サプライチェーンの意思決定は、突き詰めれば賭けである。今日の希少な資源を投じ、明日の不確実な一連の結果に賭ける。これらすべての賭けを、一つの巨大で一体的な計算で評価しようとしても望みはない。意思決定空間はあまりにも大きく、変化も速すぎる。実用的な対処法は、その大きな計算を、選択肢ごとに一つの、扱える大きさの断片へ分け、それぞれに評価額を与えることである。評価額は会計上の珍しい工夫ではなく、道具である。選択肢を同じ尺度で測れるようにする金銭表示の点数であり、すべてを一度にではなく、一つずつ比較し、順位を付け、選べるようにする。よい評価額は機会費用を明らかにし、前に紹介した最適化エンジンを動かす。誤った評価額は、企業を静かに、体系的な誤配分へと導く。

このように見ると、評価額は、パレットやトラックという具体的な世界と、経済計算という抽象的な領域を結ぶ、不可欠な橋となる。保存可能期間の一日の延長、不機嫌な顧客、サプライヤーへの支払いの遅延、混雑したピッキング通路といった異質な出来事を、ソフトウェアがミリ秒単位で扱える一つの尺度に変える。この橋を築く道筋は、いつも同じである。

第一に企業は、どの流れが重要で、それが損益にどうつながるかを明確にする、明示的な経済モデルを組み立てる。第二に、観測された一通貨単位ずつを、それを生んだ意思決定に帰属させ、個々の微細な選択に、共通の費用と利益を適切に配分する。第三に、不確実性を受け入れながら、それらのキャッシュフローを将来へ見積もる。単なる帳簿では、好意や協力的な姿勢、ブランドの損傷などの重要なリスクや利益を捉えられない箇所には、シャドー評価による調整を加える。

以下では、この三段階を順に検討する。明示的な経済モデルが計算の土台をどう定めるか、帰属づけがなぜ避けられず、かつ議論を招くか、そしてシャドー評価額と社内評価額で補った将来への見積もりが、昨日のデータを明日行動に移せる知見へどう変えるかを示す。

4.5.1 経済モデル

経済計算は、明示的な経済モデルから始まる。購入、生産、移動、保有、価格設定という各業務上の選択を、その予想される金銭的な影響へと結びつける、簡潔でありながら透明な対応関係である。実際には、モデルは四つの要素を定めることで、原子の流れを金銭の流れに変換する。分析単位（SKU、パレット、機械時間など）、結果が展開する時間軸、共通の費用と収入を割り当てる帰属規則、異なる日付を整合させる割引の方式である。その目的は、予言のような正確さではない。そうしなければ見えないトレードオフを表面化させ、互いに排他的な選択肢を、リスク調整後収益という一つの尺度で順位づけできるようにすることである。サプライチェーンは、互いに絡み合う複数の時間尺度で動くため、通常は複数の下位モデルが共存する。在庫回転を中心とした短周期の補充モデル、サプライヤーのリベートやMOQを組み込む調達モデル、生産制約が現金にどう転換されるかを示す能力モデルなどである。それぞれは、物理的な意思決定を割引キャッシュフローに変えるという、同じ営みの一側面である。

たとえば、最も単純な経済モデルの一つが、純粋な売買業者のモデルである。その業者は財を輸送せずに売買するだけで、多くの場合、合意した期間は売り手に保管を任せる。戦略は、安く買い、高く売ることである。対応するモデルは、予想粗利益、すなわち一単位あたりの売値から買値を引いたものに帰着する。変動の源は、購入時点ではわからない売値である。純粋な売買業者は、市場でさまざまな役割を果たす。たとえば売り手を価格変動から守ったり、多数の小口顧客とやり取りする手間を省いたりする。

純粋な売買業者は極端な単純化だが、現実のサプライチェーンには、必ず多くの細かな事情がある。経済モデルは常に近似である。モデルを扱えるものに保つため、意図的に行う近似もある。たとえば、あらゆる財は劣化する。十分な時間がたてば、いわゆるステンレス鋼さえ錆びる。しかし多くの財では、保存可能期間が非常に長いため、劣化を無視できる。そのような場合、モデルから劣化を省くのは合理的である。

ほかの近似は意図的なものではなく、業務上の不確実性を反映する。知識を精緻にすることはできるが、不完全さは残る。たとえば在庫に、顧客が初めて気づく欠陥が潜み、その一部の顧客が後で返金や交換を求めるかもしれない。品質管理で欠陥をほぼ無視できる水準まで減らせても、可能性は残り、知識が絶対になることはない。

構造や意図的な近似を含め、モデルを設計することは、汎用知能を要する問題である。この種の問題は、「機械的な」解決になじまない。モデルの適切さは、常に高度な判断の問題となる。経済モデルを経験的に反証すること、あるいは少なくとも、その近似の程度を数値化し、過大だと判断することはできる。しかし、モデルそのものの設計には、より高次の理性が必要である。指針や原則は示せるが、簡潔で形式的な規則集だけで、この作業を十分に達成することはできない。

ただし、モデルの設計が汎用知能の問題であっても、多くのことを自動化できる。モデルの計算と、それを意思決定に使うことは、完全に自動化できる。企業や市場の変化に応じてモデルを改訂する必要はあるが、この過程は通常、財や原材料の流れの変動に比べて遅い。多くの企業では、適切な経済モデルは何年とまではいかなくても数か月は通用するが、在庫水準のような流れのデータが通用するのは数時間である。

4.5.2 暗黙の評価額

多くの企業は、百分率に基づく方策や、それに類する非経済的な手法に頼ることで、サプライチェーンの経済計算という問題を避けている。これらの方策が、サプライチェーンの意思決定を支配する。通常、経済的な視点を明示的に採用せず、手作業と自動処理を混在させる。この方法の唯一の取り柄は、経済計算そのものに伴う負担を避けられることである。それ以外については、優れたブランド力など、サプライチェーンとは独立した要因で企業がどれほど成功していても、この方法はもはや時代遅れとしかいえない。

一軒の食料品店、家族経営の工房、街角の修理店といった零細事業では、形式的な評価額がないことは時代遅れではなく、実際的である。店主にとって最も希少な資源は、自分の時間だ。スプレッドシートの作成に使う一時間は、棚の掃除、顧客との会話、あるいは単に営業を続けることと競合する。二時間計算しても、せいぜい翌週の発注額を数通貨単位減らす程度なら、その時間を手入れや直接販売に使う方が、より高く、リスクの低い収益をもたらす。この状況では、「残り二個になったら再発注する」「パンの棚を空にしない」といった単純な経験則で、十分に最適に近づける。数量、品目、拠点が増えると、計算は逆転する。誤配分の費用が、事務処理の負担をすぐに上回るからである。その閾値を超えても暗黙の評価額に固執することは、もはや倹約ではなく、自らを妨害する行為である。

この留保を明らかにしたうえで、本論に戻ろう。安全在庫、最小・最大方式の発注点、時間で定めるバッファは、典型的な非経済的方策である。いずれも、百分率、個数、「需要日数」といった、発注の引き金となる数字を吐き出すが、通貨で表した評価額は持たない。フィルレート、サイクルタイム、見た目の安心感といった工学的な目標に届くよう調整されるだけで、次の一個にどれほどの価値があるかは決して問わない。資本コスト、粗利益のばらつき、機会費用は、式のどこにもない。企業がその方策を完璧に実行しても、資源を誤配分しうる。最適化する尺度が、利益と損失から切り離されているからである。

これらの方策がどれほど経済計算を無視しても、利益と損失は生じる。計算を避けることはできても、その結果は避けられない。たとえば、安全在庫を決めるサービスレベルのような百分率は、100%へ近づけるべきだという誤解が広くある。在庫量を増やせば、明らかな収穫逓減が生じる。ある時点で、過剰在庫の償却費が欠品費用と等しくなり、それ以上在庫を増やすと損失を生む。非経済的な方策を使う場合、その内部パラメーターが、収益を最大にする設定に近いと考える理由はない。

救いがあるとすれば、それらの設定が壊滅的である可能性は低い。そうであれば、企業はすでに営業を停止しているはずだからだ。ここでは生存者バイアスが大きく働く。観察できるのは破産を免れた企業だけであり、残りは定義上、すでに消えている。したがって、長年にわたって企業の支払能力を維持してきた非経済的な方策には、ある程度の価値が示されている。

概念上、どの非経済的な方策も、経済的な方策として書き直せる。実際の損益への適合性ではなく、数値的に同じ意思決定を生み出せることを基準に選んだ、一連の評価額を導入すればよい。この作業によって、非経済的な方策の根本的な欠陥が明らかになる。それは、誤った評価額の上に築かれた経済的な方策なのである。

したがって、どの非経済的な方策も、まず明示的な経済的方策として書き直し、次に評価額を実際の価値へ近づければ改善できる。このような迂回路は主として理論上の関心事であり、実際には、これほど回りくどく対処する正当な理由はほとんどない。たとえば既存の取引処理システムに柔軟性がなく、安全在庫でしか動かせない場合などには、例外的に正当化されることがある。その場合、企業がシステムを更新しない、あるいはできないなら、暗黙の評価額を明示し、より妥当な値へ調整し直す、手間のかかる過程を強いられる。この過程は、多くのリバースエンジニアリングを伴い、実装ミスを招きやすく、保守費用を膨らませるため、最後の手段にとどめなければならない。

非経済的な流れの方策を、粗雑で、しばしば誤った評価額として捉え直した今、記帳と実行可能な微細な意思決定との間には、なお二つの実務上の障害がある。帰属づけは、「過去のどの金銭が、過去のどの選択に属するか」を問う。費用と収入を編み合わせる因果の糸を解く作業である。次に、将来への見積もりは、「その糸を踏まえると、明日はどのような金銭の流れが最も起こりそうか」を問う。不確実性のもとで、その姿を先へ延ばす。以下の二節では、この二つの課題を順に扱う。

4.5.3 支出と収入の帰属づけ

帰属づけは、帳簿を流れる一通貨単位ずつを、それを引き起こした業務上の選択へ結び直す。純粋な売買業者の世界なら、対応関係は単純であり、一回の購入、一回の販売、一つの粗利益となる。企業が財を保管し、経路を決め、変換し、販売促進するようになった瞬間、この一対一の対称性は消える。一つの入荷コンテナで数百のSKUを補充し、一つの値下げでカテゴリー全体の販売が伸び、一枚のガスケットの不足で組立ライン全体が止まる。こうした絡み合う影響を解きほぐさなければ、パレットを一つ余分に出荷したり、リードタイムを一日短縮したりする「価値」は、誰にも正確にわからない。したがって帰属づけは、帳簿の生の記録を意思決定に使えるデータに変え、選択肢ごとの微細な分析と評価を可能にする、定量的な因果関係を提供する。

同じサプライヤーからすべて調達できる一連の製品について、一単位あたりの購入価格を定める問題を考えよう。この単価は、そのサプライヤーから買うべきか、競合から買うべきかを決めるために重要である。この例ではサプライヤーが単価を表示しているが、その表示価格には付帯条件がある。実際には、トラックを一台出す費用を反映した、定額の配送料を請求する。顧客企業は、在庫費用が低く配送料の高い小口発注と、在庫費用が高く配送料の低い大口発注とのトレードオフに直面する。発注量や頻度がどうであれ、サプライヤーの請求書には、品目の明細と配送の明細が混在する。帰属づけの問題は、一単位あたりの購入価格を計算する際に、それらの明細をどう割り当てるかを決めることである。

わかりやすくするため、顧客が二つの製品を、一方は大量に、もう一方は少量だけ発注するとしよう。実際には、二番目の製品を「経済的に」発注する唯一の方法は、最初の製品を大量に含む発注に相乗りさせることである。二番目の製品は、最初の製品の発注の流れに「ついていく」。この状況では、支出額に比例して、両製品へ配送料を配賦したくなる。すると、配送料のほぼすべてが最初の製品に割り当てられ、二番目にはごく一部しか残らない。この帰属方法に基づけば、両製品の「調整後」購入価格は、一定の割合で上昇する。しかし、この考え方は、二つの製品の結びつきを無視している。最初の製品をより安いサプライヤーに切り替えると、かえって状況が悪くなるかもしれない。最初の製品の節減分が、二番目の製品を発注するために依然必要な配送料によって相殺されるからである。その判断は、実質的に、二番目の製品の単価を押し上げる。

ただし、帰属づけの問題は支出だけに限られず、収入にも及ぶ。たとえば、ある製品を大幅に値下げする店舗を考えよう。その製品は粗利益が下がるものの、販売数が増えるため収入が急増するが、販促の効果はそこで終わらない。顧客は、値下げ商品への最初の関心に促されて、補完的な製品も買う。そのため、いくつかの補完製品の収入も増える。これらの収入は定価で得られたように見えるが、その見方は誤解を招く。「目玉」商品の値下げがなければ、ほかの製品は同じほどには購入されなかったはずである。したがって、値下げによる収入の減額を、すべて最初の製品に単純に帰属させるよりも、間接的な販促効果に応じて、すべての補完製品に分散させる方が正しい。

より一般に、サプライチェーンでは結びつきが至るところにある。品物は一緒に購入され、輸送され、保管され、加工され、販売される。これらの作業には、いずれも固定費や共通費が伴う。逆に、収入を生む仕組みのほぼすべてには、ブランドの認知やロイヤルティ、もともとの意図を超える衝動買いなどの波及効果がある。帰属づけは、支出と収入を、意思決定により即した形へ再編成する。その意味で、企業が利用できる最善の選択肢を特定するために必要な経済計算を行う、主要な仕組みの一つである。帰属づけは、経済計算の構造そのものを大きく定める。

帰属づけの正しさを数学的に証明することはできない。支出や収入を何もないところから作り出していたり、基礎となる計算が誤っていたりする場合に、間違いだと示せるだけである。ただし、これらは比較的些細な問題であり、誤った帰属づけでも、そのような初歩的な「正しさ」の基準を満たすことはある。

多くの国には、このような帰属づけを行うための、通常は会計に関する規則が非常に多く存在する。たとえば、いくぶん恣意的な「損失」の定義²⁹に従い、「赤字販売」を防ぐことを目的とする規則がある。それらは課税や規制の目的を満たすためのものであり、その妥当性は、本来の目的を超えて広がるものではない。これらの規則を分析に転用するのは、重大な誤りである。サプライチェーンは規制要件に従わなければならないが、それだけのことだ。

どの帰属方法にも、固有の歪みが伴う。情報の観点では、帰属づけは次元削減の手法である。先ほどの大量・少量の例に戻ると、二つの品目価格と一つの配送料がある。配送料を製品そのものに帰属させることで、三次元の状況を二次元の空間へ射影する。各製品に配送料を反映したシャドー価格が付くため、この射影は意思決定を簡単にする。しかし、シャドー価格がもとの状況を誤って表せば、不適切な判断につながりうる。一般に、次元を折り畳んでも、もとの空間のすべての性質を完全に保つことはできない。

高次元で動作できる最適化手法なら、帰属づけの問題を軽減し、あるいはなくせることもある。たとえば、同じ二つの製品をめぐって二社のサプライヤーが競合する六次元、すなわち四つの単価と二つの配送料を直接扱える数値レシピがあれば、帰属づけは不要である。そのレシピは、問題の高い次元をそのまま受け入れるからだ。

帰属づけは、記録の正確さと完全さを所与とする点で、経済史ではなく経済学に属する。選択肢の価値を評価するための支出と収入の基準値を、信頼できる形で表す適切な経済モデルを保ちながら、次元削減によって問題空間を簡素化する。その基準値が定まったら、第二の仕組みである将来への見積もりに進まなければならない。

4.5.4 将来の支出と収入の見積もり

経済史を、経済学そのものと混同してはならない。過去の支出と収入は、ときおり生じる事務上のミスを除けば、確かなものにできる。一方、将来の支出と収入は常に不確実であり、その不確実性は取り除けない。取引の観測がどれほど新しく、数が多くても、これから起きることの全体像を語ることは決してできない。将来は、まだ下されていない意思決定に依存するからである。その一部は企業自身が下し、ほかは顧客やサプライヤーなどの第三者が下す。

サプライチェーンの選択肢は、評価された経済的収益に基づいて選ばれるため、最終的には、将来を見積もった、したがって本質的に不完全な評価額に依存する。近い過去と近い未来の評価額のずれを無視できるとみなす状況もあるが、それはまれである。サプライチェーンでは、逆の場合が大半を占める。この命題を簡単に例示しよう。

小売業者が、一通貨単位の値札を付けた商品を、もう一個棚に追加すると決めるとき、補完し合う二つの見積もりが必要になる。

第一は、将来の流出額である。 商品が店に入った瞬間から出ていく日まで、資本は拘束され、保有費用が発生する。占有する床面積の賃料、移動や計数を行う従業員の賃金、水道光熱費、在庫の目減り、保険、その個体自体に固定された現金の機会費用などである。これらの費用は日々積み上がり、その期待値は厳密に正である。本当に無視できるなら、合理的な戦略は売場を無限に広げることになる。この背理法によって、その費用が実在し、重要であることが確かめられる。

第二は、将来の流入額である。 一通貨単位という値札は、価格の候補にすぎない。需要が弱ければ値下げが必要になり、劣化すれば償却され、競合が安売りすれば店も追随するかもしれない。逆に、需要の急増や全般的なインフレによって、実現価格が値札を上回ることもある。したがって、販売時に回収する現金の期待値は、ぴったり一通貨単位になることはほぼない。大抵はそれより低く、ときには高い。双方の流れを現在価値に割り引いて初めて、小売業者は、その一個を追加で持つことが長期利益を増やすか減らすかを判断できる。

より一般に、将来への見積もりの問題は、帰属づけと同じほど厄介である。上の例は、測定が在庫の一巡分だけ遅れるという単純なものだが、多くの問題は経験的にはもっと捉えにくい。それでも、それらが決定的に重要な場合がある。測定の容易さと、事業にとっての重要性との間には相関がない。

今季のコレクションを売り切るために、シーズン末に値下げを行うファッションブランドを考えよう。ここでは二つの異なる力が働く。第一に、値下げは販売量を増やすが、粗利益を犠牲にする。第二に、値下げは、将来も同様の値下げがあると顧客に学習させ、支払意思を損なう。一部の顧客は、セール期間まで購入を遅らせるようになる。この侵食の速度は鈍るかもしれないが、十分な時間がたてば、ブランドの収入への影響は大きい。大半とまではいかなくても、多くのブランドで、第一の効果をはるかに上回りうる。しかし、この侵食を数値化することは不可能ではないにせよ、決して簡単ではない。

あらゆる価値評価には、将来への見積もりが含まれる。それは将来に関する数値的な記述であり、需要だけに限定されない「予測」である。過去の支出、収入、その帰属づけは、見積もりを計算するための基準値を提供する。しかし、過去の基準値と将来の見積もりを同一視してはならない。未来は、まだ下されていない意思決定に左右される。正確に見える見積もりでも、その後の意思決定を変えれば、まったく不正確になりうる。この問題は根本的なものであり、どれほど高度でも、統計手法だけでは解消できない。内在する不確実性を認める手法によって、緩和することはできる。

サプライチェーンの意思決定の経済的な成果は、その土台となる将来の見積もりの質と信頼性に大きく依存する。この課題への対処には通常、多くの統計が必要になるが、純粋な統計問題として扱うのは誤りである。実際、見積もりは何よりもまず、その経済的な妥当性によって評価しなければならない。これは、単なる統計上の正確さより厳しい基準である。

この節の残りでは、個別に扱うべき、二つの特別な種類の見積もりに焦点を当てる。まずシャドー評価額である。帳簿のどの行にも現れないが、捉えにくくても経済的には決定的な影響を表すため、作り出さなければならない数値だ。次に社内評価額を扱う。外部市場には決して出ないものの、社内では現金、空間、注意力を取り合う中間部品に適用する、内部の振替価格である。どちらも、ここまでに示した一般的な論理に従うが、それぞれ独自の落とし穴と実用的な手法を伴う。

4.5.4.1 シャドー評価額

意思決定の経済的な影響は、通常、今日支出する現金と明日得る現金を見積もって集計する。しかし、好意の喪失、サプライヤーの不信、従業員の疲労といった多くの二次的な影響は、後に実際の金銭に転じても、帳簿には決して現れない。これらを無視すれば、スプレッドシートに従う近視眼的な会計担当者が、今四半期を「最適化」しながら、来年を静かに破壊するという戯画ができあがる。この罠から抜け出すには、実務家はシャドー評価額を導入しなければならない。見えない結果を具体化する、明示的な金銭建ての見積もりである。これらの数値は仮定であり、過去の基準値は存在しない。それでも、この調整がなければ、計算は、長期のオプショナリティ、そして最終的には利益を犠牲にする、素朴なコスト削減に崩れ落ちる。

小売の例を考えよう。顧客が店で期待したものを見つけられなければ、購入は少なくとも遅れ、関心を失えば取りやめになることもある。代わりに競合の店に行き、製品を見つけ、やがてそちらの店を好むようになるかもしれない。こうしたサービスの失敗は、取引記録に痕跡を残さず、静かに起こる。しかし結果は現実のものであり、短期と長期の双方の収入が損なわれる。

小売業者が、観測した販売だけで在庫を評価すると、不十分なサービスが顧客基盤を侵食することを見落とす。言い換えれば、在庫を過小評価することで、棚容量の制約を別にすれば、店舗は最適に届かない在庫量を持つことになる。これに気づけば、企業は、販売機会の喪失がもたらす長期費用を捉えるためのシャドー評価額として、「欠品ペナルティ」を導入できる。このペナルティを経済計算に組み込むと、在庫保有の評価額が上がり、店舗がより多く持つよう促される。

より一般に、企業が顧客、サプライヤー、従業員から得ている好意や協力的な姿勢³⁰は、シャドー評価額で捉えるのが最も適切である。具体的な事情は組織ごとに異なるが、サプライチェーンの意思決定の大半は、こうした関係に影響する。したがって、シャドー評価額を組み込むと、選択肢を評価する際に、より広い影響をいっそう適切に考慮できる。

たとえば、発注量が揺れ、頻度も一定しない不規則な購買は、サプライヤーに損害を与えうる。発注の流れを平滑化し、需要を予測しやすくすれば、企業はサプライヤーに値下げを促せる。この場合、発注の変動にペナルティを課すシャドー評価額が、購買行動を望ましい方向へ導く。

同様に、過大な作業負荷は従業員を苦しめる。たとえば食料品店の従業員が、一日に、通常の勤務時間内に棚へ並べられる以上の商品を受け取ると、予定外の残業を強いられるかもしれない。さらに、在庫が整頓されず散乱していれば、従業員も顧客も不満を覚える。過大な納品量にペナルティを課すシャドー評価額は、倉庫からの出荷を平滑化するのに役立つ。

実際には、シャドー評価額は粗い見積もりであることが多いが、それでよい。正確に誤っているより、おおよそ正しい方がよいからである。捉えにくくても重要な要因を見落とすのは、誤った対応である。この見落としは、技術的には高度に洗練されていても、要点を外した「白痴的天才」のような解決策を生む。評価額について、実験的最適化がより強固な解決方法をどう提供するかは後で論じるが、ひとまずは、重要な要因を無視するより、知見に基づいて近似する方がよい。

4.5.4.2 社内評価額

市場経済の基本的な特徴の一つは、価格が成立することである。完成品、あるいは「販売可能な」財については、企業は市場価格が定める制約のなかで活動しなければならない。企業は、費用を大きく下げる革新によって価格を下方へ、高級品のような入念なブランドづくりによって上方へと導ける。しかし、市場価格は常に作用する。特許で守られた独占企業でさえ、市場にある代替案を考慮して価格を調整しなければならない。市場価格の成立に、完全な代替品は必要ない。

対照的に、販売できない財は、市場価格の恩恵を直接には受けない。このような財は製造業で一般的であり、生産には多くの中間部品が必要になることが多く、その一部は外部調達した下位部品から組み立てられる。これらの中間部品は、通常、その企業の生産工程内にしか存在せず、販売可能にするための補完物、すなわち技術文書、確立された販売チャネル、販促資料、法令遵守の手続きなどを欠いている。ただし、すべての中間財が販売できないわけではない。たとえば、ポンプと空調機の両方を製造する企業では、前者は後者の部品であると同時に、単独でも販売される。

販売できない財にも、生産能力と十分な在庫の双方への投資が必要である。販売できない部品が、一つの完成品だけに使われるなら、その価値評価は比較的単純である³¹。完成品の費用を、構成部品に比例配分できるからだ。しかし、ある部品が複数の完成品に使われる場合、在庫を一個追加する価値の評価は、より難しくなる。どの製品に使われるかの確率に依存するためである。

たとえば、ある製造業者が、同じ数量売れる二つの製品に一つの部品を使うとしよう。製品Aの粗利益は10通貨単位、製品Bは1通貨単位にすぎない。この部品を一個追加で生産する価値は、どちらの製品に役立つかによって変わる。製品Aの在庫が十分あり、製品Bが欠品していれば、次の一個は製品Bにとって、より価値がある。逆に、製品Aが欠品し、製品Bが十分に供給されていれば、追加の一個は、より高い粗利益をもたらす製品Aにとって価値が高い。したがって、追加の部品の価値は、下流の在庫水準と製品の粗利益に決定的に依存する。

実際には、製造業者は多数の製品と部品を扱いうる。生産周期は異なることが多く、需要は数量と価格の両方で変動する。通常、製品ごとに在庫を持ち、それが複数の拠点に分散することも多く、生産もさまざまな大きさのバッチで行われる。これらの条件が、部品在庫の価値評価を複雑にする。

資本設備の取得であれ、追加の個体を生産するための投入資源の使用であれ、販売できない財に関わるあらゆる投資の収益率は、企業の収入と支出への予想される影響によって評価しなければならない。先に導入した帰属づけと同じく、社内評価額は次元削減の手法として働き、複雑で多次元の影響を、一つの期待収益へと要約する。

規模が大きく、垂直統合の進んだ企業では、社内評価額を使う場面と、その重要性が増す。そのような企業では、販売できない財の品目数が完成品を上回り、在庫価値に占める割合も高いことが多い。したがって、これらの資産の価値を評価することが、決定的に重要になる。

4.5.4.3 市場の役割

社内評価額を定めることは、本質的に難しい。企業が大きくなり、垂直統合が進むにつれて、サプライチェーンの問題は、社会主義とその中央計画のもとで政府が直面する資源配分の問題に、ますます似てくる。実際、社会主義は多くの場所で何度も実施されてきたが、20世紀前半に主要な経済学者が予測したとおり、その試みはすべて失敗し、例外なく広範な貧困化をもたらした。社会主義が、その当然の帰結である中央計画とともに失敗するのは、希少な資源の価値を評価する問題を解こうとするからである。大規模にこの課題を解決できるのは、自由市場だけだ。同様に、企業は小規模なら正確な社内評価額を求められるが、大企業では、社内評価額の誤りを主要な要因とする、大きな規模の不経済に直面することが多く、それが成長を制限する。

自由市場では、価格が経済主体に、資源をどう配分すべきかを知らせる。需要が供給を超えると価格が上がり、不足している製品への投資を促す。逆に、供給過剰では価格が下がり、より利益の大きい機会への移行を促す。製品が少なく、中間財がごくわずかで、リードタイムが短いという、比較的単純なサプライチェーンなら、市場価格を資源配分の意思決定に変えるのは容易である。この場合、深い洞察や高度な分析を必要とせず、市場価格そのものが、サプライチェーン課題の重要な部分を解決する³²。

大企業がサプライチェーンを深く、複雑にしていくにつれ、計画と市場価格からのフィードバックの結びつきは弱まり、課題は増える。この問題は19世紀の企業家にもよく知られていたが、IKEAの創業者Ingvar Kampradは、Testament of a Furniture Dealer（1976）で、次のように率直に述べている。

しかし、行き過ぎた計画こそが、企業の死を招く最も一般的な原因であることを忘れてはならない。

実際、大企業は、社会主義を試みる政府と同じように、資源配分に対処するため、供給・需要の計画担当者、カテゴリーマネージャー、需要予測担当者、在庫管理者といった専門家の階層を置くほかない。これらの役割の範囲は少しずつ違うだけだが、課題全体は巨大である。企業は、未来に内在する不確実性に直面しながら、数百の経済的要因を考慮し、数千の社内評価額を定めなければならない。誤った評価額は、利益を生まない意思決定を生む。

組織が大きくなると、インセンティブも変わる。中間管理職は、追加の利益を追うより非難を避けることを次第に好むようになり、企業規模とともにリスクを取る意欲は縮む。その結果、既存のプロセスに頼り、経済的な価値にかかわらず、しばしば頑なに従う。これらのプロセスが利益を生まない結果を繰り返しても、官僚機構は、規則を増やし、チェックリストを長くし、作業工程を追加することで応じる。要するに、経済的な正当性に関係なく、官僚機構は拡大する。

非常に大きく、垂直統合された企業に通常ブレーキをかけるのは、野心の不足ではなく、規模の不経済である。組織の階層が増えるにつれて社内評価額はずれ、新たな階層が一つ加わるたび、その結果生じる誤配分が増幅する。機敏さを取り戻すため、企業は通常、外部委託、スピンオフ、合弁事業などによって周辺業務を切り離し、比較優位が明白で、外部の市場価格から迅速で明確なフィードバックを得られる分野へ、いっそう力を注ぐ。

5 情報

サプライチェーンの意思決定はすべて、不確実性のもとで行う賭けである。適切な意思決定であるためには、情報に裏づけられていなければならない。専門外の読者には少し意外かもしれないが、「情報に裏づけられる」は単なる比喩ではない。1940年代以来、情報理論はこの言葉に厳密な定量的意味を与えてきた。本章では、現代のサプライチェーンにとって「情報を得ている」とは何を意味するのかを明らかにする。

以下の議論の出発点には、二つの事実がある。第一に、今日のサプライチェーンは、本質的にデジタルな対象である。その状態と履歴は業務システムの中に存在する。相応の規模のサプライチェーンはソフトウェアなしには稼働できないため、「デジタルな」サプライチェーンという表現は冗長である。第二に、主流のサプライチェーン理論は、日常的にデータを情報と同一視している。意思決定の対象となる数量、すなわち需要、リードタイム、サービスレベルなどを、直接観測できるものとして扱うのである。実際に企業が保有しているのは、受注、出荷、返品、在庫修正といった粗い痕跡にすぎず、そこからこれらの数量を推論しなければならない。この区別を無視することこそ、洗練された数式が業務システムから生じる生の記録に直面すると、あれほど頻繁に破綻する理由である。理論と実務のこの不整合が、多くの取り組みを失敗に導く。企業は、コンピューター以前の発想を、コンピューター以後の基盤に接ぎ木しようとしている。

この状況を理解するには、日常の言葉では混同されがちな三つの概念、データ、情報、知識を分けなければならない。データとは記録された記号であり、テーブルのバイト列、ログの行、バーコードなどである。情報とは、それらの記号が不確実性を解消する能力であり、シャノンが測定方法を示した量である。知識とは、人間であれ機械であれ、知性を持つ主体が情報を企業の収益を改善する意思決定に変えるための因果構造である。これらを混同すると、紙の上では高度に見えても、本番運用では粗いヒューリスティクスにすら劣る、素朴なレシピが生まれる。

デジタル化は、すでにデータの保管者としての人間の役割を奪った。同じ流れが今、情報と知識を保持する人間の役割も侵食している。量と更新頻度が爆発的に増えるなか、企業が何を適切に決められ、何を決められないかを左右するのは、利用者個人の賢さではなく、システムのアーキテクチャである。したがって、企業内で情報が実際にどこに存在するかを理解することが、戦略上の問題となる。

1970年代以降、その「どこに」を形づくってきたのは、三つのソフトウェアの類型である。記録システムはワークフローを実行して取引を保存し、レポートシステムは何が起きたかを記述し、知能システムは次に何をすべきかを決める。企業で期待が裏切られる原因の大半は、これらの役割の混同にある。台帳に思考を期待したり、分析層を正式な情報源として扱ったりするのである。

本章では段階を追って議論を進める。まずデータ、情報、知識を切り分け、「情報」をシャノンの理論に位置づける。次に、エンタープライズソフトウェアの主要な三類型の中で、これらの概念がどのように現れ、また日常的に歪められているかを検討する。その枠組みを用いて、業務データの入り組んだ意味、「データが悪い」という通説、企業の利益に反する方向へ記録を曲げるインセンティブに向き合う。最後に、なお人々の頭の中にある暗黙の、いわゆる日常的知識を再検討し、それも段階的に明文化できることを示す。これは次章の知能の議論、そして意思決定の全面的な機械化への準備となる。

5.1 データ、情報、知識

データ、情報、知識は、プレゼンテーションのスライドやベンダーのパンフレットでは、何のためらいもなく置き換えられる三つの言葉である。しかし実務でこれらを混同すると、アーキテクチャも方策も破綻する。生の記録であるデータを、すでに不確実性を解消している情報として扱うことや、不確実性が減ったというだけで、行動を導く因果モデルである知識まで備わったとみなすことは、些細な言葉の取り違えではない。それこそが、何も決めないダッシュボード、何も計画しない「計画」モジュール、実際には方法論の失敗であるものを「悪いデータ」のせいにし続ける事後検証の根本原因である。

データはシステムが記録した記号、すなわちテーブルのバイト列、ログの行、バーコードであり、それ自体では、どれほどの不確実性が残っているかについて何も語らない。情報とは、それらの記号によって不確実性をどれだけ減らせるかであり、定量化し、必要量を見積もることができる。知識とは、明示的であれ暗黙的であれ、知能が情報を企業の収益を体系的に改善する意思決定に変えるための構造である。これらの層を同一視すると、対称的な二つの誤りを招く。第一に、企業は量が情報の代わりになると信じ込み、データと計算資源を際限なくため込む。その結果、ペタバイト単位の質の低い副産物を抱えながら、肝心の不確実性はほとんど減らない。第二に、情報を知識と取り違え、レポートやKPIが事業を「動かす」ことを期待する。すると人が手作業で不足を補い、その場しのぎのルールや言い伝えを持ち込むが、それらは形式化も、バージョン管理も、検証もされない。

現代のサプライチェーンにとって、この区別は運用上のものである。情報がどこにあるかを言えなければ、どのシステムを正式な基準とすべきかも言えない。知識がどこにあるかを言えなければ、誰が、あるいは何が、意思決定に責任を負うのかも言えない。この視点に立つと、「記録システム」「レポートシステム」「知能システム」は、アーキテクチャに不可欠な制約となる。記録システムがデータの大半を保持し、レポートシステムが情報の断片を示し、知能システムが知識を実行可能にして指示を出す。いずれかの層にほかの層の仕事まで期待するのは願望にすぎず、予算と信用を確実に使い果たす方法でもある。

したがって、以下では分類のために定義を繰り返すわけではない。まず、単なる記号であるというデータの機械的な性質と、その保存と取得を支配する工学上の現実から始める。続いて「情報」をシャノンによる不確実性の定量的な扱いに位置づけ、一見「豊富」なデータセットの多くが、当面の意思決定にとって情報としての重みをほとんど持たない理由を示す。最後に、三つのうち最も捉えにくい知識を取り上げ、企業のコード、レシピ、人へと結び直す。知識が実際にどこに存在し、どう手入れすべきで、どう段階的に機械化できるかを考えるのである。情報に裏づけられ、かつ信頼できる意思決定システムを構築するには、この三層を区別し続けるほかない。

5.1.1 データの保存

データとは記録された記号である。数値、文字、画素、あるいはシステムが確実に保存し取得できる、その他の離散的な印であり得る。記号自体に意味はなく、合意された解釈、すなわちスキーマ、符号表、プロトコルがあって初めて、企業がそれについて推論できるものになる。バーコード、顧客識別子、発注明細行、温度センサーの読み取り値はすべて、この厳密で機械的な意味での「データ」である。

コンピューターでは、これらの記号は最終的に二進数の桁として符号化され、バイトにまとめられる。一バイトは8桁の二進数である³³。現在の記憶装置は、わずか数グラムの重さで³⁴、1 TB、すなわち\(10^{12}\)バイトを超える容量を持つ。テラバイトという量は、すでに直感の及ぶ範囲を超えている。1768–1880年版のEncyclopaedia Britannicaは143巻に及ぶが、その本文の総量は336 MBであり、1 TBの約3,000分の一である。高解像度の画像を含めても、この百科事典は合計23.5 GBにすぎず、1 TBの約400分の一である。効率的に表現すれば、1 TBで大規模な小売ネットワークの十年以上の取引を保存できる。

サプライチェーンの観点では、大容量のデータストレージによって、膨大な電子記録を収集できる。そこには、サプライチェーンの現在の状態だけでなく、物理的な財の流れを含め、その状態に至るまでの詳細な出来事の連なりも記録される。競合の価格など、市場データを含めることもできる。これらはすべて、後で詳しく述べる企業の記録システムに保存される。

現在のハードウェアの記憶容量はあまりに大きく、その数値を実感するのは難しい。技術が進むほど、この隔たりは広がるばかりである。現代のデジタル技術基盤は、ナノ秒単位のCPUサイクルから一日がかりのバッチ処理まで、組み込み機器のバイトからデータウェアハウスのペタバイトまで、日常的に10桁から15桁もの範囲を扱う。対して、一人で営む店と世界最大の企業との隔たりは、「わずか」七桁程度、従業員1人から1,000万人である。量そのものは厳密に測定できる。難しいのは、一兆倍以上も異なる現象について直感を養うことである。

容量が増えるにつれ、保存したものの取得と処理も難しくなる。それでも通常、市場の圧力が帯域幅、RAM、CPUといった技術基盤のほかの部分も前進させ、増えたストレージを経済的に利用できる状態に保つ。ストレージの進歩が補完する技術をあまりに長く引き離すと、さらに高密度な記憶媒体への投資は停滞する。ほかのハードウェアが追いつけば、追加的な進歩は再び事業として意味を持つ。

今ではグラム単位の記憶チップに、一人の頭、あるいは千人の頭でさえ、作業記憶に保持できる量を超えるビットが収まる。この圧倒的な容量ゆえに、数十年前から、業務システムはサプライチェーンに関わるほぼすべての情報の事実上の保管者となった。したがって、企業の記録システムに蓄えられた膨大な情報を活用して初めて、サプライチェーンの意思決定プロセスは真に情報に裏づけられたものとなる。

現代のデータストレージの巨大さには、二つの異なる落とし穴が伴う。情報技術に詳しくないサプライチェーン実務家は、その目的のためにどれほど多くのデータを保存し処理できるかを、しばしば過小評価する。その結果、重要なデータが記録されず、早々に削除され、あるいはそもそも収集されない。それらがあれば、意思決定プロセスをさらに磨けたはずである。最もよくある二つの誤りは、業務システムに影響を与えるすべての出来事を保存しないことと、履歴全体をほぼ無期限に保存できるにもかかわらず、三年から五年で過去データを捨てることである³⁵。

たとえば、在庫管理システムはどれも、現物在庫と電子記録の食い違いを直すために、在庫数量を手動で上書きする機能を備えている。しかし、その上書き自体を記録しないものもある。ところが、在庫誤差の根本原因をたどるには、上書きの履歴全体が不可欠である。理想的には、業務システムの状態を変えることになったすべての出来事を記録すべきである³⁶。

反対に、計算機ハードウェアの能力をよく知るソフトウェアエンジニアは、それに甘えて、資源効率のよい解決策よりも実装しやすいものを選びがちである。その結果、ソフトウェアはハードウェアを非効率に使うことが多く、消費者向けアプリケーションよりエンタープライズソフトウェアで特に顕著である。消費者向けソフトウェアでは、購入者と利用者は通常同一人物であり、アプリケーションの応答のよさは採用を左右する重要な要因である³⁷。そのためエンジニアは、アプリケーションの処理サイクルを一つ残らず生かすことに多くの労力を注ぐ。

対して、エンタープライズソフトウェアの購入者が利用者であることはまれであり、デモはたいてい、本番よりはるかに小さな模擬データセットで動く。そのため実運用での性能は、あまり吟味されない。また、計算資源を非効率に使っていても、アプリケーションの総保有コストは通常、ハードウェアの費用をはるかに上回る。結果として、性能上の問題が起きると、ソフトウェア自体の効率を改善する代わりに、ハードウェアを追加して対処するのが一般的である。より広く見れば、ほとんどのエンタープライズソフトウェアベンダーには、自社技術の資源効率向上に投資するインセンティブがあまりない。

資源効率が重要なのは、まったく同じ情報でも多くの方法で符号化でき、その中にはほかよりはるかに簡潔な表現があるためである。1 GB（\(10^{9}\)バイト）のデータセットは、1 KB（\(10^{3}\)バイト）のものより豊富な情報を含んでいるように見えるかもしれない。しかしバイト数が多いからといって、情報が多いとは限らない。たとえば数値123は、一バイトでも、先頭に百万個のゼロを付けた百万バイトでも保存できる。

小さな数を表すために百万バイトを使うのは、明らかな計算資源の浪費である。それでもエンタープライズソフトウェアは、同じデータの冗長な複製をデータベース内につくることが多い。リレーショナルデータベースでは、冗長なデータ表現のため、エンタープライズソフトウェアの保存量は通常十倍に、場合によっては百倍に膨らむ。こうした冗長な表現には、技術上のさまざまな理由がある。その理由は本書の範囲外だが、重要な問いを生む。選んだ表現と、情報そのものとは、どのような関係にあるのだろうか。

5.1.2 情報理論

企業の記録はデータとして保存できる。しかし、データを測る通常の単位であるバイトは、そこにどれだけの情報が含まれるかを示さない。同じ記録にはさまざまな表現方法があり、保存効率も異なる。その背後にある情報は、表記が変わっても変わらない。たとえば1776は、ローマ数字ではMDCCLXXVIであり、情報は同じである。情報理論は、情報とは何か、そしてどう測定し、保存し、伝達するかを研究する。

クロード・シャノンは1940年代に現代の情報理論を創始した。これはサプライチェーンの基礎となる補助科学である。この理論は確率に基づき、情報を不確実性を解消する能力と定義する。不確実性と情報の関係を示すため、それぞれ100品目を在庫する二つの店を考えよう。在庫数量、すなわち計100個の数値に注目し、性格が大きく異なる二つの店の管理に関わる情報を比較する。

一つ目は高級時計店である。品ぞろえにある各時計は、多くても一個しか在庫しない。時計が売れると、品ぞろえを維持するために代わりの一個がすぐに送られる。二つ目は、ばら積みの建設資材を扱う郊外の販売拠点である。補充の頻度は低く、通常はトラック一台分という大きなロットで行う。時計店では、勤勉な店長なら、常に正確な在庫を把握しているだろう。通常、すべての時計の在庫数量は1であり、売れたばかりの時計だけが、補充されるまで一時的に0となる。大半が1で、短時間だけ0になるものは少ないため、店長は数量を容易に覚えていられる。対して郊外の販売拠点では、在庫数量は0から10,000個に及ぶ。欠品している品目や補充したばかりの品目は覚えられても、勤勉な店長でさえ、全100品目の正確な数量は記憶できない。どちらも100品目を管理しているが、時計店が抱える情報は、販売拠点よりはるかに少ない。

情報理論は、この違いを厳密に表す。エントロピーという概念が情報を定量化し、その単位はビット、ときに「シャノン」と呼ばれる。先ほどの例に戻れば、エントロピーを説明するには十分である。時計店のサービスレベルを95%と仮定する。各時計は5%の確率で欠品し、それ以外では在庫数量が1である。さらに、郊外の店の在庫数量は0から9999まで一様に分布すると仮定する。一様分布は現実的ではないが、この説明には十分である。

エントロピーは、高級時計店では約29ビット、郊外の販売拠点では1328ビットとなる。詳しい計算は付録に示す。郊外の販売拠点のエントロピーは時計店のほぼ\(50\times\)であり、そのため勤勉な店長でも、頭の中では在庫を追跡できない。

サプライチェーンの観点から、情報理論は、サプライチェーンの仕組みが複雑であるとはどういうことかを明らかにする。サプライチェーンは簡潔には記述できない。平均的なものを表すだけでも数百万ビット、大規模なものには数十億ビットが必要となる。この膨大な必要量は、表現方法の産物ではなく、サプライチェーンの基本的な性質である。その状態を特定するのに必要な情報は、どのような人の集団にも記憶できる量をはるかに超える。まして、その推移を何年も追跡することはできない。

したがって、情報に裏づけられたサプライチェーンの意思決定を日々生み出すには、状態を反映する入力として数百万ビット、意思決定を表す出力としてさらに数百万ビットが必要となる。だからこそソフトウェアは現代のサプライチェーンの根幹であり、それなしに運営することは不可能なのである。1970年代初頭に業務システムが普及する以前、サプライチェーンは今日よりはるかに単純だった。複雑さが急増した直接の原因は、計算機ハードウェアの進歩である。企業は現代の計算機ハードウェアによってその複雑さを扱い、これまでになく多くのSKU、サプライヤー、拠点、価格体系、チャネルを管理している。

サプライチェーンの複雑さは増したが、偶発的な複雑さの原因は数多く抑え込まれてきた。物理的な財では、20世紀前半に標準化、厳しい公差、体系的な品質管理が広まった。1970年代のデジタル化は、標準化をさらに押し進めた。今日のSKU、すなわち在庫管理単位という概念は、在庫するすべての個体が物理的に同一であることを前提としている³⁸。一つのSKUの内容は、手持ち在庫数量という一つの数値に要約できる。

19世紀には大量生産品でさえ個体ごとの差が大きかったことは、現代の読者には信じがたいかもしれない。そのようなサプライチェーンで、仮に在庫管理システムが存在したなら、在庫を正確に表すために、個体ごとの詳細を追跡する必要があっただろう。実際には別の方法で対処していた。販売員が、質の劣る個体をその場で値引きしていたのである。

情報理論は、サプライチェーンに基本的な洞察を与える。とりわけ、あるデータ源が意思決定を改善できるかを判断する際に重要である。

たとえばこの視点から、予測や在庫方策の調整など、細かな手動上書きがなぜ無益なのかが分かる。需要計画担当者が過去データに基づいて修正するなら、システムには一ビットの情報も追加されない。同じデータに基づく既存の数値レシピの欠陥を、その場で補っているだけである。したがって、そのような手作業によってシステムの情報を増やすには、「新しい」情報のビットを持ち込まなければならない。直感や事前の知識に基づく一つの数値が、10ビット未満の情報を含むとしよう。従業員が毎日100個の意味ある数値を提供しても、完全に独立という非現実的な仮定のもとでさえ、合計はわずか1000ビットである。数百万ビットを処理するシステムに1000ビットを加えても、得られる情報が実質的に増えるとは考えにくい。従業員が例外的に大きな影響を与える情報を提供する場合はあるにせよ、その洞察はどこから来たのか、それを一貫して再現できる見込みがどれほどあるのかが問われる。

より一般的に、情報という視点は、データ源がサプライチェーンの意思決定にどこまで情報を与えられるかを評価する助けとなる。先ほどの例で見たように、データを処理しても情報は増えない。元のデータにすでに含まれていたものを明らかにできるだけである。また、データ量と情報量が相関するとは限らないことも分かる。

しかし、情報を、情報に裏づけられた意思決定へ変えるには、なお一つ必要なものがある。知識である。

5.1.3 知識

知識とは、ある対象についての理論的かつ実践的な理解である。対象の因果モデルを知性を持つ主体の中に形づくる、洞察、ルール、原則を含む³⁹。この因果モデルによって、その対象がなぜ現在の姿をしているのか、どこへ向かっているのかを推論できる。知識は観測を行動に変え、対象をよりよい状態へ導く。

サプライチェーンのために用いるのは、人類の知識のごく一部にすぎない。関心の対象はサプライチェーンだけであり、知識の範囲もその目的に限られる。企業の意思決定を改善して初めて、その知識はサプライチェーンの知識といえる。最も広い意味でのサプライチェーンの知識は、多様な分野に及ぶ。ただし、先の認識論の章で述べたとおり、サプライチェーンの中核領域と補助科学は区別しなければならない。知識を組織し、育てる方法が大きく異なるからである。

情報は数学で完全に特徴づけられ、知能を伴わない機械的なものであり、保存媒体にも依存しない。それとは異なり、知識は捉えにくく、それを生み出す知性から切り離せない。

二人の学生に同じ物理学の教科書を渡すとしよう。一人は例題をはるかに超える洞察を得るかもしれないが、もう一人は例題と原理を結びつけることすらできないかもしれない。読者が何を得るかは主観的である。本にある知識は、誰かが読むまで潜在したままであり、それまでは単なるデータ記憶装置にすぎない。本の内容は紙質に左右されず、そもそも印刷されるかどうかにも左右されない。電子版でも内容は同一である。

知識と汎用知能は絡み合っているため、一方を完全に理解するには、他方を完全に理解する必要がある。片方を抜きにした定義は、必然的に不完全となる。汎用知能は今も活発な研究対象である。この分野の進歩は過去七十年で加速し、目覚ましい成果を生んできた。しかし同時に、この問題について自分たちがどれほど無知であるかを、いかに過小評価していたかも分かってきた。この話題には知能の章で戻る。

同じく重要なのが、知識の所在、すなわち企業内で実際にどこに存在するかである。サプライチェーンのために知識を活用する際、これは決定的な問いとなる。よく見られる二つの単純な見方は、的を外している。第一の、そして最も広く見られる誤解は、知識は専門家と、それを支える論文、書籍、講義の中だけにあるというものだ。学術界はこの見方を助長しがちであり、多くの教授は自分こそ専門知の頂点にいると考えている。第二は、知識が企業全体に均等に分布しているという考えである。これは、サプライチェーンの取り組みに全従業員を参加させたいという、見当違いの願望から生じることが多い。知識の所在を明らかにするには、知識という言葉の意味をさらに絞り込む必要がある。

フリードリヒ・ハイエクは、1945年の画期的な論考⁴⁰、The Use of Knowledge in Societyで、「専門的」知識と「日常的」知識を区別した。専門的知識には、教科書、数式、ソースコード、方針、規制が含まれる。彼によれば、専門的知識だけが知識だと思い込むことが、根本的な誤りである。

ハイエクは、第二の重要な種類として、日常的知識を加える。日常的知識は、特定の時と場所の事情に結びついた細かな事柄を含む。たとえばトラック運転手は、正常なエンジンの音を知っており、故障する前に修理を予約する。同じトラックを日常的に運転し、時間とともにその車固有の癖を理解することで、この知識は磨かれる。形式化も文書化もされていないが、確実に仕事を進めるうえで不可欠なことが多い。

したがってサプライチェーンには、少数の人々が持つ専門的知識と、はるかに多くの人々が持つ日常的知識が混在する。どちらの知識の保有者も、従業員とは限らない。たとえば、専門的知識の一部をエンタープライズソフトウェアベンダーに、日常的知識の一部を外部の修理会社に委ねることができる。

企業は一世紀にわたり、日常的なノウハウを明文化したルールに置き換えようとしてきた。知らないことが損害につながり得る以上、日常的知識は依然として重要である。しかし、その非公式な性質は、大企業に摩擦をもたらす。大企業は、物理的な財の流れにおける品質、費用、遅延の偶発的なばらつきを減らすため、プロセスをできる限り再現可能にしようとする。この観点から見ると、日常的知識はプロセスの標準化を妨げる。

過去五十年にわたるエンタープライズソフトウェアの台頭は、この傾向を強めた。ソフトウェアは専門的知識を具現化し、その移行を加速する。知識の適用を機械化し、導入に成功すれば、生産性を大きく向上させる。ただし、ソフトウェアの構築には費用がかかり、保守にはさらに費用がかかる。複雑な企業環境ではなおさらである。プロセスの明文化には、再現しやすくなることと、ソフトウェアによる制御が厳密になることの、二つの利点がある。

現代のサプライチェーンでは、企業の数値レシピを実装するソースコードと、それを支える成果物、すなわちテスト、ノートブック、設定、文書が、企業にとって最も価値ある専門的知識の資産である。スライド上の構想や内輪の言い伝えと違って、この資産は実行可能である。会議を待つことなく、情報を意思決定へ変える。肝心なのは、このコードベースが固定された数式集ではないということだ。手入れし、バージョンを管理し、損益からのフィードバックによって絶えず妥当性を問い直すべき、生きた知識の集積なのである。

コードベースは情報であるため、それ自体をソフトウェアで分析できる。静的解析、型システム、リンター、プロファイラー、形式的なテスト、シミュレーション用の実行基盤によって、知識を機械の速度で点検し、改善できる。一方、この知識は、それを進化させる知性から切り離せない。したがって、コードベースを保守し拡張するエンジニアも、資産の一部である。世話をする人がいなければ腐朽が始まり、意味がずれ、企業は静かに言い伝えの世界へ後戻りしていく。

これで議論は一巡する。データは記号である。情報は、その記号が不確実性を減らす力である。知識は、ますますコードとして表現されるようになった因果構造であり、減った不確実性を、希少な資源のよりよい配分へと体系的に変える。サプライチェーンで「知識を持つ」とは、それを具現化するコードを所有し、運用することなのである。

5.2 エンタープライズソフトウェアの類型

現代のサプライチェーンに必要な情報の大半は、エンタープライズソフトウェアの中にある。しかし、これらのアプリケーションが知識の成立において担う役割は異なる。これまではデータ、情報、知識を区別してきた。本節では、ソフトウェアにもその三分法を当てはめる。企業が記録するものであるデータ、報告するものである情報、決定するものである実行に移された知識は、三つの異なる類型のシステムの中に存在する。台帳に思考を求めたり、ダッシュボードを正式な情報源とみなしたりする、その混同は、企業が犯す誤りの中でも特に高くつく。

1970年代以来、企業のソフトウェア基盤では、記録システム、レポートシステム、知能システムの三類型が主流を占めてきた。設計用のCADやIT用の仮想化など、専用ツールは何十種類もあるが、予算とサプライチェーンへの関わりにおいては、この三つに遠く及ばない。以下では各類型を厳密に定義し、責務を重複させてはならない理由と、混在が性能や責任の明確さをどう損なうかを示す。

その主な長所は、信頼性、追跡可能性、一貫性である。「知能」は必要でも望ましいものでもない。記録システムは、本来なら紙とペンで行う作業をデジタル化し、効率化する。ERP、CRM、WMS、PLM、MRPなど、ほぼすべてのトランザクションシステムがこの類型に属する。アーキテクチャは、作成、読み取り、更新、削除からなるCRUDを中心とし、リレーショナルデータベースを基盤とする。同時実行制御、監査可能性、強い整合性が設計を支配する。重い分析や最適化はここに置くべきではない。共有リソースを使い尽くし、利用体験を悪化させ、台帳が保持すべき責任の明確さを曖昧にするからである。

情報を追加することはなく、既存のものを整形し直すだけである。レポートシステムは、合計、平均、ピボット集計、ダッシュボードなど、かつて事務員や分析担当者が手作業で行っていた仕事を自動化する。記録システムの上に位置し、本質的に記述的である。現代のサプライチェーン実務における有用性は限定的である。規制対応、事後調査、経営上の監督にはなお役立つが、最適化エンジンへの入力としては役立たない。レポート層の上で意思決定を動かすと、経済的な利益はないまま、情報の損失、意味のずれ、さらなる偏りが持ち込まれる。

書き戻しは限定されたAPIを通じて行い、損益からのフィードバックに照らして検証できるだけの精密なログを提供する。マスターデータはほぼ保有せず、ユーザーインターフェースもごくわずかである。知能システムは、通常レポートと実行の間に挟まる、スプレッドシートを介した手作業を置き換える。正式な基準となるデータを取り込み、選択肢を計算し、経済的に比較選択して、注文、配分、価格、スケジュールを台帳に確定させる。エンジニアリング文化、実行時の特性、責任のあり方は、記録システムやレポートシステムとは根本的に異なる。この類型は意思決定の章でさらに詳しく検討する。

企業内では、記録システムが先にあり、次にレポートシステム、最後に知能システムがある。レポートシステムと知能システムは、場合によってはデータレイクやデータウェアハウスの助けを借りて、記録システムの上に重ねることを意図している。企業はしばしばこれらの類型を混ぜ、一つの製品がその本来の限界を超えて価値を提供することを期待するが、こうした試みは必ず失敗する。記録システムを知能システムとして使うと惨憺たる結果となり、その逆も同じである。

第二の誤りは、レポートシステムの上で知能システムを動かそうとすることである。レポートシステムは二次的な情報源である。元のデータは、レポートに使いやすくするため、必ず変更されている。この変換は、情報を失わせるだけでなく、複雑さや偏りも持ち込む。レポートシステムという文脈では正当化される変換であっても、そのデータはもはや、実際に起きたことを正確には表していない。

たとえば、ビジネスインテリジェンスが報告する週次売上は、返品を差し引いた値かもしれない。頻繁に返品される品目では、その数値が、一定のサービスレベルを維持するのに必要な在庫を過小に示すことがある。

レポートシステムの上で知能システムを動かすという発想が魅力的なのは、人間の目には、レポートシステムが示すデータの方が、記録システムにある元のデータより明瞭で、よく整理されて見えるからである。そのため、知能システムの役に立ちそうな気がする。しかし、それは誤りである。情報の観点から見れば理由は明らかだ。レポートシステムは、情報が少ないだけでなく、独自の複雑さをさらに一層付け加えている。

現代のサプライチェーン実務を企業に根づかせるには、この三つのソフトウェア類型を明確に理解することが不可欠である。

5.2.1 ソフトウェアの位置づけ

サプライチェーンは今や、ソフトウェアによって限界づけられている。企業が何を観測し、記憶し、最終的に決定できるかを制約するのは、フォークリフトや荷役場所よりも、スキーマ、API、実行環境である。全体のアーキテクチャにおけるソフトウェアの配置を誤ることは、ITの些細な理屈の問題ではない。企業のあらゆる意思決定に、静かに負担を課す経済的な誤りである。誤ったシステムに思考を求めたり、適切なシステムに必要なデータを与えなかったりすれば、オプショナリティは縮小し、変動の悪影響は強まり、損益計算書には決して現れない理由で運転資本が拘束される。

ここまで、データ、情報、知識を区別し、それぞれを記録システム、レポートシステム、知能システムという三類型に対応づけた。本節では、この分離をスライドの上で認めるだけでなく、実務で徹底しなければならない理由を明らかにする。多くの論者がどのように誤るかを検討する前に、何が問題となっているかを明示しよう。それは、事実を確定する役割を担う記録システム、事実の説明を担うレポートシステム、実際に現金と原子を動かす手段を担う知能システムである。役割を混同すると責任の所在が乱れ、リソースの競合によって費用が膨らみ、本当は設計の失敗であるものが、確実に「悪いデータ」のせいにされる。

この枠組みを踏まえれば、サプライチェーンをめぐる議論が、日常的にソフトウェアの役割をどう取り違えているかを見て取れる。数式が要求するあらゆる数値を魔法のように提供する、取るに足らない細部とみなすか、交換可能なモジュールを並べれば「ベストプラクティス」になるという、見栄えのよい組織図のように扱うかである。

サプライチェーンの論者は、おおむね二つの陣営に分かれる。学術的な傾向の強い論者は、エンタープライズソフトウェアを抽象物として扱い、売上や在庫数量などの数値は、ただ「そこにある」と仮定する。数値の出所が論じられることはほとんどなく、その取得は、工事業者がシャベルの銘柄を選ぶ程度の軽さで扱われる。対象範囲を広げるため、欠品記録などの入力に依存するものも、使わずに済ませるものも含め、モデルの選択肢を並べる。そして企業に、実際に持っているデータに合うものを選ばせる。

コンサルティング会社の論者は、流行語に頼り、ソフトウェアモジュールをパズルのピースのように扱う、装飾的な図や成熟度マトリクスを広げる。段階的な「導入の道のり」を処方するが、各段階はスライド上の見栄えを超えて説明されることがほとんどない。経営層向けの短い決めぜりふには事欠かないが、確かな技術的中身は乏しい。

どちらの視点も、サプライチェーンの厳密な検討には及ばない。「売上データ」や「在庫データ」を自明なものとして扱うのは、エンタープライズソフトウェアの現実に無知であることを露呈する。道具の仕組みや市場を扱わずに説明することも、同様である。結果はあまりにも多くの場合、学問の装いをまとった売り口上にすぎない。

ソフトウェアはサプライチェーンに不可欠な補助科学であり、その習得を専門家に丸投げすることはできない。現代の医師が化学を外注できないのと同じである。サプライチェーンを適切に運営するためには、企業は自社のソフトウェア環境を理解しなければならない。

5.3 記録システム

記録システムは企業の台帳である。業務ワークフローを具現化し、すべての取引と状態変化を記録することで、その構造上、移動する財についての正式な記憶となる。現代のサプライチェーンでは、規模を拡大できる唯一の情報保管者である。企業が観測し、記憶できるものは、人々の頭ではなく、ここに存在する。

本節では記録システムを、ありのままに扱う。不可欠ではあるが、知識の扱いにも技術にも限界がある。信頼性、追跡可能性、同時実行制御のために設計されているのであり、報告のために、まして意思決定のためにつくられているわけではない。レポートシステムや知能システムと混同することは、企業が犯す最も一般的で、最も高くつく誤りの一つである。

五つの段階で進めよう。第一に、現在のERP、CRM、WMSとその類を生んだ歴史を振り返る。第二に、CRUDの設計と、それがもたらしたコモディティ化を分析する。第三に、あらゆる記録システムを時間とともに肥大させ、機能の重複と悪夢のような同期を生む、技術的な発展経路を検討する。第四に、重い分析や最適化を台帳の中へ押し込めない、厳然たる機能上の限界を示す。第五に、ベンダーの難題で締めくくる。本質的な限界があるにもかかわらず、台帳を「知的な」プラットフォームとして売り込ませる、構造的なインセンティブである。

この枠組みを念頭に置けば、本節の残りは実務の手引きとして読める。記録システムが得意とする仕事では徹底的に活用し、一方で、そもそも担うよう設計されていない意思決定の座には着かせない。その方法を示す。

5.3.1 エンタープライズソフトウェアの起源

記録システムは1970年代後半に登場し、1980年代から1990年代に急速に普及した。その役割は、特に会計や在庫記録など、大量の紙を使う事務作業を電子的なワークフローへ変えることだった。すべての取引と在庫移動を記録することで、事務上の誤りの類型を丸ごと排除し、バーコードスキャナーの登場後には生産性も向上させた。1990年代後半までには、大企業の大半がこうしたシステムを複数導入し、定型的なバックオフィス業務を自動化していた。

この普及を支えたのは、ハードウェア費用の低下だった。1970–2000年の間、ムーアの法則は成り立っていた。価格がほぼ変わらないまま、トランジスタ数はおよそ二年ごとに倍増した。メモリ、ストレージ、帯域幅、I/Oも同様の曲線をたどり、1990年代後半には、取引をデジタルで保存する費用は、紙を使う方法より桁違いに安くなっていた。

記録管理製品があふれるなかで、ERP（企業資源計画）とCRM（顧客関係管理）という二つの呼称が主流になった。宣伝を取り除けば、両者は同じものである。ワークフローで包んだCRUDの台帳にすぎない。実質的な違いは出発点だけであり、ERPは製品とその部品表、工程、在庫を、CRMは顧客と営業パイプラインを中心に構成される。いったんベンダーが足場を得ると、両系列は同じように成長する。隣接するエンティティを継ぎ足し、ますます多くのモジュールを束ね、特定分野の競合を買収する。1990年代後半までに、大半のERPとCRMは巨大で入り組んだ一枚岩のシステムへと膨らみ、次に論じる技術的問題の土台をつくっていた。

根本原因の一つは技術にあった。パケット交換ネットワークは1960年代に考案されたが、本当の分散型業務システムは1990年代後半まで一部の用途にとどまった。そのため企業は集中型のメインフレームを使い、異なるベンダー間の連携は、法外に高くつくか、不可能だった。新しいシステムを接続するより、既存のシステムを拡張する方が安かったのである。

しかし、ますます大きくなるコードベースを構築し運用するには費用がかかる。2000年代には、オープンソースのETLやWeb APIといったコモディティ化した連携ツールによって、システム同士をつなぐ費用が下がった。そのため、記録管理に特化したアプリケーションが再び現れ、一枚岩のシステムから仕事を取り戻していった。

それでも古い一枚岩のシステムは縮まず、新しい特化型ツールもすぐに肥大化した。どの記録システムも、同じ道をたどって成長し続けるのである。こうしてWMS、OMS、PIM、PLM、SRMや無数の類似した略語が並ぶことになった。出発点は違っても、アーキテクチャと成長の経路はほぼ同じである。

サプライチェーンの仕事では、ERPという一枚岩のシステムが、通常は主要なデータ源となる。仕入台帳と売上台帳を保持しているからである。Enterprise Resource Planningという名称は、宣伝の産物である。ERPは、不確実性のもとで選択肢を比較選択するという経済的な意味では、計画しない。資源に関わる注文、在庫、請求書などのワークフローを実行し、記録するのであり、せいぜい、承認、日程に沿ったMRP展開、状態の切り替えといった事務的な手順を、利用者が入力したパラメータに従って順序づけるだけである⁴¹。これを「計画」と呼ぶことは、記録管理と意思決定を混同し、記録システムが知能システムを兼ねられるという、繰り返し現れる神話を助長する。

5.3.2 CRUDの設計

今日の記録システムはほぼすべて、1970年代後半にリレーショナルデータベースとともに生まれたCRUD、すなわち作成、読み取り、更新、削除のパターンに従っている⁴²。フロントエンドは緑色の文字画面から華やかなWebアプリへ進化したが、バックエンドの原理はほとんど変わっていない。一方、開発ツールの進歩は著しく、2000年代半ば以降、記録システムはほぼコモディティにすぎなくなった。

実務で「データベース」といえば、リレーショナル型のSQLエンジンを意味する。それはテーブルの集合であり、各テーブルには、数値、文字列、日付などの型を持つ列と、データの行がある。ほかの設計も存在するが、エンタープライズソフトウェアでは重要性がはるかに低い。リレーショナルデータベースは、主キーと外部キーの組でテーブルを結びつける。たとえばOrdersの行にあるProductIDは、対応するProductID（Products内）を指せる。エンジンは、存在しない製品を参照する注文を許さない。

ベンダーごとに方言は異なるが、1992年に公表されたSQL‑92の中核部分はどこでも使える。その後に高度な拡張が加わったとはいえ、ほとんどのCRUDアプリケーションで、それ以上が必要になることはまれである。SQLの詳細は本書の範囲外だが、基礎的なSQLは、現代のサプライチェーン実務家に必要な基礎知識の一部とみなすべきである。

CRUDの設計は、アプリケーションが管理する業務上の概念を反映したテーブル群、すなわちエンティティの定義から始まる。概念には、製品、顧客、在庫、サプライヤー、契約、従業員、支払いなどがある。また、大半の業務上の概念は、一つのテーブルには収まらない。たとえば顧客注文には、一行に一取引を持つOrdersテーブルと、各注文に含まれる全品目を列挙するOrderDetailsテーブルが必要になることがある。

各エンティティには画面が用意され、利用者はデータベースの基本的な仕組みに沿って、記録の作成、読み取り、更新、削除を行う。画面には、利用者の入力から機械的に生じるデータベースの変更を自動化する、業務ロジックの断片が付随することが多い。通常は何らかのワークフローに従う。

CRUDアプリケーションの複雑さは、ほぼ常に少しずつ増す。新しいエンティティが現れ、既存のものが拡張される。新しい画面が増殖し、古い画面には選択肢が積み重なる。データ入力後に動く自動処理を細かく調整する選択肢が加わり、ワークフローの表現力も高まる。理論上は複雑さが減ることもあり得るが、実際には周囲のインセンティブがそれを妨げる。この点は次に取り上げる。

CRUDアプリケーションは、その名称が英語のcrudeを思わせるとおり、単純で粗い。データベースを含む基盤層そのものを別とすれば、CRUDアプリケーションの設計にも実行にも、「賢い」と呼べるものはまったくない。CRUDに実装されるルールや振る舞いを支えるソフトウェアの原理は、基本的に、中学校を修了した人なら誰でも理解できる。算術演算とIF-THEN文を交互に組み合わせることに帰着し、それ以上のものはほとんどない。もちろん、事業自体は入り組んでいて、中学生には理解できないほど複雑なルールや振る舞いを持つことがある。その場合にも、CRUDという枠組みが提供するのは、基本的な処理手順への手間のかかる分解だけである。

CRUDはその単純さゆえに、何十年もの間、業務アプリケーションの標準的なパターンであり続け、2010年代半ば以降はオープンソースの技術基盤によってコモディティとなった。これらのツールを使うと、ソフトウェアエンジニアは、ほぼどの種類のソフトウェアよりも高い生産性でCRUDアプリケーションを開発できる。実際、CRUDアプリケーションは、大半のプログラミング環境のデモで定番の題材となっている。また、ソフトウェアエンジニアの採用が難しいことはよく知られているが、CRUDの開発は、経験の浅い開発者にも、そして平凡なベテランにも、おおむね可能である。構築するソフトウェアの種類として、圧倒的に容易なのである。

多くの企業は、オープンソースの開発ツールがCRUD型の記録システムをどれほど徹底的にコモディティ化したかを過小評価し、今も過大な費用を払っている。ベンダーはその認識の遅れを利用して、高価格を維持する。記録システムがどれほど有用で、業務に不可欠でも、この種の製品は今や、短期間に低費用で開発できる。それでも根深い習慣から、多くの企業は、社内でそのシステムを再開発する費用を上回る年間料金を、ソフトウェアベンダーに払い続けている。当然、ベンダーはこの混乱の恩恵を受け、自分たちが売る台帳の値下げという、避けられない事態を先延ばしする達人となった。この状況は、記録システムの技術的な発展経路からも生じている。

5.3.3 技術的な発展の軌跡

記録システムは、それが置き換えたスプレッドシートとは異なり、融通が利かず、表現力も乏しい。今日の非常に高機能な記録システムでさえ、まとまりのないスプレッドシートの集まりで実現できることの一部しか扱えない。個々のスプレッドシートを使う場合、同僚の同意さえあれば、従業員はいつでも定められた手順から逸脱できる。手順や要件を省略したり、どんな規則にも例外を設けたりできる。逆に、「盲目的な」方針なら許容する申請を、恣意的な判断で却下することもできる。当然、この自由には信頼性と生産性の低下という代償が伴う。スプレッドシートでは本格的な自動化が難しいからである。

ベンダーは通常、少数のエンティティと、それらを扱うための画面やワークフローを備えた記録システムを市場に投入する。新興ベンダーの技術リソースには限りがあり、制約があっても製品をそのまま販売できるなら、さらに開発する意味はない。また、顧客が業務プロセスに組み込む前に、詳細なフィードバックもなしに業務アプリケーションを開発しても無駄である。したがって、最初の中核部分は市場についての先験的な見方に基づいていても、拡張部分はほぼ例外なく、少数の顧客との緊密な協力によって作られる。

法人市場には消費者市場ほどの厚みがない。そのため、法人顧客に一度製品を販売すると、ベンダーはその立場を利用して、同じ顧客にさらに販売するようになる。アップセルである⁴³。既存顧客に追加モジュールを売るほうが、新規顧客を獲得するよりはるかに安く済む。後者では、競合との入札競争など、新たな支出項目を認めてもらうための社内の関門をすべて通過しなければならないからだ。

記録システムには、追加したり充実させたりできるエンティティが必ず残っており、ベンダーはそれを次の販売の根拠にできる。製品がどれほど広い機能範囲を持っていても、追加できる業務概念やワークフローの変種は尽きない。記録システムの技術には、拡大を抑えるような整合性の要請が存在しない。たとえば、在庫管理システムを顧客管理に拡張できるし、逆に顧客関係管理システムを在庫管理に拡張することもできる。実際、大手ERPベンダーの大半はCRM機能を提供し、逆に大手CRMベンダーの大半はERP機能を提供している。結局のところ、テーブル、画面、業務ロジックを際限なく追加するだけである。顧客ごとの個別カスタマイズを別にしても、記録システムは顧客全体の癖を足し合わせたものになっていく。

商用として保守される記録システムはどれも、ベンダーが倒産するか、製品系列そのものを廃止するまで拡大し続ける。開発コストはエンティティ数に対して超線形に増える。つまり、エンティティを二倍実装するには二倍を超える費用がかかる。そのため、ベンダーが事業拡大に合わせて技術者を増員し続けても、製品の機能や能力の拡大速度は時間とともに鈍りがちである。それでも、この超線形なコストが、そうでなければ無制限となる複雑さの増大を抑えてはいても、多くの記録システムは二十年間の継続的な開発を経て、機能の巨獣となる。中小企業向けを含む多数の普及した記録システムが、10,000を超えるテーブルを誇り、その大半には数十のフィールドがある。

記録システムを売るベンダーにとって、複雑さを絶え間なく増大させる道から外れることは事実上できない。利用頻度の低いエンティティを捨てても、何の得にもならない。それを使う少数の顧客企業を、その数がどれほど少なくても怒らせる一方で、ほかの顧客は無関心なままだからである。残念ながら、この道は製品の予測可能な雑種化と劣化を招く。確かに、顧客との協力は業務ソフトウェア開発に欠かせないが、顧客の要求の中には見当違いのものもある。専用機能を作るほどではない狭いニッチを反映した要求もある。ベンダーが採用した用語や概念と整合しないものを押しつける顧客もいる。その結果、積極的な開発が続く記録システムはどれも、やがてラヴクラフトの小説に出てくるような代物になり、長く見つめすぎる者の正気を脅かす。

アメリカのSF作家Vernor Vingeは、A Deepness in the Sky（1999）で、長年続くソフトウェア開発の取り組みを不気味なほど正確に描いている。

ここには、人類がまだ地球を離れる前、五千年前に書かれたプログラムがあった。驚くべきことに――スーラに言わせれば恐ろしいことに――キャンベラの過去の役立たずの残骸とは違って、これらのプログラムはまだ動いていたのだ！　そして、百万もの曲がりくねった継承の糸を経て、最古のプログラムの多くが今もチェンホーのシステムの奥底で動いていた。交易者たちの時刻の測り方を例に取ろう。基準系の補正は信じがたいほど複雑だった。そして、そのいちばん底には、カウンターを動かす小さなプログラムがあった。チェンホーは、人間が旧地球の月に初めて足を踏み入れた瞬間から、一秒ずつ数えていた。だが、さらによく調べると……起点となる瞬間は、実際にはそれより一億秒ほど後、人類最初期のコンピューターOSの一つにおける0秒だった。

つまり、最上位のインターフェースの背後には、それを支える層が幾重にも重なっていた。そのソフトウェアの一部は、まったく異なる状況を想定して設計されていた。ときおり、その不整合が致命的な事故を引き起こした。宇宙飛行のロマンにもかかわらず、最もありふれた事故は、誤用されてきた古代のプログラムがとうとう復讐を果たしたにすぎなかった。

「全部書き直すべきだ」とファムは言った。

「それは試された」と、冷凍室から戻ったばかりのブレットが訂正した。「だが、船団システムのコードは最上位の部分だけでも膨大だ。君と千人の友人が一世紀ほど働かなければ、再現できないだろう」。トリンリは意地悪く笑った。「しかも、どうなると思う。仮にやり遂げても、終わるころには君たち自身の不整合を抱えている。そして、ときどき必要になるかもしれないすべてのアプリケーションとの整合性は、やはり取れないのさ」。

しかし、この積み重ねの悪循環は、買い手にとっての鉄則ではない。付随するワークフローを、着脱可能なサイドカー、すなわちAPIの境界を介して中核部分と接続する小さなサービスやプラグインへ移すことで、台帳を簡素に保っている大組織もある。プラグインは顧客が所有し、版を管理し、何よりも、自由に廃棄できる。そのため、不要物は周縁に蓄積し、正式な基準となるデータストアに手を触れずに取り除ける。

より抜本的な手段は、機能を段階的に廃止することである。「ERPを書き直す者などいない」という通念に反し、実際には多くの企業が書き直している。ただし、一度の英雄的な大作業としてではない。実績のある手法はストラングラーである。モノリスの前に薄いファサードを置き、独立した単一の機能――価格設定エンジン、返品承認、税計算モジュールなど――を新規開発したサービスへ振り分け、対応するテーブルを凍結し、廃止までの猶予期間を経て物理的に削除する。四半期ごとにこれを繰り返せば、不可能な一括刷新は、管理可能な手術の連続になる。

こうした戦術は、拡張パックをさらに売りたいというベンダーの動機を変えるものではなく、顧客側に主体性を取り戻すだけである。複雑さを維持する費用が簡素な代替品の費用を上回るなら、企業が次の華やかな追加機能を導入しなければならない理由はない。実務上、長期の総保有コストを最も低くするには、中核の台帳を聖域として扱い、それ以外をすべて使い捨て可能なコードとして扱うのがよい。複雑さの増大は初期設定であって、運命ではない。ただし、組織が自分の庭を剪定し続ける規律を育てることが条件である。

5.3.4 機能の重複

機能の重複によって最初に犠牲になるのはマスターデータ⁴⁴である。記録システムが二つ共存した時点で、エンティティ間に1対1の対応があるとは仮定できない。同じに見える属性――「商品重量」「発注日」「仕入先コード」など――は、意味、単位、タイミング、管理の仕方が日常的に食い違う。ERPがproduct_familyと呼ぶものは、PIMがcategoryとして保存するものに大まかに対応するにすぎないかもしれない。MRPのlead_timeが調達に関する約束を表す一方、WMSは実績の平均を記録しているかもしれない。いわゆる「ゴールデンレコード」は管理者が作り出した虚構である。現実には、各システムがマスターとなるのは、一部の属性について、一部の時点で、一部の用途においてだけである。

この分断は、単なる事務上の厄介事ではない。意味のずれを生む主因である（データの意味節を参照）。重複する台帳が同型のスキーマを共有していなければ、一つの業務上の事実に関する情報がテーブル、システム、チームにまたがって散らばり、正式な照合規則もない状態になる。マスターデータ管理（MDM）の取り組みは、中央のハブや、どのレコードを優先して残すかを決める規則によって、この現実を取り繕おうとする。しかし、属性ごとに何を正式な基準とするかが明確で、意思決定の仕組みを監査できるのでなければ、重複するシステムと、保守すべき同期の層をもう一つ追加するだけである。

外部ベンダーの記録システム同士で機能が重複するのは、その技術的な発展の軌跡が直接もたらす結果であり、最も大きな打撃を受けるのはマスターデータである。ソフトウェアベンダーがそれぞれの機能範囲を広げ続ける以上、衝突は避けられない。不確かなのはその時期だけである。しかも、大手ベンダーは機能範囲を絶えず広げることで成長してきたため、特にこの問題を起こしやすい。この問題は外部ベンダーのシステムに特有であり、内製開発では、わずかな社内調整だけでも通常はこうした重複を防げる。

実務上、重複するシステムにはデータ同期の処理が必要になる。マスターデータの同期は特に厄介である。スキーマが同型であることはまれで、属性の意味は異なり、属性ごとの正統性、すなわち、どのシステムが何について、いつマスターとなるのかは、ほとんど明文化されていない。このような同期は、例外なく個別対応のソフトウェア開発になる。エンタープライズソフトウェア市場は細分化されすぎており、接続するだけで使える同期ツールの開発を正当化できないからである。

記録システム間の双方向同期では、両方のシステムで編集でき、一方での編集をすべて他方に反映しなければならない。これは通常、一方を「マスター」、他方を「スレーブ」とする一方向の連携に比べ、少なくとも一桁多い労力を要する。双方向のデータ同期では、編集の競合とその解消に対処しなければならず、マスターでの編集をすべてスレーブへコピーして上書きするだけの場合より、はるかに難しい。複数の部門がそれぞれ異なる属性群を絶えず編集するマスターデータでは、このような競合は例外ではなく日常である。この問題専用のきわめて巧妙なアルゴリズムが存在しても、Nが2を超えるN方向のデータ同期は、一般に忌むべきものと見なすべきである。

IT部門が領域ごとにどのシステムをマスターとするかを慎重に特定しても、大規模なシステムの大半は、領域に応じてマスターとスレーブの両方になる。たとえば、同じSKUについて、価格はERPが正式な基準となり、説明内容はPIMが正式な基準となる場合がある。あるいは、CRMが「顧客」のマスターでありながら、「仕入先」についてはERPのスレーブとなる場合もある。

こうした重複は、企業が一貫して過小評価する、巨大で継続的な障害となる。とりわけ次のソフトウェアベンダーを選ぶ際、企業は見栄えのする機能一覧を重視しがちである。典型的なRFQ（見積依頼）の手続きに、しばしば数百もの要件が含まれることがその例だ。その結果、企業はqui peut le plus, peut le moins（多くのことができる者は、少ないこともできる）という常識的な直感に従い、不要に複雑な製品を持つ大手ベンダーを選びがちになる。しかし、この誤った直感は、例外なく、広範な機能の重複を抱えたベンダーの選択へ企業を導く。その重複には、莫大な費用がかかる。

こうした重複は、単にITに課される税のような負担ではない。意味を直接損なう。データの意味節でこの点に戻り、捉えにくく、行ごとに変わる意味が、いかに気づかれないまま最適化の取り組みを狂わせるかを示す。

第一に、IT部門にとって、同期の問題を解決する労力は急激に超線形で増える。エンティティ数よりはるかに速く増大するのである。まもなく、IT部門が保守しなければならない同期のグラフに比べれば、東京の地下鉄路線図のほうが単純に見えてくる。IT部門が事実上破綻することは、今や珍しくない。外部ベンダーの記録システムが絶えず更新される中で、同期のグラフの保守に追いつけなくなるのである。

第二に、データを入力する従業員にとっては、同じエンティティを複数の場所で閲覧・編集できることが、絶え間ない混乱の原因になる。ソフトウェアベンダーには、この混乱を和らげるために、自社製品の一部を競合製品の「従属下」に置きやすくする動機がない。彼らから見れば、使われていない機能でさえ、次のアップセルへの足がかりとなる。さらに、機能をシステムから取り除くために企業が料金を払うべきだという発想自体が、エンタープライズソフトウェア市場を支配するパラダイム全体に反している。

第三に、レポートシステムであれ知能システムであれ、データを活用しようとする試みはすべて、鏡の迷宮に直面する。同じ情報が複数の場所に現れるのだ。しかし、同期処理によって生成された二次データを、その目的に使うべきではない。二次データは古くなっていたり、劣化したり、微妙に改変されたりして、後続の処理を大きく乱すおそれがある。したがって、どの情報についても、正式なマスターレコードを読んでいることを確かめなければならない。

エンタープライズソフトウェアの歴史は短いが、外部ベンダーの記録システム同士の機能重複がもたらす、絶え間ない費用を避ける実行可能な方法は、欠点があるにせよ、記録システムを内製することだけである。幸い、前述のとおり、そのような記録システムの開発は、実務上ほぼコモディティ化している。

5.3.5 機能上の限界

記録システムは、それを運用する企業に価値をもたらすが、提供できるものには厳しい限界がある。記録システムは、よくできていても改良された台帳にすぎない。とりわけ、優れたレポートシステムでも知能システムでもない。そのような目的は、記録システムが果たすべき基本機能と技術的に相いれないからである。

記録システムの価値の大部分は、そのデータベース、すなわちトランザクション処理の中核から生まれる。システムの設計は本質的に集中型であり、まさにそれこそが企業の求めるものである。たとえば、システムがあるSKUの在庫数量を保持しているなら、それを照会するどの利用者やエージェントにも、同じ値が見えなければならない。さらに、誰かが1個を確保したなら、競合する別の要求にその個体を渡してはならない。電子的な在庫の整合性を保つには、同じデータ、すなわち在庫の一個に対して同時に競合する要求を、システムが調整しなければならない。

より一般的には、この種の問題はリソースの競合と呼ばれる。RAM、ディスク、その他のハードウェアなど、共有資源へのアクセスを巡る衝突である。リソースの競合は、しばしばレイテンシーを減らす問題に行き着くため、解決が難しいことで知られる。しかし、レイテンシーの改善は十年以上前にほぼ停滞し、個別の課題の多くでは二十年以上停滞している。今では、その限界の大部分が光速そのものによって決まる。たとえば、インターネット上のデータパケットは、真空中の光速のおよそ三分の二で伝わる。これでは、さらなる改善の余地はほとんどない⁴⁵。別の例を挙げれば、CPUのほぼ一クロック周期に相当する約0.3ナノ秒の間に、光が往復できるのは約5 cmにすぎない。

計算負荷の重い処理でリソースの競合を軽減する手法は存在する。水平分割（シャーディング）、読み書きの分離、非同期キュー、CQRS⁴⁶／イベントソーシング、分散ロック、サーガやオーケストレーションのパターンなどである。しかし、いずれも、記録システムが最大限に高めなければならない長所――単純さ、追跡可能性、強い整合性――を、運用上および意味上の複雑さと引き換えにする。後続処理側へ説明しなければならない結果整合性、二重化された読み書きの経路、複雑な再試行や補償処理、壊れやすい分散トランザクション、可観測性を確保する負担の増大、スキーマ変更の鈍化、監査の難化が生じる。要するに、こうしたパターンによって台帳を大規模化することはできるが、その代償は、企業が正式な基準となる明白な事実を必要とする、まさにその場所に生じる曖昧さと脆さである。したがって、計算上「重い」ものはすべて台帳の外へ出し、レポートシステムか知能システムに委ねるべきである。

今日の業務アプリケーションが、2000年代初頭と比べて根本的にきびきび動くようになっていないのは、大部分がリソースの競合によって説明できる。エンティティを編集すると、今でも利用者に分かる遅延、すなわち数十ミリ秒の待ち時間が生じる。一見すると基本的な操作でも、一秒以上待たされることは珍しくない。同じ費用で得られるハードウェアの能力が二十年前より何桁も高くなっていることを考えると、この遅れは意外に思える。しかし、この停滞はレイテンシーの改善が止まっていることの表れであり、リソースの競合も改善していない。

記録システム内ではリソースが共有されるため、すべての操作を可能な限り軽くしなければならない。重い操作はどれも、システムの資源を枯渇させ、並行するほかの操作のサービス品質を低下させるおそれがある。そのため、記録システム内で意思決定の処理を行うことは、厳格に避けなければならない。意思決定には多数の選択肢の比較が必要であり、基本的な算術や論理規則より何桁も多い計算を要する。

単一のSKUの発注数量を計算するのに、CPU時間が10秒必要な調達最適化エンジンを考えよう。オフライン、または専用クラスターで動く知能システムなら、そのコストは取るに足らない。数ベーシスポイントの改善をさらに引き出すために100秒使うことさえ、合理的かもしれない。しかし、記録システム内では、同じ計算が破滅的な結果を招く。一日に数万SKUを扱うと、SKUあたり10秒は数十CPU時間となり、トランザクション処理と競合し、画面を止め、利用者の体験を悪化させる。SKUあたり1秒でも、台帳が短く安定した応答時間を保証しなければならない場所に、予測不能な遅延を生む。したがって、重い最適化は台帳の外で行うべきである。記録システムが保存すべきなのは、発注明細行などのコンパクトな結果であり、それを生み出した組合せ探索を実行することではない。

理論上は、重い操作と軽い操作を混在させるための、CRUDに代わる手法もある。しかし実際には、その手法が、CRUDを魅力的にしている理由そのものを損なう。より単純で実用的な方法は、「重い」操作をすべて記録システムから切り離すことである。記述統計はレポートシステムで、意思決定は知能システムで扱うべきだ。この三類型を厳密に分離すれば、リソースの競合は大幅に軽減される。

低水準のリソース競合の先には、さらに重大な障害がある。三つのソフトウェア類型の技術者文化は、根本的に相いれない。遠目には、どれもコードを書くので似て見える。しかし、類型を移ることは、家屋の塗装と美術の間を移るほど違う。どちらも塗料を使うが、それ以外の共通点はほとんどない。その細部を述べることは本書の範囲外である。ここでは、五十年にわたり、ベンダーが自らの得意な類型から外へ踏み出しては、たいてい悲惨な結果に終わってきた、と述べれば十分だろう。とりわけ、記録システムの専門企業が知能システムに進出した場合にそうである。それでもベンダーは、その後に続く予測可能な失敗に気づかず、挑戦を続けている。

5.3.6 ベンダーのジレンマ

記録システムが生み出す付加価値には、本質的な限界がある。十分に広い機能範囲を備え、信頼性が実証されれば、それ以上の便益は生じない。記録システムを売るソフトウェアベンダーは、この限界を常に痛いほど承知してきた。そのため、1970年代後半以降、成功した記録システムのベンダーはほぼすべて、知能システムへの進出を試みてきた。

その理由を理解するため、会計担当者の例を考えよう。単に有能な担当者に比べて、卓越した担当者を雇っても、目に見える便益はほとんど増えない。したがって、企業は百倍の給与で「スーパースター」の会計担当者を雇うことはない。会計がもたらす価値には限界があるからである。対照的に、マーケティングが生む付加価値には限りがない。マーケティングの天才は、一見不可能な方法でブランドを再生し、株主に巨万の富をもたらしうる。そのため、企業は日常的に「スーパースター」の創造的人材を探し、多額の報酬を払う。

記録システムの貢献は、会計担当者のそれに似ている。仕事が適切かつ入念に行われれば、それ以上に期待できるものはない。対照的に、知能システム、すなわち意思決定エンジンの付加価値は、マーケティングの才能がもたらすものに似ている。実務上、経営上の意思決定の質に上限はない。

したがって、新しく、より優れた記録システムに対する支払い意思額には限りがある。この根本的な洞察は新しいものではなく、ソフトウェアベンダーは1970年代にはすでに認識していた。1990年代初頭まで、成功したベンダーには、機能の追加と着実なハードウェアの進歩への対応以外に回せる開発余力がほとんどなかった。1990年代になると状況が変わり、多くの企業が「ERP」ベンダーを名乗るようになった。新たに加わった計画を意味する「P」が、知能システムを目指す意思を示していた。同様の動きは、ほかの種類の記録システムでも起きた。しかし、すでに述べたとおり、それらの試みは大半が失敗し、今も失敗し続けている。ときには壮大な失敗に終わる。

副作用として、ベンダーのマーケティングは経営者をしばしば混乱させる。記録システム、レポートシステム、知能システムの区別は、世間ではまだあまり知られていないため、ベンダーは例外なくより良い意思決定を約束して売り込む。要するに、あらゆるエンタープライズソフトウェア製品が、知能システムとして宣伝されるのである。たとえば、補充は事務担当者が行い、システムは在庫の移動を記録するだけなら、過剰在庫や欠品の削減を約束すべきではない。それでも、そのような主張は至る所にある。

買い手の側からは、三つの単純な判断基準でこの混乱を切り分けられる。

第一に、本物の知能システムには、データ入力画面がほとんどない。知能は正式な基準となる記録を利用するのであって、利用者に毎日の再入力や「確認」を求めるものではない。入力フォームが追加されるたびに、それは偽装された台帳であることを示す兆候となり、責任を曖昧にする。成果が悪ければ、ベンダーはいつでも「利用者が間違った数字を入力した」と言えるからだ。本物の知能システムは、意思決定の最初から最後まで責任を持つ。入力は企業の記録であり、出力――発注、配分、価格、日程――は損益に照らして監査できる。双方にとって、日々の事務作業を口実に責任を逃れる道は残らない。

第二に、エンジンは単独で完結するソリューションを装ってはならない。自らのコード、設定、監査ログ以外に、永続的な業務状態を保持しない。作業用のテーブルやキャッシュは、設計上、廃棄可能である。正式な基準となる記録システムを読み、推奨内容を計算し、機能を絞った、版管理されたAPIを通じて書き戻す。マスターデータのテーブル、ワークフロー構築機能、利用者管理モジュールが現れた時点で、提供されているのは「AI」を装った記録システムである。

第三に、商業モデルは、利用者数、保存容量、ページ閲覧数ではなく、提供する意思決定の経済的な質に料金を連動させなければならない。席数、ページ閲覧数、ギガバイト数に基づく課金は、より多くの人を作業に関与させ、ダッシュボードを増殖させ、データをため込むという、歪んだ動機を生む。ベンダーの売上が組織の非効率さに比例して増えるからである。本物の知能システムは、逆に、事務作業用の席の大半を不要にすべきである。したがって契約では、意思決定の処理量、および／または、測定された創出価値の一定割合に支払いを連動させるべきだ。たとえば、リスクを調整した運転資本の削減、粗利の増加、投下資本を一定に保った上でのサービス品質の改善などである。同時に、双方のリスクを制限する明確な上限を設ける必要がある。

これらの除外基準を組み合わせれば、大半の「インテリジェントなプラットフォーム」を退け、サプライチェーンの意思決定を改善する見込みのある少数の提案に、実務家の注意と予算を集中させられる。

よくある誤りは、単に「古く見える」という理由で記録システムを更新することである。経営者はITの目覚ましい進歩を見て、新しいシステムならはるかに優れているはずだと推測する。さらに、ベンダーが提案する最新版の見た目や操作感は、たいてい旧システムより魅力的である。しかし、この推論は誤解を招く。ソフトウェア技術の進歩は、記録システム自体の進歩を意味しない。

むしろ、記録システムを支える中核技術と概念は、1980年代以降ほとんど進歩していない。現在の進歩は、すでに大幅にコモディティ化した技術の開発コストを下げることに、ほぼ全面的に向けられている。したがって、記録システムを更新する際の第一の目標は、ベンダーに払う料金の削減であるべきだ。同様に、見た目や操作感の改善による便益も、通常は過大評価されている。旧システムの反応が速かったなら、画面を華やかにしても、従業員の生産性はほとんど上がらない。生産性の高いインターフェースは、初心者に不親切だと受け取られがちである。まさに、利用者がシステムを覚えた後には生産性を妨げる、手取り足取りの補助機能を備えていないからだ。

記録システムのベンダーは、共謀も、連携さえもせずに、総体として世間の混乱を長引かせてきた。2020年代初頭には、記録システムがコモディティ化してから十年以上たっていたにもかかわらず、大半の企業は二十年前より多くの費用を払っていた。この状況は、本書が扱うサプライチェーンの範囲を超えるが、その最も分かりやすい例がサプライチェーンソフトウェアかもしれない。ここでも、利害が部分的にしか一致しないという、サプライチェーンの課題に特有の対立的な性質が表れている。

したがって、記録システムは不可欠であり、同時に、その役割は厳しく限定される。企業の正式な台帳であって、計算機でも戦略家でもない。大量のレポート処理、最適化、「計画」を求めれば、リソースの競合、意味のずれ、責任の曖昧さが生じる。適切なアーキテクチャは簡素である。台帳は薄く、中央に置き、退屈なものに保つ。記述的な分析はレポートシステムへ、意思決定は知能システムへ移す。すべての接続境界を、機能を絞った、版管理されたAPIで区切る。ベンダーが抵抗しても、機能の重複を絶えず取り除く。

ここから導かれる教訓は、技術上のものでもあり、経営上のものでもある。ERPとその同類を聖域として扱うことだ。事実を記憶し、ワークフローを遵守させる。それ以上のことはしない。KPI、予測、最適化エンジン、「もしも」の分析など、入り込む追加機能の一つひとつが、気づかれないまま性能を圧迫し、意味を曖昧にし、責任を分散させる。計算負荷が重いもの、確率を扱うもの、経済的な比較判断を伴うものは、台帳の外に置くべきである。

記録システムの役割と限界が明確になったので、今度はその内部にあるもの、すなわちデータに目を向けよう。次節では、生の記号がどのように情報になるのか、本当に難しいのは行の欠落ではなく意味であるのはなぜか、「悪いデータ」を責任逃れの口実にするのはなぜ誤りなのか、そして意思決定エンジンが必要とするものを、どう抽出し、文書化し、堅牢にしていくのかを検討する。

5.4 データ

デジタル化された業務データは、サプライチェーンの意思決定において、ほかを大きく引き離す最重要の情報源である。これらのデータは、主に企業の記録システムを通じて収集される。ほかの情報源も存在するが、その重要性ははるかに低い。サプライチェーンの観点から必要な情報は、このデータの中にある。しかし、その情報を取り出すことは、一般に考えられているより難しい。また、データの複雑さも同様に過小評価されている。

データが決定的に重要なのは、サプライチェーンを直接観察することができず、企業の記録を通じてしか見られないからである。サプライチェーンが、意味のある形で感覚によって直接観察できなくなったのは、コンピューターの登場よりはるか以前だったとも言える。実際、19世紀末には、巨大企業の台頭とともに、大勢の帳簿係が登場した。したがって、その時点ですでに、サプライチェーンは彼らがつける台帳を通じてしか見えていなかった。人間の知識が対象とするものの多くは、サプライチェーンと同じく、感覚で直接捉えることができない。そのことは重大な帰結をもたらす。

すでに述べたように、サプライチェーンについて書く著者の多くは、ソフトウェアを無視するか、表面的にしか扱わない。データも例外ではない。とりわけ、データは、それに含まれる情報と混同されるのが普通であり、前者から後者への変換は当然のように扱われる。しかし、これほど実態から遠い考えはない。この変換だけで、サプライチェーンの取り組みにおける技術的な労力の半分以上を費やすことが多い。しかも、この変換はソフトウェア上の細かな技術問題などではなく、サプライチェーンの課題を深く理解することを必要とする。そのため、この仕事をIT部門や、何よりもまずサプライチェーンの専門家であるとは言えない専門家に任せられると考えるのは、根本的に誤っている。

こうした中、計画の取り組みが停滞すると、いつも決まり文句が持ち出される。データが悪いというのである。ほとんど調査もされていない過去の失敗が、証拠として並べられる。この標語は便利だ。ベンダーやシステムインテグレーターを免責し、実体の曖昧な対象に責任を押しつけ、台帳を調べようとする意欲をそぐ。デジタル化されたサプライチェーンでは、取引記録は通常、十分に使える。欠けているのは、記録を情報に変え、さらに意思決定へと変える地道な作業である。意味を明確にし、由来と正式な基準を確立する作業だ。以下では、その各段階を区別し、どこでどう失敗するのかを明らかにする。

5.4.1 データの成り立ち

業務データの大半は記録システムに存在するが、システムがデータを集めるのは付随的な結果にすぎない。記録システムの目的は、企業の情報処理をデジタル化し、その信頼性と生産性を高めることである。データは意図された成果ではなく、そうした業務の副産物なのだ。この洞察は単純だが、そこから何が導かれるかは、しばしば誤解されている。

データは、システム固有の癖を反映する形で整理される。そのような込み入った構造は、微妙な性能上の制約、中止された更新作業の残骸、過去の開発時代の古びた概念、あるいはソフトウェア開発で日常的に行われる妥協から生じる。

具体的に考えるために、記録の構造が分析上の必要性ではなく、開発上のトレードオフを反映することを示す、ありふれた例を二つ見てみよう。

数十年前、今も広く使われているERPを開発していた善意の技術者が、商品返品を負の数量として、受注と同じsalesテーブルに保存した。この工夫によって、一定期間の販売を合計すれば、返品を「ほぼ」差し引いた数字が得られる。しかし、この設計にはいくつもの欠点があり、実際には思ったほど賢い方法ではない。サービス品質については、純販売数量に頼ると、欠品の分析が過度に楽観的になる。ある週に10個を販売し、翌週に3個が返品されたなら、最初の週の需要に応えるために必要だった在庫は、少なくとも10個であり、7個ではない。逆に、返品された商品の大半を再整備して再販売できるなら⁴⁷、シーズン終了直前の補充は、大きな過剰在庫を生みやすい。返品を受け入れることで、在庫は自然に増えるからだ。より一般的に言えば、返品は販売ではない。顧客や商品識別子といったフィールドを共有していても、一つのテーブルに混在させると、cause_of_returnなど、片方にしか意味のない列を設けざるを得なくなる。

単純なオンラインストアのフロントエンドを考えよう。後から来る顧客に最新の在庫状況を示すには、取引のたびに手持在庫を減らさなければならない。手持在庫の更新は、その値を保持するテーブルに対する単純なUPDATEで行える。このテーブルをstockと呼ぼう。しかし、ある程度利用されるストアの開発チームがほぼ必ず経験するように⁴⁸、取引のたびにstockを更新すると、データベース内の、まさにそのテーブル周辺で激しい競合が起こる。stockは通常、数万から数十万行に及ぶ大きなテーブルであり、更新のたびにアプリケーションのフロントエンドで連鎖的な処理を引き起こしうる。一般的な対策は、在庫の変更を待ち行列に蓄えるpending_updatesテーブルを追加することである。取引のたびに行をpending_updatesへ追加し、stockの更新は行わない。その後、一分程度ごとに、pending_updatesを空にすると同時に、stockを一括更新する。その結果、手持在庫の情報は一つではなく二つのテーブルに分かれる。このパターンは妥当だが、単純化だけを理由にpending_updatesを無視してよいかどうかは、サプライチェーンの専門家が判断しなければならない。

ほかにも多くの事例が同じことを示している。記録システムのデータは、そもそもデータサイエンスの作業を目的としていなかった。ソフトウェアを書いた技術者にとって、それはよくても副次的な関心事であり、しばしば後から考えられたことにすぎない。

企業の管理者は、業務システムから適切な情報を抽出するのに要する時間と労力に、しばしば驚く。多くの人は、その負担を、IT部門の非効率さや、過度に複雑なツールのせいだと考える。技術的な不透明さの陰に隠れて費用や遅延を正当化するIT専門家が、その印象を強める。しかし、この見方は誤っている。記録システムのデータには容易にアクセスでき、一般的なデータベースであれば、クエリ用のツールは申し分なく優れている。費用と時間がかかるのは、データを情報に変えることが驚くほど難しいからである。ましてや、その仕事に必要な現場の専門知識を持たないIT専門家が取り組む場合は、なおさら難しい。

5.4.2 データの意味

一般的な企業の記録システムには数万のフィールドが保存され、最大級のものでは十万を超える。そのフィールドの意味、果たす目的、引き起こす動作は、通常、よくても大まかにしか文書化されていない。その文書は元のベンダーが作ったものかもしれないし、内製システムなら企業自身が作ったものかもしれない。エンタープライズソフトウェアでは至る所にある個別拡張が、意味をさらに曖昧にする。実際には、フィールドごとに短い段落以上の説明があることはまれで、フィールド名を言い換えただけの場合があまりに多い。

意味が重要な理由を理解するために、「発注日」という一つのフィールドを考えよう。このタイムスタンプは、注文確定時刻、最終編集時刻、受領確認時刻、決済完了時刻のいずれかを指しているかもしれない。解釈が変われば、業務上の実態も変わる。測定されるリードタイムがずれ、サービスやフィルレートの指標が変わり、キャッシュフローや債務の認識方法も変わる。この水準での曖昧さは、後続のあらゆる計算を、気づかれないまま損なう。

理想的な世界では、二つのことが成り立つはずである。開発者はフィールドごとの正確な文書を残し、経営側は、業務での意味を安定させる日常的な運用を徹底する。実際には、三つの力がこの理想を崩す。経年変化――システムと文書は作成者より長く残る――、フィールド単位の不整合――モジュールやバージョンの間で意味がずれる――、そして操作者が決める意味――利用者が仕事を進めるためにフィールドを別用途へ転用する――である。以下、それぞれを順に検討する。

ソフトウェアの基準で見ると、記録システムの大半は古い。二十年、三十年という年齢は珍しくない。初期の実装にはフィールド単位の文書が付いていないことが多く、付いていても、その作成者はとうに去っている。コードは何度も修正、移行、拡張されており、コミットメッセージから元の意図を取り戻すことはできない。重要なのは、フィールドの意味が、それに結びつけられた動作と切り離せず、その動作がバージョンやモジュールによって変わることである。結果は予測できる。広範囲の意味が単純に失われ、それを再構成するにはリバースエンジニアリングが必要になる。時間も費用もかかる作業だ。古くなった文書、あるいは完全に時代遅れとなった文書は、長期にわたるソフトウェア開発の取り組みを悩ませる。

失われることは、問題の半分にすぎない。業務が適応するにつれ、新たな意味も非公式に積み重なる。チームは回避策を考え、ラベルを解釈し直し、都合のよいフィールドに新たなワークフローを結びつける。時間がたつと、こうした個別対応の慣行が、ベンダーの意図や、マニュアルに今なお書かれている内容とは無関係に、システムの事実上の約束事になる。この自然発生的で文書化されていない層が、意味のずれを生む。フィールドの「現在の意味」とは、データ入力に関わる人々が今それを何に使っているかであり、拠点、時期、役割によって異なりうる。それを特定するには、スキーマを読むだけでは足りず、実際の業務を観察しなければならない。

実際の利用者は、構造上、このずれに気づかない。意味は何年もかけて積み重なり、その期間は、誰かが同じ役割に就いている期間より長いことも多い。そのため、現在の解釈が単に「このシステムの仕組み」だと感じられる。アプリケーションにDiscontinuation DateとPhase-out Dateのような、ほぼ同義のフィールドが二つあり、どちらも目に見える自動処理を動かしていなければ、チームは都合のよい社内の意味を採用し、そのまま業務を進める。その意味がベンダーの意図と一致するかどうかは重要ではない。重要なのは、その場の人々が一つの解釈に落ち着き、一貫して使うことである。Volumeを「ヒールの高さ」と取り違える人はいないだろうが、Discontinuation Dateを残在庫を値引き処分へ回す時点とすることには、多くの人がもっともな判断として同意するだろう。大半のフィールドは何の動作も引き起こさないのだから、ベンダーが意図した意味を推測することは徒労である。社内の全員が同じ意味で使うようにすることこそ、本来の仕事なのだ。

さらに、フィールドの意味は行によって異なることが多い。同じフィールドのすべての値が、同じことを意味するわけではない。先ほどの例では、「発注数量」が正なら購入を、負なら返品を示していた。より一般的には、あるフィールドの意味が、別の一つ、または複数のフィールドの値に依存することが多い。文書を単なるフィールドの辞書にすることはできない。意味は文脈によって変わるからだ。行ごとの意味を捉えるには、関連する業務ロジックを文書に含めなければならない。これも費用と時間のかかる作業であり、長年にわたるシステムの変化が、さらに難しくする。

結局、意味を決めるのは、かつて技術者が何を意図したかにかかわらず、データを入力する人々――従業員、顧客、さらには仕入先――である。たとえば、購買部門が、以前は使われておらず、難解なインコタームズに関係していた分かりにくいフィールドを転用し、仕入先の輸送経路を記録するようになったとする。そのフィールドの意味は、元の文書の記述ではなく、輸送経路になる。フィールドの転用は決して良い慣行とは言えないが、日常的に起こっている。また、フィールドの意味は、最良の状況でも扱いが難しいため、チームが本当に間違えることもある。多数のフィールドに、近いが正確ではない意味を与えてしまうのである。

フィールドの意味を特定するのは難しい。「市場をリードする」システムでさえ、驚くほど、しかも例外なく難解である。この作業は、細部への無用なこだわりではない。安定した意味がなければ、生の記録を意思決定エンジンが使える情報に変えることはできない。以上の実務上の障害に加えて、もう一つの関門が残る。自分たちが与えた意味が、実際に正しいと検証できなければならないのだ。

小規模なサプライチェーンの取り組みでも、通常、少なくとも百のフィールドを文書化する必要がある。各フィールドについて、意思決定に関わる意味を特定するには、普通は半ページから一ページを要する。定義、単位と許容値、由来と正式な基準、行によって変わる解釈、フィールド間の依存関係、具体例を記す必要がある。これらの説明は、企業自身のデータに基づくべきだ。単純な分布、範囲、件数から、重要な点が浮かび上がることが多い。たとえば、当社が扱う典型的なハイパーマーケットには100,000を超えるSKUがあり、この事実だけで、品目数に対してコストが超線形に増えるアルゴリズムは候補から外れる。その結果、「小さな」範囲の意味を記した資料でも、容易に百ページ以上になる。したがって、その分量を考えれば、すべてが事実として正しいことを期待するのは無理がある。露骨な間違いから微妙な誤解まで、文書には誤りが散在するだろう。そのため、この知識の妥当性を評価し、誤りを除く方法が必要になる。

レビューを増やしても、ピアレビューでさえ、すべての誤りを見つけられることはまれである。いったん誤解が文書の中で固まると、それを明らかにするには、通常、新たな要素が必要になる。その要素とは、ほかのものとともにその知識を利用する意思決定プロセスから得られる、現実世界のフィードバックでなければならない。欠陥のある知識から適切な意思決定が得られるなら、その欠陥は無害であり、問題にはならない。この方法論、すなわち実験的最適化の詳細は、後の章で述べる。ここでは、意味の妥当性は最終的に、その知識を実際に適用して意思決定を生み出す過程から得られる、経験的なフィードバックに根ざしていなければならない、と述べれば十分である。

5.4.3 データに潜むからくり

データも、サプライチェーンのほかのあらゆるものと同じく、それを作り、集める人々の動機に左右される。すでに述べたように、その動機は企業の利益からしばしばずれる。その結果、データには数多くの癖が生まれる。些細なものもあれば、重大なものもある。

大手製造業者で実際に起きた問題を考えよう。この企業は慢性的な過剰在庫に苦しんでいた。過去の発注を一目見るだけで、過大な購入が日常的に行われていることが分かり、それが過剰在庫の主因だった。状況を改善するため、経営陣は新たなサプライチェーンベンダーを選び、補充を完全に自動化することにした。購買チームによる、善意ではあるが見当違いの判断をなくすためである。本番稼働前のテストでは、過大な発注は消えた。予期せぬ大幅な需要減少が起きれば、なお過剰在庫は生じうるが、大きな市場変動もないのに直ちに過剰在庫になる事態は解消された。このソリューションは有望に見えた。

ところが、本番稼働から二か月たっても、過大な補充発注が続いていた。結果は不可解だった。その発注は、数値レシピの出力とまったく似ていなかったのである。

詳しく調べると、ありふれた原因が疑われた。購買発注は、まだ手作業でERPに入力されていたのだ。ITチームが過負荷だったため、双方向の連携が先送りされていた。四十年の歴史を持つERPから過去データを抽出する処理は自動化されていたが、新たな発注の書き戻しは自動化されていなかった。意思決定エンジンは人の介入なしで発注を生成し、事務担当者が毎日それをERPに再入力していた。この残された手作業の受け渡しが、最も疑わしい箇所となった。

しかし、数日間の入念な調査によって、手入力はあっても、その作業は非常に慎重に行われており、従業員が意図的に数量を変更することは一切ないと分かった。そこで、新しいソリューションが再び第一の容疑者となった。ところが、ログを調べると、過大な発注を生成したことは一度もないとすぐに判明した。日付と商品は一致していたが、数量は一致しなかった。謎は深まった。来る日も来る日も、前日にERPへ入力された発注は、ソリューションの出力と正確に一致していた。それなのに、数日、あるいは数週間後になると、一部の補充数量が突然膨れ上がり、次の在庫確認では実際に余剰が確認されたのである。

補充発注は、規則性も理由もなく、ひとりでに急増しているように見えた。そこでベンダーのチームは、その発生状況をさらに詳しく調べた。意外な規則性が浮かび上がった。急増は主に、四半期末近くに行われた発注で起きていた。リードタイムが商品ごとに異なるため、過剰在庫が発生する時期は比較的均等に分散し、この規則性が見えにくくなっていた。暦に沿った規則性は明らかに人為的なものだったが、誰が関与しているかは謎のままだった。

数週間の調査の末、ベンダーのチームは入荷ドックへ行き着いた。そこでは、仕入先が手配したトラックから商品が降ろされていた。入荷チームは、品質保証のための複数の手順を踏んでいた。その一つが、個数を数えて発注数量と一致することを確かめる作業だった。不一致が起きても、ERPには、この例外的な状況に対処する手段がほとんどなかった。実際、ERPが対応する正式な方針は、納品を不適合と判定し、全量を返品することだけだった。しかし、入荷チームは、そうすると必ず生産チームの怒りを買うと知っていた。発注された品は必要なものであり、それがなければ生産が止まり、同僚を激怒させるからである。

この問題に対処するため、数十年前に入荷チームはERPに裏口を設けていた。一個の不一致で納品全体を返品しないよう、その裏口の機能を使って、発注数量を入荷数量に合わせていたのである。仕入先には、実際に受け取った数量を反映した修正後の金額が支払われた。この仕組みは何年も機能し、やがて入荷チーム以外には、裏口の存在が事実上忘れられた。

時間がたつと、一部の仕入先は、少し多めに出荷しても電話一本さえなく受け入れられることに気づいた。これは珍しいことだった。普通なら、顧客は超過分を返品するか、少なくとも強く抗議する。一部の仕入先が、この仕組みを利用し始めた。四半期末に目標へ届いていなければ、この製造業者を調整弁にしたのである。最初はわずかに数量を上乗せするだけだったが、製造業者が黙っているため、まもなく大胆になり、はるかに多い数量を送りつけるようになった。

仕組みが分かれば、不適切な行動を取る仕入先の特定は容易だった。関与が判明した少数の仕入先に順に電話すると、爆発的な急増は一夜にして止まった。

意外なことに、この現象は不可解で、サプライチェーンの成果に明らかな悪影響を与えていたものの、データは基本的に正しかった。手持在庫が明白に示すとおり、発注数量は実在し、正確だった。誤りは、補充を実際に支配していた方針、すなわち仕入先に好きなように決めさせるという、製造業者が想定もしていなかった方針にあった。

データに潜むからくりが常にこの例ほど込み入っているわけではないが、相応の規模を持つサプライチェーンでは、意図しない有害な動機が日常的に生まれ、さまざまなデータの奇妙さにつながる。サプライチェーンの世界でよく見られる誤りとして、データの問題をIT専門家に任せるべきものと扱うことを、すでに指摘した。上の例は、このやり方がたいてい失敗する理由を明確に示している。サプライチェーンのデータを理解することは、何よりもまずサプライチェーンの専門家の領域なのである。

5.4.4 シャドーIT

組織におけるシャドーITとは、中央のIT部門の監督を受けずに動く部門内システムを指す。主たるITチームが、その存在さえ知らない場合もある⁴⁹。広がり方には大きな差があるが、事実上すべての大企業にシャドーITが存在する。サプライチェーンの観点では、その大半は簡易な記録システムやレポートシステムであり、両者が混在していることも多い。サプライチェーンにとってシャドーITが重要なのは、その「記録システム」の部分に価値あるデータが含まれることが多いからだ。たとえばERPでは、特定の仕入先に適用される発注制約の一部が省かれていることがよくある。そのため実務家は、有効な補充発注を作るために、適用される制約を網羅した独自のシャドーシステムに頼る。

シャドーITで使われる技術の中では、スプレッドシートが圧倒的に多い。従業員が共有スプレッドシートを操作することに依存したワークフローは、ほぼ間違いなくシャドーITである。IT部門はスプレッドシートが使われていることを知っており、ソフトウェア自体も承認されている。しかし、スプレッドシートで運用される記録システムには、監督下のシステムならIT部門が当然求めるべきものが欠けている。版管理、バックアップ、監査証跡、細かな権限設定などである。

スプレッドシート以外にも、簡単なデータベース⁵⁰がシャドーITの一部としてよく使われる。こうしたデータベースでは、値が数値か日付かといった、型の水準での最低限の正しさを強制できるため、もう少し整った記録システムを作れる。しかし、スプレッドシートと同じく、長期にわたる保守性を確保するための、版管理やバックアップなどの支援プロセスが欠けている。

シャドーITが生まれる動機は単純である。中央のIT部門は何か月も、ときには何年も手いっぱいなので、業務チームは待てないものを自分で作る。逆説的なのは、シャドーITがソフトウェアへの過剰な熱意から生まれることはほとんどなく、ソフトウェア文化の不足から生まれることである。今やソフトウェアは、ほぼすべてのワークフローに関わっている。そのため、部門が抱える問題の大半は、部分的にはソフトウェアの問題だ。それをすべて単一の中央IT部門に解決させようとすれば、過負荷は必至である。

文化の不足は、未処理の仕事をさらに増やす。IT部門以外のチームは、要件を表現し、経済的な観点から優先順位をつけ、開発工数を見積もるための言葉を持たないことが多い。個人的に気に入った案件が「すぐ成果が出るもの」として推され、不可欠な要望は地味に見えるため後回しにされる。依頼チケットには、問題――「返品の二重請求を止める必要がある」――ではなく、解決策――「フィールドを追加してほしい」――が書かれる。整理の悪い依頼に包囲された中央IT部門は、対応が鈍いと見なされる。一方、成果を求められる業務部門は、スプレッドシートや個別対応のデータベースに向かう。摩擦が日常となり、双方の生産性が低下する。

中央IT部門も板挟みになっている。従業員が、自分たちのシャドーITの取り組みの全容を明かしたがらないのは理解できる。それらはしばしば管理者の黙認のもとで動き、ITの指針に明白に違反しているからだ。その結果、こうしたツールを正式な管理下に置く手助けができる人々が、その存在を知るのは、何かが壊れたときだけになる。したがって、中央IT部門に「データを持ってきてもらう」ことを期待するのは非現実的である。その多くは、構造上、見えないところにある。

脱出の道筋は、容易ではないにせよ明快である。シャドーITの記録システムを、小さく保守可能なCRUDアプリケーションへ、一つずつ置き換えるのだ。台帳を先に、レポートを後にする。記録には失われるリスクがあるが、レポートは基になるテーブルさえ健全になれば再計算できる。具体的には、使用中のスプレッドシートやデスクトップデータベースを読み取り専用にして凍結し、実際のワークフローを反映した最小限のスキーマを描く。版管理、バックアップ、監査ログ、権限を備えた、機能を絞ったCRUDサービスを立ち上げ、既存データを取り込み、利用者を移し、旧ファイルを廃止する。これを繰り返す。データが本番運用に耐える保存先へ移れば、その周囲のレポートを書き直すことは、安く、速くできる。

この是正は、サプライチェーンの専門家が責任を持たなければならない。ソフトウェアはこの実務の補助科学であり、外部に丸投げする対象ではない。中央IT部門は、実行環境、セキュリティ、バックアップといった守るべき枠組みを提供すべきだが、範囲、順序、意味は、財の流れを理解する人々が主導しなければならない。

5.4.5 派生データ

業務システムが保存するのは、事実だけではない。販売、入荷、在庫実数、価格合意、日程上の制約といった記録の隣には、私が派生データと呼ぶものが大量に存在する。集計値、予測、経済的発注量（EOQ）、安全在庫、分類フラグなど、ほかの記録から作られた数値である。派生データは新しい情報を一切加えない。すでに台帳にあるものを別の形で表現しただけである。初心者は、すべてのテーブルやフィールドに「新しい」データがあると期待するが、実際には、成熟したアプリケーションのテーブルの大半は計算で作られたものだ。明確にするため、流れに関する元の記録を事実データ、そこから計算されたものをすべて派生データと呼ぶ。

派生データにも違いがある。一方には、正当な理由で作られたものがある。性能や運用上の便宜のために導入された、作業用または一時的なテーブル――マテリアライズドビュー、キャッシュ、非正規化した集計など――である。システムの反応を速くするために存在し、事実データからいつでも再計算できるので廃棄可能だ。他方には、知識を装う飾りがある。予測、EOQ、「サービスレベル」、ABC分類タグなど、台帳に保存された計画上の算出物である。これらのテーブルにも新しい情報はなく、数値レシピの出力を固定しているだけだ。記録に混ぜると、責任を曖昧にし、不整合を増やし、後にレポートシステムや知能システムを誤らせる。

需要予測は、そのような算出物の典型例である。より一般的には、企業が保有する計画データのほぼすべては、派生データにすぎない。残念ながら、多くの実務家は、それらを知能システムへ向かう足がかりと誤解している。実際には地雷なのだ。

計画上の算出物が誤解を招く理由に入る前に、無害な派生データの一類型を片づけておこう。技術者は、CRUD台帳の反応を速く保つため、あるいは重いロジックを分割するためだけに、「作業用」または一時的なテーブルを設けることが多い。マテリアライズドビュー、非正規化した集計、ステージング領域などである。これらは便宜のためのものであり、知識ではない。基になる事実を超える新しい情報は持たず、自由に再計算できる。実務家は、意思決定に際しては、ほぼ無視してよい。

見当違いの理解をした実務家は、販売予測、経済的発注量、安全在庫、サービスレベルなどの算出物に自然と引き寄せられる。こうした集約値は「消化しやすい」と感じられるからだ。数千行の出来事が少数の数字に圧縮される。週間販売合計は、取引の一覧一ページよりも、はるかに行動に結びつけやすく見える。そのため、人間の読者にとっての情報密度は高い。しかし、この便利さを新規性と混同してはならない。これらの数値に含まれるのは、基になる事実がすでに含意していたことそのものであり、それ以上ではない。このような集計を意思決定エンジンへの主要な入力とするのは、理解のしやすさを情報の追加と取り違えることであり、取り組むべき仕事を誤解していることを示す。

第一に、派生データには新しい情報がない。事実データの決定論的な関数だからである。基になる事実をエクスポートできる限り、どの予測、EOQ、「サービスレベル」、ABC分類タグも、元のシステムの外で再計算できる。しかも、CRUD台帳は、文化的にも技術的にも重い計算に向いていない。高度な分析は、そのために作られた環境で行うべきだ。台帳を無理に曲げて計算させるより、CRUDではない環境でそれらの数値を再計算するほうが、単純で信頼性も高い⁵¹。

別の言い方をして、議論を情報の話へ戻せば、派生データには新しいビットが一つもない。企業の事実データの決定論的な関数であり、よくても人間の読者に便利な非可逆圧縮である。このような算出物を主要な入力として扱うと、表現と知識を混同する。それらが解消しているように見える不確実性は、すでに基となる記録によって、それ以上でも以下でもない程度まで解消されていたのである。

それなら、なぜ台帳にはこうしたテーブルがあふれているのか。CRUDシステムは、ワークフローを軽快に動かし、監査可能にするために設計されており、重い最適化を行うためのものではない。そこでベンダーは、予測、EOQ、安全在庫、ABC分類タグといった中間計算を保存する。画面を素早く表示し、台帳に「計画」のふりをさせるためである。この事前計算が広まるのは、保存が安く、デモを見せやすいからであり、情報が増えるからではない。

第二に、こうした算出物を扱うことは、一次データ、すなわち事実データを扱うより、かなり難しい。労力が一桁以上増えることも多い。流れの中で起きる出来事は物理法則に制約されるが、算出物を制限するのは、事実上潤沢な保存容量だけである。台帳、レポート、「計画」を混同したソフトウェア製品では、派生的な算出物が増殖し、やがてスキーマの大半を占める。派生テーブルが事実テーブルの十倍あることは珍しくない。結果は予測できる。移動、照合、管理する量は増えるが、情報はほとんど、あるいはまったく増えない。

第三に、純粋に運用上の目的を持つキャッシュやマテリアライズドビューを別にすれば、CRUDアプリケーションに埋め込まれた分析上の算出物は、ほぼ常に、現代の実務にふさわしくない素朴で古い手法を反映している。これは偶然ではなく、CRUDの技術者文化の帰結である。台帳は、リレーショナルデータベースの上でワークフローを軽快かつ監査可能に保つために作られる。そのためベンダーは、(a) SQLで表現でき、(b) 事前計算が安く、(c) デモを見せやすいレシピに向かう。予測テーブル、経済的発注量、「サービスレベル」、ABC分類タグは、この三条件をすべて満たす。オプショナリティの経済的な価値評価、SKUを横断した資本配分の比較判断、リスクを調整したポートフォリオの意思決定は、満たさない。その結果、脆い数値が絶えず蓄積し、単純化しすぎた仮定を台帳に固定する。責任は曖昧になる。正式な基準は算出物なのか、それを生んだ事実なのか。さらに、便宜を知識に見せかけることで、後続の取り組みを誤らせる。もし作成者が、画面の速度や営業資料ではなく、経済的に健全な意思決定を目指していたなら、そもそも、これらの算出物を記録システムに混ぜることはなかったはずである。

未来について述べたものが、すべて派生データであるわけではない。未来の日付を持つ記録の中には、それ自体が事実であるものもある。企業や取引相手を拘束する決定や約束である。たとえば、マーケティング部門が、翌年初めに始まる広告キャンペーンの予算を、実施時期、地域別配分、チャネル別配分まで含めて正式に承認したとする。この記録は、ほかの記録から計算されたものではない。その後の需要がどうなろうと、キャッシュフローや能力を変える新たな制約である。仕入先とすでに合意した、適用開始日のある価格変更、日付が確定した店舗の開店・閉店計画、施行日が決まった規制変更も同じである。こうした事項は、由来、適用開始・終了の期間、対象範囲、撤回の規則を明確にして、事実として記録すべきだ。

より広く言えば、派生的な算出物を知能システムの入力として扱う習慣は、計画を高い台座に載せる、計画中心の世界観を反映している。しかし、計画とそこから生まれる算出物は、サプライチェーンでは二次的な地位にある。重要なのは、希少な資源を投入する、実行に移された意思決定である。時系列予測などの中間計算、特に来シーズンの補充のような遠い将来の選択を支える計算を、同等に扱うべきではない。それらは暫定的であり、現金や原子が動くまでに何度も修正されるからである。

知能システムは、希少な資源を投入する意思決定――発注、配分、価格、日程――を出すために存在する。選択肢の空間を探索する間に、エンジンは中間計算の跡を残す。スコア、シミュレーション、シナリオのログ、暫定的な予測などである。これらは派生データであり、入力とコードを超える新しい情報を持たない。監査可能性や診断には役立つが、一時的な技術上の副産物であって、マスターデータではない。永続的な出力は意思決定そのものだけであり、機能を絞ったインターフェースを介して記録システムに書き戻さなければならない。その記録は「算出物」ではない。企業が実行し、後に入荷、移動、販売として具体化する約束、すなわち新たな事実である。

したがって、知能システムが取り込むべきものは、記録システムにある正式な基準となる事実であり、場合によっては由来の明らかな少数の外部データも含まれる。台帳やレポートツールに埋め込まれた、固定された算出物ではない。集計が必要なら、基になる事実からエンジン内で再計算すべきだ。事前計算された算出物を取り込んでも、他人の仮定と、それに伴う情報の損失を持ち込むだけである。

5.4.6 外部データ

外部データとは、自社の記録システムに由来せず、そこから再構成することもできないシグナルを指す。公開ウェブサイト、公式発表、第三者のセンサーからのデータ配信、商用データ仲介業者など、外部から入手しなければならない。内部の台帳だけから導けるバイト列なら、それは外部データではなく、内部データまたは派生データである。外部データの活用は価値を生みうるが、取得、整備、維持にかかる費用は高く、収益を食い潰すことが多い。大まかな原則として、まず内部データの経済的価値を使い尽くすべきだ。繰り返し現れる例外は、競合が公開する価格と、厳選・整備された少数の業界固有のデータセットである。

外部データの最大の障害は、取得し、整え、最新に保つ費用である。自社の台帳とは違い、外部のデータ配信は不規則で、部分的にしか構造化されておらず、内部のスキーマや更新周期と合うことはまれである。内部の記録は企業の規模に応じて増える傾向があるが、外部の情報源はそうではない。外部データが有用な場合、たいてい次の三類型に当てはまる。(1) 需要を直接変化させ、価格設定を制約する、競合の公開価格、品ぞろえ、取引条件などの競合情報、(2) 近い将来の配分や日程調整に役立つ気象観測と短期予報、(3) 理論上は魅力的だが、実際にはたいてい報われないソーシャルメディア上の活動の残滓である。

各類型には固有の難しさがある。競合データでは、カタログをまたいだ商品の対応づけと正規化。気象では、地域性、予報期間の限界、膨大な量。ソーシャルメディアでは、ノイズ、操作、弱い因果関係である。以下では、競合情報から始めて、この順に検討する。

5.4.6.1 競合情報

サプライチェーンにおける競合情報とは、競合が公開するシグナル――公開価格、品ぞろえ（型、色）、取引条件（保証、配送の約束）――を収集し、自社の意思決定に取り込むことである。これは何よりもまず外部データの問題だ。そのシグナルは自社の台帳にはない。取得し、自社カタログと対応づけ、整備し、最新に保たなければならない。

経済的な結びつきは直接的である。価格は希少な財を配分し、代替を調整する。自社であれ競合であれ、小さな価格変更が総数量と市場シェアの両方を動かす。対抗措置が始まると、急変することもある。したがって、資本と在庫を合理的に配分するには、サプライチェーンが競合の価格、品ぞろえ、取引条件を追跡し、それらのシグナルを意思決定に反映させる必要がある。

1990年代後半より前には、競合の公開価格を集めることは、退屈な事務作業だった。2000年代に電子商取引が普及し、公開サイトで価格を簡単に入手できるようになった。かつては見積依頼をしなければ分からなかった業務用品の価格さえ、今では表に出る。一社の再販業者が数字を公開すればよいからである。その結果、2000年代には、ウェブスクレイピングの専門家と、人間の訪問者になりすましながら雑然としたページを解析するツール⁵²からなる小規模な業界が生まれた。

今日では、競合の品ぞろえを把握でき、一日に数回更新される、広範なデータセットを安価に購入できる。それでも、そのデータの活用には手間がかかり、いくつかの関門が残る。

競合情報のデータには、自社の内部記録よりはるかに多くのノイズがある。ウェブスクレイパーは多くの経験則に頼っており、時折、値を読み違えることがある⁵³。全体の品質が高くても、誤った値を検出し、影響を取り除かなければならない。

大半の市場では、自社カタログと競合カタログは1対1で対応しない。競合が「同じ」商品を売っていても、SKU、梱包単位、色の組合せ、同梱付属品が異なる。したがって、対応づけは単なる検索ではなく、マッチングの問題である。実用的な方法は三段階で進む。(1) 安価に得られるシグナルを使って対応候補を作る。共通のメーカー品番、GTIN/EAN/UPC、正規化した商品名、寸法・容量・定格電力などの主要属性、利用できる場合には画像の埋め込み表現を使う。(2) テキストの類似度、属性の整合性、単位あたり価格の一貫性、セット商品やバリエーションに関する規則など、互いに独立した複数の検査で各候補を評価し、信頼度スコアを算出する。(3) 単一の「最良」のリンクではなく、一対多と多対一を含む対応グラフ全体を、タイムスタンプとともに保持する。品ぞろえは変化し、正しい対応も時間とともに変わりうるからだ。現在の言語モデルや画像モデルは、段階(1)を容易にするが、段階(2)と(3)を不要にはしない。版管理された規則と信頼度の閾値を備え、監査可能な対応づけの層がなければ、後続の価格比較は、数値的には精密でも、経済的には誤ったものになる。

問題はデータ量だけではない。保存と由来も重要である。競合のデータ配信は、「SKUごと、競合ごと、一日ごとに一行」ではない。監査可能性と経済的な有用性を維持するため、企業は次を保存しなければならない。(i) すべての生の観測――時刻を付けたURL、ページまたはAPIのスナップショット、使用したパーサーの版――、(ii) 辺ごとのスコアと、時刻を付けた規則の版を含む対応グラフ全体、(iii) その時点の状態のままの正規化規則と単位換算、(iv) 検出したすべての変化――価格、入手可能性、バリエーションの集合、セットの構成――である。価格は一日に何度も変わりうる。マーケットプレイスには販売者ごとに異なる複数の出品条件があり、バリエーションや付属品は現れたり消えたりする。この変動を単一の「一日価格」に押し込めると、配分と価格設定に必要な、まさにそのシグナルを捨ててしまう。

実際には、競合情報のデータ群は、自社の取引ログの10–100 \(\times\)もの行数になることが多い。追跡可能性のために生のHTML/JSONスナップショットを保存すれば、バイト数ではさらに大きく上回る⁵⁴。現在のハードウェアは、その量を処理できる。本当の費用は、処理をつなぐ仕組みにある。サイトの変更に耐える取り込みパイプライン、スクレイパーの不具合の影響を除く異常検知、品ぞろえの変化に応じた定期的な再マッチング、配信を止めずに疑わしい観測を隔離する品質保証フラグである。どれか一つでも怠れば、データセットは数字では埋まっていても、知識としては乏しいものになる。

総じて、競合情報は十分な影響力を持ち、費用も手の届く範囲にあるため、大半のサプライチェーンで取り入れる価値がある。ただし、競合データなしでプロジェクトを始められるなら、中核となる数値レシピを稼働させてから、そのデータ配信を追加するのがよい。

5.4.6.2 気象データ

衣料品、飲料、家庭・園芸用品、自動車用品など、多くの商品カテゴリーは天候の影響を受ける。天候が需要を動かすため、予報にサプライチェーンの舵取りを任せたくなる。しかし、問うべきなのは気象データを使うかどうかではなく、それが本当に意思決定に役立つのはいつかである。実務上、二つの軸がそれを決める。意思決定の対象期間――時間、日、週――と、企業が行動する空間的な粒度――店舗、都市、地域――である。予報の期間と地域性が意思決定のそれと一致するときにだけ、予報は有用な情報を持つ。実際には、二つの厳しい制約が、気象に基づく意思決定の見返りを限定する。

予報期間：およそ十日を超えると、現在の予報は季節平均へと近づく。20世紀初頭の経験則から今日の高解像度の衛星画像まで、着実な進歩によって予報は改善されてきたが、今なお徹底して短期のものにとどまる。したがって、十日を超える先を見た選択では、気象データから得られる情報は、自社の履歴から測った単純な季節性を上回らない。

地域性：天候はきわめて局地的である。数キロ離れただけの場所や、わずか数時間の違いで、状況が大きく異なりうる。一方、大企業は数十万、さらには数百万平方キロにまたがって販売し、事業を営む。気象のシグナルが役立つのは、自社が行動できるのと同じ空間的な粒度――店舗、経路、都市、地域――で得られ、自社の資産や顧客に対応づけられ、かつ必要なリードタイムの範囲内に収まる場合だけである。この対応を実現するには、高解像度の格子データと、過去についての密な再解析データを使い、天候と需要の統計的な関係を調整しなければならない。今後十日間と数年分の履歴を扱うだけで、データセットはすぐに数十ギガバイトに達し、自社の取引ログより一桁大きくなることも多い。現在のハードウェアはその量を処理できるが、処理をつなぐ仕組みは簡単ではない。地域別配分のような、もっと粗い水準で意思決定する場合、細かなシグナルは大部分が平均化され、見返りが小さくなる。

さらに、気象は一次元の現象ではない。一般的な変数には、気温、湿度、風速と風向、降水量、気圧、視程、雲量がある。商品によっては一部の変数は無関係だが、それを特定するだけでも作業が必要である。電力需要なら気温だけで十分なことが多いが、ほかの商品は異なる気象要因の組合せに左右される。

最後に、サプライチェーンの個々の意思決定に伴うリスクの非対称性が、気象情報を加えた予測の便益を損なうことがある。女性用かみそりを考えよう。欧米では、この商品に鋭い準季節性がある。春になって初めて暑い週末を迎える、その直前の週に需要が急増する。それ以外の時期は、年内を通じて需要が低い。総合小売店なら、暑い週末が見えてきた瞬間に、ぎりぎりでジャストインタイムの補充を行うことは避けるほうが賢明である。予報が外れると補充が遅れ、その商品を売る年に一度の機会を逃してしまう。リスクを調整した健全な選択は、春の早い時期に補充することである。春になって初めての暑い週末は、ほぼ確実に訪れる。不確かなのは、正確な日付だ。小さく、傷まない商品の一包を数週間余分に棚に置く費用は、予報の誤りで需要急増を逃す費用より、はるかに小さい。

気象が役立つのは、すでに挙げた二つの厳しい制約、すなわち予報期間――およそ十日――と地域性――企業が行動できる単位――を通しても、そのシグナルが有効に残る場合だけである。その範囲を外れると、予報の物理的な限界とデータ処理の仕組みの費用が支配的になり、季節的なパターンやリスクを調整した方策のほうが重要になる。将来、ツールがこの摩擦を和らげるかもしれないが、現時点で気象は、計画の土台ではなく補助である。

5.4.6.3 ソーシャルメディアのデータ

2010年代には、ソーシャルメディアのデータが、ほかのどの外部情報源よりも経営者を魅了した。何百万人もの消費者がソーシャルメディア上で願望や意見を表すようになり、その情報に基づいて提供する商品やサービスを絶えず改良できる企業なら、競合を打ち負かせるはずだと考えられた。数週間遅れで観測される販売データに頼る代わりに、市場の気分をリアルタイムで捉えることが期待された。さらに、ソーシャルメディアには、自社が現在提供しているものの範囲を超える情報もあり、新商品の投入を導く手がかりになるとされた。

しかし、ソーシャルメディアのデータは、ベンダーが約束した富をもたらすことはなく、期待された便益は実現しなかった。このデータは、極端に、しかもしばしば悪意をもってノイズが混入しているため、活用が非常に難しい。別人を装うアカウントがあふれ、実在の利用者も荒らしや操作を行い、インフルエンサーの勢いは移り変わる。閲覧数や登録者数といった視聴者規模の水増しは珍しくない。ソーシャルメディアのプラットフォームには、それらの数字を膨らませるクリックファームからのアクセス⁵⁵を排除する動機がほとんどない。

仮に品質がもっと高くても、大規模かつ自動的に、投稿を自社の提供内容の細部へ対応づけることは、依然として大変な作業である。公開された意見が、微妙な欠陥や、逆に改善の余地を明らかにし、設計や開発のチームに役立つことは明白だが、サプライチェーンへのフィードバックは、ほとんど役に立たない。最近の出荷が遅れたことを知るのに、ソーシャルネットワークは必要ない。記録システムと運送業者との連携が、すでにその情報を提供しているからだ。

最後に、処理費用も依然として無視できない。同じく大規模でも、気象データのようにすべて数値からなるデータセットとは違い、ソーシャルメディアのデータの大半は非構造化で、テキストと画像がほぼすべてを占める。最近のマルチモーダルLLM（大規模言語モデル）の進歩で処理は容易になったが、大規模に実行するには、今も費用と時間がかかる。

外部情報源の中で、ソーシャルメディアのデータは最も費用対効果が悪い。抽出は骨が折れ、得られる洞察も、サプライチェーンの観点から行動に結びつくことはまれである。実務上、企業はほかのすべての情報源を使い尽くすまで、サプライチェーンの仕事にソーシャルメディアのデータを使うべきではない。

5.5 日常的知識

意思決定の機械化に対するよくある反論は、人々は企業の記録システムにないことを数多く知っている、というものだ。しかし、これが自明の事実であるとしても――倉庫の従業員はドアの取っ手の色を知っており、その知識はまず間違いなくシステムにない――、ほぼ完全な自動化が不可能だという結論にはならない。それどころか、世間にも企業内にも、人間を処理の輪に残すことを巡る神秘主義が広く根強く残っている。まるで、人間の心にはコンピューターが模倣できない超自然的な性質があるかのようである。

まず、情報と知識を区別しながら、人々はものを知っているという主張を明確にしよう。従業員は、財の流れに関わるプロセスについて、確かに知識を持っている。しかし、必ずしも豊富な情報を持っているわけではない。とりわけ、絶えず変わる流れの状態の細部についてはそうである。人間の頭では、毎日数千の在庫状態、数千の顧客注文、数百の未着の仕入先納品を、確実に覚えることはできない。初歩的なコンピューターでさえ、情報を保存して取り出す能力では、信頼性と速度の両面で人間の頭をはるかに上回る。

今日、サプライチェーンに残る手作業の意思決定のほぼすべてで、計画担当者は、企業のシステムに表示される情報だけに頼っている。記録システムで足りないとき、従業員はシャドーITの安全網であるスプレッドシートに手を伸ばし、不足する情報を組み立てる。この広く見られる慣行は、サプライチェーンが事実上デジタル情報に依存していることを示す。その情報が、よく設計された記録システムに整然と統合されていようと、まとまりのないスプレッドシートの集まりに無造作に散らばっていようと、実質的に情報はデジタル形式でしか存在しない、という点は変わらない。

前の知識節で行った、専門的知識と日常的知識の区別を思い出そう。数式、ソースコード、契約上の規則などの専門的知識は、すでに書かれた形で存在し、機械化の自然な材料となる。対照的に、日常的知識は暗黙の慣行の中にとどまる。運送業者Xは午後4時を過ぎると決して来ないこと、トラックの「ベッシー」を一速に入れるには、うまくなだめる必要があること、ある仕入先が隔週の火曜日に通関書類を忘れること、といった知識である。完全自動化に懐疑的な人々が本当に恐れているのは、人間が「処理の輪から外れる」と、この曖昧な残余が消えてしまうことである。

対処法は、自動化を諦めることではなく、段階的な明文化を進めることである。担当者が、重要な意思決定を変える、書かれていない規則に頼るたびに、その規則を表に出し、書き留め、実際に使うほかのコードとまったく同じように版管理の対象としなければならない。時間とともに、組織は更新され続け、同僚のレビューを受ける知識の集積、すなわちサプライチェーンの実務手引きを作り上げる。技術者はそこから、今後の知能システムに使う決定論的な規則、統計的な事前分布、学習用ラベルを取り出せる。

このような手引きを育てるには、全社的な書き残す文化が必要である。議事録、事後分析、シミュレーションのノートブック、修正用のSQLコード片は、第一級の成果物として扱い、検索、レビュー、リファクタリングのために共有リポジトリへ保存すべきだ。書かれた言葉はゆっくりと衰えるが、口伝は一夜にして消え去る。企業がこの規律を早く取り入れるほど、必要な情報を十分に備え、機械が実行する意思決定へ、より速く近づける。

したがって、情報を根拠にした自動化への反論は成り立たない。しかし、これは知識そのものと、それを使いこなすために必要な知能については答えていない。反論は、次のように言い換えられる。必要な情報がすべて与えられても、その情報を意思決定に変える方法を、私たちはまだ形式化できない。従業員にはできるが、どう行っているかを説明できない。少なくとも、コンピューターが確実に再現できるほど正確には説明できない。この反論には道理があり、後の知能の章で再び取り上げる。

5.6 悪いデータ

この四十年間、サプライチェーン計画の取り組みは、ほとんど途切れることのない失敗の連続だった。大半の企業で、人の介入なしに動き、本番運用に耐える意思決定プロセスが存在しないことが、その証拠である。この主張は後にもっと詳しく取り上げるが、ここではまず、悪いデータが最も好まれる言い訳になっていることを指摘しておこう。ソフトウェアベンダー、システムインテグレーター、データサイエンティストは、そろって、成果が出ない原因を不十分なデータに求める。しかし、この説明は詳しい検討に耐えない。

1990年代後半以降、相応の規模を持つサプライチェーンは、すべてデジタル化されてきた。あらゆる購入、出荷、販売、生産の実行が、どこかの記録システムに記録されている。これは、そのシステムが物理的な流れに関係するすべての側面を捉えていることも、制約やその他の問題がないことも意味しない。それでも、大企業の中核的な取引履歴は、二十年以上にわたってデジタル化されている。

経験的に見ると、記録システムに保存された取引データの誤り率は、ほぼ例外なく、千件に一件程度という低さである。この正確さは驚くに当たらない。正確な台帳を維持することは、企業の存続に関わる。顧客の未払い債務は回収しなければならず、仕入先の請求書に二度支払ってはならない。こうした基本を日常的に怠れば、倒産は避けられない。よくても、経営の優れた競合に買収される。これらの問題の大半は、解決可能だからである。予防策があっても、ときには事務上の誤りが紛れ込むが、サプライチェーンの最適化に意味のある影響を与えるには、あまりにまれである。

記録システムが持つ非取引データは、通常、取引データより品質が低い。まさに、誤った入力が必ずしも経済的な不利益を引き起こさないからである。しかし、サプライチェーンの現場では、こうしたデータがまったくのごみであることはまれだ。実際、大半の大企業には、記録が日々の業務を反映するだけの規律がある。非取引データの主な品質問題は、従業員が入力作業を避けられる場合に、記録が欠落することである。使い勝手が悪ければ、入力を省くことが、生産性を保つ唯一の現実的な方法かもしれない。しかし、それらのフィールドが未入力のままになるのは、まさに、流れを動かし続けるために不可欠ではないからである。

ある意味では、企業が営業を続けているという事実そのものが、データは「十分に良い」ことを証明する。数十年前には、紙の控えを残す部門もあったが、大規模なサプライチェーンでは、そのような慣行は消えた。企業のシステムにないデータは、存在しないのである。したがって、非取引データの欠落はサプライチェーンの最適化を妨げるのではなく、その効果を制限するにすぎない。しかも、同じデータ上の限界は、手作業でその仕事を行う従業員にも課される。人の頭の中の情報だけで最適化に足りる場面は少ない。代わりに、乏しいデータでも、場合によっては非効率ながら流れを維持できる、文脈に依存しない方策に頼っている。しかし、そのような方策は人間の頭だけのものではなく、ソフトウェアでも再現できる。

たとえば、数十のフランチャイズ店舗に供給する倉庫を持つ小売ネットワークを考えよう。独立して運営される各店舗は、翌日の納品を期待して、毎日倉庫へ発注する。しかし、ある日の店舗からの総発注数量が、倉庫の手持在庫を超えることもある。この場合、標準的な方針は単に「先着順」となる。この素朴な規則は、仕組みの悪用を招く。店舗は品不足の可能性を感じるたびに多めに発注し、それが問題をさらに深める。より良い方策は、最初に要求した店舗へすべてを渡すのではなく、残った在庫をネットワーク全体に配分することである。ただし、こうした改善には、より多くのデータ、つまり、より多くの文脈が必要になる。

これらの観察は、サプライチェーンのプロジェクトの大半を沈めるのは「悪いデータ」だという通説に疑問を投げかける。結局のところ、大半の取り組みは、取引データだけで足りる流れの計画であり、そのデータは利用可能で、信頼もできる。別の、より説得力のある説明は、大半の技術者――ソフトウェアベンダー、システムインテグレーター、社内のデータサイエンティスト――が、企業の記録システムにすでにあるデータを活用できていない、というものだ。実際、サプライチェーンの書籍もソフトウェアも、この問題を軽視しがちである。データの準備は完全に無視され、専用の方法論や技術を設けるほどでもない、きわめて単純な仕事として暗黙に扱われている。

しかし、前節で詳しく述べたように、記録システムはデータサイエンスのために設計されたことはなく、今後もそうなる可能性は低い。大企業は、機能の重なる記録システムを多数、ときには数十も運用している。このような混沌としたアプリケーション群は、合併・買収、旧システムを廃止しないまま繰り返される導入、次々に生まれる機能要件から生じる。したがって、相応の規模を持つ企業にとって、データの準備、とりわけフィールドの意味の特定は、例外なく巨大な課題である。その課題に取り組めるのは、サプライチェーンの専門家だけだ。

要するに、「悪いデータ」は、単なる能力不足を隠す便利な責任転嫁の対象になることが多い。外部の情報源は、深刻な品質問題に悩まされることが多いが、企業自身が運用する記録システムでは、そうではない。

6 知能

知能とは、人が自分の望みを明確にし、それを実現するために必要な行動を計画することを可能にする、捉えどころのない能力である。オプショナリティを使いこなすこととして理解されるサプライチェーンを利益の出る形で実行するには、相当な知能が必要であることは自明である。一方、粗雑に運営されたサプライチェーンは、回避可能な余計な費用を絶えず企業に負わせる。より的確な資源配分であれば、防げる費用である。

阻害されない市場では、知的に経営される企業が報われ、そうでない企業は淘汰される。市場は、その参加者が明示的に理解していない能力を発揮するという点で驚くべき存在である。先ほどは市場が価格を生み出すことを見たが、今度は知的な経営も生み出すことがわかる。これらの能力は、市場全体の集合的な性質として、間接的にしか得られない。経営者は、それでも自社、とりわけそのサプライチェーンを改善するために、自らの知能に頼らなければならない。

知能を理解することがサプライチェーンにとって極めて重要なのは、今日ではその多くを工学的に実現し、コンピューターハードウェアに委ねられるからである。実際、財の流れを維持する日常的な業務上の意思決定を、大規模に、人の介入なしで自動化することは、十年以上も前から可能になっている。これは汎用知能が「解決済み」だと主張しているのではない。工学的に実現された特化型知能が、限定された課題において、すでに人間を超える一貫性と大幅な生産性向上をもたらしているという観察である。今日どこでも使われている経路計画アプリは、目立たないながらも、その強力な証拠となっている。

工学的に実現されたこの能力が、アーキテクチャとして形を取ったものが知能システムである。汎用知能と特化型知能を対比する前に、まずこれらのシステム自体を検討しよう。現代のサプライチェーンでどのように生まれ、未加工の記録をどのように人の介入なしで利益を生む意思決定へ変え、またその設計原則が、エンタープライズソフトウェアを支配するCRUDアプリケーションと大きく異なるのはなぜなのか。

6.1 知能システム

意思決定は、知能システムによって機械化される。記録システムやレポートシステムとは異なり、知能システムは人間の担当者を置き換えるために設計され、人間と機械の対話を目的としない。知能システムの目的は、最も利益を生む意思決定を生成し、その意思決定を完全に人の介入なしで行うことである。⁵⁶ほとんどの企業にとって、徹底した自動化は収益性の礎であった。知能システムは、この原則を従来ホワイトカラーの従業員に委ねられていた仕事へ広げる。知能システムを構築できるかどうかは、汎用か特化型かを問わず、知能を機械化できるかどうかにかかっている。

マーケティング、財務、人事など、あらゆる企業機能がいずれ独自の知能システムを持つことになるが、サプライチェーンは最も有望な分野のひとつである。相応の規模のサプライチェーンでは、毎日、数万件、ときには数百万件の意思決定が必要になる。知能システムがなければ、財の流れを維持するだけでも数十人、場合によっては数百人の事務担当者が必要である。2020年代初頭には、多くの小売業者やメーカーで、スプレッドシートを更新するホワイトカラーの人数が、財そのものを扱うブルーカラーの人数を上回っていた。ブルーカラーの仕事は二世紀にわたって積極的に機械化されてきており、その過程は今も続いている。対照的に、過去五十年間にエンタープライズソフトウェアがもたらした生産性向上は、そのほぼすべてが記録システムだけによるものであった。ホワイトカラーの人数はほとんど減っていない。サプライチェーンの複雑さの増大が、向上分を吸収してしまったのである。

ところが、1970年代に導入された初期の在庫管理システムには、意思決定を広範に自動化することが期待されていた⁵⁷。それらのシステムはほぼ例外なく、安全在庫のパラダイム、あるいはそのわずかな変形に基づいていた。SKUごとに、需要予測、入力されたリードタイム、目標サービスレベルからバッファーの大きさを決めるというものである。この方法は、需要の不確実性が正規分布に従うと仮定する。当初は、従業員がときどきパラメータを更新する程度の軽い監督のもとで、このようなシステムが在庫の意思決定を自動生成できると期待されていた。この期待は誤りであった。システムは依然として極めて労働集約的なままであった。

しかし、数十年間の行き詰まりを経て、21世紀には、知能システムとして明確に設計されたシステムによって、サプライチェーンの日常的な意思決定を実用的に自動化できるようになった。サプライチェーンの実務家にとって、これらのシステムの重要性はいくら強調してもしすぎることはない。現代のサプライチェーン実務は、その大部分が専門的なソフトウェアの取り組みだからである。つまり、サプライチェーンに特化した知能システムを構築することにほかならない。この根本的な洞察は、サプライチェーンの著者、コンサルタント、学者のいずれにもしばしば見落とされている。その結果、従来のパラダイムでは、サプライチェーン実務を生産的な資産に変えることができない。

6.1.1 生産的な資産

従業員を育てて、辞められたらどうする？　確かにそうだが、育てずに居続けられたらどうする？　（昔からの経営の格言）

ソフトウェアが登場する前、企業は、どれほど小さく、平凡で、反復的なものであっても、日常的な意思決定のひとつひとつに事務担当者を雇い、雇い続ける必要があった。意思決定が増えれば、事務担当者もその管理者も増えた。企業は事業の範囲を絞って人数を減らすこともできたが、そのためには提供するものを縮小するしかなかった。この見方では、従業員は純粋な営業費用（OPEX）である。勤務日は消費され、意思決定が終われば、後に残る資産はない。

研修や組織の洗練をもってしても、大人数の従業員集団は、はるか以前にその能力の上限に達している。たとえばAPICS⁵⁸（American Production and Inventory Control Society）は1957年に設立され、その教えは何十年も変わっていない。コンサルタント系の多くの著者が今なお唱えていることとは裏腹に、ソフトウェア以前のパラダイムにとどまったままサプライチェーンのプロセスや組織を刷新しても、わずかな収益以上のものが得られると期待するのは、もはや不合理である。

知能システムの根底にある基本的な提案は、これらの営業費用を資本支出に変えることである。システムの構築に投じた人日そのものも、システム自体を改善する。運用と保守には引き続き費用がかかるが、ソフトウェアであるため、通常、その支出は同じ成果を手作業で得るために必要な給与総額のごく一部にすぎない。こうして知能システム自体を通じ、サプライチェーン実務は生産的な資産として具体的な形を得る。この資産が生産的なのは、自動化する意思決定を通じて、運用費用を大きく上回る継続的な収益を企業にもたらすからである。

訓練で向上できる範囲に限界のある事務担当者とは異なり、知能システムから期待できるサプライチェーンの成果には、あらかじめ定まった上限がない。第一に、特定の非効率や誤りについて、事実上恒久的な修正を行えるようになる。実際、管理者がどれほど十分な訓練を受け、勤勉であっても、手作業のプロセスでは事務上のミスがときどき起こることは避けられない。しかも、同僚や上司による追加の確認など、手作業のプロセスにさらに重複した仕組みを導入することは、通常逆効果である。流れを遅くし、障害と費用を増やすからだ。第二に、データを増やし、予測器の精度を高め、最適化器の有効性を高めることで、あらゆる意思決定をさらに洗練できる。その高度さに内在する上限はない。ソフトウェアにはすでに、それ以外の方法なら何人もの生涯をかけて蓄積しなければならない洞察や技能を組み込むことができ、これは何十年も前からそうである⁵⁹。

知能システムの保守は汎用知能の問題であるため、まだ完全に自律したシステムは存在しない。しかし2010年代初頭以降、サプライチェーンの日常的な実行をおおむね人の介入なしで維持する知能システムを運用する企業は増えている⁶⁰。数値レシピは何週間も、ときには何か月も変更されずに稼働する。

6.1.2 混迷の中での出現

1970年代以来、サプライチェーンソフトウェアのベンダーは、自社製品が計画を自動化すると繰り返し主張してきた。しかし実際には、これらの約束は実現しなかった。提供されたシステムは人の介入なしでは意思決定を行わず、2020年代半ばになっても、ほとんどのベンダーについてこれは変わらない。⁶¹本物の知能システムが登場したのは20世紀後半になってからであり、最初に大規模に普及したのは、クオンツ金融におけるアルゴリズム取引プラットフォームであった。これらは「取引アルゴリズム」や「自動取引システム」とも呼ばれる。1980年代から、金融機関は取引の意思決定を自動化するためにアルゴリズムを利用し、さまざまな市場活動で事実上、人間のトレーダーを置き換えてきた。これらのシステムは、膨大な市場データを分析し、利益を生む取引機会を見つけ、人間には不可能な速度で取引を執行するように設計されていた。その成功は、知能の機械化が持つ変革の可能性を示し、他の業界に先例を与えた。

しかし他の業界、とりわけサプライチェーンでは、1970年代のエンタープライズソフトウェアの台頭以来、記録システムと知能システムの混同が続いてきた。ソフトウェアベンダーは、市場アナリストの助けを借りながら、その混同を持続させる中心的な役割を担ってきた。要するに、記録システムは設計が容易だが収益には限界があり、知能システムは設計が難しいが大きな可能性を持つ。そのため、ほとんどのベンダーは、見込み客の支払意思額をつり上げるために、自社の記録システムを知能システムとして提示する。粗雑ではあるが、このマーケティング手法はいまだに有効であり、2020年代になっても企業は、十年以上前にコモディティ化した技術、すなわちCRUDアプリケーションに高い料金を払っている。何十年にもわたる実証的な反証にもかかわらず、多くの経営者は、記録システムが経営上の意思決定の質に寄与すると信じ続けている。

記録システムが提供できる価値には、そのソリューションの質がどれほど高くても、厳格な上限がある。実際、ほぼ完全な信頼性と完全な機能範囲を達成すれば、それ以上改善することはない。請求、棚卸し、時間の記録など、多くのプロセスは十年以上前にこの最終段階に達している。優秀な会計士と比べて世界最高の会計士を雇っても違いがないように、優秀な記録システムと比べて最高の記録システムを使っても違いはない。

エンタープライズソフトウェアのベンダーは、記録システムに内在する限界を常に痛いほど認識していた。当初からベンダーは、自社製品のおかげで企業が行えるようになる「より良い意思決定」を宣伝の中心に据えてきた。たとえばサプライチェーンでは、ソフトウェアが実際には在庫の意思決定をすべて顧客企業の従業員に委ねていても、ベンダーは例外なく、自社のソリューションが在庫水準を下げ、欠品を減らすと主張する。ERPは常にまさにそのようなものである。後にレポートシステムを販売するベンダーも同じような手法を採り、よくてもレポートから間接的に導かれたにすぎない意思決定を売り文句とするようになった。

技術的な難題の核心は、記録システムもレポートシステムも、実際には拡張して知能システムにすることができないという点にある。1970年代の初期のソフトウェアベンダーを擁護するなら、当時その理由はすぐにわかるものではなく、ベンダー自身も、初期の記録システムがやがて意思決定のプロセスを包含するようになると、おそらく信じていたのであろう。しかし1990年代末までには、何十もの注目すべき失敗例が、そのような移行は起こらないことを示していた。

6.1.3 文化とインセンティブ

サプライチェーンの意思決定の自動化は、1990年代に巨大企業へ成長したエンタープライズソフトウェアの先駆者たちから生まれたのではない。これは二重の意味で驚くべきことである。これらのベンダーは、記録システムを通じてサプライチェーンを広範に把握していただけでなく、まさにそれらのプロセスを改善する能力を絶えず宣伝していたからだ。これらのベンダーがなぜサプライチェーン向けの知能システムを提供できなかったのかを理解することは重要である。自社のサプライチェーンを近代化する企業も、同じ問題に直面するからである。

20世紀後半のソフトウェアには不足があり、ベンダーが楽観的すぎただけだ、と論じることもできるかもしれない。しかし、その主張には疑問がある。実際、主にERPやCRMのベンダーであるこれらの企業は、一部の企業がサプライチェーンの意思決定を機械化したことが明らかになってから十年たっても、方向転換していなかった。そのような自動化を可能にする設計を持っていなかったのである。したがって、技術的な障壁はあったにせよ、それが主な障害ではなかった。

第一の問題はインセンティブである。記録システムを販売するベンダーは、一般にユーザー数に料金を連動させる。サポートのように人数に直接結びついていない料金さえ、実際には人数に応じて変わる。その結果、ベンダーには人数を増やす特性を追加するインセンティブが生まれ、人数を減らす方向へ製品を導く意欲はそがれる。意思決定の自動化を明確な目的とする知能システムは、その方針に真っ向から反する。

したがって、しばしば高収益を上げている記録システムのベンダーに、現在の稼ぎ頭を侵食しかねない技術へ資金を投じる理由がほとんどないのは、何ら不思議ではない。経済学からひとつだけ教訓を得るとすれば、それはインセンティブが重要だということである。組織の収益性が、画期的な進歩が起こらないことに依存しているなら、その内部に先見の明を持つ人物がいても、結果は変わらない⁶²。

第二の問題はエンジニアリングの文化である。述べたとおり、記録システムはほぼ例外なくCRUDパラダイムに沿って開発される。他の方式と比べ、CRUDではアプリケーションの保守や拡張に必要な技術力がはるかに少ない。このことは、記録システムのベンダーにとって人員管理の礎となっている。その結果、優秀な技術者への依存を減らしながら、より大きなチームを運営できる。対照的に、知能システムには必ず、CRUDの些細な問題とは比較にならない難しい技術的課題が伴う。しばしば十年以上にわたり、ほぼ「簡単な」問題だけを扱ってきた従業員集団が、本当に難しい問題に取り組むのをためらうのは当然である。傍証として、過去二十年間のコンピューター科学の画期的な進歩は、そのほとんどすべてが消費者向けソフトウェア企業から生まれている⁶³。一方、企業向け記録システムのベンダーによる顕著な貢献を挙げるのは難しい。

したがって、知能システムを導入する際、企業は記録システムを専門とするベンダーを避けるべきである。記録システムの方が先に導入されるため、管理者は常に、すでに信頼できることがわかっている既存のベンダーに頼りたくなる。しかし残念ながら、その信頼は的外れである。記録システムでベンダーを成功させる特性は、知能システムではまったくの逆効果となる。

6.1.4 相反する設計要件

インセンティブと文化に加え、記録システムを拡張して意思決定まで取り込もうとする試みは、相反する設計要件によってほぼ失敗が運命づけられている。性能、信頼性、保守性は双方にとって重要だが、それらの概念が意味する内容は大きく異なる。

後ほどサプライチェーンの知能システムの技術を検討する際、そのようなシステムをCRUDアプリケーションから実質的に発展させることはできず、別個に開発するのが最善であることが明らかになる。基本的な点を考えるだけでも、記録システムと知能システムの隔たりがいかに大きいかわかる。

6.1.4.1 性能

記録システムは、低い遅延で応答しなければならない。入力や画面が何であれ、遅延を感じさせないためには、操作はミリ秒単位、理想的には100 ms未満で完了する必要がある。それを超えると、日常的な業務全般の生産性が低下する。100 msは速く聞こえるが、待ち行列が生じるため、平均がその値のシステムでも、数秒に及ぶ遅延が必ず発生する。ユーザーはその遅延に気づき、不満を抱く。

そのため記録システムでは、あらゆる操作が、固定された資源予算のもとで、事実上一定の時間内に完了しなければならない。すべての操作が同じトランザクション処理の中核を奪い合うため、「重い」操作はどれであれ、いずれシステムを資源不足に陥らせ、多くの操作の遅延を悪化させる。何千もの機能があれば、ひとつの例外さえ危険である。今日、「遅い」業務システムを持つ企業のほとんどは、記録システムに実装すべきではなかった重い操作が招く、予測可能な結果に苦しんでいる。

このような高コストの操作は、意図せず簡単に持ち込まれる。たとえば、行数に上限を設けずに合計すること、具体的には製品カテゴリーの一年間の売上高移動平均を計算することだけでも、すでに問題となる。しかしこれは記述統計の基本的な処理である。アルゴリズムに詳しい読者は、ほとんどの記述統計は一定の資源枠内で維持し、取り出せると反論するかもしれない。それは事実だが、そのような高度な仕組みは実用的ではない⁶⁴。第一に、CRUDの長所はアルゴリズムの専門知識を必要としないことにある。第二に、何千もの機能へ広げると、性能上の問題が入り込む。これらの操作を全面的に避けることだけが、規模を拡大しても機能する予防策となる。

知能システムが直面する性能上の状況は、まったく異なる。海外のサプライヤーにいつ、どれだけ発注するかを決める場面を考えよう。意思決定には時間的な制約があるものの、より良い発注を得るための最適化に数分、あるいは数時間を費やすことには意味がある。結果が展開するまで何週間もかかる意思決定に、100 msの上限を課すことは無意味である。知能システムの目的は、その企業が構築に費用をかけられる範囲で、最善の意思決定を生み出すことである。計算への支出が追加の利益に比べて十分に小さい限り、さらに費用をかけることは合理的である。

6.1.4.2 信頼性

記録システムにおける信頼性と、知能システムにおける信頼性は、意味が大きく異なる。記録システムが停止すると、それに依存するプロセスはすべて直ちに止まる。たとえば在庫システムが停止すれば、在庫のピッキングを進められなくなることがある。したがって、記録システムを構築する際には、常時稼働させることが極めて重要である。CRUDアプリケーションは関心事を分離するため、ほとんどのバグは局所的で、ひとつの画面やプロセスにしか影響しない。通常、特定された問題があっても記録システムを動かし続ける方が、バグを修正するまで停止させるよりも望ましい。実際、業務が進行している間にも修正を適用できるべきである。局所的な問題の解決が、企業の他の部分に害を及ぼしてはならないからだ。この機能、すなわちホットパッチは、一般に技術的に難しいとされる。しかしCRUDパラダイムは、リレーショナルデータベースエンジンを通じて、ホットパッチを大部分実現している。そのため実際には、記録システムを開発するソフトウェアエンジニアが、ほぼ完全な稼働率を達成するために分散コンピューティングの専門知識を必要とすることはまれである。

対照的に、知能システムに欠陥があると疑われる場合、慎重を期すなら停止し、再開前に診断すべきである。誤った意思決定は極めて高くつくことがある。たとえば海外のサプライヤーへの桁外れに大きい発注は、在庫の全額償却に至らないとしても、在庫の評価損をほぼ確実に招く。

したがって、知能システムでは、稼働率よりも意思決定の経済的な質が重要である。信頼が低下したとき、エンジンは明示的なヒューリスティクスに基づき、意図的に、素早く停止すべきである。これによって高くつく誤りを回避でき、通常それが最も利益の出る選択となる。これらの停止ヒューリスティクスは、記録システムを無理に意思決定ツールへ広げた際に出力される「アラート」や「例外」とは異なる。CRUDの設計では、単純でない意思決定の細部をコード化できないため、特殊なケースが増殖する。基本的な補充ロジックは、新製品の投入、カニバリゼーション、競合他社の販促、その他の日常的な変動に対応できない。しかしアプリケーションを停止することは許されない。特殊なケースは頻繁に発生するので、そうすればツールはほとんど常に停止したままとなり、しかも記録システムでもあるため、止めれば業務が麻痺する。そこでツールは例外を記録し、その案件を人間に押し付ける。本物の知能システムは逆のことを行う。意思決定エンジンは停止し、ロジックの変更というプログラム上の修正が適用されて初めて運用を再開する。案件を手作業で処理して済ませることは選択肢に入らない。

6.1.4.3 保守性

この二種類のシステムは、保守性に対する姿勢も大きく異なる。記録システムでは、新しいエンティティが追加されると顧客はそれに依存するようになる。データが保存され、プロセスがそのデータに依存するからだ。問題が始まるのは、エンティティが重複し、保守できなくなったときである。重複は修復できない混乱を生む。エンティティは削除できず、内容を切り詰めることさえできない。またソフトウェアをさらに開発する際の衝突も生む。エンティティの定義が不十分であったり、曖昧であったり、その他の形でエンティティ群全体の意味の整合性を損なったりする場合にも、同様の状況が起こる。したがって記録システムでは、保守性は主として、エンティティとその上に実装する動作を慎重に吟味することにかかっている。

また記録システムでは、コードベースの大きさそのものは保守性の問題ではない。多くのシステムは、数万のテーブルにまたがる数千のエンティティを持つ。コードベースが大きくなれば製品の拡張に伴う間接的な負担は増えるが、継続性が脅かされるわけではない。さらに、仮に全面的な書き直しに何年もかかるとしても、それは許容できる。望ましくはないものの、最優先の懸念ではない。即座に全面的な書き直しを求められる状況はないからだ。事業が既存の記録システムでは想定していなかった方向へ拡大した場合には、それを補う新しいシステムを設けてもよい。統合は難しいかもしれないが、古いシステムを全面的に書き直すことの難しさには遠く及ばない。

対照的に知能システムでは、前例のない状況に直面したとき、運用を再開するために素早く再構築できれば、保守性があるといえる。そのような状況は、大幅な戦略変更、突然の市場変化、あるいは流れを根本から変えるあらゆる要因から生じうる。知能システムは日常的な変動には対応すべきだが、特化型知能に根本的な混乱への対応を期待することはできない。それには汎用知能が必要であり、コンピューター上の形では容易に利用できない。

たとえば2020年の世界的なパニックの際、一部の航空MRO事業者は、旅客数の急減を受け、現金を温存するために特定のローテーブル部品（修理可能な部品）の修理をやめ、使用不能の品を保管した。修理費用は部品価格の三分の一に達することもある。運航量の減少によって使用可能な在庫が過剰になっていれば、その支出を先延ばしにすることには意味がある。2020年以前は、使用不能品の保管は実行可能な選択肢と考えられておらず、通常、修理を見送るプロセスはなかった。修理対象となるローテーブル部品は、原則としてすべて修理されていた。前例のない市場状況によって、この方策は無効になった。2020年以前に構築された知能システムが、その年のロックダウンに適切に対応すると期待するのは不合理だったであろう。本番稼働中のシステムには、新たな現実に対応するための大幅な変更が必要だった。

新しい状況によって意思決定ロジックの全面的な書き直しが必要になることがある以上、その書き直しは実行可能なものでなければならない。実際には、チームは数時間以内に粗い書き直しを用意し、数日以内に完成度を高めたものを用意できるべきである。このような極端な事態の合間には、停止ヒューリスティクスが作動したら、数時間以内、場合によっては一時間未満で調査し、問題を解消できる必要がある。つまり、エンジニアは常に中核のロジックに飛び込み、問題を評価し、必要ならその場で修正できなければならない。

したがって知能システムのコードベースは、小さく明快に、理想的にはひとりのエンジニアが扱える規模に保つべきである。既存のロジックはいずれ、意味のある意思決定を生み出す能力を超える状況に遭遇すると想定しておこう。そのときには、有能な従業員の汎用知能を使い、新たな現実に合わせてロジックを再構築する以外に手段はない。本質的に、知能システムの保守性とは、混乱が発生した際に、システムをほぼ全面的に書き直せる能力である。

6.1.5 解決策がなければ問題もない

知能システムの成否は、取り組むべき事業上のゲームをどう捉えるかで決まる。欠点のない最適化器であっても、誤った目的を追えば価値を破壊する。したがって、ソフトウェアに代わりに考えさせる前に、何について考えるべきなのかを、まず正確に明らかにしなければならない。この作業は驚くほど難しい。

小学校から大学まで、学生には解くべき「問題」が与えられる。成績の大部分とまではいわなくても、その多くは、これらの問題の解を見つける能力に大きく左右される。この方法が続いているのは、教育上の利点があるからというよりも、教育機関にとって、学生を容易に、見かけ上客観的に評価できるからである。しかし、この問題解決の思考様式は工業化された私たちの文化に深く根づいており、少なくとも二つの注目すべき結果をもたらしている。これらの結果は、サプライチェーンにとって、さらに一般には、本当に難しい取り組みにとって非常に重要である。

第一に、「問題」について考えることに、ほとんど本能的な抵抗がある。教育機関は解を見つけることを訓練し、報いるのであって、問題を生み出すことをそうしているわけではない。その中で二十年を過ごすと、この型はほとんどの人に深く染みつく。その結果、解決策がすでに見えていなければ、問題を明確に表現することに苦労しがちである。解決策を考えることは自然にできる。それに何千時間も費やしてきたからだ。一方、問題そのものについて考えることは、ほとんどの人にとってめったに練習してこなかったことである。

その結果、サプライチェーンの重大な問題は、既成の解決策が手元にないというだけで、実務家や著者から無視されることが多い。段階的な数量値引き、カニバリゼーション、敵対的な行動、モデルの不確実性、不確実性のもとでの最適化などがその例である。いずれも重要でありながら、今日のサプライチェーンの議論では大部分が避けられている。企業は、事業を動かし続ける業務の手順である社内方針を通じて、これらの問題に間接的に対処している。しかし、各方針が解こうとしている正確な問題を明示することはまれである。知能システムにとって、この見落としは致命的である。市場がすでに別のゲームへ移っているのに、コードは昨日の問いを忠実に最適化し続けてしまう。

第二に、問題設定そのものを疑うことは、本能的に権威への挑戦と受け止められる。実際、教育機関で二十年を過ごせば、与えられた問いにそれは重要ではないと答えれば必ず悪い成績になることを、学生は皆知っている。しかし、その答えこそが適切であることはあまりに多い。どの問題に取り組むかを慎重に選ぶことは根本的に重要である。時間、計算能力、人員といった資源は常に限られているため、考えうるあらゆる問題に取り組むことはできない。どの問題を解くかを賢明に選ぶことは、起業家にとって最も重要な技能のひとつである。この視点は従業員の視点とは根本的に異なる。従業員は通常、与えられた問題を解決するだけでなく、社内方針に組み込まれた成文化された方法に従うことも求められるからだ。

学界にも企業にも、問題設定そのものを疑うことを思いとどまらせるインセンティブが存在する。大学では、論文の発表、研究助成金、学生の募集のいずれも、公認された研究分野の中にとどまることに依存している。研究者は、その分野の正統的な枠組みに収まる限り、どのような「関連する」テーマでも追究してよい。マックス・プランクは『Scientific Autobiography』（1950年）で、この力学を捉えている。新しい科学的真理は、反対者を説得し、真実に目覚めさせることで勝利するのではない。反対者がやがて死に、その真理になじんだ新しい世代が育つことによって勝利するのである。

企業では、それぞれの問題の解決策が、組織図と予算項目の形を取る。したがって問題を疑うことは、現状を脅かし、管理職の間に勝者と敗者を生む。大企業で社内政治は避けられず、問題を捉え直すうえで大きな障害となる。企業の歴史は、組織も人間と同様に死ぬこと、そして新しい問題に向き合うことを拒む姿勢が、衰退の主因のひとつであることを示している。

したがって知能システムのプロジェクトで最初に提出すべきものは、コードではなく、経済的な問題を明確かつ検証可能に記述したものである。この記述が批判的な吟味に耐えて初めて、最適化、予測、データ整備を始めるべきである。エンジニアリングと文化の土台が整ったところで、視野を広げ、知能そのものを改めて検討しよう。まずその汎用的な形を、続いてサプライチェーンの仕事が日々扱う特化型の形を取り上げる。

6.2 汎用知能

知能システムに含まれるのは、ソフトウェアの範囲に限定された狭い推論である。一方、汎用知能は特定の問題に依存せず、どれかひとつの課題で秀でている必要もない。その特徴は、問題の捉え方と解き方の両方を洗練できることである。子供にも大人にも知能を育む道具となる謎かけや物語は、太古から人類とともにあった。謎かけは、頭を磨くこと自体を目的とした練習である。物語も同じような役割を果たすが、感情的な反応を利用して記憶を助ける。

5,000年以上前に発明された文字は、人間の汎用知能の原因ではなく、その増幅器と捉えるのが最も適切である。文字は記憶を外部化する。視点、洞察、事実を記録し、著者の死後はるかに長い時を経てからも批判し、組み合わせ直すことができる。印刷機、そしてずっと後にウェブが、複製費用を下げ、協調の範囲を広げ、このフィードバックの循環を加速した。しかし記憶容量を増やすこと自体から、理解や判断が生まれるわけではない。重さがグラム単位の装置は、人が一生かけて読める量の何倍もの文献を保存できても、まったく知能を持たないことがある。記憶することは知能ではない。

シャチやチンパンジーのような知的な動物は、狩りや採食のこつといった文化的なノウハウを子供に伝える。これらの動物は顕著な知能を示すが、汎用知能には届かない。過去の哲学的な理論とは異なり、人間だけに固有の特性はひとつもないように見える。複雑な言語、個体の名前、ユーモア、道具、形式論理、心の理論⁶⁵はすべて、より未発達な形で動物界に存在する。したがって知能から汎用知能への移行には、緩やかな閾値がある。質的な飛躍が起こるには、多くの精神的能力が量的な境界を越えなければならない。

2020年代初頭まで、汎用知能を意図的に自己改善することは、厳密に人間だけのものであり、明らかに職人的な営みであった。精神は、再現可能な改善を際限なく施すという意味での「工学的な操作」になじまない。数千年にわたる教育学は多くの手法を生み出してきたが、少なくとも予見できる将来、この分野で画期的な進歩が起こるとは誰も期待していない⁶⁶。新しい言語も、線形代数も、熱力学も、一晩で習得することはできない。規律ある学習が、今も唯一の道である。

2010年代には、特化型知能が限定された分野で自己改善できるようになっていた。最も有名なのは囲碁である⁶⁷。2020年代初頭には転機が訪れた。最大規模のものでは人工汎用知能の兆しが認められる、大規模言語モデルが登場したのである⁶⁸。印刷機やウェブと同じように、これらのモデルは、人類が自らの知能を洗練する能力を広げる。

この土台を踏まえて、「汎用知能」を明確にできる。次の三つの小節では、異なる角度からこの主題に取り組む。第一に、問いがどの時点で、選択肢の空間に形式的な境界を設けられない汎用知能の問題となるのかを考える。第二に、サプライチェーンチームの事務的な職務を取り上げ、それらが汎用知能ではなく特化型知能を必要とし、そのため自動化の機が熟している理由を示す。第三に、工学的な汎用知能を実現する今日最も有力な候補である大規模言語モデルを評価し、真の貢献と誇大宣伝を分ける。これらの視点を合わせることで、哲学的な概念を、現代のサプライチェーンの運用指針へと変える。

6.2.1 汎用知能の問題

汎用知能の問題は、本質的に終わりが定まっていない。解決策はその都度、理解を深め、新しい定式化を迫るにすぎず、その定式化はさらに新しい解決策を要求する。この循環を断ち切っても、それが最終的な終わりになることはない。どこで止めるかは一部恣意的であり、現実が新しい定式化を強いるまでの間、その時点の経済条件、道具、注意力によって決められる実際的な休戦である。このような問題は、主観的にはまれだと感じられるかもしれない。ほとんどの「問題」は、名前が付くとすぐ、扱えるように形式的な境界で囲まれるからだ。しかし、ほぼすべての事業上の問題は、そのままの姿では汎用知能の問題である。

起業家による利益追求は、汎用知能の問題の明確な例である。企業の資本、時間、経営者の注意力は有限だが、それらを使う方法は事実上無限であり、絶えず変化している。起業家はあらゆる時点で、現在知られている最善の選択肢に資源を投じるか、より良い選択肢を探すために資源を費やすかを決めなければならない。探索自体が同じ希少な資源を消費することを承知のうえで、である。技術、競合他社、規制が変われば選択肢の空間も変わるため、固定された定式化で問題を完結させることはできない。したがって起業は、まさしく汎用知能の領域に属する。歴史を見れば、起業家は、先人が想像もしなかった産業を繰り返し再定義し、あるいは発明してきた。

対照的に、所定の顧客にサービスを提供しなければならない車両群について最適な経路を選ぶ配送経路問題は、境界のある問題の典型である。解くことは難しいかもしれない⁶⁹が、汎用知能を必要としない。どの解も、グラフ理論で形式的に記述された課題に従わなければならない。選択肢の集合は、天文学的に大きくても有限であり、どの候補も同じ形をしている。固定された費用モデルで評価される、立ち寄り先の順列と時刻である。真に意外な一手が現れることはない。

あらゆる問題は、汎用知能を必要とする混沌から始まる。それを扱える「境界のある」問題へ変えること自体が、汎用知能の働きなのである⁷⁰。重要なのは、選んだ定式化が適切かどうかである。学界は際限なくパズルを分類し続けられるが、企業はひとつの捉え方を選ばなければならない。各資源は一度しか配分できないからだ。この方法論上の論点には後ほど戻る。

逆に、境界のある問題も、それを「境界のある」ものにした枠組みを変えれば、再び汎用知能の問題へ引き上げられる。これは元のルールを破るため、ときに「ずる」として退けられる行為である。配送経路の教科書的な問題では、顧客、サービスの約束、車両群、価格が固定されていると仮定する。これらのどれかを交渉し直した瞬間、元の問題は消え去る。遠隔地への配送を取りやめたり延期したりする、異なる価格を付ける、受取ロッカーや宅配業者を追加する、車種を変える、配送時間帯を広げる、さらにはストリーミングがカセットに対してしたように配送そのものを不要にする、といった場合である。より賢い経路を見つけたのではない。ゲームを変えたのである。この捉え直し、すなわち制約、約束、見返りを変えることこそが、汎用知能の仕事である。

これまでの章では、サプライチェーンのいくつかの課題が、本物の汎用知能の問題であることを示した。特に三つが挙げられる。（1）行動が費用、収入、リスク、制約にどう結びつくか、つまり最適化する評価値を定める経済モデルを選ぶこと。（2）企業が検討する用意のある、許容される行動、時期、数量の集合である選択肢の空間を定めること。意思決定はこの集合からの選択であって、集合そのものではない。（3）データを与えられたとき、制約を守りながらリスク調整後の収益を最大化するよう、その選択肢の空間内で意思決定を選ぶ数値レシピを構築すること。競合他社、従業員、サプライヤー、顧客、ベンダーによる敵対的な行動が絶えず境界を押し広げるため、これらの問題に取り組めるのは汎用知能だけである。サプライヤーが脆弱なERPを利用して過剰な在庫を送り込んだ話は、そのような裏をかく行動の一例である。

公表されているサプライチェーンの研究の多くは、境界のある定式化に固く執着し、目的、制約、選択肢の空間という、汎用知能に関わる設計上の選択を暗黙のままにしている。だからといって、こうした問題が扱えないわけではない。実際には、隠れている選択を明示すればよい。経済的な目的を金銭で表し、許容される選択肢を列挙し、停止条件を定めてから、機械が解ける境界のある部分問題へ作業を分解するのである。次の節では、そのための具体的な方法と、現実から抵抗を受けたときに反復する方法を示す。この取り組みは必然的に未完である。汎用知能の問題は「完結」できないからだ。それでも、人の介入なしで利益を生む意思決定を実現するには十分である。

6.2.2 サプライチェーンの事務職

サプライチェーンの課題は、相当な汎用知能を必要とする。根強い誤解は、日常的な意思決定にも同じ水準が必要だというものである。そうではない。必要なのは特化型知能、つまり工学的に構築してソフトウェアに委ねられる、構造化されたプロセスだけである。

この誤解は、時代遅れの実務から生じている。多くの企業では、たとえば補充注文を出すかどうかを、今も事務担当者が決めている。確かに知能を使って方策を適用しているが、汎用知能はほとんど関わっていない。よく見れば、ほぼまったく関わっていないのである。

これらの方策は、通常、1970年代の実務をわずかに変えたものにすぎない⁷¹。事務担当者が根本を改善することはめったになく、ルールを実行し、維持するだけである。サービスレベルの微調整など、パラメータの維持でさえ、専門化された、ルールに従う作業である。ここでも汎用知能の出番はない。

より良いレポートツールは生産性を高めたが、意思決定そのものを改善したわけではない。従業員が在庫水準や販売履歴を探す手間を省くことは有用だが、数字を表示すること自体から、それをどう利益に変えるかがわかるわけではない。

率直にいえば、21世紀のサプライチェーンの事務担当者⁷²は、20世紀の工場労働者に相当するホワイトカラーである。毎日、アプリケーション、多くの場合はスプレッドシートを開き、何百行も苦労して処理することから一日が始まる。その循環に終わりはない。成績の良い人は指導役や監督者となり、循環を持続させる。机があること自体が「知能」を与えるわけではない。今日の技術を考えれば、これらの事務的な職務はまもなく歴史書に収まることになる。時代遅れとなり、皆が安堵するのである。

しかし、その事務担当者たちが蓄積してきたノウハウは、決して捨ててよいものではない。ソフトウェアベンダー特有の癖、カタログの特殊なケース、その場しのぎの回避策と何年も格闘して磨いた日々のヒューリスティクスは、明日の知能システムが吸収し、形式化し、超えていかなければならない領域の暗黙知を形づくる。したがって自動化は、その専門性の否定ではない。それを保存し、規模を広げ、今日その活用を妨げている単調な労働からついに解放する手段である。

日常的な仕事がどのように消えていくかを考える前に、サプライチェーンのチームで、なぜ「ソフトスキル」によるリーダーシップが大きな位置を占めていたのかを思い出そう。計画が手作業または半ば手作業であったとき、リーダーは大勢の事務担当者の調整に、労力の大部分を費やしていた。優先順位を裁定し、縦割りの間の摩擦を和らげ、仕事の処理が滞らないようにしていたのである。意思決定が自動化されれば、その必要性はなくなる。工学的に構築され、いずれは人工的なものとなる知能が計画の負荷を担えば、調整の問題は崩れ去る。少数の専門家で、非常に大きな仕事の流れを導けるようになる。

使命は変わる。リーダーの仕事は、人々をまとめることから、意思決定を行う機械への責任を担うことへ移る。その責任には四つの部分がある。（1）経済的な目的を金銭で表し、許容される選択肢の空間を定めること。（2）監査、停止ヒューリスティクス、必要に応じた並行稼働を通じて、意思決定の質を守ること。（3）入力の信頼性を維持するため、意味とデータの来歴を管理すること。（4）短い予告でもロジックを変更できる、エンジニアリング志向の小さなチームを採用し、守ること。カリスマ性や共感力も、特に財務、商品政策、業務運営を同じ目的に向けてそろえる際には、なお役に立つ。しかし、技術的な管理責任の代わりにはならない。事務的なワークフローにしがみつく企業は、利益率が侵食されても、ソフトスキルの見せかけを評価し続けることになる。この主題には、手作業の予測を論じる際に戻る。

6.2.3 大規模言語モデル

2020年代初頭に登場した大規模言語モデル（LLM）は、七十年にわたるソフトウェアの急速な進歩における画期となる。最も高性能なLLMは、汎用知能の最初の兆しを示しているともいえ、そのため注意深く検討する価値がある。これらはサプライチェーンの仕事にとって重要である。ただし、ベンダーが宣伝する「ユースケース」の多くは、流行語に便乗しただけのたわごとである。

概念的に、LLMがすることはひとつである。記号の列を読み、次の記号を予測して、入力に付け加える。入力される列がプロンプトであり、生成という行為が系列補完である。記号は一文字でもよいが、トークンと呼ばれる複数文字のまとまりを扱う方が、モデルの性能は高くなる。語彙は通常\(\sim\)100,000個である。テキストは推論前にトークン化され、推論後にトークンから通常の言語へ戻される⁷³。

内部では、LLMは次に来る可能性のあるすべてのトークンに確率を割り当てる。常に最上位の候補を選ぶ代わりに、この分布からサンプリングして、温度パラメータで制御されるランダム性を加えることができる。温度 = 0なら、出力は決定論的になる。

LLMには固定されたコンテキストウィンドウがある。これはプロンプトと出力を合わせた最大トークン数である。その上限を超えると、最も古いトークンが切り捨てられ、それらの情報は失われる。現在、100,000トークンを超える、およそ100ページ分のテキストを保持できるモデルは一般的である。検索拡張生成（RAG）のような技術は実用上の範囲を広げるが、ここでは扱わない。

モデルを動かすこと、すなわち推論は簡単だが、モデルを作ること、すなわち学習ははるかに難しい。LLMは、数十億個のパラメータをテンソル⁷⁴として配置し、主として線形代数の演算で組み合わせたディープラーニングのネットワークである。

これらのコーパスは、通常、一兆トークン以上を含む。学習ではコーパスを一トークンずつ処理し、そのたびに、次のトークンの確率的な予測をより正確にする方向へパラメータ⁷⁵を少しずつ動かす。公開コーパスを取り込んだ後、はるかに小さいコーパスで学習を繰り返し、モデルの生成パターンを、役立つアシスタントのものへ近づける。この後半の過程がファインチューニングである。

この説明から、これらのモデルがなぜ事前学習済みと呼ばれるのかもわかる。ほとんどの機械学習モデルとは異なり、ユーザーは自分のデータセットを用意する必要がない。学習を行う側が提供するからである。

LLMは、人間とは異なる、不思議な種類の知能を体現している。ソフトウェアベンダーはその能力を過大に売り込む一方で、多くのサプライチェーン専門家、さらには組織全体がその能力を過小評価し、理論も実務も変えない珍しいものとして扱っている。どちらの姿勢も誤りである。LLMは魔法でもなければ、無視できるものでもない。基本的なプロンプトの技能⁷⁶と、適切な道具立てが必要であり、それらがなければ、どのモデルも「愚か」に見える。その性能は課題に大きく依存する。算術や厳密な数値処理では劣るが、圧縮されたコードを読みやすく戻す作業、定型的なコードのリファクタリング、脆い業務ルールの言い換えでは人間を上回る。有能な実務家は、どこで力を発揮し、どこで失敗するかについて事前の見通しを持って使う。その意味で、プロンプトを使う技能は、スプレッドシートやワープロと並ぶ、ホワイトカラーの仕事の最低条件になった。

現代のモデルはマルチモーダルでもある。最先端のLLMのほとんどは画像を直接取り込み、今では画像を出力するものも多い。同じ統合は、画素や波形を擬似トークンに押し込むことで、音声認識と音声合成の両方にも広がっている。しかし、こうした標準対応のモダリティ以外に、人々が目にする印象的な「追加」の能力、すなわちウェブ検索、コード実行、情報検索、最適化器、シミュレーターは、依然としてモデルの上に重ねられたオーケストレーターから得られる。モデルが構造化されたツール呼び出しを出力し、オーケストレーターが外部ツールを起動し、その結果がコンテキストに戻され、補完が再開する。⁷⁷道具を備えていないLLMは、鋭い自動補完機能である。同じ重みでも、道具を備えると、ブラウザー、電卓、端末を持つ有能な分析担当者のように振る舞う。重みの中の知能は変わらないが、能力、したがって有用性は変わる。

現代の言語モデルが汎用知能の兆しを示す理由は二つある。コードを書けることと、思考の連鎖を促すプロンプトに従えることである。そのコードは経験豊かなエンジニアの成果には及ばないが、技能の低いIT従業員はすでに上回っている。ソフトウェアを書く能力は根本的に重要である。汎用知能の特徴である自己改善には、それが必要だからだ。

思考の連鎖を促すプロンプトは、モデルに推論を言葉にさせる。与えられたプロンプトに「順を追って考えよう。」⁷⁸と付け加えるだけで、回答の精度が上がることが多い。ただし、推論のための追加トークンは計算費用を増やす。以下の図は、その効果を示している。

思考の連鎖（CoT）は、コンテキストウィンドウの中で課題を小さな段階に分解するようモデルに強いることで役に立つ。モデルはそのウィンドウを超えて記憶を保持せず、ある回答から次の回答へ引き継がれる隠れた状態もない。CoTは単に、推論時により多くのトークンを使い、中間の推論を表に出すものである。通常、ある程度までは信頼性が高まるが、収穫は逓減し、ウィンドウによる厳格な限界もある。最近のシステムは、この展開を内部で行い、長い独白をユーザーに読ませないよう、生の過程を表示しない「思考」モードを採ることが増えている。CoTは、難しい問いに費やすための推論時の予算であって、モデルの重みに備わる新しい能力ではない。

魅力があるとはいえ、大規模言語モデルは通常、同じ仕事を解く従来型アルゴリズムの百万倍もの計算を消費する。ハードウェアの進歩はトークン当たりの費用を下げるだろうが、これらのモデルが専用のデータ処理コードに並ぶ日は、おそらく来ない。通常のアルゴリズムでは届かない課題のために取っておくべきである。

言語モデルがサプライチェーンにとって重要なのは、主として二つの点である。第一に、数値レシピとその文書の作成・保守を速めること。第二に、未加工のテキストから特徴量を抽出することである。どちらも後ほど改めて取り上げる。他の用途は二次的である。

6.2.3.1 大規模言語モデルの誤用

2020年代初頭以来、多くのエンタープライズソフトウェアのベンダーは、人工知能（AI）について大胆で、しばしば無意味な主張をしてきた。細部を隠すのは秘密を守るためではなく、その下にいかにわずかな技術しかないかを覆い隠すためである。誇大宣伝の大部分は、大規模言語モデル（LLM）を中心としている。主な主張を解体してみよう。

*当社のAIは、より正確に予測します：*言語モデルは、時系列予測にも、そもそもあらゆる数値処理にも適していない。精度と計算費用の両面で、その性能は最高水準の統計モデルはおろか、基本的な統計モデルと比べても惨憺たるものである。LLM的な発想である事前学習済み予測モデルは、活発に研究されている。他の分野では役立つかもしれないが、未来の章で示すとおり、サプライチェーンの仕事にとっては行き止まりである。

*当社のAIは、御社のすべてのデータを処理します：*バイト当たりで見ると、言語モデルは高価で遅く、予見できる将来もそうあり続ける。一般に、メガバイト単位のデータを言語モデルで処理することは軽い処理ではなく、完了まで数分を要する。大企業の業務システムには、テラバイト単位の記録がある。企業のデータセット全体をLLMに通すだけでも、たとえ一度であっても、今後何年も、現実的でないほど遅く高価なままであろう。費用を別にしても、LLMがすることは系列補完のひとつだけである。この道具は多用途だが、膨大な非テキストのデータセットを無理に通しても、明白な利点は得られない。

*当社のAIは、エンドユーザーと会話します：*ソフトウェアベンダーは利用者数に応じて課金するため、非効率が売り物になる。ソフトウェアと格闘させられる事務担当者がひとり増えるたびに、売上が増えるからだ。画面にLLMを後付けして「チャット」インターフェースを作れば、事態は悪化するだけである。会話は遅く、疲れる。チャットボットに適しているのはヘルプデスクであり、大量の処理をこなす企業のワークフローではない。明快なインターフェースを使うよう人を訓練する方が、鈍い対話に毎回勝る。

エンタープライズソフトウェアにおいて、LLMは今日の流行である。長く連なる流行のひとつであり、まもなく次のものに置き換えられる。四十年にわたりCRUDシステムが支配してきた。記録システムのベンダーの間で優勢なこの文化は、新しい考えが妥当であっても、それを意味のある形で取り込むことに抵抗する。

6.2.4 知能をめぐる誤解

人工知能（AI）という概念は、何十年も大衆文化の中に存在してきた。今日の経営層の直感にも、「知能」がどのようなもののはずかという20世紀の理論の反響が多く残っている。これが重要なのは、その直感がサプライチェーンの意思決定に直接入り込むからである。どのプロジェクトに資金を投じ、どのリスクを恐れ、どの手段を使わずにおくかを、それらが形づくる。意思決定を機械化する前に、経営者を麻痺と軽信の間で揺れ動かせる神話を取り除かなければならない。

サプライチェーンで問うべきなのは、機械が「私たちのように考える」かどうかではない。ソフトウェアが、何を、どこへ、いつ、どれだけ動かすかについて、体系的により良い賭けを行えるか、そして監査可能な経済的評価のもとで、人の介入なしにそれを行えるかどうかである。AIへの誤解は、企業を対称的な二つの誤りへ導く。「AIは危険だ」として利益を生む自動化を遅らせる危機のあおり立てと、人間らしい会話を意思決定能力と取り違え、壊れやすいおもちゃに承認を与える擬人化である。

この先では、根強い三つの誤解を検討し、業務上の観点から捉え直す。「シンギュラリティ」、人間のように聞こえる会話が汎用知能を意味するというチューリングテスト的な見方、そして機械の限界の証拠として誤読されるモラベックのパラドックスである。本書における知能の基準は、厳密に経済的なものである。同じ希少な資源から、より高いリスク調整後の収益を得ることだ。この基準で測れば、映画に出てくるような懸念のほとんどは無関係であり、デモ映えするチャットボットのほとんどは注意をそらすものにすぎない。

6.2.4.1 シンギュラリティ

シンギュラリティは、非常に速く自己改善して人類を追い越し、その後、私たちを超越するか奴隷にするAIを想定する。無数のアクション映画がこのテーマを変奏しているが、ハリウッドのAIへの理解は、現実の弾道学への理解と同程度でしかない。サプライチェーンの実務にとって、この神話は論理的なつながりを欠いている。再発注、価格、経路、配分を決めるシステムは、選択肢の空間が限定され、目的が明示され、停止スイッチを備えた、限定的で監査可能なプログラムである。「目覚める」のではなく、制約のもとで最適化する。「AIが暴走するかもしれない」から補充や経路決定の機械化を拒むのは、ロボットの反乱を恐れてフォークリフトを拒むようなものである。推測にすぎない遠い危険を避けるために、確実に存在する現在の無駄を受け入れている。本当のリスクは、誤った目的、粗雑な意味の定義、未検証のコードといった、ありふれた対処可能なものである。対策も同様で、並行稼働、停止ヒューリスティクス、コードレビュー、経済的な監査である。人類存続へのリスクをめぐる議論は、企業が希少な資源の日々の配分にコンピューター科学の最善の成果を適用すべきかどうかには関係がない。

一般の人々には、2022年⁷⁹に技術がほとんど一夜にして飛躍したように見えるかもしれないが、実際にはまったく違う。現実の進歩は、過去七十年間にわたる、遅く、漸進的で、苦労して獲得されたものであった。しかも、改善されたのはひとつのものではなく、互いに大きくは関係しない数十の領域である。より良いパラダイム、アルゴリズム、ハードウェア、データセット、方法論、コードベースなどだ。これらの改善はすべて、多様な貢献者によって生み出されてきた。したがって、人間の知能を超えるものに偶然行き当たることはありえても、そのような存在が、ひとつの出来事として自らを超越的な存在へ引き上げるという考えは、無理がある。

人工汎用知能の登場から「出来事」という側面を取り除けば、それがなぜ人類絶滅級の脅威となるのかを説明するのは難しくなる。悪意ある存在、あるいは悪意ある人々が運用する存在には、軍、情報機関、企業、さらには大学や愛好家が開発する、同程度の能力を持つ存在が対抗することになる。人工汎用知能は、悪意ある目的に使えば甚大な被害を与えうる技術の、すでに長い一覧に後から加わるものとなるだろう。

そのような存在は、高度な工業文明の産物であり、その複雑で脆いサプライチェーンに依存することになる。半導体製造は、すでに最も複雑な産業のひとつに数えられる。考えられる「代替手段」であるニューロモーフィック、光、量子、生物合成による基盤も、よくて研究室段階であり、それ自体が同じ半導体の装置、材料、精密製造の仕組みに依存している。要するに、今日、それらのサプライチェーンを回避して計算を行う、シリコンを使わない産業的な道は存在しない。そのような存在が存続するには、何世紀とまではいかなくても何十年にもわたり、人類の積極的な支援が必要となる。これまであらゆる技術の台頭に伴ってきた避けられない問題に対処するための時間と機会は、人々に十分にあるだろう。

破滅の予言は昔からあり、ほとんどの専門家や政治家は、自らを大きく見せるためにそこへ加わる。

6.2.4.2 チューリングテスト

1950年、英国のコンピューター科学者アラン・チューリングは、後にチューリングテストと呼ばれる模倣ゲームを考案した。その要点は、文字だけの通信で対話する人間が、人間と機械を確実に見分けられないなら、その機械は汎用知能を持つと認められる、というものである。

このテストへの一般的な反論は、意識や自己認識にこだわるが、それらはサプライチェーンでは論点から外れている。関心があるのは、機械が「人間らしく聞こえる」かどうかではなく、不確実性のもとでリスク調整後の収益を高める選択を、一貫して行うかどうかである。

重要なのは、サプライチェーンの知能は、目で見ただけでは明らかにならないということである。「来週200個」が少し多すぎるのか少し少なすぎるのか、人間にそれを見抜く第六感はない。事後であっても、意思決定を判断するには、異なる行動を取っていたら何が起きたかという反実仮想と、リードタイムに合った評価期間が必要となる。この評価は難しい。結果にはノイズがあり、遅れて現れ、並行して行われる何千もの選択と絡み合っているからだ。

そのため、話すのが下手なエンジン、あるいはまったく話さないエンジンは、静かに価値を積み重ねていても「知能がない」ように見えることがある。逆に、流暢なチャットボットはチューリング式の会話に合格しても、企業を損失へ導きうる。2010年代には、単純なパターン照合ボットが人間の審査員を頻繁に欺いた。言葉の上では説得力があり、業務上は役に立たなかったのである。教訓は今も変わらない。人間らしい話し方の模倣と、意思決定の質は別の軸にある。

実務上の例を挙げよう。優れた補充エンジンは、奇妙なタイミングで小さな注文を多数出し、低回転品の価格を毎日数セントずつ変更し、あるコンテナを人気のないクロスドック拠点へ振り向けるかもしれない。計画担当者には、これらの動きが細かすぎたり、間違ってさえいたりするように感じられる。しかし帳簿の上では、在庫保有費を下げ、償却損を減らし、現金化を速める。対照的に、従来のMOQやバッチ処理の日程を維持しながら自らの判断を美しく「説明」するツールは、会議では拍手を受け、静かに運転資本を流出させる。

意味のあるテストは、経済的なものだけである。経済的チューリングテストと呼ぼう。同じ制約と監査証跡のもと、並行稼働または筋道立てた反実仮想を通じて、在庫、物流、値下げ、労働、資本のすべての費用を計上した後に、知能システムは既存のプロセスより高いリスク調整後の営業利益を生むか。答えが肯定なら、そのインターフェースがどれほど無口でも、知的なものとして扱うべきである。そうでなければ、会話をいくら洗練しても救いにはならない。

したがって模倣ゲームは、興味深いままであるとしても、私たちの実務の基準としては不十分である。サプライチェーンの知能システムは、会話する能力ではなく、適切な評価期間にわたる、監査可能な経済的成果で判断すべきである。

6.2.4.3 モラベックのパラドックス

米国のコンピューター科学者ハンス・モラベックは1980年代に、ティーポットをつかんでお茶を注ぐような、簡単に見える課題が、人工知能にとって最も再現しにくいものに含まれると指摘した。対照的に、行列の対角化のように、かつて天才の証しと考えられた課題は、機械にとっては容易だとわかった。

しかし、このパラドックスは、隠れた前提を明示すれば解消する。その前提は、動物の移動能力と、その背後にある計画が、生得的なもの、すなわち生まれではなく、学習されるもの、すなわち育ちだということである。言い換えれば、移動能力の獲得は学習の結果とされ、その学習を人工的に再現することが、過去四十年間、信じがたいほど難しかったというのである。

よく観察すれば、これらの能力には学習がほとんど、あるいはまったく関わっていない。子馬やその近縁の動物は、数時間以内に立ち、歩く。これは「学習」ではなく、ほぼ完成した運動系の素早い調整である。認知構造はほぼ完成しており、その経路が定まるために、システムにはわずかなきっかけが必要なだけである。

人間では、この生得性は見えにくい。他の哺乳類と比べて頭が大きすぎるため、より早い段階で生まれなければならず、運動回路は子宮の外で発達を完了することになる。多くの人が乳児の「学習」と捉えているものは、乳児があと数か月子宮にとどまっていれば、妨げられることなく続いていたであろう認知的な発達なのである。

大部分が生得的なこれらの回路は、およそ8億年と数えきれない世代を通じて洗練された、進化の産物である。機械が動物の移動能力に並ぶのに苦労するのも無理はない。この難題は、太陽光を構造材料に変える能力で樹木を超える装置、あるいは高分子を組み立てる能力でリボソームを超える装置を開発することに似ている。途方もなく長い年月をかけて行われてきたゲームで進化を上回ることは、極めて難しい。

移動能力は、密接に結びついた何百ものヒューリスティクスに基づいている。カタツムリでさえ、植物の三次元の迷路を進むことができる。カタツムリの場合のように、行動の空間が厳しく限定されていれば、うまく選んだヒューリスティクスは「知的」に見えうる。

自然界では、移動能力は汎用知能へ至るために必要な進化の道筋であった。生命は、まず移動の問題を解かなければ、単細胞の起源から汎用知能へ跳躍することはできなかった。機械には、そのような制約はない。筋繊維の工業的な代替物など、残された障害を解決する間、人間がエネルギーと材料を供給する限りはそうである。進化は、工業化になじまない方法でこれらの問題を解いた。私たちは改めて解かなければならない。

サプライチェーンへの含意は、見落とされやすい。混雑した通路を歩く、箱をつかむ、同僚を見分けるといった、人間には「簡単」と感じられる課題こそ、進化が何億年もかけて調整してきたものである。対照的に、大規模で変化の速い資源配分、すなわち、遅れて確率的な見返りをもたらす数百万もの微細な選択肢を順位づけすることは、私たちの脳が進化の過程で身につけたことの正反対である。作業記憶は小さく、注意力は脆く、確率に関する直感は、よく知られているとおり貧弱である。機械の特性はこれと逆になる。動物の運動には苦労するが、膨大な選択肢の列挙、反実仮想の評価、毎分の計画再計算には優れている。したがって「AIは洗濯物さえ畳めない」という皮肉は、50,000 SKUの価格変更、多段階の在庫の再調整、変動するリードタイムのもとでの航行中のコンテナの経路変更で、ソフトウェアが計画担当者を上回れるかどうかとは無関係である。モラベックの意味では、これらは機械に本来的に適した問題である。

ここから、業務上の二つの帰結が得られる。第一に、意思決定の自動化を、ロボティクスの進歩や会話の洗練の達成を待つものにしてはならない。適切な物差しは、先ほど導入した経済的なもののままである。同じ制約のもとで、エンジンは既存のプロセスより高いリスク調整後の利益を生むか。第二に、機械が最初に人間を追い越すのは、計画担当者が最も苦労する領域だと考えるべきである。組合せ的な配分、敵対的な価格設定、多段階の需給調整、動的な日程の組み直しなどだ。これらのいずれにも、人間のような汎用性は必要ない。明確な境界の中の特化型知能で十分であり、それこそがサプライチェーンのエンジンが働く場所なのである。

要するに、動物の移動能力を模倣することは、汎用知能への近道ではない。それは、難しいが本質的には特化型の問題の集まりである。それらを解くことが人工汎用知能の研究を刺激し、ときには参考になることはあっても、両者は別の取り組みである。

6.3 特化型知能

特化型の問題とは、選択肢が明示的で形式的なルールによって限定されている問題であり、それを解くには特化型知能が必要となる。学術的なサプライチェーンのパズルは典型例であり、それぞれの解決策は、単純なヒューリスティクスであれ、多数のパラメータを持つ大きなモデルであれ、結果の質によってのみ「知的」と認められる。難解に見えるというだけで、ある方法を「より賢い」とするのは誤りである。

サプライチェーンが扱えるものになるのは、広がりのある汎用知能の問いを、多数の境界のある配分問題へ切り分けたときである。境界のある問題はそれぞれ、三つの要素を固定する。（1）選択肢の集合。何をどこへ、いつ、どれだけ動かすことを選べるか。（2）制約。能力の上限、日程、MOQ、サービスの約束、意思決定を見直す頻度。（3）価値評価。不確実性のもとで上振れと下振れに価格を付ける、金銭表示の評価値である。これらが明示されれば、課題はもはや「サプライチェーンを計画すること」ではなく、「リスク調整後の収益を最大化するために、許容される選択肢から選ぶこと」になる。

この分解は言葉のあやではなく、人の介入なしで動くソフトウェアを可能にする、エンジニアリング上の一手である。ある拠点のSKUを所定の期間について補充すること、低回転品の今日の価格を選ぶこと、トラックの立ち寄り先に段ボール箱を割り当てること、ローテーブル部品の修理を実施するか延期するかを決めること。いずれも、特化型の、監査可能な資源配分の意思決定である。結びつきの弱い問題は、貪欲法を高頻度で適用して処理できる。結びつきの強い問題は、まとめてより重い仕組みで最適化できる。境界は修正可能なままである。経済条件が変われば選択肢の集合を広げたり、価値評価を調整したりする。しかし境界が有効な間は、知能システムによって意思決定を自動化し、検査し、改善できる。

人工知能の歴史は、ゴールポストを動かすゲームである。研究者は難しい問題を選び、その解決を「本物のAI」と呼ぶ。そして解けると名前を変え、次の難題へ移る。成功はすぐに平凡とみなされ、循環が再び始まる。

この型は、成熟した解決策がしばしば「知能がない」ように見える理由を説明する。日常的で機械的なものになるからである。知能は、仕組みがどれほど難解に見えるかではなく、選択の質で判断すべきである。精巧なモデルは「より賢い」ように装えるが、それでも扱っているのは境界のある課題である。本物の汎用知能の問いには、別に向き合わなければならない。

直感に反して、最初に使いものになる解決策が最も単純であることはまれである。単純さを実現するのは別の課題であり、しばしばその方が難しい。進歩は単純なものから精巧なものへではなく、入り組んだ試作品から無駄のない中核へと進む。マクスウェルの電磁気理論は二十を超える方程式から始まり、後にヘヴィサイドが、今日使われる四つへ凝縮した。同じように、今日の込み入った答えは、明日の優美な原理となる。

同じ循環がAIの好況と不況をあおる。人々は、難しいニッチな問題を解くことと、汎用知能を解明することを混同し、投資家はそこから生まれる熱狂に乗る。汎用知能は難しいが、無数の特化型の問題は、それより難しいはずである。実際、もし汎用知能を構築できたなら、その時点で未解決のまま残る問題はすべて、定義上、それより難しいことになる。そうでなければ、先に解けていたはずだからだ。

AIという看板の浮き沈みが、第二次世界大戦以来のコンピューター科学の成果を覆い隠してはならない。その多くはサプライチェーンの中核をなしている。この分野は今や非常に広く、どの概説も必然的に部分的なものとなるが、以下ではサプライチェーンの仕事に最も関係する主題を取り上げる。

6.3.1 アルゴリズム

アルゴリズムは、明確に指定された入力に対して終了し、正しい答えを返す、厳密な手順である。1930年代にチャーチ、チューリング、コルモゴロフによって形式化され、20世紀のコンピューター科学の背骨となった。トポロジカルソート、グラフの経路探索、連立一次方程式のソルバーといった1950年代の初期の「AI」の成功例の多くは、今では単にアルゴリズムと呼ばれている。

形式的には、許容されるすべての入力で停止するプログラムは、どれも「アルゴリズム」と呼べる。実際には、コンピューター科学者はもっと狭い意味でこの言葉を使う。アルゴリズムは、どのデータセット、インターフェース、サーバーにも依存しない問題設定を持つ、原子的で再利用可能な構成要素である。そして、有効な入力のすべてについて指定された出力を返すという証明と、入力規模の増大に伴って必要となる時間と記憶領域の分析を伴う。

「原子的」な課題は、より小さく、独立した、目的のある部分課題へ分解できない。対照的に、ウェブページの描画には、HTMLのトークン化から文字間隔の調整まで何百もの工程が含まれるため、原子的ではない。

アルゴリズムには正しさの証明が伴う。そのような証明がなければ、単なるヒューリスティクスである。たとえばフェルマー判定とフィボナッチ判定を組み合わせたものは、信頼性高く素数を検出するが、いまだに正しさの証明がないため、ヒューリスティクスのままである。

アルゴリズムの価値は、究極的には性能にある。ほとんどの課題には総当たりの方法が存在するが、優れたアルゴリズムは、はるかに少ない計算とメモリで同じ結果に到達する。ときには最適性まで証明できることもあるが、計算量理論の細部は本章の範囲を超える。

アルゴリズムと、それを支えるデータ構造は、ソフトウェアの基盤である。後ほど論じるすべての方法が、それらに依存している。したがって、これらはサプライチェーンにとって補助科学となる。ただし、後に見るとおり、適切に設計された道具は、実務家をその細部から切り離すことができる。

詳しく知りたい読者には、Cormenほかによる古典的な教科書『Introduction to Algorithms』（第3版、2009年）を勧める。付録には、トポロジカルソートのアルゴリズムを使った具体例を示している。

情報の章で導入したCRUDパターンが成功したのは、アルゴリズムについて深い力量がなくても、チームが業務ソフトウェアを提供できるからである。企業のITでは、これがひとつのキャリアになった。有能な開発者の多くが、アルゴリズムを設計し分析することを学ばないまま、何十年もフォームやレポートを作り続ける。この不足は、定数時間のCRUDが支配し、データベースが重い仕事を引き受ける記録システムの内部では害にならない。しかし台帳を離れて最適化に取り組んだ瞬間、致命的な障害となる。また、これはCRUDの文化的な優勢を説明し、裏返せば、記録を扱うことに優れたベンダーが、なぜ知能システムでこれほど頻繁につまずくのかも説明する。後者には、アルゴリズムによるモデル化、計算量の制御、性能に関するエンジニアリングが求められる。CRUDの習慣は、これらの技能を教えることも、それを持つ人を選び出すこともしない。

6.3.2 オペレーションズ・リサーチ

第二次世界大戦中に生まれたオペレーションズ・リサーチは、レーダーをどこに配置するか、輸送船団をどの経路に通すか、希少な航空機をどう割り当てるかといった戦時の資源配分⁸⁰の問題に取り組み、1945年以降は事業上の問題へ進んだ。多くのアルゴリズムを生み出し、その最も有名なものはダンツィーグによる1947年のシンプレックス法である。しかしコンピューター科学とは異なり、原子的な問題よりも、端から端までを扱う応用を重視した。1947年、スコットランドの無線技術者ロバート・ワトソン＝ワットは、オペレーションズ・リサーチを次のように定義した。

利用者である組織が、その装備を運用することで、組織全体の目的に対して達成可能な最善の貢献を得ているかどうかを、定量的に検討すること。

ワトソン＝ワットの表現は、本書冒頭のサプライチェーンの定義と響き合う。オペレーションズ・リサーチは、その先駆けである。1950年代から1970年代にかけて、この分野はシミュレーション、計量経済学、確率モデル、数理最適化を生み出した。これらの流れの多くは、後に独自の学問分野へ成長し、オペレーションズ・リサーチという傘の下から離れていった。

オペレーションズ・リサーチの最も顕著な貢献は、少なくとも独立した分野へ再分類されなかったものの中では、輸送最適化、線形計画法と二次計画法、整数計画法、および類似の課題のための方法である。これらの課題には共通の構造がある。現実の目標を表す目的関数を最大化するように、意思決定変数を選ぶという構造である。この枠組みは今も、事業上の意思決定の多くと、本書の方法を支えている。

1970年代には、オペレーションズ・リサーチはその大志に届いていなかった。先に述べたとおり、米国のオペレーションズ・リサーチの先駆者ラッセル・アコフは、1979年の論文『The Future of Operational Research is Past』で、この思いを捉えた。1979年には資源配分の意思決定のほとんどがまだ手作業であり、今日も大部分はそうである。アコフはいくつかの根本原因を挙げた。

• システム思考の貧弱さ。専門家は、単純化された一次的な因果関係に頼っていた。

• 作為的な目的関数がもたらす「擬似最適」な結果。

• 状況が完全に知られ、不変であることを仮定する脆い答え。

• 現実の「混沌」をきれいなおもちゃの問題へ整え、実務には何も変化をもたらさないこと。

これらの批判は今も当てはまる。サプライチェーンの文献の多くは同じ誤りを繰り返している。現実との接触に耐えるものがこれほど少ない理由のひとつである⁸¹。

1980年代に、オペレーションズ・リサーチは略称の「OR」へ変貌し、ドメイン固有言語で書かれた最適化モデルを扱うソフトウェア「ソルバー」に特化した。こうしてORは、コンピューター科学の下位分野として定着した。

商用ソルバーは健全なソフトウェアのニッチ市場を形成し、多くの設計課題をうまく扱う。NocedalとWrightによる『Numerical Optimization』（2006年）は、学習に基づく派生手法についても、今なお標準的な概説である。配送経路問題の各種変形を除けば、ソルバーがサプライチェーンに登場することはまれである。残存する三つの限界が、その価値を抑えているからだ。

第一に、確率的最適化ではなく決定論的最適化だけに焦点を当てるため、サプライチェーンに常に存在する不確実性を扱うことができない。

第二に、拡張性か表現力のいずれかは提供するが、両方は提供しない。ソルバーがサプライチェーンの用途に必要な規模へ拡張できるのは、線形または二次の領域に限られるが、これらは現実のサプライチェーンの状況を表すには単純すぎる。

第三に、ソルバーは実務的な表現力よりも数学的な純粋さを重んじる⁸²。線形計画法と二次計画法は確かに最適性を証明できるが、現実の記述があまりに貧弱であるため、その「最適」な答えは決まって役に立たない。

純粋さを脇に置いても、ソルバーの拡張性は依然として低い。たとえば配送経路のような具体的な問題に直面すると、企業は既製の道具を使う代わりに、個別対応のコードを作ることが多い。SKUごとにいくつもの変数があり、数千万の意思決定変数が珍しくないサプライチェーンでは、この問題は深刻である。

したがって、オペレーションズ・リサーチの遺産は、その大部分が、もともとそこから生まれた分野にある。現在のORは、オペレーションズ・リサーチが当初達成しようとしていた目標とは、ほとんど関係がない。さらに、ORで好まれる手法には長所と顕著な実績があるものの、サプライチェーンへ戻ってくる可能性は低い。

6.3.3 統計的学習

記録された観察からアルゴリズムによってプロセスを推定するという考えは、1950年代に登場した。人工知能に関する最初期の著作とともに生まれたのである。個々の観察には部分的な解が含まれうるため、学習は長らく最適化と重なり合ってきた⁸³。人工ニューラルネットワークの初期の研究は、かつてオペレーションズ・リサーチの看板のもとで発表されていたが、今日では明確に「学習」に分類されている。

1990年代初頭まで、学習手法への関心が限られていたのには、主に二つの理由があった。第一に、コンピューターには、学習によって実質的な成果を上げるだけの能力がなかった。そのため、エキスパートシステム⁸⁴のような、学習によらない方法が好まれた。たとえば、1997年に当時の世界王者ガルリ・カスパロフを破った最初のチェスプログラムであるDeep Blueは、エキスパートシステムとして構築された。また1990年代後半まで、大規模なデータセットの収集と配布は現実的でないほど高価であったため、公開された学習用データセットも乏しかった。MNISTデータセットには、60,000枚の学習画像と10,000枚のテスト画像が含まれる。いずれも手書き数字を28×28のグレースケールで表した画像である。これは共通の基準を提供し、一世代の研究者を育て、検証とベンチマークを標準化した。

第二に、高次元の学習は1990年代後半まで難解なままであった。古典的な統計学は、変数の数が観察数に比べて少ないと仮定する。100件の観察があれば、二変数の回帰は信頼できる。十変数になると偽のパターンが増殖し、10,000変数では標準的な手法が崩壊する。逆説的に、情報が増えるほど洞察は減った。

次元の呪いに対する最初の説得力ある答えは、1960年代から1990年代にかけて発展したヴァプニク＝チェルヴォネンキス（VC）理論に見いだされた⁸⁵。この理論は、1995年に初めて実装されたサポートベクターマシン⁸⁶へつながり、過学習を抑える数学的な枠組みを与えた。サポートベクターマシンは、すぐに現実のデータセットでその価値を示した。

VC理論は、統計モデリングの目的を、未見のデータに対する性能である汎化の最大化として捉え直した。手元にないデータに対する精度は測れないが、VC理論は真の誤差の上限を証明する。経験誤差に、モデルの設計で決まるモデルの複雑さの項を加えたものである。この形式化は、古典的なバイアスと分散のトレードオフを精緻化する。表現能力の低いモデルはバイアスが高く、表現能力の高いモデルは分散が高い。図\ref{fig:under-over-fitting}は、学習不足、適切な当てはめ、過学習を示す。この理論は、入力の次元数が観察数を大幅に上回る場合でも、信頼できる結果をもたらす統計モデルへの道を開いた。

実務上、サポートベクターマシンは、代替手法である（勾配）ブースティング（1999年）⁸⁷やバギング（2001年）⁸⁸に急速に置き換えられた。これらも数学的な分析によって、過学習に関して良好に振る舞うことが示された。これらの考えから勾配ブースティングマシンが生まれ、およそ十年間、多くの課題で最先端を保った。今日も勾配ブースティングマシンは、特に観察が少ない場合に広く使われている。

これらの発展は、極めて大きな影響を及ぼした。ブースティング、バギング、SVMに組み込まれた表現能力の制御によって、理論家は過学習に厳しい上限を証明できた。競合する方法にはない保証であった。1990年代後半から2000年代の大部分にかけて、この統計的なお墨付きによって、研究者はほぼすべての競合手法を脇に追いやった。しかし、理論をいくら磨き、エンジニアリングをいくら洗練しても、これらの手法をある種の厳格な限界の先へ進めることはできないと、徐々に明らかになった。技術は事実上行き詰まっていた。フランス系米国人のコンピューター科学者ヤン・ルカンは、これらを「大げさに持ち上げたテンプレート照合」にすぎないと切り捨て、その空気を捉えた。

こうした限界があっても、統計的学習の考え方は、現代の統計学の礎であり、サプライチェーンに不可欠な補助科学であり続けている。わかりやすく図が豊富な概説には、Hastieほかによる教科書『The Elements of Statistical Learning』（2009年）を参照してほしい。ブースティングやバギングに基づくモデルは、データが少なくても高次元である場合に今も優れており、ほとんどの代替手法よりはるかに少ない資源で済む。ただし、汎用知能への道を提供するものではない。

6.3.4 ディープラーニング

2010年代に、ディープラーニングは機械学習の支配的なパラダイムとなった。人工ニューラルネットワークを起源とするが、この分野が生物学的な比喩を捨て、シリコンのハードウェアを受け入れて初めて、その形が固まった。注目すべきことに、その中核の考え方は、生物から着想を得た先行手法よりも単純である。

概念的に、ディープラーニングのモデルは、浮動小数点数をパラメータとする、浮動小数点演算の固定された回路である。ほとんどの層は行列積を計算し、その間に整流関数を挟む。整流関数は線形性を破る。線形写像を重ねても線形のままなので、非線形の活性化が必要になるからだ。畳み込み、プーリング、ソフトマックス層といった追加の構成要素によって、モデルは多様な入力モダリティと出力形式を扱える。

MNISTデータセットによる手書き数字の認識を、もう一度考えよう。それぞれの28×28の画像を784個の数値に平坦化し、整流関数を伴う三つの重み行列に通すと、234,752個のパラメータを持つ多層パーセプトロンが得られる。今日の基準では小さなものである（図\ref{fig:perceptron}を参照）。これを動かす、すなわち推論を行うために必要なのは、三回の行列積と二回の整流関数による活性化だけである。詳細は付録を参照してほしい。

図：手書き数字認識のための小型の4層多層パーセプトロン（784-256-128-10）。

ここまででアーキテクチャを指定し、推論が三回の行列積と二つの整流関数に帰着することを確認した。残るのは、それらの行列の中に入れる数値を得ることである。実際に欲しいのは、入力画像ごとに、実際に写っている数字へ最も高い評価値を割り当てる、十分に学習されたネットワークである。したがって学習は、選んだ分類損失を最小化する値を、パラメータ空間の中で探すことになる。ディープラーニングは、連携する三つの段階でこの探索に取り組む。初期化では、活性値が数値的に良好に振る舞うよう、適切なランダムな初期重みを選ぶ。勾配では、各重みの微小な変化が損失をどう変えるかを計算する。そして降下では、その勾配を使い、損失の小さい方へ重みを少しずつ動かす。これらの段階を組み合わせ、性能が安定するまでネットワークの重みを反復的に洗練する。

初期化 ― 重みはガウスノイズから始まり、層を重ねても活性値がほぼ平均ゼロ、分散一を保つよう、直ちに尺度を調整する。この簡単な予防策によって、多数の線形演算の積が爆発的に大きくなること、すなわちオーバーフローや、数値的な微塵にまで縮むこと、すなわちアンダーフローを防ぐ。閉形式の規則が使えない場合には、ネットワークを試しに素早く通し、この不変条件を保つよう経験的に尺度を調整する。

勾配 ― 勾配は、選んだ損失を下げるために、各パラメータをどちらへ、どれだけ動かすかを示す。現代のフレームワークは自動微分でこれを得る。計算グラフに沿って微分を伝えるもので、計算費用はおよそ順伝播をもう一回行う程度だが、中間の活性値を保存しなければならないため、より多くのメモリを必要とする。初期のディープラーニングのツールキットは、手書きのコードによる勾配の逆伝播を使っていた。1960年代にさかのぼる自動微分を、このコミュニティが採用するまで何十年もかかったことは、進歩がめったに直線的には進まないという教訓である。

降下 ― 勾配は、1950年代からの主力であり、今もディープラーニングを支配する確率的勾配降下法（SGD）によって更新量へ変換される。SGDはひとつの観察、あるいはハードウェアをより有効に使うためにミニバッチと呼ばれる少数の観察の集合をサンプリングし、勾配の方向へ重みを少し動かして、それを繰り返す。ミニバッチは、並列コアを利用することで、算術演算が増える代わりに実経過時間を大幅に短縮する。モメンタム、適応的な学習率、分離された重み減衰を使う派生手法が、基本の更新を洗練する。

ディープラーニングは、統計的学習のいくつもの教義を覆し、今も、企業データから何を推定でき、何を推定できないかを形づくっている。

6.3.4.1 二重降下

ディープラーニングのモデルは、多数のパラメータを持つ。通常、その数は学習事例数を上回る。上記の234,752個のパラメータを持つパーセプトロンは、MNISTの60,000枚の画像を大幅に上回る。統計理論は激しい過学習を予測するが、実践はそうではないことを示している。

2010年代後半に発見された二重降下の曲線は、多くの統計学者が当初ディープラーニングの主張を疑った理由を明らかにする助けとなった。古典的なU字形のバイアスと分散のトレードオフを予想するよう訓練されていた彼らは、より大きなネットワークが、過学習する代わりに小さなネットワークを上回ることがあると知り、戸惑った。二重降下は、その理由を示す。モデルの表現能力が高まるにつれ、テスト誤差はまず低下し、良好な汎化を示す。次に上昇して過学習を示すが、第二の閾値を超えると、非常に大きな過剰パラメータ化されたモデルが、新たな低誤差の領域に落ち着くことで、再び低下する（図\ref{fig:double-descent}を参照）。

二重降下曲線の左側、すなわち古典的な領域では、ネットワークのパラメータが少なすぎるため、学習不足になる。重みを追加すると、テスト損失は下がり、「最適な加減」の位置で最初の極小に達する。その点を越えると、モデルは古典的な過学習へ傾く。追加された表現能力は、信号を学ぶより速くノイズを記憶するようになる。興味深いことに、この領域では、テスト誤差が上がっても、学習誤差は滑らかに下がり続ける。この挙動は、二つの曲線がもっと早く分かれると予想していた統計学者を長く悩ませた。

右側、すなわち深層の領域へ進むと、パターンは逆転する。パラメータ数が、二つ目のはるかに高い閾値を超えると、テスト損失は再び下がり始める。2010年代初頭からディープラーニングの実務家が主張していたとおり、大きい方が本当に良いのである。しかし、精度を少し上積みするたびに、不釣り合いに大きな計算量とエネルギーが必要になるため、収穫は急速に逓減する。最先端のネットワークは今やこの閾値をはるかに超えるところで動作し、性能の最後の一パーセントポイント未満の差のために、膨大なハードウェア予算を投じている。

サプライチェーンにとって、この意味合いは一様ではない。巨大なモデルは精度で勝るが保守性を損ない、小さなモデルは俊敏さを保つものの、古典的な学習不足と過学習のジレンマへ戻ってしまう。両者を組み合わせたハイブリッド設計が、優れた選択肢となることは多い。

6.3.4.2 ハードウェア特性への配慮

人工ニューラルネットワーク（ANN）には明確な弱点がある。計算資源の使い方が極めて非効率なのである。シリコンチップと生物のニューロンはあまりに異なるため、粗いデジタルニューロンでさえ計算サイクルを浪費する。ディープラーニングは、レースのエンジニアがメカニカル・シンパシーと呼ぶ姿勢を採り入れることで、この不利から抜け出した。初期のFormula 1では、最速ラップを刻んだのは、限界まで走るドライバーではなく、エンジン、ギアボックス、ブレーキがどれだけの負荷に耐えられるかを感じ取り、チェッカーフラッグまで車を壊さずに走り切れるようペースを調整したドライバーであった。コードに置き換えれば、メカニカル・シンパシーとは、キャッシュ、ベクトル演算器、メモリバスに逆らうのではなく、その特性に沿って動くようにアルゴリズムとデータを配置する、ハードウェア特性への配慮を意味する。この考え方が根づくと、研究者は懐古的なニューロンの比喩を捨て、純粋な計算スループットを最大化するものだけを残した。

たとえば初期のANNは、生物を模すために選ばれたシグモイド活性化関数を使っていたが、その指数関数はハードウェア上では遅い。より単純な整流関数（ReLU）の方が速いとわかり、すぐに取って代わった。

2010年代初頭、キャッシュライン、ベクトル幅、メモリバスを、第一級の設計制約として扱うことは、ほとんど異端のように感じられた。アルゴリズム、オペレーションズ・リサーチ、統計的学習の各陣営は、ハードウェアに依存しない理論の上に築かれていた。より良い漸近的な計算量クラスを証明し、厄介な定数係数はムーアの法則に吸収させる、という考えである。行列を並べ替えたりSIMD命令を使ったりして計算サイクルを削るような、定数部分の調整は、次世代のプロセッサーですぐ無意味になる雑務と見なされた。ディープラーニングの研究者はこの見方を覆した。ハードウェアの細部に丹念に注意を払うことで、アルゴリズムの計算量の優美さだけでは達成できない高速化が得られると示したのである。

より大きなネットワークを求める初期の追求をあおったのは、生物学的な比喩であった。約1,000億個のニューロンを持つ人間の脳が、ANNの規模の非公式な基準となった。やがて実験によって、この比喩は不要になった。モデルが大きくなるだけで性能が上がったからである。その一方で、データを取り巻く状況は逆転した。1990年代には公開データセットは乏しかったが、2010年代にはネットワークが吸収できるよりも速く拡大していた。利用可能なすべての標本で学習することは非現実的になり、膨大な情報の蓄積が未利用のまま残った。

こうして、より大きなデータセットを、より大きなモデルに与える軍拡競争が起こった。トロントの2012年のImageNetネットワークは6,000万個のパラメータを持ち、GPU上で動作した。その十年後には、一兆個のパラメータを持つTransformerが専用のシリコン上で動いている。規模拡大のブームは、重量級の道具も生み出した。2015年に公開されたGoogleのTensorFlowは、コードが四百万行を超えるまで膨張した。10,000行のライブラリで済んでいた統計的学習の時代には、考えられなかった工業的な取り組みである。

より大きなモデルを求める競争は、設計者を、より小さな浮動小数点形式へも向かわせた。トランジスタ数、したがってエネルギー費用はビット幅よりも速く増えるため、精度を削ると不釣り合いに大きな高速化が得られる。現在のGPUでは、32ビットから16ビットへ落とすと、算術演算のスループットが四倍になることがある。2010年代初頭のディープラーニングのシステムは、32ビットの浮動小数点数だけを使っていた。これは安全な標準設定であり、病的な特殊ケースを避ければ、今もほとんどのサプライチェーン計算に十分である。一部の課題では、なお64ビットが有利となる。しかし2020年代初頭には、GPUとCPUのハードウェアが相互に好ましい進化を遂げたことにより、16ビットで学習し、8ビットで推論サービスを提供することが日常的になった。研究は今や1ビット、さらには1ビット未満の重みを探っており、利用可能な精度の下限にはまだ達していないことを示している。

ハードウェア特性への配慮は、サプライチェーンの実務でも重要である。スイスのコンピューター科学者ニクラウス・ヴィルトは1990年代に、ソフトウェアはしばしば、ハードウェアが速くなるよりも速く遅くなると警告した。この傾向は現在、ヴィルトの法則と呼ばれる。ハードウェアの効率への関心が全般的に乏しいため、多くの業務システムは、チップがはるかに良くなっているにもかかわらず、2000年と比べて今も速くなっていない。この遅さは、ヴィルトの法則が働いている姿である。ディープラーニングの工夫をそのまますべて再利用することはできないが、注意深いコードの書き方が大きな改善を引き出すことは示している。したがってサプライチェーンの専門家には、少なくともハードウェア特性への配慮について実用的な理解が必要である。

6.3.4.3 非凸最適化

2000年代初頭、数理最適化は、まだ当初のオペレーションズ・リサーチの流儀に従っていた。それを規定するのは三つの原則であった。サポートベクターマシンの信奉者を含め、統計的学習の実務家は、それを丸ごと受け入れていた。

第一に、初期の最適化理論は、局所最小値を実務上の越えられない壁として扱っていた。非凸の地形では、原理的にはそこから抜け出せても、実際のプロジェクトではほとんど抜け出せなかった。この仮定から、その障害を回避することを明確な目的とする、凸最適化という分野全体が生まれた。凸関数には局所的なくぼみがなく、大域的な最小値がひとつだけ存在するため、適切に振る舞う降下アルゴリズムはどれもそこへ収束する。この性質に基づく証明、アルゴリズム、応用の詳しい解説については、BoydとVandenbergheによる『Convex Optimization』（2004年）を参照してほしい。

図：局所的な極値と大域的な極値の両方を持つ実数値関数。

第二に、非凸問題では、まともな方法ならどれも、その解が大域的最適解からどれだけ離れているかについて境界を与えることが期待された。既知の最良解と大域的最小値の差に上限を与えることで、それを行う。分枝限定法や分枝カット法などの手法は、そのような保証を提供する。しかし、高い拡張性を持つ手法を利用できる凸最適化とは異なり、これらの一般的な方法は規模の拡大に弱い。先に述べたとおり、この種のソルバーの拡張性の低さは、サプライチェーン分野で採用が限られてきた主な理由のひとつである。

ディープラーニングのコミュニティは、この古典的な見方を投げ捨てた。確率的勾配降下法という粗削りな道具を採用し、局所最小値への恐れを脇に置いて、非凸の地形に適用したのである。この方法は驚異的に成功し、2000年代には考えられなかった、数兆個のパラメータを持つモデルを可能にした。

新しい見方が現れた。障害はもはや局所最小値ではなく、広く平らな台地である。支配的な見解では、次元数が増えるほど局所最小値は極めてまれになるとされる。したがって、低次元の例から得た直感は、高次元では通用しない⁸⁹。代わりに、勾配が小さい広大な領域、すなわち「台地」が、降下法の主な難題となる。

第三に、多数のパラメータを持つものを含むパラメトリックモデルでは、二重降下の領域において最適性の証明は無意味になる。学習損失は急降下してゼロ近くにとどまりうるが、その小さな残差は、モデルがどう汎化するかについてほとんど何も語らない。さらに悪いことに、交差エントロピーのような、ディープラーニングで好まれる多くの損失関数は、真の最小値さえ持たない⁹⁰。

ディープラーニングのコミュニティには、オペレーションズ・リサーチから受け継いだ古典的な最適化の立場を拒む独自の理由があったが、この拒絶はサプライチェーンにとっても重要である。古典的なパラダイムには、およそ六十年、1950年代から2000年代にわたり見過ごされてきた、直感に反する限界があることを示すからだ。この先では、サプライチェーンにはこの古典的な立場を拒むさらなる理由があり、はるかに価値のある別のパラダイムが存在することを見る。

6.3.4.4 工夫の道具箱

どのプログラミングパラダイムも、中核となる概念、実践、道具を備えた、ソフトウェアの仕事に関する独自の思考モデルを提供する。そのほとんどは、データの表現方法やプログラムの動作の制御方法について、明確な立場を持っている。

ディープラーニングは、プログラムによって構成する学習パラダイムとして、初めて⁹¹広く採用されたものである。2010年代初頭には、機械学習で主流だった期待に反することで、研究者を戸惑わせた。

それまで論文やソフトウェアが焦点を当てていたのは、新しいデータセットで学習できる状態のモデルという完成品であった。ディープラーニングを特徴づけたのは、モデルを作るためのアーキテクチャ、数値的な工夫、指針となる原則への着目である。scikit-learn⁹²のような統計的学習のツールキットには何十ものモデルが備わっていたが、ディープラーニング用のものには、モデルがひとつも付属していなかった。この分野は、2010年代の大部分を、この変化を受け止めることに費やした。新しいモデルを見つけ、ベンチマークを実行し、結果を発表するという従来の方法は、時代遅れになった。新規性は、もはやモデル自体や、その統計的な特徴づけにはなかった。コンピューターを学ぶ一年生でさえ、利用可能なテンソル演算から層を選んでつなぎ合わせ、「独自」のディープラーニングのネットワークを作り、多数ある公開データセットのひとつでベンチマークできた。一時期、ディープラーニングの会議や学術誌には、そのような組み合わせにすぎない論文があふれた。「独自性」はあっても、そうした貢献の多くは取るに足らないものだった。

ディープラーニングのアーキテクチャは、かつてオペレーションズ・リサーチが推奨した「モデル」に相当する現代のものとして機能するが、学習させて展開するネットワークを最終的に仕上げる際に、データサイエンティストへ大きな裁量を残す。

最も価値のある貢献は、ディープラーニングの「工夫の道具箱」と呼ばれるようになった。全体を再定義するのではなく、ネットワークの一部を改善する、小さく部品化された変更である。重みの初期化戦略、モーメント推定器、学習率のスケジューリング、ドロップアウト、早期停止、残差接続、密な接続、注意機構、Transformerアーキテクチャ、バッチ正規化、勾配の蓄積、ハイパーパラメータ最適化、データ拡張、位置エンコーディング、枝刈り、量子化、知識蒸留、低ランク分解などは、拡大するこの「工夫の道具箱」のほんの一部にすぎない。しかし、これらの貢献、少なくとも重要なものは、極めてよく積み重ねられることがわかった。同じ種類に属する場合を除けば、ある手法が別の手法を排除することはめったにない。

1960年代以来、関数型、オブジェクト指向、分散、リアクティブなど、多くのパラダイムがソフトウェアの一般的な課題に取り組んできた。リレーショナルデータベースのSQLに見られる関係代数のように、特化したパラダイムも生まれた。どのパラダイムが「最善」かという議論は続いているが、ひとつ以上のパラダイムを採用せずに本格的なソフトウェアプロジェクトが進められることはない。プログラミング言語を選ぶだけでも、すでにパラダイムを選んでいるのである。

サプライチェーンにとって重要な教訓は、純粋なソフトウェアの仕事以外でも、適切なパラダイムを選ぶことが重要だという点にある。ディープラーニングは、プログラミングパラダイムとして、機械学習の最先端を再定義した。ここから、サプライチェーンのような他の領域も、同様に専用のパラダイムから恩恵を得られるのではないかという問いが生まれる。後に見るとおり、専用のプログラミングパラダイムは、サプライチェーンにとって最重要のものなのである。

6.3.5 生成の時代

2022年、ほどなく「生成AI」の名のもとにまとめられることになる、いくつかの画期的な公開成果が、ニッチな研究から世界の見出しへと躍り出た。OpenAIが2022年11月に発表した会話型アシスタントChatGPTと、LMUミュンヘン大学およびハイデルベルク大学の研究者が2022年8月に公開したテキストから画像を生成するモデルStable Diffusionは、それぞれテキスト補完と画像生成の画期として、直ちに認められた。一夜にして成功したかのように見えたその陰には、より広いディープラーニングのコミュニティによる、何年にもわたる着実で終わりのない進歩があった。2022年に変わったのは基礎となる科学ではなく、提供の形であった。初めて、専門家でない人々が、簡単なウェブインターフェースから大規模な事前学習済みモデルを呼び出し、数秒で目を見張る結果を得られるようになった。学術的な珍しいものを、主流の製品カテゴリーへ変えた転機である。これらのシステムは明らかにディープラーニングを土台としているが、データの質や損失関数の設計など、このパラダイムの初期の仮定の一部にも挑戦している。その意味で、「生成の時代」は、第一世代を単に延長したものではなく、ディープラーニングの実践の本物の第二世代を表している。

第一に、ベンダーは標準で事前学習済みモデルを提供するようになった。予想外とはいえ、抜本的な進歩である。事前学習済みモデルがあれば、エンドユーザーはモデルの生成、すなわち学習段階を気にする必要がなくなり、その利用、すなわち推論段階に集中できる。これは導入を大幅に容易にした。また、事前学習済みの構成要素からディープラーニングのネットワークを組み立て、学習可能な部分を追加する、ハイブリッドな学習プロセスへの道も開いた。段階的な学習プロセスはディープラーニング以前から存在したが、生成パラダイムは新たな次元を加え、コードだけでなくモデルも共有するという、さらなるオープンソースの実践を機械学習のコミュニティに促した。

第二に、生成の時代の特徴は、ウェブ規模のデータへの、ほとんど飽くことのない渇望である。何十年もの間、格言は「ごみを入れれば、ごみが出る」（GIGO）であった。低品質の入力は、モデルの出力を台無しにするという意味である。しかし今日のテキスト生成器や画像生成器は、公開ウェブから直接収集し、軽くフィルタリングしただけの数十億のページや画像で学習しながら、その原材料の平均的な質を上回る文章や画像を返す。その結果は完全とは程遠いが、元の資料の中央値より優れていることは明白であり、従来のGIGOの信条を覆している。ただし、このようなデータの海を活用できるのは、ハードウェア特性への深い配慮をもってソフトウェアを書き、ハードウェアが提供できるすべての計算サイクルとメモリバンクを絞り出した場合だけである。

第三に、大きさを増し続けるモデルは、損失関数が想定していなかった創発的な技能を示す。たとえば大規模言語モデル（LLM）は、パラメータが数十億に達し、数十億のトークンで学習すると、翻訳能力を示し始める。しかし損失関数が反映するのは次のトークンの予測だけであり、翻訳は考慮していない。同様に、テキストから画像を生成するモデルは、スタイル変換など、学習データを超える創発的な能力を示す。

これらの能力は、オペレーションズ・リサーチから借りた仮定を覆す。それまでは、最適化問題を解く最善の方法は、最終的な解を評価するのと同じ指標で過程を導くことだと、一般に考えられていた。真の損失を近似する代理損失関数が許容されたのは、解の質と資源を引き換えに、大きな計算上の利点が得られる場合だけであった。しかし、生成モデルの創発的な能力は、より直接的な損失関数で導かれた従来の最先端手法を、繰り返し上回ってきた。

生成の時代には、ある課題の評価値と、確率的勾配降下法を駆動する損失関数との関係は弱くなった。自己教師あり学習が、それまで支配的だった教師あり学習に取って代わった。自己教師あり学習の背後にある直感は、ラベルのないデータ⁹³の量が、通常、ラベルのあるデータの量を圧倒するということである。したがって学習を「ラベル」を予測するという狭い課題から切り離し、代わりにデータに内在する性質へ集中させれば、その背後の構造をよりよく捉えられる。

生成モデルは機械学習の最先端を再定義したが、サプライチェーンの用途で活用することは、多くのソフトウェアベンダーが主張するほど自明ではない。サプライチェーンに関係するデータの大部分は、リレーショナルな記録である。しかし、テキスト補完、テキストから画像を生成するモデル、画像からテキストを生成するモデルのいずれも、そのようなデータの処理には適していない。2020年代初頭にベンダーが一般に掲げていた二つの提案には、反論が必要である。

第一に、大規模言語モデルに向いているのはテキストであり、数値の時系列予測ではない。こうしたモデルの算術能力を高める提案⁹⁴はあるが、それによって言語モデルが、数値処理向けに特別に設計されたモデルと競争できるようになる可能性は低い。よくても大規模言語モデルは、単純なパラメトリックモデルがごくわずかな計算資源で達成できることを、極めて回りくどく実現する手段になるだけかもしれない。

第二に、チャット形式のインターフェースは通常、生産性を損なう。チャットボットとの会話は、従来の画面操作よりも大幅に遅い。日常的に繰り返すことを意図した課題には、煩わしい会話型インターフェースではなく、「従来型」のユーザー体験を用意すべきである。企業環境では、従業員はシステムの使い方を訓練され、習熟していることが期待されるのであって、何とか「手探りで切り抜ける」ことを期待されているのではない。企業の視点は、課題が何であってもユーザーの知識が少ないと想定する、最終消費者向けの視点とは根本的に異なる。

サプライチェーンでは、大規模言語モデルは、数値レシピの草案を作り、意思決定の周囲にある非公式な仕事を円滑にすることに力を発揮する。これらの貢献には後ほど戻る。

7 未来

サプライチェーンのあらゆる意思決定には、「将来の会社の状況によって、今日の資源配分が利益を生むと期待している」という暗黙の主張が含まれる。この予測は口に出されないかもしれないが、避けることはできない。企業は予測という課題を無視できても、その結果を無視することはできない。

したがって、未来、そしてより一般的には時間が、サプライチェーンにとって極めて重要である。しかし、時間は見かけ以上に難しい。抽象的すぎるからではなく、自明に思えるため、意識して考える対象になりにくいからだ。未来は私たちが吸う空気に似ている。どこにでもあるのに、目には見えない。⁹⁵こうした話題では、先入観を当然のこととして受け入れ、考える作業そのものを省きたくなる。化学は、数千年来の空気についての先入観が誤っていたと教えてくれた⁹⁶。同じようにサプライチェーンでも、明日についての検証されていない信念が、しばしば昨日の暗黙の延長として、価格、生産能力、在庫をひそかに形づくる。それが誤っていると、希少な資源を誤って配分し、流れ全体に失敗を波及させる計画として固定化される。

議論を具体化するため、本章では、あらゆる意思決定は明日への賭けであるという単純な観察を、その賭けから利益を生むための道具につなげる。議論は三段階で進める。

まず、企業の未来の捉え方を導く、語られない世界観を明らかにする。二十世紀の実務の多くは、予測と工学的に組み立てた計画によって明日を確定する、目的論的世界観に由来する。これと対照をなすのが、起伏を織り込む世界観である。明日を不確実性のもとに広がる機会の場と捉え、形勢が有利になったときに企業が動けるよう、選択肢を残しておく。

次に、予測に基づく計画が、数学的には整って見えても、なぜ事業では破綻するのかを検討する。時系列という形式は重要なものを平板化する。未来は、まだ下されていない意思決定によって形づくられる。小さな数、バッチ化、敵対的な行動、裾の重い分布が、過去と未来の整然とした対称性を打ち砕く。その結果生まれるのは、脆い調整の仕組みと官僚的な儀式である。

最後に、起伏を織り込む世界観と、本書で先に紹介したオプショナリティの経済学に適した予測の道具を組み立てる。時系列の点予測を、需要、リードタイム、価格、返品の確率的予測に置き換え、購買バスケット、代替、波及についての高次元予測を加え、等間隔の期間枠ではなく流れに固有の対象で表現する、方策を条件とする予測を導入する。これらの道具は、唯一の未来を言い当てるものではない。代替案の価値を評価し、機会費用を明らかにするものである。

7.1 世界観

[世界観とは]、理論と呼べるような体系的推論を組み立てる前に、私たちが感知し、感じ取るものである[..]。世界観とは、世界の仕組みについての私たちの感覚である[..]。世界観はどれも、ある程度は単純化しすぎている。ただし、私たちは通常この言葉を、自分ではなく他人の世界観に対して使う。トーマス・ソウェル、A Conflict of Visions（1987）。

私たちの周りに漂う、言葉にされない考えのうち、最も強力なものは、目の前の対象、ここではサプライチェーンについての因果関係の直感を形づくる。この直感が、状況の捉え方や問題の見方、そもそも問題に気づくかどうかを決める。本章でいう世界観とは、この因果関係の直感である。

世界観が理論に先立ち、理論がモデルに先立つ。世界観は、企業の文化、慣行、プロセスに浸透している。世界観が重要なのは、思考のおおまかな羅針盤となるからだ。私たちの注意を引き得る無数の対象のうち、何が考えるに値するかを世界観が決める。

たとえば、Amazonの創業者ジェフ・ベゾスが唱える「Day 1」も、そうした世界観の一つである。「Day 2」の停滞を避けるため、絶えず革新し、先手を打って行動する、永続的なスタートアップ精神を重視する。毎日を初日のように扱い、迅速な意思決定を促し、失敗の危険を冒してでも実験を受け入れ、短期的な利益より長期的な機会を優先するという意味である。Amazonは「Day 1」の精神を貫くことで、起業家精神を維持し、規模が大きく成熟した組織を悩ませる自己満足を避けようとしている。

しかし、反対の世界観にも支持者がいる。ハドソン川への緊急着水で155人の命を救ったことで知られる、チェスリー・「サリー」・サレンバーガー機長は、こう語った。「私は42年間、経験、教育、訓練という銀行に、定期的に少しずつ預金をしてきた。そして1月15日には、非常に大きな引き出しをするのに十分な残高があった」。航空業界ではこの見方が支配的であり、破壊的な革新ではなく、既存の実務を絶えず磨くことで自己満足と闘う。過去の失敗の代償は血で支払われ、未来の失敗も同じである。

世界観は、人間の頭では全体を容易に把握できない複雑なシステムに、人々が直感的にどう向き合うかを左右する。十分な在庫を維持できず、棚の半分が空になっている小売店を考えよう。直感的に下す診断は、サプライチェーンの仕組みについての世界観によって大きく異なる。

サプライチェーン分析を専門とする教授を考えてみよう。彼は直感的に、補充を動かしている需要予測の不正確さを原因とみなすかもしれない。この世界観では、サービス品質の責任を技術的な解決策、つまりソフトウェアに負わせる。この世界観は、そのソフトウェアの設計と精度に研究を通じて影響する学術界にも広がり、技術中心の見方をさらに強める。

一方、同じチェーンの地域責任者は、店舗運営のまずさを原因とみなすかもしれない。この世界観では、店長や従業員といった人々が、店舗を効率よく運営する責任を負う。まず責任を問われるのは、問題の最も近くにいる人々である。この世界観は経営上層部にも責任を及ぼす。彼らは無能な店長をその地位にとどめており、ここでも人を中心とした見方が際立つ。

この二つの世界観は、同じ空の棚を見ながら、責任と、それゆえに解決の役割を、まったく異なるところに求める。一方は技術的な解決策に向かい、もう一方は管理上の解決策に向かう。同じくらいもっともらしい第三の診断は、企業の外にある。横行する万引きによって、陳列在庫が消えているというものだ。もちろん、店舗の問題がソフトウェアの不具合、不適切な管理、あるいは治安の悪化のどれに起因するかは、まったく別の問題である。世界観は何も証明しない。複雑な状況に対する、とっさの評価を左右するにすぎない。

世界観は大きな結果をもたらす。多くの企業が、創業者特有の世界観のおかげで市場を支配するに至ったことを、歴史は示している。その意味で、彼らが「ビジョナリー」と呼ばれるのはふさわしい⁹⁷。しかし、同じ世界観が、時を経て企業を失敗へと導くこともある。したがって、どの企業でも、経営上層部が抱く支配的な世界観を特定し、その事業に適しているかを評価することには意味がある。

企業戦略と違って、世界観が議論されることはめったになく、その長所と短所が比較検討されることはなおさら少ない。同じ企業の中でも、人々は根本的に異なる世界観を抱き得る。世界観が明言されることはめったにないため、従業員は、自分が押せば他人が引き、その逆も起こると感じる。しかし、世界観の相違が原因として指摘されることはほとんどない。

7.1.1 価値観

政治でも事業でも、指導者はしばしば価値観の違いを強調して、競争相手との差を際立たせる。「私たちの価値観は同じではない」という言葉は、あらゆる陣営から聞こえてくる。しかし、この見方には一理あるにせよ、世界観の深い影響を見えにくくしがちである。

トーマス・ソウェルはA Conflict of Visions（1987）で、人は同じ事実の異なる解釈に出会うと、その違いを価値観に帰しがちだと鋭く指摘している。価値観の違いは、「私たちの価値観は同じではない」という決まり文句から想像するほど大きくないことが多い。たとえば政治の領域で、貧困、犯罪、戦争を推奨する人を見つけるのは難しいだろう。しかし、こうした害悪に反対する価値観を共有していても、人々の世界観は、まったく異なる解決策へと彼らを導く。

サプライチェーンでも同じである。分野や業種を問わず、企業は収益性、成長、サービス品質、無駄の削減を求める。こうした価値に公然と反対する企業は、存在するとしてもまれである。異なる世界観は、同じ価値を目指しながら、著しく異なる戦略と実務を生む。

顧客を徹底して重視することを繰り返し強調してきた、Amazonの創業者ジェフ・ベゾスを考えよう。彼はかつて、「何より大切なのは、顧客に執着するほど集中することだ。私たちの目標は、地球上で最も顧客中心の企業になることである」と述べた。これは価値観の表明であり、しかもかなりありふれたものだ。実際、経営者が公の場で顧客を軽んじることはめったにない。そうした行為が発覚した経営者が、その後も地位にとどまることはまれである。Amazonを際立たせているのは、大半の企業と一致する掲げた価値観ではなく、独自の世界観と文化である。

したがって、未来の理解がサプライチェーン実務をどう形づくるかを評価する際には、人々が同じ価値観を共有しながら、根本的に異なる解決策を提案し得ることを忘れてはならない。多くの場合、その違いは、対立する世界観に根ざしている。

7.1.2 時間

時間の経過は、私たちの経験と世界の理解を形づくる。あまりに具体的で、あらゆるところに存在するため、時間の次元を捨象するのは難しい。しかし、サプライチェーンの課題の多くは、過半とはいわないまでも、こうした扱いに値する。時間について働いている根底の世界観を明らかにするだけでも、その価値がある。そこで、時間に関する一連の問いを提示する。この段階では、答えを出すことは重要ではなく、試みもしない。代わりに、世界観、つまり因果関係の直感を特徴づけることを目指す。

未来は知り得るものだと考えるか、それとも知り得ないものだと考えるか。

予測の価値は、明日のうち、実際に先を見通せる部分の大きさに限られる。未来が少なくとも部分的に知り得るものなら、予測は強力な道具になる。ノイズに支配されているなら、予測は儀式にすぎない。計画も同じ前提を引き継ぐ。資源の投入を導けるほど確実に、未来の何らかの特徴を見通せる場合にしか、計画は報われない。結果が期待から日常的にずれるなら、計画の労力は無駄になる。

未来は定められていると考えるか。それとも変えられると考えるか。

未来が固定されているなら、予測は、いずれ生じる状態を事前に測定するものであり、精度は実現した結果との一致によって判断される。未来が変えられるなら、予測は行動を形づくる指示として働き、精度は実行がどれほど計画に沿ったかで判断される。

不確実性を欠陥と捉えるか、それともリスクと機会と捉えるか。

未来が不確実であることを疑う人は少ない。一方の見方は、不確実性を、より精緻な予測、より厳格な管理、迅速な是正措置によって最小化すべき欠陥と捉える。もう一方は、それを原材料と捉え、価値を評価し、ヘッジし、形勢が有利なときにはときに進んで受け入れる。

より多くの情報を得てから決めるために先送りするより、早く行動するほうがよいと考えるか。

その場で下す重大な決断は、ある人には性急に、別の人には決断力の表れに映る。同じように、行動しないことは、意志の弱い逡巡とも、よりよい情報を待つ強さとも受け取られる。

知識を、変わらないものの性質と考えるか、それとも時間と場所に固有の事情と考えるか。

科学的知識は永続性を目指す。理論は時を超えて成り立つ主張として表され、再現性は、日時や場所によって変わらない現象を前提とする。事業の知識は逆である。ある事実が広く知られると、それを個別に知っていることの価値は崩れ落ちる。優位性を生むのは、時間と場所に固有の事情、つまり今日の能力と制約のもとで、誰が何をいくらで欲しがっているかである。したがって、価値ある知識は局所的で、時機にかない、鮮度を失うものである。

過去を、積み重ねていくための基盤となる資産と考えるか、それとも人を自己満足へと導く、欠陥のある遺産と考えるか。

創業者は白紙から始められるかもしれないが、後継者は誰もが現状を引き継ぐ。一方の立場は、その遺産を、積み重なる資産と捉える。技能、仕入先との関係、データ、日々の手順は、磨き上げることでリスクと費用を減らす。もう一方は、それを負債と捉える。埋没費用、硬直した習慣、社内の利害集団が、選択を昨日の市場へと偏らせる。

人への投資は際限なく積み上がると考えるか。それとも、積み上がるのは技術や手法だけだと考えるか。

人の能力は複利的に伸びると考える人もいる。実践、フィードバック、よりよい思考モデルによって、計画担当者は速さと精度を高め続ける。したがって、研修への支出は資本投資に近い支出となる。別の人は、早い段階で伸びが頭打ちになると考える。十分な能力に達した後の持続的な改善は、主に手法やソフトウェアの向上から生まれるため、投資は人ではなく道具に向けるべきだという立場である。どの立場を取るかは、そもそも何を「投資」とみなすかを強く左右する。

もちろん、これらの問いは偽の二分法である。真実は両極の間にあるかもしれず、文脈によって異なるかもしれず、まったく別のところにあるかもしれない。しかし、単なる哲学的な思索ではなく、これらの問いは、時間、そして未来についての直感が重要な結果をもたらすことを示している。異なる世界観は、異なる解決策を生むだけではない。解決に値する問題についてすら、人々が一致しないことがある。

サプライチェーンの世界では、時間と未来に対する見方は、おおむね目的論的世界観と呼ぶものに収斂してきた。予測によって明日をあらかじめ確定し、計画を守ることで、それを工学的に実現できるという信念である。20世紀を通じてこの見方が支配的となり、21世紀にも標準の立場であり続けている。名前を付けられることも、疑問を呈されることも少なく、大半の著者もエンタープライズソフトウェアも、暗黙のうちにそれを前提としている。次節では、この世界観を明示し、その帰結を検討する。

7.2 目的論的世界観

未来に手が届かないのは、現代科学が提供する数学的な道具を受け入れていない者だけである。現在の予測モデルを今なお悩ませる弱点が何であれ、止めることのできない進歩の力が、いずれそれを克服する。さらに、こうした道具は何が起きるかだけでなく、なぜ起きるかも教えてくれる。したがって、現代の指導者は、未開の時代の先人と違って、何も偶然に委ねない。その計画は、もはや人間の誤り得る直感に根ざしたものではない。この機械の時代を特徴づける精密さを備えるよう、工学的に設計されているのである。

この一節は、目的論的世界観の本質を捉えている⁹⁸。20世紀を通じて、この世界観は知識人の間で支配的になった。ここでいう知識人とは、具体的なサービスや製品ではなく、自らの考えを売って生計を立てる人々、すなわち作家、歴史家、学者を指す。この定義は知能を評価するものではなく、単に職業を分類している。たとえば、ジャーナリストは知識人だが、脳神経外科医はそうではない。しかし、脳神経外科医のほうがジャーナリストより教育を受け、知能も高いと期待してよいだろう。自分の命を外科医に託す患者は誰もが、そう期待している。

ある見方が知識人の間に根づくと、それはしばしば広まり、世論を形づくる⁹⁹。サプライチェーンの世界でも、著者と実務家の双方で、目的論的世界観が、唯一とまではいわなくとも支配的になった。エンタープライズソフトウェアのベンダーは、他の見方を受け入れる余地がほとんど、あるいはまったくない業務フローと技術によって、この世界観を定着させた。

残念ながら、この世界観は、欠陥の大きさに劣らず人気も高い。反証が山ほどあるにもかかわらず、史上最も人を魅了してきた経済思想の一つであり続けている。この世界観をサプライチェーンから根絶するのは気の遠くなる仕事だが、必要な仕事である。まずは、この見方がどこから生まれ、どのようにサプライチェーンへ枝分かれしていったのかを検討しなければならない。

7.2.1 歴史的な成立

伝統的な占い師、卜占官、神託を伝える者、預言者とは異なる、現代の定量的予測¹⁰⁰は、20世紀初頭の米国で、第一世代の経済予測家とともに登場した。予測への需要を後押ししたのは、当時の米国に特有だった、投資を行う中産階級の出現である。20世紀の初めに株式を保有していた米国人はわずか五十万人だったが、1920年代末には1,000万人に増えた。初期の予測家たちは、自分たちの手法によって、経済の不確実性はいずれ過去の遺物になると確信していた。

毎週のように、彼[ロジャー・バブソン]のニュースレターは読者に、経済的な出来事はランダムでも不確実でもなく、注意深く研究すれば理解できる力に支配されていると説明した。彼は1907年恐慌の後、定期的に予測を発表し始めた。[…]価格から雇用、売上に至るまで、あらゆるものについて見通しを示した。ウォルター・A・フリードマン、Fortune Tellers（2013）

バブソンの自信満々の態度は、その後の一世紀を通じて、経済評論家のひな型となった。彼の中心的な考えは、作用・反作用の法則とも呼ばれるニュートンの第三法則¹⁰¹を、経済学に適用することだった。それによって、経済の推移もいずれ天体の運行と同じほど予測可能になると考えていたのである。今日では広く素朴で見当違いな考えとみなされているが、20世紀半ばの予測家たちは、信頼の対象をニュートン力学から統計学に移しながら、バブソンと同じほどの自信を保っていた。

1921年に設立されたソビエト連邦のゴスプランは、1925年に年次計画の発表を始めた。この委員会は、未来を征服できるという目的論的世界観に直接依拠していた。しかし、生み出したのは、実行できない非現実的な計画ばかりだった。結果は壊滅的であった。ソビエトの経済学者ニコライ・シュメリョフとウラジーミル・ポポフは、こう書いている。「行政体制を特徴づけていたのは、経済的ロマン主義、経済についての深い無知、そして『行政的要因』が経済過程や国民の動機に与える実際の効果の、信じがたいほどの誇張であった」。

大衆文化も、こうした信念を反映した。アイザック・アシモフのSFシリーズFoundation（1951）は、当時の知識人に広まっていた見方を捉えている。物語の中心にあるのは、素粒子物理学と社会学を融合した架空の理論「心理歴史学」であり、膨大な数の人間を対象にすれば、ほぼ完全な予測能力を発揮するとされる。ただしアシモフは、心理歴史学の予測能力に対抗できる個人がいることを認めている。もっとも、それができるのは、強大な超能力を授かった、半神にも等しい人間である。

経済予測が失敗し続けても、二十世紀の知識人の大半は、人間社会の出来事は究極的には予測可能だという絶大な確信を保った。ゴスプランの失敗の一部は社会主義の一般的な欠陥に帰せるとしても、市場を基盤とする米国の先駆者、Moody’sやStandard & Poor’sも挫折を経験した。両社は、過去の会計記録を単に表にまとめるのではなく、明示的な予測を含む手引き、企業要覧、市場ニュースレターといった投資関連の出版物を売ることから出発した。世紀半ばには、両社とも信用格付けへと転換していた。それは、必然的に外れる予測で恥をかかずに済む、より「安全な」事業だった。

予測の挫折は、オペレーションズ・リサーチの勢いを鈍らせなかった。この分野は1950年代と1960年代に台頭する中で、目的論的な見方を取り入れた。未来は、定常状態を仮定するか、時系列予測を使うことで、モデルへの既知の入力として扱われた。1970年代末までに、時系列は定量的なサプライチェーン理論の礎となった。20世紀末にS&OP（販売・業務計画）が広まると、時系列予測の存在感はさらに増した。その地位と重要性は、2010年代初めまで、事実上疑問視されなかった。

7.2.2 時系列のパラダイム

時系列とは、通常は等しい間隔¹⁰²で、連続する時点に観測した、ある量の値の列である。この列を今日より先へ延長すると、予測、具体的には時系列予測が得られる。時系列は、太陽黒点の数から一国の人口まで、何でも表せる。しかし、サプライチェーンの著者やソフトウェアの大半は、主に需要を、個数または金額で表すために使っている。

図：現在までの過去の時系列（実線）と、その予測（破線）。

時系列は、定規の上に並べた、端のない数値の列であり、「0」が今日を示す。左側のすべてはすでに起きており、右側のすべてはこれから推測しなければならない。実際には、時間を日、週などの等間隔の独立した区切りとして扱い、その枠を予測で埋める。

この形式は、時系列のパラダイムを支えるいくつかの仮定を明らかにする。第一に、時系列には、幾何学の直線のように、始まりも終わりもない。もちろん、図示する際には実用上の理由から有限の区間に切り詰める。しかし、この断片を全体と混同してはならない。

第二に、時系列は時間の次元に関して構造的に対称である。「構造的」とは、過去と未来の値が一致するという意味ではなく、同じ性質のものであるという意味にすぎない。時点ゼロという便宜上の境界を除けば、両者は区別されない。

第三に、時系列は離散的な時間軸を採用する。この選択は、時系列の表示も、その上に構築する分析モデルや予測モデルも、大幅に簡素化する。

この三つの仮定は、自然科学で一般的な見方と一致する。ある場所の気温を研究する気象学者も、同じパラダイムを採用する。記録はある日から始まっているとしても、それ以前の気温も記録できたはずだという点を、気象学者は疑わない。逆に、測定はいつまでも続けられる。気温は連続的に変化するが、分析を容易にするため、たとえば毎日決まった時刻に一度測定するなど、記録は意図的に離散化される。最後に、物理法則は、時間に関してほぼ完全に対称である¹⁰³。

21世紀初頭のサプライチェーンの世界で、時系列のパラダイムがどれほど支配的だったかは、いくら強調してもしすぎることはない。予測に関する文献のほぼすべてが、需要の時系列予測を中心に展開している。需要以外の予測対象¹⁰⁴を認める著者は少なく、時系列以外の予測構造を認める著者はさらに少ない。予測は、事実上「需要の時系列予測」と同義になった。

同じように、オペレーションズ・リサーチの後継である「応用最適化」の大半も、可能な限り時系列を入力とする。ここでも、別の視点を認める人は少ない。

ソフトウェアの側では、レポートシステムの大半が、設計上、時系列のパラダイムを採用するOLAP（オンライン分析処理）キューブに依存している。キューブの次元の一つは、必ず時間である。重要なのは、こうしたキューブが、時系列を超える、より表現力のある別の構造と両立しないことである。

経営の側では、広く行われているS&OP（販売・業務計画）が、時系列をまさに中心に据えている。部門横断のチームが集まり、唯一の成果物である戦略計画を作る。実際には、その計画は、通常は企業の予想売上を表す時系列を束ね、将来の期間枠に並べたものである。

7.2.3 時系列による計画

事業において、時系列予測は、自然科学でいう中立的な将来の見積もりではない。コミットメントを兼ねている。予測が承認されると、それが予算を決め、能力を確保し、補充日程を組む基準になる。組織は、その数値を実現するために動く。予測は、明日についての推測というより、明日を形づくる指示になる。

予測が確定し、将来の需要を既知のものとして扱えば、残るのは、それを最小の費用で速やかに満たすよう、資源を調整することだけである。目的論的な見方では、計画とは、将来の需要を固定し、それに対応する資源を割り当てることである。

実際、未来を確定済みとして扱い、すべての場所のすべてのSKUについて、日々の需要が一つに定まっているとすれば、計画の問題は算術に還元される。物的な意思決定、つまり何を買い、作り、動かすか、どこで、いつ、どれだけかは、予測そのものから機械的に導かれる¹⁰⁵。すると実行は、「計画」がどれほど守られたかを測ることに帰着する。たとえば、出荷拠点にあるSKUの明日のEC需要予測がちょうど2個なら、それより少ない在庫を置くのは、計画的に欠品を起こすことである。それより多く置くのは、定義上、より正確な時機の補充によって防げた「はず」の、避けられる過剰在庫である。

予測が「計画」として神聖視されると、企業が自ら選択する力は、その数値を確定する儀式へと移る。予測が玉座に座り、それ以外のすべては服従となる。そのため、基準値をめぐって縄張り争いが起こる。統計的な優劣の議論ではなく、姿を変えた予算交渉である。予測担当者には、この争いは倒錯して見える。管理職にとっては、「精度」は二の次だ。本当の獲物は、自分の縄張りに、より多くの資本、能力、注意を配分させることである。

次に、調整は構造的な不一致にぶつかる。予測と資源は、異なる形に組み立てられている。基準となる予測はSKU別の週単位である一方、トラックは毎日出発するが日曜日には走らないかもしれない。生産は段取り替えを軸にバッチ化され、発注は最低発注数量や数量別価格に従う。そこで、帳簿上は基準に整合して見えるよう、計画担当者の小さな軍隊が、あらゆる細部の日程を逆算する役割を担う。数量を日付の間で移し、締切前に注文を押し込み、こちらで上乗せし、あちらで削る。外部の人には、この慌ただしさが「意思決定」に見える。実際には裁量はごくわずかだ。選択は計画への準拠によって制限され、残った自由度も、経済的というより事務的なものである。

この見方は、サプライチェーンの著者、実務家、ソフトウェアベンダーが、価格設定をほぼ常に無視する理由も説明する。実際、価格は需要に影響するため、本書が一貫して主張するように、サプライチェーンの対象に含まれる。それでも、目的論的世界観に従う従来の立場は、価格を丸ごと無視する。価格は単に、計画段階に先立って、それとは独立に決まるものとされる。従来の需給計画担当者にとって、価格は所与のものであり、評価することも疑問を呈することもない。

予測が資源配分を導くという、この計画の捉え方は、現代のサプライチェーンの世界であまりに支配的であり、代替案を認める人すら少ない。意見の相違は、予測手法、在庫モデル、調整業務の流れの選択に限定される。しかし、広く支持されていても、目的論的な計画には欠点があり、厳しく検討する必要がある。

7.2.4 計画の限界

そこで、自分がどこへ向かっているかを正確に知っており、過去にもどこへ向かっていたかを正確に知っていて、他の人々も自分の行き先を知っていたから過去に成功したのだ、という幻想を、ここでは目的論的誤謬と呼ぼう。ナシーム・ニコラス・タレブ、Antifragile: Things that Gain from Disorder（2012）

目的論的世界観から生まれる計画には、根深い欠陥がある。それでも、最も悪名高いソビエトのゴスプランの大失敗をはじめ、一世紀にわたる反証があるにもかかわらず、官民の大組織の中心的な教義であり続けている。これほど成果が乏しいのに、20世紀の知識人をこれほど徹底して魅了した考えは少ない。この魅力がなぜ続くのかを考える前に、まず時系列の不適切さから始めて、計画の技術的な欠点を明らかにする。

数学的な構造として、時系列は事業の状況を表すのに適していない。自然科学で使う時系列をそのまま流用したくなるが、それは根本的に見当違いである。問題の核心は、事業の場面では、時系列が、検討する現象のある側面を構造上まるごと無視してしまうことにある。

毎日同じ場所で一度気温を測定する気象学者を考えよう。それが研究対象の時系列である。彼は、少し性能のよい機器を使えば、測定そのものの精度を上げられると知っている。一分間隔、あるいは100メートル離れた場所で、二度測定できることも知っている。しかし、こうした改善のいずれも、全体像を根本から変えるとは期待されない。測定をより正確に、あるいは細かくすることは常にできるが、その効果は逓減する。時系列は近似だが、気象学者はその性質と程度を制御している。気象についての理解を覆すような根本的な発見が、「あと数秒」や「あと数メートル」のところに潜んでいるわけではない。

事業は、こうした規則には従わない。一見わずかな測定の変更が、状況の評価を根底から変え得る。同じ製品を何年も販売してきた企業を考えよう。売上は毎週およそ1,000個で安定し、ほとんど変動しない。この製品の需要が来週ゼロに落ち、その後も永遠にゼロであり続ける確率はどれほどだろうか。この問いに答えるため、週次売上の過去の時系列が同一である二つの状況を考えよう。

同じ週合計約1,000個を生む、二つの需要構造を考える。ケースAでは、互いに独立した1,000人の顧客が、それぞれ週におよそ一個を買う。ケースBでは、一人の顧客が週におよそ1,000個を買う。何年にもわたる週合計という過去の時系列は、どちらも同じに見えるが、裾に潜むリスクは異なる。ケースAで来週の売上がゼロになるには、事実上すべての顧客を失う必要がある。大惨事でもない限り、それには何週間、何か月もかかる。ケースBなら、一人の買い手の一度の決断で足りる。完全に崩壊する危険性は、その一顧客が離反する確率に等しい。

在庫への影響を考えよう。ケースAでは、通常、減少は徐々に現れるため、顧客離反が明らかになるにつれて在庫を削減でき、評価損の計上は抑えられやすい。ケースBでは、大きな評価損は、生じるかどうかではなく、いつ生じるかの問題である。唯一の買い手が離れれば、その顧客のために積み上げた在庫は余剰になる。したがって、週次売上の時系列が同一でも、二つの状況のリスク特性は正反対であり、異なる意思決定が求められる。

別の状況を考えよう。ある店舗は、特定のSKUを週平均10個販売する。週七日営業し、毎日補充を受ける。安定したサービスを実現するには、いくつ手元に在庫を持てばよいだろうか。一日の需要の点予測は\(\approx 1.4\)個だが、同じ時系列を持つ二つの需要構造から、正反対の在庫要件が導かれる。

*パターンA：多数の小さな購買バスケット。*十人の別々の顧客が、それぞれ週の間に一個を買う。毎日補充されるなら、およそ5～6個を手元に置けば、大半の日には十分である。一日分のサイクル在庫とわずかな余裕で、通常のノイズを吸収できる。

*パターンB：少数の大きな購買バスケット。*週に一人の顧客が、10個を一度に買う。在庫が10個未満なら、その来店時には必ず欠品する。まずまずのサービスを実現するには、少なくとも10個が必要であり、同じ日にそのような顧客が二人来る可能性もあるため、適切な範囲は20個、場合によっては30個となる。

両パターンの時系列は同じだが、経済的に妥当な在庫量は四倍以上異なる。重要なのは、平均を日別の枠に割り振った値ではなく、購買バスケットの大きさの分布である。

この二つの例が示すように、単一のSKUであっても、時系列は流れの重要な側面を平板化する。時系列は、情報の欠落を伴う取引履歴の表現である。投影によって情報が捨てられ、気象学とは違い、失われるものが本質的であることが多い。その結果、そこから得られる計画は、状況の重要な側面を無視するため、必ず機能不全に陥る。弱点は時系列のパラダイム自体にあるので、高度化すれば解決できると考えるのは幻想である。系列を増やしても、過去や未来への対象期間を伸ばしても、粒度を細かくしても、点予測の精度を高めても、問題は解決しない。

同様の例は、いくらでも挙げられる。単一のSKUであっても、時系列は機能しない。生鮮・期限付き商品なら一個ごとに保存期限が異なり、修理可能品なら一個ごとにライフサイクルが異なる。リバースロジスティクスでは返品が混乱を生み、新製品の投入では時系列がまだ存在しない。実際、事業のかなりの部分が時系列のパラダイム、したがって「計画」と両立しない業種を見つけるのは難しい。

単一SKUに関するこうした問題は、規模が大きくなっても消えず、爆発的に増える。数千のSKUを扱う相応の規模の企業では、時系列というレンズと、その上に築かれた計画の儀式が、同じ誤りを増幅して生む。自社店舗を持ち、多数の商品の中で黒いバックパックも販売しているスポーツウェア企業を考えよう。計画の立場では、そのバックパックについて12か月の販売見通しを作り、それに合わせて生産を決め、品揃え全体で同じ作業を繰り返す。この実務はあまりに一般的で、疑問を持つ人は少ないが、その前提は健全ではない。

この見通しには意味がない。店内の目立つ場所に置けば需要は増え、EC限定にすれば抑えられる。色やサイズの異なる多くのバックパックを投入すれば、それらは元のバックパックの需要を奪う。積極的な価格を設定し、店舗網に新しい顧客を呼び込むマーケティング施策の先兵にすれば、膨大な品揃えの中の目立たない一商品にすぎない場合より、需要ははるかに大きくなる。

計画が意味をなさないのは、各見通しがまだ下されていない意思決定を条件としているのに、それらがすでに下されたかのように作業が進むからである。計画が発表されると、事務担当者は、その後の約束や資源投入が計画に沿っているように見せるため、選択を逆算しなければならない。実際には、計画が不可能というわけではない。緊急輸送費、過剰な余裕、人為的な平準化、義務の先送りといった、高くつく近似によってのみ「実行可能」にされる。これらは帳簿の整合を保ちながら、経済性を損なう。ここでいう実行可能性は、実務上の真実ではなく、会計上の産物である。

ゴスプランが実行不可能な計画を作ったことに、特別な点も驚くべき点もない。これは、目的論的な計画に内在する欠陥である。企業の経営者でも、封建領主でも、政治委員でも、同じ見方を採れば、同じように実行不可能な計画に行き着く。その理由を理解するには、サプライチェーンの核心が経済的なプロセス、つまり代替用途のある資源の配分だということを思い出せばよい。

計画を思い描くとき、管理職は暗黙のうちに数千もの希少な資源を意のままに扱い、それが適切な時、場所、数量、費用で用意されると期待する。計画の無数の期待と、企業が実際に利用できる資源が、計画期間中のすべての時点と場所で完全に一致する確率は、事実上ゼロである。

時系列による計画、そしてより広くは目的論的世界観は、単に期待に届かないだけではない。努力を誤った方向へ向ける。それでも、21世紀に入って久しい今も、大半の企業と、サプライチェーンを論じるほぼあらゆる場で、標準の立場であり続けている。何度も反証された考えが、なぜ正統になったのか。説明は、論理よりもインセンティブにある。次節では、こうしたインセンティブ、つまり官僚組織にとっての計画の魅力を検討し、成果が乏しくても教義が存続する理由を示す。

7.2.5 官僚組織にとっての魅力

企業は戦略計画という考えに惚れ込んでいる。自分たちがどこへ向かっているのかを知るために、金を払わなければならないのである。しかし、戦略計画が機能する証拠はない。それどころか、反証さえあるようだ。経営学者のウィリアム・スターバックは、計画の有効性を否定する論文をいくつか発表している。計画は企業を、機会に応じて動けない行動方針に縛り付け、選択肢を見えなくする。ナシーム・ニコラス・タレブ、Antifragile: Things that Gain from Disorder（2012）。

ゴスプランは消えたかもしれないが、その精神は大企業や政府機関に生き続けている。目的論的世界観に魅力があることは否定できない。しかし、その理由は無知や愚かさだけではない。それが生き残るのは、無知というより、計画の芝居に報いるインセンティブによる。こうしたインセンティブを明らかにして対峙しなければ、この教義は存続する。

計画は、その核心において、バックオフィスの専門家が担う官僚的な機能である。この機能は避けられない。企業には、複雑に絡み合う資源を、時間と場所をまたいで配分する仕組みが必要だからだ。担当者は、物理的な流れに直接触れることはほとんどなく、間接的にそれを調整する。配分の問題は、制御する流れの複雑さをそのまま反映し、一人で端から端まで管理するには入り組みすぎている。分析的で大量のデータを扱う仕事なので、専門家は一般的な管理職よりはるかに高い生産性を発揮する。したがって、管理職全体に仕事を分散することは、めったに実行可能ではない。少数の計画担当者に仕事を集中させるのが健全な形である。

どの官僚組織でもそうであるように、失敗は、ときに厳しく罰せられる一方、成功はほとんど注目されない。たとえば、年間売上目標の二倍の契約を獲得した優秀な営業担当者は、大幅な昇給を交渉するうえで強い立場にある。しかし、同僚の半分の在庫評価損に抑えた計画担当者が、同じほど評価されることはめったにない。営業担当者の成功は個人のものとみなされる一方、計画担当者の成果は、仕入先など、社内外の多くの関係者に依存するとみなされる。逆に、利益の大きい商談を逃した営業担当者が解雇されることは少ないが、大きな評価損を引き起こした計画担当者は、その損失の原因が自ら提案した計画にあるとされれば、職業人生に深刻な打撃を受けかねない。

正当かどうかにかかわらず、こうした先入観は大企業、とりわけ中間管理職の間に浸透している。その結果、計画を担う官僚組織の構成員は、ときどき得られる成功を自分の功績として主張するより、責任を回避するほうが安全だとすぐに学ぶ。予想どおり、成果志向の文化はプロセス志向の文化に取って代わられる。「よい計画」を、成文化されたプロセスに従うことと定義し直せば、この状態は維持される。このすり替えによって、官僚組織はほぼ攻撃不能になる。成功とは、自分たちで書いた規則を守り続けることだと、再定義されるからである。

残念ながら、計画において、単にプロセスに従うことから得られる具体的な利益は乏しい。企業の計画は航空安全とは異なる。航空安全では、今ではまれになった墜落事故を一件ずつ調べ、再発を防ぐための修正を見いだす。それに対し、計画の誤りはあまりに頻繁で大きいため、そうした修正はしばしば、直す欠陥と同じ数か、それ以上の新たな欠陥を持ち込む。その結果、平凡さが計画の長期的な特徴として残る。

とりわけ、時系列予測は、計画チームに責任をめぐる罠を作る。点予測は、実際に使う場面では必ず外れる。不足や余剰が起きれば、その外れは目に見え、社内では予測担当者の責任になる。官僚組織は、このように一者だけが責任にさらされることを避ける。よくある対応は、営業、マーケティング、財務、業務部門を儀式に引き込み、予測の「責任者」を増やすことである。主な狙いは数値を精緻にすることではなく、どんな誤りも全員の誤りにすることだ。

この操作は、通常、予測精度の向上をうたう大規模な「協働」の取り組みとして現れる。S&OP（販売・業務計画）は、そうした取り組みの中でも特に広く普及した形である。S&OPの果てしない会議によって、多くの関係者が予測に共同で署名するようになる。このような会議が計画の質を高めるという実証的な証拠はない。実際、証拠が示すのは、大きな委員会は、課題が何であれ、ほぼ常に劣った結果を出すということである。

要するに、目的論的な予測は、意思決定とその結果の双方を回避できるため、事務担当者にとって魅力的である。予測は職務上の緩衝材となり、そこから生じる資源配分の責任をそらす。そのうえで計画担当者は、しばしば「協働」という看板を掲げて予測プロセスを手直しし、自分が責任を負う可能性をさらに薄める。

単純な分析で目的論的な見方の欠陥は明らかになるものの、その批判を特定の企業に当てはめるのは難しいことが多い。こうした欠陥は、計画プロセスに「科学的」なうわべを与える、継ぎ足しの手法によって覆い隠されがちである。

批判は方法ではない。企業には依然として羅針盤が必要であり、それは明日を昨日の固定的な延長と偽るものであってはならない。代替案は、不確実性を欠陥ではなく入力として扱い、オプショナリティを育てて使う資産とみなし、計画への忠実さではなく、リスクを調整した利益への貢献で選択を判断することである。起業家には一般的で、官僚組織にはまれなこの立場は、配分の言い訳に使う予測ではなく、配分そのものに、主体的に選択する力を戻す。これを起伏を織り込む世界観と呼び、次に検討する。

7.3 起伏を織り込む世界観

未来の混沌は取り除けない。顧客は移り気で、従業員は気まぐれで、仕入先は頼りにならない。しかし、競争相手も同じ混乱に直面している。完璧である必要はなく、相手より優れていればよい。道の段差は、どれも追い越しの機会でもある。断固とした行動は精緻な計画に勝り、幸運は備えた者に報いる。したがって、備えとは、明日の市場を正確に言い当てることではなく、機会を育てる技である。

この言葉は、起伏を織り込む世界観を凝縮している。目的論の陣営は、未来を、ますます詳細な地図、すなわち予測を必要とする旅として捉える。地図が十分に正確なら、他の道具は要らない。それだけで、旅人を既知の目的地へ導けるはずだ。その信奉者には、そのような地図なしで旅することは無謀に映る。

それに対し、起伏を織り込む世界観は、機会を絶えず評価することに依拠する。頼るのは地図ではなく、進む方向を示すビーコンである。その信号が確かなら、着実にその方向へ進めば前進できる。目的地をあらかじめ知っていても、速さは増さない。地形が変われば、固定された地図はすぐに役に立たなくなる。

起業家が日々実践しているにもかかわらず、多くの知識人は、起伏を織り込む世界観を退ける。その軽蔑は、有効性への疑いというより、それを受け入れることが人格の欠陥を示すかのような、道徳的な含みに由来する。

最初の汚名は、この世界観が、賭博やその他の実のない投機と暗黙に結び付けられることから生じる。しかし、起業家が賭けに出ることはあっても、それは「実のない」投機ではなく、起業家と顧客の双方に利益をもたらすことが期待される過程である。たとえば、大ヒットする製品を発売した起業家は、不注意な観察者には経済的な貢献が小さく見えるため、身に余る成功を得たと評価されることがある。しかし、その一度の成功を得るまでに、何十もの製品を発売し、当たらなかった製品の一つ一つで損をしていたかもしれない。さらに、ある製品がわずかな変種なのか、根本的な改善なのかを決めるのは、消費者だけである。大きな商業的成功は、消費者がそこに際立った魅力を見いだしたことを示唆する。残念ながら、市場によりよく応えるために多くの方向を探る費用は、外部からはほとんど見えない。そのため、成功はしばしば、宝くじの当選のような単なる幸運として片付けられる。

二つ目の汚名は、多くの観察者が搾取的だとみなす、特徴的な行動から生じる。ここでも観察者は、起業家が得た利益に、それが実在するか想像上のものかを問わず注目し、見方を歪める。まず、自由市場では、取引は双方が同意したときにしか成立しない。したがって、売り手がいくらを求めようと、買い手はその価格に同意しない限り「搾取」され得ない¹⁰⁶。たとえば、嵐の被災地に携帯発電機を急送する企業は、「通常」の価格を大きく上回る値段を付けるかもしれない。しかし、そこに搾取的なものは何もない。買い手は発電機を買うよう強制されておらず、買う人は、持たないより持つほうが自分にとってよいと判断している¹⁰⁷。より一般に、起伏を織り込む世界観では、価格が流れを形づくる。安く買い、高く売ることが、その原動力である。それでも、しばしば搾取と誤解されるのは、不注意な観察者が、「安く買い、高く売る」ことは幸運ではなく、不断の努力を要し、避けられない金銭的リスクも伴うと気づかないからだ。

19世紀以来、知識人は、起伏を織り込む世界観に汚名を着せることに力を注ぎ¹⁰⁸、その見方を一般の人々にも広めてきた。価格が需要に及ぼす明白な影響を避けて通るなど、今日「主流」とされるサプライチェーン理論の多くの奇妙な特徴は、この烙印に大きく由来する。

しかし、真実は人気で決まるものではない。起伏を織り込む世界観は、概念的にも実証的にも、目的論的世界観より優れた代替案である。概念的には、利益を追求する視点と、それに伴う特徴を受け入れる。たとえば、敵対的な行動は目的論的世界観では居場所がないが、起伏を織り込む見方には自然に収まる。実証的にも、計画の正しさへの依存がはるかに小さいため、周囲の混沌に対してより強く、リスク調整後でより優れた意思決定を生む。たとえば、「機会」という概念自体が、起伏を織り込む世界観では自明なのに、目的論的世界観には欠けている。

7.3.1 取り除けない不確実性

起伏を織り込む世界観は、未来が断固として不確実であると考えるが、完全に知り得ないと言っているわけではない。あり得る未来を考えることができないとも、どの未来も同じ確率で起きるとも考えない。逆に、他よりはるかに起こりやすい未来があり、それを特定できるため、その起こりそうな未来に対応するよう資源を配分できると考える。それによって、顧客により手厚く、より高い収益性で応えられる。

この世界観では、明日の一部は見通せる。ただし、多くの場合、それは大づかみな構造についてだけである。私たちが知っていることの多くは、「金一グラムは、銀一グラムよりほぼ確実に高価であり続ける」という比較や、「同じ価格なら、SKU AはSKU Bより売れる」という関係である。こうした知識は実務に役立つが、日付ごとに一つの数値しか置けない、等間隔の時系列の点予測には収まりにくい。時系列の枠は、不等関係、順序関係、条件付きの主張を表せず、相対的な事実を絶対値の推測へと平板化する。

知識が比較に基づくものでなくても、その構造は時系列の型に収まりにくい。航空を考えよう。世界の旅客数は大半の年で増えるが、ときおり深刻な急減が起きる。点の系列では、将来の日付ごとに一つの数値を選ばされるため、「ほぼ常に増えるが、低い確率で壊滅的に落ち込む年がある」とは表せない。非対称性と裾のリスクを捉えるには、単一の基準経路ではなく、確率分布や状態区分を表す変数が必要である。つまり、時系列という形式は、企業に実際の優位性をもたらす種類の主張を表すには狭すぎる。

この角度から見れば、起伏を織り込む見方は、目的論的な見方に比べて「予測的」でないわけではない。ただ、異なる文法を使うのである。一つの基準経路で期間枠を埋めるのではなく、結果のまとまりに確率を割り当て、比較に関する事実を記録する。たとえば、同じ価格ならSKU AはSKU Bより売れそうだ、熱波は水の売上を押し上げる、リードタイムの分布は右の裾が重い、といったものだ。重要なのは、日付ごとの孤立した数値ではなく、こうした主張によって利用可能になる、価値評価された代替案の集合である。予測が「よい」とされるのは、学術的な誤差スコアを最小化するからではない。企業が競争相手よりうまく資源を投入し、先送りし、ヘッジし、価格を改定できるようにして、経済的な優位性を生むからである。

明日を時間に沿った単一の数量へと平板化する目的論的な見方とは異なり、起伏を織り込む見方は、未来を、流れ全体に広がる不確実性の組み合わせとして捉える。需要量は、その変数の一つにすぎない。価格や取引条件は変わり得る。競争相手が保証期間を三年から五年に延ばし、対応を迫るかもしれない。商品構成や代替関係は、販売施策とともに変化する。リードタイムは揺れ動き、遅延の分布はしばしば裾が重い。購入費用や運営費用は変動し、仕入先や生産ラインが機能しなくなることもある。それぞれが需要と同じほど機会費用を変えるため、それぞれに固有の確率法則を持たせる必要がある。実務上の課題は、単一のスカラー予測ですべてを代表できるふりをすることではなく、これらの不確実性をまとめて価値評価することである。

この見方では、未来は一つではなく、際限なく存在する。それを一握りのシナリオに、ましてや単一の予測に縮約するのは願望にすぎない。未来は部分的にしか知り得ず、不確実性に満ちているため、あり得る結果をすべて列挙することは不可能である。したがって、すべてを覆う「大計画」を作ろうとする試みは、自己欺瞞に近い。

代わりに、起伏を織り込む見方は、計画を、未来についての多様で矛盾する洞察を調整し、最も利益が得られるよう資源を配分する試みと捉える。起こりそうにない一つの結果に大きく賭けることも、収益が高くリスクを相殺するなら、許容され得る。逆に、極めて起こりやすい結果であっても、利益が得られないなら、どれほど確実でも資源を配分する価値はないかもしれない。

まとめると、起伏を織り込む世界観は、明日を、異質な手がかりの組み合わせとして扱う。それらを単一の時系列の基準に押し込めず、確率、状態区分、不等関係、比較による主張という、それぞれ本来の形で保つ。実務上の問題は統合である。ばらばらの手がかりを、整合した選択に変える必要がある。これは世界観ではなく、道具の役割だ。本章の残りでは、この統合を行う理論と道具を紹介する。

仕組みに進む前に、一つの原則を確認しよう。起伏を織り込む見方では、意思決定、すなわち配分そのものが先に来る。

7.3.2 機会に応じた配分

起伏を織り込む世界観は、未来を、供給すべき数量の固定的な「基準」ではなく、絶えず移り変わる機会の流れとして扱う。ひどく不採算な機会もあれば、非常に利益の大きい機会もある。あらゆる意思決定は、何よりもまず、つかむべき機会の経済的な価値評価である。

この世界観で最上位にあるのは、意思決定、つまりある機会に希少な資源を意図的に配分することである。予測はその選択への入力となる。一方、目的論的世界観では、予測が王冠を戴く。この鮮明で独特な重点の違いは、両者の支持者が対話を試みることを難しくする。起伏を織り込む立場の人にとって、予測は高度ではあっても結局は二次的であり、断固として行動する必要性が圧倒的に優先する。目的論的な立場の人にとっては、予測とそれに伴う計画は、合理的な行動方針と切り離せない。計画に根ざさない意思決定は、よくても近視眼的、悪ければ気まぐれとみなされる。

しかし、起伏を織り込む世界観は、根本的に機会を捉えることを重視しながらも、目的論的世界観と同じくらい先を見ている。実際、あらゆる資源配分には、避けられない機会費用が伴う。そのため、利益がありそうに見える機会でも、見送ればよりよい機会への道が開ける場合や、逆に実行すると期待利益を損なう問題を生む場合には、退けられ得る。

たとえば、ある航空会社が、高価な修理可能な航空機部品を同業他社に貸し出し、相手のジェット機が部品不足で飛べなくなる事態を防ぐ場合を考えよう¹⁰⁹。部品が緊急に必要とされているため、貸し出す航空会社は、相手に非常に高い賃貸料を求められる。しかし、基本的な会計の規則では、帳簿上、極端に利益が大きい取引に見えても、その航空会社はしばしば貸し出しを断る。自社の機材も考慮しなければならないからだ。部品を貸し出せば、まさにその部品が不足して、自社の航空機を飛ばせなくなるリスクが増す。このリスクの費用は、帳簿上は非常に儲かりそうな価格であっても、貸し出しの利益を完全に相殺し得る。

目的論的世界観は、機会費用の問題を丸ごと避けていることに注意しよう。この視点では、計画が実行可能と判断され、その場合にはすべての顧客に対応できるか、実行不可能と判断され、再び実行可能になるまで需要予測を修正して引き下げるかのどちらかである。目的論的世界観では、機会という概念そのものが、サプライチェーンの他のほぼすべての関心事とともに、将来需要の時系列の見通しに埋め込まれてしまう。

これらの機会費用を正確に計算するのは、実務では難しく、起伏を織り込む世界観はその難しさを認めている。そのため、機会費用を頭の中で明示的に計算する代わりに、比較による評価を重視する。たとえば、最後の一個を、よく知らない新規顧客に割り当てるべきか。それとも、失望させたくない忠実な顧客のために、暗黙に取り置くべきか。比較による評価は高度な方法でも行えるが、この世界観が重視するのは、あらゆる配分を、その代替案を通して見るという一般的な姿勢である。

こうした比較によって、そもそも配分するかどうかも決められる。同じ資源配分について、後により望ましい機会があるなら、今の機会は見送るべきである。たとえば、企業は追加購入をやめ、現在の在庫がさらに減り、必要量が明確になる後の時点に備えて、現金を残せる。

その結果、起伏を織り込む世界観は、目的論的世界観の意味での「計画」を必要としない。資源は、機会費用が高すぎて続けられないと判断されるまで、少しずつ配分される。企業が早まった配分によって資源を使い果たすのを避けるには、後により望ましい機会があると分かれば、それで十分である。したがって、機会に応じる立場だからといって、目的論的な立場より近視眼的なわけではない。どちらも未来の見積もりに依拠しており、予測の形が違っていても、先を見ている。

配分を比較できるようになれば、優先順位を付けられる。新たな情報によって各評価額が変わるたびに並べ替え続ける、単一の優先順位リストで、流れ全体を導ける。企業規模では、許容される配分を一つずつ並べたこのリストは、容易に数百万件に達し、人が手入れできる範囲をはるかに超える。起伏を織り込む世界観が示すのは、何を、なぜ順位付けするかである。その順位をどう維持し、それに従って行動するかは工学上の問題であり、この世界観を大規模に機械化する道具を紹介する際に扱う。その前に、もう一つ必要な要素がある。未来は過去の鏡像ではなく、これから下される意思決定の帰結だという認識、つまり時間の非対称性である。

7.3.3 時間の非対称性

自然科学で一般的な視点では、多くの法則が実質的に時間反転に対して対称であり、明日は同じ過程の別の区間として扱われる。それとは異なり、起伏を織り込む世界観は、未来をまだ行われていない選択によって形づくられるものと捉える。事業において、明日は昨日の鏡像ではなく、現在の約束や資源投入の帰結である。意思決定を後回しにして予測するのは、因果関係を逆転させることだ。意思決定が結果を生むのであって、その逆ではない。

バックパックを販売するスポーツウェア企業の例は、すでに取り上げた。将来の売上を、過去の売上の単なる延長とは考えられない。企業は、値下げ、大型モデルの投入、新色の追加、広告への支出、店内の目立つ場所への陳列など、多くの次元で需要を形づくれるからである。したがって、起伏を織り込む世界観からすれば、これからの一年を前年の延長として扱うのは意味をなさない。これからの一年は、前年とは根本的に異なる。

目的論的な計画担当者をさらに落ち着かなくさせるのは、この世界観が、まだ下されていない意思決定への依存を、ごく普通のこととして扱う点である。現在の約束や資源投入は、後の選択を明示的な条件とすることがある。今日、選択肢を確保し、その価値を評価するのは、まさに明日、機会費用がより明らかになったときに、新しい情報で決められるようにするためだ。この見方を実践する者にとって、それは循環ではなく慎重さである。将来の選択肢を広げるために今行動し、その中から選ぶことは、市場についてより多くが明らかになるまで先送りする。

たとえば、ファッションブランドは、信頼する仕入先と交渉し、かなりの生産能力を事前に確保する約束に対して代金を払うことがある。この約束によって、仕入先は織物や皮革などの原材料を積極的に調達できる。後になって原材料の調達が難しくなり、仕入先が遅延するリスクを軽減すると同時に、取得費用を下げる道も開ける。しかし、約束を交わす時点では、ブランドは何を発注するかをまだ決めていない。起伏を織り込む世界観では、その細部は待てる。確保した能力がおおむね適切なら、発注を遅らせるほうが望ましい。後の注文を市場の最新の要望に合わせる選択肢が残るからである。

選択肢を残すことの価値も、この世界観の礎である。実際、企業は、ある行動方針を確約するたびに、自ら選択する力の一部を失う。たとえば、製造業者が生産バッチを開始すれば、原材料は消費され、別の生産には使えなくなる。同じように、その製造業者が来月に生産バッチを開始すると約束すれば、対応する原材料は、事実上、その生産のために取り置かれる。

直接の約束に加えて、選択肢は前例によっても侵食される。ラチェット効果である。ある行動が観察されると、取引相手は期待を更新し、撤回に費用がかかるようになる。シーズン末に大幅な値下げをするファッションブランドは、顧客に購入を遅らせ、次のシーズンも同じ値引きを期待するよう学習させる。「一時的」なサービス向上は新しい基準となり、一度限りの最低発注数量の免除は新しい規則になる。機械のラチェットと同じく、締まる方向には動きやすく、緩める方向には抵抗がある。起伏を織り込む見方では、あらゆる行動を、目先の利益だけでなく、明日の選択肢をどれほど広げるか、狭めるかでも価値評価する。将来の選択を固定する行動には、柔軟性を残す行動より高い基準を課さなければならない。

より一般に、未来の一部が固定されれば、出来事が厳密にはまだ起きていなくても、もはや働きかけられないため、機能上は過去と同じになる。起伏を織り込む世界観は、未来を過去とは根本的に異なるものとして扱うだけではない。未来を異ならせるもの、すなわち企業が自ら選択する力を残すことも大切にする。この見方を実践する者にとって、最終的な行動方針を確約するのは最後の手段であり、その利益が機会費用を上回るときにだけ行う。

目的論的世界観を持つ人には、この立場はしばしば移り気で気まぐれに映る。過去の自分に対する約束はなく、あるのは第三者との正式な合意だけである。たとえば、今後の行動方針を尋ねられた起伏を織り込む立場の人は、その発言に特別な執着を持たず、現時点で最善と思う見通しを答えるだけである。それは、暫定的に最も起こりそうな一つの選択肢にすぎず、確実性はない。その選択肢は、合計すればさらに起こりやすい膨大な代替案と共存している。その後、出来事が進むにつれて、新たな情報に照らして方針は改められる。

目的論的な視点では、根底に計画があることは当然とされる。それが未来を特徴づける中心だからである。計画がまったくない可能性は、ほとんど考えられず、実際に出会えば素人仕事として軽蔑される。したがって、行動方針を変えることは、計画を変えることを意味する。そのような結果は、根底に何か問題がある表れとみなされる。計画を守れなかったという実行の不備か、そもそもの計画の不備かのどちらかを示すのである¹¹⁰。

まだ下されていない意思決定に依存する未来を定量化するには、多くの技術的な難しさがある。特に、時系列予測と、目的論的世界観の計画用の道具の大半は、結局不適切となる。サプライチェーンの文献には、起伏を織り込む世界観を支えるものがほとんどないため、その支持者の大半は概算に頼る。目的論的な計画担当者は、その計算を粗雑とみなす。しかし、以下で示すように、この世界観を支える道具は、従来の計画手法に匹敵し、実際にはしばしばそれを上回る高度さを持ち得る。

7.3.4 起伏を織り込む世界観の優位性

起伏を織り込む世界観は、知識人からほとんど支持されていない¹¹¹にもかかわらず、目的論的世界観よりはるかに優れている。実証的に見ると、成功した起業家が自らの世界観を明かすとき、その立場は必ずこちらに傾く。イングヴァル・カンプラード（Ikea）、ジェフ・ベゾス（Amazon）、ウォーレン・バフェット（Berkshire Hathaway）は、そうした立場を公にした人々の一部である。成功した起業家は、その努力のほぼすべてを事業の経営に注ぐため、執筆を専門とする知識人ほど多くの論文や本を書かない。そのため、起伏を織り込む世界観を支持する著作は少ない。

さらに、目的論的世界観の惨憺たる結果には、豊富な実証的証拠がある。ソビエト連邦のゴスプランは、七十年にわたり、1億人を超える人々に深刻な経済的非効率を強いた。より広く見ても、民間でも公共部門でも、何年にもわたる大計画は頻繁に頓挫し、莫大な費用を生んだ。逆に、大計画の成功によって大企業が財を成したという話は聞かない。最良の場合でも、費用や遅延の上乗せが限られた範囲で実行される。それが、ここでいう「成功」のすべてである。

起伏を織り込む世界観のもとでの成功と、それがない場合の失敗という、これらの観察結果は、大部分が一つの要因に由来する。不確実性をどう扱うかである。目的論的世界観は不確実性を取り除こうとし、起伏を織り込む世界観はそれを受け入れる。そのため、目的論的な方法は衝撃に弱いが、もう一方の方法は、同じ衝撃を和らげ、ときにはそこから利益を得ることさえできる。

不確実性がほとんど、あるいはまったくない世界なら、目的論的世界観は見事に機能するかもしれない。しかし、私たちが生きているのはそのような世界ではない。自由市場だけでも、参加者全員に大きな不確実性を生むには十分である。実際、自由市場は小さな違いを極めて大きく増幅する。たとえば、Walmartは競争相手のKmartを2002年に、Searsを2018年に破綻へ追い込んだ。価格がわずか2.2%低いだけだったにもかかわらず、Walmartは、1994年には360億ドルを超えていたKmartの売上高をゼロにした¹¹²。自由市場では、競争相手より1%劣っていれば、通常、十年か二十年のうちに市場シェアを100%失う。したがって、戦争、雹、地震、疫病など、市場以外に由来する不確実性を克服したとしても、取り除けない不確実性は自由市場の特徴であり続ける。

アルゴリズムであれ方法論であれ、起伏を織り込む世界観を支えるサプライチェーンの道具は少ない。知識人の間に支持者が乏しいことを考えれば、驚くには当たらない。実務家の大半は、経験とそこから得られる直感に頼っている。しかし、そのような道具を導入することを妨げるものは何もない。本書の各章は、その取り組みを一歩ずつ進めている。

7.4 人間社会の予測可能性

サプライチェーンの成果は、企業の管理職とソフトウェアシステムの双方が、将来の出来事を適切に見通せるかにかかっている。何よりも重要なのは、人間の意思決定である。自然現象を完全に予測することは、潮汐のような単純な周期を除けばめったに実現できないものの、考えることはできる。しかし、人間社会の出来事を完全に見通すことは不可能だ。天邪鬼な顧客¹¹³が気を変えるだけで、「完璧」とされる予測は崩れる。それでも、習慣のおかげで、短期的には行動をある程度予測できる。

たとえば、スーパーマーケットの店長がヨーグルトのパックに値札を付けて棚に置くとき、顧客がそれを買うと期待している。しかも、期限切れになるより十分前に売れると期待している。正確な見通しによって、在庫の損失と欠品を抑える。これは、大半のスーパーマーケットが身につけている実務である。利益を上げるスーパーマーケットは、こうした見通しを、大規模に、日常業務として生み出せることを証明している。

一般に、サプライチェーンが収益性を保てるのは、管理者が将来の出来事をうまく見通すからである。その大半は、他者がこれから下す意思決定を見通すことを意味する。19世紀末までは、この過程は直感と経験に頼っていた。20世紀初めに形式的な分析手法が登場し、モデルの精度が厳密に測定されるようになった。1950年以降、計算能力の着実な向上を追い風に、これらの手法は発展した。そこから時系列のパラダイムが登場し、先に述べたように、サプライチェーンにおける支配的な予測手法となった。

しかし、事業の場面で時系列というレンズは脆い。明日を昨日と違うものにする手段そのものを捨象し、疎で離散的な出来事を、端数を含む平均に押し込める。有用な場合も、その理由は二つだけである。短期的な慣性と、暦に沿った周期性だ。これらの限られた強みを検討した後、このレンズを、流れの経済性に合う道具に置き換える。(i)需要、リードタイム、価格、返品に分布を与える確率的予測、(ii)購買バスケット、代替、商品・チャネル・拠点をまたぐ相互作用を捉える高次元予測、(iii)等間隔の期間枠ではなく、注文、配分、価格という流れに固有の対象で表現する、方策を条件とする予測である。これらの道具は、唯一の未来を言い当てるものではない。代替案を価値評価し、機会費用を明らかにする。

7.4.1 慣性と周期性

時系列予測は、人間社会の出来事を、定期的な測定値を未来へ延長したものとして扱う。過去の数値を記録したら、仕事は、将来の日付について妥当な値を提示し、道具が許す限り忠実にそれを行うことになる。

時系列予測に関する論文は数百万本もあり¹¹⁴、学術界でこのパラダイムの重要性がどれほど高く見積もられているかは、いくら強調してもしすぎることはない。しかし、この規模の文献群にしては、もたらすものは驚くほど少ない。時系列モデルに予測能力を与える原理は、慣性と周期性の二つである。どちらも重要だが、その限界は明らかである。

サプライチェーンの場面でいう慣性¹¹⁵とは、短期的には、人々が習慣を変えたがらないことである。これは単なる頑固さではない。変更には、しばしば大きな費用がかかる。変更が現状よりよいかを評価するだけでも、かなりの労力が必要なことがあり、導入によって既存の生産的な資産の価値が損なわれることもある。

たとえば、製造業者が工作機械を、価格の低い仕入先から調達することにしたとする。工作機械は単純な汎用品ではないため、適しているかの評価には時間がかかる。新しい機械を最大限に活用するには、チームを再訓練し、プロセスを調整しなければならない。さらに、既存の予備部品は、新しい仕入先の機械と互換性がなければ、価値の大半を失いかねない。

したがって、指数平滑法を含む移動平均のモデル群が、短期のまずまずの基準をしばしば提供する理由は、慣性によって説明できる。近い未来は、最近の過去に似るのである。しかも、慣性が支配するのは需要だけではない。リードタイム、返品率、不良率、仕入価格、販売価格などにも及ぶ。

習慣が変わるにつれて、慣性の予測能力は弱まる。それがどれほど速いかを教えるのが、リンディ効果である。

ある本が四十年間刊行され続けていれば、私はそれがさらに四十年間刊行されると期待できる。しかし、ここが大きな違いだが、そこからさらに十年間生き残れば、その先さらに五十年間刊行されると期待される。これは単純な法則として、長く存在してきたものが、人間のように「老いる」のではなく、逆向きに「老いる」理由を教えてくれる。消滅せずに一年過ぎるたびに、その先の期待寿命は二倍になる。これは、ある種の頑健性の指標である。あるものの頑健性は、その寿命に比例するのだ。ナシーム・ニコラス・タレブ、Antifragile: Things That Gain from Disorder（2012）。

リンディ効果は、物と同じように習慣にも確実に働き、変化する世界で配分のリスクを管理するうえで不可欠である。大きな投資には、強く、しかも長続きする慣性が必要となる。実務家は、ある慣性がどれほど続くかを評価するために、リンディ効果を使う。

たとえば、朝食用シリアルの売上が二週間急増すれば、スーパーマーケットが在庫を増やすには十分かもしれない。しかし、同じ急増を見たブランドは、能力増強を数か月遅らせるかもしれない。スーパーマーケットの賭けは小さい。急増が一時的でも、過剰在庫は時間をかけて消化できる。それに対し、ブランドの能力投資ははるかに大きく、急増が収まれば、その投資を損失として処理しなければならない。

周期性は、人が意思決定を暦に結び付ける傾向を捉える。実際に使える暦の規則性は少数で安定している。一日の時刻、週の曜日、月の日付、一年の中の日付である。それ以外で持続的な価値があるものは、この四つの変種や組み合わせと、グレゴリオ暦に正確には従わない一握りの準周期的な出来事である。

*一日の時刻。*店舗には営業時間があり、ECには注文締切と夜遅くの急増がある。一日より細かい記録は、昼休みの落ち込みや一日の終わりの急増など、はっきりした日内パターンを明らかにする。日次データでは、こうした周期は、それが引き起こす曜日効果を除いて、ほぼ見えなくなる。たとえば、日曜休業によって小売需要はゼロになる。

*週の曜日。*家庭は週末に買い物をし、B2Bの需要は月曜日から金曜日に集中し、返品は月曜日に集まる。多くの品揃えでは、週内の分布が、他のどの単一要因より多くの分散を説明する。

*月の日付。*給与、給付金、請求処理、期末目標によって、特に出荷では、月末に「ホッケースティック」状の急増が生じる。ここは区別が重要である。月末の出荷急増は、通常、官僚的な仕切りが生むものであり、真の消費ではない。基礎にある需要の持続的な増加ではなく、観察される流れへの暦の効果として扱うべきである。

*一年の中の日付。*季節、休暇、公的な祝日が、年間の分布を支配する。ここでいう「季節性」は神秘的なものではなく、冬の暖房器具や夏のサンダルのように、暦が習慣に刻む跡である。小売の「イベント」も同じく暦に結び付いている。ブラックフライデー、すなわち米国の11月の第四木曜日の翌日¹¹⁶は、毎年確実に購買バスケットの構成を変える。

四つの基本周期に加えて、少数の準周期がある。ラマダン、旧正月、イースターなど、宗教や太陰暦に関わる行事は、グレゴリオ暦の年に対して日付がずれるため、単純な月別指数ではなく、地域に応じた明示的な暦で扱わなければならない。¹¹⁷学校の暦や地域の祭りも同じ種類である。発見を待つ、宙に浮いた「パターン」ではなく、予測可能な日付の一覧を持つ離散的な暦なのである。

モデル化の観点では、関連する暦の要因ごとに一つずつ、少数の乗法的な指数を設け、証拠が弱い場合には\(1\)へ向けて正則化するのが、最も経済的な扱い方である。地域とチャネルには別々の指数を持たせる価値がある。小売で土曜日に動く商品が、B2Bでは動かないことは多い。休業は欠測値の補完ではなく構造的なゼロを意味し、ゼロでない観測値が少ないSKUは、階層的プーリングを通じて、類似するSKUの情報を借りる。これにより、品揃えが変わっても、暦を明示的で持ち運べるものとして保てる。

率直に言えば、慣性、つまり短期的な習慣の持続と、四つの基本周期および少数の明示的な準周期からなる簡潔な暦を取り込めば、時系列モデルが取り出せる実用的なシグナルは、ほぼすべて取り出し終わっている。フーリエ解析の花火、奇抜な遅れ、装飾過多の状態機械といった精緻な分解は、事業の場面では、標本外でめったに通用しない。慣性と暦を超えるものはすべて、価格設定、販促、代替、リードタイムのモデル化といった別の道具の領分であり、時系列というレンズそのものの領分ではない。

次節では、慣性と暦を考慮した後に時系列のパラダイム内で残りを追い回しても、サプライチェーンに得られる利益は消えていくほど小さいことを示す。

7.4.2 行き止まり

毎年何万本もの新しい論文が発表されているにもかかわらず、時系列予測は、サプライチェーンにとって技術的な行き止まりであることが、何年も前から明らかになっている¹¹⁸。この主張を最も明確に示すのが、M5の結果である。この大会は2020年に開催された、Walmartの店舗単位の販売データを使った大規模な公開予測コンペティションであり、これまでで最大のものだった。

この大会では、サプライチェーンソフトウェアを専門とするLokadのチームが、SKUレベルで首位となった¹¹⁹。これは最も細かい集計レベルであり、サプライチェーンの視点からは、流れの意思決定に最終的に重要なのはこのレベルだけである。優勝した予測モデル¹²⁰は、前節で紹介した慣性と周期性だけを使う、単純な乗法的パラメトリックモデルだった。さらに、そのパラメータの大半は基本的な周期性の指数、つまり「週の曜日」「月の日付」「一年の中の月」を反映する乗法係数であった。

SKUレベルでは、このモデルは、数百万のパラメータを持つディープラーニングモデルや、数千本の木を持つ勾配ブースティングモデルなど、より高度な手法を上回った。他の集計レベルでも、この単純なモデルの精度は、優勝モデルからわずかな差にとどまった。

M5には世界中から909チームが参加したため、目立った時系列手法はすべて試されたに違いない。それでも最終的に、単純なモデルが、より高度なモデルと同等、あるいはそれ以上の精度を達成した。理由は単純である。慣性と周期性を超えて、過去の時系列から価値ある情報を捉えられたモデルがなかったからだ。どのモデルにもそれができなかったのは、そのような情報がM5の時系列に存在しないからである。

Lokadのチームにとって、この結果は驚きどころか、約十年前に得た認識を裏付けるものだった。それは、何十社もの顧客企業のデータセットを使い、多数の時系列予測の比較実験を行った末に得た認識である。これらのデータには、未発見の周期性も、一つの系列から別の系列を予測できる隠れた遅れも、発見を待つ秘密のトレンドも潜んでいない¹²¹。より一般に、事業の記録には、さらに高度な時系列予測モデルによって利用できる別のパターンは存在しない。

証拠がないことは、存在しない証拠ではない。慣性でも周期性でもない別の時系列パターンは、まだ見つかっていないとしても、今後発見される可能性はある。しかし、これほど膨大な研究の後に突破口が開かれる見込みは低い。第二次世界大戦の終わりまでには、慣性と周期性の予測能力はすでに見いだされていた。M5は、その後70年と数百万本の論文を経ても、新たな原理が発見されていないことを示した。それ以来「進歩」とされてきたものの大半は、慣性にはより滑らかなトレンド項、周期性にはますます細かな暦の指数というように、この二つの効果のパラメータ化を磨いたにすぎない。明快な乗法的な基準モデルを整えた後は、改善はわずかで、効果は急速に逓減する。

慣性と周期性の先にも、利用できるパターンは数多く存在する。しかし、それらは時系列のパラダイムの狭い枠の外にある。したがって、それらを活用するには、時系列のパラダイムを捨てなければならない。

次々と新たな時系列の「進歩」が現れ続ける理由は、誤解よりもインセンティブにある。慣性と周期性の先には取り出せるシグナルがほとんど残っていないと認めるより、新しさを売り込むほうが商売になる。そのため、何十年にもわたって、その時々に情報科学で流行する技術を採用した変種が、行列をなして現れる¹²²。先のM5の結果が示すように、サプライチェーンの予測にとって、これらの波がもたらす実質的なものは乏しい。

7.4.3 小さな数の法則

予測の原理として、慣性と周期性が強力であることは否定できない。大きな数が関わる場合、人間社会の出来事は、この二つの原理だけでかなり予測可能になる。たとえば、フランスで交通渋滞が起きる日付は、何年も前からほぼ確実に予測できる。こうした渋滞は、生涯にわたる習慣に根ざした、数千万もの個人の意思決定を反映している。交通インフラは今も変わり続けているが、その進歩は十分に遅く、数年先のこうした予測を大きく妨げることはない。

残念ながら、サプライチェーンは根本的に小さな数を扱う。流れを特徴づける数が大きくなり、たとえば20を超えると、その過程で働く規模の経済によってバッチ化が起こり、数は小さくなる。

小さな機械部品の近距離輸送を例に、この原理を示そう。緊急の部品が一個ならスクーターで運ぶ。数量が増えると、輸送方法は段階的に変わる。数十個の部品を収縮フィルムで一つにまとめて次の配送便に載せ、いくつかの束を段ボール箱に詰めて配送バンで送り、箱を積み上げてパレットにして中型トラックで運び、数枚のパレットがあればトラック一台を手配するに値する。実際の流れは、一個ずつではなく、個品→束→箱→パレット→トラック一台分という、まとまった単位で進む。

その結果、サプライチェーンの時系列は、ほぼ必ず疎で、つまり観測値の大半がゼロであり、不規則で、つまりゼロでない観測値が大きく変動する。

図：週の周期を持つ滑らかで数量の多い系列（実線）と、疎で不規則な系列（灰色の棒）の対比。

時系列手法は、疎な系列ではうまく働かない。一日0.3個など、実際に使う場面では実務上の意味を持たない端数の日次数量を出し、当然ながら、現実の意思決定に照らすと不正確である。よくある対症療法は、期間枠を長くする（日\(\rightarrow\)月）か、対象範囲を広げる（SKU\(\rightarrow\)カテゴリ）ことで、集計によって疎さを「隠す」ことだ。

しかし、集計によって技術的には時系列予測の精度が高まっても、それは錯視にすぎない。資源配分という意思決定の構造が、予測の粒度を決めるのであり、その逆ではない。

たとえば、あるブランドのマスタードを、毎月数瓶販売する店長を考えよう。この場合、補充の意思決定には二つの項目がある。いつ再発注するかという日付と、いくつ発注するかという数量である。店長が知る必要があるのは、再発注すべき月が今月かどうかではなく、今日が再発注に適した日かどうかだ。同じように、同じブランドで同じサイズの瓶を、いくつ再発注すべきかを知る必要がある。商品カテゴリである調味料の個数で評価しても、店長には役に立たない。

小さな数の法則は、まだ下されていない意思決定に絡まない状況でさえ、精密な時系列予測を工学的に作り出せるという期待が、なぜ大きく見当違いなのかを説明する。小さな数は、データを取り除きようもなく不規則にする。これは、現在の統計的な道具の一時的な欠陥で、より優れた道具が登場すればすぐに直るというものではない。逆に、サプライチェーンへどのような数値的な道具を持ち込むにせよ、小さな数と、その他の面でも限られたデータセットに適したものでなければならない。

こうした制約が求めるのは、さらに細かな時間の目盛りや、さらに精緻な平滑化ではなく、異なる文法である。数が小さく、行動が離散的なら、意味のある予測の単位は、「来週火曜日についての一つの数値」ではない。何も起きないのか、起きるならいくつで、どれほど遅れるのかという、許容される結果についての確率法則である。その文法の最初の道具が、確率的予測である。疎さ、整数数量、裾の重い驚きを扱い、需要、リードタイム、返品、価格のいずれにも適用できる分布だ。考えを具体化するため、リードタイムと需要から始めよう。

7.4.4 確率的予測

確率的予測は、ある出来事について、将来起こり得るすべての結果を考え、それぞれに確率を割り当てる。確率的予測とは、これらの確率の集合全体である。一つの結果を指定する、確率的でない従来型の予測を点予測という。この言葉があまり使われないのは、通常「予測」といえば「点予測」を意味するからである。確率的予測は、理論的にも実証的にも小さな数の法則を受け入れるため、サプライチェーンの基礎となる。これは、等間隔の時系列の点予測というパラダイムからの、最初の大きな離脱である。

確率的予測は、需要だけでなく、流れ全体の不確実性を定量化する。これが、主流の実務との二つ目の決別である。現金と物質を動かす不確実な要因のすべて、すなわちリードタイム、入荷のフィルレート、仕入先の信頼性、仕入価格と販売価格、返品、廃棄、利用可能な能力に、分布を与える。本書では一貫して、この広い意味で「確率的」という言葉を使う。考えを具体化するため、変動するリードタイムを考えよう。仕入先も運送業者も完全には信頼できず、予定外の遅延が起こる。必要なのは、今出したばかりの注文を受け取るまでの時間の分布である。確率的なリードタイム予測は、まさにその分布を提供する。以下のヒストグラムは、日ごとの確率を要約したものである。

図：リードタイム分布の例。左側の日数では到着不可能で、公称の3日配送にピークがあり、長い遅延のリスクは重い裾を形成する。

このヒストグラムは、三日未満で届く確率がゼロであることを示す。これは、選んだ輸送方法の最短所要時間を反映している。分布の最頻値は、確率が最も高い三日目にある。これが公称リードタイムであり、仕入先と運送業者の双方が予定どおりに動いた場合に期待される期間である。小さいがゼロではない確率が、右側の遠くまで伸びている。これは、リードタイムを公称値より大幅に長くする混乱を表す。最悪の場合、荷物は永遠に届かない。¹²³

点予測と同じように、確率的予測も過去のデータから計算できる。モデル化の技術的な細部は脇に置いて、確率的予測がサプライチェーンの意思決定に何をもたらすのかを明らかにしよう。

確率的予測は、点予測より豊富な情報を伝える。しかし、本質的に精度が高いわけではない。確率は、点予測にはない情報の次元を加える。特に、分布の平均や中央値を取れば、確率的予測を点予測へ縮約できる。したがって、より正確な確率的予測からは、機械的に、より正確な点予測が得られる。確率的モデルと点予測モデルが一つずつある場合、どちらが正確かを決めるには実証的な検証が必要である。「確率的」「点予測」という分類そのものに、精度上の一貫した優位性はない。それでも、確率的モデルが提供する追加情報は、サプライチェーンの意思決定に不可欠なことが多い。

先ほどの変動するリードタイムの例に戻ると、納入遅延のリスクを管理するには、分布の細部が重要である。リードタイムの中央値に商品が届くと仮定するのは重大な誤りだ。定義上、半分の出荷は遅れて届くことになる。逆に、分布の右端に近い値、つまり高い分位点を基準に業務を組むのも、同じくらい不合理である。大半の商品はずっと早く届き、過剰在庫などの問題を生む。

リードタイムは、変動と不確実性がサプライチェーンの意思決定に重大な影響を及ぼす、多くの例の一つにすぎない。

「計画の限界」で扱った、買い手が一人だけの例に戻ろう。ある工場が、何年にもわたり、一人の顧客に一日1,000個を出荷してきたとする。時系列でいえば、点予測は1,000の水平線である。ここで、時系列が無視している情報を加える。この顧客との取引は長く続いているが、永遠ではない。一週間あたりの離反確率は約0.1%である。一年後、つまり52週間後の日次需要の期待値は、\((1-0.001)^{52}\times 1000 \approx 934\)個となる。数学的には正しいのかもしれないが、実務上は無意味である。一年後の日次需要は、1,000か0のどちらかだ。¹²⁴「一日934個」を基準とする能力計画は、必ず資源を誤って配分する。

一方、確率的予測は、崩壊のリスクを明示する。対象期間にわたり、確率質量の大半は「引き続き1,000」に残り、それより小さな質量が「0へ落ちる」に割り当てられる。この見方は、顧客が取引を続ける間は現在のサービスを確保し、いずれ失うときに備えるという、二本立ての方策を導く。点予測は、一つの「真の」未来を予測しようとして、平均によってリスクを消してしまう。確率的な見方は代替案を価値評価し、水平線が招く計画の失敗を防ぐ。

このように、確率的予測は、点のレンズでは見えないものを明らかにする。点予測は「唯一の真の未来」を捉えようとして、そうでなければ明白なパターンを見落としたままになる。さらに、確率的な視点を取ると、通常、狭い過去の時系列を超える追加データを活用したり、同じデータからより多くのシグナルを取り出したりできる。別の例で、この点を示そう。

一日平均0.5個売れる商品を扱うDIY用品店を考えよう。非現実的ではあるが、説明を明確にするため、需要は一定で周期性がないと仮定する。この店舗は、同種の店舗にも供給する倉庫から毎日補充を受ける。需要予測は、ここでも一日0.5個の水平な系列である。では、以下に示す、一日の需要の確率的予測を考えよう。

図：離散的な需要のヒストグラム。全体として低下しながら、4個と8個に明瞭なピークがある。

実は、この商品は子どものけがを防ぐためのコーナーガードである。一個ずつ買えるが、大半の顧客は4の倍数で購入する。上のヒストグラムもそれを示している。一日の需要が0、4、8、12個である確率は、他の数量の場合よりはるかに高い。この確率的な需要予測は、高いサービス品質を実現するため、店舗が8個、場合によっては12個の在庫を持つべきだと明確に示す。一日平均0.5個という需要だけを考えても、この在庫量は見通せなかったはずである。

確率的予測は、小さな数の法則を受け入れるだけでなく、意味のない端数の見通しを扱う必要もなくす。一日0.5個という値は、包装された商品の需要を要約する便利な抽象表現かもしれないが、顧客は端数の個数では買えない。許されるのは整数数量だけである。多くの著者やソフトウェアはこの問題を軽く扱うが、その態度は誤っている。在庫は整数数量でしか補充できない。端数の点予測を受け入れると、大きな近似が入り込み、ときには企業に相当な追加費用を生む。

たとえば、補充サイクル中の需要が間欠的で、一期間あたり0.1個だとすると、ゼロに丸められる現実的な危険がある。そうなれば在庫は補充されず、観測される需要は消え、流れが止まる。この在庫凍結という状況は、理論上の特殊な例どころか、確率的予測ではなく点予測に支配された在庫方策で日常的に起きる問題である。より一般に、確率的予測は、先に述べた標準化の原理から生じる、流れの主として離散的な性質に自然に合致する。

どの分布も、平均、中央値、最頻値¹²⁵といった一つの数値に縮約できる。しかし、そうすれば、確率的な見方に価値を与える情報を捨てることになる。利点があるのは、手で選んだ「中心」の値ではなく、非対称性、裾、多峰性を含む形状全体である。単一の要約値で、この情報を保つことはできない。次章では、分布を再び一点に縮めるのではなく、分布全体を生かす意思決定の方法を示す。

確率的予測を生成するほうが、点予測を作るより技術的であるとはいえる。しかし、強力なコンピュータがある今では、適切な手法を使えば、追加の負担はほとんど問題にならない。この障壁のために、逆の順序を試したくなるかもしれない。まず時系列の点予測を計算し、それを確率的予測に変換するのである。たとえば、安全在庫でときに行われるように、ある区間の合計を正規分布で近似する方法がある。

残念ながら、この方法では、意図した利点は何も得られない。確率的予測が優れているのは、より多くの情報を持つからだが、その追加情報は無から現れるわけではない。それは、点予測を作る手法よりも、過去のデータから多くの情報を引き出すように特別に設計された過程によって抽出される。

もう一つ細かな点がある。実現した結果に、その分布のもとでゼロではない確率があっただけで、確率的予測が正しかったことにはならない。重要なのは、その実現した結果にモデルがどれほどの重みを与えたかである。よいモデルは、現実が現れやすいところに確率を集中させ、それ以外にはあまり与えない。悪いモデルはその逆で、あらゆるところに微小な確率をばらまいたり、毎週起こる出来事に1%を割り当てたりする。したがって、確率的予測は、当たりか外れかの二値ではなく、証拠が許す限り分布を集中させながら、実際に起きることにどれほどの確率を割り当てるかで判断すべきである。そのためには、よく較正され、集中度の高い分布を評価し、的外れな確信を罰する、適正スコアリングルールが必要になる。

そこで、確率的モデルは、分布に適した指標で評価する。対数尤度などの確率的指標は、平均絶対誤差などの点予測用の指標ほど馴染み深くないが、神秘的なものではない。これらの指標の細部は技術的であり、ここでの議論に不可欠ではない。今は、そのような指標が存在し、二つの確率的モデルがあれば、どちらが「最良」とみなされるかを示すものだと理解して、先へ進める。

7.4.5 裾の重さ

自然科学では、多くの現象が正規分布、すなわちガウス分布に従う。これは驚くべき事実である。たとえば、世界の男性の身長はおおむね正規分布に従う。同じように、男性の体重もおおむね正規分布に従う。標本を、たとえば青い目の男性や北緯45度より北に住む男性に絞っても、分布はほぼ正規のままである。体温、骨密度、睡眠周期の長さでも、同様の正規分布が得られる。

図：3を中心とし、標準偏差が1である、裾の軽い正規分布。リードタイムのヒストグラムと比較してほしい。

正規分布は、自然界の至るところにある。一週間以上の期間で見た気温、降水量、風速は正規分布に従う。星の見かけの明るさの偏差や、人間とそれ以外の生物の集団における遺伝子発現量にも現れる。

数学的な道具として、正規分布は並外れて便利である。単純な解析的表現を持つ。簡潔な閉形式、広く使えるオープンソースのライブラリ、豊かな代数的性質がある。正規分布に従う変数の和は正規分布にとどまり、多数の確率変数の和を適切に尺度変換すれば正規分布に収束する、といった具合である。

サプライチェーンの著者の大半が正規分布を採用するのは、不思議ではない。しかし、この見方は根本的に誤っている。人間の意思決定が関わると、裾が軽いことのほうが例外になる。事業に関わる変数の大半は裾が重い。極端な結果は釣鐘型曲線が許すよりはるかに頻繁に起き、分布は通常歪んでおり、裾が合計値を支配する。これらを正規分布としてモデル化すると、リスクを一貫して過小評価し、機会の価値を見誤る。

観客が10,000人いる競技場を考えよう。一人の体重が、観客全員の体重の合計の0.1%に達することさえない。人間の体重は、生物学的に裾が軽いからだ。純資産は逆である。一人の来場者が、他の全員の富を合わせた額より多くを所有していても、おかしくない。富の分布は裾が重い¹²⁶。

より一般に、起業家としての成功に類するものは、裾の重い結果を生む。上位10のスマートフォンブランドは、他のすべてのブランドを合わせた数より多く販売する。どの年でも、世界の上位100組の音楽アーティストは、他のすべてのアーティストを合わせた数より多くの楽曲を売る。フランスの大統領選挙では、上位三人の候補者は常に、その後に続く二十四人の候補者より多くの票を獲得してきた。

サプライチェーンの流れも、裾の重い衝撃を受けやすい。ほとんど前触れもなく、需要が信じがたい水準まで跳ね上がり得る。1973年12月、深夜番組The Tonight Showの司会者ジョニー・カーソンが、トイレットペーパーが近く不足するという何気ない冗談を口にしたことで、全国的な買い急ぎが起こった。棚が空になったのは、供給が変わったからではなく、人々の期待が変わったからだった。それからほぼ五十年後、同じSKUは別の原因で同じ裾を見せた。2020年3月、ロックダウンをめぐる不確実性の中で、家庭は生活必需品を買いだめし、米国のトイレットペーパーの売上はおよそ八倍に急増した¹²⁷。通常は横ばいの商品としては、劇的な変動である。噂と政策上の衝撃という異なる引き金が、同じ実務上の現実を生んだ。長く細い裾が、突然、圧倒的な波になったのである。

意図的なマーケティング施策によっても、売上は大きく伸び得る。たとえばNikeは、「Just Do It」キャンペーンと優れた製品によって、1988～1998年に、国内のスポーツシューズ市場のシェアを18%から43%へ高め、世界売上高を8.77億ドルから92億ドルへ伸ばした。2021年には445億ドルに達し、数十年でおよそ五十倍に増えた。

工学上の偉業も、一社による市場の圧倒的な支配をもたらし得る。2024年、SpaceXは、世界で軌道に投入された重量の約90%を担った。さらに驚くべきことに、ほぼすべて政府の計画である競争相手が、軌道打ち上げ能力の構築に費やした投資の、ごく一部しか使わずにそれを達成した。

裾が重い現象は、需要だけではない。流れを表す変数の大半がそうである。価格は、どちらの方向にも、驚くべき水準まで動き得る。たとえば、2020年4月20日、ウェスト・テキサス・インターミディエート原油の価格は初めてゼロを下回り、一バレルあたり-37.63ドルに達した。マイナス価格は、満期を迎える先物から生じた。保有者には現物を引き取る義務があり、保管施設は満杯で、物流面と財務面の帰結を避けるため、価格を問わず契約を投げ売りしたのである。

リードタイムも極端な振る舞いを示す。2023年時点で、Airbusは7,000機を超える受注残を報告していた。現在の能力で、およそ7～8年分の生産量に相当する。A320neoファミリーのような燃費のよい機種への高い需要が、この受注残に大きく寄与している。受注残は、一機あたりの高い資本費用と長い生産期間も反映する。さらに、他の有力な航空機メーカーも、同程度に大きな受注残を抱えていた。

サプライチェーンの視点で裾の重さが重要なのは、利益と損失が極端な出来事に支配されるからである。裾の重い分布が広く存在する以上、極端な出来事は予測不能どころか、日常的に現れることが保証される。したがって、確率的予測だけでは十分ではない。モデルは、サプライチェーンの現象の裾が重いという性質を反映しなければならない。

逆に、正規分布、または他の裾の軽い分布を採用するサプライチェーンモデルは、必ずリスクを過小評価し、その結果、脆い意思決定を生む。その脆さは、企業の存続を危うくする。極端な事象が起きれば、市場は、特により慎重な、あるいは機会を捉える競争相手がいる場合、その企業を罰するからである。

出版物であれソフトウェアであれ、サプライチェーンに関するものに正規分布が出てきたら、無能さを見分ける試金石とみなすべきである。安全在庫など、裾の軽い分布を用いるすべての方法がこれに含まれる。実際、現実のサプライチェーンの経験分布を一瞥すれば、正規分布が妥当な当てはめには程遠いことが分かる¹²⁸。したがって、こうした方法を推奨する著者は、現実のサプライチェーンを見ようとすらしなかったことを、自ら明かしている。どのような形であれ、この愚論を受け入れる企業は、競争相手を喜ばせるだけである。

7.4.6 知識の代価

確率的予測は、異なる二種類の不確実性を織り交ぜている。それらを分けると、モデル化と行動の双方が明確になる。

海外調達のリードタイムでは、気象や港湾の混雑が、誰にも取り除けない変動をもたらす。完全な情報と無限の履歴があっても、コンテナがターミナルを出る日は依然として変動する。この取り除けない変動が、偶然的なものである。

一方、新しい仕入先にまだ数回しか発注していない場合、リードタイム分布の形はよく分からない。注文を追加するたびに、時刻の記録を明確にし、インコタームズの条件を厳密にするたびに、その無知は減る。これが認識的不確実性である。現象そのものではなく、その現象についての私たちのモデルに関する不確実性だ。

この区別が重要なのは、サプライチェーンで点予測や確率的予測を作るために使う過去の観測が、空から降ってくるわけではないからである。それは過去の意思決定、つまり過去の資源配分の結果である。したがって、未来についての知識には代価が支払われている。たとえば、小売ネットワークは需要の可能性を評価するため、選んだ店舗の棚に商品を一つ追加することがある。これは、不確かな収益を求めて、商品代と棚の空間の双方を投入する投資である。

認識的不確実性を減らすため、つまり知識を得るために資源を投じることは、サプライチェーンの基本である。起伏を織り込む世界観を持つ人にとって、希少な資源を絶えず投入して市場を探ることは、わざわざ言及するまでもないほど自明だ。それは単に、自然な事業の営みである。

しかし、大半が目的論的な見方に従う主流のサプライチェーン著者にとって、配分と知識のこうした絡み合いは、単に語られないのではなく、否定される。多くの著者は、市場の知識が無から現れるわけではないと理解しているが、過去のデータを超える知識を得るために、「市場調査」や、それに類する官僚的な道具¹²⁹に頼る。

目的論的な視点から見た市場調査の最大の利点は、計画のパラダイムをまったく揺るがさないことである。調査は、計画を始める前に完了し、過去のデータが足りないところで正確な時系列予測を作るために必要な情報を提供するものとされる。考え方の上では、市場調査は知識の獲得と利用をきれいに切り分ける。しかし、耳当たりのよい多くの考えと同じく、実務では機能しない。

この関係は、意思決定の章で再び取り上げる。そこでは、認識的不確実性が減ることの価値を得るよう、意思決定をどう調整できるか、そしてしばしばそうすべき理由を示す。

7.4.7 高次元の予測

「予測」がほぼ常に「時系列予測」と受け取られるため、他の形は見落とされる。時系列という形式には強い制約があり、現実のサプライチェーンの状況の一部しか扱えない。しかし、より広い種類の予測を探ることを妨げているのは、想像力の不足だけである。

実際には、時系列予測は一次元である。対象期間が多数の期間にまたがっていても、各日付の誤差は個別に評価される。複数期間の予測は、独立した一期間予測を積み重ねたものに還元される。数値が一つの共通モデルから来るか、互いに無関係な式から来るかは、評価には関係しない。標準的な精度指標は、それらを別々の推測として扱い、対象期間全体で誤差がどう連動するかを無視する。この見落としは、意思決定が日付、商品、拠点を結び付けるとたんに重要になる。

高次元の精度が重要な理由を示すため、理想化した二商品の例を考えよう。完全に代替可能な二つの異なる商品を売る店舗があるとする¹³⁰。商品はその日の終わりに期限が切れ、毎日補充される。二商品への需要は一日10個で、顧客は在庫がある間、二つからランダムに選ぶ。

一日についての三つの予測候補で、この点を示す。

• (A) 5個と5個

• (B) 10個と0個

• (C) 6個と6個

代替がある以上、適切な精度指標は、(A)と(B)に同じ損失または価値を与えなければならない。実際、どちらの見通しも同じようによく、単純化した仮定のもとでは完璧である。しかし、(C)は総需要を2個過大評価するため、より悪く評価しなければならない。この二つの要件をともに満たせる一次元の指標はない。二商品を同時に見る尺度だけが、(A)と(B)が同等で、(C)が劣ると認識できる。平均絶対誤差、平均二乗誤差など、従来のスコアはすべて、誤って(C)を(B)より上に置く。前へ進む唯一の方法は、2次元の精度指標へと視野を広げることである。

この例は、一次元の見方の限界を示す。その重要性を理解するため、次に、より現実的な確率的な例を考えよう。

食料品店の品揃えの問題、つまり棚に置く異なる商品の正確な一覧を選ぶ問題を考える。顧客が一商品だけ買うことはまれで、大半は複数の商品を入れたバスケットを持って帰る。よりよい品揃えは、平均して、より大きい、あるいは利益の大きい購買バスケットを生む。

どのような品揃えでも欠品は起こる。棚が空なら、顧客は代替品を選ぶかもしれない。代替は欠品を緩和する。逆に、顧客は、欠けている商品だけでなく、一緒に買うつもりだった補完的な商品も諦めるかもしれない。この波及は欠品を悪化させる。

こうした代替と波及を調べるには、過去の購買バスケットのデータを検討するしかない。実際、このデータがあれば、顧客の視点から商品の相互関係を評価する自然な入口が得られる。さらに、会員カードが使われていれば、個々の顧客に紐付いた購買バスケットの連続を再構成できる。こうした分析では、会員データが購買バスケットのデータを補完する。

ここでは技術的な細部は必要ない。重要なのは、関係する情報が購買バスケットのデータにあることだ。それがなければ、どれほど高度な取り組みであっても、必要な情報を欠くため、行動の分析は失敗する。

それに対し、販売データを時系列へ平板化すると、ある日に何人の異なる顧客が来店したかすら分からない。残るのは、疎で不規則な時系列同士の不確かな相関だけなので、代替も波及も見えない。時系列だけでは、行動の分析を支えられない。

品揃えの課題に戻ると、選んだ品揃えを条件とする購買バスケットの予測が、素直な解決策になる。変更後の品揃えのもとで将来の購買バスケットを予測できれば、少なくとも販売量の面で、現在の品揃えより優れているかを評価できる。

点予測として解釈すれば、「信頼できる」購買バスケット予測という考えは、カテゴリーの取り違えである。一つのバスケットには十以上のSKUが混ざることも多く、組み合わせは爆発的に増え、買い物客は棚の前で自由に代替する。唯一の正確なバスケットをあらかじめ言い当てようとするのは不可能に見え、実際に不可能である。そのため、この考えはしばしば退けられる。誤っているのは問題の捉え方だ。重要なのは、一つのバスケットを推測することではなく、同時に買われる確率と、商品同士が互いの購入を押し上げる効果である。まさに次に扱う構造である。

しかし、確率的に見れば、見通しはまったく異なる。考えられるすべての購買バスケットが同じように起こりやすいわけではないことは、明らかである。たとえば、過去に一緒に買われたことが一度もない二商品を含むバスケットは、起こりにくい。購買バスケットの空間に確率分布を構築するのは、技術的に困難に見えるかもしれない。しかし、機械学習の分野は、こうした予測のための相当な「工夫の道具箱」を発展させてきた。

点予測の視点は、すべてを「唯一の真の未来」の周囲に平板化することで、見通しの質を点ごとに、つまり一度に一次元ずつ評価できるという、誤った印象を与える。しかし、それではシステム内部の依存関係を無視する。確率的な視点では、ある結果の不自然さを通じて、その依存関係が明らかになる。需要は増えたり減ったりし得るが、郵便番号が奇数の地域では増え、偶数の地域では減るというのは不自然だ。この観察は、高次元の視点を必要とする。

サプライチェーンには、こうした依存関係が至るところにある。まさに、すでに見たように、それがシステムだからである。一つの商品の成功は代替品の需要を奪い得る。飛べなくなったジェット機は乗り継ぎ失敗を連鎖させ得る。エネルギーの値下がりは業界全体の利益率を押し上げ得る。旗艦となる大型店の開業は新しい客を呼び込み、何を売っているかにかかわらず、近隣のすべての店の商売を少しずつよくするかもしれない。同じように、成功したマーケティング施策は、あるブランドの全商品の売上を押し上げ得る。

高次元の精度指標の設計は技術的な話であり、本章の範囲を超える。重要なのは原則である。同時予測は、座標を一つずつではなく、意思決定の構造に沿って全体として評価しなければならない。多変量分布には適正スコアリングルールがあり、経済性を左右する依存関係を保ちながら、現実が現れやすいところに確率を集中させているか、という単純な基準でモデルを比較できる。この基礎を整えた後に残るのは、主体的に選択する力である。自社が動かせる手段を無視する予測は、依然として現状を延長するだけだ。解決策は、企業が適用しようとする方策を予測の条件にすることである。このような見通しを方策を条件とする予測と呼び、次節で扱う。

7.4.8 方策を条件とする予測

サプライチェーンの将来の状態は、これから下される意思決定に依存する。顧客、仕入先、競争相手といった第三者の意思決定は、他の不確実性と同じように予測すべきである。実際、それらの意思決定過程は、企業にとって永遠にブラックボックスのままかもしれない。それに対し、自社がこれから下す意思決定は、別の扱いを要する。自社の意思決定を推測する必要はない。企業自身が、その意思決定を制御しているからだ。

一般的な使われ方では、予測は企業に主体的な選択の余地をほとんど与えない。別の方策なら何が起こり得るかではなく、固定された方策のもとで何が起こりそうかを記述する。基準予測を計算した時点で、すでに下された意思決定を条件とし、まだ検討中のものには目を向けない。製造業者が今日値下げすれば、当然ながら、需要予測が上がるかもしれない。しかし、同じ予測は、来月の価格変更や、まだ決めていない販促については何も語れない。要するに、基準予測は「新しいことを何もしない」という反実仮想である現状を延長するものであり、方向を知るには役立つが、意思決定の代わりにはならない。

確定していない意思決定が重要な理由を理解するため、ファッションブランドを考えよう。このブランドは年に二回コレクションを展開し、シーズン前に商品を発注する。シーズン中の補充はないと仮定する。ブランドは、シーズン開始時に商品を定価で陳列する。商品ごとに、計画数量はシーズンの予想売上と一致し、シーズン末に在庫が尽きるようになっている。期末の値引きが必要になるとは予想しない数量を設定する。

しかし、シーズン末には、期待ほど売れない商品があり、売れ残りが生じる。企業の価格方策は、まさにその在庫を処分するため、売れ行きの悪い商品にシーズン末の大幅な値引きを適用する。

動的価格設定のもとでは、価格を固定する場合より多い在庫でシーズンを始めることが、合理的になり得る。需要が予測を上回れば、追加在庫は利益を生む。逆に、需要を過大評価していた場合も、この方策によって、最小限の損失で在庫を処分できる。価格設定は細かな技術論ではなく、ブランドの流れの戦略と一体である。

「通常の」需要予測は、確率的であるかどうかにかかわらず、この方策が生む販売の軌跡を捉えられない。基準予測を計算するとき、将来の需要が、シーズン末に値引きによる急増を見せると考える理由はない。値引きが生じるのは、需要を過大評価していた場合だけである。需要を正確に捉えていれば、初期在庫は少なく、期末の値引きも不要だったはずだ。この方策は、需要を部分的に自己修正させる。売上が在庫量に合うのは、値引きが積極的である限りにおいてである。

それに対し、方策を条件とする予測は、一つ以上の意思決定ルールを明示的に組み込む。それらの方策は所与として与えられ、過去のデータから学習されるものではない。さらに、予測ロジックの中でも、それらの方策は切り分けたまま保たれる。したがって、モデルが「方策を条件とする」ものであるには、ある方策を別の方策に差し替えることで、修正後の予測が直接得られなければならない。その意味で、このモデルは不完全である。必要な方策が与えられなければ、予測を生成できない。

次に見るように、方策を条件とするモデルは、その条件付けのないモデルに比べて、実装が大幅に難しいとは限らない。しかし、その妥当性の評価は厄介な課題である。実際、入力する方策が、企業が過去に実践してきたものに近い限り、よく設計されたモデルは妥当な振る舞いをするはずだ。しかし、方策が未検証の領域へ踏み込むと、モデルの妥当性は不確かになる。

先ほどの例に戻ろう。ブランドが過去に15%から30%の期末値引きを行ってきたなら、その範囲内の組み合わせをモデル化することは、データによって支えられる。しかし、方策を条件とする需要モデルを、30%から60%の値引きで実行すれば、出てくる数値は、よくても非常に推測的なものになる。その予測には直接の実証的な裏付けがない。未検証の価格に対する顧客の反応を外挿すると、非常に意外な結果になり得る。

残念ながら、限られた状況を超えて、任意の新しい方策のもとでモデルが妥当な数値を返すかを判断するのは、汎用知能の問題である。評価は個々の事情に合わせなければならない。たとえば、追加の実証データを得ることだけを目的に、新しい方策を限定した規模で試す方法がある。この過程が、次章で扱う探索である。

方策を条件とする予測がなければ、企業は、過去の方策を繰り返しながら、現状を延長するだけになる。企業が変わりたいなら、検討中の方策変更が流れにどう影響するかを見通す能力が必要である。

小規模であれば、方策を条件とする予測は、名前を付けられることこそ少ないものの、自明である。近所のパン屋が営業時間を選ぶ場合を考えよう。営業時間を長くすれば、早朝の通勤客や遅い時間の買い物客も買えるため、購入が増える。しかし、家族と過ごす時間や休息という、希少な資源を消費する。必要な予測は、「明日の需要はパン180本」という単一の数値ではなく、「営業時間の関数としての予想売上」という、意思決定と結果を結ぶ関数である。入力である営業時間を選ぶことで、パン屋は、自分が応えようとする需要を部分的に自ら作り出す。これが、方策を条件とする見方である。

規模が大きくなり、数千の予測を生成するようになると、多くの企業は、官僚的な惰性に押されて、現状の延長に陥る。当然、この態度は企業のためにならない。残念ながら、サプライチェーンの教科書の大半と、それに基づくソフトウェアも、同じ見方を採用している。

技術的には、方策を条件とする予測が重要な理由は二つある。

第一に、ソフトウェア工学上の理由である。記録を、需要、リードタイム、価格、返品、費用についての確率的な主張へ変換するモデルである予測の中核と、価格設定、配分、サービスのルールや他の操作手段を実装する明示的なコードとパラメータである具体化された方策を、明確に分離することが求められる。両者を切り分ければ、同じ予測の中核を複数の許容される方策のもとで動かせる。再学習せずに方策を差し替えられ、各ルールの経済的効果を検証できるようになる。

第二に、統計的な理由である。予測器が学習するのは、過去の方策によって観測可能になったものだけである。新しい価格帯、販促頻度、サービスの約束など、方策がそのデータの裏付けの外へ踏み出すと、予測は外挿になる。こうした方策の変更のもとでは、精度が落ち、不確実性が広がる。新しい方策のもとで測定が積み重なるまでは、結果を暫定的なものとして扱うべきである。

これらの制約を踏まえると、方策を条件とする予測は、「何が起こりそうか」から「もし……なら、私たちは何をするか」への橋を架ける。この橋を大規模に活用する自然な道具が、方策を組み込み、不確実性を伝播させる、確率的で離散的なモデル、すなわちシミュレータである。次にこれを扱う。

7.4.9 確率的シミュレーション

シミュレーションとは、現実のシステムを模倣し、その状態が時間とともにどう変化するかを観察できるモデルである。計算能力の向上に伴い、シミュレータは広く普及し、サプライチェーン向けのものは、しばしば「デジタルツイン」として売り込まれている¹³¹。正しく理解すれば、シミュレータは高次元の確率的予測である。あらかじめ定められた一つの軌跡ではなく、暗黙の頻度を伴う、数多くのもっともらしい未来を生成する。このように使えば、シミュレーションは、サプライチェーンの将来の状態を見通すための正当な道具となる。しかし、この確率的な性質が明示されることは少ないため、出力があまりにも頻繁に額面どおり受け取られる。仮定は検討されず、シミュレーションが生む分布が、実際の業務で生じるものに似ているかを、わざわざ確認する人もほとんどいない。

サプライチェーンのシミュレータは多種多様だが、ほぼすべてに共通する特徴が三つある。ミクロ分析的であり、離散的であり、確率的である。

ミクロ分析的な、すなわちボトムアップのシミュレータは、システムを、単純なルールに従う最小の単位へ分解する。単位には、顧客や仕入先といった主体も、SKUのような無生物の要素も含まれる。ミクロ分析的な見方は、システムの複雑さは見かけにすぎず、単純なルールを繰り返し適用することで生じると仮定する。

離散的なシミュレータは、離散時間型であれ離散事象型であれ、一連の事象を順にたどる。各事象は、特定の時点で発生し、システムの状態の変化を表す。事象と事象の間では何も変化しない。この便法によって、シミュレータのソフトウェア実装は大幅に簡素化される。

確率的なシミュレータは、しばしばモンテカルロ・シミュレータと呼ばれ、ランダムな結果を生む非決定論的なルールを使う。したがって、同じ初期条件から繰り返し実行しても、結果は異なる。可能な場合は決定論的なルールを使い、確率的なルールは未知のものに限るべきである。それによって、システムの推移についての私たちの知識が不完全であることを反映する。

シミュレータは、方策を条件とする予測の道具である。明示的な流れの方策を、予測される結果に対応付ける。何を買い、作り、動かし、価格を設定するか、そしていつそうするかという意思決定ルールを、業務上の制約とともにコードに落とし込むことで、それらのルールを条件とした予測を生成する。この条件付けこそが要点である。代替的な方策を対等に比較し、その経済的な帰結を定量化できるようになる。

この条件付けを省くと、ほぼ必ず粗雑な近似を強いられる。たとえば、需要はサービスの質に左右されないと扱うこと、つまり、欠品が繰り返されても観測売上は決して落ち込まないと仮定することは、その方策自体が引き起こす振る舞いを、シミュレータから見えなくする。このようなモデルは、達成可能な数量を系統的に過大評価し、選択肢の価値を誤って評価し、意思決定を誤った方向へ導く。以下でいう「方策を条件とする予測」は、このように方策で条件付けた予測を指し、無条件の時系列を意味しない。

こうしたシミュレータのソフトウェア実装は、概念的には単純である。主ループが、流れを表すグラフの辺をたどる。ノードは通常、SKUを表す。より細かい粒度では費用がかかりすぎる場合は、集約したものを表す。各ノードは、少数のルールを持つ。出庫する一個ごとに在庫を減らすような決定論的なルールと、その期間の需要をランダムに抽出するような確率的なルールである。主ループの一回の反復は、離散的な時間の一刻みを表す。通常は一日だが、もっと短いこともある。

妥当性をあまり厳しく問わなければ、このような流れのシミュレータは、しばしば数日で作れる。それが、エンタープライズソフトウェアベンダーの間で人気のある理由である。方策を条件とする設計には魅力がある。方策について、いくらでも細かい粒度の予測を得られるからだ。しかし、厳密な検証がなければ、その信頼には根拠がない。

実際、シミュレータの出力は、まったくのたわごとになり得るし、そうであることも多い。ルールがもっともらしくても、その正しさは保証されない。また、妥当なルールを二つ組み合わせても、シミュレータがそれらを正しく組み合わせるとは限らない。ありふれたコーディングの誤りも、シミュレータのコードに入り込む。先に述べたように、新しい方策によってシミュレーションが「未踏」の領域へ入ると、確率的なルールの妥当性が損なわれることもある。最終的に、妥当性は実証的な問題であり、測定によって決着を付けなければならない。

確率的予測と確率的シミュレーションの間には、双対性がある。確率的予測からは、その基礎となる確率分布に従って標本を生成できる。このような標本は通常、乱数変量と呼ばれる。完全な確率的予測からは、システムを動かす確率的なルールを導ける。逆に、シミュレータを観察すると、すべての結果の確率がわかる。したがって、シミュレータは、許容される全状態にわたる完全な確率分布を推定できる。それゆえ、シミュレータから確率的予測を導ける。

実際には、確率的予測とシミュレータを相互に変換するには、多くの技術的な障害がある。確率的予測の粒度が、シミュレータのすべてのルールを定めるには粗すぎるかもしれない。逆に、すべての確率を推定するために必要な実行回数が、現実的に許容できないほど多くなるかもしれない。それでも、この双対性は、確率的シミュレーションに、確率的予測と同じ精度指標が適用されることを意味する。

したがって、シミュレータも、他の予測と同じように扱い、その精度を定量化すべきである。これは技術的な作業だが、定量的な評価を怠れば、高くつく誤りを招く。

8 意思決定

サプライチェーンの実務とは、不確実性のもとで希少な資源を絶えず配分することである。目指すのは計画ではなく、利益を生む流れだ。現金を財に、財をサービスに、サービスを現金に変えながら、今後得られる情報によって価値を持つようになる選択肢を残しておく。中堅企業でさえ、このような配分を毎日数千件行い、最大規模の企業では数百万件に及ぶ。したがって、意思決定システムをその場しのぎにするわけにはいかない。選択を明示し、その価値を金銭で評価し、順序づけて実行することで、人の介入なしで動くソフトウェアが大規模かつ安全に意思決定を発行できるようにしなければならない。体系化は、暴走した購買担当者による運転資本の使い果たしを防ぐだけのものではない。その目的は、期待値として、より優れたリスク調整後の収益を生む意思決定を実現することである。

原理と実務の隔たりを埋めるために、第1章で最初に概略を示した意思決定という概念を、ここでさらに明確にする。

定義がどれほど明快でも、実務上の問いが二つ残る。第一に、時間とランダム性が加わると、意思決定はどこから始まり、どこで終わるのか。第二に、現金、能力、注意力という同じ希少な資源を使う選択肢を、どの単一の基準で比較するのか。サプライチェーンでは、意思決定は計画の一行ではない。経済性が変わるほど十分に細かい粒度で、不確実性のもとで行われ、将来の出来事によって監査される台帳に記録される、財の流れに関する確約である。

このような確約を計算可能かつ監査可能にするには、四つの要素を表に出す必要がある。まず枠組みである。現在行動できる範囲、すなわち許容される行動、実行可能性の判定、意思決定の頻度、そして明日の選択肢を消してしまう少数のラチェットを、理想的にはコードとして書き表さなければならない。次に、近い将来の確率的な見方が来る。需要、リードタイム、返品、信頼性など、結果に実質的な影響を及ぼすあらゆる分布である。第三に、すべてのペナルティと報酬を金銭で表し、責任者を定めなければならない。欠品の損失、陳腐化、単位時間当たりの資本コスト、混雑、遅延料金、待つという選択肢の価値などを、共通の台帳で比較できるようにするためだ。最後に、追加一単位の確約を、期待されるリスク調整後の非周期収益率で順位づける。基準を上回るものを発行し、記録し、後に実現した結果に照らして評価する。

これまでの章は、この立場を準備してきた。オプショナリティと変動（第1章）は行動の選択肢を与え、確率的な視点が不可欠な理由を説明する。経済学（第4章）は通貨単位で表す目的を与える。情報と知能（第5–6章）は、記録、レポート、意思決定エンジンそれぞれの役割を定める。本章では、これらを実務に移す。まず意思決定を考えるところから始める。枠組みを表に出し、人工物を退け、経済性を検証できるようにし、限界的な判断を取り戻す。続く節では、人の介入なしでの実行と、不確実性を伴い繰り返される選択に適した最適化の仕組みを検討する。それによって、一つひとつの確約は、企業が事前に正当化し、事後に監査できる、小さな金銭評価された賭けとなる。

8.1 意思決定を考える

上で定義した意思決定とは、他の選択肢を消す確約である。したがって、意思決定を考える作業は一歩手前から始まる。そもそもどの選択肢を視野に入れ、どう金銭評価するかを選ぶ行為からである。大半の企業では、この先行する行為は暗黙のままだ。人々は、先入れ先出し、トラックの満載、最小発注数量、棚割りといった、おなじみの「方針」の文法で語る。そのため、選ぶべきものは自明に見え、選ばれなかったものは見えなくなる。危険なのは事務的な誤りではなく、形而上学的なすり替わりである。本来答えるはずだった経済的な問いに、方針がひそかに取って代わる。このすり替わりを逆転させること、すなわち問いを表に戻し、人工物を本来の位置にとどめ、経済性を明示して限界的に考えることによって、意思決定は儀式から、自動化に適した科学的な実践に変わる。

8.1.1 枠組みを表に出す

管理者は解決策を手がかりに考えたくなる。これは愚かさではなく、正しく有用なヒューリスティクスである。考えられる「問題」の範囲は無限だ。反重力エンジンの設計も問題の一つであり、解決の気配もなければ、探究の大半は無駄になる。しかし、方針から出発する思考はすぐに化石化する。「店舗には先入れ先出しで供給する」という、それなりの経験則が、時間とともに教義として固まる。例外のたびに別のルールを継ぎ足し、やがて企業は積み重なった判例に従って舵を取るようになる。

いかなる方針よりも先に表に出すべきなのは、枠組みである。それは、現在の意思決定サイクルにおいて行動できる範囲の、具体的で検証可能な境界である。今何を変えられ、何を変えられないのか。どの選択肢が許容されるのか。どのランダムな要素が重要なのか。どの確約が将来をラチェットのように拘束するのか。そして、現実のこの一部分をどのような金銭評価で判断するのか。枠組みは、説明するだけでなく書き表すべきだ。現代の組織では、それはコードとして存在する。許容される行動を列挙し、実行可能性の判定をコード化し、価値評価関数を呼び出す短いプログラムである。プログラムが長いなら、枠組みが混乱している。不透明なら、枠組みが政治的なのである。

枠組みを定めれば、同じ状況でも異なる行動が可能になる。「満杯になるまで商品ごとに」コンテナを詰め、残りを次の船便に回す輸入業者を考えよう。この方針は慎重に聞こえるが、その背後に隠れた枠組みは実に狭い。複数のサプライヤーの貨物を混載する、他地域へ一時的にクロスドッキングする、出航日に合わせて価格を微調整する、似通った品目のどちらにするかの確定を先送りする。こうした許容される選択肢を明示すれば、最適化は一本の通路を探すだけでなく、小さな地図帳全体を歩き回るようになる。改善は、より賢いソルバーよりも、より良い問いから生まれる。問題の設計はケーキの飾りではない。ケーキそのものである。

8.1.2 人工物を退ける

枠組みができると、仕組みの中に数値上の人工物が現れる。予測、バッファ、サービスレベル、ABC分類のラベル、予算、その他無数の類似物である。これらは中間的な表現として有用なことが多い。化学者が実験台の外には出ない試薬を使うのと同じだ。問題は、人工物が実験室を抜け出し、目標として祭り上げられたときに始まる。そこからグッドハートの法則が働く。尺度が目標となり、尺度として機能しなくなる。

サービスレベルは、その典型的な脱走者である。もともとは、欠品の損失と在庫保有コストの金銭的なトレードオフを代わりに表すものだった。それが最後には、組織に命令を下すパーセンテージになった。計画担当者は安心するために引き上げ、財務部門は現金を解放するために引き下げる。どちらも、金銭評価を明示するよう求められない。目的論的な計画では予測精度が同じ役割を果たす。利益が下がっても、精度の改善は祝われる。

人工物は綱につないでおくべきだ。意思決定エンジンの中では、計算を扱いやすくする一時的な座標として認められる。外では、独自の正当性を持たない。補充が「良い」のは、そのSKUが97%のサービスを達成したからではない。枠組みの中で考慮した選択肢、制約、確率的な将来のもとで、企業のリスク調整後の収益率を最大化したからである。エンジンは、日次需要の分布、欠品ペナルティから暗に導かれるシャドーの「サービスレベル」、一単位一日当たりの運転資本コストを計算してもよい。検証用に表示することさえあってよい。しかし、ダッシュボードとインセンティブの軸に据えるべきなのは、意思決定とその実現した経済的な結果であり、その計算を助けた実験用ガラス器具ではない。

人工物を祭壇から降ろすべき理由は、もう一つある。その価値評価は、意思決定そのものの価値評価よりも一貫して難しい。安全在庫の数値には、品目、季節、地域をまたいで変わらない経済的な意味がない。その有用性は、代わりに表している隠れたペナルティと機会に依存する。このようなカメレオンをKPIにすると、官僚制が財の流れを支配するよう招き入れることになる。処方箋は、すべての人工物を内部用の暫定的な対象として扱うことだ。正式な基準となる記録から必要に応じて再計算し、手作業で維持せず、目標にもせず、より良い内部表現が見つかり次第捨てる。

人工物は数値に限られない。組織は官僚的な人工物、すなわち方針や区分も作り出す。それらは、人が介在するプロセスのためのおおまかな安全策として始まり、後に硬直したルールとなって、経済的な問いに取って代わる。このような人工物が実験室を出て制度的な地位を得ると、サービスレベルとまったく同じように意思決定を歪める。手段が目的になるのである。

英国の歴史家Cyril Northcote ParkinsonがParkinson’s Law（1957）で警告したように、「仕事は、その完成のために与えられた時間をすべて満たすまで膨張する」。官僚組織は反射的に肥大化する。大規模なサプライチェーンを運営する大組織も例外ではない。膨張するにつれ、意思決定プロセスには余計なルールと内部区分が蓄積する。それらは主に、作り物の制約と作り物のサイロとして現れ、どちらも効率を損ない、責任の所在を曖昧にする。

作り物の制約は、たいてい失敗の後に生まれる。購買部門のRogerが誤って十八か月分の売上に相当する量を発注する。すると経営陣は、移動平均で測った「六か月分の売上」を発注の上限とする方針を課す。手作業なら、担当者は常識を働かせてこの上限を適用する。履歴のない新商品、比較対象が十二か月前になる強い季節性を持つ商品、過去に比べ将来がはるかに大きい急成長商品、増分を意図して作り出す計画的な販促では、この上限を無視する。人の介入なしで動くエンジンには、ルールを「常識的に無視する」ことはできない。字義どおりに従うか、不遵守とされるかのどちらかである。¹³²

処方箋は数値上の人工物と同じだ。こうしたルールをエンジンの内部だけにとどめ、全員に課す戒律としてではなく、実行可能性の判定と金銭評価したペナルティとして表現する。素朴な「六か月」の上限を超える購入が合理的な場合もあるなら、その上限は拒否権ではなく、目的関数の中で通貨単位の不都合として扱うべきである。新しさ、季節性、意図的に生み出す増分は、内輪の例外扱いではなく、枠組みの明示的な特性になる。コードで書かれ、金銭評価と責任者が定まったルールは、理解でき、異議も唱えられる。布告として書かれたルールは、抜け道探しを招き、自動化を窒息させる。

作り物のサイロは、乏しい道具しか持たないチームでも対処できるよう、一つの経済的な問いを、一連の人工物へと分断する。たとえばファッション小売業者は、倉庫から店舗への流れを三つの人工物に通す。品揃えリスト（その店舗が扱ってよいもの）、発売時の初期投入セット（開始時にどれだけ置くか）、補充ルール（後で何を送るか）である。この振り付けは整然として見えるが、ひそかに制約を作っている。品揃えリストは棚の場所を先に確保し、販売初期の消化状況から正当化できる代替を拒む。初期投入セットは、人員、幹線輸送、商品フェースの容量を先に配分し、補充は後でそれを、しばしば割増価格で買い戻さなければならない。そして補充ルールは、残りを最適化するふりをする。本来の問い、すなわち現在の制約のもとで、追加の一単位はどこで最も高いリスク調整後の収益を生むかが、全体を通して問われる前に、人工物で区切られた手順へと分断されたために、利益を取り逃すのである。

ここでも、人工物は綱につないでおかなければならない。サイロが人工物を管理することはあっても、意思決定を独占してはならない。エンジンは、許容される行動、共有する制約、金銭評価という、端から端までの枠組みを見渡し、一つの確約の流れを生み出すべきである。ガバナンス上、組織の境界が必要なら、その接点でやり取りするのは、割当枠や拒否権ではなく、金銭評価と実行可能性でなければならない。配送センター（DC）は希少な資源のシャドープライスを公表し、店舗は欠品ペナルティを公表する。品揃えは提案であり、経済的に正当化できればエンジンが広げてよい。言い換えれば、儀式は各部門の中にとどめ、経済性は一つに統合する。

数値上のものも官僚的なものも、人工物を内部用で、金銭評価され、暫定的な対象として飼いならせば、唯一重要な論点、すなわち金銭評価そのものを議論する準備が整う。次節では、この点を直接取り上げる。

8.1.3 システム全体の経済性

前章では、貨幣が企業に共通の尺度であることを確立した。システム全体の経済性とは、すべての意思決定を、部門のKPIではなく、企業全体の視点から金銭評価することである。実務上は、目的関数の中の金銭評価、すなわち欠品の損失、陳腐化、棚の混雑、遅延料金、運転資本コスト、待つという選択肢の価値、好意や協力的な姿勢の喪失を、全社共通のものとして一度定め、責任者を名指しし、版管理し、公開することを意味する。隠した金銭評価は中立にはならない。それをひそかに持ち込んだ者に有利な方向へ、財の流れを偏らせる。受注残に対する隠れたペナルティは、科学を装った私的な思惑である。

経済性をシステム全体のものにするために、通貨単位ごとに全員投票をする必要はない。必要なのは、部門を越えて理解でき、異議を唱えられる数値である。財務部門は全社の資本コストと流動性の限度を公表し、現場のチームはそれを、在庫の半減期と処分価値を反映した一単位一日当たりの費用に換算すべきだ。マーチャンダイジング部門は、次の一ポイントを一日当たりの通貨単位で評価せずに「98%の在庫可用性」を要求すべきではない。物流部門も、回避する混雑や波及影響を金銭評価せずに満載の基準を主張すべきではない。市場があるところでは外部価格を借り、ないところでは社内評価額を作り、その根拠を示す。サイロ間を調整するため、荷役ドックの時間枠、棚のスペース、生産ラインの時間、資本といった希少な共有資源には、シャドープライスを与えるべきである。これは、追加一単位の使用に伴う現在の機会費用を表す、エンジンが計算する暫定的な数値だ。割当枠と拒否権に代わるものであり、新たな方針ではない。後の逐次的な意思決定の議論で再び取り上げる。目的は全員一致ではなく、会社の損益上で比較できることである。ペナルティと報酬を共通の通貨単位で表せば、「方針の範囲を超えて返金する」「ロングテールのSKUをもう一単位買う」「配送ルートに荷物を追加するためトラックを待たせる」「この顧客層の返品可能期間を延ばす」といった、以前は別々の領域にあった選択肢が、同じ台帳の上で競い合う。

このシステム全体の見方は、責任の所在も明確にする。結果が実現すると意思決定が一貫して期待を下回るなら、その記録一式から、失敗が枠組み（選択肢の見落とし）、予測（裾の較正不良）、金銭評価（ペナルティの誤設定）のどこにあるかが分かる。修正は「連携をもっと良くする」という曖昧な呼びかけに拡散せず、原因となった要素を狙う。局所的なKPIは言い訳を失う。部門の指標を良く見せても、別の場所で金銭を失わせる行動は、全体の台帳によって露見する。隠れた金銭評価は政治を生み、公開されたシステム全体の金銭評価は成果を生む。全社共通の金銭評価が整えば、エンジンは本来の立場に戻る。一つの台帳のもとで、限界的に考えるのである。

8.1.4 限界的に考える

経済学は限界的な判断を重視する学問であり、正しく実践されるサプライチェーンも同じである。問うべきことは、ほとんどの場合、「今季、このSKUの適切な在庫水準はいくらか」ではなく、「すでに確約したすべてを踏まえ、ここで、今、もう一単位を投入したときのリスク調整後の収益はいくらか」である。答えは、一単位、単位時間当たりの通貨単位で表される数値であり、確約が変われば変化する。限界的に考えることで、粒度、時間、偶発性が視野に入る。

まず粒度である。意思決定は、その経済性が実質的に変わる最も細かい粒度で計算すべきだ。一般商品なら一個、輸送なら一つの立ち寄り先や一立方メートル、航空機のローテーブル部品ならシリアル番号である。使用サイクル数や時間によって、同じP/Nの二つの部品が経済的には比べものにならないことがある。航空会社が、ある個体を競合のAOG（Aircraft On Ground、航空機の運航不能）による要請に応じて売り、一見同一の別の個体を自社のテールリスクへの備えとして残すことは、十分に合理的である。備える将来が異なるため、限界的な価値も異なる。

次に時間である。限界的な価値は非周期的であり、リードタイムだけでなく負荷の半減期を考慮しなければならない。支払いを繰り延べて二日で売り切れる一箱は、かなり高い利益を生みうる。同じ箱でも、前払いして八週間かけて売るなら、収益性は平凡になる。経済学の章で論じたように、エンジンが許容される行動を非周期収益率で順位づけると、自然に短期間で回収できる賭けを好み、長く拘束するラチェットには、見合う上振れがない限り不利な評価を与える。

最後に偶発性である。限界的な価値が依拠するのは点ではなく分布だ。中央値の予測では利益が出そうな追加一単位も、裾の重いリードタイムを認めれば、破滅的になりうる。逆に、裾の軽いモデルでは無駄に見える一単位も、まれだが壊滅的な欠品を正しく金銭評価すれば魅力的になる。確率的予測がぜいたく品ではない理由はここにある。それは限界的な計算が成り立つ土台なのだ。

大規模になると、限界的に考えることによって、企業の日々の仕事は数百万もの小さな選択肢を絶えず並べ替える作業になる。新たな確約のたびに境界が変わる。厳しい制約にはシャドープライスが生じ、競合する行動が収益を変え、昨日は次の最善手だったものが今日は三番手になる。静的な計画には、動く境界の価値を評価できない。意思決定エンジンにはできる。確実性を魔法のように生み出すのではなく、その時点ごとに次の最善の賭けを計算し、理由とともに台帳に書き込む。残りは単なる記帳である。

枠組みを明示し、人工物を飼いならし、経済性を公開し、限界的な判断を最上位に置く。このように意思決定を考えても、儀式は増えない。迷信が減る。また、これは前章の起伏を織り込む世界観とも一致する。意思決定は、不確実性のもとで行う小さな監査可能な賭けとなる。企業が根拠を示せる金銭評価に導かれ、現実が明らかになるにつれて修正されるのである。

8.2 なぜ自動化するのか

コンピューターは信頼できないが、人間はさらに信頼できない。人間の信頼性に依存するシステムは、どれも信頼できない。数あるマーフィーの法則の一つ。

ここまでで、意思決定を、他の選択肢を消し、期待されるリスク調整後の収益率によってのみ正当化される、監査可能な確約と定義した。枠組みを明示し、経済性を公開すれば、サプライチェーンは、もともとその本質だったものになる。無数の小さな賭けを生み出し、その優位を限界的な判断から得る装置である。現代の規模では、道具の助けを借りない事務担当者に、その優位を手にすることはできない。疲弊させるのは算術ではない。その負担はすでに表計算が引き受けている。許容される選択肢の膨大な組み合わせ、裾の重い分布のもとでの確率的推論の難しさ、そして現実の変化に合わせた制約の絶え間ない再評価である。鋼材やディーゼル燃料ではなくSQLのダッシュボードにボトルネックを感じるなら、その企業は、制限が最も緩い領域、すなわち計算の領域で、自らを制限することを選んでいる。

自動化には、第二の、より目立たない理由がある。制御された条件での反復である。手作業や半手作業のプロセスは、人が変わるたびに変わる。人員の入れ替わり、局所的な修正、注意の向け先の変化によって、昨日の基準と今日の基準は比較できなくなる。対して、人の介入なしで動くプロセスは複製し、変更を加え、測定できる。同じ台帳を対象に、二つの数値レシピを同時に走らせられる。一方は正式な意思決定を行い、もう一方はシャドーで動く。どちらも日々の監督を必要としないので、同じ人員を共有できる。このように測れば、進歩は意見の問題ではなくなる。監査された、通貨単位での差分になる。

表計算は事務仕事を耐えられるものにはしたが、効果的にはしなかった。その「ロジック」はその場しのぎの数式が絡み合ったもので、枠組みをコード化することも、不確実性を金銭評価することもない。結果はおなじみだ。直前の手動変更、安全バッファの上に積み重なる安全バッファ、昼食までに百件の数量を確定しなければならない担当者の、儀式化した慌ただしさである。全員にもっと時間を与えれば、より良い答えが出ると想像したくなる。実際には、その猶予は人員を膨らませ、サイロを深め、確約を遅らせる。遅れの一つひとつは機会費用であり、ダッシュボードに現れることはまれでも、損益には必ず現れる。

ここでいう自動化は、「もっと多くのソフトウェアを使う」ことではない。先に導入した知能システムに、通常の条件下では人の介入なしで意思決定を計算、発行、記録させるという、組織としての決定である。以下では、この立場を複数の角度から検討する。資産として、手動変更を律する規律として、文化の転換点として、そして管理から機械へと向かう一世紀に及ぶ歩みの自然な帰結としてである。

8.2.1 生産的な資産

自動化は、意思決定を、その都度消費される労働から資本財に変える。知能システムは、計画担当者を「支援する」レポートではない。根拠を示せる目的に従い、企業に代わって資金の投入を確約するエンジンである。費用の構造は逆転する。セルを少しずつ調整する時間というOPEXが、処理する選択の量に比べて運用費が無視できるほど小さいコードベースというCAPEXになる。この資産を改善するために費やすエンジニアリングの一日一日は、価値を積み増す。意思決定が良くなるか、計算が安くなるか、保守の負担が軽くなる。どれも起きないなら、それ以上資金を使うべきではない。

この資産が生産的なのは、枠組みと金銭評価をコード化するからである。以前はメモや会議の中にあった明示されないヒューリスティクスが、版管理されたコードへ移る。エンジンは正式な基準となる記録を読み、重要な分布（需要、リードタイム、返品、修理時間）を推定し、それらの分布のもとで許容される選択肢を評価し、監査可能な確約を書き戻す。その頻度は委員会が耐えられるペースではなく、現実が要求するペースである。並行稼働は日常になる。既存のレシピが実際の決定権を持ち、挑戦する新レシピがシャドーの意思決定を作り、明瞭なA/Bの差分が台帳に蓄積する。裾の較正が不適切に見えたり、制約が予想外に効き始めたりして、信頼が低下すると、停止ヒューリスティクスが発行を中断する。代替策は千件の例外処理ではなく、停止と修正である。

ソフトウェアは安く動かせ、小さく分かりやすく保てば、保守も安い。その性能を制限するのは人間の忍耐ではなく、コード化された経済性である。代替、延期や前倒し、経路変更、待つという選択肢の価値に関する真の洞察は、どれもコードに織り込み、その後は機械の規模で適用できる。事務処理の限界は消え、残るのは、企業が大切にするものを金銭評価する能力によって定まる戦略的な限界である。

8.2.2 手動による変更

自動化には、いつ介入するかという問いが常につきまとう。動力を持つ機械には、どれも非常停止が必要だ。一方、日常的な「手動修正」は、たいてい設計上の欠陥を示す。

ベンダーは長年、利用者を人間のコプロセッサーに任命することで、脆い自動化を和らげてきた。アラートと「例外」が受信箱を埋め、計画担当者は出力の大半を点検し、その多くを上書きするよう求められる。このやり方では本末転倒だ。悪い意思決定を人が見つけなければならないシステムは、すぐにその人の信頼を失う。組織は、手順が増えただけの表計算劇場に戻ってしまう。

解決策は、訓戒ではなくアーキテクチャにある。第一に、エンジンが発行するすべての意思決定が、それ自体の条件に照らして妥当であるように作らなければならない。許容される選択肢の枠内にあり、通貨単位で評価され、将来の確率的な見方のもとで正当化されていることだ。第二に、確信が持てないとき、エンジンは人を煩わせるのではなく停止しなければならない。停止は責任放棄ではない。結果を持続的に改善する唯一の介入、すなわち枠組み、金銭評価、予測の意味づけの修正に使う時間を確保する。第三に、信頼は設計によって獲得する。切り替え前の並行稼働、確約ごとの閲覧可能な記録一式、明示され版管理された価値評価、事後に測定された差分である。エンジニアリングの章では、この規律を実験的最適化と呼ぶ。

手動変更は消えない。その性質が変わる。まれに行う的を絞った変更は、価値評価を修正する（「この顧客層の欠品ペナルティを過小評価していた」）、選択肢を狭める（「今月はリチウム電池を航空便で送らない」）、意味の不具合を直す（「ERPのパッチ適用後、このフィールドの意味が変わった」）ものである。機械をそのままにして、発注書に別の数字を書き込むことではない。

8.2.3 文化と動揺

生産性の向上は、既存の立場にいる者を必ず動揺させる。ティベリウスはクレーンを拒み、ラッダイトは織機を壊した。現代の企業も不安や政治と無縁ではない。しかもホワイトカラーには、新たなひねりが加わる。自分の仕事の自動化に協力するよう求められるのである。

役割を明確にすれば、この逆説は解ける。機械化するべき仕事は、昨日のヒューリスティクスを実行する単調な事務作業である。価値を高めるべき仕事は、枠組みと金銭評価を明確にすること、意味を管理すること、世界が変わったときにロジックを素早く組み替えることである。ソフトウェアの文化は、何十年も前にこの緊張を解決した。キーボードの前に自分が座る必要をなくす人を、高く評価する。価値は次の問題へ移るからだ。道具が資産となり、エンジニアは次へ進む。この文化に抵抗があるところでは、決着をつけるのは社内メモではなく市場である。資産の価値を複利的に積み上げることを拒む企業は、それを行う企業に取って代わられる。

経営幹部は、この文化を既製品として買うことはできない。しかし、それを毒するインセンティブは取り除ける。人員数ではなく意思決定の質に報いよ。ログインではなく成果に対してベンダーに支払え。大きなダッシュボードの管理者ではなく、より良い枠組みと価値評価に貢献した人を昇進させよ。何より、実際にエンジンを組み替えられる少数の人に、それを素早く行う権限を与えよ。彼らが生み出せる効果は、部屋いっぱいの人間のスケジュール担当者をはるかにしのぐ。

繰り返される二つのパターンを、明るみに出す必要がある。第一に、人員数はいまだに地位の代理指標とされている。配下の「席」を増やす管理者は、予算と影響力を得る。席数を激減させる自動化は、降格のように感じられる。評価の通貨を逆転させよ。一人当たり、一ワット当たりの改善に威信を結びつける。人が操作する席を減らすことを明示的な目標とし、キーボードの前に自分たちが座る必要をなくすチームを称えよ。ソフトウェアの文化では、これは責任放棄ではなく前進である。

第二に、席数課金と「エンゲージメント」の指標は、人を処理の輪に残し続けるベンダーの共犯関係を作る。ログイン、クリック、「アクティブユーザー」に応じて課金するシステムは、人の介入なしで流れを動かすことと、経済的に対立している。契約の対価は、企業が望む成果に基づくべきだ。監査証跡付きで、人の介入なしに発行した確約の量、並行稼働の基準に対して測った改善、枠組みの変更後にロジックを組み替えるまでの時間である。道具が誘発する事務的な動作に基づくべきではない。画面ではなく結果に対して支払えば、インセンティブは自動化に逆らうのでなく、自動化と一致する。

最後に、指標劇場には注意が必要だ。ボーナスが、通貨単位の価値評価から切り離された精度のパーセンテージや定時達成率に左右されると、力は経済性ではなく指標の改善へ向かう。

8.2.4 人間の例外主義

「コンピューターには責任を取らせられないので、管理上の意思決定を決してさせてはならない」¹³³という主張は、人間に配慮したものに聞こえる。しかし実際には、混乱している。大組織の大半は、すでに裁量の余地がない方針を広範囲で運用している。支払いが滞った顧客の与信取引を止める処理は、人がボタンを押そうがプログラムが押そうが、実行される。責任を負うのは、方針の作成者と、その方針に組み込まれた金銭評価と制約を承認した経営幹部であって、それを実行する事務担当者ではない。

象徴のために人間の手を介することに固執すると、速度も質も落ちる。さらに悪い失敗の形、すなわち見えない責任も招く。ルールが表計算にあり、日常的な例外がセルに書き込まれるだけなら、誰も学ばない。同じルールがコードにあり、外れた事例によって停止すれば、設計は明るみに出た状態で修正される。問うべき基準は擬人化ではなく経済性だ。同じ入力、同じ許容される選択肢、同じ監査証跡のもとで、そのシステムは既存の仕組みより高いリスク調整後の営業利益を生むか。答えが肯定なら、その仕事に対して「十分に知的」なのである。

8.2.5 管理から機械へ

謎なのは、自動化がなぜ望ましいかではなく、少数の特殊な領域を除いて日常になるまで、なぜこれほど時間がかかったかである。20世紀の大半において、意思決定のプロセスは必然的に人間による管理のプロセスだった。情報を消化し、妥当な選択を出せるのは人間の頭脳だけだったからだ。そこで問題は、多くの頭脳にどう仕事を分けるかになった。コンサルティングの著述家たちは、その分業を何とか運用できるよう、委員会と日程を複雑に組み合わせた仕組みを提案した。根本的な欠陥は語られなかった。一部分にとっての「最善」は、全体にとっての最善とめったに一致しないのである。家庭用品部門が百万通貨単位を期待収益率十パーセントで投入すると、悪意がなくても、台所用品部門が同じ百万を十五パーセントで投入する機会を先に奪いうる。組織をどれほど細かく分けても、管理者全員が使うのは、現金、在庫、能力、注意力という同じ有限の資源である。

官僚的な方法は、コミュニケーションを増やしてこれを解決しようとした。会議、メモ、上位者への判断の引き上げによって、知識の断片を上へ、次いで下へ運び、整合が取れることを期待した。しかし配分は定量的な問題である。金銭評価の共通台帳がなければ、調整は上下関係に戻ってしまう。戦時中に生まれたオペレーションズ・リサーチは、異なる未来を約束した。アルゴリズムに全体の配分を最適化させるのである。ハードウェアの制約、粗雑なデータの意味づけ、決定論的なおもちゃへの好みが重なり、その約束を弱めた。1970年代後半には、Russell Ackoffはすでにその死亡記事を書いていた。

表計算がその空白を埋めた。事務処理能力を増大させた一方で、意思決定を科学以前の段階に凍結した。それを「計画」モジュールに置き換える試みは失敗した。そのモジュールが、同じ決定論的な姿勢と、同じ人工物崇拝を受け継いだからである。利用者はファイルへ戻り、ベンダーは画面を増やした。意思決定の負担はホワイトカラーの隊列へ戻った。その人数は、いまや段ボール箱を動かすブルーカラーの隊列より多くなっている。

経済性は何も変わらなかった。繰り返されるサプライチェーンの意思決定は、自動化でき、自動化すべきなのである。それを可能にする要素は、静かに成熟した。記録システムは安定し、かつて珍しかった確率的手法は当たり前になり、ハードウェアは安くなった。そして、台帳やレポートを置き換えるふりをするのではなく、それらと並んで存在する、新しいアーキテクチャの種、知能システムが現れた。先行企業では、人の介入がまったく不要な意思決定エンジンが、十年以上も本番で動いている。¹³⁴ この形は広がるだろう。表計算はスイスアーミーナイフとしての居場所を保つ。いざというときには便利だが、生産ラインには置かれない。

長い遅れを説明する、見過ごされがちな障害がさらに二つある。第一に、一つの意思決定を多くの頭脳に分散することは、本質的に危うい。局所的な選択の順序を入れ替えても結果が変わらなくなるような、自然な順序は存在しない。新商品の広告予算、棚のスペース、工場の能力は互いに制約し合う。どのチームが「先に動く」にせよ、他のチームを劣った通路へ閉じ込める。正しい解決策は、委員会をもう一つ作ることではない。統合された一つの最適化問題で、各チームの専門性を、それが属する価値評価、制約、シナリオに反映しながら、ソルバーに一つの確約をまとめさせることである。昨日の確約は実行されるとデータとして再び取り込まれ、次のサイクルは、狭くてもより明瞭な舞台で進む。第二に、組織は自らの過去の誤りから身を守るため、作り物の制約を蓄積する。手作業のプロセスは、常識が求めるときにルールを無視して生き延びるが、ソフトウェアにはそれができない。したがって、自動化の費用は、こうした制約を取り除くか再評価する作業として先に支払う。その配当は、より明瞭な枠組みとより高い収益として、永続的に支払われる。

大きな流れは、よく知られている。過去三世紀、利益を追求する起業家は絶え間なく労働を資本に置き換え、それに応じてブルーカラーの比率は低下した。多くの工業化地域では、財の流れを管理する人数が、実際にそれを動かす人数を上回っている。¹³⁵ 次の生産性向上は、ホワイトカラーの仕事のうち事務的な部分を自動化してなくすことから生まれる。抵抗は激しいだろう。経済の論理は辛抱強く、そして決定的に働く。

最後に、技術面での「なぜもっと早くなかったのか」に触れておこう。最近まで、三つの前提条件が欠けていた。台帳は脆すぎて正式な基準となる事実として使えず、確率的推論は煩雑すぎて日常のコードに組み込めず、ベンダーはCRUDを知能の価格で売ることで報われていた。三つとも変わった。記録システムの価値と信頼性は成熟して頭打ちとなり、確率的なツール群はノートパソコンに収まり、買い手は記帳、レポート、意思決定エンジンを区別できるようになった。これらがそろえば、自動化の根拠は修辞ではなく算術になる。

要するに、自動化するのは計画を磨くためではなく、経済性を再び運転席に戻すためである。人の介入なしで動く意思決定エンジンは、ボトルネックを本来あるべき原子と時間の世界に置く。同時に、持続的な改善の唯一の前提条件、すなわち毎日、大規模に、実際の金銭を賭けて行う、比較可能な実験を提供する。

8.2.6 どこから始めるか

自動化はスローガンではなく、配分の問題である。人の介入なしでの意思決定が最も早く投資を回収するには、次の一通貨単位分のエンジニアリング労力をどこに使うべきか。実務上、役に立つ概念は意思決定プロセスの難しさであり、経済的には、その改善への投資から期待される収益率の逆数として理解する。期待収益率が高ければ難しさは低く、期待収益率が低ければ難しさは高い。特に重要なのは二つの局面だ。基礎的な難しさとは、人が操作する表計算から、明示的な枠組みのもとで人の介入なしに動く意思決定エンジンへ、財の流れを移す費用である。限界的な難しさとは、すでに自動化された流れから、次の一段分の性能改善を引き出す費用である。

要点は単純で明快だ。規模は基礎的な難しさを下げる。小さく似通った確約が数百万件繰り返され、許容される選択肢、実行可能性の判定、通貨単位の金銭評価という枠組みを書き表せるなら、最初の自動化は通常、素早く投資を回収する。対して、小さく特殊な領域は、低い見返りと高い限界的な難しさを兼ね備える。一見扱いやすそうでどれほど魅力的でも、出発点としては最悪であり、最後に取り組むべきだ。

全国配送センターから毎晩800店舗に供給する食品小売業者を考えよう。DCから店舗への出荷を自動化する枠組みは、短く分かりやすい。許容される行動は「今夜、SKU \(i\)を店舗\(j\)に0/1/2単位出荷する」。実行可能性の判定はトラックの容積、ドックの時間枠、店舗の上限。金銭評価は欠品の損失、経年劣化、幹線輸送、荷扱いに、配送センター在庫のシャドープライスを加えたもの。分布は翌日の販売消化とトラック遅延のリスクである。一つの数値レシピで、一日数万件の同質な微小意思決定を扱える。そのため、これらの金銭評価のもとで貪欲に積み上げ、信頼が低下したら停止するという最初の実装でも、すぐに元が取れる。対して、小規模で特殊な流れから始める場合を考えよう。十二の旗艦店向けの四半期ごとのポップアップ商品の品揃えに、ビジュアルマーチャンダイジングのルール、その場その場の発売イベント、棚割りを巡る政治が絡む。規模は小さく、金銭評価は曖昧で、「枠組み」の大半は儀式である。水たまりより大河の方が容易なのだ。規模は基礎的な難しさを下げ、特殊性はそれを上げる。

エンジニアは、ソルバーの処理時間曲線を読み違えることが多い。手法を固定すると、変数や制約を増やしてモデルを大きくするほど、ほぼ必ずCPUとメモリの使用量は超線形に増える。¹³⁶ その曲線は手法の性質であって、事業上の問題の性質ではない。経済学は、その曲線が無視する調整手段を与える。粒度を変えても金銭的な結果が変わらないところでは枠組みを粗くする。対象期間を、次に制御できる時点まで短くする。脆い厳格な制限を、金銭評価したペナルティに置き換える。ウォームスタートや問題の分解によってソルバーを助け、昨日の答えで今日の探索を速める。目標は代数的な純粋さではなく、妥当な計算予算の中で、毎日リスク調整後の収益を生むことだ。実際には、粗くても金銭評価され、安定して動く定式化が、時間切れになる「厳密な」モデルに勝る。そして規模さえあれば、そのどちらも表計算による事務仕事に勝る。

ここから、実務的な優先順位が導かれる。枠組みが短く分かりやすいところから始める。無理なく選択肢を列挙でき、実行可能性の判定が政治的でなく機械的であり、目的を左右する金銭評価、すなわち欠品の損失、陳腐化、単位時間当たりの資本コスト、待つという選択肢の価値を明示し、責任者を定め、版管理できるところだ。エンジンに考える時間、すなわち数分から数時間を与える頻度の流れを優先する。海外調達と貨物の集約、DCから店舗への出荷、ネットワーク内の在庫調整、修理可能品の準備である。経済性が未解決の暗黙の金銭評価に依存する極小領域は後回しにする。それらはエンジニアリング以前にガバナンスの問題だからだ。何よりも、測定に決めさせる。新しい仕組みを既存の仕組みと並行稼働させ、明確な責任期間の中で差分を通貨単位で帰属づけ、改善が自らの費用を回収するときにだけ正式採用する。

こう見れば、「どこから始めるか」は謎ではない。意思決定の最も大きな川から取り組み、経済性と枠組みを尊重する近似解を受け入れ、そこから人の介入なしで動くエンジンに価値を積み上げさせる。小さな問題は安全に感じられるが、大きな問題の方が容易なのである。

8.3 意思決定とは最適化である

選択を機械化するには、何を好み、いつ止まるべきかを機械に伝える形式体系が必要である。応用数学の一分野である「最適化」は、その形式体系を提供する。ただし、現実の意思決定が持つ経済的で反復的な性格に合うよう、組み替えて初めて役に立つ。モデルを記述し、汎用ソルバーに渡し、最適であると証明できる計画を待つという教科書の姿勢は、実務では的を外す。役に立つのは、もっと控えめで、もっと強力なものだ。許容される行動を明らかにし、その結果を金銭評価し、明日の確率的な見方を取り込み、世界の変化に合わせて、人の介入なしで何度も繰り返し動くよう設計された、最適化の枠組みである。

8.3.1 最適化のパラダイム

古典的な数理最適化の記法では、変数、制約、目的を扱う（付録を参照）。この三つ組は維持するが、本章の前半と経済学、知能の章で築いた意思決定の文法に合うよう、その意味を変える。

変数は、「今月のSKU Xの数量」のような大ざっぱな合計ではなく、経済性が変わる最も細かい粒度の追加的な確約である。問題によって、その粒度は一単位、一つの立ち寄り先、一立方メートルになる。ローテーブル部品なら、履歴によって経済的に固有となる、特定のシリアル番号かもしれない。限界的に考えることで、エンジンは収益率の計算と整合する。問いは決して「適切な在庫水準はいくらか」ではなく、「ここで、今、もう一単位を使う価値は、その次善の用途で使う価値より高いか」である。

制約は、どの選択肢を行使してよいかを決める実行可能性の判定である。候補となる行動を調べ、認めるか、理由を付して拒否するコードとして書くべきだ。現実のサプライチェーンで、本当に絶対的な限界はごく少ない。ほぼあらゆるボトルネックは、費用か遅延を引き受ければ緩和できる。したがって、多くの「制約」を金銭評価したペナルティとして目的関数へ移し、物理的な不可能性や法的禁止を反映する少数のものだけを残すのが賢明である。これにより、ドックの混雑、作業員の残業、棚の組み替えといった異質な摩擦を同じ通貨単位の台帳で比較でき、エンジンは不確実性のもとで最もましな妥協点を見つけられる。

目的は、期待されるリスク調整後の収益率を最大化するという企業の目標に沿った、通貨単位による価値評価である。経済性を装うパーセンテージ目標ではない。有用な目的は、前提とする金銭評価を明示しなければならない。欠品の損失、陳腐化、単位時間当たりの資本コスト、遅延料金、好意や協力的な姿勢の喪失、待つという選択肢の価値である。隠れた金銭評価は政治を生み、公開された金銭評価は成果を生む。

予測は第一級の入力として入ってくる。結果は、一部を知りえない将来に左右される。そのため、エンジンは推測した一本の軌道ではなく、需要、リードタイム、返品、信頼性、場合によっては価格の分布に照らして計画を評価する。目的関数は、その入力に対して決定論的な関数のままである。ランダム性は、そこへ供給する予測のオブジェクトに宿る。この分離によって因果関係が読み取れ、賭けが期待を下回ったときに原因を特定できる。枠組みが狭かったのか、価値評価が誤っていたのか、予測の較正が不適切だったのか。確率的な仕組みの詳しい説明は次節に譲る。ここでは、意思決定エンジンを最初から、点ではなく分布を取り込むように作らなければならないと強調すれば十分である。

最後に、表現について一言述べる。世紀半ばの教義は、問題の記述と解法を分離しようとした。問題には一つの「宣言的な」ファイルを使い、残りはブラックボックスのソルバーに任せるのである。¹³⁷ この分離は優雅さを引き立てるが、実務の足を引っ張る。毎日動く意思決定エンジンでは、モデルが手法を助けることが有益である。経済性を反映する変数の順序、昨日の解からのウォームスタート、地理やライフサイクルに沿った問題の分解、高価な部分計算を記憶するキャッシュ、失敗を早期に判定する実行可能性のチェックである。これは不純さではない。問題と機械の特性を互いに生かす配慮である。

8.3.2 最適性について

有限の資源、明示された許容行動、定められた金銭評価という固定した枠組みの中には、最善の配分がある。この点は重要だ。「十分に良い」とは厳密さの放棄ではなく、探索をいつ止めるかを決めるのは代数ではなく経済性だと認めることである。

ここから二つの教訓が導かれる。第一に、サプライチェーンの問題では、大半の調整手段に収益逓減が見られる。在庫を増やせばサービスは改善するが、やがて改善しなくなる。緊急対応を増やせば遅れは減るが、やがて減らなくなる。品揃えを増やせば顧客への訴求範囲は広がるが、やがて注意力を圧迫する。この曲がり方は朗報だ。離散的な探索を、擬似勾配を持つものに変えるからである。貪欲なステップ、局所的な改善、近傍での入れ替え、短い先読みを行う方策は、適切な金銭評価に導かれ、確率的な入力を与えられると、高い場所へ素早く登る。これらは暗号の問題ではない。一ビットを反転しても、実行可能だったものが不可能になり、価値がゼロに崩れ落ちたりはしない。¹³⁸ 抽象的な空間の分割と線形緩和の引き締めだけに頼るアルゴリズムは、問題に合わない幾何構造の中で空回りしがちである。事業の制約は、半空間による枝刈りが割に合うほど早期に、かつ十分に厳しくなることがめったにない。

第二に、「最適解」は条件付きである。枠組みを変えれば、頂上も動く。処分販売の経路を加え、出航日に連動した価格の微調整を認め、混載できる範囲を広げ、ほぼ代替可能な品目の選択確定を先送りできるようにする。すると、昨日の理想形は、今日の局所的な丘になる。これは最適化の失敗ではなく、その目的である。Kuhnの言葉で言えば、日常的な進歩はパラダイムの内側で起き、段階を飛び越す変化はパラダイムを変えることで起きる。¹³⁹ したがって、生きた意思決定エンジンは、実験的最適化のために作られなければならない。新しい仕組みを既存の仕組みと並行稼働させ、測定された差分が正当化するときだけ採用し、そうでなければ低い費用で戻す。おもちゃの世界での大域的最適性の証明書に執着する姿勢は、ここで終わる。通用するのは、企業の帳簿で測った改善である。

8.3.3 内部のソルバー

ソルバーとは、枠組み、予測、金銭評価を与えられ、許容される空間を探索して確約を提案するソフトウェア部品である。エンジンの心臓ではあるが、エンジンそのものではない。その周囲には、不可欠な器官がある。正式な基準となる記録を読むための意味変換アダプター、分布を作る確率的なモジュール、金銭評価と責任者を明らかにする価値評価台帳、信頼が低下したときに発行を中断する停止ヒューリスティクス、そして提案を事実に昇格させ、次のサイクルで再び取り込む切り替えの仕組みである。

エンジンは不確実性のもとで繰り返し動くため、いくつかのエンジニアリング上の立場が決定的に重要になる。

第一に、確率的制御は決定論的な計画に勝る。ソルバーは、与えられた確率分布のもとで、許容される行動を期待されるリスク調整後の収益率によって順位づけるべきである。今日の行動が明日の選択肢を形づくるという逐次的な依存は、単発の行為ではなく方策を最適化することで扱える。通常は、各サイクルで新しい情報を使って再計算し、対象期間を先へずらすループの中で行う。「もしこうなったら何をするか」を結果の分布へ写すシミュレーター、すなわち方策を条件とする予測は、このような方策探索の自然な相棒である。数学は難解ではない。新しいのは、毎日動かせるほど小さく、分かりやすく、監査可能にすることである。

第二に、ペナルティは遵守を保証できない限界を扱えるものにする。確率的な世界では、「決してXを超えない」は不可能か、破滅的かのどちらかである。違反を金銭評価すれば、限界を同じ屋根の下にまとめ、金銭的な目的と一致させられる。確率制約という言葉は議論には役立つかもしれないが、実際に働くのは金銭評価だ。遵守を保証できない限界と、確率制約と金銭評価したペナルティの関係については、後で再び取り上げる。

第三に、繰り返し解くことを前提に設計する。サプライチェーンの選択の大半は、倉庫の立地や輸送経路の固定といった、一度きりの産業設計の問題ではない。少し違う事実のもとで明日も行う、小さな確率的な配分である。ここで活躍するソルバーは、分布を取り込み、選択肢を通貨単位で評価し、停止と再実行を安く行えなければならない。出力は、証明書付きの一枚岩の計画ではない。共通の台帳のもとで、より良い賭けを絶えず送り出す流れである。この立場は、静的な制約を持つ一回限りの全体モデルという、ORの主流の姿勢に反する。そのため、日常業務でソルバーを使う企業はごく少数にとどまる。

第四に、信頼のための観測・記録機構を備える。発行するすべての意思決定に、記録一式を付けなければならない。考慮した許容選択肢、使用した金銭評価と分布、選択を正当化した限界的な差分、発行までに通過した判定である。並行稼働を標準とすべきだ。既存のレシピが実際の決定権を持ち、新しいレシピがシャドーの意思決定を書き、測定された差が通貨単位で蓄積する。裾の較正がおかしい、制約が効き始めた、といった不審な兆候があれば、停止する。利用者を「例外」で埋め尽くすと、無報酬のコプロセッサーに任命することになり、システムを信用しないよう学習させてしまう。明確な停止は、役に立つ唯一の介入、すなわち枠組み、金銭評価、意味づけの修正を促す。

最後に、ORという看板で売られる道具箱について、冷静に一言述べる。七十年の研究と、さらに二十年のハードウェアの高速化を経ても、汎用の線形ソルバーと混合整数ソルバーは、日々のサプライチェーン業務で周辺的な存在のままである。ネットワークの立地や長期的な能力検討といった一度きりの設計作業と、範囲を厳密に限った少数の特殊領域には登場する。しかし、毎日金銭を動かす、不確実性を伴い繰り返される選択を支配することは、ほとんどない。これは管理者の頑固さではなく、道具と現象の不一致である。

古典的なOR技術は、サプライチェーンが存在していない世界を前提とする。不確実性は点による代用品や裾の軽い「安全」の項へ圧縮され、目的は金銭でなく、サービスレベル、精度のパーセンテージ、稼働率といった人工物の単位で記述される。そして実行を、業務の頻度で繰り返す確率的制御ループではなく、一回限りの計画であるかのように扱い、一枚岩の計画を作る。さらに、「純粋な記述」と「不純な手法」を分離するモデリングの信条が、まさに実務に必要なヒントを禁じる。遵守を保証できない限界への金銭評価したペナルティ、共有資源の明示的なシャドープライス、昨日の確約からのウォームスタート、責任期間に導かれた貪欲な積み上げのルールである。裾の重い分布、ラチェット、選択肢の価値を前にすると、全体を扱うMILPは、時間切れになるか、誤ったものを最適化するか、現実に最初に触れた瞬間に崩れる脆いスケジュールを出す。

経験に基づく解決策は、単純で地味である。ソルバーを意思決定の主権者としてではなく、経済性を理解する、より大きな確率的探索の内部にあるサブルーチンとして扱う。将来は確率的予測に供給させる。目的には通貨単位だけで語らせる。「厳格な」限界の大半を金銭評価したペナルティへ移す。現実が許す頻度で追加一単位の確約を再計算する。信頼が低下したら停止する。新しい仕組みと既存の仕組みを並行して動かす。そして、収益につながるところでは、領域固有の構造を組み込む。割当、最小費用流、ナップサック、経路探索といった古典的な基本要素は、依然として極めて有用だ。ただし、適切な金銭評価を与え、不確実性、反復、ラチェットを尊重するループに組み込んだときに限る。

こう見れば、業務におけるORへの評決は、数学が誤っているということではなく、立場がかみ合っていないということである。定常的なおもちゃや一回限りの計画のために作られた道具では、利益が裾に宿る、裾の重い不確実性のもとでの選択肢の組み合わせを扱えない。したがって、計算は金銭を生むところに使うべきだ。より良い枠組み、より良い金銭評価、より良い確率的な見方に使い、誤った問いに対する最適性の証明書には使わない。次節では、計算そのものに値段を付ける。

8.3.4 計算の経済性

最適化には費用がかかる。CPUの数分、実時間の数時間、エンジニアリングの数日。その一つひとつを、他の資源と同じく、期待されるリスク調整後の収益によって正当化しなければならない。重要な時間軸は業務上のものだ。ピッキングロボットのスケジュールの組み直しにはミリ秒単位の頻度がなじむが、海外調達にはなじまない。ベンダーは、時間そのものが美徳であるかのように「リアルタイム」を売り込むが、そうではない。適切な頻度は、追加の計算一単位が、もはや通貨単位で元を取れなくなるところにある。

実務上、二つの帰結がある。第一に、意思決定サイクルには「設計上ゆっくり」なものがあると認めることだ。大規模で確率的な高次元探索を、枠組みを骨抜きにしたり目的を些末なものにしたりせずに、百ミリ秒の応答時間へ追い込むことはできない。局所的な愚かさを避けるためにエンジンが広い文脈に触れなければならなくなった途端、アムダールの法則¹⁴⁰が効いてくる。第二に、資源が限られても性能が穏やかに低下するよう設計することだ。安価なヒューリスティクスと適切な金銭評価で価値の80%を得る高速な計算を行い、残りの予算をシャドープライスが強く注意を求めるところに使い、一分当たりの期待改善額がその一分の費用を下回ったら止める。エンジンは繰り返し動くので、明日の実行は、より新しい情報と、より良い初期解を使い、今日の取り残しを回収する。

同じ計算がモデルの大きさにも当てはまる。大きな問題が、何か形而上学的な意味で「より難しい」わけではない。手法を固定すると、より高くつくだけだ。ある手法が妥当な予算を大幅に超えるなら、手法を変えるか、経済性が許すところで粒度を粗くするか、対象期間を短くする。決めるのは、美的な純粋さではなく、測定された改善である。

まとめると、最適化とは、意思決定エンジンが不確実性のもとで選好を表す言語である。追加一単位、金銭評価、許容される行動を中心に捉え直し、反復、停止、監査の仕組みを備え、ハードウェアと経済性の双方に配慮して設計すれば、自動化に必要なものになる。計画を命じる神託ではなく、企業の意図に仕える疲れ知らずの事務担当者として、次の最善の賭けをいつまでも提案し、読み取れる形で台帳に書き込むのである。

8.4 不確実性のもとで意思決定する

意思決定とは、制御できない将来に対する、金銭評価された賭けである。本章の前半では、そのような賭けを計算可能にする立場を採用した。目的は決定論的で、通貨単位で表す。一方、不確実性は確率的予測、すなわち重要な事実（需要、リードタイム、信頼性、返品、場合によっては価格）の分布を通じて入る。ランダム性を目的関数の中に埋め込むのではない。エンジンに分布を与え、許容される確約を期待されるリスク調整後の収益率で順位づけさせる。

この立場は、不確実性を、より良い点予測によって技術的に取り除くべき欠陥と見なす目的論的世界観（未来の章）とは異なる。そのような点推定では、小さな誤差でさえ不連続な結果を生みうる。羽根一枚がないために稼働できないタービンの価値は、「タービンの99.98%」よりはるかに低い。競合が1%安いだけで、自社の売上の100%が消えることもある。サプライチェーンでは、利益と損失は裾に宿る。したがって、推測した一本の軌道に対して最適化する手法は、頑健性の代わりに自信を作り出す。

ここで重要なのは呼び名ではない。問題を「確率的最適化」と呼ぶのは、将来を分布で表し、価値を期待値で評価すること、そして必要なときにはリスクを明示的に調整することを認めるにすぎない。実務で重要なのは、不確実性をどこに持たせ、どう金銭評価するかである。上で論じたように、適切な場所は目的関数そのものではなく、そこへ入力する予測の中だ。適切な金銭評価は、企業自身が通貨単位で定めるペナルティと報酬である。欠品の損失、陳腐化、単位時間当たりの資本コスト、混雑、遅延料金、待つという選択肢の価値である。

期待値を取ってしまえば、「決定論的」な場合と「確率的」な場合は同じ数学に帰着すると結論したくなるかもしれない。実務では、そうはならない。決定論的なレシピは脆い計画を促し、裾の重さを無視し、人工物であるKPIの背後にトレードオフを隠す。対して、分布のために設計されたエンジンは、裾を金銭評価し、価値評価を明らかにし、信頼が低下すれば停止し、現実が許す頻度で繰り返さなければならない。結果を左右するのは、記号の変更ではなく、この立場の違いである。

この土台を置いたうえで、本節の残りでは、不確実性のもとでの意思決定が業務にもたらす帰結を扱う。まず、点に基づく手法が、いかにして脆い意思決定を構造的に生むかを検討する。紙の上では無駄がなく見えても、世界が中央値から外れると金銭を大量に失う選択である。次に、布告ではなく金銭評価か、上限を明示したリスクで扱わなければならない遵守を保証できない制約を取り上げる。探索と活用のトレードオフを通じて学習に値段を付け、今日は利益にならなくても明日の状況への備えとなる選択肢への資金投入を正当化する。どの論点でも、許容される行動、確率的な見方、一つの金銭台帳という同じ文法を使う。

8.4.1 脆い意思決定

本書では、想定した「典型的な場合」から少し外れただけで、リスク調整後の収益率が不釣り合いに大きく損なわれるとき、その意思決定を脆いと呼ぶ。業務上、脆さは実現収益の分散の大きさとして現れる。また、裾の重さとラチェットを正しく金銭評価すれば、選択肢を残す別の行動に比べて、期待値も低くなる。脆さは大災害の話ではない。どの流れにも訪れる、ありふれた不意打ちの話である。サプライヤーが数量不足で出荷する、トラックが時間枠に間に合わない、店舗が一日休む、投稿が急拡散して棚が空になる。個々の出来事は局所的には意外でも、全体として見れば意外ではない。

脆さの多くは方策が作り出す。一つの定められた将来、それを実現する計画、その遵守を取り締まる業績指標という目的論的な姿勢は、紙の上では見事に無駄がなく見えても、世界が少し迂回しただけで金銭を大量に失う意思決定を生む。点予測は将来を一本の軌道に圧縮する。「厳格な」限界は布告として扱われる。稼働率は飽和へ押し上げられる。バッファは、隠れた金銭評価に誰も責任を持たない数式で正当化される。このような手順は、単に変動に直面するだけではない。変動があるからこそ価値を持つ選択肢を取り去り、その費用を増幅する。したがって、脆い方策、すなわち脆い意思決定を構造的に生むルールと呼ぶ方が正確である。

これらの方策を脆くする構造的な特徴は二つある。第一に、サプライチェーンの収益は大半が非対称である。下振れは裾に宿り、上振れには限界がある。部品が一つないだけで、数百万もの価値を持つ航空機が運航不能になりうる。競合より1%高いだけで、売上が丸ごと消えることもある。裾の軽い代用分布や中央値を想定した計画は、この崖を隠し、それを避ける選択肢を過小評価する。第二に、業務上のラチェットが代替案を消す。基準となる予測では無害に見えた早すぎる店舗配分が、明日のより良い要求への対応を妨げる。暦に従って出荷する「満載」の手順が、明日の集約を締め出す。早く確定することで紙の上の「効率」を最大化する意思決定は、実際には、選択肢を安く売り、厄介事を高く買う意思決定である。

見た目は信用ならない。脆い意思決定は効率的に見える。トラックは目に見えて満載で出発し、配送センターは空いて見え、人員は少なく見え、在庫はぎりぎりの水準にある。脆くない意思決定は、一見、少し「無駄」に見える。能力の一部を空けておき、配送センターに在庫のプールを残し、第二のサプライヤーを維持し、修理可能品を少し先に配置する。しかし、裾とラチェットを金銭評価すれば、一見保守的なこの立場の方が、期待されるリスク調整後の非周期収益率を高くする。余力を買うための割増費用は、選択肢のプレミアムである。世界が中央値を外すたびに元が取れる。そして世界は、確実に中央値を外す。

ありふれた例で、この点を明らかにしよう。折り返し時間が短いジェット旅客機のライン整備を考える。最初のパネルを開くまで、作業範囲は不確実である。羽根一枚がないだけで航空機は動けなくなり、乗り継ぎの失敗が連鎖しうる。「平均的な作業」に合わせて部品キットを用意する決定論的な手順は、事前には無駄がなく見える。しかし、いくつかの部品の需要が跳ねるたびに、高くつく失敗をする。起伏を織り込む手順は、不確実な作業範囲と修理後の返却遅延の分布から始め、予定の遅れに通貨単位のペナルティを付け、追加の部品一つひとつを、そのペナルティへの備えとなる選択肢として評価する。できあがるキットは「最小限」ではなく、利益を生むキットである。使わなかった部品は在庫に戻る。その保有費用は、裾が牙をむいたときに回避する損失に比べれば小さい。低確率でもペナルティが大きい欠品には、どれも同じ論理が働く。裾の重さが支配し、裾の軽い算術は脆さを作り出す。

第二の例は入荷側にある。ある倉庫が、サプライヤー側のランダムな日程のずれと、有限の荷受けドックを抱えているとする。計画を守る週次の発注日程では、ときに船便の到着が重なり、ドックが過負荷になる。対処は火消しになる。延期、運転手の待機料金やコンテナの超過保管料¹⁴¹、作業員の残業、希少なドック時間枠を優先的に確保するための契約外の割増料金である。

起伏を織り込む立場では、到着時刻とドック使用時間を分布として扱い、過負荷を明示的な混雑ペナルティで評価する。待機料金、超過保管料、残業、優先時間枠の割増料金として現れるのと、同じ経済性である。そして、次のバッチの期待されるリスク調整後の収益が、企業のシャドー資本コストと待つという選択肢の価値の合計を上回るまで、意思決定エンジンに発注を延期または前倒しさせる。頻度は暦からの入力ではなく、経済性からの出力になる。ドックは「常に忙しい」わけではなくなるが、金銭の流出は止まる。

下流では、早すぎる配分も目立たない脆さの原因となる。希少な商品を販売力の弱い店舗へ早く送ると、回転の遅い場所に固定してしまい、数日後に明らかになる勝ち組の店舗に供給できなくなる。起伏を織り込む手順は、逼迫した配送センター在庫に、見えるシャドープライスを付ける。明日、より良い要求に応える選択肢を表す、一単位一日当たりの通貨単位である。そして、その店舗の限界的な収益が配送センターで保持する価値を上回るときにだけ、一単位を店舗へ放出する。配送センターに少し長く、より多くの商品が残っていても、最も重要な場所での流量は通常増える。脆い方策のもとでは「忙しさ」の見た目が良くなり、頑健な方策のもとでは経済性が良くなる。

脆さは、ダッシュボードに映らない労働費用も課す。脆い方策は現実と衝突し、長い例外処理の列を作り、計画担当者を人間のコプロセッサーとして徴用する。組織は、慢性的な緊急対応、手動での順序変更、事後の上書きを当たり前にする。この火消しが、いま作るべき資本財に必要な注意力を吸い取る。その資本財とは、枠組み、金銭評価、確率的な見方をコード化し、人の介入なしで動き、改善を積み重ねる、小さく分かりやすい意思決定エンジンである。脆い方策は、悪い日に金銭を失わせるだけではない。悪い日を減らし、その費用を小さくするための時間投資まで妨げる。

脆くない意思決定を設計するのに、超人的な努力は必要ない。必要なのは立場の変更である。起伏を織り込む世界観は、不確実性を利益の原料と見なす。実務では、(i)需要、リードタイム、信頼性、返品、場合によっては価格の分布を第一級の入力として認めること、(ii)欠品の損失、混雑、経年劣化、遅延料金、待つという選択肢の価値といった摩擦をすべて通貨単位で表し、その金銭評価に全社として責任を持つこと、(iii)確率的オプティマイザーに、追加一単位の確約を期待されるリスク調整後の非周期収益率で順位づけさせることである。小さく、金銭評価された余裕は、自然に生まれる。配送センターで少し在庫をプールする、輸送の代替案をいくつか残す、重要な資源に測定した余力を持たせる、裾でのペナルティが厳しい部品キットを少し多めに用意する。これらは不運よけのお守りではない。期待される見返りがプレミアムを上回るから購入する選択肢である。

実務では、単純な判定で脆さを見抜ける。入力に小さく現実的な変化を加えると提案が崩れる、金銭評価した頻度ではなく暦の儀式に頼る、「優秀さ」を通貨単位ではなく精度のパーセンテージ、サービス目標、稼働率といった人工物で表す、そして何とか使い続けるために人間の「例外対応」を絶えず要求するなら、それは脆い。逆に、枠組みを説明し、分布を示し、金銭評価を明示し、行動するか待つかの境界の根拠を示し、実現した結果に照らしても通用する記録一式を出せる手順は、頑健である可能性が高い。事情を知らない目には、少し「無駄」に見えたとしても、である。

不確実性を認めると、最後にもう一つ避けられない要素が出てくる。多くの限界は、どのサイコロの目が出ても守れるとは保証できない。意思決定が妥当でも、不運な偶然が重なれば、ドックの時間枠、運転手の勤務配置、ピッキング棚、バッテリーの充電サイクルには、ときに過大な負担がかかる。適切な対処は、ランダム性を否定することではなく、金銭評価することである。次節では、こうした遵守を保証できない制約に目を向け、確率的な上限、あるいはより良い方法として、他のすべてのトレードオフと同じ通貨単位で明示したペナルティによって扱う方法を示す。

8.4.2 遵守を保証できない制約

確率的な世界では、「制約」の大半は物理法則ではなく、ペナルティに裏打ちされた選好である。どのサイコロの目が出ても従うべき布告として扱うと、脆い計画と高くつく火消しが生まれる。先に導入した枠組みは、適切な区分をすでに示唆している。法的禁止、物理的な不可能性、安全上の障壁といった少数の限界は、本当に厳格であり、候補行動を即座に拒否する実行可能性の判定に置く。それ以外はすべて柔軟である。費用か遅延を引き受ければ違反できるため、通貨単位で明示した不都合として目的関数に置くべきだ。

たとえば、倉庫向けの補充発注を行う企業を考えよう。倉庫には入荷処理能力の上限がある。同じ日にトラックが到着しすぎると、担当者は一部を追い返し、後で戻ってもらわなければならない。これは費用がかかり、混乱を招き、後続の配送に使う予定のトラックを拘束する。そこで、特定の日に入荷が集中しすぎないよう、補充発注を意図的に分散する。しかし、サプライヤーにも困難が起きることがある。頻度は低くても、予期しない遅延によって、当初は別の日に予定されていた配送が同じ日に重なることがある。サプライヤーの遅延はランダムで、しかも分布の裾が重いことが多いため、このような衝突は決して排除できない。排除するには、連続する発注の間隔を非現実的なほど長くしなければならない。発注間隔を空ければ、入荷能力を超えるリスクは軽減できるが、なくすことはできない。

より広く言えば、サプライチェーンの制約の大半には、慎重に扱っても違反する現実的なリスクがある。そもそも企業は顧客やサプライヤーを制御できない。自社の従業員さえ完全には制御できず、さまざまな理由で出勤しないことがある。それでも、完全さがこの世のものではないとしても、企業は制約を尊重する方向へ意思決定を導ける。二つの方法を考えよう。

確率制約は、より緩い基準を与える。すべての結果で制約を満たすよう要求する代わりに、一定以上の確率で成り立つことを求める。実用的な方法の一つは、明示的に定量化した小さな違反リスクを認めることである。たとえば、ドックの過負荷の確率を5%未満に保つ。これにより、違反をまれで制御されたものにできる。

しかし確率制約の主な弱点は、根本的に非経済的なこと、より正確には、経済的なトレードオフが、許容できると見なした恣意的なパーセンテージ、すなわち無次元の数値に隠れていることである。状況の経済性を反映するようにそのパーセンテージを調整することはできるが、それによって解くべき新たな問題を作ってしまう。

ペナルティ付き制約は、より単純な代替案である。ペナルティを通じて制約を目的関数へ移す。違反の一つひとつを費用のかかる不都合として扱い、オプティマイザーに、そのペナルティと意思決定の期待便益を比較させる。各違反には大きな費用が発生する。最適化は期待総費用を最小化するため、実行可能、またはそれに近い解を自然に促す。十分に高いペナルティは違反を抑え、オプティマイザーを実行可能に近い解へ導く。

ペナルティ付き制約がサプライチェーンの最適化に適しているのは、業務上の限界を、モデルを支配するのと同じ金銭単位で表すからである。原理的には、ほぼあらゆるボトルネックを費用と引き換えに緩和でき、ペナルティ項はその費用を明示的に捉える。したがって、オプティマイザーは硬直したルールに閉じ込められることなく、破滅的な支出を避ける計画を探す。とりわけ重要なのは、各ペナルティを通貨で表すことで、何十もの異質な限界を一つの目的関数へ無理なく加算でき、複雑性の高い環境でもモデルを扱いやすく拡張できる点である。

8.4.3 探索と活用

意思決定は繰り返される。サイクルのたびに私たちの認識が更新され、その認識が次のサイクルを導く。したがって、履歴データは中立ではない。昨日の選択の副産物である。小売業者があるSKUに9.99を超える価格を一度も付けたことがなければ、台帳には10.99での需要の証拠がない。「活用」しか行わないソルバー、すなわち現在のモデルで最善に見えるものを今日も常に選ぶソルバーは、モデルの死角をひそかに固定する。利益が頭打ちになるのは、世界の可能性が尽きたからではなく、より高い収益がどこにあるかを企業が学ばなくなったからである。

起伏を織り込む立場（未来の章）は、この内生性を設計上の制約として扱う。ときには、今日の台帳では少しだけ劣る行動を選ばなければならない。その行動から得る観測が、手放す金銭以上に明日の台帳を改善するからである。経済的に言えば、企業は小さな知識に対するオプションを買う。実務上の問いは、「新しいことを試すか」という哲学的なものではなく、定量的なものである。情報の期待価値は、いつ実験の機会費用を上回るのか。

重要な不確実性は二種類ある。偶然的不確実性は本質的なランダム性であり、どれほど努力しても消えない。認識的不確実性は無知であり、適切な観測を集めれば減らせる（未来の章を参照）。探索とは、その期待される配当、すなわち対象期間にわたるより良い意思決定が、試行による目先の損失を上回るとき、認識的不確実性を意図的に減らすことである。

小さな具体例で、内生性の問題を明らかにしよう。百店舗で販売するスポーツドリンクのシリーズを考える。企業には長年、「十通貨単位」が衝動買いに最適だという非公式な教義がある。その結果、価格データベースは9.99付近では豊富だが、10.49を超える部分はほぼ空である。需要モデルはこの偏りを受け継ぎ、尋ねられると、また9.99付近にとどまるよう勧める。起伏を織り込む手順は、ブランドを賭けにさらさず、この慣性に対抗する。たとえば来店客数が典型的な八店舗を、二週間の小さな試験群に指定する。そこで価格を10.49へ上げ、局所的な価格への反応を再推定する。費用は、試験期間中に現状の価格と比べて失うと推定される利益、または購入を思いとどまる顧客である。配当は、新たに把握した反応を残りの九十二店舗に展開することで得る改善だ。通貨単位で表した期待配当が実験費用を上回れば、試験中の八店舗の業績が下がったとしても、価格の試行は合理的である。

探索は価格設定に限らない。信頼性が不確かな新しいサプライヤーに向き合う購買担当者は、大量発注を確約する前に、意図的に小さな発注をいくつか早めに行い、リードタイム分布の裾を学べる。ネットワークの計画担当者は、一地域で小規模なクロスドッキングを試し、混雑ペナルティを仮定するのではなく測定できる。マーチャンダイザーは、販売消化率の低いいくつかの商品を、影響を抑えられる規模で意図的に欠品させ、打ち切りのあるデータから外挿する代わりに、実際の代替率を学べる。いずれの場合も、エンジンは他の行動と同様に試行を評価する。許容される選択肢を明示し、将来を確率的に捉え、欠品の損失、経年劣化、混雑、単位時間当たりの資本コストといったすべての影響を、同じ通貨単位の台帳に表す。

このトレードオフは、文献では「探索と活用」として知られている。¹⁴² 古典的なバンディットの比喩は、経済性を見失わない限り有用である。目的は抽象的な「リグレットの上界」を追うことではない。業務の頻度で、追加の試行が、すべての確約を支配する同じ基準、すなわち期待されるリスク調整後の非周期収益率を満たすかを決めることである。三つの設計習慣によって、このプロセスを理解可能かつ監査可能に保てる。

第一に、試行を小さく、範囲を限定したものに保つ。責任期間は結果の帰属範囲を限定し、実施範囲（店舗数、輸送経路数、SKU数）は下振れを限定する。小ささは臆病さではない。学ぶ選択肢を明確に金銭評価し、その配当と比較する方法である。

第二に、学習の配当を明示する。修正したルールが有効な期間にわたる期待改善から、経年劣化、値下げ、混雑、資本コストを差し引いたものである。隠れた「便益」はゼロと数える。数えるのは台帳上の金銭だけだ。

第三に、探索を、同じ、人の介入なしで動くエンジンに組み込む。試行は特別なプロジェクトではない。事前分布、提案する変更、期間、金銭評価、結果が得られたときの正式採用または切り戻しのルールという記録一式を伴う、もう一つの許容行動である。エンジンの信頼が低下すれば、停止ヒューリスティクスは通常の発行を止めるのとまったく同じように、試行を中断する。

この立場は、目的論的世界観が探索を受け入れられない理由も明確にする。予測し、計画し、従うという方式では、意思決定は決定論的プログラムの最後の一行にすぎない。予測は行動から切り離され、「精度」は金銭から切り離されたパーセンテージとして取り締まられる。この世界には情報を買う予算がない。手順が、何が重要かをすでに知っていると前提しているからだ。対して、起伏を織り込む世界では、素早く、金銭評価された試行が優位の源になる。割に合うところで認識的不確実性を狭め、小さな洞察が複利的に効くところで、企業が先に動けるようにする。

ここからは、情報を買うことから保険を買うことへ移る。探索は、モデルを変える観測に資金を投じる。選択肢を育てることは、今日は利益にならなくても、特定の状況では大きく報われる能力に資金を投じる。文法は変わらない。許容される行動、確率的な将来、一つの通貨単位の台帳である。

8.4.4 選択肢を育てる

レジリエンスとは、今日は利益にならなくても、条件が変われば将来の利益を守りうる選択肢に資金を投じることである。実際、サプライヤー、運送業者、組立ラインが提供する一定の選択肢が事業にとって価値を持つかどうかは、その時点の市場条件による。条件が変われば、特定の選択肢の価値は急上昇も急落もする。企業は適切な選択肢を育てることで、そのリスクをヘッジできる。

たとえば、ウェストニアに拠点を置く企業が、現在ルリタニアのサプライヤーから部品を調達しているとする。残念ながら、ウェストニア国内の代替サプライヤーには、ルリタニアのサプライヤーに対する競争力がない。しかも、その部品は企業の仕様を完全には満たさない。企業はルリタニアのサプライヤーに十分満足している。しかし、ウェストニア政府がルリタニアからの輸入に高額の関税を課す可能性がある。実際、台頭している政治家の何人かが、そのような関税への支持を公然と表明している。導入されれば利益は大きく減るが、国内サプライヤーの部品は仕様を満たさないため、企業は切り替えられない。そこで、このリスクに備え、国内サプライヤーを一社選び、部品が仕様を満たすよう生産の改善を支援する。発注の大半は引き続きルリタニアのサプライヤーに向けるが、国内の代替案も育てておく。関税が課されたときには、それが利益を救うかもしれない。

選択肢の育成には多くの形がある。人員、保管、生産、輸送の未使用能力に資金を投じることもある。車両、建物、産業設備のリースを解約できる有利な条項と引き換えに、高いサービス料金を支払うこともある。組立ラインの効率を下げる代わりに、構成を変更しやすくし、生産できる設計の幅を広げることもある。

選択肢を育てる目的は、起こりにくくても、決して不可能ではない条件に企業を備えさせることである。先に論じた探索と活用のトレードオフと違い、この投資の目的は発見ではない。現在の市場条件が続く限りその選択肢は採算が合わないと、初めから分かっている。この投資はヘッジなのである。

採算性を評価するには、三つの要素を定量化する必要がある。(1)引き金となる事象の確率、(2)その条件下で選択肢がもたらす節約額、(3)選択肢を育てる費用である。確率で重みづけした節約額が育成費用を上回れば、ヘッジは利益を生む。

ここでも、選択肢を育てることが意味を持つのは、起伏を織り込む世界観のもとだけである。目的論的世界観では、将来は既知の量として扱われる。その結果、直ちに経済的な採算が合わない選択肢は退けられる。実際、裏付けとなる理屈がなければ、経営陣は「不要な」支出を正当化しにくい。とりわけ、経営チームが支持する現在の進路を無効にしてしまうような、非常に悲観的な条件に結びつく支出はそうである。

8.5 逐次的な意思決定

サプライチェーンの選択の多くは逐次的である。今日の行動の収益は、企業が明日選ぶ行動に左右される。現在の確約は代替案を消し、次のサイクルの選択肢を組み替える。これは「時間の非対称性」（未来の章）で述べたラチェット効果である。「明日の意思決定が未定なのに、どうして今最適化できるのか」という一見した逆説は、日常的なものだ。コンテナを満載にしなければならない海外調達、後の配分機会を先に使ってしまう店舗出荷、次の段取り替えまで能力を拘束する生産バッチなどが、その例である。

本章では、このような状況を、孤立した一回限りの最適化ではなく、時間の中で行動するためのルールとして扱う。それを明確に形式化した対象が、方策である。

方策を明示的な対象にすることには、二つの効果がある。第一に、枠組みが見えるようになる。許容される行動と実行可能性の判定、企業が根拠を示せる通貨単位の金銭評価（ペナルティと報酬）、各選択の判断材料となる将来の確率的な見方である。第二に、方策を条件とする予測を通じた閉ループでの評価が可能になる。これは「この方策に従えば、どのような結果の分布を期待できるか」に答えるシミュレーターである。方策と、方策を条件とする予測というこの組み合わせにより、一回限りの意思決定と同じ尺度、すなわち期待されるリスク調整後の収益率で、候補となるルール群を比較できる。

とはいえ、すべての逐次的な問題を本格的な方策探索へ変えることが、それに伴う不透明さと計算費用に見合うことはめったにない。可能なルールの空間は広大であり、軌道全体の水準でしか評価しないと、限界的な寄与の帰属が見えなくなる。素朴な先読みは、日常業務には高くつきすぎる。実務では、小さく監査可能な確約を単位時間当たりの通貨単位で順位づけるという限界的な立場を保ちながら、完全な方策を明示的な対象にせずに逐次的な結びつきを捉える、いくつかの規律ある道具を使う。

一貫して使う例で、考えを明確にしよう。購買担当者が、コンテナ満載の単位にまとめて初めて採算が合う海外発注を行うとする。多くのSKUを混ぜられるが、今日積む一単位一単位で、同じサプライヤーから次のコンテナが着くまでの需要を賄わなければならない。しかし、その到着日は、企業がまだ行っていない意思決定に左右される。文字どおり一回限りの最適化では、明日の発注を仮定せずに今日の発注を評価できない。方策なら、この依存を解消できる。「次のコンテナのシャドープライスが\(S\)を超えたら発注し、重量・容積の制約のもとで限界的な収益に従って数量を配分する」という具合である。そして、方策を条件とする予測が、そのルールのもとでのリードタイム、需要、ドック能力の分布を見積もる。

本節の残りでは、この結びつきの大半を、もっと軽い手段で扱う方法を示す。今日の発注に責任を負わせる対象期間を限定する責任期間（次項）、延期する選択肢を評価して行動の収益率の基準を定める待つことの経済性、バッチ単位の配分を貪欲に積み上げることを正当化する置換不変性である。ただし、車両の経路やジョブショップのスケジュールのように、本当に順序が重要な場合には注意が要る。そして、将来の選択肢を残すために確定を遅らせることを勧める延期化の原則がある。応答時間や規模が要求するときにだけ、明示的にパラメーター化した方策探索を行う。

8.5.1 責任期間

逐次的な意思決定は、帰属の問題を生む。今日の行動が明日の選択肢を組み替え、明日の行動はさらに、今日の結果を修復したり増幅したりする。毎日動かなければならないエンジンには、将来全体をシミュレーションせず、結果を各確約に割り当てるルールが必要である。実用的な仕掛けが責任期間だ。現在の意思決定に責任を負わせる期間を限定し、残りを後続の意思決定に引き継がせる。

この期間は計画上の時間区分ではなく、会計上の原則である。二つの問いに答える。いつから結果を今日の確約に帰属させ始めるのか。そして、同種の次の意思決定に引き渡すまで、その責任はいつまで続くのか。

コンテナを満載にしなければならない海外発注では、自然な開始点は発注を入力した暦日ではなく、生産と輸送を経て財が使えるようになる日である。そのとき初めて、意思決定が金銭を稼いだり失ったりし始めるからだ。終了点は、後続の発注が合理的に責任を引き継げるようになる最初の時点である。実務上、頑健な取り決めは、同じ供給元から次の次のコンテナが到着する時点で期間を終えることだ。直後の「次」のコンテナは、まだ今日の選択を部分的に修正したり増幅したりしている。「次の次」の後には、責任が本当に移っている。対して、毎日の店舗補充では、期間は通常、今夜の配送から明日の夜の配送までとなる。頻度そのものが境界を与える。

期間内では、企業の目的に沿って、意思決定を金銭で評価する。期間内に実現した売上（または消費）を利益側に計上する。期間内に起きた欠品には、失う利益、好意や協力的な姿勢、関連品目への波及を反映した、通貨単位で明示されたペナルティを課す。期間末に残る在庫を、なかったことにしてはならない。実用的な扱い方は二つあり、場合によっては趣旨のうえで同等である。第一は終端価値評価だ。残存在庫を、期待される処分価値で直ちに換金したものと見なし、その換金までに見込まれる保有費用と荷扱い費用を差し引く。第二は、特に長い裾を持つ場合には、より単純で保守的なことが多い。将来の保有費用と陳腐化費用の期待される全系列を、その在庫を生んだ意思決定に負担させる。この「ラチェット」の扱いは、後の選択では、値下げ、保管、評価損の費用を払わずに過大な購入を取り消せないことを認める。負荷が発生元に残るのは当然である。

期間の境界を定めるのは、確率的な作業である。通常は二つの分布で足りる。第一に、リードタイムの分布が、その確約が影響を持ち始める日付に確率を割り当てる。第二に、次に意思決定し直せる機会の分布が、引き継ぎの日付を定める。この第二の予測は、自分たち自身の将来の行動を見積もるという意味で「不純」である。しかし、コンテナ船便、工場の段取り替え、週次の出荷枠といった重要なバッチ規模では、その頻度は締め切り、船舶の予定、MOQなどの外部要因に大きく左右され、役に立つ精度で予測できるほど安定している。毎晩の店舗出荷やシフト終了時の生産投入のようにサイクルが固定されていれば、暦そのものが終了点を与える。

対象期間を打ち切るなら、その先にあるものを金銭評価しなければならない。先に述べた欠品ペナルティは、その一例だ。複数シーズンにわたってはシミュレーションしないことにした、リピート購入の減少や代替の動きを代わりに表す。同様のシャドー評価額が、他の場所でも必要になることがある。シーズン末に大幅値下げをするファッションブランドでは、大きな値引きが顧客に待つことを学習させるかもしれない。長期的な需要への損害は現実にあるが、まだ設計すらされていない将来のコレクションにわたってモデル化するのは難しい。通貨単位で表し、期間内で適用する一単位当たりの小さな値引きペナルティを設ければ、シミュレーターを何年にも及ぶ物語にせず、エンジンを誠実に保てる。いつものように、金銭評価は明示し、責任者を定め、版管理し、公開しなければならない。隠れたペナルティは中立にはならない。気まぐれになるのである。

短い例で考えを明確にしよう。輸入業者が今日、満載のコンテナを発注するとする。評価期間は、コンテナの通関が済み、商品が利用可能になったときに始まり、同じ輸送経路から次の次のコンテナが到着したときに終わる。その間の売上はすべて今日の発注に計上し、同じ期間の欠品はすべて欠品ペナルティに従って負担させる。期間末の残存数量には終端価値評価を適用する。ラチェット方式なら、将来の保有費用と値下げ費用の期待額を、全額今日の発注に負担させる。次のコンテナは、同じルールで、それ自身の期間に基づいて評価する。責任は二重計上しない。この取り決めによって、日々のエンジンは扱いやすく監査可能になる。同時に、重要なところ、すなわち裾と、後の選択では消せない不可逆な費用において、経済的な現実性を保てる。

責任期間は、先に展開した限界的な立場と調和する。ソルバーは確率的な入力を使って一歩先を考え、結果を明確に帰属させ、次へ進める。その妥当性は理論的ではなく経験的なものだ。境界を選び、既存の仕組みと並行稼働させ、差分を通貨単位で測り、調整する。実務では、この仕掛けは海外調達、倉庫の入荷平準化、店舗出荷など、幅広い逐次的な状況で成功する。焦点を、推測に基づく複数年の物語ではなく、経済性が宿る場所、すなわち金銭評価された選択肢と、裾の重い将来に保つからである。

8.5.1.1 待つことの経済性

あらゆる逐次的な問題には、声を上げない選択肢が含まれている。まだ何もしないという選択肢だ。待てば選択肢を残し、情報を蓄積できる。今行動すれば、収益率を固定し、代替案を消す。エンジンは遅延を明示的に金銭評価し、カットオフのルールを採用すべきである。許容される最善の行動の、期待されるリスク調整後の非周期収益率が、シャドー資本コストに待つという選択肢の価値を加えたものを上回るときだけ行動する。その基準未満なら延期する。

業務上、これは単純で反復可能な規律になる。毎日、または現実に応じた頻度で、現在の責任期間内における次の最善手を再計算する。その収益率が基準を上回れば実行し、確約を記録する。そうでなければ待つ。コンテナを発注した直後、その翌日にもコンテナを発注するのは、通常採算が合わない。需要はまだ蓄積せず、集約の機会も乏しく、入荷混雑のペナルティが迫るからである。日が経つと、数量がまとまり、混載が改善し、期待収益が高まる。基準を超えた時点で発注する。方策は「慣習による週次サイクル」ではなく、「経済性が正当化するたびに」である。

下流への出荷も、同じ論理に従う。爆発的に売れる商品の在庫をわずかに持つ、ファッション商品のDCを考えよう。今日、販売力の弱い店舗に一単位を配分しても、点予測では無害に見えるかもしれない。しかし明日、販売力の強い店舗から要求が来たのに在庫がなければ、それは高くつくラチェットになる。シーズン全体の台本を書こうとする代わりに、逼迫したDC在庫にシャドープライスを付ける。後でより良い要求に応える選択肢を表す、一単位一日当たりの通貨単位による機会費用である。現在の販売消化の確率的な見方と欠品ペナルティのもとで計算した、その店舗の限界的な収益がDCのシャドープライスを上回るときにだけ、店舗へ放出する。このような忍耐は、流量を損なうどころか、最も利益になるところで増やす傾向がある。早すぎる配分は、回転の遅い場所に在庫を固定し、実現する流量をかえって減らすことが多い。

待つことは優柔不断ではない。他と同じ、金銭評価された意思決定である。カットオフには、企業の資本コストとテールリスクへの許容度の双方が組み込まれる。先に論じた停止ヒューリスティクスも伴う。裾の較正不良や制約の異常な効き方によってエンジンの信頼が低下すると、枠組み、金銭評価、意味づけが修正されるまで発行を中断する。このように、責任期間と待つことの経済性を組み合わせることで、多くの逐次的な問題を、利益と整合した、一歩ずつの貪欲な積み上げへ変えられる。次項の置換不変性では、そのような貪欲な積み上げがしばしば有効な理由と、本当に順序が重要な場合を示す。

8.5.2 置換不変性

サプライチェーンの配分の多くは、バッチとして実行される。コンテナに複数のSKUを混載し、生産ラインで一連の製品を作り、トラックが複数店舗向けの荷物を積んでDCを出発する。このような場面で経済的に重要なのは、バッチに含まれる追加一単位の確約の最終的な多重集合と、それが満たす制約（重量、容積、時間枠、締め切り）である。個々の確約を選んだ、観念上の順序ではない。実行可能性の判定が合計値だけに依存し、バッチ内の品目に対するペナルティと報酬が対称的に評価されるなら、目的関数は、無視できる記帳上の影響を除けば、バッチを構成する微小配分のどのような置換に対しても不変である。

この観察は、先に導入した道具と組み合わせると強力である。責任期間は、バッチに責任を負わせる期間を限定する。待つことの経済性はカットオフを与える。許容される最善の行動が、シャドー資本コストと延期の選択肢の価値を上回るときだけ行動する。両者があれば、バッチを貪欲に組み立てられる。各ステップで希少な資源のシャドープライスを再計算し、期待されるリスク調整後の非周期収益率が最も高い、次の許容される一単位を選ぶ。能力が上限に達するか、カットオフを満たさなくなったら止める。バッチの価値評価は構成要素の順序に左右されないため、この段階的な構築は、経済的な意味を持たない儀式的な順序ではなく、重要な集合、すなわちバッチの内容を目指す。

何を主張し、何を主張していないかを、二つの注意点で明確にしておく。第一に、バッチの最終的な価値は順序に左右されないが、ある一単位の限界的な価値は、そこへ至る経路に依存する。早い段階での選択が直面する制約は、遅い段階での選択より緩い。だからこそ、貪欲な積み上げでは、追加のたびにシャドープライスを再計算しなければならない。経路依存性は再評価によって扱い、目標は引き続き、できあがる集合に置く。第二に、置換不変性は大域的最適性の証明ではない。収益逓減と金銭評価したペナルティが支配する問題、すなわち先の最適性についてで論じた幾何構造の中で、高い場所へ素早く登る探索の、エンジニアリング上の根拠である。エンジンは業務の頻度で繰り返し動く。明日の実行は、より良い初期解と、より狭い範囲から始まり、責任期間の仕組みが、将来全体をシミュレーションせずに結果を帰属させる。

具体例で考えよう。海外輸送のコンテナを詰めるとき、実行可能性を左右するのは合計（重量・容積）と締め切り日であり、価値を生むのは評価期間内に売れる商品構成である。多くのSKUにまたがる場合も含め、限界的な収益の高い順に一単位ずつ加えるのが合理的だ。待つことの経済性が「まだだ」と告げれば中断し、需要と混載の機会が蓄積したら再開する。DCから店舗への出荷では、DC在庫に、明日より良い要求に応える選択肢を反映したシャドープライスを持たせる（待つことの経済性を参照）。店舗が一単位を受け取るのは、その限界的な収益がDCのシャドープライスを上回るときだけである。一回の出発群の中では、トラックの金銭評価したペナルティと能力が停止を勧めるまで、数量を貪欲に追加する。その結果、最も重要な場所での実現流量は、しばしば高くなる。早すぎる配分は収益性の低い場所に在庫を固定する。忙しく動いていても、シーズンが本当の勝ち組を明らかにしたときには、流量を下げてしまうのである。

置換不変性は、モデルを小さく監査可能に保つことにも役立つ。MOQ、満載のインセンティブ、ドックの混雑といったバッチの制約は、選び出す順序を台本にする手続き的なルールよりも、出荷する集合に対する実行可能性の判定と、金銭評価したペナルティで表す方がよい。判定とペナルティなら金銭評価は明確になり、停止も明瞭になる。手続き的なルールは人工物と例外処理を生む。バッチの価値は儀式的な順序に依存しないため、ソルバーは次の最善の追加一単位の確約を提案し、その記録一式を残し、カットオフが効くまで繰り返せる。

8.5.2.1 順序が重要な配分

すべての逐次的な問題で置換不変性が成り立つわけではない。本質的に順序に左右される種類もある。車両の経路、段取り替え時間と希少な技能を伴う作業場での仕事の順序、自動倉庫内を動くピッカーの移動である。そこでは、移動距離、待ち行列や閉塞、段取り替えの損失が、作業の順序に直接依存する。ミルクランの二つの立ち寄り先を入れ替えると運転時間が一時間増えたり、MROの作業範囲の二工程を入れ替えると完了までの日数が一日延びたりする。この場合、順序は経済的に実在するものであり、モデルにもそれを明示しなければならない。

それでも、方法論は本章と一貫している。枠組み（許容される行動と実行可能性の判定）を明示し、経済性（遅れ、残業、時間枠の逸失、経年劣化に対する金銭評価したペナルティ）を公開し、需要、移動時間、修理時間、信頼性の確率的な見方を取り込む。このときソルバーの仕事は、単なる集合ではなく、順序を提案することになる。シフト終了、一日の終わり、車庫への帰着といった責任期間が、引き続き帰属を限定する。遵守を保証できない限界は、金銭評価したペナルティによって目的関数へ取り込む。原則は変わらない。順序が金銭を変えるところでだけ、順序を明示する。それ以外では人工物として扱い、置換不変性を貪欲な積み上げの根拠とする。

置換不変性と待つことの経済性を併せて見ると、確定の先送りが促される。バッチの価値評価が内容には依存しても、その選び方の儀式には依存しないなら、限界的な収益が基準を超えるまで確約を延期し、その後、貪欲な積み上げによって素早くバッチを組むのが賢明である。次項の延期化の原則では、この立場を形式化し、拘束力を持つ選択を実行可能な限り遅く行うように流れを設計する方法を示す。選択肢を残し、不確実性のもとで収益を高めるためである。

8.5.3 延期化の原則

置換不変性と待つことの経済性は、逐次的な仕事に対する一般則を示す。確定を遅らせることである。企業は、選択肢の順位を実質的に変える情報が得られるまで不可逆な選択を延期し、その遅延を適正に金銭評価することで優位を得る。目的論的世界観（未来の章）では、延期は計画の遵守を複雑にする厄介事である。起伏を織り込む世界観では、延期は金銭評価された選択肢である。代替案を残し、その期待されるリスク調整後の収益が適切な基準を超えるときにだけ行使する。

延期化、別名、確定の先送りとは、拘束力を持つ選択を、経済性が正当化するより早く行わないように流れを整えることである。確定することの期待されるリスク調整後の非周期収益率が、(i)シャドー資本コスト、(ii)待つという選択肢の価値、(iii)延期化のプレミアム、すなわち選択肢を残すための追加費用を上回るまで、財、能力、確約を、汎用的で再配分可能な状態に保つ。

プレミアムは具体的なものだ。後で用途を特定できる半製品の在庫を持つこと、代替サプライヤーに待機料を払うこと、染色工場やキット組成の能力を予約すること、配送センターで在庫をプールしておくための追加の荷扱い費用を払うこと、より高度な調整の仕組みに投資することである。延期化は「無料の柔軟性」ではない。責任期間の中で、情報とオプショナリティの価値が、プレミアムと経年劣化のリスクを上回るとする賭けだ。適切に適用すれば、確約を回収開始時点に近づけ、本来なら長く残る高くつく誤配分を減らすことで、意思決定の半減期（後の進路を変えるを参照）を短くする傾向がある。

確定の先送りには、繰り返し見られるいくつかの形がある。どれも同じ経済的な判定に従う。

形態の延期化。 ファッション商品の輸入業者は、安価で汎用的な投入物である生機と付属資材を早期に確保し、染色、洗い加工、ラベル、サイズ構成、地域配分といった高価な仕様の確定を、販売初期の消化から、どの品目や色に裾の重さがあるか分かるまで延期できる。許容される選択肢は明示的になる。今仕上げて広く出荷するか、数週間待ち、勝ち組が実際に吸収するものを仕上げるかである。意思決定エンジンは、売れ行きの悪い商品の処分価値、売れ筋の欠品ペナルティ、仕様を特定する費用、染色工場を呼び出せる状態に保つプレミアムを評価する。そして、期待される非周期収益率がカットオフを超えたときにだけ確定する。

配分の延期化。 希少な商品を早すぎる時点で店舗へ送ると、回転の遅い場所に固定してしまう。一単位一日当たりの通貨単位という、見えるシャドープライスを付けてDCに保持すれば、明日より良い要求に応える選択肢が残る。現在の販売消化の確率的な見方と欠品ペナルティに基づいて計算した、店舗の限界的な収益が、DCで保持する価値を上回るときにだけ、店舗は一単位を受け取る（待つことの経済性を参照）。勝ち組に先に供給し、売れ行きの悪い場所に溜め込ませないため、最も重要なところで流量は通常増える。

仕上げ・キット組成の延期化。 色付け、キット組成、包装、地域向けの仕様変更を早期に行うと、まだ分からない需要の内訳に企業を拘束する。仕掛品を汎用的なまま保ち、仕上げを遅らせれば、受注が構成を明らかにしてくれる。プレミアムは、追加の荷扱いと仕上げ工程の能力を確保する待機料である。便益は、間違った仕様による評価損が減ることと、引き取り手がいるときにだけ在庫の仕様を特定するため、意思決定の半減期が短くなることである。

時点の延期化。 入荷経路では、「火曜日だから」という理由で発注するコンテナは、経済的な判定を満たさないことの方が多い。日が経つにつれ、数量が蓄積し、混載が改善し、入荷混雑のペナルティも変わる。毎日再計算し、許容される最善のバッチが、シャドー資本コスト、待つという選択肢の価値、延期化のプレミアムによって定まる基準を超えた日に発注する。頻度は暦ではなく、経済性の結果になる。

価格の延期化。 価格は需要を形づくる。不確実性が狭まるまで値下げや販促を延期する方が、台本どおりの価格推移より優れることがある。方策を条件とする予測（未来の章）は、価格設定の方策を明示し、同じ金銭台帳のもとで「今値下げする」と「もう一週間待つ」をエンジンに比較させる。ここでのプレミアムは、機会が閉じたときに古い在庫が残るリスクである。便益は、顧客に待つことを学習させずに、売れ筋からより多くを得ることである。

業務上、延期化とは、確約を、後で確定できる意思決定へ分解する技術である。「すべての品目、数量、仕向地、日付を九か月前に決める」という一枚岩を、流れの物理的な性質に合った段階的な微小意思決定へ分ける。必要な情報が少なくリードタイムの長い投入物は早く確約し、多くの情報を要しリードタイムの短い仕様の特定は遅らせる。配分が利益になるまで在庫をプールし、プレミアムが許容できるところでは、数量の柔軟性や仕様の後決めを契約に盛り込む。管理者はしばしば、品揃えを凍結し、シーズン途中の再配分を禁じ、価格推移を固定するなど、逐次的な問題を硬直させることで「単純化」する。物理的に必要だからではなく、人が介在するプロセスでは対処できないからである。人の介入なしで動く知能システムがあれば、ボトルネックは意思決定の仕組みではなく、原子と時間の中にあるべきだ。そうなれば、確定の先送りは実行可能なだけでなく、日常的になる。

あらゆるヒューリスティクスと同じく、延期化にも適用範囲の限界がある。車両の経路、ジョブショップの作業順序、ピッカーの移動のように、順序が本質的に結果を左右する場合、早く確定することそのものが問題であり、順序は延期するのでなく最適化しなければならない。規制上の事前承認、希少な段取り替え技能、傷みやすい財も、それを超えると待っても割に合わなくなる厳格な境界を作りうる。処方箋は延期化を捨てることではない。経済性と実行可能性が許す限り、確定を遅らせられる境界を上流へ押し進め、残りを目的関数の中で明示的に金銭評価することだ。遅れ、経年劣化、残業、時間枠の逸失へのペナルティとしてである。

実務上のルールは単純で、繰り返せる。現実が定める頻度で、現在の責任期間のもと、許容される最善の確定行動を再計算する。その期待されるリスク調整後の非周期収益率が、シャドー資本コスト、待つという選択肢の価値、延期化のプレミアムの合計を上回るときにだけ確定する。そうでなければ待つ。確定の先送りを設計できない場合や、応答時間を数十ミリ秒に抑えなければならない場合には、事前計算した、パラメーター化されたルールが妥当となる。これが次項の方策探索の論点である。

8.5.4 方策探索

ここまで、「方策」を明示的な対象にせずに逐次的な意思決定を扱った。責任期間が帰属を限定し、待つことの経済性が不作為を評価し、置換不変性が貪欲な積み上げを正当化し、確定の先送りが選択肢を残した。多くの流れでは、これで十分であり、より優れている。粒度を追加一単位に保ち、金銭評価を明示し、推論を分かりやすくできるからだ。しかし、計算をミリ秒単位の頻度で適用できるルールに圧縮しなければならない場合や、問題の物理的性質によって順序が儀式ではなく本質になる場合もある。そのような場合も経済的な立場を捨てるのではない。それを方策としてコード化し、その空間を探索する。

先に定義した方策とは、明示された金銭評価と確率的予測のもとで、状態を許容行動に対応づけるアルゴリズムである。この定義を実務に移す目的は一つだけだ。重い計算を、オフラインの確率的探索として上流へ移し、意思決定時の推論を高速で信頼できるものにすることである。応答時間に数分から数時間の余裕があるなら、通常は方策を保持するより、新しい予測で最善の追加一単位の確約を再計算する方がよい。応答時間が数十ミリ秒と厳しい場合や、数千の独立したエージェントが局所的な情報に基づいて同時に行動しなければならない場合、たとえば自動倉庫のピッカー群、シャトル式倉庫内の動的な保管場所割当、希少な段取り替え技能を伴い順序が重要な作業列では、よく設計した方策が、本章で築いてきた経済性を運ぶ適切な手段になる。

「定常状態での証明」の誘惑には注意せよ。文献には、定常的な需要、軽い裾、加算可能な費用、ラチェットなしという、おもちゃの世界でしか「最適」でない解析的な方策が豊富にある。私たちの世界には起伏がある。分布は変わり、裾が支配し、確約は選択肢を消す。記号上の最適性を、忠実なシミュレーターで、そして後には本番の並行稼働で測定した改善より上に置いてはならない。

では、いつ方策探索が妥当になるのか。順序が本当に金銭を変え、十分な速さで再計算できないとき。経済性を犠牲にせず、処理時間を左右する経路から計算を外さなければならないとき。数千の小さなエージェントが、局所的な視野から整合した行動を取らなければならないとき。そして、単純でパラメーター化されたルールが、延期化、限界的な価値評価、金銭評価した制約の考え方を、桁違いに短い応答時間で実現できるときである。これらの条件が成り立たなければ、先に導入した軽い道具、すなわち期間を限った帰属、待つことの経済性、置換不変性、確定の先送りの方が、引き続き望ましい。ボトルネックを原子の世界へ戻し、確定が利益になるまで選択肢を残し、昨日の認識を老朽化するルールに閉じ込めずに済むからだ。

適切に位置づければ、方策探索は全体像を丸ごと置き換えるのではなく、完成させる。企業が、深く時間のかかる計算を、同じ経済的な土台を保ったまま、高速で反復される行動に変える方法である。意思決定は引き続き、通貨単位で評価され、確率的な将来のもとで正当化され、現実が明らかになるにつれ修正される、限界的な賭けである。次節では、ルールから慣性へ目を向け、確約が実際にどれほどの負担になるかを、その負荷と半減期によって定量化する。同じ収益性の二つの行動なら、企業がより早く進路を変えられる方を選ぶためである。

8.6 進路を変える

自由な市場では、変化だけが不変である。進路を変えられるかどうかは、あらゆる企業にとって存続の問題だ。しかし、どのサプライチェーンの意思決定にもラチェット効果がある。いったん資源を配分すると、他の用途ですぐには使えなくなる。原材料を消費する製造工程のように、取り消せないように見える意思決定もあれば、倉庫間の在庫移動のように、元に戻せるように見えるものもある。いずれにしても、経済的な観点からは、必要な時間と金銭が異なるだけで、これらの意思決定は巻き戻せる。

予想収益率が等しい意思決定を比較するなら、企業は、時間または金銭の面で、その背後にある確約が小さいものを優先すべきである。不必要に大きな確約を避けることは、企業の機敏さを保ち、その機敏さによって、必ず訪れる市場の衝撃に耐えるために不可欠だ。

予測し、計画し、従うという目的論的世界観には、実務で使える機敏さの概念がそもそも存在しない。将来は強制すべき予定として扱われ、道具は、予測精度、サービスレベルのパーセンテージ、稼働率、在庫回転といった計画の取り締まり指標へ傾く。これらの尺度は、企業が進路を変える能力についてほとんど何も語らない。推測した軌道に従うことに報い、確約が解消されるまでに必要な時間には目を向けない。しかし機敏さとは、新しい情報が得られたとき、許容できる費用で、確約を素早く手放したり再配分したりする能力である。

機敏さを経済的に論じるには、計画遵守の代理指標を、時間を通じて確約を金銭評価する尺度に置き換えなければならない。リードタイム、運転資本、在庫回転という古典的な三つ組は引き続き視野に入れるが、持続時間を明示する二つの実務的な量によって捉え直す。意思決定が課す負荷（金銭\(\times\)時間）と、その負荷の半減期（その意思決定が拘束した資源の半分を解放するまでに必要な時間）である。

広い意味でのリードタイムとは、意思決定から、資源が再び利用可能になるまでの遅れである。運転資本は流動資産と流動負債の差である。¹⁴³ 在庫回転は、一年間に在庫が売られたり使われたりする回数を測る。これらの指標を合わせると、どれだけの資本が拘束されているかは分かるが、どれだけ長く拘束されるかはほぼ無視される。これから導入する負荷と半減期の概念は、その死角に対処する。

他の条件が等しければ、リードタイムが短く、運転資本が少なく、在庫回転が高いほど、進路を変える能力は高まる。実際、これらの概念は企業の一般的な慣性を特徴づける。現在流れの中にある大量の資産を、その価値を保ちながら先に換金しなければならないため、直ちには進路を変えられないという性質である。

しかし、企業の慣性を理解するうえで、これらの概念の有用性は限られている。誤っている、あるいは見当違いだと言うのではない。企業の慣性を特徴づけるというこの問題には、実務上より優れた別の概念があるということである。

8.6.1 意思決定の負荷

財の流れに関する意思決定の（資金調達上の）負荷は、その背後にある資源の拘束を、資源の価値と、その意思決定が生む財の存続期間の積として定量化する。単位は金銭\(\times\)時間である。

簡単な例を考えよう。企業が10通貨単位のバッチを買い、5日後に転売するなら、負荷は\(L = 10 \times 5 = 50\)である。代わりに、バッチの半分を5日後に、残りの半分を20日後に売るなら、負荷は\(L = \frac{10}{2} \times 5 + \frac{10}{2} \times 20 = 125\)となる。

第二の場合の負荷は第一の場合の二倍を超える。企業が在庫を保有する時間が、二倍を超えて長くなるためである。

ここで、バッチの支払いを12日繰り延べるとする。第一の場合の負荷は事実上ゼロになる。商品が売れた後にサプライヤーへ支払うため、資金調達が不要だからだ。第二の場合の負荷は\(L = \frac{10}{2} \times (20 - 12) = 40\)である。

支払いの繰り延べは、財の流れを維持するための資金調達の圧力を大きく軽減しうる。

負荷は、報告日の時点だけでなく、意思決定の全期間にわたって拘束される運転資本を測る。通常の運転資本の数値が一時点の姿を示すのに対し、負荷は、投入した通貨単位の一つひとつに持続時間を結びつける。資金調達の圧力を受ける企業にとって、時間で重みづけしたこの指標を期待収益と併せて読むことは、選択肢を順位づけし、希少な資本を最善の用途へ導く、より鋭い指針となる。

多くの企業では、発注額が一定の基準を超えると、管理者の承認を必要とする。このルールは規模と潜在的な流動性への影響を点検するが、財のライフサイクルを見落とす。小さな発注が何か月も資本を固定する一方、大きな受注残は一晩で解消するかもしれない。負荷は、この隠れた時間的な負担を直接捉える。

企業はしばしば、資本が滞留する場所を見つけるために、在庫金額と回転率を図にする。しかし、負荷はすでに、両者を一つの指標に融合している。

8.6.2 意思決定の半減期

意思決定の半減期とは、販売、消費、サービスによってその負荷が半分になるまでの経過時間であり、通常は日数で測る。

配送に10週間かかり、満載のコンテナの在庫が半分売れるまで20週間かかる海外発注を考えよう。したがって、半減期は\(7\,(10+20)=210\,\text{日}\)である。

物理学から借りた半減期は、意思決定の負荷が半分になるまでの時間を測り、リードタイムだけでは見えにくい時間の次元を与える。実際、バッチ化が関わるとき、リードタイムは意思決定の影響が続く期間を過小に表す。同じ批判はサイクルタイムや在庫回転にも当てはまる。もちろん、「半分」という基準は恣意的であり、代わりにどの分位点を使ってもよい。先の例に戻ると、需要が一定なら、この購入で拘束した資源の75%が解放されるまでの期間は\(280\)日となる。

半減期は、意思決定をどれほど速く解消できるかを測る。半減期が長いと、企業は現在の進路に閉じ込められ、機敏さを損なう。

さらに半減期は、リードタイムよりも操作に強い。指標が資本の拘束期間を無視すると、現実を改善せずに数字だけを良く見せるという指標操作が容易になる。これはしばしば、指標が表すはずの結果ではなく、指標そのものに報いる、不整合なインセンティブから生じる。実際、機敏さを求める企業は、しばしばリードタイムの圧縮で対処しようとする。しかし、よくある落とし穴は、半減期を犠牲にしてリードタイムを縮めることである。

9 エンジニアリング

現代のサプライチェーン実務は、少なくとも一段の間接化を介して成り立っている。人が意思決定プロセスを設計・構築し、そのプロセスがフローを動かす無数の日常的な意思決定を生成する。これらの意思決定を生成する人工物が数値レシピである。正式な基準となる記録を取り込み、経済的な論理を明示的に組み込み、実行と監査が可能な確約を発行するプログラムだ¹⁴⁴。前の各章、情報、知能、意思決定では、企業が判断を際限のない事務負担ではなく生産的な資産に変えるには、こうしたエンジンを人の介入なしで稼働させなければならないと論じた。本章では、これらのエンジンを成立させ、その価値を累積的に高めるエンジニアリングの原則を取り上げる。

対象範囲は意図的に絞っている。UI¹⁴⁵フレームワーク、認証、CI/CDの基盤¹⁴⁶、コントロールプレーン、メッセージバス、記録システムとの接続といった、ソフトウェア一般の話題を繰り返すつもりはない。そうした補助科学には豊富な文献がある。ここで関心を向けるのは、経済的な推論とコードの接点だ。許容される選択肢をどう枠組みに落とし込み、不確実性を単純化して潰さずにどう扱い、トレードオフをどう金銭評価し、数か月後にも意思決定の由来をたどれるよう監査可能性をどう保つかを考える。知能システムが、人の介入なしに、安全に、繰り返し、利益を生む意思決定を生成するための根本的な選択を明確にするため、あえて専門技術的な説明は避ける。代数もコードの掲載もない。

以下の議論の土台として、二点を明確にしておく。第一に、「数値レシピ」は実務上必要な仕組み全体を指す。予測器と最適化器だけではなく、推奨がなぜ妥当なのかを示す観測・検証の仕組み、信頼性が低下したときに発行を止める停止条件、そして当時エンジンが何を正しいと考えていたかを実務家が金銭的な観点から理解できる根拠記録も含む。第二に、企業ごとのアプリケーション構成は固有のものだが、ここで提唱するエンジニアリングの姿勢は一般的である。暗黙の慣行より明示的な枠組みを、点による代用品より確率的な見通しを、守らせることのできない厳格な命令より金銭評価されたペナルティを、個人の奮闘より再現可能性を選ぶ。

LLMについても短く触れておこう。その役割は拡大しており、数値レシピの作成、リファクタリング、テスト、文書化のコストを圧縮するにつれて、不可欠な存在になるだろう。しかし、技術的な熟達の代わりにはならない。LLMは経済的な枠組みを与えず、データの意味を解決せず、決定性と監査可能性を保証もしない。作業する手を速めるだけである。観測・検証の仕組みを備え、レビューし、制約を課したうえで有能な書記として扱えば、実験的な作業に必要な反復サイクルを短くする。託宣を下す存在として扱えば、見抜きにくく高くつく誤りを招く。

最後に、行動を促したい。競争優位は、もはやダッシュボードを厚く積み重ねることにはない。かつてそうだったとしても、である。企業の経済的な論理をソフトウェアに書き込み、人の介入なしで動かす、小規模でエンジニアリングを重んじる能力を自ら持つことにある。次節では、この能力をパッケージ化された「計画」層として購入できない理由と、知能システムにとってプログラム可能性が好みではなく安全と利益のための必須条件である理由を説明する。

9.1 なぜプログラムするのか

先に進む前に、対象範囲を確認しよう。情報の章では、記録システム、レポートシステム、知能システムを区別した。以下で扱うのは最後の種類である。台帳とワークフローエンジン、すなわちERP、WMS、CRMは、離散的な出来事を記録し、ルールに基づく処理経路を適用するため、パッケージ化がうまくいく。構造上、各実体はおおむね切り離されている。ワークフローが生む限られた結び付きは設定で表現でき、COTS（市販の既製ソフトウェア）で十分だ。パッケージ化に抵抗するのは、それらの記録を組み合わせ、人の介入なしで経済的に価値評価された意思決定を生成するエンジンである。

1970年代後半のエンタープライズソフトウェアの登場は、オペレーションズ・リサーチによって育まれた戦後の期待を引き継いだ。サプライチェーンの定量的な問題には、閉じた恒久的な定式化が可能だという期待である。ベンダーと研究者は、その解決方法を再利用可能なフレームワークに結晶化し、技術者ではない利用者が意思決定を一度「設定」すれば済むようにしようとした。台帳には理にかなったこの野心が、知能システムにそっくりそのまま移植された。

半世紀が過ぎても、知能システムについてこの約束は実現していない。COTSの「計画」ソフトウェア群は導入に数か月から数年を要し、大勢の専門家を動員する。それでも、生きたフローの固有の性質に直面すると、表計算による回避策へと退化する。この失敗は構造的なものであり、汎用テンプレートと企業固有の結び付きとの不適合にある。

閉じた解析的な解決方法が脆いのは、何を決める必要があるかを事前にすべて列挙できると仮定しているためだ。現実はそれに従わない。表計算が数多くの欠点にもかかわらず持ち続ける唯一の優位は、まさにそのプログラム可能性である。固有の事情が経済的に重要になったその時点で、実務家はそれをコード化できる。プログラム可能性は便利な付加物ではなく、知能システムの本質的な性質だ。

何の変哲もないように見える数量が、その脆さを露呈させる。巻きケーブルを考えよう。「手元在庫10,000メートル」と記す台帳は、実行可能性と価値を実際に左右するもの、すなわち長さの構成と切断を隠している。一キロメートルの巻きが十本でも、十メートルの巻きが千本でも、合計は10,000になる。しかし、顧客が求める長さの分布、切断時の廃棄、残材を金銭評価すれば、この二つは正反対の経済的資産だ。メートルという単位は、意思決定が推論しなければならない状態を覆い隠している。

ケーブルに特別なところは何もない。同じような、ごく普通の癖があらゆる業界に浸透している。航空では、ローテーブル部品や修理可能部品に非対称な互換性がある。製造番号で管理される改修状態や寿命制限部品を考慮すると、一方には代替できても逆にはできない部品がある。ファッションでは、明示的・暗黙的な代替関係が、商品展開の日程やサイズ・色の品揃えに応じて変わる。住宅改修用品では、商品同士が工事単位の依存関係で結ばれている。適合する排水トラップ一式や接続部品がなければ、蛇口は不動在庫だ。食品では、短い保存期間に積極的な値下げ方策、二次販売チャネル、仕入先のリベートが組み合わさり、在庫の価値が数日で変わる。電子商取引では、梱包、配送業者のルール、配送の締切によって、出荷時にSKU同士が結び付く。各分野の「ケーブル」は、その業界ではありふれているが、汎用テンプレートには致命的である。

サプライチェーンはシステムであるため、こうした癖は周縁にとどまらない。共用能力、購買バスケット、顧客の期待を通じて、フローの残りの部分と結び付く。それらを囲い込んで手作業で処理しても、コストとリスクの場所を移すだけだ。隔離できるのであれば、小さな半自律的プロセスで済むだろう。しかし、隔離はできない。片隅で見つかった制約、例えば巻きの長さ、製造番号ごとの互換性、サイズ・色の品揃えが、実行可能な品揃えを変え、選択肢の価値を変え、入荷の頻度を変化させ、受注品の組み合わせ方と顧客へのサービスの約束を作り替える。

ソフトウェアベンダーがこうした結び付きをパッケージ製品に取り込もうとすると、容赦のないエンジニアリングの法則に直面する。相互作用は、機能よりも速く増えるのだ。他の機能と実際に相互作用する「中核」機能を一つ加えるたびに、テストすべき範囲と境界的なケースが増殖する。そうした機能をわずか25%増やすだけで、エンジニアリングの負担が容易に倍増し得る。各企業に必要なのは自社の固有の事情だけなのに、製品は多数の企業の固有の事情を同時に扱わなければならないため、コスト曲線は超線形になる。

これに対して、手元にある粗削りなプログラム可能な道具、とりわけ表計算は、実務家が自分たちの状況に実在する少数の複雑さに集中することを可能にする。対象を自社の経済的な事情に絞ることで、汎用的な解決方法を沈没させる不経済を回避できる。高価な「計画」システムを導入した後にチームが表計算へ戻るのは、習慣以上に、このためである。

この議論は、記録システムへの非難ではない。正式な基準となる出来事を保存し、ルールに基づくワークフローを適用するCRUDアプリケーションは、パッケージ化できる。設計上、各実体はおおむね切り離され、その結び付きは明示的、局所的で、監査可能だからだ。問題が始まるのは、同じパッケージ化の姿勢を、不確実性のもとで企業固有の結び付きを扱うこと自体を目的とする知能システムにまで広げたときである。

パッケージ化された意思決定エンジンは、技術者ではない管理者にとって安心できる見通しだろう。プログラミングを二流の技能へと格下げできるからである。残念ながら、知能システムの性質はそれを許さない。汎用人工知能でもない限り、有限のテンプレート集で、ある時点のある企業にとって重要な結び付きを予見することはできない。プログラム可能性を設定可能性で置き換えようとするのは、願望にすぎない。

したがって、残る見通しは、サプライチェーンに個別に合わせたプログラムによる解決方法を用いることだ。この仕事は、見かけほど困難ではない。表計算もプログラム可能であり、その性質がサプライチェーンの現場での大きな成功を妨げてきたわけではないからだ。ただし、この取り組みに使える道具が適切かという問いが生じる。まず問うべきは、プログラミングパラダイムの選択である。1950年代以来、数千のプログラミング言語が考案されてきた。そのすべてが、サプライチェーンの課題への対処に同じように適していると考えるのは不合理だ。とりわけ、サプライチェーンの外で言語や道具がどれほど人気を得ているかは、サプライチェーンの課題への適性とはほとんど関係がない。

9.2 実験的最適化

サプライチェーンの課題は、少なくとも不透明であり、ときには厄介な問題でもある。不透明な課題は、認識的不確実性の高さによって特徴付けられる。わからないと自覚していること、そしてしばしば、わからないことさえ自覚していないことに直面するのだ。厄介な問題はさらに難しい。対処しようとすると、課題そのものが変化する。行動するのが第三者、典型的には競合企業であっても同じだ。厄介な問題は、いかなる静的で形式的な解決方法にも従わない。

不透明さは、フローの実行を支える記録システムに内在する性質である。情報の章で論じたように、関係するすべてのデータの正しい意味を確定するだけでも、膨大で誤りの生じやすい取り組みになる。実際には、小規模な数値レシピでさえ、数百のテーブルに散在する数万のフィールドの中から、数百のフィールドを選び出して使う。

対応の適切さが、競合企業が何をしているか、あるいはしていないかに左右されるところでは、厄介さが生まれる。例えば、競合の大半が低価格と薄い在庫を追求している間は、高価格と高い商品供給可能性を両立する姿勢が成功し得る。しかし、競合が同じ高価格・高サービスの姿勢へ集まってくるや否や、うまくいかなくなるかもしれない。

実験的最適化¹⁴⁷は、サプライチェーンの数値エンジニアリングの礎である。サプライチェーンの課題の不透明さと、ときに現れる厄介さの双方に正面から取り組む。実験的最適化は、「現実世界」からのフィードバックを用いて数値レシピを反復的に改善する。第一に、経済的な影響を持つありふれたコーディングミスを取り除く。そうしたミスは多種多様で頻発し、コードを精読するだけでは避けられない。第二に、適切な最適化基準を発見する道を開く。実験的最適化がなければ、優れたソフトウェア技術をサプライチェーンに導入する試みは必ず失敗し、実務家は結局、表計算へ戻る。

9.2.1 デカルト主義

サプライチェーンの著者、ひいてはエンタープライズソフトウェアベンダーの大半は、数値レシピをトップダウンの純粋に知的な取り組みとして扱う。まず、SKU数、ネットワーク構造、制約、最適化すべき指標などの細目からなる状況を仮定する。この前提の荷物から、専門家が解決策を導く。その解決策は通常、最終的な数値レシピを組み立てるためのフレームワークという形をとる。このフレームワークは、違いを吸収し、多くの状況で再利用できるようにするために導入される。

この方法は、17世紀のフランスの哲学者ルネ・デカルトにちなんで、デカルト的な視点と呼ばれる。デカルト主義は純粋理性と精神の力を非常に重視する。真理への到達は、突き詰めれば厳密に知的な営みだと考える。少数の自明な真理から出発し、注意深く体系的に推論すれば、より深く複雑な結論に到達するはずだというのである。

権威、神秘主義、腐敗したインセンティブ、薬物による幻覚より理性が望ましいことは確かだが¹⁴⁸、デカルト主義にも欠陥はある。サプライチェーンではなおさらだ。実際、あるサプライチェーンの状況を特徴付けるとされる最初の前提の荷物には、自明なものなど何一つない。現実には、それは妥当性の疑わしい項目を無秩序かつ過剰に寄せ集めたものだ。

著者は通常、純粋に知的なフレームワークだけでは不十分だとわかっている。そこでフレームワークを実装し、多数の計算機内での実験を行う。それらはベンチマーク、バックテスト、その他のシミュレーションという形をとる。この「実験」は、もっともらしい条件下でのフレームワークの健全性と性能を実証することを意図している。

残念ながら、フレームワークを「もっともらしい」一連のテストにかけても、ほとんど何も証明できない。現実のサプライチェーンを運営するうえでの健全性は、なおさら証明できない。よくても、放置すれば業務を損なう、例えば拡張性の問題といった大きな不具合を見つける程度である。しかし、こうした計算機内での検証は、私たちが求める証拠には遠く及ばない。求めているのは、その結果として得られる数値レシピを導入すれば、企業にとって差し引きでプラスになるという強い保証だ。

そのような保証は、形式性を積み増すことからではなく、ポパーの意味での反証可能性から生まれる（認識論の章を参照）。数値レシピの一つひとつは、企業が希少な資源をどう確約すべきかについての推測である。その前提は、自らが動かそうとする世界の中で、誤りだと判明する可能性にさらされなければならない。ベンチマークとバックテストは、内部整合性と拡張性を探る、稼働前の有用な確認である。しかし、生きたフローを左右する対立的なインセンティブ、意味のずれ、裾の重い事象には向き合わない。したがって、デカルト的な姿勢への適切な対処は、代数ではなく方法論にある。レシピが早い段階から頻繁に現実と接触するよう環境を設計し、反証を進歩の主な源泉にするのだ。

9.2.2 ありふれた問題

サプライチェーンの実務家が数値レシピを実装すると、最初に生成される意思決定の一群は、ほぼ確実に満足のいかないものになる。レシピが出力する数字の多くは「常軌を逸した」ものだ。この言葉には後ほど立ち返る。そうした常軌を逸した意思決定の根本原因は、たいてい単純である。数値レシピを損なうものは、一般に五つに分類できる。ありふれたバグ、データの意味、制約、経済的要因、戦略だ。

第一に、ありふれたバグである。現実のサプライチェーンにふさわしい数値レシピは、数千行のコードに及ぶ。汎用の依存ソフトウェアに含まれる数百万行は言うまでもない。七十年のソフトウェアエンジニアリングが教えてくれたことがある。バグのないコードは、書かれていないコードだけだ。適切なパラダイムで状況を改善できるかもしれないが、完全な排除の見通しはまったく立っていない。多数の人が書いたソフトウェアを組み合わせる場合には、とりわけ境界部分で問題が現れる。

第二に、データの意味の問題である。この種類の問題は、すでに情報の章で論じた。根本的に、データベースの列、例えば「発注日」の意味は、操作する人の解釈によって決まる。操作担当者が「発注日」を、仕入先がその注文に応じる意思を確認した日だと受け取っているなら、記録システムの文書に何と書かれていようと、それが意味になる。現代の記録システムには数万の列があり、その多くに複数の解釈が可能である以上、誤解は避けられない。こうした誤解釈は、生成される意思決定を大きく歪め得る。

第三に、制約は、しばしば語られていないか、でっち上げられている。語られていない制約とは、適切に文書化されていない制約だ。例えば、倉庫への補充を担当するボブは、一日の入荷が5,000個を超えるとチームの処理が追いつかなくなり、高額な残業に頼らざるを得ないと知っている。ボブは一年前、倉庫チームで数か月働いたときにそれを学んだ。しかし、この処理能力の上限は一度も文書化されなかったため、数値レシピは完全に無視する。一方、本当の制約が半手作業で扱うには複雑すぎると判断されると、架空の制約が生まれる。例えば、仕入先の数量割引は、購買チームが許容できると考えた単価に対応するMOQ（最小発注数量）に置き換えられることが多い。しかし、その制約は作り物だ。企業が高い単価を受け入れれば、いわゆるMOQを下回る数量でも発注できる。この違いを見落とすレシピは、MOQに無理に達しようとして、しばしば過剰在庫を生む。

第四に、経済的要因の評価が誤っている場合がある。経済学の章で見たように、価値評価は難しい。フローを経済的に分析するには、支出と収入を帰属させる多数のヒューリスティクスが必要になる。また、長期的な影響の多くは、大まかにしか推定できない。例えば、値引きは顧客の支払い意欲を損ない、次の販促を待って得をしようとする傾向を強めやすい。この影響を数量化するのは難しい。関係する時間幅が年単位だからだ。誤った経済的な論理に動かされるレシピは、慎重そうに見えても、時間がたつにつれて期待した収益をもたらさない意思決定を生成する。

第五に、企業の戦略は、紙の上では良く見えても、実行するとそうではないことがある。例えば、経営陣が「究極の顧客満足」を優先した結果、寛大な返品条件や翌日配送といった便宜が、悪意ある者に悪用されると知るかもしれない。より一般に、戦略は通常、企業の根底にある経済的な事情の直感的な把握を大きく反映している。そのため、理解の方向性は正しくても、細部を見落としていることがある。その細部には、別の戦略を選択的に使う必要があるかもしれない。さらに広く見れば、市場の性質と絶え間ない変化によって、いかなる戦略も、時間とともに競合に切り崩されることが保証されている。

書いたばかりの数値レシピから適切な意思決定が得られる確率は、限りなく小さい。製造業で一般的な「最初から正しく」という発想を追い求めるのは、サプライチェーンでは願望にすぎない。周囲の複雑さと不透明さは、それを許すには大きすぎる。ただし、この初稿を改善することは十分に可能だ。結局のところ、「常軌を逸した」意思決定を見つけ、取り除くことに尽きる。

9.2.3 常軌を逸した意思決定

サプライチェーンの意思決定が「常軌を逸している」とは、それが企業に意図しない損失をもたらす公算が大きい場合をいう。書いたばかりの数値レシピは、必ず多数の常軌を逸した意思決定を生成する。そうした意思決定は、直接の金銭的損害に加え、自動化そのものに対する実務家の信頼を損なう。当然のことである。対処せずに放置すれば、出力の中にそれらが存在するだけで、実務家は必ずレシピを捨て、表計算に戻る。

まず、常軌を逸した意思決定の識別は汎用知能の問題ではあるが（知能の章を参照）、並外れた知能を要する問題ではないことに注意してほしい。実務家が数字を一つずつ慎重に手作業で点検すれば、大半の問題は見つけられる。主な障壁は実務家の能力ではなく、大規模にその点検を行うために必要な時間の長さである。

この難しさは、小説の筋書きの不自然な展開を見抜くことに似ている。指針があれば作業は速くなるかもしれないが、狭い形式化の枠内でこの課題を完全に解決できる見込みはない。それでも、大半の読者は、物語が「ありそうだ」と考えられる範囲を超えたとき、容易に気付く。

直感に反して、常軌を逸した意思決定は、しばしば数値レシピの欠陥を表面化させる唯一の手段になる。そのような意思決定に直面したら、そこに至った計算の連鎖を逆にたどらなければならない。ソフトウェアでは、欠陥はほぼ必ず誤った信念を反映している。実際には正しくない何かを、正しいと思い込んでいるのだ。常軌を逸した意思決定は、その存在自体によって、どの信念が誤っているかを実務家が特定する助けになる。

9.2.4 反復的な反証

実験的最適化は、現時点の数値レシピを反証しようとする方法論である。サプライチェーンの意思決定は現実に照らして繰り返し試されなければならず、その試験が、どれほど慎重に考え抜かれた解決策にも潜む誤りを明らかにするうえで根本的な役割を果たすと認める。問題を事前に完全に特定したふりをするのではなく、実験的最適化は、手を動かす反復サイクルを通じて問題を発見し、修正しようとする。

プロセスは次のように進む。

1. 利用可能なデータ（予測、コスト、制約）を、明示的なサプライチェーンの意思決定（発注、生産実行、割り当て）に変換する数値レシピ、すなわちソフトウェアルーチンやスクリプトを提案する。

2. 実際の、またはそれに近い意思決定を生成できる程度に安定した環境でレシピを動かし、生きたデータセットの生の複雑さに向き合わせる。「難しい」商品や拠点を都合よく除外できるかのように扱ってはならない。

3. 「常軌を逸した」意思決定を見つける。通常、この作業には人間による精査が必要だ。管理者や分析担当者が、根本原因を突き止めるまで、外れ値、疑わしい割り当て、異様に大きな注文を調べる。原因は、データの意味の取り違え、見落とされたコスト要因、新たに生じた制約にあるかもしれない。

4. 観測・検証の仕組みを改善し、レシピを改訂する。欠けているデータや特徴（例えば、リードタイムの分散、新しい種類の仕入先制約）が、次の改訂を導く。反復の結果、欠品ペナルティが非現実的に低い、あるいは無駄な過剰在庫を誘発しているとわかれば、明示的なコスト構造も調整し得る。

5. 各サイクルで新たな「常軌を逸した」結果が出なくなるまで繰り返す。時間とともに明白な欠陥が減り、解決策はより頑健になり、サプライチェーンの経済的な現実により適合するようになる。

この反復的な方法に特有の強みは、直接の反証を促す点にある。レシピが提案する意思決定に問題があるように見えるなら、たとえ少数のSKUや拠点だけであっても、何らかの仮定を疑い、修正しなければならない。これは、現実が元のモデルと一致しないときに、最適性の証明がほとんど助けにならない、純粋に数学的な最適化観とは対照的だ。実験的最適化は、そのような不一致を歓迎する。欠陥や「常軌を逸した」推奨の一つひとつが、より深い誤りを露呈させる機会になるからだ。

9.2.5 観測・検証の仕組み

実験的最適化は、観測・検証の仕組みに大きく依存する。データパイプラインは、反復のたびに素早く準備し、実行できなければならない。改訂のたびに本番導入まで何週間もかかるようでは、プロセスは周囲の変化に追いつけない。そのため、慎重にバージョン管理されたデータ、再現可能なワークフロー、そして過去の状態と結果を調べる「タイムトラベル」の能力が必要になる。

在庫回転率、フィルレート、予測精度といった指標が、成功か失敗かの最終的な判定者になると思うかもしれない。これらの指標は重要だが、出来事に遅れて現れ、条件の変化で歪むこともある。また、指標は操作できる。例えば、サービスレベルの引き上げを迫られた企業は、単純にすべての商品を過剰在庫にするかもしれない。数か月後、膨れ上がった在庫がコスト超過を引き起こす。それに対応して、元のシステムの上に新しい制約が積み重ねられる。指標と行動のこの応酬は、移り変わるルールが絡み合い、実績を見えなくする事態へと退化し得る。

実験的最適化において、進歩の最も明確な兆候は、明白な失策がなくなることだ。毎日、ソフトウェアが提案する意思決定が、手作業の修正や土壇場の上書きなしに妥当だと見える。サプライチェーンチームが勤務時間の半分を「火消し」に費やす必要がなくなったなら、企業はすでに改善を得ている。混乱が減り、慌ただしい再出荷が減り、倉庫現場の奇妙な回避策が減っているのだ。時間とともに、こうした業務上の成果は、意思決定が正しいコスト構造と、より信頼できるデータの意味に深く整合するようになったことを反映する。その改善は、やがて標準的な指標にも現れる。全体を示す数字が変わるまで時間がかかっても、「常軌を逸した」意思決定の消失は、紛れもない成功の兆候である。

9.2.6 継続的改善

サプライチェーンを一度きりで「解決」すると称する閉形式の方法とは異なり、実験的最適化は安定した最適解への収束を主張しない。サプライチェーンは進化し、制約は変わり、商品の構成は移り、新しい工場が開設され、販促や価格競争が勃発する。したがって、この反復サイクルに終わりはない。今日、十分に調整され、常軌を逸した結果をほとんど出さずに動いているレシピでも、世界的なパンデミック、新しい競合、企業の戦略的な姿勢の変化があれば、明日には大幅な更新が必要になるかもしれない。外部からの衝撃がなくても、新たに発見されたコスト要因のような新しい知見が、さらなる調整を必要とする。

この絶え間ない変動は欠陥ではない。むしろ、サプライチェーンを使いこなすとは、変化が連鎖して制御不能になる前に、それらを取り仕切ることだと浮き彫りにする。各変更を小さく検証可能な実験として組み立てることで、組織は回復力と目的の明確さの両方を得る。サプライチェーンの専門家は、最終的な公式を宣言するのではなく、生きたプロセスの守り手になる。避けられない混乱を、新たな入力の到来として受け止めるプロセスである。

実験的最適化は、しばしば別々に扱われる二つの考えを結び付ける。第一に、定量化への野心を受け入れる。サプライチェーンを導くには、アルゴリズムによって体系的に処理され、組み合わされる数字が最も適している。第二に、反証可能性を認める。方法を確かめる、あるいは反駁する最も確かな手段は、その出力を実際の条件にさらすことだ。ある計画が「筋が通っている」かどうかは、その計画が製造現場、倉庫、小売店の棚の生データと向き合って初めてわかる。

すべての提案を現実の試練にさらすよう求めることで、実験的最適化は誤りを学習の触媒に変える。観測・検証の仕組みを整え、決め、常軌を逸した結果を見つけ、直し、再実行する。この循環的なプロセスは、隠れた制約とコスト要因のすべてを一度に発見できると保証するものではない。そうではなく、方法全体がどれほど不完全で暫定的であっても、サプライチェーンの使命、すなわち単純化し切れない複雑なフローの中で可能な限り最善の意思決定を行うことにつなぎ止める。試行を重ねることで、この領域の豊かさと手に負えなさは、越えられない障壁ではなく、漸進的な進歩を動かす力になる。

9.3 ホワイトボックス化

不透明な数値レシピは、価格、再発注数量、補充計画といった出力を生成するが、それに依存する実務家自身にも中身を見通せない。現代のサプライチェーンでは、些細なものを除けば、どのデータパイプラインも、この「ブラックボックス」の振る舞いを示しがちだ。数値レシピに、自動化の層や難解な数学モデルが含まれるためである。「需要は正規分布に従う」という仮定から導かれる安全在庫のような単純な公式に基づく解決策でさえ、それぞれに固有の事情と制約がある数千の商品を扱うようになると、実務上はブラックボックスになる。

ホワイトボックス化は、この不透明さに対抗する。高度なデータパイプラインは、どれも本質的に透明ではないと認めるのだ。意識的に手をかけなければ、数値レシピの論理はコードの中に埋もれたままとなり、実務家は満足のいかない二つの選択肢を迫られる。システムを盲信するか、完全に制御できるものの、フローの実際の複雑さに対処する能力も拡張性も欠く表計算に戻るか、である。ホワイトボックス化は、強力な自動化を保ちながら個々の推奨の背後にある「なぜ」を明らかにする、第三の道を提供する。

ホワイトボックス化の中核となる原則は、明快さがサプライチェーンの意思決定の最前線にいる人々の役に立たなければならないということだ。不明瞭さには、巨大なデータテーブル、未検証の制約、少数のデータサイエンティストにしか解釈できない高度な機械学習アルゴリズムなど、さまざまな形がある。対処法は、すべての計算をおもちゃのような公式に単純化することではない。それでは、入り組んだフローを扱うために必要な計算能力を無駄にしてしまう。ホワイトボックス化は、各意思決定の主要な経済的要因を明らかにする、より難しい道をとる。レシピは、生の割り当て数値に加えて、最も関連性の高い経済指標を少数だけ表示するべきである。発注推奨なら、現在の在庫、リードタイム、予測される欠品リスク（金銭換算）、提案数量が過大だった場合の余剰コストなどが考えられる。この少数の列は、二つの重要な利点をもたらす。第一に、実務家が妥当性を素早く確認する手段になる。第二に、仮定やデータのどこかが誤っていた場合に、意思決定がどこでおかしくなり得るかを特定できる。

こうした透明性を実現するには、データパイプラインを利用者の手の届くところに置く必要がある。実務家は、何か月もかかるITプロジェクトを立ち上げずに、説明用の指標を追加、削除、調整できなければならない。実験的最適化が「常軌を逸した」意思決定をあぶり出して取り除くために素早い反復を必要とするのと同様に、ホワイトボックス化はダッシュボード自体の素早い反復を必要とする。意思決定がおかしく見えたら、チームは説明用の指標を改善または追加し、タイムトラベル再現性を使ってパイプラインを再実行する。そして、新たに見えるようになった要因が意思決定を説明するのか、それともバグを露呈させるのかを調べる。この方法なら、販売機会損失のペナルティでもコンテナ充填のコストでも、新しい指標を素早く試し、調整できる。時間とともに、これらの指標は、些末な指標で利用者を埋め尽くすことなく各推奨を明らかにする、コンパクトなコストとリスクの指標群としてまとまっていく。

重要なのは、ホワイトボックス化が、全員の合意も、すべての制約の完全なモデル化も保証しないことだ。目指すのは、意思決定の背後にある論理が見えない実務家が、突然の不信や「パニックによる上書き」に走らないようにすることである。透明性は、自動化を受け入れるために必要な信頼のハードルを下げる。サプライチェーンチームが、提案された生産実行や再発注数量を、例えばライン停止の可能性に伴うコストと余分な部品の保有コストのような、目に見えるトレードオフに結び付けられれば、過去の経験則と異なっていても数値結果を受け入れやすくなる。逆に、結果が直感的な確認に反する場合、ホワイトボックス化は、どの要因が欠けているか、あるいは誤った名前を付けられているかに注意を向け、次の改善を導く。

ホワイトボックス化のもう一つの重要な側面は、組織内の摩擦を減らせることである。多くの企業では、予測や補充計画がデータサイエンスチームからサプライチェーン管理者へ、さらに財務部門や倉庫業務へと渡される。各集団は、それぞれの指標、データ定義、制約を抱えている。この複雑な受け渡しは、しばしば混乱を増幅する。あるシステムで「1,200個購入」と見た管理者は、別の場所で数量割引が織り込まれていることを知らないかもしれない。ホワイトボックス化は、最終的な意思決定の中で主要なコストと制約を直接見せることで、こうした受け渡しの間をつなぐ。関係者は、各要因がどう重み付けされたかを金銭的に把握できる。パイプライン全体を解体せずに、その値を修正したり精緻化したりできるのだ。

ホワイトボックス化は、一度きりの作業どころか、継続的な設計原則である。新しい仕入先、リードタイムの変化、戦略目標の調整によってサプライチェーンが進化すれば、透明性を担う仕組みもそれに応じて変わらなければならない。そうしなければ、隠れた仮定や古くなった仮定が再び現れ、新たなブラックボックスの領域を生む。ホワイトボックス化を維持するには、業務領域の専門家と数値レシピの設計・構築を担うチームが定期的に協働し、フローのある側面が変わるたびに説明用の指標も変わるようにする必要がある。

したがって、ホワイトボックス化は、信頼できる動作と、人からの信用との交点にある。高度な数値手法が不可欠である一方、それを使う人々の信頼も不可欠だという、現代のサプライチェーンの実情に取り組む。ホワイトボックス化がなければ、どれほど優れたエンジニアリングによるシステムも使えないままである。それがあれば、高度なプロセスでさえ、実務家が採用し、改善し、日々運用できる程度に理解可能になる。

9.4 捉えにくいものをフェルミ推定する

数値レシピにどのような方法で取り組んでも、サプライチェーンチームは必ず捉えにくいパラメータに遭遇する。どの記録システムにも容易には現れず、そのため直接測定できない数量や作用である。戦略的なものもある。例えば、製品ロードマップが暗黙のうちに依存している、有望だがまだ開発中の技術の公開予定日だ。業務的なものもある。例えば、大手ではあるが財務的に苦しい仕入先が、今後数四半期のうちに破産を申請する確率である。このような要因に直面したとき、従来の方法は問題を迂回することだった。実務家は、そうしたパラメータを自動化から完全に外し、意見、当て推量、用心のための備えを混ぜ合わせて導く半手作業のプロセスに戻ることがある。この回避策は、数値レシピを継続的な人の介入に依存させ、本当の自動化の見込みを損なう。

より良い方法は、こうした「測定不能なもの」をフェルミ式分析の格好の対象として扱うことだ。フィリップ・E・テトロックとダン・ガードナーが『Superforecasting: The Art and Science of Prediction』（2015）で述べる方法に近い。物理学者エンリコ・フェルミによって広まった核心的な洞察は、推定できそうにない数量でも、扱いやすい一連の推定に分解し、それらを掛けたり足したりすれば、元の未知の数量について信頼できる推定を得られるというものだ。フェルミ自身が、シカゴで働くピアノ調律師の人数を学生に推定させた話は有名である。公式な名簿がなければ、大半の人は知りようがないと考える数字だ。それでも、都市のおおよその人口、ピアノを持つ世帯の割合、ピアノを調律する頻度といった小さな別々の要素に問題を分ければ、最終的な推定は驚くほど真実に近づき得る。

サプライチェーン実務では、今後五年間でルリタニアからの商品に対する輸入関税が倍増する確率が、より示唆に富む例になる。この数量はどの台帳にも載っていないが、購買の頻度、調達先の構成、価格設定を直接左右する。フェルミ式の分解によって、この推定は扱えるようになる。まず外部の視点から始める。過去一世紀のウェストニアとルリタニアの関係を調べ、同程度の関税がどれくらいの頻度で、どれほどの期間にわたって引き上げられたり引き下げられたりしたかを数える。この歴史的な基準率が、事前確率をしっかり支える。次に内部の視点を取り入れる。ウェストニアの現在の政治的議論を読み、与党が関税の引き上げと引き下げのどちらを主張しているか、その話題が綱領の中心か周辺かを判断し、それに応じて事前確率を調整する。続いて、世論調査や市場が示す確率を用い、例えば二年先という対象期間に起こり得る選挙結果に重みを付ける。各結果を条件として、勝利した政党が関税の倍増を進める可能性を評価する。最後に、報復の経路を考える。ルリタニアが先に課した関税が、ウェストニアの対抗措置を誘発するかもしれない。ルリタニア側からも、国内政治、歴史的な関税利用の傾向、貿易摩擦の重要性について同じ推論を行い、ウェストニアの動きが先制ではなく反応である可能性を評価する。最終的に得られるのは点推定ではなく、情報が蓄積するにつれて更新できる、較正された確率である。

この確率が得られれば、金銭評価された意思決定へと変換できる。影響を受けるSKUの予想関税増加額、期限前に輸入を前倒しまたは延期する選択肢の価値、影響の小さい別の原産地に支払うことが正当化される割増額、そして関税の影響を受けやすい加工を国外にとどめるための延期化（確定の先送り）の利点である。推定は粗くてもよい。重要なのは、明示的で監査可能であり、購入費や保有コストと同列に置かれていることだ。それによって、人の介入なしで動くソフトウェアが、他の要因と並べて比較できる。

重要なのは、捉えにくいパラメータのこの分解を、最初の推定をコードに書き込んだところで止めないことだ。実験的最適化では、新たに導入したこれらのパラメータも、他のすべてと同じ反証サイクルの対象であり続ける。「関税倍増の確率」が記録システムになかったからといって、精査を免れるわけではない。むしろ、新しいからこそ注意深く見守る必要がある。例えば、決して現実にならない衝撃を先回りして避けようとして、過大な入荷注文を常に急がせ、運転資本を枯渇させるような、常軌を逸した意思決定が現れたなら、その確率、あるいはその経済的な換算が過大であることを示している。逆に、関税が実際に跳ね上がったのに、数値レシピが事前に備えた形跡、つまり前倒しの出荷も、原産地の分散も、延期化もなければ、確率を過小評価していたのである。改善は反復的に進む。実際の結果や危うく難を免れた事例に導かれながら、明らかに常軌を逸した意思決定が出なくなるまで、反復のたびに論理を引き締めていく。

実際には、フェルミ式の方法は、どの推測にも付きまとう認知バイアスに対する強力な歯止めにもなる。推測は漠然とした印象からひねり出されるのではなく、より小さく具体的な推定の連鎖に支えられる。このプロセスは「積極的に異なる考えを受け入れる姿勢」を促す。テトロックの優れた予測者たちに記録されている特性であり、彼らは体系的に問題を分解したうえで、外部の視点を検討して各要素を較正する。サプライチェーンチーム全体が、コードの中で直接、あるいはホワイトボックス化されたダッシュボードで、この関税倍増の確率がどう計算されたかを確認できる。そのため認識がそろい、一方的な上書きではなく共同での微調整が促される。輸入担当管理者が、選挙結果の重みや政党綱領における貿易政策の重要度がおかしいと判断したなら、チームは方法全体を壊すのではなく、その一つの部分推定を修正できる。

手間はかかるものの、フェルミ推定化は、数値レシピを完全に自動化したまま保つためにすでに必要な技法の、素直な延長である。大まかなヒューリスティクスを使うとしても、分解できないほど捉えどころのないパラメータはないとサプライチェーンの実務家が認めれば、そうした捉えにくい要素をシステムに組み込む道は明確になる。「普通の」パラメータと同様に、推定は厳密な観測・検証の仕組みのもとで導入するのが最善だ。本番で実行するたびに、最初の論理を裏付けたり疑ったりできるからである。サプライチェーンを使いこなす力は、一度きりの判定ではなく、反復によって育つ。捉えどころのないものに直面したとき、最大の誤りは最初の推定を間違えることではない。推定を一切出すことを拒み、レシピを部分的な手作業にとどめてしまうことだ。

フェルミの原則を全面的に受け入れることで、サプライチェーンの実務家は、まさに以前は「測定の及ばない領域」と見なされていたものに取り組める¹⁴⁹。自動化を不能にする捉えどころのない要素に屈するのではなく、それらを、試して改善できる、より小さく扱いやすい要素の集まりに変える。生きた数値レシピのどの部分とも同じく、各近似は、それが生む現実の結果と結び付けられ、サプライチェーンは時間とともに学んだことを取り込めるようになる。もう一つの道、すなわち捉えにくいパラメータを望みのないものとして黙って切り捨てることを選べば、自動化は願望に毛が生えた程度にとどまる。フェルミ推定化は、最も捉えにくいパラメータさえ明示化する、徹底して実践的な道を示す。フローを左右する重要な要因を、捉えどころの有無にかかわらず、すべて全体を扱う自動化システムに組み込めるようにするのだ。

9.5 プログラム可能性について

これまでの各章では、現代のサプライチェーンは、監査可能で経済的に価値評価された確約を発行する、人の介入なしで動くソフトウェアによって導かれなければならないと論じた。サプライチェーンの問題をプログラムで解決すると認めた途端、一見ありふれているが実は根本的な問いが生じる。*これらの意思決定を、どの言語で表現すべきなのか。*これは道具選びの気まぐれではない。言語は、どの考えを明示できるか、どの選択肢を無理なく列挙できるか、不確実性をどう価値評価するか、そして生まれた確約を何年も後にどう監査するかを決める。

この分野は、4GLの時代が終わって以来、この問いをおおむね避けてきた¹⁵⁰。その空白は、表計算、ERPに継ぎ足したルールエンジン、汎用言語によるスクリプトで埋められた。それぞれに用途はあるが、サプライチェーン規模で人の介入なしに意思決定を行うための本来の表現媒体としては、どれも不十分だ。

記録システムがSQLを使うのは、事実を発明するのではなく保存しなければならないからである。SQLが得意なのは、台帳の中に何があるか、すなわち行とその関係を記述することであり、変動とトレードオフを前にして次に何をすべきかを記述することではない。トランザクションシステムの上に載せたルールエンジンは、if-then節を少しずつ継ぎ足してその隔たりを埋めようとする。やがてそれらは、誰も全体を理解できない脆い堆積物になる。インセンティブが変化したときは、なおさらだ。今日なら主にPython、昨日ならVBA¹⁵¹、さらに以前なら独自のマクロというスクリプト言語は、分析担当者の能力を補う強力な道具である。しかし、その自由さ自体が、本番運用で最も必要な性質、すなわち決定性、再現可能性、副作用の厳密な制御を損なう。それらが生むのは職人仕事の道具だ。人の介入なしで動く意思決定エンジンは、工業的なものでなければならない。

サプライチェーンの意思決定を自動化するのに適した言語は、フローの経済的な論理とコンピュータの物理的な性質に整合していなければならない。そのオブジェクトは、実務家が実際に操作するものであるべきだ。SKU、場所、日付をキーとする型付きテーブル、それらのテーブル上の配列、そして何より、需要、リードタイム、返品の分布を保持する確率変数である。不確実性を第一級の対象とし、分布を通貨建ての利得に変換する代数も備えなければならない。それによって、どの行動のリスク調整後期待収益も、後付けのシミュレーションではなく短い数式で書けるようになる。価格は明示的でなければならず、通貨換算と丸めは組み込み関数であるべきだ。時間も、カレンダーとカレンダー代数を備えた第一級の対象でなければならない。こうした基本要素があれば、エンジンは意思決定を直接表現する。なければ、実務家がそれらを少しずつ持ち込み、コードベースは回避策の寄せ集めへと退化する。

人の介入なしで動くエンジンの成否は監査可能性にかかっているため、実行は決定論的でなければならない。計算を並列化しても、同じ入力からは一セントの違いもなく同じ出力が得られなければならない。確率的シミュレーションに乱数性が必要なら、それも明示的で再現可能である必要がある。副作用は境界に隔離しなければならない。正式な基準となる記録を読み込み、純粋な中核部分で意思決定を計算し、その結果の確約を台帳に書き戻す。この関心の分離は、学問的な整然さのためではない。事後監査と並行稼働の比較を意味あるものにする唯一の方法なのである。

数百万のSKU、拠点、日付にまたがる意思決定の論理を、一行ずつ処理するループの行列として書けば、自らの重さで潰れてしまう。したがって、言語には配列またはテーブルの意味論、すなわち大規模な型付き集合に対するベクトル化演算が必要になる。プログラムの大半が、イテレータを操る手順ではなく、集合上の代数として読めるようにするためだ。そのような設計は、ハードウェア特性への配慮を促す。キャッシュや並列実行単位にうまく対応し、大きな問題を頻繁に解けるほど低コストにする。

宣言型か、命令型かという問いは、抽象的に問うだけでは適切に立てられていない。必要なのは、取り込み、計算、発行という流れを段取りする命令型の外殻と、価値評価と制約をテーブルや分布上の数式として表現する主として宣言型の中核である。実際には、実行可能性の判定、ペナルティ、価格を、エンジンが解析し、順序を入れ替え、部分的に再計算できる式として記述することになる。その透明性が停止ヒューリスティクスを可能にする。信頼性が低下したら、自分では解決できない例外で人間を煩わせるのではなく、エンジンが自らの条件に従って停止するのだ。

以上は、構文の好みの話ではない。波括弧かインデントかは些細なことだ。重要なのは意味論である。不確実性を第一級の対象とすること、金銭と時間を後付けではなく正式な構成要素とすること、副作用の隔離、決定性、ベクトル化された評価、そして監査に耐える根拠記録を生成するランタイムだ。汎用言語も、慣行と規律によってこれらの目的に近づけられる。しかし経験が示すのは、規模が大きくなり、時間がたつにつれて、慣行は崩れていくということだ。サプライチェーン言語の名に値する言語は、その文法自体にこれらの性質を組み込む。

本節の残りでは、選択基準を実務で使える形にする。言語の意味論が、人の介入なしでの実行（決定性と再現可能性）、経済的な論理（金銭、価格、ペナルティの標準的な扱い）、不確実性（確率的な基本要素と確率的シミュレーション）、保守性（小さな中核、読みやすいプログラム、差分を比較しやすい人工物）にどう関わるかを検討する。目的は単純だ。企業が一度自社の経済的な論理を書き記し、それを機械の速度で実行し、すべての確約を事後に金銭で正当化できる言語を選ぶことである。

9.5.1 プログラミングパラダイム

プログラミングパラダイムとは、ソフトウェアをどう概念化し、構造化し、実行するかを形作る枠組みである。データの編成、操作の定義、制御フローの決定に関する原則を定め、設計と実行の両方を導く。

サプライチェーンに適したプログラミングパラダイムを開発することは、この分野への最も重要な技術的貢献と言ってよいだろう。実際、適切なプログラミングパラダイムは、個別の複雑さが何であれ、すべてではないにせよ大半のサプライチェーンの課題の解決を容易にする。この点で、プログラミングパラダイムは「モデル」やその他の閉じた解析的解決策とはまったく異なる。後者は、その設計上、想定外の複雑さに直面すると脆い。幅広く有用な技法は多数ある。確率的勾配降下法は格好の例だ。しかし、この点でプログラミングパラダイムに並ぶものはない。以下の短い一覧では、サプライチェーンにとって特に重要なプログラミングパラダイムをいくつか紹介する。

垂直統合とは、データ保存から処理と論理、表示まで、全層を一つの一貫した媒体の中で提供する環境をいう。典型的な例は表計算だ。格子がデータストア、数式エンジン、ユーザーインターフェースを兼ね、即時の再計算が三者を結び付ける、一体型のアプリケーションである。このような環境では、「事実が存在する場所」「事実を変換する方法」「事実を点検する方法」の間に不整合がない。一つの人工物が、すべてを担う。

垂直統合が重要なのは、受け渡しをなくすからだ。ソフトウェアの専門家ではない少数の実務家が、数値レシピを端から端まで作成、実行、監査できる。同じ人が、別のチームによるAPIの公開やダッシュボードの接続を待たずに、記録を取り込み、意思決定の論理を表現し、その結果の確約を可視化できる。垂直統合がなければ、レシピの組み立ては、ソフトウェアの専門家以外には任せられない技術プロジェクトになる。仕事は、サプライチェーンの専門家、コンサルタント、プロジェクト管理者、データベース管理者、ソフトウェアエンジニア、データ分析担当者という、おなじみの行列へと膨れ上がる。その調整は、元の経済的な問題より大きなインターフェース設計の問題を生む。表計算は、この型の魅力と限界の両方を示している。垂直統合をすぐに実感できるものにする一方、ごく小さな規模を超えると別の基盤が必要になる理由も明らかにする（後の「表計算」の節を参照）。

タイムトラベル再現性とは、過去のどの時点についても、その時点のコードとデータを環境が正確に保存していることを意味する。利用者は時間をさかのぼり、当時のとおりに計算を再実行できる。この種の端から端までのバージョン管理（コード＋データ）は、結果が原理的に再現可能なだけでなく、過去の任意の時点について自動的に検証可能であることも保証する。

実際、サプライチェーンの意思決定では、小さな不具合でも、悪い意思決定が生成されれば極めて高くつき得る¹⁵²。問題が特定された時点では入力データが変わっているために、問題の振る舞いを再現できないことがあまりにも多い。その結果、不具合は望ましい期間をはるかに超えて放置される。サプライチェーンチームが数値レシピの実用性を信じられなくなり、表計算へ戻る前に、そうした欠陥を取り除くには、タイムトラベル再現性が不可欠である。

関係代数は、通常は複数のテーブルに保存される表形式のデータに対し、選択、射影、結合、集約といった、組み合わせ可能な少数の演算を用いて操作する。1970年代に形式化されたこれらの演算¹⁵³から、現代の企業システムで今なお広く使われているSQL（Structured Query Language）の技術群が生まれた。関係代数の最大の長所は、その宣言型の性質にある。開発者や分析担当者は、操作の手順を一つずつ記述するのではなく、何の結果が欲しいかを指定し、実行の仕組みはエンジンに任せる。

関係代数がサプライチェーンにとって極めて重要なのは、販売取引、発注、在庫水準、輸送上の出来事といった業務データの圧倒的大部分が、リレーショナルデータベースに格納されているからだ。関係モデルは、それらの要素を体系的に結び付ける方法を提供し、共通キーでの結合によって一貫した全体が得られるようにする。異なるデータ源をすっきり統合する関係代数がなければ、実務家はその場しのぎの回避策のもつれに戻る。典型的には表計算の扱いにくいマクロであり、誤りが生じやすいだけでなく、計算も遅い。実際、サプライチェーンに内在する複雑さのため、現代のサプライチェーンを支えるどの数値レシピにも、関係代数は不可欠である。

配列プログラミングは、開発者に個々の要素を巡回するループを書かせるのではなく、配列と呼ばれるデータ集合全体に、演算を一様に適用するパラダイムである¹⁵⁴。データをまとめて扱うことで、配列言語とライブラリ¹⁵⁵は、問題の数学的な定式化をなぞる簡潔な表現を可能にする。実務家は、誤りの生じやすいループを書く代わりに、算術演算、論理演算、統計演算といった上位の変換を指定する。それらが配列の各要素へ自動的に適用される。添字を明示的に扱う必要をなくすことで、配列プログラミングは添字が一つずれる誤りやその他の見抜きにくい欠陥を大幅に減らす。さらに、背後の実行エンジンが一括演算を最適化できるため、配列コードは、特に大規模なデータセットにおいて、同等のループによる処理よりも高性能であることが多い。

サプライチェーンの観点から配列プログラミングが重要なのは、関連するほぼすべての意思決定を、数百万ではないにせよ数千のSKU、店舗、時間刻みについて、一度に計算しなければならないからだ。反復やループに基づく方法では、特に境界的なケースや入り組んだ制約に対処するとき、記述に時間がかかり、デバッグが難しくなり、気付かれない誤りが生じやすくなる。一方、配列プログラミングのベクトル化された書き方は、コンパクトで表現力の高いコードを生む。レビューしやすいだけでなく、新たな製品系列、拠点、サプライチェーンの複雑さが現れたときにも拡張しやすい。この明快さの向上によって、微妙な論理バグが見逃されるリスクが下がり、ベクトル化演算の性能向上によって反復も速くなる。実際、正しさと俊敏さというこの二つの特性は、意思決定プロセスを試作し、改善し、確信を持って本番導入する企業の能力を大きく高める。

分散データフローは、計算を複数のマシンに自動的に分散し、作業負荷を効果的に分割・並列化して膨大なデータ量に対応するプログラミングパラダイムである。開発者に並行処理を逐一調整させるのではなく、分散データフローシステムは通常、データ変換を有向非巡回グラフ（DAG）として表現し、それをマシンのクラスタで並列実行できるようにする¹⁵⁶。この方法は部分的な障害への耐性を高める。ジョブ全体を止めずに、故障したノードを迂回したり置き換えたりできる。また、現代のクラウド基盤を自然に活用できる。ネットワーク通信やプロセス同期の低水準の詳細の大半を抽象化することで、分散データフローは、実務家が並行処理の基本機構と格闘するのではなく、計算の論理的な流れに集中できるようにする。

サプライチェーンにとって、分散データフローの意義は二つある。第一に、多くの業務はSKU、倉庫、輸送経路にまたがる大きな規模を持つため、巨大なデータセットの取り込みと変換を必要とする。集中型や逐次型のシステムでは、実用にならないほど遅くなり、意思決定者には古い出力が残されるか、分析範囲を制限せざるを得なくなる。第二に、断続的にしか必要とならない計算資源を共用しやすくする。例えば、予測の更新が一日に一度でよいなら、それに使う計算資源を必要に応じて確保し、解放することで、基盤コストを大幅に下げられる。より一般に、変動の大きい作業負荷のもとで安定した性能を維持するには、分散データフローが不可欠である。

差分実行は、システムが計算間の依存関係を自動的に追跡し、ある変更の影響を受けるワークフローの部分だけを再実行するプログラミングパラダイムである。パイプライン全体を最初から再実行するのではなく、エンジンは、データ変換をノードと辺で表した計算グラフを調べ、現在のグラフと前回実行したグラフの「差分」を評価する。有効なままの中間出力は保持し、新規または変更されたノードだけを再計算する。さらに、計算コストや時間がかかる一方で出力は比較的小さい中間結果を、システムが賢くキャッシュできる。これによって、同じ部分計算を含む後続の実行が速くなる。このパラダイムは、本格的なデータフローエンジンの広い処理範囲と、細粒度の更新の選択性を組み合わせるため、標準的なバッチ処理とも、純粋に増分だけを扱う方法とも異なる。

サプライチェーンの観点から差分実行が重要なのは、数値レシピが本質的に反復を伴うからだ。実務家は通常、数行を編集してレシピを再実行し、それまでに計算された結果の妥当性を確認する。最終的なレシピは数千行に及ぶことが多いため、その開発には数百回の小さな反復が必要になる。差分実行がなければ、スクリプトを少し修正するたびに、すべてのデータセットを丸ごと再処理しなければならない。これは、特に企業システムから流入するギガバイト規模のデータセットを扱う場合、実用にならないほど高くつき、素早い反復を妨げる。更新が必要な計算の最小集合に絞ることで、差分実行は資源を節約し、結果が返るまでの時間を短縮し、速いフィードバックサイクルを促す。

確率変数の代数は、不確実な数量を、単なる数値スカラーや点推定ではなく、確率変数としてモデル化し、操作するプログラミングパラダイムである。この環境では、加算、乗算、その他の算術演算や論理演算を確率変数に直接適用し、新しい確率変数を得られる。実務家は、すべての不確実性を、誤りの生じやすいその場しのぎのシミュレーションや構造化されていないデータテーブルに押し込める代わりに、需要、リードタイム、購入価格、生産歩留まり、返品といった不確実な要因を、それぞれ独自の分布として定義できる。それらの要因が相互作用するとき、言語は一貫した確率演算群を通じて、分布を継ぎ目なく組み合わせる。できあがるコードは、複雑なループや別立てのモンテカルロ処理を避けつつ、背後にある確率的な現象を忠実に反映する。確率変数を第一級の対象として扱うことで、このパラダイムは、意思決定パイプライン全体を通じた、不確実性の正確で透明な変換を可能にする。

リスク分析で確率的予測が広く使われることを考えれば、不確実性をこのように代数的に扱うことは、サプライチェーンにとって不可欠である。実際の業務では、単一の最善と思われる推定を追うだけでは決して十分でない。需要はしばしば前触れなく跳ね上がり、部品は誰にも完全には理解できない理由で遅れ、為替は単純な予測をあざ笑うように変動する。これらの分布を組み合わせる明示的な「代数」がなければ、ほぼ必ず、単純な点ベースの分析が使われる。そして平均を取ったり最悪ケースを仮定したりした途端に、情報が黙って捨てられる。これに対し、確率変数の代数は、上流（例えば仕入先のリードタイム）から下流（例えば在庫配置）まで確率分布全体を保持し、不確実性が可視的で、一貫し、数学的な根拠を持つ状態を保つ。この方法は、わずかな過小評価が欠品につながり、わずかな過大評価が保有コストを膨らませるような、高くつく誤算の可能性を減らすだけでなく、実験も加速する。

微分可能プログラミングは、汎用プログラミングの柔軟性と、自動微分および勾配に基づく最適化の計算技法を融合するパラダイムである。その中核では、データ変換パイプラインの各段階を微分可能な関数として扱い、論理を実装するコードの中で直接、確率的勾配降下法や関連する最適化器によってパラメータを調整できるようにする。例えば専門の機械学習ツール群へデータを書き出すといった、切り離された環境に学習を追いやるのではなく、微分可能プログラミングは「学習可能なコード」を第一級の対象とする。入力の解析から最終的な予測まで、各変換を設計し、パラメータを付与し、選択した損失関数が最小になるよう自動更新できる。このパラダイムは純粋な数値手続きにとどまらない。業務領域の知見をモデルのパラメータ構造に直接織り込み、その構造を解釈可能に保ち、背後の業務プロセスに整合させる。

サプライチェーンで微分可能プログラミングが特に強力なのは、いくつもの重大な隔たりを同時に埋めるからだ。第一に、サプライチェーンデータは疎で不均質なことで知られている。多くのSKU、拠点、時間区間では観測が限られている一方で、週次の周期や販促による押し上げ効果のような上位のパターンを共有している。微分可能なプログラムは、共有パラメータを通じてこれらのパターンを明示的にモデル化でき、既製のブラックボックス型の方法より統計的効率を高められる。第二に、関係クエリ、配列変換、確率変数を混ぜ合わせたサプライチェーン問題そのものの形を、学習可能なパラメータ付きスクリプトに直接記述できる。実務家に「言語の中の言語」という設計を継ぎはぎさせずに済むのだ。この整合性は反復を円滑にするだけでなく、より透明なモデルを生む。「季節性の振幅」「港湾混雑によるずれ」「ブラックフライデーの押し上げ効果」といった名前付きパラメータが、業務領域の専門家にとって意味を持つモデルである。何より、学習サイクルを通常のデータと意思決定の流れに統合することで、微分可能プログラミングは、予測と最適化が一度きりの、あるいは純粋に学術的な作業として切り離されず、実際の業務制約とともに進化できる統一環境を提供する。

**決定論的な分散乱数生成（RNG）**は、一見相反する二つの目標を両立させるためのプログラミングパラダイムである。複数のマシンで大規模なモンテカルロシミュレーションを活用しながら、分散クラスタ全体で実行しても、入力が同じなら毎回ビット単位で同一の結果が得られるようにする。言い換えれば、作業負荷の変化や動的なマシン割り当てに関係なく、シードを与えた乱数抽出がデータフローグラフ全体で予測可能なパターンに従って進むことを保証する方法である。対象の現象が解析的な分解になじまない場合、モンテカルロ法は、確率変数の代数を直接使う方法をしばしば上回る。しかし、素朴に並列化すると、処理は容易に非決定的となり、実行ごとに結果を正確に再現することができなくなる。決定論的な分散乱数生成は、擬似乱数のシードの管理と分割を慎重に調整する仕組みによって、この落とし穴を避ける。こうして、シミュレーションに基づく方法の柔軟性と、厳密なエンジニアリングに不可欠な再現可能性を両立させる。

このパラダイムがサプライチェーンで不可欠な理由は、主に二つある。第一に、この領域は、需要ショック、仕入先の遅延、為替変動など、本物の不確実性ですでに満ちている。入力が変わっていないのに再実行のたびに異なる出力を生成するというように、ソフトウェア層そのものが独自の乱数性を持ち込めば、管理者は問題を確実に診断することも、意思決定パイプラインを信頼することもできない。第二に、サプライチェーンの取り組みの成否は継続的な反復にかかっている。実務家は頻繁に数値レシピを改善し、過去のシナリオを再現し、新しい結果を以前の基準と比較する。厳密な決定性は、再試験すると消えてしまう「ハイゼンバグ」を追い回す手間を省き、一週間後でも一年後でも、発見した異常を、それを引き起こした正確なデータとコードの組み合わせまでたどれるようにする。シミュレーションと予測の厳密な再現可能性を保つことで、サプライチェーンチームは、意思決定を安全に自動化するために必要な監査可能性と確信を得る。

9.5.2 表計算

サプライチェーンで表計算が長く成功してきたのは偶然ではない。表計算は、一つの格子の中で、垂直統合と密接に結び付いた関数型リアクティブプログラミングの一形態を提供する。データ保存、数式で動く論理、視覚的なユーザーインターフェースが、統一された環境の中に共存する。その結果、高速なREPL¹⁵⁷に似た、ほぼ完璧なフィードバックサイクルが生まれ、無理なく学べるようになる。サプライチェーンの実務家は、数個のセルから始め、数式を少し変え、その調整の結果を即座に確認できる。この即時性は、結果を見るまでにコードを書き、パッケージ化し、配備しなければならない、従来のソフトウェアエンジニアリングのワークフローとは著しい対照をなす。

表計算のプログラム上の多用途性を過小評価してはならない。利用者は数分で、予測、在庫の集約、what-if分析のための個別の論理を組み立てられる。参入のハードルは低く、サプライチェーン管理者は、多くの日常的な計算を扱うためにデータベース管理者やソフトウェアエンジニアになる必要がない。ベンダーが予測や最適化を「すぐ使える」分析モジュールに閉じ込めようと繰り返し試みる間も、表計算は一貫して人気を保ってきた。これは、表計算の関数型リアクティブな格子が、厳格な既製ソフトウェアより柔軟に、境界的なケースや「ケーブルのような」複雑さ¹⁵⁸を取り込めるためである。

こうした強みがあるにもかかわらず、表計算は、サプライチェーンの意思決定を本当に自動化することと根本的に相いれない。実務家は、あるデータ量を超えると表計算が使えなくなる理由として、しばしば「拡張性の不足」を挙げる。特に、一台のローカルマシンに置いたワークブックを共有している場合にそうだ。表計算を遠隔でホストすれば性能上の負担の一部は軽減できるが、より深い構造的な限界には対処できない。とりわけ二つの限界が、頑健なサプライチェーン自動化の見込みを妨げる。

第一に、時間とともに、表計算は大量に複製された論理で埋め尽くされ、それらが数十、ときには数百のタブやワークブックに散在する。利用者が数式をコピーしたり、少し違うSKUや拠点向けに似たワークシートを作り直したりするたびに、構造は少しずつ分岐していく。ついには、どのセルが最終的な結果を左右するのか、誰も確信を持ってたどれなくなる。わずかな変更さえ危険になり、セル参照に隠れた依存関係を壊しかねない。複数人で共同作業を始めると、問題は増幅する。さらに悪いことに、表計算には通常、急速に変化するコードベースを追跡するために必要な、堅牢なバージョン管理、モジュール性、監査機能がない。

第二に、複数調達先、コンテナ充填の制約、リードタイムの変動、部分的な部品表、多段階の階層構造といったサプライチェーンの複雑さは、整然とした二次元の格子にはめったに平坦化できない。表計算は、各次元を無理やり行と列へ「切り分け」、さほど複雑でない結合や相互参照さえ難しくする。例えば、コスト構造とリードタイムが異なる二つの仕入先に依存する一つのSKUだけでも、不自然なセルの展開に加え、関係モデルを模倣しようとする多数の「補助」タブが必要になることがある。サプライチェーンが分岐する論理や複数テーブルへのクエリを必要とするほど、表計算は扱いにくくなる。

こうした直接の障壁に加え、表計算は、現代のサプライチェーンエンジニアリングに最も役立つプログラミングパラダイムとも相性が悪い。

• 大きな表計算では、タイムトラベル再現性がほぼ不可能になる。ファイルの版を保存することはできても、利用者の操作のたびに共有文書が変更される。どのセルがなぜ変わったかを正確に管理できないことも多い。後から「ハイゼンバグ」をデバッグするのは、ほとんど望みがない。

• 確率変数の代数、微分可能プログラミング、決定論的な分散乱数生成は、通常の格子の数式に実用的な形では組み込めない。よくても実務家が外部マクロや第三者のアドインを継ぎ足す程度だが、そうした細工で堅牢な本番品質のワークフローが実現することはめったにない。

• 大規模言語モデルがコードを自動生成したりリファクタリングしたりできるようにするLLM向けの支援機構も、本質的に二次元へ散らばった論理に阻まれる。LLMを使う方法の大半は、論理関係がセル参照や一時的なマクロに埋もれず、明示されている、より構造化されたテキスト環境を前提としている。

原理的には、表計算も、例えば格子の下により強力な計算エンジンを重ねることで、こうした欠点の一部への対処を試みられる。しかし、表計算のパラダイムそのものは変わらない。人間との対話とその場での探索のために設計されており、大規模なフローの絶えず変わる複雑さを体系的に扱うためのものではない。企業が、数千から数百万のSKUと数百の拠点を対象に、継続的で人の介入のない意思決定へ踏み出した途端に、亀裂が現れる。その亀裂を短期的な修正で塞ぐほど、ワークブックは入り組んでいき、ついには誰もその脆い構築物を信頼できなくなる。

したがって、表計算は、何十年にもわたりサプライチェーン実務の中心であったことは否定できないものの、技術的には行き止まりである。その破綻は、単に「もっとソフトウェアを増やす」ことや「ハードウェアを速くする」ことの問題ではない。格子上の数式、論理の手作業による複製、最小限の監査支援、個々の利用者による局所的な編集への暗黙の重点という、設計全体が大規模な自動化に必要なパラダイムに逆行しているのだ。表計算は、一度きりの仕事や小さな範囲の仕事に優れているからこそ、頑健で完全に自動化されたサプライチェーンプロセスへの道を開けない。

9.5.3 汎用言語

あらゆる限界にもかかわらず、表計算は、より広い真実を指し示している。サプライチェーンには、どんな静的な「パッケージ」システムでも満たせない、個別に合わせたプログラミングが必要なのだ。原理的には、どの汎用言語でもこの必要を満たし得る。現代の言語の多くが複数のパラダイムに対応している今は、なおさらである。ライブラリを積み重ねれば、チームは、タイムトラベル再現性、配列プログラミング、差分実行など、サプライチェーンに不可欠な機能を再現できるかもしれない。しかし実際には、その道は、得られるものより多くの労力を消費する。

第一に、汎用言語は、本質的ではない複雑さを生む。例えば、主として表形式であるサプライチェーンデータをモデル化するとき、オブジェクト指向のパターンは不必要に入り組んだものになる。ネットワーク呼び出しやシステム呼び出しを無制限に許せば、セキュリティ問題や、いわゆる「サプライチェーン攻撃」を招く。企業自身のコードではなく、依存する第三者のパッケージへの侵入である。純粋に数学的な演算さえ、細かなモジュールの茂みへと分裂する。チームがこのエコシステムに深く入り込むほど、サプライチェーンの希少な資源の配分とはほとんど関係のない細部に、より多くの時間を費やすことになる。

第二に、汎用環境に依存することは、事実上、本格的なソフトウェアプロジェクトに企業を乗り出させる。ストレージ層を選定または構築し、統合しなければならない。計算層は、大量のデータやSKUに対応できなければならない。表示層は、サプライチェーンの利用者に合わせてコード化または調整する必要がある。この一連の選択は、それぞれ異なる技術に結び付いており、解決策を保守しにくくする。データベースの新しい版や、保守されなくなったライブラリといった小さな変化が、不整合を連鎖的に引き起こし得る。数年のうちに「ソフトウェアの腐敗」が進み、実際のサプライチェーン改善から資源を吸い上げる。

第三に、この種のプロジェクトの間接的な負担は、ほぼ必ず専門知識を分断する。通常はサプライチェーンの経験に乏しい、少数のソフトウェア専門家が、結局コードの実装と保守を担う。一方、込み入った癖や、その他の無数の業務固有の複雑さを把握している本来の実務家は、脇へ追いやられる。彼らは「チケット」を提出し、何層もの仲介を通して依頼を回し、間接的に変更を提案しなければならない。発見から本番導入までの遅れが広がるにつれて、俊敏さは失われる。極端な場合には、解決策があまりに特殊になり、元の作成者しか修正も拡張もできなくなる。人員の交代や組織再編が起きたときには、脆い体制である。

第四に、汎用言語は理論上、微分可能プログラミングや決定論的なモンテカルロ法といった高度なパラダイムを支えられるものの、それらを一貫した形で実現することはまれだ。関連ライブラリは、事実上「言語の中の言語」になる。あるライブラリは分散データフローを管理し、別のライブラリは確率変数を扱い、さらに別のライブラリはタイムトラベルのためのデータのバージョン管理を試みる。各サブシステムは、それぞれ独自の設定、データ構造、使い方を要求し、理解に要する負担を積み増す。一つの意思決定パイプラインになるはずだったものが、別々のツールチェーンに分裂し、そのどれもが継ぎ目から破綻し得る。

これらの課題のどれも、克服不能ではない。十分な才能、資金、時間があれば、適切なチームは汎用言語の上に実用的な解決策を構築できる。最大手の小売業者や製造業者の一部は、まさにそれを行っている。しかし、この道はあまりに多くの資源を必要とするため、巨大な規模を持つ企業しか維持できず、それでも脆さは残る。大規模言語モデルの進歩によって、例えば骨組みのコードを生成したり古いライブラリをリファクタリングしたりと、こうしたワークフローの一部を自動化できるかもしれない。しかし、自由度の高い言語とサプライチェーン固有の必要との不適合は解消されない。逆説的だが、LLMが向上するほど、領域に特化した環境を使う理由は強くなる。コードの記述とレビューに熟達するほど、無駄を削ぎ落としたサプライチェーン向けの言語が、その支援からより多くの恩恵を受けるからだ。

要するに、汎用言語で、大規模かつ完全に自動化されたサプライチェーンプロセスを動かすことを妨げる、絶対的な技術障壁はない。しかし、この方法で取り組みを立ち上げると、大半の組織に適さない間接的な負担と複雑さを背負う。サプライチェーンは、オプショナリティに溺れるためではなく、それを使いこなすためにある。この分野の切実な必要に標準で応えるものが一つもない、複数のパラダイムやライブラリを重ねることは、たいてい目的地ではなく遠回りになる。

10 導入

サプライチェーンへの導入とは、それまでの各章で扱った経済学、情報、知能、工学、意思決定を、日々妥当な選択を行う機械へと変えることである。この機械は、正式な基準となる記録を、人の介入なしに監査可能な財の流れの確約へと変換する知能システムである。目的は「可視性の向上」でも、見栄えのよい予測でもない。仕組み上、経済的に妥当な発注、移送、スケジュール、価格変更を生み出し、稼働させながら改善することである。

成果物は実務で稼働するものでなければならない。機能する導入では、記録システムから抽出した生データを取り込み、確率的な不確実性のもとで金額に基づく目的を維持し、意思決定を台帳へ書き戻す。その存在を示すのは、発注テーブルに作成された明細、計上された在庫移送、掲示された価格といった出力であり、プランナーが表計算ソフトを使って一行ずつ処理を進めることではない。人の介入なしの出力に至らないものは、すべてプロジェクトを演じているにすぎない。

このシステムを実務上安全かつ生産的にする性質は三つある。第一は責任の所在である。一つの小さなチーム、理想的には名指しされた一人が、選択肢を定式化し、トレードオフを金額に換算し、日々の確約を生み出すコードである数値レシピについて、一貫した責任を負う。第二は透明性である。すべての出力に、主要な経済的要因を示す根拠記録が添えられ、実務家はなぜその意思決定が妥当なのかを確認でき、財務部門は通貨単位で監査できる。第三は可逆性である。エンジンは状態を持たず、停止ヒューリスティクスによって保護される。数時間以内に並行稼働、本番への昇格、ロールバックが可能であり、信頼度が下がれば停止する。

そこへ至る道筋は謎ではないが、甘くはない。まず、フィルターをかけず、スキーマに忠実で、安定した生データを毎日抽出する。次に、最初のレシピを手作業の通常業務と並行して毎日実行し、常軌を逸した明細がなくなるまで続ける。最後に段階的な展開を行い、エンジンを表計算ソフトで包み込むのではなく、表計算ソフトを廃止する。対象範囲は、同じ希少なリソースを奪い合う財の流れを捉えるように定める。役割は業務に必要なものに絞り、ガバナンスは儀式ではなく経済に基づかせる。

導入を頓挫させるものの大半は、すでにおなじみである。読み取り専用のままにされ、財の流れの確約を一件たりとも台帳へ書き戻さない試験導入。規模の効果を隠してしまう部分的なデータセット。既存ツールから形だけまねてコピーしたパラメータ。意思決定ではなく予測を議論する委員会。意思決定に最も優れたベンダーより、書類仕事に最も長けたベンダーを優遇する調達儀式。これらの罠を避けるには、本書を通じて主張してきた姿勢が必要である。問題を金額で捉え、選択肢を明示し、不確実性を忠実に扱い、事務処理は人の介入なしで動くソフトウェアに任せることである。

本章は、その姿勢を本番運用に持ち込むための手引きである。必要な場合のパートナーの選び方、エンジンが実際の制約に早期に触れるようにする対象範囲の定め方、データパイプラインの構成、レシピの作成と観測・検証の仕組みの組み込みと堅牢化、並行稼働と人の介入なしの運用への昇格、そして稼働後に役割やインセンティブが変化する中でシステムを健全に保つ方法を示す。目指すのはレポートの層をもう一つ加えることではない。手作業の定型業務を、機械の速度で意思決定を出力し、監査し、改善する資本財に置き換えることである。

多くの企業はすべてを内製しないため、まずベンダー選定の実務から始める。ここで推奨する方法である対抗的市場調査は、RFPの茶番よりもソフトウェアの不透明さとインセンティブに適しており、前の各章で擁護した経済を最優先する姿勢にも合致する。パートナーが決まったら、体制と対象範囲、数値レシピ、システム全体の効果、役割、所要期間、展開と保守の仕組みへと進む。

簡潔さのため、以下の用語を一貫して用いる。知能システムとは、正式な基準となる記録と、精査済みの少数の外部データフィードを、人の介入なしに監査可能な財の流れの確約へと変換し、台帳へ書き戻す、導入可能な資産を指す。その論理的な中核、すなわち選択肢を定式化し、トレードオフを金額に換算し、不確実性を扱い、明細を出力するプログラムが数値レシピである。

10.1 ベンダーの選定

現代のサプライチェーンの複雑さは、ソフトウェアなしに対処できる範囲をはるかに超えている。オープンソースの充実によって開発の金銭的負担が大幅に軽減されても、大半の企業は、こうした道具を内製する手段または意欲を欠いている。そのためサプライチェーンソフトウェアのベンダーは数多く存在し、一定の規模を超えた企業の大半は、定期的にその選定に向き合うことになる。

しかし、ソフトウェア産業は驚くほど多様である一方、比較的不透明なままである。不透明さは多面的であり、機能、性能、ライセンス料、運用費、信頼性、保守性、発展性、セキュリティなどに及ぶ。

オープンソースはソースコードを自由に調べられるため、原理的には透明性が高いはずである。しかし、実際には二つの大きな注意点がある。第一に、あるオープンソース技術を信頼できる形で評価する技術的専門知識は、めったに見つからない。大手ソフトウェアベンダーなどの著名な提供元から出ているという理由だけで、そのオープンソース技術が健全だと考えるのは、昔からある破滅への処方箋である。失うものがほとんどないため、ベンダーは日常的にオープンソースプロジェクトを放棄する。第二に、オープンソースが主に提供するのは、特にエンタープライズソフトウェアでは、ソリューションではなく部品である。その部品を活用したい企業は、結局、実質的な社内ソフトウェア開発プロジェクトを立ち上げることになる。

したがって、よくも悪くも、企業は大きな不確実性のもとでソフトウェアベンダーを選ぶことになる。しかし、ほとんどの知的活動と同じく、ソフトウェアの成果には、底知れぬ愚かさから人間の創意工夫の頂点まで、極端なばらつきがある。ソフトウェア固有の不透明さに加え、ベンダーの中には「愛想はよいが危険なほど無能」な層が厚く存在する。この二つを考えれば、企業が選ぶベンダーに細心の注意を払うことは不可欠である。

評価すべきことに、現在では大企業の大半がこの問題を認識し、ソフトウェアベンダーの市場調査に多大な労力を費やしている。市場調査への支出がソフトウェアほど多い分野はほかにない。逸話的な証拠ではあるが、市場調査会社をざっと見ただけでも、ソフトウェア関連の各分野が、ほかのすべての分野を合わせたものを文字どおり圧倒していることがわかる。

確かに、ソフトウェアの市場調査の大半は、ほかの分野の手法を借用している。しかし、その手法はソフトウェアでは機能不全に陥る。主な元凶は導入事例と提案依頼書である。ソフトウェアには別の方法、すなわち対抗的な市場調査が必要である。

ベンダー選定で証拠として提示されることの多い導入事例の落とし穴は、認識論の章で検討した。本節では、RFPと、それより信頼できる代替手段である対抗的市場調査に焦点を当てる。

10.1.1 提案依頼書

提案依頼書¹⁵⁹（RFP）は、大組織の内部で行われる官僚的な権力争いである。ソフトウェアに関するRFPは、合理的でも、誠実でも、有益な情報をもたらすものでもない。RFPは、成果を犠牲にして手順に執着するという、官僚的な思考の典型である。知能システムでは、その欠陥は致命的である。チェックリストでは、人の介入なしの意思決定の質、停止動作、圧力のかかる状況での書き直しやすさを保証できない。RFPは企業を無能な相手へと導く。一定の規模を超えた組織では、RFPを避けられない疫病のように扱うことがあまりに多い。しかし、自ら招いたこの疫病には、不可避なものなど何もない。RFPを廃止するのに必要なのは、経営陣のささやかな勇気だけである。

経営陣が、社内のリソースでは対処できないソフトウェア上の課題、あるいは機会に直面している企業を考えよう。一社か二社のベンダーと非公式なやり取りを数回行った後、経営陣は第三者にその課題を任せることを決める。

RFPの神話は、五つの段階で展開することになっている。(1) まず課題を文書にする。(2) 次に従業員が、その課題に適切な回答を引き出すための、質が高いとされる質問一覧を作成する。(3) 関係するベンダーを特定し、まとめたRFP文書を送付する。(4) 各ベンダーは律儀に、誠実で網羅的な回答を提出し、それらを収集して整理する。(5) 最後に経営陣が回答を客観的かつ説明責任を伴う形で評価し、最良のベンダーを選ぶ。

残念ながら、この神話のすべての段階は間違っているか、妄想である。

(1) ソフトウェアが解決すべき問題を、正確かつ明瞭に書き記すことは、ソフトウェアそのものを書くより難しい。経験のない人には不可解に聞こえるかもしれない。しかし、成功するソフトウェア事業の大半は、既知の問題に優れた解決策を与えることではなく、まったく新しい問題を見いだすことから生まれる。問題の枠組みを定める作業には、あらかじめ決まった終点がない。形式的な手順は思考を硬直させ、得られる知見の質を下げる。状況を見るほぼ無限の方法の中から、実装に適した切り口を選ばなければならない。そのうえで、数百、場合によっては数千の要因を技術的に統合する必要がある。

企業内のインセンティブは、この取り組みをさらに損なう。年老いた幹部がますます自己満足に陥っていることこそ、会社の問題の核心かもしれない。しかし、第三者と共有する半ば公開されたメモに、そんなことを書く人はいない。そのようなメモでは、社内の誰かの職業上の能力を侮辱したと受け取られかねない内容は、慎重に避けられる。当然、メモは核心を避け、会社ではなく自尊心を守ることになる。これは単なる礼儀の問題ではない。選ばれたベンダーが、実際の問題とほとんど関係のない解決策を追いかけることを確実にしてしまう。

(2) 従業員にRFPの質問を列挙させると、決まってコントの題材にふさわしいものができあがる。コンサルタントが加われば、滑稽さはさらに増す。本来の目標は、違いを見分けられる回答を引き出す質問であるはずなのに、取り組みはまったく別のものへと堕する。同僚に感心してもらうために質問が作られる。気の利いた質問を思いつけない人は量で埋め合わせる。過去のRFPの質問は際限なく再利用される。

くだらない質問だけでも十分に問題だが、それが数百あれば、始まったばかりの取り組みを頓挫させかねない。さらに悪いことに、ベンダーの提供物までゆがめる。こうした質問の大半は、質問を装った要件である。開かれた姿勢での探究とは程遠く、何を「解決策」と認めるかを枠にはめ、厳しく限定する。典型的な質問は「エンドユーザーがYとやり取りしながらXを実行できることを、ベンダーは保証できるか」というものである。「Yとやり取りしながらXを行う」ことがひどい考えだと証明できる場合でさえ、否と答えれば即座に失格となる。

より一般に、ばかな質問などないという考え方がふさわしいのは小学校である。すべての質問は取り組みの方向を変える。くだらない質問は、くだらない回答を生む。しかも、どの質問も、経営陣が取り組みに割ける思考能力の一部を消費する。幹部の注意力が薄く広く分散する中では、悪い質問がわずかにあるだけで、無関係な些事に基づいてベンダーを選ぶことになる。

(3) ベンダーを候補に絞り込むと、誰か、多くの場合はコンサルタントなど従業員ですらない人物が、何の説明責任も負わずに、RFPで最も重大な決定を下せるようになる。実際には、候補を絞り込む人物が、暗黙のうちに勝者を選んでいる。それ以降は、社内の作法に従った体裁にすぎない。

ベンダーの数は多いかもしれないが、絞り込みが必要に感じられるのは、質問一覧が不合理に長いからにすぎない。確かに、あれほど多数の回答を数社以上について処理するのは、気の遠くなる作業である。その負担は、機能不全の手法が引き起こした、際限なく膨らむ結果である。

(4) RFPに回答するベンダーには、誠実であろうとするインセンティブがない。質問の圧倒的多数は、特定の答えを求めている。御社のソリューションはXを実行できますか。 一人前のベンダーなら、どの回答が期待されているかを正確に理解し、それに合わせて答える。ベンダーが「真実」を守ると期待するのは妄想である。ソフトウェアは複雑であり、エンタープライズソフトウェアはなおさら複雑だ。ほぼすべての質問には、ほぼ無限の解釈が成り立つ。ベンダーは嘘をつく必要すらない。少し想像力を働かせれば、どんな回答でも「真実」にできる解釈を考え出せる。

回答に法的拘束力を持たせても、誠実さは改善しない。エンタープライズソフトウェアは十分に不透明なので、特に有能な弁護士が関与すれば、ほとんどどんな発言も真実と解釈できる。

このような契約や、ソフトウェアベンダーに押し付けるほかの厄介事は、企業にとって状況をさらに悪くする。優れたベンダーは、ある程度まで顧客を選ぶ。見込み客が不合理な要求をすれば、優れたベンダーは立ち去る。技術の不十分さが露呈して必死になっている悪いベンダーは、どんな官僚的な狂気を押し付けられても喜んで受け入れる。それが唯一の競争優位だからである。したがって、RFPに「真剣に」取り組む企業は、逆選択を行っている。優れたベンダーは辞退し、悪いベンダーは粘り続ける。

(5) 最後には、ソフトウェアベンダーを選ばなければならない。その時点では、無関係な質問に迎合した回答が山のように集まっている。これらすべては、最初の問題設定が正しかったことを前提としているが、その前提自体が怪しい。RFPの考え方では、上層部は知力だけで最良のベンダーを選べることになっている。ばかげている。実際には、たいていもっと悪い。

多くの場合、積極的な選択は一度も行われない。ベンダーは拒否権によって一社ずつ排除され、最後に一社の、選択可能なベンダーだけが残る。拒否するには、十分な影響力を持つ管理職が「懸念している」と表明するだけでよい。その懸念に理屈があるか、単なる好みなのかは、ほとんど関係ない。複数のベンダーを同時に拒否して、過度な介入と受け取られさえしなければ、その異議は事実上の拒否権となる。大企業はリスクを避ける。同僚から危険だと指摘された取り組みを支持すれば、それが失敗したときに自分のキャリアが危うくなる。

この最終選考は、優れたベンダーを何ら保証しない。むしろ、凡庸さを優遇する。優れたベンダーは、変革をもたらす可能性が高い。そもそも、大きな投資収益を得るには、現状から離れる必要がある。そのような変化は、縄張りを脅かされる実力者たちの反感を必ず買う。彼らは、そうしたベンダーに激しく反対する。凡庸なベンダーは、変革とは無縁である。現状を受け入れ、誰の機嫌も損ねない。残念ながら、その結果、よくてもほとんど、あるいはまったく収益をもたらさないことが確実になる。

このように、RFPは根本的に機能不全に陥っている。さらに、数百の質問を作成し、数千の回答を調べるという、大量の無益な仕事を生む。そこで、RFPを進めるためにコンサルタントが雇われる¹⁶⁰。コンサルタントは決まって事態を悪化させる。会社の過剰な無益な仕事こそが、彼らの収入源だからである。無益な仕事の水増しは「プロセスの卓越性」として売り込まれる。明らかに無関係な質問も「端から端までの網羅性」を確保するために残される。手順を速める近道は、「安全でない」「未検証」と退けられる。そして最後には、コンサルタントはほぼ例外なく、最も豊富なコンサルティングの仕事を見込めるベンダーに傾く。

10.1.2 対抗的市場調査

対抗的市場調査は、ソフトウェアプロジェクトの二つの根本的な問題に直接対処する。ベンダーと顧客の関係における有害なインセンティブと、ベンダーに有利な巨大な情報の非対称性である。官僚的でないため無駄が少なく、より合理的であるため、適切な課題に適切なベンダーを組み合わせられる可能性が高い。

方法は次のとおりである¹⁶¹。管理職が、社内のリソースでは対応できないソフトウェアの機会に気づいたら、一社のベンダー、通常はその気づきのきっかけを与えたベンダーに、自分に代わって短い問題設定の文書を作成するよう依頼する。その文書は、ベンダーのソリューションではなく、課題の枠組みと自社固有の事情だけに焦点を当てるべきである。

ベンダーが自社の提供物をほのめかさずにはいられないなら、管理職はその部分を削除すればよい。もともと短い文書である。サプライチェーンの特徴を示す数値など、具体的な情報の機密性が高すぎる場合は、数字を丸めるなどして曖昧にする。目標は、細部ではなく課題の本質を保つことである。できあがったメモには、作成元のベンダー名も、機微に触れすぎる情報も含めない。

この短い文書を手に、管理職はそのベンダーの競合数社に連絡する。もっともらしい代替候補である限り、競合の選定は推測に基づいてもかまわない。各社にメモを送り、これは草稿であり、課題の捉え方を誤っているかもしれず、問題設定を見直すために専門家の助言を求めていると伝える。さらに、最初のベンダーを含む各社に、二つの追加事項を求める。第一は、各社が修正した問題設定に沿う、非公式な概算提案である。第二は、関連する競合を少なくとも三社挙げ、そのベンダー自身の評価に基づいて順位を付けた一覧である。挙げた各競合について、認識している強みと弱みを数段落で説明させる。

各社の候補一覧から新しい競合が見つかったら、調査に加える。このささやかな依頼事項を二週間以内に提出できないベンダーは、調査対象から外す。同じベンダーの名前に戻ってくるようになり、調べ残しがなさそうになったら、調査を終える。

調査が終わったら、管理職は結果を整理し、ベンダーごとに短い資料を作る。各資料には、そのベンダーによる問題設定と対応する概算提案に加え、競合各社が述べた内容を収める。

最後に、管理職は多くても二人の同僚とともに結果を検討し、ベンダーを選ぶ。選定は判断の問題であり、厳格に形式化できるものではない。当然、各ベンダーの評価では競合の意見が大きな役割を果たすべきである。さらに、問題設定と競合についての説明の質は、能力を示す兆候として扱うべきであり、質が低ければ無能さの兆候となる。概算提案は、甲乙を付けがたい場合の判断に用いる。監査できるように、調査結果は最終選定の理由を説明する短いメモとともに保存する。その後、会社は通常の購買手順に戻る。その際はおそらく、選んだ一社から詳細な提案と正式な契約書を得ることになる。

先に述べたように、対抗的市場調査は、RFP（提案依頼書）などの従来の手法の欠点に対処する。この主張を、情報の非対称性から検討しよう。

RFPのように企業自身に問題設定を書かせると、ベンダーは自社のソリューションがそれに合っているように見せるため、平然と嘘をつくことになる。エンタープライズソフトウェアのベンダーは、自社の実際の能力について顧客よりはるかによく知っているため、真実と見せかけを区別することはほぼ不可能である。顧客に合わせて技術を根本から変えることをベンダーに期待するのは、不合理である。優れたソフトウェア技術を築くには何年もかかる¹⁶²。顧客が増えるたびに、ベンダーは過去の取り組みより多少よい仕事ができるかもしれないが、その進歩はうんざりするほど遅く、漸進的である。

だからこそ、問題設定をベンダーに書かせることが重要なのである。ベンダーが筆を握れば、自社の技術に合わない問題設定を作るインセンティブはない。逆に、自社が持つソリューションにできる限り近づけるように問題を定式化する。さらに、おそらく最も無能なところを除き、問題の枠組みを定めることについて、ベンダーは顧客よりはるかに豊富な知識を持つ。実際、顧客には一つの問題に見えるものが、異なる技術で別々に扱ったほうがよい複数の部分問題かもしれない。逆に、その「一つの問題」が氷山の一角にすぎず、もっと広い視野と、まったく異なる技術的な方法を必要としているかもしれない。有能なベンダーは、適切な見方で課題を捉える説得力のある理由を提示することで、その力量を示す。

ベンダーに競合を明らかにさせることで、RFPにつきまとう選択バイアスに対処できる。最初の候補選定は、取り組み全体で最も重要な決定の一つである。早い段階で数社を除外するだけで、優遇したいベンダーが選ばれることをほぼ確実にできる。調査に六社程度以上が含まれていれば、候補選定の妥当性を疑う人はほとんどいない。この弱点は公然の秘密であり、実際のRFPでは盛んに利用されている。

それに対し、各ベンダーが挙げた候補を合わせた一覧を操作するのは、はるかに難しい。各ベンダーには固有の偏りがあり、脅威が大きすぎると考える競合を意図的に省くかもしれない。しかし、互いに連携していないため、特定の一社を狙い撃ちすることは難しい。しかも、各ベンダーは、自らが示す専門性が問われていることを知っている。提示した競合の質によって、自社も評価される。無能あるいは無関係な、見せかけの競合の候補一覧を顧客に持ち帰れば、そのベンダー自身が無能だと示すことになる。

競合の一覧を出せない、まして評価などできないと、さまざまな言い訳をするベンダーもいる。しかし、自由市場において、競合が何をしているかをまったく知らない企業が「最先端」であるという主張には、説得力がない。進歩が極めて漸進的なソフトウェアでは、なおさらである。競合に無知なベンダーは珍しくない。それは徹底した無能さを示す兆候であり、そのように扱うべきである。

あの質疑応答のゲーム全体を省くのは、欠陥ではなく利点である。質問票は決まって官僚的な怪物へと変わる。無関係な質問や、質問を装った要件が、やがて手順全体を支配する。優れたベンダーを苛立たせ、悪いベンダーに力を与える。このゲームに付き合う価値はまったくない。インセンティブは間違っており、入力である顧客の質問も、出力であるベンダーの回答も信頼できない。

同様に、概算見積もりにこだわるのも意図的である。エンタープライズソフトウェアは厳密科学ではない。有能なベンダーなら、自社で作ったソリューションの総所有コストについて妥当な概算を出すために、長期の調査は必要ない。そのような見積もりを出せないことは、無能さの兆候と見なすべきである。少なくとも、ベンダー自身の料金、支援する第三者の料金、そのソリューションに割り当てる社内リソースの費用を含める必要がある。費用の見積もりをごまかす際の最もよくある手口の一つは、ベンダーへの支払い以外の付随費用を見て見ぬふりをすることである。この手順でも、ベンダーがいくつかの項目を省くことは防げないが、ベンダー同士が協力していないため、予想される支出をかなり広く網羅できる。

それに対し、従来のRFPは、途方もない数のくだらない要件をベンダーに押し付ける。優れたベンダーは、こうした無意味な要件を取り除くのに多大な労力がかかり、結局は価値の疑わしい機能を多数実装することになる場合が多いと知っている。その結果、ベンダーは従来型のRFPに直面すると、決まって料金を上乗せする。また、RFPに明示されていない限り、自社に直接帰属しないあらゆる費用を、喜んで見て見ぬふりをする。

最後に、競合による評価こそ、良いものと悪いものを本当に見分ける情報である。どんなソフトウェアにも強みと弱みがあるが、おそらく最も無能なところを除き、自社のソリューションの最悪の欠陥を進んで明かすベンダーはいない。追及されると、偽りの謙虚さを演出するために、小さな懸念を持ち出す。エンタープライズソフトウェアのように複雑で不透明なものでは、目をそらさせることは簡単である。一方、競合は悪い点や醜い点を指摘するのをためらわない。エンタープライズソフトウェアの性質上、非難や中傷は不要である。その代わり、競合の提供物のうち、よく選んだいくつかの側面を調べるよう、顧客を促すだけでよい。さらに、関連する事項に顧客の注意を向けること自体が、能力の証明となる。

対抗的市場調査は、優れたベンダーに力を与える。彼らは、ベンダーを評価する技を顧客に教えられる。ソリューションを導入したときの収益を最大化するように、課題の枠組みを定められる。威圧的な官僚主義の狂気をかき分ける必要がないため、価格を下げられる。唯一の欠点は、自己満足に陥った管理職が持ち合わせている以上の勇気を求める場合が多いことである。彼らは、自分たちの官僚機構の機嫌を損ねたがらない。

ベンダーがこの対抗的な調査を通過して選ばれたら、作業は本来の導入へ戻る。生データの抽出を整え、最初の数値レシピを作り、常軌を逸した明細がなくなるまで並行稼働するのである。

10.2 導入範囲の設定

実務上、「同じ希少なリソース」とは、共有在庫プール、共有する上流の能力や条件（金型、MOQ、段階的なリベート、与信枠）、共通の輸送上のボトルネック（輸送路、港の組み合わせ、車両の種別）、そして日常的に忘れられる、共通の管理職の注意力を意味する。新たなサプライチェーンの取り組みに着手するとき、最初の仕事は、その最終的な目的と活動範囲を明確にすることである。例えば、生産スケジュールや再発注数量を改善したい企業もあれば、これまでばらばらのスプレッドシートで動いていた複数の意思決定プロセスを統合したい企業もあるだろう。しかし、どの場合も、何を変えるのかを最初から明示しなければならない。どの意思決定を変え、誰が責任を負い、それをどう日常業務に組み込むのか。

重要な洞察が一つある。「可視性」を改善することや、副次的な指標を作ることだけを目指す取り組みでは、それ自体で持続的な収益を得ることはできない。組織の人々が、取り組みの前と同じ、一段階ずつ手作業で行う意思決定を続けているなら、どれほど洗練されたダッシュボードであっても、可視化の取り組みは空虚なままである。逆に、発注や能力配分のような具体的な行動を定期的に出力し、実行する知能システムを目標として掲げれば、すべての要件を表現しやすくなる。本番環境で日次または週次の意思決定を生み出し、それを信頼することに焦点を当てると、企業は、最初から事業の経済的現実に根差した成果物を中心に、役割とリソースを整えざるを得なくなる。

ここから実用的な目安が得られる。複数の店舗が一つの配送センターから供給を受けるなら、すべての店舗を一度に対象に含める。そうしなければ、エンジンは選択肢間ではなく、スプレッドシート間の裁定を行うことになる。二つの工場、または二つのDC（配送センター）が真に独立しており、上流に共通の在庫プールがなく、下流に共通の幹線輸送路もなく、購買チームも共有していないなら、別々の段階で導入する。サプライヤーの金型、MOQ、段階的なリベートが複数の品目を結び付けているなら、その一群を一度に対象に含める。幹線輸送路や港の組み合わせがボトルネックなら、そこを通るすべての流れを対象とする。同じプランナーが同じ予算や与信枠の配分を調整しなければならないなら、その担当領域は一体として扱う。管理職の注意力も、パレットや時間と同じく有限だからである。

対象範囲をどこまで広く、あるいは狭くするかを決めることも、同じくらい重要である。ある工場の補充を自動化できても、下流のボトルネックや上流の価格の不整合を生み、知らず知らずのうちに問題を別の場所へ移すかもしれない。妥当な日々の意思決定を目指す場合、単一の製品群や少数の倉庫だけを見ると、誤解を招くことが多い。小さく始めるほうが「安全」に見えても、深い構造的な相互依存によって、こうした局所的な試験導入は代表性を失うことがよくある。狭く定義したプロジェクトは制約が強すぎて、実際の業務の複雑さのもとで取り組みがどう機能するかを、企業が一度も確認できないこともある。一方、範囲を広げすぎると、何年にも及ぶデータ統合の遅延にプロジェクトが沈みかねない。実務上の適切なバランスは、在庫、輸送、生産設備など、同じリソースを奪い合う重要な流れをすべて捉えつつ、サプライチェーンの意思決定への影響が小さい機能に、任意の寄り道をしないことである。

明確に定義された最小限の役割を設けることも、同じく重要である。大規模なサプライチェーンには無数の職名があるが、自動化された意思決定プロセスを支える責任を負う必要があるのは、少数の役職だけである。データ責任者は、理想的にはフィルターをかけないダンプという形で、生の取引データを安定して抽出し、その後の処理の柔軟性と透明性を保つ。次にサイエンティストが、生データから最終的な推奨意思決定に至る技術と分析の全体に責任を持つ。日々のフローマネージャーは、自動化前の通常業務ではプランナーだった人物であり、現場の文脈に関する知識を提供し、疑わしい出力を問い直し、現場の制約を明らかにする。最後に、取り組みが障害にぶつかったときに調停するサプライチェーン担当幹部を置く。新たな配送センターやソフトウェアツールが導入されたなら、意思決定の背後のモデルを放置せず、それに応じて修正するようにするのである。

意思決定への明確な焦点、適切な対象範囲、正しく定義された役割、期間が限られ守られる導入日程。こうした要素すべてが、円滑な取り組みへの道を開く。また、対象が公式や理論的な最適値ではなく、サプライヤー、顧客、業務が変化する環境で更新され、再実行される、生きたレシピであることも明らかになる。この基盤が整えば、次にその中核を検討する。知能システムの中心にある数値レシピは、関連するあらゆるデータを、財の流れを導く具体的な日々の意思決定に変換する。

本節では、企業の目標との整合を確保する「ソフトな」要素、すなわち役割とリーダーシップを整えながら、サプライチェーンの運営に必要な日次または週次の意思決定を生み出すために、取り組みをどう枠組みづけるかを改めて検討する。

10.2.1 数値レシピ

導入に際して、対象範囲に関する限り、数値レシピは取り組みの境界における契約と捉えるのがよい。対象範囲を定める際に先に決着を付けるべき三つの事項を、コードで示す。エンジンが出力してよい意思決定とその書き込み先の台帳、検討してよい選択肢と外生的なものとして扱う選択肢、そして内部で価格を付ける共有リソースと外部のシャドープライスとして読み込む共有リソースである。予測への姿勢、意思決定理論、「常軌を逸した」明細のデバッグなど、それ以外のことは前の各章で扱ったので、ここでは繰り返さない。

第一に、意思決定である。範囲を定めたレシピは、出力を正確に指定する。補充なら発注または移送注文のテーブルに挿入する明細、生産なら有限の作業指図に対する開始時刻と数量、価格設定なら合意した頻度で掲示する価格変更である。出力は冪等で、状態を持たない必要がある。すなわち、同じ入力から同じ出力を生む。書き戻しは、意思決定の識別子とタイムスタンプによって曖昧さなく照合できる。この限定的な宣言によって、対象範囲は現実に根差す。記録システムに書き戻せない意思決定は、対象外である。

第二に、選択肢である。対象範囲によって、エンジンが変えてよいものと、所与として受け入れるべきものを固定する。DCから店舗への出荷が対象で、価格設定が対象外なら、価格は選択せずに読み込む。その影響は、企業の金銭的な台帳を通して目的に組み込まれる。海外発注が対象でも運送業者の選定が対象外なら、輸送モードは選択肢としてではなく、費用とリードタイムの分布として与えられる。許容される行動を明示すれば、スプレッドシートによる場当たり的な対応へ逆戻りし、対象範囲が非公式に拡張され、責任の所在が消えることを防げる。

第三に、共有リソースである。対象範囲が妥当であるためには、その内側で制約として効くすべてのリソースについて、ここで意思決定するか、ここで価格を付ける必要がある。在庫プール、段階的なMOQの対象となる金型群、荷役場の処理能力、港の組み合わせの輸送能力、購買担当者の与信枠、さらには管理職の注意力も、典型的な制約要因である。こうした要因が境界をまたぐ場合、隣接領域から提供されたシャドープライスを取り込み、それに従わなければならない。その価格がなければ、エンジンは選択肢間ではなくスプレッドシート間の裁定を行う。逆に、その制約要因を内部に取り込んだら、外部のシャドープライスは廃止する。結び付きは内部化される。

範囲を定めたレシピには、結果の帰属も伴う。その責任期間は、確約によってリソースが拘束された瞬間から、次の次にそれを再配分または処分できる機会までと明示し、終端評価額とラチェットも示す。その期間内では、エンジンは、自らの出力がもたらす通貨単位で表した結果、すなわち販売機会損失のペナルティ、過剰の費用、混雑、値下げを負担する。期間を超える費用は、いつまでも追い続けず、終端価値として評価する。この境界が、取り組み同士の二重計上と、隣接チーム間でおなじみの責任のなすり合いを防ぐ。

対象範囲の設定では、境界での停止と可逆性が必要である。入力が古いとき、外生的なシャドープライスが欠けているとき、根拠記録のレベルで妥当性確認に失敗したときには、エンジンが自ら停止しなければならない。人の介入なしの運用への昇格は、こうした停止がまれで、原因を診断できることを条件とする。可逆性は、状態を持たないことと、決定論的な再実行によって得られる。版管理されたコードと抽出データから昨日の実行を再現でき、「データの変化」や「ユーザーによる上書き」を言い訳にする必要はない。

取り込むデータは、対象範囲から決まる。テーブルは全体を、スキーマに忠実に、毎日、意思決定の頻度が求めるならそれ以上の頻度で複製する。上流での「親切な」加工は一切認めない。意思決定に影響するフィルタリング、補完、結合はレシピの内部に置き、経済的な論理と一緒に監査できるようにする。各出力の主要な要因を通貨単位と制約で示す列という、最小限のホワイトボックス化も、この契約の一部である。この根拠記録によって、財務部門と業務部門は、なぜその明細が妥当なのかを一目で確認できる。

二つの短い例で、境界を具体化しよう。一つのDCを対象とする、DCから店舗への補充レシピは、そのDCが供給するすべての店舗に移送注文を出し、数量とリリース時刻を変え、価格と棚割りを外生的なものとして読み込み、DCの労働力と荷役場の能力を内部化する。別のDCも同じ上流のプールから供給を受けているなら、そのプールのシャドープライスを取り込むか、対象範囲を拡張してそのDCも含めなければならない。中途半端な対応は、スプレッドシートを介したDC間の裁定を招く。あるサプライヤー群を対象とする海外購買レシピは、ロットを組んだ発注を出し、段階的なMOQとリベートおよび共有金型を内部化し、運送業者の選択を価格付きの入力として読み込み、輸入DCへの引き渡し時の終端価値を通して下流の費用を帰属させる。価格設定や店舗への配分は、後続の展開段階までは対象外のままである。

最後に、対象範囲は変化することを前提とする。その接合部を与えるのが契約である。隣接領域を内部に取り込む際には、中核を書き直さずに、外生的なシャドープライスを内生的な意思決定へと置き換える。導入の実務で、対象範囲が「かみ合う」とはこういうことである。境界は飾り文句を並べたスライドではない。出力、許容される行動、制約要因、価格、停止条件を指定する、実行可能なコードである。次の項では、こうした境界がシステムの残りの部分とどう相互作用するかを検討する。

10.2.2 データパイプライン

対象範囲が現実のものになるのは、アプリケーション群と接するところからである。現代の企業は、取引用のERP、保管場所用のWMS、輸送用のTMS、注文用のCRMといった縦割りのシステムで動いており、それぞれに固有のスキーマ、実行頻度、言い伝えがある。したがって、取り組みの対象範囲を定めることは、抽象的に線を引くことではない。これらの縦割りを横断する、明確で長持ちする接合部を設け、余計な処理がなく、忠実で、再現可能なデータパイプラインで維持すると決めることである。

前項で定義した数値レシピは、出力、許容される選択肢、共有の制約要因という論理的な範囲を与える。パイプラインは、その情報面での対応物である。その範囲に必要なテーブルを、意思決定から導かれる頻度で複製するべきである。実務上は、そこを過ぎてから抽出する明示的なUTCの締め時刻、すなわち毎日の締めを設けるほうが、出所を曖昧にする漠然とした「ほぼリアルタイム」という野心より優れている。鮮度は経済的な選択である。通貨単位で表した期待改善額が、追加の摩擦に見合う場合だけ速める。それ以外は、誰もが同じように再実行できる、明確な一日一回のスナップショットを優先する。部分的な抽出や「試験導入用の切り出し」は逆効果である。規模の効果や意味の癖を隠し、おもちゃのような部分集合で、正しく動いているという錯覚を生む。最適化しようとする範囲を、そのまま複製するのである。

各抽出データは、不変で、それ自体で内容を説明できる必要がある。テーブルには、小さなマニフェストを添付し、どの時点までのデータを含むかを示す境界、テーブルごとの行数、業務上のタイムスタンプの最小値と最大値、スキーマのフィンガープリントを記録する。保存は追記専用とする。昨日のファイルを編集することはなく、遡及的な修正は今日のダンプに新しい事実として現れる。この規律は、タイムトラベルと組み合わせることで、ビット単位の再現性を保証する。何か月後でも、「データが変わった」と言い訳せずに、過去の実行を再現できる。

削除と遅れて届く修正には、明示的な扱いが必要である。巧妙な差分処理より、完全なスナップショットを優先する。それが不可能なら、上流の変更データキャプチャを、対象範囲内の追記専用台帳に正規化する。物理削除には削除を示すトゥームストーンを、更新には版管理された行を用いる。目標は一様性である。レシピは、その場での編集によって姿を変え続ける対象ではなく、一つの増え続けるイベント履歴をもとに推論する。

アクセスは最小権限に従う。読み取り専用のサービスアカウントで抽出データを取得し、この取り組みからパイプラインを通して記録システムへ書き戻すことは決してない。個人を特定できるデータは最小限にする。大半のサプライチェーンの意思決定には、それを必要とする正当な理由がない。接合部は薄く保つ。抽出データは意見ではなく事実であり、意思決定を変える変換処理は、経済的な論理と一緒に版管理できるレシピの内部に置く。

履歴の長さは、少なくとも補充サイクル一回分を完全に含み、季節性が重要なら二回の季節的なピークを含むべきである。長いほどよいが、「学習するのに十分」であれば足りる。忠実な三〜六四半期分があれば、レシピを収束させられる。過去データの追加によって、導入を頓挫させずに、後から履歴を延ばせる。祝日、価格指数、短距離輸送の生鮮品に関する天候といった外部フィードは、独自の更新頻度と出所を持つ、正式なテーブルとして取り込む。まず社内の記録を活用する。外部要因が報われるのは、その信号が、持ち込む雑音より明らかに強い場合だけである。

専用フィルター、黙って行われる補完、事前結合済みのビューといった、上流での「親切な」加工は、接合部を霧で覆う。意思決定に影響する変換処理はレシピの内部に置き、経済的な論理とともに版管理し、結果の出力と一緒に監査できるようにしなければならない。記録は、あくまで現実についての仮説である。生の状態を保つことで出所が維持され、不具合を、文書化されていないクレンジングスクリプトではなく、元のシステムまで追跡できる。

縦割りのアプリケーション群を、この取り組みに合わせて別の基盤へ移すことはない。そのため、対象範囲の設定では、その結び付きを事前に解消しようとせず、尊重しなければならない。制約として効くリソースが内側にあるなら、その制約を内部化する。境界をまたぐなら、その影響を隣接領域からのシャドープライスとして受け取る。不都合なデータを削除したり、共有在庫、能力、輸送路、注意力を奪い合わないほど小さな一部分を切り離したりして「単純化」しようとすれば、廃止するはずだったスプレッドシート間の裁定を、そのまま復活させることになる。

技術的には、パイプラインは退屈なものでよい。追記専用のスナップショット、不変のファイル、マニフェストによって保護された抽出データ、過去のあらゆる実行をビット単位で再現するタイムトラベルである。このささやかな規律によって、レシピの契約が求める停止と可逆性が、実務上も機能する。ストレージは安いが、早すぎる要約は安くつかない。価値のある複雑さは、金銭のやり取りが変わる場所、すなわちレシピの内部にだけある。それを養う配管の中にはない。

一方に忠実な複製、他方にレシピ内部の監査可能な変換処理という接合部ができれば、大きな混乱なく対象範囲を拡張できる。外部のシャドープライスを内生的な意思決定に置き換えることで、新たな領域を内部に取り込む。パイプラインのほかの部分を作り直す必要はない。次の項では、この接合部を日々維持するために必要な、少数の役割を割り当てる。

10.2.3 取り組みにおける役割

対象範囲を明確にし、日々の意思決定の生成に焦点を絞ったら、次に重要なのは、プロセスの各部分の責任を定義することである。企業はサプライチェーン全体に多くの専門的な役割を設けていることが多いが、自動化された意思決定のワークフローを支えるのに必要なのは少数だけである。役割が多すぎると、最終的な成果への責任が薄まるだけだ。逆に、少数の明確に定義された役割は、説明責任を確保し、生データから最終的な意思決定までの流れを明確かつ追跡可能に保つ。

データ責任者は、データパイプラインを構築し、維持する。この役割はITとサプライチェーンの接点にあるが、あくまでITの規律に根差す。主な目的は、ERP、WMS、CRM、その他の既存アプリケーションといった記録システムから、フィルターをかけていない生の抽出データを提供することである。これらのデータセットを毎日または毎週、信頼できる形で届けることは、見た目より難しい。小さなスキーマ変更、部分的な更新、利用上の癖によって、抽出ジョブは日常的に壊れる。いったん安定すれば、パイプラインの維持に必要な労力はごくわずかになる。重要なのは、この役割がデータを「修正」したり「解釈」したりしようとしないことである。手元在庫が負の値になる、取引が欠けているといった重大な異常が現れたら、関係するチームに知らせるべきだが、元の記録を上書きしたり加工したりしてはならない。こうすることで、取り組みは正体不明の変換結果ではなく、実際のデータに向き合う。

サプライチェーンサイエンティストは、生データから日々の意思決定まで、レシピ全体に責任を持つ。この役割が、取り組みの論理的な中核である。データ責任者が抽出に集中する一方、サイエンティストは、あらゆる費用要因、業務上の制約、戦略上の選好を、レシピそのものへと落とし込むことに集中する。一般的なデータアナリストや「データサイエンティスト」と異なり、サプライチェーンサイエンティストは、そのプロセスを本番運用に耐えるものにすることを、自分自身の責務とする。推奨が明らかに間違っているなら、モデルの前提の誤り、見落としたリードタイムの制約、会社の現在の財務目標との不一致など、誤りの原因を突き止めるのはサイエンティストの責任である。時間とともに、新しい洞察を直接レシピへコードとして組み込み、変化する業務の現実との整合を保つ。統計ツール、最適化エンジン、シミュレーション技法を用いるとはいえ、指針は、実務で使える日々の意思決定を届けることである。この考え方の違いは決定的だ。ダッシュボードや業績指標は、実情との関係を失ったままでも存在できる。毎日の自動化された意思決定では、それは許されない。

次は経営スポンサーであり、経営レベルの指針と調停を提供する。サプライチェーンの意思決定は、必然的に会社全体の経済的な計算を反映する。サイエンティストは、ときに、費用、利益率、トレードオフ、ベンダーの取引条件について、上級経営陣しか妥当性を確認できないモデル上の前提を置く必要がある。例えば、一つの倉庫が補充を早めるために割高な輸送を求めても、それは全社で航空輸送を減らす目標と衝突するかもしれない。意見が分かれた場合、スポンサーがトレードオフの優先順位を明確にする。また、プロジェクトに必要な社内政治上および財務上の支援を確保する。残存する製品保証や越境輸送への法的制約など、プロセスのより深い変更を要する新たな要因をサイエンティストが発見したときには、スポンサーが直接関与することで、組織上の障害を速やかに取り除ける。

最後に、旧来のプロセスではプランナーや在庫管理者だったフローマネージャーも、引き続き不可欠である。日々の意思決定はいずれ自動化されるが、現実の複雑さが消えることはない。フローマネージャーは、データテーブルでは捉えられない日常業務の洞察を提供する。例えば、どのサプライヤーが分納しがちか、どの包装ラインに繁忙月になると微妙な品質問題が現れるか、といった知識である。旧来のスプレッドシートと新しいレシピを並行稼働する最初の数か月間は、「常軌を逸している」ように見える意思決定を見つけ、その観察を伝える。自動化の安定性が証明されるにつれて、その仕事は変わる。在庫水準を一つずつ細かく確認する代わりに、顧客やサプライヤーとのより広い関係に集中し、倉庫の浸水や一夜にして起こる規制変更といった予期せぬ混乱に対処し、その知識をサイエンティストへ戻す。果てしないスプレッドシート更新から解放され、ネットワーク全体の流れを守る役割を担い、サプライチェーン全体の回復力と対応力を高めるのである。

要するに、責任は四つの動詞に集約される。データ責任者は事実を調達する。サプライチェーンサイエンティストは日々の確約を出力し、信頼度が下がればエンジンを止める。経営スポンサーはトレードオフと境界をめぐる争いを調停する。フローマネージャーは現場の流れを監視し、異常を上位へ報告する。

この四つの役割は、大企業であっても、驚くほどコンパクトな体制に収まる。一人が複数のプロジェクトのデータ責任者を兼ねることもでき、一人のサイエンティストが数十万のSKUを管理することもできる。それぞれの責任が、一つの容易に特定できる領域に対応することを最初から明確にすれば、部門間の摩擦が減り、より野心的で焦点の定まらないプロジェクトをしばしば麻痺させる、際限のない引き継ぎや部分的な責任分担を避けられる。

役割が割り当てられれば、データ抽出から、安定して本番運用に耐えるプロセスに至る、約六か月の具体的な導入サイクルへの道筋が整う。

10.3 立ち上げ

立ち上げとは、範囲を定めた構想から、人の介入なしの出力へ移行することである。対象範囲、役割、日々の抽出データの接合部が整ったら、残るのは、明示的な通過条件を伴う実行である。数値レシピを毎日現実に触れさせ、準備完了の基準を満たしたときだけ前へ進み、流れを中断せずに手作業の定型業務を廃止する。

本節では、対象範囲、役割、経済的な論理を再検討しない。それらは上で決着している。扱うのは頻度と統制である。知能システムが安全に責任を引き受けるために、何が、どの順序で成立しなければならないのか。日付は基準に従う。日程は結果であり、計画ではない。

以降は、通過条件を示す簡潔な工程、その条件へ至る日々の実践、段階的な展開と可逆性の仕組み、長期的な維持に向けた姿勢の順で進める。これらがそろえば、スプレッドシートから人の介入なしの意思決定への移行は、英雄的な働きではなく通常の作業になる。

10.3.1 工程の概要

対象範囲と役割が整うと、立ち上げは三つの段階を経て進む。大半の企業では、これはおよそ六か月に収まる。この期間は経験に基づく見込みであり、約束ではない。日程を左右するのは計算よりも組織の動く速度であり、数週間の遅れは、通常、「厳然たる」技術的限界ではなく、ガバナンスや対象範囲の問題を示す。

第一段階が終わるのは、毎日のデータ抽出が完全かつ信頼できるものになったときだけである。数値レシピに必要なテーブルの範囲を、毎日の明確な締め時刻で、スキーマに忠実に複製する。抽出データは不変で、その内容を自ら説明できる。過去の実行をビット単位で再現でき、上流の癖は、出所を曖昧にする「親切な」加工なしに扱う。停止ヒューリスティクスを組み込み、入力が古い、または欠けている場合にエンジンが自ら停止するようにする。実務上は、この接合部が一定期間、問題なく再現可能な形で動き、不具合を下流で取り繕うのではなく、接合部で追跡して修正できたときに、この段階が完了する。

第二段階が終わるのは、レシピが常軌を逸した意思決定を出さなくなったときである。パイプラインが安定したら、数値レシピを従来の通常業務と並べて毎日実行する。各出力には、その主要な経済的要因を通貨単位でホワイトボックス化した根拠記録を添える。日々、予想外の結果を意味、制約、価格に反映し、明らかな失策が消えるまで続ける。ここでの基準は完璧さではなく、常軌を逸したものがないことである。並行稼働では、常軌を逸した明細がゼロの状態を維持しなければならない。手作業の通常業務との間に残る違いは、論理上の誤りではなく、限界的な経済性の問題でなければならない。

第三段階が終わるのは、本番で使うのに十分な信頼が得られたときである。同じレシピが、今度は限定した範囲内で書き戻しを行う。停止ヒューリスティクスで保護され、設計上、元に戻せる。出力は状態を持たず冪等であり、ロールバックと再実行は日常的に行える。文書を読めば、別のサイエンティストが数時間以内に診断して元に戻せる。観測・検証の仕組みには、財務部門と業務部門が会議なしに意思決定を監査できるだけの説得力がある。根拠記録は読みやすく、帰属は明確で、責任期間は明示されている。対象範囲の一部で、人の介入なしの短い展開を問題なく終えれば、本番への昇格は信仰による跳躍ではなく、形式的な手続きになる。

これらの通過条件は、試験導入から永遠に抜け出せなくなることを防ぐためにある。ある段階が長引くなら、日程を引き延ばすのではなく、未完成の抽出、対象範囲の際限ない拡大、責任者のいない価格など、その原因を上位へ報告する。逆に、条件を満たさずに急いで通過すれば、リスクを本番環境に移すだけである。以降では、すでに定めた範囲や役割を繰り返さず、各段階の日々の作業を詳しく見ていく。

10.3.2 反復的な導入

導入は、工学の章で紹介した実験的最適化を実務で動かすものである。数値レシピを毎日、現実の接合部に触れさせ、反証に基づいて修正し、結果の意思決定が妥当になってから前へ進む。ここでの目的は実践的である。その理論を繰り返すのではなく、この姿勢を本番でどう実践するかを扱う（工学の章の実験的最適化とホワイトボックス化を参照）。

10.3.2.1 日々の並行稼働

毎日の締め時刻に、本番と同じ締め時刻、同じ許容行動を用いて、対象範囲全体でレシピを端から端まで実行する。意思決定を出力するが、書き戻しはしない。出力とその根拠記録を保存し、従来の通常業務と比較する。実行は状態を持たず、再現可能である。抽出データとコードの版が同じなら、出力も同じになる。停止ヒューリスティクスは有効なままとし、停止はすべて、テーブルの欠落、古いシャドープライス、意味のずれなど、次回の実行前に解消すべき接合部の不具合として扱う。並行稼働はデモではない。予想外の結果を出さなくなるまで、レシピが現実に触れ続ける、日々の実験室である。

10.3.2.2 常軌を逸した意思決定をゼロにする

「常軌を逸した」とは、厳格な物理的または法的制約に違反する、事業の基本的な事実に反する、あるいは明示した価格のもとで期待収益が明らかに負になる出力を指す。対象範囲全体で、そのようなものがない状態を維持することが、並行稼働を終える通過条件であり、上の工程の第二段階に対応する。手作業の通常業務との限界的な違いは、昇格を妨げない。それらは台帳に基づいて判断し、次の項の展開で決着させる。

10.3.2.3 発展する観測・検証の仕組み

反証を速めるために、すべての出力には短い根拠記録を付け、その主要な経済的要因を通貨単位で示すとともに、そこで効いている少数の制約を明らかにする。根拠記録のスキーマはレシピに属し、レシピとともに変化する。版管理され、再実行可能で、明細を作るのと同じコードによって書き出される。並行稼働では、実務家が予想外の結果の原因を数分で特定できるようにする。本番では、同じ根拠記録によって、財務部門と業務部門が会議なしで意思決定を監査できる。ホワイトボックス化の仕組みはすでに詳しく述べた。ここでは、導入を速めるものだけを残す。

並行稼働をしばらく続けても常軌を逸した明細がなく、停止もまれで、その原因を説明できるようになったら、同じレシピで限定した範囲への書き戻しを始められる。この切り替えの仕組み、すなわち対象範囲の選択、安全弁、可逆性は、次の段階的な展開で扱う。

10.3.3 段階的な展開

毎日の並行チェックから、知能システムへの実際の依存へ移ることは、リスク管理の実践である。少しでも問題の兆候があれば会社全体が旧来の手作業へ戻ってしまうことのないよう、十分に明確に変える必要がある。一方で、大規模な混乱を避けるだけの慎重さも必要だ。多くの組織は、この段階でためらい、新しいシステムを永遠の試験導入にとどめる。しかし、秩序立った確固たる移行によって、取り組みが宙ぶらりんになることを防げる。

10.3.3.1 最初の対象範囲

一般的な始め方は、サプライチェーンの中から密接に結び付いた区画を選び、その部分集合だけで自動化された意思決定を動かすことである。例えば、一つの配送センターが特定のカテゴリーについて日々の推奨に従ったり、一つの製造施設が一つの製品群について自動化された生産スケジュールを使ったりする。理想的には、それらの製品や施設には、すでに安定したデータと、十分に理解された制約がある。推奨された発注をそのままサプライヤーに送るなど、レシピの出力を実際の業務で採用すれば、本物の稼働条件で「常軌を逸した明細」が現れないことを確認できる。この最初の移行は通常、一〜二週間続く。費用、在庫、リードタイムの基本的な前提が、日々の行動に正しく落とし込まれていることを確かめるのに十分な長さである。

性能が安定したら、ネットワークのより広い部分を取り込める。例えば、最初の段階が一つの配送センターを対象としていたなら、次は同じ地域のすべての配送センターを含めるかもしれない。拡張のたびに、サイエンティストとデータ責任者は、同じデータパイプラインの構成が、新たな複雑さを持ち込まずに、追加した拠点や製品群へ拡張できることを確かめなければならない。同時に、フローマネージャーは、ベンダーが厳格にパレット満載を要求するなど、その場所固有の規則を見落としていないか確認する。選び、安定性を確認し、拡張する。この型を、最初の対象範囲の関連部分をすべて覆うまで繰り返す。

10.3.3.2 手作業への退避を段階的に廃止する

より難しいのは、旧来の手作業の手順を、いつ、どう廃止するかを決めることである。多くの企業は、システムが生成するすべての推奨をプランナーが確認し、不足の兆候が少しでもあれば手でパラメータを調整する「半自動化」を試みてきた。慎重に見えるが、期限のない二重チェックは、ひそかに利益をむしばむ。名目上の自動化は、数字が直感に反した瞬間に無視される、大げさに飾り立てた提案エンジンへと堕する。推奨発注を疑って再検討したり、打ち直したりする一時間は、サプライヤーとの関係づくりや、新しい市場の信号の分析など、機械にはできない仕事へ投じられなかった一時間である。

自動化の価値を本当に引き出すには、旧来のプロセスを実務から退役させる必要がある。この決定は、信仰による跳躍を要するように見えるかもしれない。しかし、その時点までの日々の比較によって、新しい方法が明白な誤りを出すことは、あったとしてもまれだと示されているはずである。サプライヤーのリードタイムの急増や、予告のない包装規格の変更といった異常が起きても、レシピ内で修正するほうが、スプレッドシートを継ぎはぎするより体系的で速いことがわかる。論理がコードに集約されているため、一つの修正で、SKUと拠点をまたぐ潜在的な誤りを直せる。この明快さが、最終的に、統制を手放さずに時間を節約できるという確信を、プランナーと中間管理職に与える。

10.3.3.3 例外への対処

変化するサプライチェーンは、レシピが十分に想定しなかった事例に必ず遭遇する。自然災害で倉庫が浸水することもあれば、サプライヤーが債務不履行に陥ることもある。通常時には機能していた自動化に、一時的な上書き、あるいはモデル化した制約という、迅速な調整が必要になる。旧来の手作業のプロセスを止めた直後は、何かが壊れるたびに緊急事態に感じられる。推奨発注の急増や、大きなバッチサイズに対応できない問題にも、慣れたスプレッドシートの安心感なしで対処しなければならない。

ここで主な責任を負うのはサイエンティストである。レシピは状態を持たず、毎日データセット全体から意思決定を新たに計算し直すため、前提が明確になり次第、変更を加えられる。水害を受けた施設が半分の能力で稼働しなければならないなら、翌朝にはその制限をコード化できる。大切なのは、例外を、散在するスプレッドシートの局所的な上書きとして復活させず、統一されたコードに組み込むことである。危機が去った後も、レシピはその制約を保持し、再発に備える。

10.3.3.4 成果の測定

機械的な意思決定をネットワーク全体へ展開するにつれて、観測・検証の仕組みの範囲も広がる。それまでは不安定な明細や誤った明細を見つける助けとなっていたが、今度は、サービス、費用、対応力について予想した改善が実現しているかも評価する。サイエンティストは、通常は財務と業務の責任者とともに、実際の需要を予測と比べ、実現した利益率やリードタイムをモデル上の対応物と照合する。この360度の視野によって、日々の意思決定が現実の変動にどれほど耐えているかがわかる。重要なのは、精度指標や費用比較といった業績に関する人工物の主な目的は、監督の層を新たに増やすことではなく、サイエンティストによる反復的な改善にあるという点である。予測と需要の間に新しい隔たりができれば、微妙な季節性の変化や競合の価格変更を示しているかもしれない。その知見は、レシピのコードへ戻すのが最善である。これらの人工物を部門間で広く共有すれば、委員会で予測をいじる状態に戻り、責任の所在を薄める恐れがある。

機械的な意思決定の展開は、二つの測定を同時に行うことに基づく。第一は、常軌を逸したものをゼロにするという基準である。推奨された発注やスケジュールは、その日にとって明らかに正しいままか。第二は、より長い期間での実績と予測の照合である。この方法は、事業の費用の現実と売上目標を反映しているか。両方の観測・検証の仕組みを、サイエンティストが見て修正できるコードベースの中に置くことで、誤った前提を素早く見つけられる。企業は、部門ごとの部分的な追跡表や相反するスプレッドシートが生む混乱から離れ、一貫して端から端までを見渡す視点を保てる。

10.3.3.5 自律性の定着

数か月にわたる段階的な展開と観測・検証の仕組みの改善を経て、取り組みは日々の通常業務としてまとまっていく。かつてスプレッドシートに追われていた従業員は、より繊細な判断を要する仕事や、流動的な市場で必ず生じる目の前の例外へと注意を向け直す。自動化されたシステムへの信頼は着実に高まる。対象範囲全体が新しいレシピで動く頃には、手作業の方法を懐かしむことはない。従業員は、再発注の意思決定を一つずつ蒸し返す必要がないとわかり、管理職は、需要、供給制約、さらには費用構造の変化にも、レシピのレベルで迅速かつ一貫して対応できると気づく。

自動化の成功は、文化の変化に火を付ける。サプライチェーンの一部が本当に機械的に動くようになったと従業員が理解すると、同様の方法を適用できる新たな領域を見つけ始める。その拡張が当初の対象範囲外であっても、すでに実績のあるパイプライン、観測・検証の仕組み、反復的なプロセスを利用できる。この勢いによって、稼働した途端にシステムが「凍結」される、従来のソフトウェア導入後によくある停滞を避けられる。ここでは、最初から取り組みの構造に素早く反復する能力が組み込まれているからこそ、システムの日々の出力は改善に開かれたままである。

完全な自動化への移行で話が終わるわけではない。次の問いは、この新しい日常をどう維持し、改善し、レシピを企業戦略や市場環境の変化に追随させるかである。十分に検証された機械的な方法が整えば、スプレッドシートへ戻りたい人はいないが、自己満足に陥らないためには、継続して注意を払う必要がある。次の項では、日常の変化からブラックスワンによる混乱まで、一つ一つの出来事を、自動化されたプロセスを強化する機会に変え、絶えず変化する中でも取り組みを実情に合ったものに保つ方法を説明する。

10.3.4 長期的な保守

導入された知能システムは、決して静的なものではない。数値レシピがどれほど洗練されて見えても、事業環境と業務の現実は変わり続ける。新たな規制が生まれ、価格体系が変わり、リードタイムやサービス上の制約が、自動化されたレシピの想定外の形で変化することもある。適応をやめた取り組みは、置き換えた旧システムと同じように、たちまち時代遅れになる。

この文脈での保守は、ソフトウェアのパッチやデータ抽出の修正だけではない。何よりも、レシピにコード化した経済的な論理の正しさと、現実との適合を保つことである。会社が新しい配送センターを開設したり、サプライヤーと新たな契約を結んだりしたら、日々の意思決定を支える費用と制約を、その変化に合わせて改訂しなければならない。実務上、レシピの保守を怠ることは、自動化を損なう大量の手作業の上書きへ戻るか、会社の目標からますますかけ離れた意思決定を出させるかの、いずれかを意味する。

10.3.4.1 絶え間ない変化

体系的な保守が必要な重要な理由の一つは、すべてのつながりが常に変わっていることである。新しいSKUが導入され、古いSKUが廃止され、販促キャンペーンが始まり、予期せぬ混乱で別の経路を使わざるを得なくなる。レシピが昨年の前提に固定されたままなら、新しい機会を逃し、新たに生じたリスクを軽減できない。

この変動は、自動化の欠陥ではなく、現実の市場の性質である。堅牢な取り組みは、レシピの前提を定期的に見直す機会を設け、データパイプラインが通常の状況からの大きな乖離を検出するたびに異常を明らかにすることで、変化を受け入れる。輸送費の急増は、コンテナ容量をより深くモデル化することや、優先する輸送モードの再評価を必要とするかもしれない。同様に、高度な製造ラインの追加はトレードオフを変え得る。新しいラインで段取り替えが安く速くなれば、以前に最適化したバッチサイズが無駄になることもある。

10.3.4.2 財務と業務

レシピの更新を調整するには、サイエンティストと、財務および業務の上級責任者との継続的な対話が必要である。新しいベンダーコードや、再較正した再発注方策といった小さな問題は日常の保守で扱えるが、新しい割引体系や運転資本への異なる考え方といった大きな変更は、本質的に戦略の問題である。

レシピを会社の現在の財務的な現実と整合させ続けるには、費用配賦や予算制約の変化を反映しなければならない。資本の評価方法を管理するのは財務部門であるため、サイエンティストは、在庫をどれほど積極的または保守的に増減させるか、出荷を逃したことによるブランドへの損害など無形の間接費をどう扱うか、出荷遅延と緊急の残業費をどう比較するかを、財務部門に確認する。年一回または半年ごとの共同レビューによって、コードが古い型へ流されず、会社の戦略の方向を反映し続けるようにする。上層部が新市場への進出を優先したい、あるいは航空輸送の利用を一定割合削減したいと考えていても、サイエンティストにはその優先順位を推測できない。早期に、正確に伝える必要がある。

10.3.4.3 状態を持たない実装

効果的な保守のための不変の設計原則は、レシピに状態を持たせないことである。毎日または毎週、すべての推奨を生データから計算し直し、隠れた状態を持ち越さない。この方法は、時間とともに誤りが積み重なることを防ぐ。上流の不具合が今日の在庫水準を水増ししても、データが修正されれば、明日の実行では自然に通常の意思決定へ戻る。データパイプラインが復旧し次第、過去の計算の亡霊を残さずに、システムは「元に戻れる」のである。

状態を持たない設計は、長期的な保守も容易にする。サイエンティストが費用関数を更新したり、新たな制約を導入したりすれば、その変更は次回の実行から直ちに有効になり、調整が必要なすべてのSKUと拠点に及ぶ。保存された古い状態を取り除く必要も、以前に学習したモデルが古い信号を内部に取り込んでいないか心配する必要もない。意思決定をすべて計算し直すことは負荷が大きそうに見えるが、特にデータ抽出が管理下に置かれれば、現代のインフラは、どんな規模のサプライチェーンでも、この量を処理できる。

この状態を持たない型は、需要の急増や方針の急変に対応しなければならないときに、その価値を示す。ある地域全体で異常な注文の急増が起きても、翌日の実行には、前日の判断ミスに縛られずにそれを取り込める。レシピは柔軟であり、条件が変わればすぐに適応する。かつて脆いプロセスを支えるために使っていた、古い手作業のバッファ規則に頼りたくなる誘惑を取り除くのである。

10.3.4.4 ブラックスワン

日常の変動の先には、倉庫火災、洪水、パンデミック、突然の規制による禁輸といった、まれだが深刻な混乱のリスクがある。このようなブラックスワンは、通常の費用構造、能力制約、配送経路をひっくり返す。通常の条件から大きく外れた出来事を、日々のレシピが予期することはできない。しかし、組織は取り組みを立ち上げる際に用いた反復的な方法に頼ることができる。災害が起きたら、サイエンティストは新しい制約や一時的な制約を、直接レシピにコード化する。ある拠点は半分の能力で稼働するか、全面的に迂回されるかもしれない。緊急の物流経路には、通常の十倍の輸送費を割り当てるかもしれない。これらの短期的な調整を終えたら、システムを再実行し、新しい制約が配分や再発注明細をどう変えるかを直ちに確認する。

ブラックスワンは、代替の流れを構築したり、地域全体のリードタイムを大幅に改訂したりする、より深い変更を必要とすることもある。原則は変わらない。レシピが唯一の統合点であり、新たに見つかった制約や極端な費用はそこに導入する。この方法は、スプレッドシートと部門に散らばる手作業の上書きによるその場しのぎの火消しよりも、回復力が高い。各修正は、検証が済めばコードベースの一部となり、一時的な人間の注意力に依存しなくなる。

重要なのは、異例の危機が、会社のリスク認識を深める機会になり得ることである。サプライヤーの債務不履行によって、重要な部品の90%を一社から調達していたと判明したなら、単一ベンダーへの過度な依存を防ぐ規則を、レシピに恒久的に組み込める。日常の確認に用いるのと同じ観測・検証の仕組みで、そのような脆弱性を明らかにできる。やがて混乱から得た教訓が基準を引き上げ、システムをより堅牢にしていく。

したがって、長期的な保守とは、通常のずれを見張ることだけではなく、突然の衝撃に体系的に対応することでもある。日常の更新も緊急の修正も、自動化されたサプライチェーンの中核であり続ける、一つの状態を持たないレシピに結び付く。小さな変更、定期的な再較正、危機に促された大改修というサイクルに会社が慣れると、自動化された流れが常に現状に合ったものに保たれるとわかる。継続的に刷新する仕組みを内蔵しているため、この取り組みは、どのようなスプレッドシートの継ぎはぎよりも安定して柔軟である。

この段階では、取り組みは安定した構造を持ち、日常業務は自動化された意思決定のもとで動き、会社は通常の変化にも大きな不測の事態にも備えている。残るのは、それが役割、組織構造、職務内容をどう再定義するかの評価である。適切に保守されたレシピは、古いプロセスを置き換えるだけではない。サプライチェーンで働く人々を変えるのである。

10.4 組織の変化

自動化された意思決定が毎日社内を流れるようになれば、組織の変化は避けられない。明確な対象範囲や反復的な展開の仕組みは純粋に技術的なものに感じられるかもしれないが、以前はプランナーや中間管理職が担っていた多くの作業が、ほとんど人の介入なしで進んでいることに、社内の人々はすぐに気づく。データを集め、相反する指標を突き合わせ、直前の上書きをやりくりすることに慣れた従業員は、新しいプロセスでは埋めるべき隙間が少ないと知る。負担の軽減を歓迎し、自動化しにくい、より厄介なサプライチェーンの問題に集中する人もいる。一方、自分の存在意義が薄れると感じ、いわゆる「例外」を持ち出したり、システムは「すべての細部を捉えられない」と主張したりして、変化に抵抗する人もいる。

しかし、そうした細部も、明示すればレシピにコード化できる。例えば、いつも端数パレットで出荷するベンダーに合わせてプランナーが再発注数量を調整していたなら、その細かな事情はコードに入れるべきである。追加すれば、レシピは直前の修正に頼らなくなる。絶え間ない火消しから解放された従業員は、取り組みの範囲を広げたり、パートナーとの関係を強めたりできる。やがて会社は、日々の通常業務の多くが変わったことを認めなければならない。毎朝、数百のSKUについてスプレッドシートを調べることに慣れた従来型のプランナーは、そのような手作業の確認が重複作業だと気づく。予測を、予算編成で慎重に扱うべき大まかな「最善の推測」と見ていた財務部門は、別の指示をしない限り、毎日資本を投じるシステムと向き合うことになる。レポートや小規模アプリケーションの依頼が積み上がり、常に過負荷だったIT部門は、適切に設計された一本のパイプラインが、多数の散在した個別対応を置き換えることを知る。

これらの摩擦を乗り越えるには、この取り組みが、ソフトウェアの変更だけでなく、誰が何をするかの変革まで求める理由を、明確に説明する必要がある。自動化された意思決定が信頼されているなら、それを複数のチームに再現させたり上書きさせたりしても、会社にはもう利益がない。計画担当者は、果てしないスプレッドシートを管理する代わりに、各製品の調達や保管の方法を改善し、費用の前提を精緻化し、そうしなければアルゴリズムには見えない新しい信号を捉えるべきである。同様に、レシピの経済的要因が意図した制約を忠実に反映しているなら、財務幹部は、同じ明細を繰り返し検討する必要はない。その代わり、戦略が変わったり、新しいリソース制限が適用されたりしたときに、その要因を調整することが役割となる。

この変化は、新しい協力の形も必要とする。機械的なシステムは、透明であると同時に融通が利かない。二つの部門の不整合を、黙って取り繕うことはできない。倉庫の管理規則が最近の販促施策と矛盾すれば、その衝突は日々の出力にすぐ現れる。結局、こうした矛盾を解くには、穏やかな会議やその場しのぎの修正以上のものが必要である。サイエンティスト、あるいは現在レシピに責任を持つ役割が、更新された指針を組み込み、論理を再実行しなければならない。混乱なくそれを行うために、各チームが結果を気に入らないたびに私用のスプレッドシートを復活させることを認めず、組織は一つの自動化されたプロセスのもとにまとまらなければならない。局所的な回避策にしがみつく人は、全員にとっての自動化の利益を薄める。

最も目に見える変化が起こるのは、日々の計画業務を担う人々である。以前はSKUや拠点を巡回するように確認し、在庫水準を調整し、リードタイムを再確認し、供給や需要が急変したときに手作業で介入していた。今では、より戦略的に関われる。数百の再発注明細を確認する代わりに、新しいサプライヤー契約が正しくコード化されているかを確かめたり、レシピが外れ値として検出した予想外の急増を調べたりできる。日々の仕事では、機械的なデータ入力が減り、関係づくり、新たな費用要因の発見、市場の変化の予見が増える。この変化は、最初は不安を覚えさせるかもしれない。一部の従業員は、各段階を手作業で処理する元の役割は、今も代替できないと考えるかもしれない。部分的な手作業のプロセスを残そうとすることもある。しかし、小さな部分集合でシステムが円滑に動き、より広い範囲へ拡張されれば、レシピの一貫性は、ばらばらな人間の注意力をすぐに上回る。

組織の変化は不快感を生むこともあるが、会社をより機敏にし、本当の優先事項に沿わせる道を開く。輸送費を下げる、あるいは全体のリードタイムを短縮するという戦略的な取り組みがあれば、会議で議論するだけでなく、直接レシピへ実装し、実際の注文で検証して測定できる。プランナーは、需要が変わるたびに後追いする代わりに、制約のモデル化の仕方を形作る機会を得る。幹部は、自ら承認した制約と、その後の在庫や注文履行の指標との因果関係を、より明確に見られる。非生産的な定型業務がなくなれば、反復作業に埋もれていた人々は、サプライヤーとの関係強化、市場からの意味ある信号の収集、新製品の導入や切り替えと日々の機械的な方法との整合の確保に集中できる。

これらの組織調整は、厳密で自動化された意思決定によって発展するサプライチェーンの骨格となる。以降では、この新しい枠組みの中で「フローマネージャー」へと変わるプランナー自身への、最も直接的な影響を見る。その後、初期導入から長い時間がたっても、意思決定を維持し改善するうえで、サイエンティストの役割がどう中心となるかを検討する。

10.4.1 プランナーとフローマネージャー

日々の意思決定が完全に自動化されると、スプレッドシートを精査し、再発注数量を調整し、相反する優先事項を調停するという、従来のプランナーの役割は、その日常的な目的の多くを徐々に失う。この変化は、多くの意味で解放である。小さなデータの不整合を追いかけたり、同じヒューリスティクスを繰り返し適用したりする負担から解放され、同じ人が、より価値の高いフローマネージャーの役割へ進める。一つ一つのSKUを細かく管理する代わりに、供給ネットワーク全体を見渡し、現実の例外を特定し、サプライヤー、運送業者、社内の関係者の協力関係を固めるのである。

10.4.1.1 繰り返される調整

プランナーは通常、スプレッドシートとシステムが生成した数字を手作業で突き合わせ、予測データ、サプライヤーのリードタイム、現場の制約といった、動き続ける要素を整合させる仕事を担っていた。正式なソフトウェアや公式予測が不十分なときには、プロセスをつなぎ留める「接着剤」だった。しかし、自動化された環境では、かつてスプレッドシートを満たしていた論理が、日々の意思決定を生成するレシピに組み込まれる。このレシピは、理論上の数字を作るだけではない。会社の金銭的な費用と制約に根差した再発注明細、配分、能力の予約を、提案または実行する。以前ならプランナーが毎週何時間もかけて疑わしい在庫水準や直前の出荷ミスを探していたところで、今ではプロセスが外れ値を自動検出する。全面的な手作業の確認ではなく、対象を絞った介入を促すのである。

その結果、役割の焦点は、より高い水準へ移る。元プランナーは、数百、数千のSKUを調べて再発注の計算ミスを探す代わりに、より戦略的な仕事や、関係を築く仕事に力を注げる。サプライヤーが新たに取得した認証や、運送業者が特定の地域で苦戦しているという早期警告など、数値モデルが見逃すかもしれない微妙な信号を追える。また、重要な生産ラインのリアルタイムの能力データを取り込む、主要ベンダーの新たな割引体系を捉えるなど、より深い知見によってレシピを改善できる領域も評価できる。こうした発見をサイエンティストに戻すことで、フローマネージャーは、日々の当て推量に頼らずに、自動化されたレシピが発展するようにする。

10.4.1.2 合意のあり方

この変革は、多くの場合、販売・操業計画（S&OP）として知られる、繰り返しの調整会議を不要にする。以前は、チームがそこで予測の調整方法や、不確かな能力への対処を議論していた。多くの企業では、こうした会議は月次または四半期ごとに数字を少しいじる場へと堕し、業務の現実から切り離されたままの、一つの合意値を生む。よくても、既知の制約と部門の見解を繰り返すだけであり、悪ければ、対立を覆い隠し、弱々しい妥協へと導く。

数値レシピが日々の配分や生産スケジュールを決めるなら、どの予測が「正しい」かについて延々と議論することはない。リードタイム、費用構造、欠品ペナルティといった関連する制約は、システムに入っているか、いないかのどちらかである。ある部門が、例えば急な需要増を引き起こす販促計画について懸念を示したら、対応は具体的になる。本当の経済的な利害を反映するよう、レシピを修正しなければならない。特定の販促品の欠品に高いペナルティ費用を設定したり、突然の急増に備えて割高な輸送を織り込んだりできる。毎週の会議で中間的な予測を交渉する代わりに、フローマネージャーとサイエンティストは、更新した費用と制約のモデルに、業務上の意思決定が自動的に沿うようにする。その結果、昔の予測論争の大半は意味を失う。毎日の発注を形作るすべての「最終値」は、会議室で苦労してまとめた妥協ではなく、会社の経済的な論理に根差す。

10.4.1.3 本当の例外

数値レシピは新しいデータに応じて自ら修正するため、個別SKUの意思決定を毎日手作業で上書きする必要はなくなる。その代わり、フローマネージャーは、本当に異常な出来事、すなわちレシピの規則から大きく外れ、そのままでは現実に合わない意思決定を生む事例に注意を向ける。例えば、重要なサプライヤーが予期せぬ技術的障害で工場を二週間閉鎖したなら、大きな混乱として捉える。数百の再発注明細を上書きする代わりに、「サプライヤーAからのリードタイムは今月、実質的に倍になり、分納しかできません」と、問題を上位へ報告する。サイエンティストが変更をコード化し、レシピを再実行すると、再発注数量の改訂から、必要に応じた運送業者の変更まで、システム全体がそれに合わせて再調整される。以前の手作業の方法なら、こうした出来事は、複数の地域で何日にも及ぶ慌ただしいメールの応酬と、その場限りのスプレッドシート変更を引き起こしていた。今では、論理の一つの変更として処理される。

この焦点の変化は、組織全体の摩擦を減らす。フローマネージャーは、ある再発注数量に至った経緯を、明細ごとに弁明する必要がなくなる。代わりに、需要の急増や供給制約の、より大きな姿を調べられる。特定の品目がサービスへの期待をいつも下回るなら、問いは「なぜ先週の再発注が少なすぎたのか」ではなく、「この品目の変動性をレシピが捉えられるよう、費用要因やリードタイムの前提をどう組み直せるか」となる。本当の問題は素早く解決され、「とりあえず予測を上げよう」という古い型は消えていく。

10.4.1.4 戦略家、連絡役、監査役

やがて、フローマネージャーと名を変えた役割は、三つの主要任務の交点に立つ。第一に、戦略家となる。日々の単調な再発注に縛られず、背後の財務的な論理を磨き、新しい倉庫や製品群といった将来の拡張に目を向け、自動化の対象範囲の拡大を提案する。第二に、連絡役として、営業、マーケティング、調達とやり取りし、自動化されたシステムがまだ捉えていない変化を集める。最後に、監査役として、システムの出力を抜き取り確認して外れ値を探し、異常を調べ、費用やリードタイムの前提が今も現実の条件に合っているかを確かめる。

どの任務も、毎朝スプレッドシートで安全在庫を調整するという、従来の定型業務とは似ても似つかない。その古い型は、継続的な改善サイクルに置き換わる。各サイクルでは、新しい製品群、販売経路、制約を取り込んで自動化の範囲を広げるか、輸送費のよりよい近似、バッチ生産の新しい規則、配送遅延に対するよりきめ細かなペナルティ体系を導入して、モデルを深める。事務作業から解放された元プランナーは、どの拡張が最も重要かを掘り当てる鍵となる。

10.4.1.5 チーム全体

フローマネージャーが戦略的な連絡調整の仕事に力を注ぐなら、従来の「上級プランナー」や「生産コーディネーター」も、同様に適応しなければならない。旧来の構造に固執する組織では、複数の従業員が、システムの外で日々の意思決定を再現しようとし続けるかもしれない。この重複は、混乱を復活させるだけである。二つのスプレッドシートが完全に一致することはない。しかし、変化を受け入れる組織では、手作業の再発注を専門としていた従業員が、特定領域の専門家になれる。危険物の輸送が詳細な規制に従っていることの確認や、物流パートナーとの、より有効なリードタイム改善の取り決めなど、特有の複雑さに集中できる。

また、S&OPや予測の共同調整会議が従来の形では消えても、コミュニケーション経路の一部は残る。違いは、もはや予測を「いじる」ことを中心としない点である。代わりに、レシピの論理と事業の最前線をつなぐことに集中する。新規出店、近く廃止される製品群、予想外の原材料の追加料金、コード化されなければ日々の出力が最善にならないブランド保護戦略などを議論する。どの会話も、すべての意思決定を動かす同じ統合された論理に根差し、参加者は誰の予測が正しいかを争うのではなく、実際の要因をどう調整するかを話し合う。

このように、自動化が定着するにつれて、プランナーの役割は、日々の細かな管理から、裁量を持つフローマネージャーへと高まる。微妙なものから劇的なものまで、業務上の真実を捉える責任を引き受けることで、プランナーから転じたマネージャーは、機械的な意思決定プロセスの正確さと適時性を保ち、絶えず改善させる。スプレッドシートの雑務から解放されたその洞察は、供給パートナーから社内製造まで、ネットワーク全体に役立つものへと広がり、旧来の通常業務では得られなかった深い相乗効果を生む。

10.4.2 サプライチェーンサイエンティスト

サプライチェーンサイエンティストは、固有の責任を負う。変化する組織の経済的な現実を、日々の財の流れを導く数値レシピへと変換することである。会社が手作業の計画業務の大部分を自動化された意思決定に置き換えると決めれば、サイエンティストは、そのプロセスの要となる。この役割が従来のビジネス分析や予測の職務と異なるのは、レシピ全体への一貫した責任と、収益性への直接的な説明責任の両方を求めるからである。単に可視性を高めたり、数値上の人工物を生んだりするのではなく、正しく、自ら調整し、本番で毎日信頼される意思決定を届けることを目指す。

10.4.2.1 ITとの橋渡し

技術的に見ると、サイエンティストは、会社のシステムとデータの最前線にいる。しかし、IT部門の一員として扱うのは間違いである。サイエンティストは、ITがすでに専門とする大量のデータ統合作業に格闘するのではなく、サプライチェーンの意思決定のモデル化に集中できなければならない。確かに、取引、在庫、サプライヤーの条件などの、フィルターをかけない生の記録を届ける安定したパイプラインに依存する。しかし、それが整った後の使命は、サプライチェーンの状況を反映する新たな洞察や制約をコード化することへ移る。IT部門は、引き続きデータ抽出とインフラを維持する。

この責任分担は双方に利益をもたらす。サイエンティストは、専用の変換処理を際限なく要求してITの未処理案件を増やすことはない。ITのデータ責任者が、元のシステムの中立な日次スナップショットを届け、レシピ内でのあらゆる加工はサイエンティストに任せる。一方、IT部門は、重要なアプリケーションの安定性を維持し、上流のすべてのデータベースとデータフィードを健全に保つという、より広い運用上の使命に集中できる。ERPのテーブル名変更や夜間エクスポートの失敗などの問題が現れたら、両者は素早く協力する。ITがパイプラインの不具合を直し、サイエンティストが更新されたデータで通常運用を再開する。変換ロジックに誰が「責任を持つ」のか、途中でどんな変更が入ったのかについて、摩擦も混乱もない。

10.4.2.2 財務との関係

サイエンティストの責務から当然導かれるのは、日々の意思決定に財務上の制約を深く組み込む必要性である。運賃、運転資本の上限、利益率目標といった費用要因を、スライドの上に漂う抽象的な概念のままにしてはならない。すべての配分が、実際の金銭的な現実に根差したトレードオフとなるよう、明示的に数値で扱う必要がある。したがって、サイエンティストが財務部門と協力するのは、形式のためではなく、必要だからである。予定されている販促キャンペーンが期待利益率を変えたり、新しい資本制約によって特定の在庫水準を維持できなくなったりすれば、レシピもそれに応じて更新しなければならない。

財務部門とのこうしたやり取りは、想像されるより定期的に行われる。取り組みの展開中、サイエンティストは通常、短い会議を重ね、保管間接費や特急輸送へのペナルティといった現在の費用前提が、日々の意思決定にどう反映されるかを示す。財務部門は、大口納品の荷扱い費の見落としや、割引の段階をもっと細かく織り込める機会の取りこぼしなど、隠れた不正確さに気づくかもしれない。こうした細部を直すことで、素朴な局所最適から、会社の実際の損益への影響をよりよく反映する意思決定へと、解決策を変えられる。これによって、自動化は財務面での「切れ味」を保つ。どの予算項目も利益責任単位も、当て推量に任せないのである。

時間がたち、レシピが成熟した後も、業務や戦略の大きな変化は、新たなモデル化を促す。資本コストの引き下げや、ある種のリスクへの露出の削減といった上位の方針は、財務部門を通してサイエンティストへ伝わり、ペナルティ関数、割引、調達規則の改訂に変換される。その効果はほどなく日々の出力に現れ、会社の財務と日常のサプライチェーンの調和を保つ。

10.4.2.3 経営陣との関係

サイエンティストはCEOでも経営スポンサーでもないが、最高経営陣が戦略上の優先順位を変えるときには、重要な当事者となる。新しい国への進出、近隣国への生産移転、特定の製品群での高水準のサービスの優先など、新たな方向が固まったら、数値レシピは直ちにその優先順位をコード化しなければならない。この迅速な整合がなければ、機械的な意思決定は古い論理に取り残される。

年に一〜二回、最高経営陣と直接短く話すだけで足りることもある。目的は、細かなコード変更を精査することではない。サイエンティストが全体像を理解しているかを確かめることである。会社が、より速い拡大と、より厳格な資本利用を目指すなら、回転の遅い品目の在庫予算を絞ったり、緊急輸送を使うペナルティを強めたりして、それを反映できる。その結果、レシピの日々の出力は、最終損益に影響するところで変わる。コードは状態を持たないため、移行を妨げる状態が残ることはない。経営陣の新しい指示から一週間以内に、サプライチェーンはすでに、その戦略的要請に沿った発注を出しているかもしれない。

この迅速な適応の型は、サプライチェーンの機械的な基盤から、戦略的一貫性がどう生まれるかを示す。コードの前提が変われば、関係するすべての意思決定も変わる。手作業のプロセスでは、数十人のプランナーを何か月もかけて段階的に再教育する必要があったところで、ここでは一回の更新が、製品群全体や拠点ネットワーク全体へ瞬時に広がる。

10.4.2.4 サイエンティストが二人を超えるとき

多くの中堅企業では、一人のサプライチェーンサイエンティストと、冗長性を確保するためのもう一人で、意思決定の流れ全体を扱える。しかし、製品群を増やしたり、高度な生産や配送の問題へ深く踏み込んだりして取り組みが成長すれば、追加のサイエンティストが必要になることもある。より大きなチームを管理するには、レシピの構造に対して、より厳密な姿勢が求められる。

第一の原則は、共有する論理をできる限り統一されたコードベースに置くことである。一人は調達制約、別の一人は生産スケジュールというように、各サイエンティストが異なる領域を担当しても、全員が一つの設計のもとで協力する。ソフトウェアエンジニアが版管理とコードレビューを使うのと同様に、サイエンティストも同じような実践を採り入れ、日々の変更を調整し、ある領域の改善が別の領域の制約を意図せず破らないようにする。

重要なのは、サイエンティストは何よりもまずサプライチェーンの専門家であり続けるということである。抽象的な機械学習の革新を追うために雇われているのではない。コードレビューを設けるとしても、目的は特殊なITパイプラインを作ることではなく、日々の意思決定の一貫性を保ち、誤りをなくすことである。各サイエンティストは、重要なコード行の背後の根拠、すなわち「何を」だけでなく「なぜ」を学ぶ。各規則の戦略上の動機を記録する統合マニュアル¹⁶³は、非常に役立つ。一人が退職したり、新しい人が加わったりしたときに、知識の引き継ぎが円滑になり、費用前提の細部や特殊な事例の制約を、チームが再発見せずに済む。

このように拡張を扱えば、サイエンティストのチームは、日々の反復の速度を保ちながら、無理なく規模を広げられる。事業がどれほど大きくなっても、新しい割引体系からリードタイム予測の精緻化まで、あらゆる側面を適切なサイエンティストが扱い、秩序立てて統合レシピに組み込める。

10.4.2.5 焦点を厳格に保つ

サイエンティストは大量のコードを書くが、単に指示に従うソフトウェア開発者ではない。成功を測るのは、在庫の不整合の減少、利益率の向上、異常な状況への迅速な適応といった、日々の意思決定の実際の影響である。ITの未処理案件の中に埋もれることも、一時的な精度ベンチマークを追う汎用的な「データサイエンス」チームになることもない。その代わり、財の流れを組み替え、戦略と財務の目標によりよく貢献する、実行可能な変更に鋭く焦点を合わせ続ける。

具体的なものに根差していることが、ダッシュボードや四半期に一度の分析を扱う部門との違いである。環境が変わるたびに、サイエンティストはコードで小さく目的のある一歩を繰り返し踏み出し、毎日の結果を本番で確かめなければならない。ITとの相乗効果は不可欠だが、データ抽出の境界で区切られる。財務との相乗効果は続き、市場が動いても費用要因の信頼性を保つ。上級経営陣との相乗効果は強まり、会社がどのような新しい方向を採っても、自動化されたプロセスに素早く反映できるようになる。

これらの現実を理解することで、企業は、サイエンティストの役割が一時的なものでも、「自動化プロジェクト」が終われば捨てられるものでもないと気づく。フローマネージャーが日常業務で手作業のプランナーを置き換えるように、サイエンティストは、部分的な解決策が絡み合う網を、発展し続けるコード化された方法に置き換える。戦略的な更新の必要性は決してなくならず、サイエンティストは一つ一つの変化を機械的な論理に組み込む用意を保つ。この絶え間ない相互作用によって、サプライチェーンは常に実情に適合し、実際の経済的要因につながり続ける。

要するに、サイエンティストは、企業の運営に貢献する新しい種類の人材である。その方向性は純粋に技術的でも、純粋に管理的でもなく、両者を結び付ける。その権威は、正式な管理職の階層からではなく、コードの日々の正確さと適応力から生まれる。次の節では、企業の文脈で「データサイエンス」が陥りがちな落とし穴と、本物のサプライチェーンサイエンティストが持続的な成功を得るために、表面的な数値処理を超えなければならない理由を、さらに詳しく検討する。

10.4.3 会社全体

サプライチェーンの意思決定を変える取り組みは、最初に対象範囲をどれほど正確に定めても、必ず企業の組織全体に影響を及ぼす。数値レシピは孤立して動くことができない。日々の出力には、複数の部門の制約、目標、費用構造を反映しなければならないが、その多くは従来、全体の事情と切り離された局所的なプロセスを維持してきた。前の各節では、サプライチェーンサイエンティスト、データ責任者、フローマネージャー、経営スポンサーを中心に、取り組みをどう構成するかを示した。しかし、会社のほかの部分も、この新しい意思決定プロセスとやり取りし、最終的には信頼することを学ばなければならない。統一的な枠組みがなければ、営業、マーケティング、調達などからの局所的で短期的な圧力が、機械的な出力を上書きしたり、損なったりする恐れがある。

しかし、レシピの本当の強みは、まさに、関連するすべての要因を集め、隠れた偏りや分断された監督なしに、それを毎日表現することにある。そのためには、各部門が、独自の秘密のスプレッドシートや裏のプロセスを維持したいという誘惑を捨てなければならない。代わりに、制約と費用構造を公に示し、サイエンティストが直接コード化できるようにする必要がある。ここで、上級経営陣、特に最高責任者やCEOが、断固として介入しなければならない。CEOは経済的要因の最終裁定者ではなく、そうなることもできない。そのような細部は、最高経営者が扱うには粒度が細かすぎる。むしろCEOが最終的に裁定すべきなのは、各要因をどの部門が所管するかであり、その担当部門がシステムを迂回しようとせず、サイエンティストと協力するようにすることである。財務部門が、ある資本コストは特定の率に設定すべきだと主張するなら、それを正式な基準とする。調達部門が、ある戦略的ベンダーの発注量は削減しないと定めるなら、その選択を明示的にモデル化する。方針は関係部門から出さなければならない。しかし、確定した後は不文律ではなくなり、日々の意思決定の論理に固定される。

この仕組みは、これまで気ままに数字を調整していた部門には、違和感を与えることがある。人気商品が次回の発注計画に入っていないとブランドマネージャーが知れば、売上や市場シェアの喪失を恐れるかもしれない。旧来の方法では、それが会社の最終損益に本当に役立つかどうかにかかわらず、慌ててスプレッドシートの再発注数量を上書きできた。新しいシステムでは、その商品を外すことで生じる評判の損害が、短期利益へのあらゆる懸念をはるかに上回ると考えるなら、その要因を上位へ報告し、金銭的な費用またはペナルティをレシピにコード化するのが正しい道である。目標は、ブランド上の要請を無視したとして機械的なプロセスを「責める」ことではない。その要請を、欠品へのペナルティや、ブランドを育てる商品供給への上乗せ価値として表し、経済的要因に組み込むことである。それ以降、その優先事項が会社全体の戦略にとって本当に重要である限り、かつて摩擦を生んだ日々の意思決定は、自然にブランドマネージャーの優先順位に沿うようになる。

販促が最終計画から外されたり、目玉商品の収益性がわずかだとわかって再発注の優先度が低くなったりすると、マーケティングとの間にも同じような緊張が生じる。販促が他の商品のクロスセルを増やすという証拠を持っているなら、マーケティングチームは、追加の売上やブランド価値が、どのような経済的な見返りになるかを示さなければならない。追加の見返りが明示されたら、サイエンティストがコードに組み込む。そうしたマーケティングの関心事は、直前の上書きや「予測の最終調整」で処理されなくなる。日々の機械的なプロセスの一部、すなわち、販促が期待したクロスセルを生まなかったことが市場からわかれば改訂できる、公開され文書化された変数となる。かつては内輪の知識や形のない要因だったものを公に言語化することで、各部門は、自部門の願望が一時的な勘なのか、重要な経済的真実なのかを判断せざるを得なくなる。これは実質的にゲーム理論的な力学である。在庫を確保するために膨らませた需要を内々に伝えるといった、部分的な協力では、もはや有利にならないと各部門が理解する。最終的なレシピは、すべての制約を毎日確認する。申告されない費用や利益は認識されない。最高経営陣の役割は、他者を犠牲にしてリソースを確保するために需要の数字を操作させるのではなく、各領域に費用と利益を正直に述べさせることである。

同じく調達部門も、日々のレシピが正確な再発注明細と時期を指定し、一部のバイヤーが自分の主要な価値だと考えていた手作業の交渉を実質的に置き換えると、当初は脅威を感じるかもしれない。しかし、どのベンダーの品質が信頼でき、どのサプライヤーが隠れた条件を課し、新たな調達戦略のためにどの取引先を切り捨てる価値があるかを明らかにするうえで、調達機能は依然として不可欠である。調達チームは、システムを押しのけたり、別口の取引に戻ったりする必要はない。ベンダーの制約を明確に述べることで、より大きな影響力を得られる。最小バッチサイズ、分納に対する特別な入荷料金、継続取引の割引はあるか。一つ一つの細部が、経済的なパズルの一片である。コード化すれば、それがレシピの出力を形作るため、調達部門は、手作業のやり直しを繰り返すのではなく、安定した合理的な規則を通して日々の意思決定に影響を与える。

新しい部品を組み込んだり、部品表を調整したりしたい技術チームや製品設計者にも、同じ論理が当てはまる。以前は、設計変更が計画側の不意を突き、新たに指定された部品を見落としたために、直前の不足が起こり得た。今では、日々の機械的なプロセスが未知の部品を即座に検出し、新品目に費用の参照情報またはリードタイムが欠けていることを明らかにする。設計チームは、もう気づかれないまま変更を通せない。サイエンティストと協力し、新しい部品が生産制約や間接費をどう変えるかを定義しなければならない。この協力の強制によって、かつては「避けられない」と見えていた、静かに進む供給の不整合を会社は免れる。

サプライチェーンを、ブランドやマーケティングの優先事項とは別のコストセンターとして長く見てきた財務部門でさえ、流動性制約と運転資本目標を、日々の再発注水準にどう反映するかを明らかにするよう求められる。特定の製品群を最小限のバッファ在庫で運営したい、あるいは在庫の評価額が変わると財務部門が示せば、その更新は即座のコード変更に変わる。日々の出力は、もはや予測と標準的な利益率を反映するだけではない。資本利用に対する財務部門の最新の姿勢を表す。あるSKUをなぜ減らしたのかと最高幹部が疑問に思えば、財務の制約から自動化された意思決定へ、そしてサイエンティストのコードから財務の制約へと、直接たどることができる。恣意的な上書きも、果てしない予測会議も必要なく、誰もが原因と結果を見られる。

このような環境では、誰を責めるかという問題はめったに生じない。販促中のSKUが予想外に店頭で不足すれば、マーケティングは数値レシピを問い直す。それを損なうためではなく、販促の影響が正しく組み込まれていたかを確認するためである。一方、サイエンティストは、追加のブランドリスクやクロスセルの利益など、関係する情報をマーケティングが本当にすべて開示したかを確認する。そうでなければ、費用の前提を追加または修正するのが対処法となる。時間とともに、部門間のやり取りは、摩擦の多い小競り合いから、レシピのパラメータの建設的な更新へと変わる。この協力の型が発展するのは、CEO以下の最高経営陣がプロセスを支持し、ある部門が結果に不満を持つたびに手作業の操作を再導入することへ、断固として反対する場合だけである。

整合は、機械的な出力を無視したり上書きしたりすることではなく、共有の前提を調整することで得られると各部門が理解すると、機械的な意思決定が日常業務の唯一の正式な基準になったことに気づく。その一つの基準は、硬直しても扱いにくくもない。費用、制約、利益率の要因が重要だとわかれば、すぐに適応する。生煮えの一時的な当て推量は取り込まない。従業員が、スプレッドシート内の不都合な数字をこっそり直せなくなったと知る最初の数か月は、この力学に戸惑うこともある。しかし、一サイクル、多くの場合は一〜二四半期を経ると、緊急事態が減り、縄張り争いが減り、サプライチェーンに一貫性が増したと感じるようになる。

取り組みは、サプライチェーンの改善以上のものになる。部門を横断する継続的な相乗効果の仕組みとなる。マーケティング、調達、技術、財務、業務という社内のすべての領域が、日々の流れに自分たちの優先事項を確保する最善の方法は、それを公に述べたうえで、機械的なプロセスが一貫して実行すると信頼することだと理解する。CEOの役割は、各領域が主張する費用や利益に、その領域が本当に責任を持つようにし、その主張を意思決定へ反映する経路として、サイエンティストの最終的なコードを支持することである。それが不十分なら、重複や抵抗が生まれ、新しいシステムの利益を薄める。

やがて、正しく示された要因を反映している限り、誰もレシピの日々の数字と争わない文化が生まれる。マーケティングが、ブランドに関する費用が過小評価されていると気づけば、正式に問題を提起する。調達部門がベンダーの信頼性の向上に気づけば、欠品へのペナルティか、期待されるリードタイムを更新する。レシピはすべてを実際のデータと照合するため、予測を水増しするといった駆け引きでは、もはや有利にならないことを、誰もが徐々に理解する。共通の動機は、数値の前提を壊すことではなく、磨くことになる。

一つの機械的な仕組みで毎日全体を調整するこの変化は、長く部門の自律性に依存してきた企業には、劇的に見えるかもしれない。その利益には、火消しの大幅な削減、ブランド、マーケティング、業務の間の深い相乗効果、戦略上の野心と現場での実行との、より安定したつながりがある。出力を上書きするのではなく、入力を形作らなければならないと各部門が受け入れた瞬間、取り組みは、長期的な成功に不可欠な全社的協力を実現する。

11 停滞

本書で扱うサプライチェーンは、意思決定を通じて実行される意図である。本章で述べる限定的な主張は、サプライチェーンという分野が、おおむね停滞してきたということだ。財が動かないからではない。財は動いている。何を、いつ、どこへ、どれだけ動かすかという企業の選択が、四十年にわたる計算能力の進歩についていけていないのである。支配的な姿勢は今なお事務処理中心だ。事実を記録し、過去を語るが、めったに賭けをしないソフトウェアが生み出した例外を、人が突き合わせて処理している。

ここでいう停滞とは、動きに覆い隠された業務の膠着である。台帳はデジタル化され、至る所にある。レポートは分刻みで更新され、データウェアハウスは肥大化し、略語とダッシュボードが増殖する。それでも配分の中核的な仕組みは、1980年代半ばと大差ない。点予測を確実なものとして扱い、任意のサービス目標にバッファーを結びつけ、再発注の代用指標を週次の周期に組み込み、日々の承認手続きが渦を巻く。コンピューターは記録システムとレポートシステムとして働き、「自動化」が現れるところでも、それは通常、人の介入なしで監査可能な確約を発行する知能システムではなく、難しい案件を人間に差し戻す一覧表というアラートの芝居である。

この膠着には代償がある。裾の重い変動、時間と空間をまたぐ結びつき、待つことのオプション価値という、金銭を動かすものが系統的に押しのけられる。分布の代わりに平均が、経済性の代わりに局所的な業績指標が置かれ、グッドハートの法則が測定値を静かに目標へ変える。その結果生じるのは、バッファーと残業で継続性を確保し、平時には金銭を流出させながら、圧力がかかるとつまずく、事務処理中心の均衡である。

これはいずれも避けられないことではない。これまでの章で、欠けていた道具をそろえてきた。点による代用品ではなく、将来を確率的に捉えること。企業全体の範囲で、通貨単位建ての価値評価を行うこと。そして、枠組みの内側で再計算し、トレードオフを金額で評価し、人の介入なしで意思決定を書き戻す知能システムである。これを守るのが、停止ヒューリスティクス、ホワイトボックス化された根拠記録、並行稼働のもとでの実験的最適化だ。これらの道具を採用すると、意思決定が変わるため、同じ資産からよりよい流れが生まれる。

以下は総括であると同時に告発でもある。この分野は、現代の計算能力とともに加速できなかっただけではない。意思決定の出力よりも物語に報いる動機に支えられ、安定しているが凡庸な均衡に落ち着いたのである。学術的なパズル、記録とレポートを「計画」として売り直すベンダー、コンサルティングの儀式、洞察で止まる社内の「データサイエンス」がそれを支える。サプライチェーンの二級扱いと中央IT部門への従属という組織的な罠が、この体制を固定する。

納品を続ける流れと、立ち止まったままの分野。この二重の姿が、次の逆説を形づくる。

11.1 成功の逆説

サプライチェーンは頼りになるものとして称賛される。財は毎日国境を越え、店舗の棚が長く空のままであることはめったになく、企業はネットワークを広げながら堅実な業績を上げる。目に見える結果で判断すれば、この分野は活力と回復力に満ちて見える。

しかし、この表面的な成功は、より深い行き詰まりを覆い隠している。計算能力が数十年にわたって飛躍的に向上する間、ほとんどの組織はコンピューターを意思決定エンジンではなく、台帳やダッシュボードとして扱ってきた。「自動化」とされるものは通常、人間が突き合わせて処理する例外の連鎖であり、「計画」とされるものは、決定論的な予測、再発注の代用指標、手作業の上書きを脆く組み合わせたもののまま、見た目だけを現代的なインターフェースに着替えている。継続性は、工学的に作り込まれた知能よりも、バッファー、冗長性、事務担当者の目配りで買われている。

これが逆説だ。大規模で確実な納品と、知的な膠着が共存している。他の分野は安価な計算を人の介入なしの意思決定に変えてきたが、サプライチェーンは大部分、昨日の定型作業を包み直してきただけである。大々的に宣伝される革新は表面的だ。古い人工物に新しい略語を、古い習慣に新しい画面を与えても、中核にあるのは依然として、人を介して毎日数字を突き合わせる作業である。

この膠着の費用は、一日だけを切り取ってもめったに見えない。流れは実際に「届けている」からだ。急激な需要変化や輸送の途絶といった衝撃が起き、不確実性への適応ではなく手順の遵守に向けて設計されたプロセスがつまずくと、その費用が目立つ。さらに有害なのは、平時に静かに積み重なる流出である。膨れ上がった安全在庫、十分に使われない選択肢、意思決定の改善ではなくスプレッドシートの手入れに費やされる何千時間もの労力だ。高価なソフトウェアを買っても、意思決定の質が高まることはめったにない。その「自動化」は、難しい部分を人に差し戻すアラートの芝居へと退化する。目に見えるどんな失敗よりも陰湿なのが、膨らみ続ける機会費用である。変動を金額で評価して活用するのではなく、厄介事として扱う一日一日が、現代の計算で得られたはずの余剰がそのまま蒸発する日となる。

これまでの章では、すでに存在する対処法を示した。将来を確率的に捉えること、経済性を基礎に価値評価を行うこと、そして毎日、人の介入なしで監査可能な意思決定を出力し、実験的最適化を通じて継続的に改善される知能システムである。ここでの目的は、これらの道具の有用性を再び論じることではない。採用できるはずの分野が、なぜ大部分で採用してこなかったかを説明することだ。次節では、明らかに中心的な機能を、安定しているが凡庸な状態にとどめる均衡の根、すなわち学界の流行、ベンダーの経済的な仕組み、コンサルティングの芝居、企業統治をたどる。

11.2 現実世界の複雑さ

「複雑さ」を持ち出すことは、凡庸な実務を弁護するお決まりの言い訳となった。問題はサプライチェーンが複雑なことではない。第一章ですでに、本質的なものと偶発的なものを区別した。問題は、ほとんどの組織が、経済的に重要なものを、わずかな代用指標へと平板化してしまうことである。不確実性の代わりに点予測を置き、一つの「サービスレベル」が利益のふりをし、平均リードタイムが損害を生む裾を消し去る。その結果は、流れのモデルではなく、鎮静剤を投与された戯画である。

金銭を動かす非対称性を保つなら、単純化は悪ではない。それを消してしまうときに欠陥となる。変動とオプショナリティは利益の原材料である。表現の中から、重い裾、相関、バッチ処理、あるいは明日の選択肢を縛る不可逆な歯止めを消してしまえば、もはや意思決定を導くことはできない。何が懸かっているかを隠すだけになる。

以下に示すのは、失敗を分類する新たな体系ではなく、具体的な小話である。業務上の小さな出来事が、問題を鮮明にする。それはまた、現場で行き詰まりを一貫して打ち破る方法、すなわち実験的最適化への橋渡しでもある。意思決定、工学、導入の各章を参照されたい。

11.2.1 業務の一場面

ありふれた出来事を考えよう。全国展開する小売業者が、地域配送センターを二か所運営しており、それぞれの公称荷受け能力は一日四十コンテナである。購買はサプライヤーのMOQとリベートに合わせて週次で動く。計画システムは点予測と平均リードタイムから再発注点を計算する。倉庫のKPIは荷受け場の稼働率と在庫回転率を追い、店舗は「棚での商品入手可能性」で評価される。悪役はいない。もっともらしい局所目標があるだけだ。

毎週月曜日、西部配送センターに六十から七十のコンテナが届く。入口は正午までに飽和し、トラックは待機し、滞留超過料が積み上がる。貨物の一部は火曜日に持ち越され、最後の分は水曜日にはみ出す。その間、ロングテールSKUの店舗棚には週の半ばに欠落が生じる。月曜日には大量に「輸送中」だったが、実際に荷受けできるのは水曜日になってからという商品だ。どのダッシュボードも嘘はついていない。週平均ではサービスに問題がなく、段階別リベートは獲得でき、荷受け場の稼働率は頂点に達し、在庫回転率は維持される。それでも、待機するトラック、残業、一時的な欠品を通じて、至る所で金銭が漏れ出す。その傍らで組織は「目標達成」を自賛している。

この状況を直すのに、微妙な仕掛けは要らない。必要なのは、この状況を認めることだ。並行稼働で、簡素な数値レシピが導入された。リードタイムを右裾の重い分布として扱う。一日四十コンテナを超えると非線形に上昇するシャドープライスで、荷受け場の飽和を評価する。サプライヤーのMOQを絶対命令ではなくペナルティとして扱う。そして肝心なのは、毎日発注する義務を伴わない、発注の毎日の評価である。待つことのオプション価値がリスク調整後の期待収益を上回るたびに、エンジンは「まだ何もしない」を出力できた。

初日、不合理な判断が停止を引き起こした。四十コンテナ分の荷受け場に対し、月曜日の入荷予定が四十八コンテナとなったのである。根拠記録が、通貨単位で評価された要因を明らかにし、欠陥は取り除かれた。週単位の一括投入を、リベートを維持しながら入荷を平準化する時期をずらした投入へ置き換えた。並行稼働の四週間以内に、滞留超過料と荷受けの残業は大幅に減り、運転資本を増やさずに、ロングテール商品の週半ばの棚欠品が減少した。リベートの獲得は続いた。英雄的な働きも、大規模な組織再編もない。同じ資産、同じサプライヤー、同じ店舗で、変わったのは意思決定だけだった。

教訓は「月曜日はよくない」ということではない。本当の複雑さが、代数ではなく、経済性と時間にあったということだ。平均が裾を隠し、一つのサービス指標が多様な収益を隠していた。硬い「制約」は、金額で評価すると柔軟になった。コンピューターは、人間の計画担当者に原理上できないことをしたわけではない。ただ、何千もの微細な選択肢について、疲れることなく毎日それを行い、重要な摩擦を金額で表面化させただけである。

11.2.2 局所的な最大値

この出来事は、凡庸な均衡がなぜ続くのかを示している。各機能は、擁護できる丘の上に陣取っていた。購買はリベートとMOQ、倉庫は稼働率、店舗は入手可能性、財務は回転率である。丘は実在したが、山は別の場所にあった。どれか一つの丘だけを切り離して「最適化」しようとしても、痛みを別の場所へ移すだけだった。これが第一章で述べた厄介さである。目標は時間と空間をまたいで結びつき、測定値に生計が依存した瞬間、その測定値は目標になる。

局所的な最大値から抜け出すのに、宣言文は要らない。よりよい意思決定を安全かつ機械的に試し、利益を生むなら採用し続ける方法があればよい。実験的最適化が提供するのは、まさにそれだ。一日の終わりの抽出データで並行稼働させ、不合理な判断があれば素早く止め、要因を通貨単位で示し、測定された改善がある場合にだけ本番へ昇格させ、低費用で元へ戻す。この方法は企業全体の範囲でトレードオフを金額評価するため、多くのでっち上げの「制約」をペナルティへと解きほぐし、部門の拒否権を調整可能で監査可能なパラメーターに変える。

実務上、障壁が物理法則であることはめったにない。障壁は物語である。平均と単独のKPIが成功を語っている限り、均衡は受け入れられるものに見える。その物語を、通貨単位で評価され、毎日行われる監査可能な確約に置き換えれば、いわゆる「制約」は、その正体である選択として姿を現す。次節では、そうした選択を磨くはずの学界、ベンダー、コンサルタントが、なぜそれほど頻繁に、代わりに平均とKPIを教えるのかを検討する。

11.3 均衡が保たれる理由

悪い考えが生き残るのに、衝撃は必要ない。サプライチェーンは、方法が立ち遅れたままでも用を足し続けられる。均衡が続くのは、動機が弱く、向きもずれているからだ。この分野の形成に関わる各主体は、意思決定に人を介在させ、その責任を否認できる状態に保つことから、目立たない既得利益を得ている。一方、人の介入なしの意思決定の質に対して、金銭で報酬を受け取る者はいない。

こうした均衡が長続きするのは、低い基準を満たしているからである。トラックは動き続け、リベートは獲得され、ダッシュボードは緑のままで、より大胆な代替策に自分の職業人生を賭ける必要もない。存続を脅かす衝撃がなければ、意思決定の仕組みを作り直して得られる不確かな利益より、何もしないことで得られる局所的な利益のほうが大きいことが多い。仕組みがそこそこ機能する限り、変化への圧力は弱いままだ。

その仕掛けはありふれている。長いフィードバック周期が責任を薄め、ダッシュボードは経済性を目標に置き換える。試験導入は失敗しても痛手にならない場所で演出され、「例外」は最も難しい案件を人間へ差し戻し、脆いロジックを反証から隔離する。この環境では、凡庸さが静かに積み重なる。行動前のアラート、手作業の「検証」、単一の予測への合意といった慎重さを装うものは、不確実性を金額で評価せず、そこから学びもしない事務処理の循環を保つだけである。

この循環の周囲には、変化への圧力を弱める利害の網がある。学界は、荷受け場や締め切りに直面しても持ちこたえる意思決定ではなく、パズルと論文発表に対して報われる。採点しやすく実務化しにくい、様式化されたモデルを磨くのである。ソフトウェアベンダーは、記録システムとレポートシステムの利用者席数、ストレージ、アップグレードから利益を得る。本物の自動化は席数を減らし、画面を消してしまう。コンサルタントは、ワークショップ、マトリクス、「足並み合わせ」といった振り付けを売る。その成果物はコードと経済性に触れない。契約が終わっても儀式は残り、スプレッドシートの流れが再開する。プロジェクトとダッシュボードで評価される企業のデータサイエンスチームは、洞察で止まる。通貨単位建ての確約への責任は別の場所にあり、現実が反論したときに前提を作り直す動機も、そちらにある。社内ではサプライチェーンは二級扱いのまま、中央IT部門に従属している。予算は、判断しなければならないエンジンよりも、決して停止しない台帳を優先し、リスクは経済的損失ではなく、プラットフォームからの逸脱と定義される。

価格も、どんな市場にも劣らず明確に、こうした動機を示す。ベンダーは改善ではなくアクセスに、コンサルタントは利益ではなく労力に、学者は頑健さではなく新規性に、社内チームは意思決定の出力ではなく人工物に対して対価を得る。あとはグッドハートの法則が仕上げる。ある指標が職業上の安全を保証するようになれば、組織はその指標を最適化する。「予測精度」は予測期間の短縮とバッファーの水増しで向上し、「サービスレベル」は誰も費用を評価しない在庫とともに上がり、飽和した荷受け場でトラックが待機していても、「計画遵守」が称賛される。

先の小話は例外ではなく典型である。物理法則は、週ごとの入荷の山積みを何一つ防いではいなかった。それが続いたのは、各縦割り部門を支配する指標、すなわちリベート、稼働率、入手可能性が局所的である一方、そこから押し出された滞留超過料、残業、週半ばの欠品という費用を、別の場所が負担していたからだ。意思決定の企業全体での経済性について、明示的に責任を負う者がいなければ、事務処理中心の均衡は慣習として固まる。微細な選択の水準で損益が何も語らないため、「ベストプラクティス」「業界標準」「唯一の数字」といった物語が、その空白を埋める。

以下では、この均衡を支える主な主体を検討する。発表可能なパズルに執着する学界。アラートの芝居を通じて知能を利用者に外注しながら、記録とレポートを「知能」として売り直すベンダー。コードに至らない、流行語をまとったコンサルタントの儀式。責任から隔離された企業内データサイエンス。いずれも、安定しているが凡庸な状態に寄与する。サプライチェーンの二級扱いと中央IT部門への従属という組織的な罠が、体制を固定する。どれも悪意を必要としない。動機が、人の介入なしで行われる、監査可能で通貨単位建ての意思決定から切り離されていれば、それで十分なのだ。その結びつきを回復しない限り、均衡は保たれる。

11.4 誰が停滞を支えるのか

行き詰まりは悪意ではなく、分散した動機によって続く。学界、エンタープライズソフトウェアのベンダー、コンサルタント、企業のデータサイエンス活動という四つの集団が、それぞれの立場で合理的な目的を追いながら、共同で安定しているが凡庸な均衡を支えている。各集団は、他の集団が求めるものを提供する。発表可能なパズル、売り物になるプラットフォーム、安心を生む儀式、「洞察」のダッシュボードだ。その一方で、日々の配分という行為は、長年置かれてきた場所、すなわち例外を突き合わせて処理する人間の事務担当者に残される。

ここで採る視点は、対抗的であって敵対的ではない。これまでの章で、実際に機能する進歩がどのようなものかは、すでに示した。通貨単位で評価され、人の介入なしで行われる、監査可能な意思決定の出力である。この物差しに照らせば、各集団が自らの動機に従うことで、基準を一向に超えない実務をどう永続させるかを検討できる。

まず学界から始めよう。知識を前進させるという公言された使命からすれば、学界は当然、停滞への解毒剤であるはずだった。しかし実際には、サプライチェーンを一貫して誤った枠組みで捉えることにより、人の介入なしの意思決定という実質を伴わず、科学の修辞だけを提供することが、あまりに多かった。

11.4.1 学界

大学と学術誌は科学を約束するが、工場の現場に届くのはスプレッドシートである。この隔たりは好みではなく、捉え方の問題だ。認識論で論じたように、サプライチェーンは応用経済学である。変動のもとで選択肢を金額評価し、希少な資源を利益が出るように配分する。それを「応用数学」、すなわち都合よく固定された前提を持つ整ったパズルの目録として捉え直すと、読み映えはよいが現場へ持ち出しにくい論文が生まれる。業務上重要なのは、理想化された再発注点の定理ではない。人の介入なしで動くソフトウェアが、記録を、荷受け場、締め切り、リベート、裾の重いリードタイムに直面しても持ちこたえる、監査可能で通貨単位建ての確約に変えられるかどうかである。

この誤った捉え方は、主流の学術成果が実務にほとんど影響しない理由を説明する。定番の人工物である点予測、サービス目標に結びついたガウス分布ベースの安全在庫、決定論的な計画は、金銭を動かすもの、すなわち裾、相関、バッチ処理、明日の選択肢を縛る不可逆な歯止めを、まさに押しのけてしまう。それらの人工物をソフトウェアに実装すると、アラートの芝居として再登場する。脆いロジックが難しい案件を人間へ差し戻し、人間が事実上の知能になるのだ。計画担当者が、コンピューターで終わらせるはずだった事務的な突き合わせを続ける傍ら、組織は「ベストプラクティスに従っている」と自賛する。

パズルによる選別が、問題をさらに深める。閉形式の解や小さなソルバーが玩具を「最適化」できると示せるまで世界を単純化すれば、発表可能な論文は最も作りやすくなる。こちらに制約を一つ、あちらに添字を一つ加え、合成した問題例や、厄介な点を取り除いた抽出データで結果を報告する。しかし、この作業手順には、著者に前提を現場での反証にさらすよう強いるものが何もない。企業活動において知識が信頼を得るのは、賭けを行い、すなわち人の介入なしで意思決定を出力し、利益を改善するときだけである。出力がなければ、数学だけを取り出したときにどれほど優美に見えようとも、基準には達していない。

データの意味とソフトウェア工学を軽視することも、同じほど雄弁に実情を物語る。情報で詳述したように、現代の流れは、重なり合う記録システムとレポートシステムを介して動く。そこではフィールドの意味がずれ、「派生データ」、すなわち予測、ABCタグ、バッファーは、新しい情報を何も含まない。したがって、実用になる知能システム、つまり人の介入なしで意思決定を発行するエンジンは、(i) 正式な基準となるが雑然とした記録を読み、(ii) 不確実性を平板化せずに保持し、(iii) 企業全体の範囲でトレードオフを通貨単位により評価し、(iv) 監査に適した根拠記録とともに確約を書き戻さなければならない。学術的な扱いの大部分は、この接点をきれいに消してしまう。整った定常的な入力を仮定し、意味、経済性、毎日大規模に動くコードという、仕事が決定的になる地点で止まるのである。

適切な試験環境は、以前から利用できる。知能、意思決定、導入では、最低限の規律を示した。全範囲を網羅する一日の終わりの抽出データでの並行稼働。信頼度が下がるとエンジンを止める停止ヒューリスティクス。各行の金銭的な要因を示す、ホワイトボックス化された根拠記録。測定された改善がある場合だけの本番昇格。状態を持たないこととタイムトラベルによる可逆性である。実務的な価値を主張する科学的貢献は、この検証の仕組みの中で実体を持つべきだ。そうすれば、失敗は「不合理な行」として現れ、例外一覧や会議ではなく、費用、制約、意味の修正によって取り除かれる。この敷居を越えない論文は、記録や推測であって、サプライチェーンの知識ではない。

教育課程も文献を映している。修士課程は、1980年代の時系列の小道具、任意のサービス目標につながれたガウス分布ベースの安全在庫、教室でのABC分類を中心に据え続けている。プログラミングとデータエンジニアリングは付属品扱いで、企業内データの意味と確率的な経済性はほとんど登場しない。卒業生が学ぶのは、記録を人の介入なしの意思決定の出力に変える数値レシピの作成ではなく、スプレッドシートとパッケージ化された「計画」モジュールの監督である。最も優秀な学生は限界を察し、コード、データ、反証が地位を決める他のSTEM分野へ流れる。残りの学生が、文献の前提とする事務処理の循環を担う。

これは数学を否定する議論ではない。我々の分野にも、長く価値を保つ数学的な貢献は確かにある。ただし、それらは経済と工学の枠組みの中のサブルーチンとして現れる。混雑費用を較正する待ち行列理論の結果、トラック一台分の積載を組み立てる線形計画法の部品、需要の裾を正則化する集中不等式による上界などだ。誤りは、サブルーチンをシステムと取り違えることにある。目的が誤っている、意味が誤っている、あるいは人の介入なしで動く経路を持たない最適化器は、前進ではない。磨き上げられた回り道である。

実用になる学術研究の課題は、手の届くところにある。まずサプライチェーンを応用経済学として扱い、数学、統計学、計算機科学をその目的に役立てればよい。動く成果物を届けるのだ。意味に忠実な抽出データを取り込むコード。「サービス目標」ではなく、通貨単位で表した価格体系。過去への当てはまりではなく、適正スコアリングルールと改善で評価する確率的予測。実務家が各確約を監査できるよう、ホワイトボックス化して提供する数値レシピである。何よりも、実験的最適化の規律を受け入れることだ。不合理な判断が消えるまで現場で反復し、その後で生き残ったものを発表する。引用は後からついてくるかもしれない。ついてこなくても、金銭はついてくる。

11.4.1 ソフトウェアベンダー

エンタープライズ向けベンダーが均衡を支えるのは、陰謀によってではなく、経済的な仕組みと工学的な適合性によってである。情報で論じたように、ソフトウェアには異なる三つの系統がある。記録システムは正式な基準となる台帳とワークフロー、レポートシステムは過去の叙述、知能システムは人の介入なしで監査可能な意思決定を発行するエンジンである。ほとんどのベンダーは記録かレポートを売り、その後、成長を求めて追加機能を「計画」や「最適化」として包み直す。この分類の混同は、言葉の問題ではなく、動作の問題だ。CRUDを第一にした台帳で重い分析を動かせば、応答時間を損なわずには済まない。集計値の組み替えに向けて作られたレポート用の技術構成では、不確実性を保持したり、トレードオフを通貨単位で評価したりできない。記録やレポートが知能を装えば、流れは事務処理中心に戻る。

支配的な型はアラートの芝居である。「自動化」は、難しい案件を人に差し戻す例外一覧の形を取る。人間のコプロセッサーへと役割を変えられた利用者は、薄っぺらなルールを裾の重い現実に対して手作業で突き合わせる。この姿勢のどこにも、ソフトウェアの知能を高めるものはない。知能の欠如を現代的なインターフェースの背後に隠すだけだ。動機は整合している。ベンダーは改善ではなく、利用者席数、ストレージ、モジュールで課金する。本当に人の介入なしで意思決定すれば、席数と画面は減るはずだ。知能では、この文化の衝突を指摘した。記録システムのベンダーはCRUDの生産性と稼働時間を最適化するが、知能システムは不確実性のもとでの経済的な意思決定の質を最適化する。前者には後者を作る動機がない。

誇大宣伝の周期が、この不適合を増幅する。数年ごとに、「AI駆動の計画」「デジタルツイン」「コントロールタワー」の波が、スプレッドシートとの完全な決別を約束する。スタートアップが買収され、製品群に取り込まれる。追加機能は母体の記録・レポートのDNAを受け継ぎ、アラート付きの設定可能なルール群として再登場する。組合せの問題は放置され、変動は平均へと平板化され、費用は任意のサービス目標で代用される。結果は、新しい略語のもとで続く従来どおりの姿である。

アナリストの四象限図が、この物語を安定させる。調査を支える資金は評価対象のベンダーから出るため、表面的な機能と流行の名称が報われる。「リーダー」の一覧はゆっくりとしか入れ替わらず、評価基準は、人の介入なしの意思決定の質よりも、品ぞろえの幅と照会可能な顧客事例を重視する。顧客側では、導入で批判したRFPの芝居が逆選択を生む。質問票は昨日の人工物を正典にし、デモは振り付けに報い、勝者になるのは、そもそも聞くべきではなかった質問に答えるのが最もうまい供給者である。システムが本番稼働すると、例外一覧が戻ってくる。

動作上の失敗の型は一貫している。分類の混同は、リソースの競合と情報損失を生む。前者では、台帳の中にある最適化器がワークフローからリソースを奪い、後者では、派生した人工物が、新しい情報を含むかのように取り込まれる。人が監督する台帳では許容できる意味のずれも、誰にも意思決定を任されていない意思決定エンジンに流し込まれると、致命的になる。知能システムなら、未加工の正式な記録から再計算し、金額評価された監査可能な確約を書き戻すところを、パッケージ化された「計画」層は、あらかじめ消化された数字を取り込み、安全を保つために計画担当者が編集しなければならない提案を出力する。

これらはどれも不誠実さを必要としない。ビジネスモデルがもたらす均衡である。ベンダーは金銭的成果ではなくアクセスに値段をつけ、買い手は人の介入なしの意思決定の出力ではなく画面を求める。こうして、安定した凡庸さが続く。対処法は新しい四象限図ではなく、異なる契約と異なるアーキテクチャである。記録、レポート、知能を厳密に分離する。意思決定エンジンを、状態を持たず再実行可能な資産として動かす。そのエンジンは、未加工の記録を取り込み、確率的な入力を保持し、トレードオフを金額で評価し、要因を示す根拠記録とともに確約を書き戻す。供給者はRFPではなく、対抗的市場調査によって選ぶ。人の介入なしで意思決定する範囲と、測定された改善に比例して対価を払う。この条件を満たすところでは、アラートの芝居は使われなくなって消える。拒むところではスプレッドシートが再浮上する。その結果は、それが実際に意味する診断として受け止めるべきだ。

11.4.2 コンサルタント

コンサルティング会社は、顧客が最も乱されたくないものを保つ変革を約束して繁栄する。アプリケーションの構成、組織図、結果への責任を引き受けないまま説明責任を割り振る日々の儀式である。先に述べた均衡では、ベンダーは記録とレポートを「計画」の名で売る。コンサルタントは、脆い道具を進歩に見せる修辞と振り付けを提供して、その循環を完成させる。成果物が意思決定であることはめったにない。成熟度モデル、四象限図、ロードマップ、昨日の定型作業を新しい名で売り直す儀式という、物語なのだ。

こうした仕事を支える文献は、膨大であると同時に浅い。時間軸、能力、典型を目録にし、世界を整然とした階層と調整つまみの設定に分け、2×2のマトリクスを増殖させる。その四隅からは無限のページを生み出せる。このような区分は知識ではなく演出である。変動のもとで、希少な資源のどのような配分が利益を改善するのかという経済的な問いを避け、教えられて売れる分類体系に置き換える。本書を通じて論じてきたように、分類が存在意義を持つのは予測するときだけだ。コンサルティングの分類体系の大部分は、予測しない。

契約の中では、流行語が推進力を与える。「S&OPの足並み合わせ」「統合事業計画」「需要駆動」「デジタルツイン」「コントロールタワー」「設計によるレジリエンス」。どれも本質的にばかげているわけではないが、いずれも、変わらない意思決定の循環を覆い隠すために常用される。仕事の成果は、ワークショップ、実施周期の図、「一つの数字」を決める委員会である。同じ型が再現する。例外一覧が伸び、スプレッドシートが転移するように増え、重い裾、制約要因、不可逆な歯止め、整合しない意味といった最も難しい案件は、ソフトウェアが楽にできなかった当の事務担当者へ、丁重に差し戻される。

この周期が繰り返されるのは、安全だからだ。会議を再編してもERPは脅かされず、段階の名称を変えても前提は反証にさらされない。「目標業務モデル」を公表しても、人の裁定なしで通貨単位建ての確約を一つでも行うよう強いられることはない。契約はすべての集団を満足させる。経営陣は進歩の物語を受け取り、中間管理職は儀式的な確認地点を通じて拒否権を維持し、ベンダーのモジュールはその場に残り、コンサルタントは顧客の推薦を携えて去る。財の流れの変化は、無視できるほど小さい。

振り付けと実質を区別する、実用的な基準は存在する。情報、知能、意思決定、導入で、基準を定めた。正式な抽出データを用いた、毎日の全範囲での並行稼働。通貨単位で測定した改善があるときだけの本番昇格である。この物差しで見れば、コンサルティング介入の大部分は、何も起こらなかったに等しい。人の介入なしの意思決定を出力せず、確率的な将来を保持せず、トレードオフを金額評価せず、停止への責任も引き受けない。語るのであって、配分はしない。

経済的な試験は単純である。ある提案を、明日の夜に顧客の一日の終わりの抽出データで実行して通貨単位で監査し、生き残ったなら改善に比例して報酬を払う、ということができないなら、それは実務ではなく芝居に属する。人の介入なしの意思決定の出力を契約で引き受け、可逆性と改善を報酬の基礎として受け入れるなら、コンサルタントは従来の意味でのコンサルタントではなくなる。数値レシピの共同著者になるのだ。それがまれなのは、仕事が神秘的だからではない。支配的なビジネスモデルが、コードより儀式に報いるからである。

同じ定型作業の名称を変える定期的な変革、すなわち「コンサルタントの周期」は、買い手が動機を反転させるまで続く。対処法は、導入ですでに示した対抗的市場調査である。ベンダーと助言者候補に、互いの問題記述を作成・批評させ、TCOの概算と競合企業の一覧を求め、人の介入なしで行う範囲と測定された改善にだけ対価を払う。契約が意思決定の出力を生むなら続け、四象限図と実施周期を生むなら失効させればよい。次節では、同じような均衡が「データサイエンス」の名のもとに企業の内部でも再現され、責任の伴わない洞察が意思決定の代わりとなる様子を示す。

11.4.3 企業内データサイエンス

企業の内部で「データサイエンス」は、学界、ベンダー、コンサルタントが支えるのと同じ均衡を、大部分で再現してきた。出力への責任を引き受けずに、洞察を生むのである。2010年代初めから、チームはダッシュボード、試験導入、予測を増やしてきた。それでも、コードが人の介入なしで発行し、台帳に書き戻す日々の発注書、配分、価格を示せる組織は少ない。仕事は現代的に見えるが、世界に対して賭けを行うところまでは進まない。

三つの特徴が繰り返し現れる。第一に、成果物が予測中心、KPI中心のままである。誤差棒、精度スコア、整ったグラフは豊富にある一方、唯一の共通の物差しである企業全体の金銭の台帳は存在しない。不確実性は記述されるが、金額では評価されない。第二に、工学的な接点が省かれる。モデルは正式な記録ではなく、ABC分類、バッファー、「洗浄済み」のテーブルといった派生した人工物の上に作られる。フィールドの意味はずれ、停止条件は定義されていない。推奨が脆いと、「例外」が難しい案件を計画担当者へ差し戻す。第三に、動機は、人の介入なしの確約よりもスライドや概念実証に報いる。「意思決定支援」は、まさにソフトウェアが行うべき意思決定について人間の裁定を保つための、便利な婉曲表現になる。

その結果は、ベンダーのアラートの芝居を補完する洞察の芝居である。計画担当者は結局、脆いルールを裾の重い現実に対して手作業で突き合わせる。毎日何百万もの微細な選択肢という、コンピューターの必要性を裏づける組合せの問題が、人に押し戻される。事務処理中心の仕組みは、今度はダッシュボードに動かされながら、存続する。

代替策は十分に手の届くところにあり、本書の各所で示してきた。洞察工場という考えを、数値レシピに責任を持つサプライチェーンサイエンティストに置き換える。そのレシピは、正式な記録を取り込み、需要、リードタイム、信頼性を確率的に捉えた見通しを保持し、企業全体の範囲でトレードオフを通貨単位により評価し、人の介入なしで意思決定を出力する、コンパクトなプログラムである。サイエンティストが責任を負うのは、プレゼン資料ではなく出力だ。この姿勢は暗黙の前提を表に引き出し、モデル化を経済性に結びつける。

先の業務の小話、つまり荷受け場の飽和に価格をつけ、「まだ何もしない」を選択肢として認めて月曜日の山積みを平準化する例は、典型的である。組織再編も新しい倉庫もない。意思決定が変わることで、同じ資産がよりよい成果を上げる。これが日々の責任を引き受けることで実現するものだ。荷受け能力にシャドープライスがついた途端、MOQは絶対命令ではなくペナルティとなり、待つことが買うことと経済的に競い、週次のリズムが損失を決めることはなくなる。知能システムは、このような推論を人の介入なしの実務に変える。データサイエンスのダッシュボードには、それができない。

責任を負うことは、力の配分も適切にする。費用、制約、不可逆な歯止めが端から端までコード化されると、部分モデルのわずかな改善は、意思決定の出力の境界で金銭を動かす場合にだけ追求される。流行の指標である予測精度やサービスレベルは、お守りのような地位を失う。重要なのは、書き戻した後の、リスク調整後営業利益の改善である。協働のあり方も自然に変わる。財務は資本費用と評価額を、調達はリベート、MOQ、信頼性を、現場業務は能力と締め切りを明示する。レシピは毎晩、並行稼働のもとでこれらの入力を結び合わせるため、利益を生むところで学習が積み重なる。

社内の均衡は、このように崩れる。データサイエンスは流れを語るのをやめ、流れを動かし始める。自動化を安心して信頼できるようにする保護策、すなわち日々の再実行可能な抽出データ、状態を持たない計算、ホワイトボックス化された根拠記録、取り消し可能な意思決定の出力のもとで行うのだ。情報、知能、意思決定、導入の各章で、検証の仕組みはすでに定めた。ここでの論点は制度である。人の介入なしの意思決定の質に対して誰かが報酬を受けるまで、「データサイエンス」は事務処理の循環に糧を与え続ける。次節では、その循環を養う文献、すなわち活発に見えても予測、金額評価、反証の試験に失敗する資料を退けるためのフィルターを、読者に提供する。

11.5 組織的な罠

学界、ベンダー、コンサルタントといった外部の集団は、均衡が保たれる理由の一部を説明する。しかし、決定的なブレーキは企業の内部にある。サプライチェーンは二級扱いのままで、事実上、企業のIT部門に従属している。評判、官僚制、チケット対応の遅さが絡み合い、ついには組織が、工学的に作り込まれた知能の代わりに、事務担当者の目配りを受け入れる。対処法は、委員会をもう一つ作ることではない。責任を構造的に配分し直し、流れをプラットフォームの拒否権から解放する、薄いデータの接点を設けることである。

11.5.1 二級扱い

サプライチェーンは「事業に不可欠」と称賛されながら、周辺的なものとして扱われる。トラックが動き続け、棚に商品があるため、経営陣は、わずかな磨き込みだけで十分だと判断する。継続しているという外観が、コードとそれを書く人への投資不足の言い訳になる。そこから自己実現的な循環が生まれる。有望な人材は別の分野を目指し、部門は意思決定を作る代わりに定型作業を引き継ぐ。脆い「計画」追加機能を補うため、表に出ないスプレッドシートが増殖する。その結果生じる事務処理中心の姿が、これ以上よくすることはできないという、当初の偏見を裏づけてしまう。

評判の隔たりは古い。製品とブランドという「本当の」仕事の後に来る退屈な雑務として物流を見る視線が、今なお人員配置と予算を形づくっている。この循環をとりわけしぶとくするのが、知的な外装である。「サービスレベル98%」「予測精度」といった、単独で経済性に結びつかないKPIが、客観性を装う。こうした代用品に生計が依存すると、バッファーが膨らみ、例外は人に委ねられ、金銭が漏れ出していても台帳は輝く。部門は、トレードオフを金額で測り、ありふれた作業を自動化する確率的な経済学を拒みながらも、忙しく、安全に見える。

11.5.2 官僚制とチケット対応の遅さ

知能を人手で担うところでは、官僚制が栄える。アラートと例外は、毎月の「一つの数字」を決める密議、配分前の審議会、連鎖する承認などの儀式を通される。その真の機能は、意思決定を改善することではなく、説明責任を分散させることにある。各儀式は、不確実性を減らさずに手順を一層加える。組合せの問題は変わらず、ただ以前より多くの人の手でふるいにかけられるだけだ。

チケット対応の遅さが罠を完成させる。制約の追加、費用体系の改訂、意味の微妙な修正といった実質的な変更はすべて、中央システムへのチケット登録を必要とする。期待される経済的改善ではなく、プラットフォームへのリスクで優先順位が付けられる間に、数週間が数か月になる。チケットが処理される頃には事業は先へ進み、修正はすでに古い。意思決定エンジン内で毎日行える、元に戻せるコード編集であるはずのものが、部門横断プロジェクトとして捉え直される。何もしなければ現状が勝つ。

したがって、妥協は、全関係者が我慢できる最小の一歩へ流れる。「機械学習」モジュールは、難しい案件を例外一覧に回すダッシュボードとして接ぎ木される。ERPのアップグレードはフィールドを統一するが、意思決定ルールには手をつけない。外観は変わっても、事務処理の循環は残る。

11.5.3 IT部門への従属

企業のIT部門の使命は、稼働時間、標準化、規則遵守である。これは記録システムとレポートシステムには適切だが、知能システムには向いていない。「計画」を台帳の中で動かせば、重い分析がワークフローと競合する。レポート用のビューの上に置けば、不確実性は平板化され、意思決定は、利用者を人間のコプロセッサーにするアラートの芝居へ退化する。予算は使命に従う。資本はCRUDプラットフォームに流れ、意思決定の自動化はモジュールとして購入され、設定と例外の組合せとして届けられる。

リスクが逆転している。プラットフォームからの逸脱は危険とされるが、劣った意思決定による経済的損失は、いつもの業務とされる。門番の管理が、境界条件をさらに硬化させる。派生した人工物が正式な基準として扱われ、スキーマの変更は異端視され、製品群に吸収できない道具は原則として拒まれる。このような統治のもとでは、「高度な分析」への真摯な試みさえ、事務処理の循環に入力を与えるダッシュボードに帰着する。

11.5.4 継ぎはぎの堆積

中途半端な措置が積み重なる。段階別リベートを平滑化する一時的なワークブック、二つのマスターを突き合わせる専用レポート、購買担当者のツールにあるベンダーごとの例外。それぞれの出力に頼る利用者がつく。やがて継ぎはぎには擁護者が生まれ、どれか一つを取り除くほうが、全部を残すより危険に見えてくる。その場しのぎで始まったものが、慣習として固まる。

継ぎはぎの堆積は、説明責任を散らす。全体の経済的な質に責任を持つ者はいない。各チームが持つのは、小片とそれにまつわる物語である。これは厄介さの縮図だ。各修正が隣の修正に適応するにつれて問題自体が変異し、生き残っていることが成功と取り違えられる。

治療法は訓示ではなく、アーキテクチャにある。事実を持ち運べるようにする接点と、事実を金額評価された監査可能な確約に変える、状態を持たないレシピが、継ぎはぎをパラメーターへと解きほぐす。毎日の並行稼働によって拒否権は後退し、継ぎはぎは適切にコード化されるか、廃止される。

11.5.5 接点と責任

二つの構造的な措置で、罠を破れる。

第一に、接点を設ける。記録システムを網羅した、忠実な毎日の抽出データである。意図的に退屈なものにする。マニフェストを伴う追記専用のスナップショット、一巡分を通して扱えるだけの履歴、上流での「親切な」加工はなし、最小権限による読み取りだ。これがあれば、意思決定エンジンは状態を持たず、再実行可能になる。かつて台帳の変更を求めていたチケットは、専用コピーに対するコード変更となり、意味はメールで交渉されるのではなく、経験的に監査される。待ち時間は数か月から数時間に縮み、元に戻せることが当たり前になる。

第二に、数値レシピへの責任をサプライチェーンに割り当てる。役割は自然に決まる。導入で述べたように、データ責任者が接点を運用し、サプライチェーンサイエンティストがレシピを作成し、経営スポンサーが価格と境界を裁定し、フローマネージャーが現場感覚を持ち込み、異常を上申する。ベンダーとコンサルタントは、画面ではなく、出力と測定された改善で評価される。

このような接点と責任がなければ、業務上唯一重要な問いに答えるどころか、その問いを発する立場にさえ誰も立てない。なぜ我々は、現代の計算能力を使って不確実性を扱い、希少な資源をより利益が出るように配分していないのか、という問いである。

この二つの措置は、官僚制とプラットフォームの拒否権を、支配者からパラメーターへ格下げする。接点があり、責任が明確になれば、その部門はもはや、他人のソフトウェアを預かる二級の管理者ではない。自らの経済性をコードで書く著者になる。本章の残りでは、このような検証の仕組みに耐えられない資料を退けるフィルターを、読者に提供する。提案が毎晩その接点からのデータで実行できず、出力を通貨単位で正当化できないなら、それは実務ではなく芝居に属する。

11.6 退けるためのフィルター

今日のボトルネックは資料の不足ではなく、過剰である。百万を超える論文と何万冊もの本が「サプライチェーン」の旗のもとに並び、その山は年々速く積み上がる一方、日々の実務はスプレッドシート中心のままだ。最も単純な説明は、この生産物の大部分が、知識を実務で働かせる性質を欠いているということだ。毎晩、人の介入なしで動くソフトウェアに、利益を生む監査可能な賭けを行わせる性質である。本節では、役に立たないものを捨てるため、雑学、権威、パズルという三つのフィルターを提示する。文献の分類体系ではなく、読者が注意力を守るための道具箱である。

11.6.1 雑学

雑学は、一覧、マトリクス、時間軸によって世界を目録にするが、その分類がなぜ偶発的ではなく本質的なのかを示さない。オッカムの剃刀を適用すべきだ。必要を超えて分類を増やしてはならない。ここで必要とは、予測し、通貨単位で経済的な成果を改善する力を意味する。ある区分が居場所を得るのは、それを学ぶことで将来の結果に関する不確実性が減り、エンジンの、人の介入なしで行う配分の意思決定が改善する場合だけである。

周期表が、その基準を明確にする。化学の格子は飾りではなく、因果関係を凝縮している。原子番号によって元素が並ぶため、反応での振る舞いを予測できる。表は、物質についてのコンパクトで反証可能な理論である。それに対し、計画にまつわる専門用語の多くは、地質学なしで地図を描くようなものだ。「計画」を戦略、戦術、業務の時間軸に分けても、その区分が、不確実性のもとで金銭建ての異なる選択を予測しないなら、ほとんど何も語っていない。そうでなければ、三分法は単なる背景装置だ。商品のABC分類、「高回転、低回転、不動」、「地元、地域、全国」の拠点分類も同様である。不滅の2×2の四象限図¹⁶⁴もそうだ。そこでは、「独裁的か合意追求型か」と「考えてから行動するか、行動してから考えるか」が交差する¹⁶⁵。これらの仕掛けは教えやすく、無限に組み替えられるが、通常、予測に資する中身は皆無である。

試験は容赦ない。分類を採用しても、発注書、移送、価格といった出力が変わらないなら、それは雑学だ。先の業務の小話では、週ごとの入荷の山積みを扱うのに、新しい四象限図や時間軸は何も必要なかった。修正は、荷受け場の飽和に価格をつけ、平均を分布に置き換え、待つことのオプション価値が勝るたびに「まだ何もしない」を認めることで実現した。ひと握りの価格と分布が金銭を動かした。棚一杯の区分法には、それはできなかっただろう。

11.6.2 権威

あなたたちに、何であれ一般の人々に説教する資格はない。ゴールデングローブ賞のオープニング・モノローグ（2020）、リッキー・ジャーヴェイス。

著名であることは証拠ではない。経営者の発言、有名人の序文、有名ブランドの逸話は楽しませてくれるが、意思決定はしない。権威への訴えは、反証可能性、反実仮想、出力という三つの橋を渡らない限り、警戒すべき兆候として扱う。反証可能性とは、その主張をコード化すれば誤りと判明し得ることだ。反実仮想は、そうでなければ何が起きた可能性が高いのかを、話し手に述べさせる。出力は、その主張が、明日の夜に人の介入なしで行う確約を変えられるほど精密であることを求める。

大企業は問題を複雑にする。成功には製品、ブランド、資本構成など多くの原因が結びつく一方、サプライチェーンは意図的に秘密を保つ。サプライチェーンが本当に成功を支えている場合でも、公の場で話す者がその作者とは限らない。突出した貢献は偏って分布する一方、ほとんど何もせず居続ける人も多い¹⁶⁶。また、実際に貢献に責任を持つ人には、有効な方法を暗黙のままにしておく、あるいは受け入れやすい儀式に言い換える動機がある。発言の引用を数えることは、知識への道ではない。

実務上の基準は限定的で、公平である。著名な事業者やベンダーの提案が注目に値するのは、一日の終わりに正式な抽出データを取り込み、意思決定を出力し、各行を通貨単位で正当化するコードとして書けるようになってからだ。それまでは、その話を仮説としてしまっておき、それを軸にプロセスを作りたくなる衝動に抗うべきである。権威は着想を与えてもよいが、反証の代わりにはなれない。

11.6.3 パズル

サプライチェーンの学術文献は、書きやすく、採点しやすく、発表しやすいもの、すなわち固定された前提を持つ様式化されたパズルを最適化しがちである。パズルは楽しく、ときにはサブルーチンとして有用でもある。それが有害になるのは、知識が生きるべき接点、すなわち意味、経済性、毎日動くコードを欠いたまま、サプライチェーンの知識として提示されるときだ。問題は数学ではなく、捉え方の誤りにある。サプライチェーンは変動のもとでの応用経済学であり、一度も賭けを行わず、つまり人の介入なしで意思決定を一度も出力しない論文は、まだ競技場に入っていない。

二つの問いが、サブルーチンとシステムを分ける。第一に、その提案は、派生した人工物を通じて意味を洗い替えることなく、元の記録を取り込めるか。第二に、意思決定を出力する境界まで一貫して不確実性を保持し、トレードオフを金額評価しているか。どちらかの答えが「いいえ」なら、その貢献はパズルのままだ。適切な検証の仕組みは、本書を通じて述べてきた。全範囲の抽出データでの毎日の並行稼働、停止ヒューリスティクス、各行の主な金銭的要因を示す根拠記録、測定された改善がある場合だけの本番昇格、状態を持たない再実行可能な計算による可逆性である。この検証の仕組みに耐えられない方法は、「初期段階」なのではない。未検証なのだ。

このフィルターは理論に敵対的なのではない。現実を歓迎するのである。混雑費用を較正する待ち行列理論の結果、トラック一台分の積載を組み立てる数理計画の部品、重い裾を正則化する集中不等式による上界。これらは、金銭を動かす数値レシピの中に組み込まれれば歓迎される。人の介入なしの意思決定の出力を伴わない数学的優美さは、記号による物語にすぎない。本番に要求するのと同じ経済的な試験に合格するコードを論文が提供するようになったとき、文献は現代化する。その試験とは、同じ制約と監査証跡のもとで、リスク調整後営業利益を高めるかどうかである。

11.6.4 フィルターの使い方

これらのフィルターを一貫して適用すると、読む資料は意思決定の出力を変えるものに絞られる。雑学は、金銭建ての予測能力を示さない限り、オッカムの剃刀に落とされる。権威が受け入れられるのは、その主張を並行稼働で反証できるようになってからである。パズルが前進するのは、人の介入なしで行う監査可能な意思決定につながったときだけだ。これが、これほど多くの活動と、わずかな進歩が共存する理由である。流通するものの大部分は、忙しそうに見えながら、これらの試験に失敗している。対処法は冷笑ではなく規律だ。不確実性を金額で評価し、意思決定の出力を要求し、肩書ではなく金銭に裁定させる。

11.7 この先へ

この先を考えるにあたり、必要なのは新たな宣言文ではなく、姿勢の転換である。本書を通じて提案した物差しは、実用的で限定的だ。毎晩の締めに、ソフトウェアが、通貨単位で評価された監査可能な確約を人の介入なしで出力するか、あるいは自ら停止して理由を説明する。そのとき、サプライチェーンは前進する。それ以外はすべて演出である。この基準での進歩は、四半期ごとの儀式でも、新しい画面でもない。事務的な突き合わせを、不確実性を明示的に保持し、企業の規模でトレードオフを金額評価する機械的な流れへ、着実に置き換えることだ。

この道に啓示は要らない。責任が累積的な成果を生める場所に責任を置く、長く効く二つの措置だけが必要だ。第一に、接点を通じて事実を持ち運べるようにする。スキーマに忠実で不変の抽出データによって、意思決定エンジンが状態を持たず、再実行可能になる。第二に、企業の経済性を数値レシピに凝縮する。そのレシピは抽出データを取り込み、将来を確率的に捉えた見通しを保持し、ペナルティと報酬を金銭で割り当て、人の介入なしで意思決定を出力する。各出力に添えられるホワイトボックス化された根拠記録が、重要だった少数の要因を通貨単位で示す。この規律があれば、改善は日常になる。現実が前提を反証すれば、レシピを変更し、再実行し、再開する。積み重なるのは誤りではなく、知識だ。

人は消えない。その仕事の効果が増す。計画担当者は、提案の行を編集する人ではなく、枠組みと価格を管理する人になる。財務は、エンジンが守るべき資本費用と評価額を明示する。調達は、リベート、MOQ、信頼性を、拒否権ではなく価格として明示する。現場業務は、能力と締め切りを監査可能な制約として示す。経営陣はスローガンではなく金銭でトレードオフを裁定し、エンジンが停止するまれな場面で責任を引き受ける。試験は誰にとっても同じだ。その出力は、企業のリスク調整後収益率を高めたか。

アラートの芝居、計画の芝居、洞察の芝居という代替策は、いつまでも生かしておける。トラックは動き続け、平均は安心を与え続けるからだ。その費用は、一日だけを切り取れば大部分が見えないが、何年もたてば重くのしかかる。顧みられない選択肢、評価を誤った裾、情報を持たない人工物の手入れに費やされる注意力である。したがって、成熟した企業の前にある選択は、安定かリスクかではない。すべての流れから静かに税を取り立てる事務処理中心の均衡か、不確実性を利益に変える機械的な規律か、という選択だ。

建設的な計画に進む前に、何が道をふさいでいるのか、率直に述べなければならない。次の小節では、ソフトウェアや修辞が何であろうと、事務処理中心の均衡を必ず温存する習慣を名指しする。それらを捨てて初めて、これまでの章ですでに示し、既存の台帳とも完全に両立する、よりよい道を、素直に採用できるようになる。

11.7.1 やめなければならないこと

進歩をスローガン以上のものにするには、根深い三つの演目をやめなければならない。どれにも由緒があり、どれも専門家らしさを満足させ、どれもコンピューターを遊ばせたまま、事務処理中心の均衡を確実に保つ。

第一に、アラートの芝居をやめなければならない。「自動化」を名乗りながら、人間が突き合わせて処理する例外一覧を出力するソフトウェアは、自動化ではない。意思決定を先送りするためのインターフェースだ。人の介入なしで書き戻せず、その要因を通貨単位で示せないシステムは、計画担当者を手作業で例外を突き合わせる役に落とし、それを進歩と呼ぶ。基準は単純で、交渉の余地がない。プログラムが、注文、配分、価格という確約を台帳に発行するか、そうでなければレポート用ツールであり、そのように評価し、購入すべきである。「安全」であるために毎日行単位の編集が必要なものは、過去のものだ。利用者席数、画面、アラートは、意思決定の出力の代わりにはならない。

第二に、計画の芝居をやめなければならない。「唯一の数字」をめぐる毎月の合意形成の儀式は、不確実性を平板化し、無知を精密さに見せかける。予測精度、サービスレベル目標、その他の計画遵守指標は、経済性ではない。数字で表現された作法である。判断ではなくバッファーに、利益ではなく遵守に報いる。命令が「厳格な制約」と宣言されるとき、それは通常、金額評価されていない選好を隠している。平均が将来の代わりに置かれるとき、裾は痛手を与えるまで無視される。対処法は礼儀作法ではなく価格である。ほとんどの限界を、通貨単位のペナルティを伴う制約として扱う。待つことの明示的なオプション価値を通じて、「まだ何もしない」を「今確約する」と競わせる。計画遵守を、唯一重要な試験に置き換える。同じ制約と監査証跡のもとで、その出力は企業のリスク調整後収益率を高めたか。この規律がなければ、飽和した荷受け場でトラックが待機していても、計画は非の打ちどころがないように見え続ける。

第三に、洞察の芝居をやめなければならない。一度も賭けをしないダッシュボード、コントロールタワー、「デジタルツイン」は飾りである。永遠にサンドボックスで暮らす試験導入、何も動かさない「可視化だけ」の取り組み、人の介入なしで意思決定する範囲ではなく振り付けでベンダーを選ぶ調達儀式であるRFPも、同じだ。社内でそれと鏡写しになるのは、スライドや試作品を作りながら、書き戻しへの責任を拒むデータサイエンス機能である。基準は、ここでも機械的なものだ。忠実な抽出データでの毎晩の並行稼働、状態を持たない再実行可能な計算、不合理な判断があれば停止すること、測定された改善がある場合だけの本番昇格、設計による可逆性である。それに満たないものは流れを語るだけで、流れに貢献しない。

意思決定の代わりのアラート、価格の代わりの計画、出力の代わりの洞察という三つの演目は、居心地がよく、責任を否認できるために続く。経営陣が利用者席数と儀式ではなく、通貨単位建てで人の介入なしに行われる意思決定を要求した瞬間、それらは終わる。そうなって初めて、次に述べる建設的な計画が働く余地が生まれる。

11.7.2 よりよい方法へ

よりよい方法は、日常の手順としては地味だが、結果は抜本的である。明日の不確実性を価格のついた原材料として扱い、毎日の締めを、規律ある精算の場に変える。正式な記録から、コンパクトな数値レシピが企業の許容される行動を再計算し、将来を確率的に捉えた見通しを保持し、通貨単位建ての収益とペナルティを付け、人の介入なしで確約を書き戻すか、信頼度が下がれば自ら停止する。それ以外は進歩と呼べない。選択肢、裾、結びつき、不可逆な歯止めという、重要なものはすべて、儀式なしに監査、再実行、改訂できるコードで表現される。

この規律が整うと、一日の様相が変わる。最初に不合理な判断が消える。荷受け場の飽和は、週次ダッシュボードで平均に埋もれる不意打ちではなくなる。「絶対命令としてのMOQ」は、価格のついたトレードオフへと解きほぐされる。明示的なオプション価値によって、「まだ何もしない」が「今確約する」と公平に競えるようになる。信頼は会議ではなく、なぜ注文したのか、なぜ移送を見送ったのか、なぜ価格をわずかに動かしたのかを、一行ずつ通貨単位で説明する、ホワイトボックス化された根拠記録を通じて積み上がる。現実が前提を反証すると、エンジンは止まり、前提を直し、再実行し、流れを再開する。誤りは低費用で取り消せるようになり、正しさは大規模に展開できる。

二つの短い小話が、これを実務で示す。季節性のあるファッションブランドは、当初に大きく賭けるが、押し込み型の計画を方策に置き換える。品ぞろえを選択肢として評価し、初期の消化率で購買バスケット単位の確率的な見通しを更新し、値下げを事後の後悔ではなく、具体化された関数とする。エンジンは一つの台帳の中で、欠品の痛手を陳腐化と比較して金額評価し、半減期が長いところでは確定の先送りを優位にし、毎晩、人の介入なしで配分と価格変更を書き込む。目に見える効果は芝居ではない。シーズン途中の移送が減り、シーズン末の投げ売りが小さくなり、粗利益率がより安定する。表面の下では、裾を認めて金額評価し、延期化が勝つべき場面で勝たせることから、利益が生まれている。

民間航空のMROでは、循環修理部品のプールを選択肢のポートフォリオとして管理する。予定外の取り外しは裾の重い到来過程としてモデル化し、AOGにさらされる度合いにはシャドープライスをつける。他機からの部品取り、リース、修理、購入を許容される行動とし、リスク調整後の期待収益で順位づける。多くの夜には、待つことが最も利益の出る行動となる。別の夜には、エンジンは暦ではなく、上昇するリスクのシャドープライスに応じて在庫を前もって配置する。かつてメールの連鎖だったものが、人の介入なしで発行する発送指示と発注書になる。それぞれに根拠記録が付き、なぜある部品がこの機体番号の機体へ飛び、別の部品が棚に残り、所要時間のばらつきを踏まえると、なぜリースが修理に勝ったのかを、通貨単位で示す。先行する絶対命令が作り出す危機が減るため、英雄的な働きで「解決」される危機も減る。

制度上の帰結も自然に生じる。役割は裁定から作成へ傾く。計画担当者は枠組みと価格の管理者となり、財務はレシピが守るべき資本費用と評価額に責任を持つ。調達はリベート、MOQ、信頼性を拒否権ではなく体系として示し、現場業務は能力と締め切りを監査可能な制約として示す。ベンダーと助言者に支払われるのは、利用者席数、画面、儀式の対価ではなく、人の介入なしで行う範囲と、測定された改善の対価である。予算は、今世紀に複利的に価値を高める唯一の資産へ向かう。企業の経済性を書き留め、実験的最適化のもとで改善する、小さなコードベースだ。

これらはいずれも啓示を求めない。人の介入なしの意思決定を実現する道具は、すでに示した。姿勢の転換を求めるのである。あらゆる確約は賭けであり、その質を事前に通貨単位で示し、事後に監査できると受け入れる。そして、現実が許す周期でソフトウェアがそうした賭けを行うよう、仕事を組み立てる。

本書は、サプライチェーンは物ではなく意図だと主張して始まり、その意図を実行可能にすることで閉じる。企業が毎晩の確約を一つずつ通貨単位で説明でき、説明できないときは自ら止まれるなら、芝居と熟達を隔てる線を越えたのである。残るのは、知識をゆっくり積み重ねることだ。毎晩、少し先まで見通し、明日の収益に値するだけの先見を得ることである。

12 技術的補足

12.1 非周期収益率

この補足では、経済学の章で参照した非周期収益率を定式化する。目的は実用的である。各選択肢、すなわち希少な資源を投入する微細な意思決定は、拘束した資本を回収し、複利的に増やし始める速さによって順位づけるべきだ。サプライチェーンのキャッシュフローが暦上の期間にそろうことはめったにないため、最も情報を与える評価期間は、選択肢自体が選ぶ。

離散的な時間格子\(t=0,1,\dots,T_{\texttt{max}}\)を考える。単位は日、週、または月である。次の二つを、

\[ s(t)\in\mathbb{R}^+ \quad\text{および}\quad r(t)\in\mathbb{R}^+ \]

それぞれ、その選択肢に伴う時点\(t\)の支出と収入を現在価値に換算したものとする。（割り引く場合は、まず将来の金額を現在価値に換算する。次節を参照。）

その選択肢に必要な総資本を\(t=0\)で評価したものと、任意の区切り\(T\)までの累積収入を、次のように定義する。

\[ S \;\triangleq\; \sum_{t=0}^{T_{\texttt{max}}} s(t), \qquad R(T) \;\triangleq\; \sum_{t=0}^{T} r(t). \]

すると、非周期収益率は次のようになる。

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}} \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

解釈。その選択肢のキャッシュフローの時間軸に沿って、カーソルを動かす。各時点\(T\)で、その時点にポジションを閉じていたら実現したであろう単位時間当たりの収益率を計算する。累積流入額\(R(T)\)を、その選択肢が必要とする総資本\(S\)で割り、一を引き、\(1/T\)倍する。この指標は最大値を採用する。対応する\(T^\star\)が、その選択肢の暗黙の評価期間である。暦上の時期が大きく異なる二つの選択肢も、それぞれにとって最善の回収時点で判断するため、比較可能になる。

単位。\(t\)を日で測るなら、\(\mathtt{RoR}_{\texttt{aper}}\)は日次の収益率である。年率換算が必要な場合は、選んだ時間格子で複利計算する。例えば、\((1+\rho)^{365}-1\)が、日次の収益率\(\rho\)の年率換算となる。\(\rho\)が小さい場合、期間数を掛けるのは粗い近似となるが、率が大きくなれば複利計算のほうが安全だ。

計算例。今日100通貨単位で購入し（\(S=100\)）、二回に分けて販売する。15日目に60通貨単位、30日目に60通貨単位を得る。日当たりの速さは次のとおりである。

\[ \rho(15)=\frac{1}{15}\Bigl(\frac{60}{100}-1\Bigr)=-0.026\bar{6},\quad \rho(30)=\frac{1}{30}\Bigl(\frac{120}{100}-1\Bigr)=0.006\bar{6}. \]

最大値は\(T^\star=30\)日で生じ、日当たり\(\rho^\star\approx 0.006\bar{6}\)となる。一年で複利計算すると、およそ\((1+0.006\bar{6})^{365}-1\approx 10.3\)、すなわち年率約\(1{,}030\%\)である。品目の水準では、このような大きさは珍しくない。ポートフォリオ全体の収益率ではなく、速い在庫回転を反映しているからだ。

二つの注意点がある。第一は、正の偏りである。この指標は、\(T^\star\)で解放された資本を、同じだけ魅力的な機会へ直ちに再投入できると仮定する。実際には、同等の機会が遅れてやって来ることもある。第二は、負の偏りである。速さを測るため、\(T^\star\)より後の収入を無視する。現実には、財を廃棄しない限り、その後の流入も実現し、最終的な利益を押し上げる。どちらの効果も許容でき、むしろ有用である。ここでの目的は、その選択肢の最終損益を確定することではなく、希少な資本を最も速く複利的に増やせる用途へ優先的に振り向けることだからだ。

12.2 割引キャッシュフロー

キャッシュフローを割り引くとは、先の時間選好の議論を、通貨単位と離散的な時間格子で言い直すことにすぎない。後で受け取る通貨単位の今日の価値が低いのは、それまでの間、使用も、備えとしての保有も、再投資もできないからである。割引キャッシュフロー（DCF）は、将来のあらゆる金額を「今日の通貨単位」に換算する。この換算を済ませれば、前節の非周期収益率を、それ以上変更することなく適用できる。

時間格子\(t=0,1,\dots,T_{\texttt{max}}\)を定める。単位は日、週、または月である。格子の一刻み当たりの企業の資本コストを\(k\)とする。与信枠の段階や一時的な資金逼迫によって資金コストが時間とともに変わる場合は、\(k_t\)と書く。時点\(t\)の金額を\(t=0\)に戻す割引係数は、次のとおりである。

\[ D(t)\;=\;\prod_{\tau=1}^{t}\frac{1}{1+k_\tau} \qquad\text{（$k$ が一定なら、$D(t)=(1+k)^{-t}$）。} \]

\(r^{*}(t)\)と\(s^{*}(t)\)を、時点\(t\)の割引前の収入と支出とする。即時の金額は\(t=0\)に記録する。それらを現在価値に換算すると、次のようになる。

\[ r(t)\;=\;D(t)\,r^{*}(t), \qquad s(t)\;=\;D(t)\,s^{*}(t). \]

すると、選択肢全体、すなわちそれに伴う一連の流れの割引キャッシュフローは、次のようになる。

\[ \mathtt{DCF} \;=\; \sum_{t=0}^{T_{\texttt{max}}} \bigl(r(t)-s(t)\bigr) \;=\; \sum_{t=0}^{T_{\texttt{max}}} D(t)\,\bigl(r^{*}(t)-s^{*}(t)\bigr). \]

この和は、今日の通貨単位による絶対額の価値評価である。正なら富を生み、負なら価値を破壊する。

非周期収益率とのつながり。 前節では、\(r(t)\)と\(s(t)\)を、現在価値に換算したフローとして明示的に定義した。したがって、速さで選択肢を順位づけるには、まず上記のように割り引き、その後、現在価値の系列を、変更せずに非周期収益率の式へ代入する。記号で書けば、\(S=\sum_{t=0}^{T_{\texttt{max}}} s(t)\)と\(R(T)=\sum_{t=0}^{T} r(t)\)をそのまま用い、次を計算する。

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}}\; \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

割引は時間選好を反映する。そのうえで非周期収益率が、現在価値に換算した支出をどれだけ速く回収し、複利的に増やし始めるかを示す。

\(k\)の選び方。 計算に使う時間格子に合わせて、企業の流動性の限界費用を用いる。日次の格子で年率\(K\)を使うなら、\(k=(1+K)^{1/365}-1\)によって日当たりに換算する。週や月についても、必要な変更を加えれば同様である。流動性の条件が区分ごとに異なる、あるいは時間とともに変わるなら、経路\(\{k_t\}\)として表す。\(D(t)\)の定義は、すでにこれに対応している。金融では、不確実性を反映するために\(k\)を「水増し」することが一般的だが、サプライチェーンではこの二重計上を避ける。不確実性は、この補足の後半で述べる、収益の確率的な扱いによって明示的に処理する。

小さな計算例（日次の格子）。 \(t=0\)で100通貨単位を支出し、15日目に60通貨単位、30日目に60通貨単位を受け取る。年間の資本コストが10%なら、日当たりは\(k\approx(1.10)^{1/365}-1\)である。割引係数は\(D(15)\approx (1.10)^{-15/365}\)と\(D(30)\approx (1.10)^{-30/365}\)となる。DCFは次のとおりである。

\[ -100 \;+\; 60\,D(15) \;+\; 60\,D(30) \;\approx\; 12.6\ \text{通貨単位。} \]

現在価値の系列を非周期の指標へ入力すると、\(S=100\)と\(R(30)\approx 60\,D(15)+60\,D(30)\approx 112.6\)が得られる。したがって、

\[ \mathtt{RoR}_{\texttt{aper}}\;\approx\;\frac{1}{30}\Bigl(\frac{112.6}{100}-1\Bigr)\;\approx\;0.0042\ \text{日当たり}, \]

これを複利計算すると、およそ\((1+0.0042)^{365}-1\approx 2.6\)、すなわち年率約\(260\%\)になる。重要なのは正確な数値ではなく、方法である。まず割り引いて、すべてを今日の通貨単位で表す。その後、現在価値に換算した流入が、現在価値に換算した支出をどれだけ速く回収するかによって、選択肢を比較する。

実務上の注意。 単位をそろえなければならない。\(t\)は\(k\)と同じ刻みで測る。例えば、\(t=0\)で手付金を払い、出荷時に残額を払うなど、支払いが段階的なら、それぞれを個別の\(s^{*}(t)\)として扱う。金利は重要だが、サプライチェーンでは通常、在庫回転の影響が支配的である。ここでの割引の役割は、暦上の時期が異なる選択肢の間で比較可能性を回復し、非周期収益率が順位づけの役割を明快に果たせるようにすることだ。

12.3 情報エントロピー

この補足では、情報の章で使ったシャノン理論のいくつかの要素を、在庫の例にそのまま使える形にまとめる。離散変数と底が2の対数に限定するため、単位はビットとなる。対数の底を変えても、単位の尺度が変わるだけである。

離散確率変数\(X\)が、状態\(x\)を確率\(p(x)\)で取るとする。状態が\(x\)だと分かったときに得られる情報、すなわち自己情報量は、次のとおりである。

\[ \operatorname{I}(x)\;=\;-\log_{2} p(x)\quad\text{ビット}. \]

確実な結果（\(p=1\)）がもたらす情報は\(0\)ビットであり、まれな結果ほど多くのビットをもたらす。

\(X\)のエントロピーは、自己情報量の平均である。

\[ \mathrm{H}(X)\;=\;\mathbb{E}[\operatorname{I}(X)]\;=\;-\sum_{x} p(x)\,\log_{2} p(x)\quad\text{ビット}. \]

エントロピーが依存するのは確率だけであり、状態の名前の付け方や保存方法ではない。状態を特定するために必要な、はい・いいえが等確率となる質問の平均回数と読むことができる。我々の目的には、そこから直ちに得られる二つの系で十分だ。

• \(X\)が等確率の\(n\)個の状態を持つなら、\(\mathrm{H}(X)=\log_{2} n\)である。

• \(X_1,\dots,X_k\)が独立なら、同時に考えたときの不確実性は加算される。

  \[ \mathrm{H}(X_1,\dots,X_k)\;=\;\sum_{j=1}^{k}\mathrm{H}(X_j). \]

（変数に相関がある場合、結合エントロピーはこの和を下回る。ここでは例を単純にするため、独立を仮定する。）

各商品の在庫量を離散変数としてモデル化し、最初の段階では異なる商品を独立として扱う。これにより、店舗のエントロピーを、商品当たりの値の「100倍」として計算できる。次の小節では、この式を、高級時計店と郊外の販売拠点という対照的な二店舗に適用し、違いを数量化する。理論全般についての簡潔で分かりやすい入門書としては、James V. Stone著、Information Theory: A Tutorial Introduction（2019）を参照されたい。

二店舗のエントロピー

ここで、元の章で用いた対比を厳密にする。各SKUの手元在庫を離散確率変数としてモデル化し、最初の段階ではSKUを互いに独立として扱う¹⁶⁷。すると、店舗全体のエントロピーは、SKUごとのエントロピーの和となる。

高級時計店。 各SKUの手元在庫は最大一個であり、在庫がある確率は95%、欠品している確率は5%である。したがって、一つのSKUは二値を取り、その確率は次のようになる。

\[ p(1)=0.95,\qquad p(0)=0.05. \]

二値エントロピーを用いると、

\[ \mathrm{H}_{\text{watch}}^{(1)} \;=\; -\,0.95\,\log_{2}(0.95)\;-\;0.05\,\log_{2}(0.05)\;\approx\;0.2864\ \text{ビット}. \]

独立な100個のSKUについては、

\[ \mathrm{H}_{\text{watch}} \;=\; 100\,\mathrm{H}_{\text{watch}}^{(1)} \;\approx\; 28.64\ \text{ビット}. \]

郊外の販売拠点。 各SKUの手元在庫は、0から9,999までのどの整数も等確率で取り得ると仮定する。\(n\)個の状態にわたる一様分布のエントロピーは\(\log_{2} n\)なので、SKU当たりでは、

\[ \mathrm{H}_{\text{depot}}^{(1)} \;=\; \log_{2}(10{,}000)\;\approx\; 13.2877\ \text{ビット}, \]

そして100個のSKUでは、

\[ \mathrm{H}_{\text{depot}} \;=\; 100\,\mathrm{H}_{\text{depot}}^{(1)} \;\approx\; 1328.77\ \text{ビット}. \]

数値で見ると、販売拠点が持つ在庫情報は、時計店のおよそ\(\mathrm{H}_{\text{depot}}/\mathrm{H}_{\text{watch}} \approx 46.4\)倍である。

「二十の質問」の要領で読むなら、時計店の100個のSKUすべての在庫状態を完全に特定するには、平均約29回のはい・いいえの回答が必要であり、販売拠点には約1,329回が必要となる。一様という仮定は、山のある現実的な在庫分布に比べてエントロピーをやや過大に見積もるが、隔たりの桁は変わらない。この計算は、同じ大きさ、すなわち100個のSKUを持つ二つの品ぞろえでも、情報的な重みは根本的に異なり得るという、元の章の主張を裏づける。一方は数十ビット、他方はキロビットで測られる。それゆえ、最も単純な流れを超えるものには、ソフトウェアが必要なのである。

12.4 トポロジカルソート

トポロジカルソートは、各前提要件が、それに依存する項目の前に現れるように、項目の集合を並べる。入力は有向グラフである。ノードはタスク、テーブル、部品などの項目を表し、矢印は「先でなければならない」を表す。グラフに有向閉路がなければ、そのような順序は存在する。閉路があれば、すべての前提要件を守れる並べ方は存在しない。

サプライチェーンの実務には、このような先行関係の構造があふれている。部品表では、組立品より先に部分組立品が必要である。日々の数値レシピは、特徴量を導出する前に記録を取り込み、選択肢を価値評価する前に予測し、発注書や移送を出力する前に選択肢を価値評価しなければならない。知能システムでは、この構造を有向非巡回グラフ（DAG）として明示し、実行のたびにその順序で処理する。

直観。 前提要件のない項目をすべて集め、作業リスト\(S\)に入れるところから始める。項目\(n\)を\(S\)から一つ選び、出力して、その項目から出る矢印を解除する処理を繰り返す。各後続項目\(m\)の前提要件が一つ減り、その数がゼロになると、\(m\)を\(S\)に加える。最後に、一度も出力されなかった項目が残るなら、それらは互いに依存している。つまり閉路である。

サプライチェーンの例。 ごく小さな部品表を考える。ネジとパネルには前提要件がなく、フレームにはパネルが必要であり、組立品にはネジとフレームが必要である。妥当な順序の一つは、次のとおりだ。

\[ \text{ネジ},\ \text{パネル},\ \text{フレーム},\ \text{組立品}. \]

アルゴリズムを実行すると、最初の\(S\)にはネジとパネルが入っている。パネルを出力すると、フレームの入次数がゼロになり、\(S\)に加わる。ネジとフレームを出力した後に、組立品を作れる。同時に選択可能な項目どうしの厳密な順序は、正しさには関係しないが、再現性には重要である。

正しさと計算量。 すべての辺\((u\!\to\!v)\)は守られる。\(v\)を出力できるのは、最後の前提要件が取り除かれた後だけであり、それは\(u\)を出力した後にしか起こらないからだ。逆に、ある項目が出力されたなら、その時点で未充足の前提要件はなかった。この方法は、隣接リストと、辺を一度ずつたどる処理により、線形時間\(O(|V|+|E|)\)で動作し、線形の記憶領域を使う。本番システムでは、\(S\)から項目を取り出す際に、例えば\((\texttt{site},\texttt{sku},\texttt{step})\)のような固定されたキー順を使い、出力を決定論的にする。同じ入力からはビット単位で同じ順序が再現され、監査と過去にさかのぼる再実行を支える。

知能システムでの実務利用。 日々の数値レシピはDAGである。未加工の抽出データを取り込み、正規化し、特徴量を導出し、確率モデルを適合または更新し、通貨単位で価値評価を計算し、その後、冪等な書き戻し、すなわち発注書、移送、価格を出力する。実行環境は、その計算グラフをトポロジカルソートし、それに従ってノードを実行する。検出された閉路は、「上書き」して済ませる例外的な案件ではない。意味の破綻であり、知能の章で論じたように、エンジンを停止させ、小さな証拠となる閉路を示して、ロジックまたはデータの契約を修正しなければならない。そのような証拠を作るのは簡単である。\(|L|<|V|\)の状態でアルゴリズムが停止した後、残った部分グラフの中で、同じノードが再び現れるまで先行ノードへのリンクをたどる。こうして現れるループが、運用担当者に必要な最小限の説明となる。

12.5 四層パーセプトロン

四層の多層パーセプトロン（MLP）は、「ディープラーニング」の節で言葉によって説明したものの、最小限で有用な実例である。単純な非線形ゲートを挟んだ線形写像からなる、固定された回路だ。各段階は通常の線形代数に帰着するため、その仕組みの神秘を取り払うのに適している。

先に使った手書き数字の玩具的な課題（MNIST）を再び取り上げる。知能の章の図\ref{fig:perceptron}を参照されたい。各グレースケール画像は\(28\times 28\)の配列であり、値を\([0,1]\)の範囲に変換し、ベクトル\(\mathbf{x}\in\mathbb{R}^{784}\)へと平坦化する。ネットワークは十個の数字\(0,\dots,9\)についてスコアを計算し、その後、スコアを確率に変換する。最も確率の高い数字が、予測する数字である。

順伝播（推論）

ネットワークは、整流関数を挟んで三つのアフィン変換を重ねる。列ベクトルを用い、非線形関数を要素ごとに適用すると、計算は次のようになる。

\[ \begin{aligned} \mathbf{z}_1 &= \mathbf{W}_1\,\mathbf{x} + \mathbf{b}_1, & \quad \mathbf{a}_1 &= R(\mathbf{z}_1),\\ \mathbf{z}_2 &= \mathbf{W}_2\,\mathbf{a}_1 + \mathbf{b}_2, & \quad \mathbf{a}_2 &= R(\mathbf{z}_2),\\ \mathbf{y} &= \mathbf{W}_3\,\mathbf{a}_2 + \mathbf{b}_3. && \end{aligned} \]

ここで、\(\mathbf{W}_1\!\in\!\mathbb{R}^{256\times 784}\)、\(\mathbf{W}_2\!\in\!\mathbb{R}^{128\times 256}\)、\(\mathbf{W}_3\!\in\!\mathbb{R}^{10\times 128}\)は重み行列であり、\(\mathbf{b}_1\!\in\!\mathbb{R}^{256}\)、\(\mathbf{b}_2\!\in\!\mathbb{R}^{128}\)、\(\mathbf{b}_3\!\in\!\mathbb{R}^{10}\)はバイアスベクトルである。非線形関数は、次の整流関数である。

\[ R(u)\;=\;\max(0,u), \]

これを各座標に適用する。整流関数は、表現力の点で十分なだけではない。シリコン上で低費用に計算できるため、以前のシグモイド形のゲートに取って代わったのである。

出力\(\mathbf{y}\in\mathbb{R}^{10}\)は、各数字につき一つのスコアを集めたものである。クラスごとの確率を得るため、ソフトマックス写像を適用する。

\[ p_k \;=\; \frac{e^{y_k}}{\sum_{j=0}^{9} e^{y_j}} \quad\text{ただし}\quad k=0,\dots,9. \]

分類器は\(\arg\max_k p_k\)を報告する。確率ベクトル\(\mathbf{p}\)全体は、不確実性を数量化し、滑らかな損失関数を使えるようにするため、学習時に有用である。

確率的勾配降下法による学習

学習では、ネットワークが見たことのない画像について、正しい数字に高い確率を割り当てるよう、すべての重みとバイアスを選ぶ。\((\mathbf{x}^{(i)},\,t^{(i)})\)を\(i\)番目のラベル付きの例とし、\(t^{(i)}\in\{0,\dots,9\}\)を真のクラスとする。ミニバッチ\(B\)に対する標準的な損失は、平均交差エントロピーである。

\[ \mathcal{L}_B \;=\; -\,\frac{1}{|B|}\sum_{i\in B}\log p_{\,t^{(i)}}(\mathbf{x}^{(i)}), \]

必要に応じて、過学習を抑えるため、重みに対する小さな二次ペナルティ、すなわち重み減衰を加える。現代のフレームワークは、自動微分によって、すべてのパラメーターに関する\(\mathcal{L}_B\)の勾配を計算する。その後、確率的勾配降下法（SGD）の一ステップで、損失を減らす方向へパラメーターを少し動かす。

\[ \theta \leftarrow \theta \;-\; \eta\,\nabla_{\theta}\,\mathcal{L}_B, \]

ここで、\(\theta\)はすべての\(\mathbf{W}_\ell,\mathbf{b}_\ell\)の集合を表し、\(\eta>0\)は学習率である。ミニバッチを抽出し、順伝播を行い、損失を計算し、勾配による更新を適用する。この単純なループを繰り返すことで、改善が頭打ちになるまで、学習に使わず取り置いた画像での損失が徐々に下がる。モメンタムや適応的な学習率といった変種は、この同じ考えを洗練するものであり、基本的な構図を変えるものではない。

安定性と速度には、二つの実務上の選択が重要だが、話を複雑にするものではない。第一に、活性値が伝播する間に発散も消失もしないよう、重みを初期化する。整流関数の場合、\(\,\mathcal{N}(0,\;2/n_{\text{in}})\)のように尺度を設定した平均ゼロのガウス分布がよく機能する。\(n_{\text{in}}\)は、その層への入力数である。第二に、ハードウェアの並列性を活用するため、例を小さな連続した群、すなわち「ミニバッチ」で処理する。すると、推論と学習は、少数の密行列積（GEMM）と低費用の整流関数に帰着する。

規模、費用、そして実際に計算するもの

重みだけを数えると、\(784\!\to\!256\!\to\!128\!\to\!10\)のMLPは、次の個数の学習可能な数値を持つ。

\[ 784\times256 \;+\; 256\times128 \;+\; 128\times10 \;=\; 234\,752 \]

三つのバイアスベクトルは、その上に無視できるほど少ない\(256+128+10\)個を加える。一回の順伝播は、「三つの行列積と二つの整流関数」である。単純なゲートを挟んだ線形代数という、この機械的な見方こそ、正しい理解の枠組みだ。隠された魔法はない。ネットワークは、勾配降下法でパラメーターを調整する、プログラム可能な回路である。

12.6 数理最適化

この補足は、意思決定の章の最適化パラダイムの議論を補完する。目的は実用的である。その節の語彙、すなわち追加一単位の確約、実行可能性の判定、金額を付けたペナルティ、確率的予測、経済的な目的を、人の介入なしで繰り返し解ける、最小限の数学的な形で言い直すことである。

意思決定からモデルへ

意思決定は、追加一単位の確約の有限集合である。\(\mathcal{A}=\{a_1,\dots,a_n\}\)を、現在の周期で許容される微細な行動、例えばもう一個買う、店舗\(s\)にもう一個割り当てる、訪問先をもう一つ予定に入れる、といった行動の集合とする。行動を選ぶことを\(x_i\in\{0,1\}\)で記録し、ベクトル\(x\in\{0,1\}^n\)が確約全体を表す。枠組みは\(\mathcal{A}\)を明示し、各\(a_i\)に、実行可能性を判定し、帰結を価値評価するためのデータを付ける。

実行可能性は、候補\(x\)が通過しなければならない判定として表現する。法的な禁止や物理的不可能性といった絶対的な限界は、\(x\)を無条件に退ける厳格な判定となる。業務上の限界の大部分は、対価を払えば緩和できる。その逸脱を禁止するのではなく、金額を付ける。\(g_k(x,\omega)\)を、企業が抑制したい測定可能な量とする。ある日の荷受け場の負荷、時間枠から何分遅れたか、残業時間などであり、不確実な将来の実現値\(\omega\)のもとで計算する。通貨単位で表したペナルティ\(C_k(g_k)\)が、その選好を目的関数に組み込む。真に厳格な限界だけを判定として残すことで、エンジンの柔軟さと誠実さを保てる。金額を付けたペナルティは、異質な厄介事を一つの台帳の上で比較可能にする。

目的関数は金銭建てである。現在の意思決定の種類に付随する責任期間内で、各微細な行動\(a_i\)は、利益、リベート、残存価値の回収といった金銭の流入を生み、調達、荷扱い、保有、陳腐化、混雑、延滞料といった支出を生む。将来\(\Omega\)を確率的に捉えた見通しのもとで、エンジンは\(x\)の期待価値を評価する。

\[ J(x)\;=\;\mathbb{E}_\Omega\Bigg[\;\sum_{i=1}^{n} x_i\,v_i(\Omega)\;-\;\sum_{k} C_k\bigl(g_k(x,\Omega)\bigr)\;\Bigg], \]

ここで\(v_i(\Omega)\)は、通常の費用をすべて計上した後の、その期間における\(a_i\)の純金銭貢献である。例えば裾にある損失をより重く金額評価するなどのリスク調整は、抽象的な百分率ではなく、\(C_k\)の項に置く。異なる期間にわたって資本を拘束する小さな代替案を順位づけるとき、経済学の章では、非周期収益率による比較を勧めている。実務上は、金銭差額の期待値と拘束される資本を両方計算し、その後、この補足の前半で定義した指標によって速さを報告するということだ。ソルバーは\(J\)を最大化し、出力する追加一単位の確約について、対応する非周期の速さを報告できる。

不確実性は、目的関数の中に隠すのではなく、入力に保持する。確率的な要素\(\Omega\)は、企業が保持する需要、リードタイム、信頼性、返品、そして金額評価する外生要因すべての分布をまとめる。これらの分布が与えられれば、目的関数\(J\)は決定論的である。この分離により、結果が期待外れでも因果関係と責任の所在を読み取れる。枠組みが選択肢を落としていたのか、価格が不適切だったのか、予測の較正が誤っていたのか、ということだ。

ペナルティと確率的な限界

「これを制御下に保つ」を表す形式は二つある。確率制約は、\(\mathbb{P}\bigl(g_k(x,\Omega)\leqslant \tau_k\bigr)\geqslant 1-\alpha_k\)を要求する。ここでは、ある閾値\(\tau_k\)と許容度\(\alpha_k\)を用いる。金額を付けた制約は、通貨単位の費用\(C_k(g_k)\)を、\(g_k\)のすべての値に割り当てる。前者は、別の場所で調整しなければならない無次元の\(\alpha_k\)の中に経済性を隠す。後者はトレードオフを直接金銭で示し、他の項とも自然に集約できる。ほとんどの限界を費用を払えば超えられるサプライチェーン業務では、金額を付ける形式が主力となる。純粋な確率的限界は、安全上重大な少数の領域の防護柵として残しておくのがよい。

便利なのは、企業が被る不都合の曲線を近似する、凸で増加するペナルティであり、多くの場合は区分線形にする。荷受け場の負荷\(q\)が柔軟な能力上限\(K\)を超え、\(K+\Delta\)の先で痛手が急増するなら、\(C(q)=c_1\,(q-K)_+ + c_2\,(q-K-\Delta)_+\)、ただし\(c_2\gg c_1\)と書ける。具体的な数値は経済性の問題だ。それを明示すれば、ソルバーは異質な摩擦の間で、最も害の少ない妥協点を見つける。

小さなモデルの例：コンテナを満たす

輸入業者が、コンテナ一杯分の注文を出さなければならない。候補となる各一単位\(a_i\)には、体積\(w_i\)と、責任期間内に限定した期待純金額\(m_i(\Omega)\)がある。この金額には、調達、荷扱い、保有、陳腐化、残存価値の回収、欠品の影響がすでに含まれる。コンテナの容量を\(W\)とし、\(w_i\)と同じ単位で測る。詰めすぎることは可能だが、超過一単位当たり\(\lambda\)の率で痛手が生じる。

忠実な目的関数は、次のとおりである。

\[ \max_{x\in\{0,1\}^n}\;\mathbb{E}_\Omega\biggl[\sum_i x_i\,m_i(\Omega)\;-\;\lambda\Bigl(\sum_i x_i\,w_i - W\Bigr)_+\biggr], \]

ただし、法的な不適合や禁止された混載などの厳格な判定を満たさなければならない。これは、不確実性のもとでペナルティを伴うナップサック問題である。この章の追加一単位ごとに考える立場に沿った、単純で有効な解法がある。各ステップで容量のシャドープライスを計算し、その価格を上回る期待限界値\(\frac{m_i}{w_i}\)が最も高い、許容される一単位を選び、シャドープライスを再計算する。そして、次の一単位が待つことの経済性の閾値を満たさなくなったら止める。すなわち、リスク調整後の期待非周期収益率が、資本と先送りのオプション価値の合計を下回ったときである。価値評価は、選択の儀式ではなく箱の中の集合に依存するため、この貪欲な積み上げは、経済的に重要なものを狙う。責任期間と終端価値によって、帰属づけは明確に保たれる。

小さなモデルの例：入荷を平準化する

倉庫は、サプライヤーのランダムな予定のずれと、有限の荷受け口数に直面する。\(d_t(x,\Omega)\)を、\(t\)日目の到着数とする。これは、\(x\)が\(\Omega\)のもとで生じさせる数である。残業、運転手の拘束、滞留超過料、業務の混乱を、凸のペナルティ\(C_{\text{dock}}(d_t)\)で捉える。評価期間\(T\)にわたる、日次で通貨単位建ての目的関数は、次のとおりである。

\[ \max_{x}\;\mathbb{E}_\Omega\Bigg[\sum_i x_i\,m_i(\Omega)\;-\;\sum_{t=1}^{T} C_{\text{dock}}\bigl(d_t(x,\Omega)\bigr)\Bigg], \]

ここでも、判定として強制するのは、真に厳格な限界だけである。最適化器は、次の許容されるバッチの期待収益が、資本のシャドーコストと待つことのオプション価値の合計を上回るまで、注文を前倒しまたは先送りする。一方、凸の\(C_{\text{dock}}\)は、脆い絶対命令なしに負荷を分散する。