自律型サプライチェーン最適化ソフトウェア、2025年11月

はじめに

自律型サプライチェーン最適化は、最小限の人間の介入で需要予測、在庫計画、さらには価格調整まで行える「自動運転」サプライチェーンプラットフォームを約束します。理論上、先進的なアルゴリズム（機械学習、AI、最適化ソルバ）により、購買、生産、流通、価格設定にまたがって継続的に意思決定が行われ、サービス向上と利益最大化が図られます。

テックに精通したサプライチェーン担当役員にとっての魅力は明白です。プランナーの直感への依存を減らし、混乱に迅速に対応し、非効率性を排除できるからです。しかし、この技術はその期待に応えているのでしょうか？本調査では、2025年における最先端技術を厳しく検証し、真に自律もしくはほぼ自律型のサプライチェーン最適化を実現しているベンダーと、主にマーケティング上の空論に留まっているベンダーを識別します。我々は、各ベンダーが在庫と価格の同時最適化（価格が需要に影響し、それが在庫ニーズに直結するため、重要な能力です）を実現する能力、確率論的需要予測（不確実で断続的な需要およびリードタイムに対応するため）、意思決定の経済的最適化、プラットフォームのスケーラビリティとコスト効率、そして必要とされる人手による「見守り」の度合いを特に厳しく検証します。

「在庫切れを50%削減し、在庫量を30%削減する！」といった大きな主張は、厳密な詳細や第三者の検証が伴わない場合、懐疑的に扱われます。一般に、曖昧な流行語や「ブラックボックス」的な約束には減点し、矛盾点があれば強調します（例えば、リアルタイム と謳いながらも、一度に全品目を分析するシステムは、手法が極めて単純でなければ実現不可能でしょう）。また、各ベンダーの歴史も考慮します。多くは買収によって成長しており、古いモジュールと新しいモジュールを無理やり組み合わせています。こうした寄せ集めは、しばしば統合上の問題や断片的な技術を示唆しており、真に自律的なエンドツーエンドの最適化システムとしては適切とは言えません。

要するに、本レポートは真の革新と旧態依然の体制および誇大広告を分けることを目的としています。 以下では、自律型サプライチェーン最適化における主要ベンダーの順位付けを行います。低タッチで定量的に最適化されたサプライチェーンというビジョンに最も沿ったものから、後れを取るものまで順に並べます。その後、各ベンダーの詳細な分析、裏付けとなる証拠および批判的なコメントが続きます。

ベンダーランキング

1. Lokad – 定量的サプライチェーン最適化ツール. 第1位 にランク付けされています。これは、在庫から価格設定に至るまですべてを単一の自動化プラットフォームで最適化する統一的かつ確率論的アプローチによるものです。Lokadは真のエンドツーエンド意思決定の自動化を採用しており、最小限の人間の調整で補充、生産、価格設定の決定を生成します。同社は、トップクラスの予測精度（例：M5コンペティションでSKUレベル第1位の精度を獲得 ¹）を実証しており、ビジネスロジックをエンコードするためにドメイン特化のプログラミング言語を使用することで、ユーザーの推測を回避しています。Lokadは社内で開発され（寄せ集めの買収は行っていません）、明確に自律的な意思決定のために設計されています。人間の入力は主に目的と制約の定義に限定され、シナリオ分析やトレードオフ最適化の重い処理はプラットフォームが担います。これにより、例外的な事象を除けば、真に無人運転で運用できる希少なソリューションとなっています。

2. RELEX Solutions – 「タッチレス」リテールプランニング. 有力な競合として、RELEXは現代的なAI駆動のプラットフォームを提供しており、特に小売および消費財分野において強みを発揮します。同社は**「タッチレスプランニング」を売りにしており、AIが複雑な需要予測や供給／補充タスクを自動化し、「本当に価値を生む場合にのみ人間の介入が行われる」** ² という特徴があります。RELEXは、需要予測、在庫最適化、 そして重要な価格最適化（値下げおよびプロモーション最適化を含む ²）を網羅する統一ソリューションを提供します。同社のシステムは、バリューチェーン全体で需要と供給の計画を統合し、サイロ化や矛盾する意思決定を排除します ²。実際、RELEXのユーザーは、リアルタイムデータと予測モデルに基づいて店舗の補充、割り当て、価格設定を自動調整するシステムに任せ、戦略的指示や真に新しい例外にのみ介入できます。この高度な自動化と、マルチチャネルデータやプラノグラム／アソートメントの制約も考慮する能力を兼ね備えていることから、RELEXは小売における自律型サプライチェーン技術の最前線に位置しています。（RELEXが資料中で明示的に「AI搭載の需要感知」や「自律的かつ適応的な」プランニングを提唱していることは、自己運転型サプライチェーンを志向する設計哲学を反映しています ³。）唯一の注意点は適用範囲であり、RELEXは小売およびFMCGに焦点を当てているため、それらの分野では最先端ですが、コアフォーカス外の製造や流通にはそれほど汎用的ではありません。

3. o9 Solutions – AI搭載プランニング「デジタルブレイン」. o9は、企業のプランニングおよび意思決定のための**「デジタルブレイン」となることを目指したプラットフォームで急速に注目を集めています ⁴。このプラットフォームは、統合ビジネスプランニング（IBP）、S&OP、需要予測、サプライチェーン計画、さらには収益管理を1つのクラウドネイティブなシステムでカバーします。特筆すべきは、o9が価格およびプロモーションプランニングモジュール**（例：CPGの価格設定、トレードプロモーションなど）を含んでいるため、需要形成のレバーを供給と並行して最適化できる点です。同社は、データサイロを打破し、CEO Chakri Gottemukkalaが**「さらなるタッチレス実行」**と呼ぶものを可能にするために、AIと「エンタープライズ・ナレッジグラフ」技術を強調しています ⁵。最近のo9カンファレンスでは、CEOがAIエージェントが複雑な分析（収益機会対供給制約）を数分で完了する様子を示し、従来なら多数の人員が数週間を要する作業を実現していることを披露しました ⁵。o9のエージェントAIは、ビジネスを継続的に監視し、問題や機会を特定し、自動的にシナリオを実行して意思決定を推奨（または実行）することを目指しています。例えば、ある製品の需要が急増した場合、o9は在庫の再配分、供給の迅速化、さらに 価格またはプロモーションの調整を提案し、すべて1つのシステムで利益最大化を狙います。実際、多くのo9導入事例では依然として大きな人間の介在があり（プランナーはo9の「what-if」シナリオツールを用いて変更を承認します）が、o9はさらなる自動化へと進化しており、最新リリースでは生成AIプランニングアシスタントや自律エージェントがルーチンな意思決定を処理するようになりました ⁵。スケーラビリティ： o9はSaaSであり、大企業の膨大なデータを扱えると主張していますが、エンジン性能の詳細は乏しいです。クラウドアーキテクチャを採用しているため（全モデルが完全なインメモリで動作しているわけではなく、コスト面で好ましい）、全体としてo9の強みは統合プラットフォームの幅広さと、積極的なAIロードマップにあります。懐疑的な見方として、o9がAIプランニングを通じて「追加の売上価値1〜3%」を解放するという主張 ⁵ は、モデルシナリオに基づくものであり、透明なベンチマークに基づくものではありません。また、o9は需要と供給（場合によっては価格）の同時最適化をサポートしているものの、その最適化の深さは注意深く検証する必要があり、ベンダーは数学的コア部分をあまり明かさずに高レベルな利点を強調する傾向があります。それでも、o9は真の自律性にはすべてのプランニング要素の統合が必要であることを明確に認識しており、買収に頼らずゼロから構築したプラットフォームを有する数少ない企業の1つです。

4. ToolsGroup – AIを追加したサービス最適化99+. ToolsGroupはサプライチェーン計画における長い実績を持ち、確率論的予測と多階層在庫最適化で知られています。従来、ToolsGroupの主力製品であるSO99+ソフトウェアは、ユーザー定義のサービス目標を用いて在庫とサービスレベルに焦点を当てていました。しかし、過去数年間でToolsGroupは自律的な意思決定に向けて技術スタックを積極的に更新してきました。特筆すべきは、2023年にAI企業Evoを買収し、動的価格最適化およびプロモーション最適化をその戦力に加えたことです ⁶。 ToolsGroupのCEOは、これにより「最適な価格と在庫計算」を同時に可能にし、最終的には**「未来の自律型サプライチェーンを提供する」と述べています ⁶。つまり、ToolsGroupは在庫最適化だけでは不十分であり、価格設定もその一部であると認め、現在その能力を統合しつつあります。今日、ToolsGroupのソリューション（SO99+、買収したJustEnoughのリテールプランニングスイート、EvoのAIエンジンの組み合わせ）は、理論上、何を在庫として保持し、どれだけ在庫を持ち、どの価格で販売するかをリアルタイムで自動的に決定することが可能です。例えば、需要が急増し在庫が乏しい商品に対しては価格を引き上げ、動きの鈍い商品の在庫処分のために同時に価格を引き下げる提案を行い、これらの価格変更が在庫に与える影響も同時に考慮します。強み： ToolsGroupの確率論的モデルは、サプライチェーンにおける「日常的な混沌」、つまり断続的な需要や変動するリードタイムに対して、単一の数値ではなく結果の分布を予測することで信頼性を確保できる点に非常に適しています。（この重要性は、LokadがM5コンペで成功を収めたことからも裏付けられ、SKUレベルの精度には確率論的予測が鍵となることを示しています ¹。ToolsGroupもこれを強調しています。）また、ToolsGroupは自動補充提案や例外フラグ付けなどもサポートしており、プランナーがすべての小さな不足に対して手動で介入する必要がないよう、システム自体が通常の変動を処理することを前提としています。注意点： ToolsGroupの新機能は、2021年のJustEnoughおよび2023年のEvoの買収に依るものであり、統合上の課題が伴います。同社は、各モジュールがうまく連携する「モジュラー」アーキテクチャを主張していますが、異なる技術スタックや重複する機能（例：SO99+とEvoの需要予測エンジン）の統合は容易ではなく、これらを完全に統一するには時間がかかると考えられます。さらに、ToolsGroupのマーケティング主張、たとえば99%の可用性で在庫を15–30%削減したという実績は、前提条件に大きく依存するため、文脈がなければ普遍的な成果とは言えません。自動化の面では、ToolsGroupは依然として「プランナーのコントロール」**を多く提供しており（ユーザーがサービス目標を設定し、予測モデルを選択できるなど）、これが柔軟性をもたらす一方で、ユーザーの細かな調整に依存する点は完全な自律性に反します。それにもかかわらず、ToolsGroupの最近の方向性―価格／プロモーション向けの応答性のあるAIの追加と「意思決定中心のプランニング」を目指す姿勢―は、単なる流行語に留まらず、サプライチェーン自動化に向けた真剣な競争者の一角であることを示しています。

5. Aera Technology – 意思決定インテリジェンスと「自動運転」実行. Aeraは、このリストの中でややユニークな存在です。従来のプランニングスイートではなく、リアルタイムのオペレーションにおける意思決定を自動化するために特化して設計されたプラットフォームだからです。Aeraの売りは**「自動運転サプライチェーン」であり、クラウドプラットフォームがデータ（ERPトランザクション、外部シグナル）を継続的にクロールし、機械学習を用いて問題を検知し、アクションを実行または推奨することを可能にしています ⁷。プランナーが月次プランを策定する代わりに、Aeraの「コグニティブ」エンジンがサプライチェーンを24時間365日監視します。例えば、需要急増やサプライヤーの遅延が発生した場合、Aeraは自動的に調達の再調整、出荷経路の変更、または注文の優先順位の再設定を行い、在庫切れを回避します。重要なのは、Aeraの基本方針が意思決定をシステムに組み込む**ことであり、企業は、完全自動化可能な意思決定、人的承認が必要な意思決定、手動のままである意思決定を設定できる点です ⁷。信頼が積み上がるにつれて、より多くの意思決定が自動化へと移行されます。あるグローバルなCPG企業の事例では、Aeraは月間12,000件のプランニング提案を行い、そのうち74%が人間の介入なしに自動承認されました ⁷。 これは、日々の供給調整において非常に高い自律性を示しています。実際、その企業のサプライチェーン担当副社長は、Aeraの提案があまりにも信頼できるため、AIが通常正しかったとして一部プランナーの上書き権限を撤回したほどです ⁷。強み： Aeraは確率論的かつジャストインタイムな意思決定に重点を置いており、S&OPサイクル間の「予期せぬ事態」に明確に対処します ⁷。短期の実行ウィンドウ内で、サービスリスク、コスト、制約を考慮して供給と需要のバランスを再調整します（「財務目標を最大化しリスクを最小化するためのトレードオフを決定する」 ⁷）。本質的に、Aeraは人間のプランナーが追いつかない絶え間ない例外を処理する自律的な消防士のような役割を果たします。これは、労働力不足や反応の遅さにより未処理の例外が積み重なる従来のソフトウェアの大きなギャップを埋めるものです。注意点： Aeraは在庫再配分、注文の迅速化などの運用上の意思決定に優れている一方で、サプライチェーンプランニングスイートの完全な代替にはなりません。長期的なネットワーク設計や価格最適化（現時点でAeraは価格やマーケティングの意思決定には焦点を当てず、主にサプライチェーン実行に注力しています）は行わないため、初期の需要予測や価格戦略などには他のシステムが必要です。また、Aeraの導入には企業の意思決定ロジックの整理や多くのデータソースの統合が必要であり、これは複雑になる可能性があります。同社は「データクローラー」方式を採用し、重いITプロジェクトを伴わず各システムのデータを読み取ることで統合の負担を軽減していますが、まさにプラグアンドプレイとは言えません。また、意思決定自動化によって在庫廃棄を20%削減するというAeraの主張 ⁸ は状況に依存するため、結果は大きく異なるでしょう。要するに、Aeraは瞬間の自律性において顕著な成果を上げており、自律型サプライチェーンツールキットの価値ある一部であるものの、価格設定や戦略的プランニングはカバーしていません。これほどまでに最小限の人間の介在で実際に運用できる実績を示しているため、ここにランクインさせています。

6. Blue Yonder (JDA) – レガシーの巨人がAIフェイスリフトに挑戦している。 Blue Yonder（旧JDA Software）は有名なサプライチェーン・ソフトウェアのプロバイダーで、近年、自社をAI駆動で自律的なサプライチェーンプラットフォームとして再ブランド化しようと試みています。需要計画、補充、製造計画から輸送および倉庫管理に至るまで、あらゆるサービスを提供しています。Blue Yonderは紙の上では「エンドツーエンド」を網羅しているように見えますが、その技術は非常に古いレガシーシステムの寄せ集めに、いくつかの新しいAIコンポーネントが上乗せされているだけです。 この歴史が、自律性に関する同社の主張に影を落としています。Blue Yonderの主要な計画モジュールは、古い買収、すなわちi2 TechnologiesとManugistics（2000年代後半に買収）によるものです。 かつては最先端でしたが、現在ではレガシーとされ、決定論的で膨大なパラメータ調整を必要とし、しばしば旧式のアーキテクチャ上で稼働しています。（特筆すべきは、JDAによるi2買収が失敗に終わったことで、i2がDillard’s向けのプロジェクトを遂行できず、2010年にJDAに2億4600万ドルの損害賠償をもたらす訴訟に発展した点です。⁹ これはサプライチェーン・ソフトウェア史上最大級の失敗の一つであり、i2の技術と約束の脆弱性を浮き彫りにしています。Blue Yonderはその負の遺産を引き継ぎました。）その後、Blue Yonderは現代化を試み、2018年に同名のドイツAIスタートアップ（Blue Yonderという名前）を買収し、同社を小売需要予測に特化させ、その後、会社全体の名称をそれにちなんで変更しました。これにより、本物の機械学習の才能（例：需要感知のための深層学習）が加わりました。Blue Yonderはまた、ビッグデータ・プラットフォームとも提携しており、例えばSnowflakeとの提携で、クライアントにスケーラブルなデータ共有と分析を提供しています。[ˆ29] しかし、これらの施策では、Blue Yonderの計画スイートが初期状態で真に統合されたものではないという現実を隠すには不十分です。業界の内部関係者は、「Blue Yonderが提供するこれらのモジュールは、カスタマイズなしでは一切統合されていない。あれはただの営業トークだ」 と述べており、この点はSAPなどの他の大規模スイートにも当てはまると指摘されています。[ˆ30] つまり、Blue Yonderの需要、供給、価格設定ソリューションを購入する顧客は、シームレスな自律システムとは正反対の、大規模な統合作業に直面することになります。 自律性とAI： Blue Yonderのマーケティングでは、「認知的サプライチェーン」 や 「AI/ML」 といった用語が多用されています。スポンサー付きのインタビューで、Blue Yonderの戦略担当者は、サプライチェーン計画においてAIエージェントが「見て、理解し、判断し、さらには行動する」未来を描き、規範的な推奨を提供し、許されれば自律的に最適化も実行すると述べました。[ˆ31] 彼らは、供給と需要を同時に最適化し、断絶した意思決定を打破することなどにも言及しています。[ˆ31] 彼らが描くビジョンは実に魅力的で、Blue Yonderは（供給計画のための線形計画ソルバーから需要予測のためのニューラルネットワークに至るまで）多数のアルゴリズムを内包しています。問題はアルゴリズムが存在しないことではなく、それらが無人で連携して動作する実用性と信頼性にあります。 Blue Yonderの導入実績は、歴史的にコンサルタントの大軍に依存し、ビジネスルールの設定や安全在庫ポリシー、予測ヒューリスティクス、割り当て優先順位など数多くの計画パラメーターのチューニングを必要としてきました。また、「例外とアラート」 の処理を顕著に取り入れており、何か逸脱があればそれを人間のプランナーに通知し介入を促す仕組みになっています。これはシステムが真に自律運転ではなく、多くの決定をアラームを介して人間に委ねる現実を露呈しており、AIによる「日常の混沌」処理という理念に矛盾します。本当に自律的なシステムであれば、本当に例外的な事象（例：工場火災、突発的なロックダウン）だけをエスカレートさせるはずです。Blue Yonderの場合、多少珍しい需要急増やサプライヤーの遅延でさえ、プランナーが対処しなければならない例外メッセージの洪水を引き起こす可能性があります。 さらに、Blue Yonderの価格最適化機能は、有機的に統合されていません。 多くの人が予想したように、同社は主要な価格設定ソフトであるRevionicsを買収したわけではなく、その会社は2020年にAptosに買収されました。Blue Yonderには、（おそらく旧JDAのディスカウント最適化とパートナーシップの結果として）何らかの価格設定ソリューションは存在しますが、それは依然としてコアの計画スイートとは別個のものです。最近、Blue Yonderの需要計画を評価した中規模のCPG企業は、需要計画モジュールだけで200万ドルの見積もりを受け、ベンダーは「AI/MLを強く推進している」としていたものの、結果的にそれが**「ブラックボックスすぎる」** と評され、非常に高額である（一方、他社は100万ドル以下と見積もっている）と述べています。[ˆ34] この結果、その規模のビジネスにとって、Blue Yonderの重厚なブラックボックス型AIは採算に合わないと判断されました。[ˆ34] この逸話は、Blue Yonderのソリューションがしばしば高コストで提供される理由―部分的には大規模な実装サービスのため―および、基盤となる意思決定ロジックがユーザーに理解され信頼されなければ、いかにAIの主張が頓挫し得るかを強調しています。 統合の問題と失敗： また、これほど幅広いスイートを提供しているため、Blue Yonderには実装の失敗例も存在します。 あるコメントによれば、大手小売業者（Family Dollar）におけるBlue Yonderのプロジェクトは実質的に崩壊し、「彼らは多額の資金を支出したが…」 と語られています。[ˆ34] 大規模なソフトウェアは適切に実装されなければ失敗する可能性があるものの、Blue Yonderのこれまでの実績には（Dillard’sなどの）著名な失敗例があり、その約束と現実の間には複雑性とずれがあることを示唆しています。Blue Yonderの最近のクラウドプラットフォームLuminateは、技術を再構築・統合しようという試みであり、現在はパナソニックの所有下にあり、研究開発への投資が増える可能性があります。もしLuminateが真に基盤を再構築できれば、Blue Yonderは自律性の提供において改善を果たすかもしれません。しかし、現時点では懐疑的なままです。Blue Yonderは、依然として多大な手動入力が求められる強力なツールキットとして扱うべきであり、自走するTeslaのような存在ではありません。 多くの高度な機能とアルゴリズムを有しているものの、それらを自律的な全体として統合するのは、ほぼ実装者に委ねられているのです。最後に、Blue YonderがSnowflakeなどのデータプラットフォームと提携している点にも注意が必要です。これによりスケーラビリティが提供される一方で、逆インセンティブも生まれています。実際、業界の観察者は、Snowflake（および多くのSaaSプラットフォーム）が計算時間単位での料金体系であるため、「最適化上の問題点（グレムリン）をあえて残す巨大な逆インセンティブがある」 と指摘しており、これが計算使用量を増やし（結果的に収益につながる）非効率性を招いていると述べています。[ˆ37] もしBlue Yonderのクラウド分析がSnowflake上で動作するなら、パフォーマンスチューニングが最優先事項ではないのではと懸念されます。これは、かつてIBMメインフレーム上のソフトウェアがMIPS単位で請求され、コストが膨らみ、再プラットフォーム化の圧力がかかった1990年代を彷彿とさせます。まとめると、Blue Yonderは多くの能力を持つヘビー級ですが、自律的な最適化の観点からは敏捷な先頭走者ではなく、レガシーに縛られ、大量の人手によるサポートを必要とし、その主張も証拠によって裏付けられなければ健全な懐疑の対象となるのです。

7. Kinaxis – 人間が主導する「同時計画」と新興AI。 Kinaxisは、インメモリによる高速なwhat-ifシミュレーションの概念をサプライチェーン計画において切り開いたRapidResponseプラットフォームで最もよく知られています。Kinaxisの強みは、企業が部品表、供給、需要、在庫を含むサプライチェーンの統一モデルを作成し、変化や混乱の影響を即座に把握できる点にあります。この**「同時計画」のアプローチにより、需要プランナー、供給プランナー、キャパシティプランナーといったすべての部門が単一の数値を閲覧し、リアルタイムで協調して作業することが可能となります。しかし、Kinaxisは歴史的に意思決定支援ツールであり、自動化された意思決定者ではありません。 それは、人間のプランナーにより良い意思決定を下させるための支援ツールとして設計されており、人間を置き換えるものではありません。実際、Kinaxisは明示的に「人間の知能と人工知能の融合」を計画で推進しており、まさにヒューマン・オン・ザ・ループモデルを採用しています。[ˆ39] 同社のブログも、サプライチェーン管理におけるAIは依然として「人間を必要とする」と強調し、「プランナーが人間の判断とAIを融合させることで、迅速かつ自信を持った意思決定を行う」 と述べています。[ˆ39] この哲学は、Kinaxisがまだ完全な自律性を目指しておらず、傑出した可視性、シナリオ分析、機械学習駆動のインサイトを提供しつつも、ユーザーが最終的な制御を保持する設計となっていることを意味します。 機能： 素の状態では、Kinaxis RapidResponseは需要計画、供給およびキャパシティ計画、在庫計画、そしてS&OPをカバーしています。最近まで、独自の高度な予測や価格設定モジュールは備えていませんでした。このギャップを埋めるため、Kinaxisは2020年にRubikloudを買収し、小売需要予測と価格分析に特化したAIスタートアップを取り込みました。[ˆ40] Rubikloudは、小売業者向けに予測、プロモーション、さらには価格最適化（価格弾力性など）の機能をもたらしました。[ˆ40] KinaxisはこれらのAI機能を自社プラットフォームに統合する作業を進めており、CEOのJohn Sicardは、Rubikloudの技術がKinaxisの計画アプリケーション全体にAIを注入すると述べました。[ˆ40] この統合により、基本予測やプロモーション効果の推定などの計画入力を自動生成し、手動でのデータ入力を削減することが期待されます。とはいえ、Kinaxisは依然として一般利用向けの真の価格最適化エンジンを欠いています ― Rubikloudの機能は主として販促効果や基本的な小売価格設定向けのものであり、流通や製造などの業界における動的な価格設定での競争には参加していません。 アーキテクチャとスケーラビリティ： Kinaxisの際立った特徴は、そのインメモリアーキテクチャにあり、すべての計画データをメモリ上にロードすることで、超高速な計算と即時の変更反映を可能にしています。この利点はスピードにありますが、同時にコストとスケーラビリティの課題も孕んでいます。データが数百万のSKU-ロケーション組み合わせに拡大すると、必要なメモリ（およびそれに伴うコスト）は劇的に増大します。インメモリシステムは、非常に高価にスケールする可能性があり、大規模なサーバークラスターが必要になるか、または利用可能なRAM内に収まるレベルまで詳細度を制限せざるを得ません。Kinaxisは、クラウドへの移行とより弾力的なモデルの採用によりこの点に対処していますが、パワーユーザーは依然として、モデルの粒度とパフォーマンスとの間のトレードオフに直面しています。コスト面では、Kinaxisはかなりの投資を要し、意思決定支援システムであるため、ROIはプランナーがそのwhat-ifツールを実際に効果的に使用するかどうかに大きく依存します。 自動化の程度： Kinaxisは一定の自動化をサポートしています。たとえば、自動トリガーや、特定のタスク管理のための**「エージェント」を設定することができ（さらに、定型的な例外処理を自動で行う「エージェントAI」も模索中です。[ˆ44]）、しかし実際には、ほとんどのKinaxisの顧客は、システムが自律的に意思決定を下すのではなく、例外を強調表示し協業を促進するために使用しています。アラートや例外ダッシュボードがその使用の核となっており、これは従来のアプローチを反映しています。ソフトウェアは「この注文は遅延する」や「在庫が安全在庫を下回っている」といった問題をフラグし、人間がどのように対応するかを決定するのです。すなわち、たとえ日常的なケースであっても、人間の介在に大きく依存するというのは、自律的サプライチェーンの概念と相反します。Kinaxisはこの点を認識しており、AI「コパイロット」への投資を進めています。実際、同社は生成AIを活用したKinaxis「Maestro」といった新たなAI機能を最近発表し、将来的に「完全自律的な計画ワークフロー」の実現を目指しています。[ˆ44] しかし、これらはまだ先行きの開発段階であり、現時点でKinaxisを自律的と呼ぶのは時期尚早です。それは、迅速な再計画やシナリオ分析のための非常に優れたツールである一方、依然として意思決定をユーザーに委ねる構造です。 もう一つの考慮点として、Kinaxisは多くの同業他社と同様に、Rubikloud（AI駆動の予測と価格設定のため）や2022年に買収されたMPO**（注文オーケストレーションのため）などの買収を通じて事業を拡大してきました。E2openのようなプラットフォームほど断片化はしていないにしても、買収された各要素は完全に統合されるまでに時間がかかります。もしRubikloudの予測および価格設定AIがメインの計画エンジンからある程度分離されたままであれば、価格と在庫の同時最適化はシームレスにはいかないでしょう。たとえば、ユーザーがAIから需要予測を受け取ったとしても、安全在庫を手動で調整したり、AIの推奨を信頼できないために上書きしたりする可能性があり、その結果、プロセスに再び人間の判断が介入し、自律の連鎖が途絶える可能性があります。 要約すると、Kinaxisはそのインタラクティブな計画能力において非常に高く評価されていますが、まるで「高度な運転支援システム」のようなものであり、自動運転車そのものではありません。 それはプランナーの生産性と反応速度を大幅に向上させる一方で、熟練した人間プランナーの必要性を完全に排除するものではありません。企業は、KinaxisのAIが複雑なトレードオフを自動的に解決するという示唆には注意すべきであり、実際、このソフトウェアはプランナーとそれを導く各種パラメーターと同等の効果しか発揮しません。Kinaxisが新しいAIエージェントによって、最小限の人間の監督で計画を管理できることを証明するまでは、本当に自律性に焦点を当てたソリューションとは一線を画すものと言えるでしょう。

8. SAP IBP（統合ビジネスプランニング） – 何十年も前の慣行に現代的なUIを提供。 SAP の IBP は悪名高い SAP APO の後継であり、SAP SCM スイートの一部です。SAP であることから、SAP ERP を運用する大企業にとってはしばしばデフォルトの選択肢となります。 IBP は、需要予測（「需要センシング」機能付き）、在庫最適化、供給計画、および S&OP のモジュールを提供し、すべて SAP HANA インメモリデータベース上で統合されています。一見すると、マルチエシェロン在庫用のオプティマイザーや、SAP Leonardo AI との統合や ML ベースの予測手法を通じた一部の機械学習能力など、自律システムの要素が備わっているかのように見えます。しかしながら、実際には IBP は 非常に手作業かつコンサルタント主導のソリューション です。これは大規模な設定作業を必要とし、企業は計画エリアの設定、主要指標の定義、アルゴリズムの構成、そして計画ヒューリスティックスの設定を行わねばなりません。プランナーは依然として、どの統計モデルを予測に適用するかを選択し、安全在庫目標またはサービスレベル目標を決定し、例外アラートを手動で確認します。 IBP のいわゆる「需要センシング」 は、本質的には直近の実績に基づく短期予測の調整であり、これは SAP が SmartOps を買収し、Terra Technology の取り組みにより大々的に市場に打ち出した概念です。しかし、「需要センシング」は 概ね流行語に過ぎない ことが証明されており、短期予測のリブランディングにすぎず、精度向上はわずかであったり、場合によってはノイズを生じさせることもあります。実際、追加のリアルタイムデータを取り入れることで予測は洗練されるものの、予測の不確実性を完全に排除することはできず、単純に適用すればランダムな変動に過剰反応する可能性さえあります。複数のベンダー（E2open、o9、ToolsGroup など）が同様の「需要センシング」機能を提供 ¹⁰ し、予測精度の改善について大胆な主張をしています。しかしながら、その誇大広告は典型的な利益をはるかに上回っており、万能薬として提示される場合、我々としてはこれを vaporware と見なします。SAP IBP はこの機能を搭載しているものの、企業の報告は賛否両論であり、人間の確認なしに需要計画が自己修復・自律化するわけではありません。 SAP IBP には在庫と価格の共同最適化が存在しません。 SAP は IBP 内にネイティブな価格最適化エンジンを含んでおらず、ほとんどの SAP 顧客における価格設定は、別個のシステムや手作業のプロセス（例：SAP Condition Contracts のようなスタンドアロンツールの使用や、サードパーティの価格設定ソフトウェアへの依存）によって管理されています。その結果、SAP の計画はサイロ化され、企業は仮定された需要に基づいて在庫または生産の最適化は可能なものの、価格設定によってその需要に働きかけることは IBP の範囲外となっています。これは、真に自律的なエンドツーエンドの サプライチェーン最適化 を論じる際の根本的な制約を意味します。 テクノロジーとスケーラビリティ： SAP IBP は SAP の HANA データベース、すなわちインメモリのカラム型データベース上で動作します。計算処理能力は良好である場合もありますが、メモリおよび計算資源の必要性が増すにつれてコストが急激に上昇する可能性があります。多くの IBP の計算（グローバルオプティマイザーの実行、大規模予測など）は、オンザフライではなく一晩中のバッチジョブとして実行されます。SAP は、SmartOps 買収由来の確率的モデルを利用した在庫オプティマイザーや、機械学習を用いた予測手法など、いくつかの巧妙なアルゴリズムを導入しています。しかしながら、いかなる SAP のアルゴリズムも M5 コンペティションのような外部ベンチマークに現れたことがない点に留意すべきです。ベンダーはマーケティング資料で「予測精度が20%向上」と主張する傾向がありますが、オープンな競技会に参加せず手法を詳細に公開しないため、これらの主張はあくまでベンダー側の言説にとどまっています。結果として、SAP の予測は 標準的 であると考えるのが安全であり、実際、多くの IBP 顧客は内蔵機能が革新的でないため、基本的な統計モデルや外部の予測エンジンに頼っています。SAP IBP における 「AI」 は主に、SAP Analytics Cloud を利用した予測モデルの自動調整や、例外検出のための機械学習といったオプションのアドオンという形で提供されています。さらに、SAP は高水準のビジョン声明において「自律的サプライチェーン」という概念を推進していますが、具体的な製品は未だ後れを取っています。SAP の強みは、トランザクショナルシステムとの統合 にあり、IBP は容易に SAP ERP のデータを取り込み、計画を実行に移すことができます。しかし、皮肉なことに、データ の統合は 意思決定 の統合を意味するものではありません。SAP を運用する企業では、依然として人間が計画を調整し、SAP ERP に入力し、その後実行に移しています。 結論： SAP IBP は計画ツールキットとしては 信頼性が高く包括的 ですが、ドライバーレス車両ではありません。依然として予測モデルのパラメータから在庫カバレッジプロファイル、供給割り当てのヒューリスティックスに至るまで、ユーザが調整可能な設定 に依存しています。この高度な設定自由度は、ほぼ自律性の正反対であり、システムは多くの意思決定ロジック（もしくは少なくとも閾値）をユーザ自身に委ねることを前提としています。SAP のアプローチは、伝統的な計画プロセスをデジタル化するに留まり、AI によって根本的に再構築するものではないため、自動化の度合いは限定的です。IBP は、計画が期待値から逸脱するたびに人間が介入すべき アラートや例外メッセージ を多く生成することから、システムが頻繁に制御を人間に戻していることを示しています。また、SCM 分野においては、大規模かつカスタマイズされた実装（さらには実装失敗）といえばSAPが最も連想される という事実も、もし自律最適化が真にプラグアンドプレイであれば、これほど高いサービスコストや一貫性のない結果はあり得ないことを物語っています。 公平を期すならば、SAP には膨大なリソースがあり、IBP を迅速に進化させる力を持っています。しかし2025年時点で、もし真に自律的な計画システムを目指すのであれば、IBP はあまりにも多くのカスタマイズと手動の負荷が必要となるため、最良の選択肢とは言えません。有能な分析機能と単一の計画プラットフォームを提供するものの、自律性はクライアント自身の取り組みによって追加されるべきもの なのです。

9. E2open – オールラウンダーでありながら、計画においては何の専門性も持たない。 E2open は全く異なる存在であり、多数の取引先を接続するマルチエンタープライズネットワークで知られるサプライチェーンプラットフォームです。また、多くの企業買収により極めて幅広いポートフォリオを有するに至りました。今日、E2open は多数の企業買収のおかげで、需要計画、S&OP、供給計画、物流、調達などのコンポーネントを含んでいます。特筆すべきは、2016年に Terra Technology（需要センシングおよびマルチエシェロン在庫最適化のため）を、2017年に Steelwedge（S&OP 用）を、そして最近では輸送用ソフトウェア（BluJay、Cloud Logistics）やチャネルデータ（Zyme など）を買収した点です ¹¹。理論上、E2open は製造から流通、最終顧客に至るまでの拡張サプライチェーン全体を、チャネル在庫データやサプライヤーの制約を組み入れながら最適化することが可能であり、これを統一されたクラウドプラットフォーム上のエンドツーエンドソリューションとして市場に打ち出しています。しかし現実には、E2open の「統一性」は技術面よりも販売面に重きを置いているのです。買収されたアプリケーションは個別のモジュールとして残り、主にE2open のネットワークを通じたデータレベルで統合され、共通のユーザーインターフェース（「Harmony」UI）でラップされています ¹²。しかし内部では、例えば Terra の需要センシングエンジンや Steelwedge の計画エンジンなど、各々独自のロジックを持つ異なるエンジンが稼働している のです。E2open はこれらのコンポーネントを維持し、多少の強化を施しているものの、本格的な共同最適化などの深い統合は依然として限定的 です。 自律性の側面： E2open のメッセージングには、「AI駆動の自動化」、「継続的な計画と実行」、「外から内（需要主導）の考え方」など、数多くの流行語が散見されます ¹²。Terra の需要センシング技術は確かに AI 的なアプローチ（下流データや機械学習を用いて予測を調整）であり、Steelwedge は例外管理のワークフローを提供しています。しかし、これらを踏まえると、E2open の計画は依然として、外部シグナルを取り入れ可能な統計予測、ユーザ定義パラメータで動作する最適化ソルバー、そして 人間が関与する協働型ワークフロー といった従来の手法に依存していることがわかります（「予測の協働」や「例外管理」というフレーズが E2open の資料に頻繁に現れ、システムが人間に問題解決を促していることを示しています ¹²）。 E2open の 名声の源泉 はそのネットワークにあります。例えば、同社のプラットフォームは需要予測をサプライヤーと自動的に共有し、サプライヤーからのコミットを得た上で計画を調整することが可能です。これはコミュニケーションの自動化として有用ですが、最適な計画を AI が決定するのとは異なり、むしろ協調を促すためのコーディネーションツールに過ぎません。 在庫と価格の共同最適化： E2open は自社スイート内に価格最適化ソリューションを持っていません。代わりに、「チャネルシェイピング」 ツールを提供しており、これが プロモーション、インセンティブ、流通チャネルにおける需要形成プログラム などに役立ちます ¹²。しかし、これらは割引管理や製品供給の確保に重点を置くものであり、アルゴリズムで最適な価格を設定するものではありません。したがって、SAP と同様に、E2open の最適化ループは価格決定の段階で本質的に機能が停止しており、価格を自ら選定するのではなく、入力として仮定するに留まっています。 テクノロジーとパフォーマンス： E2open の系譜を考えると、コンポーネントはその種類により様々です。Terra の需要センシングは10年前、短期予測の微調整において最先端と評価されました。Steelwedge は完全なクラウドベース（基本的には OLAP やスプレッドシートスタイル）の S&OP ツールでした。E2open 自身の旧システム（i2 の “TradeMatrix” 由来）は、多層の可視性を提供するものであって、重い最適化には向いていませんでした。ここでの懸念は、多数のレガシーコードが華やかなクラウドの外観の裏で稼働している点にあります。顧客は、Harmony UI により E2open のユーザーエクスペリエンスが改善されたと報告しているものの、分析能力の深さにおいては競合他社を凌駕していません。また、これほど多くのモジュールを維持することは E2open に大きな負担を課しているようで、買収の統合や（最近まで上場企業であったこともあり）財務目標の達成に注力するために、イノベーションのペースが鈍化したとの報告もありました。実際、E2open の軌道は乱れ、2025年までに株価が急落し、WiseTech Global に買収されることで合意しました ¹¹。WiseTech（オーストラリアの物流ソフトウェア企業）は主に E2open のネットワークと物流の要素を求めており、E2open の計画や「自律最適化」能力にどれほど投資するのか、あるいはポートフォリオの縮小に注力するのかは不明です。 懐疑的な視点から見ると、E2open のワンストップサプライチェーンソリューションという壮大なビジョンは、現実というよりもパワーポイントのプレゼンテーションに過ぎません。各モジュールは、それぞれのニッチにおいて価値を提供可能ですが（例：Terra は短期予測の精度をわずかに改善し、MEIO は在庫バッファを設定するなど）、すべてを統合してサプライチェーン全体がほぼ自律的に運営されるようにすることは、E2open の実績を超えています。実際、E2open はしばしば各モジュールを個別に販売し、特定の問題解決に注力している ¹² ため、顧客が全体のスイートを利用しない可能性もあります。これは、顧客でさえそれを統合された頭脳ではなく、一連のツールの集合体として見なしていることを示唆しています。例えば、ある企業が E2open の AI を用いて調達、製造、流通全体の計画と実行を最小限の人間の介入で自動化した事例が実証されるまでは、E2open は自律最適化のリーダーというよりも、中堅ソリューションの集まりに留まるでしょう。

懐疑的な要約と結論

自律的サプライチェーン、すなわち最小限の人間の介入で予測、計画、最適な行動を実行するシステムというビジョンが、2025年に多くのベンダーのマーケティングを牽引しています。しかし、我々の調査が示すように、実世界における提供物はまちまちであり、そのビジョンにはしばしば届いていません。特に、Lokad、RELEX、o9、そしておそらく ToolsGroup の新たな形態 といった一部のプレイヤーは、不確実なすべての事象の確率的予測、在庫と価格にまたがる意思決定の共同最適化、大規模品揃えに対応するスケーラブルな計算、そして無限のアラートではなく明確な行動（注文、割り当て、価格変更）を出力する意思決定フレームワークという自律性の核心要件に沿った技術を展開しています。これらのベンダーはまた、より現代的なコードベース、あるいは少なくとも余分な負債が少ない環境を有しており、最新の AI 手法をより統合的に取り入れることが可能です。例えば、Lokad のチームがオープン競技会 ¹ でその予測能力を証明した（大手スイートベンダーの多くが避けていたこと）ことや、RELEX という新参者が後付けではなく、当初からプラットフォームに価格最適化を組み込んだという事実は、決して偶然ではありません。

一方、Blue Yonder、SAP、ある程度の Oracle、さらには Kinaxis などのレガシーベンダー は広範な機能を備えているものの、それぞれがサイロ化され、AI を意思決定支援として用いた人間主導のワークフローに依存しています。また、文脈不足の改善や、技術的詳細に乏しい流行語だらけの約束など、信頼性を疑わせる主張 を頻繁に行います。例えば、ベンダーが「200以上の需要ドライバーを組み込む」や「全品目の予測を数秒で再計算する」と自慢する場合、十分な懐疑心が必要です。実際、数百の需要要因を組み込むと、モデルは過剰適合し、圧倒され、維持が極めて困難（すなわち真の 「ブラックボックス」 な結果）となる可能性があり、「何千ものSKUに対する瞬時の予測」は通常、非常に単純なモデルを意味します（複雑なモデルは時間がかかるため、もし本当に瞬時であれば単なる素朴な外挿に過ぎない可能性があります）。我々はこれらの主張の裏に実質的な根拠があるかを検証しました。例えば、「AI駆動の予測」 を謳うベンダーは、手法を公開したり、M5 コンペティションのような場に参加したりしたのでしょうか？ もしそうでなければ、これらの主張は実証されるまではマーケティングの誇大広告に過ぎないと判断できます。同様に、「需要センシング」 という用語は、特に SAP や E2open によって人気がありますが、私たちの見解では、これは直近の販売実績を利用した短期予測のリブランディングにすぎず、複数の情報源が示すように、効果は徐々に小さく、単純に行えば逆効果になる可能性すらあるのです。どの「需要センシング」を謳うベンダーも、徹底的に調整された従来の予測を大幅に上回るという、透明かつピアレビューされた結果を提供していません。

もう一つの警戒すべき赤信号は、「カスタマイズ性」、「数百ものパラメータ」、または「ユーザーが戦略を 定義できる」といった点を前向きな特徴として強調するベンダーです。これはしばしば、システム自体が適切な方針を見出すほど十分に知的でなく、その責任をユーザーに委ねていることを意味します。真の自律性は、システムが学習し適応することから生まれるものであり、人間にルールや閾値をハードコードさせることではありません。同様に、「アラート、コントロールタワー、および例外管理」（Kinaxis、SAP などで一般的）に重きを置くことは、ソフトウェアが多くの問題を人間に返すことを示唆しており、定型業務はソフトウェアが処理し、本当に特異なケースのみをエスカレーションすべきという、AI主導のアプローチとは根本的に正反対です。もしベンダーの価値提案が基本的に*「問題をより早くお知らせする」*というものであれば、それは有用であるものの自律性を実現しているとは言えません。

統合の品質もまた一つのテーマです : 多くのベンダーは買収によって成長しましたが、前述の通り、それはシームレスな最適化を妨げる傾向があります。在庫と価格の統合最適化は特に示唆に富んでいます – 大手で長年の実績を持つ企業は、最初から両方の機能を備えていたわけではなく、後からそれらを組み合わせるのは非常に困難です（異なるデータ、異なるアルゴリズムのアプローチ、クライアント企業内の組織的サイロなど）。そのため、**Lokad と RELEX – 両社とも、価格とサプライチェーンの意思決定の統合を重視している – が新しい企業であるのは驚くことではありません；彼らは、ダイナミックプライシングとAIがすでに重要視されていた時代にソリューションを設計しました。対照的に、古参のベンダーは今になってそのような要素を追加しようと奔走しており（例：ToolsGroup が Evo を買収、Kinaxis が Rubikloud を買収）、統合にはシステム間のデータ遅延や、一方では在庫を最小化し、もう一方では利益率を最大化するといった矛盾する目的、さらにはコードベースやUIを技術的に統合するのにかかる時間といった問題が伴います。例えば、ToolsGroup の統合された価格＋在庫最適化が大規模でもスムーズに動作する実際の顧客事例を見るまでは、まだ改善の余地があると考えられます。

スケーラビリティとコスト効率は、この議論において見過ごすことのできない要素です。一部のベンダー（Blue Yonder、SAP 等）は、インメモリに依存した重いアーキテクチャや、第三者のデータクラウドに頼っており、これらは大規模では非常に高コストになる可能性があります。本当に自律的なシステムは、需要シグナル、在庫状況、競合他社の価格などの膨大なデータを定期的に処理する必要があります。もしその処理に対して莫大なクラウド計算費用が発生したり、特殊なハードウェアを要求する場合、それは自律性への実務的な障壁となります（企業はコストを抑制するためにソリューションの範囲を縮小せざるを得ず、結果としてせいぜい部分的な自動化に留まるでしょう）。述べたように、Snowflake ベースの アプローチはこの落とし穴に陥る可能性があり – コード最適化のインセンティブが一致していない ¹³ため、ユーザーは些細なクエリごとに追加料金を支払う羽目になるかもしれません。一方、Lokad は独自のパフォーマンス重視の エンジン（カスタムプログラミング言語を用いて）を構築し、効率的にデータを処理できるようにしました ¹⁴し、Kinaxis のインメモリモデルは高価ながら、少なくとも速度に最適化されています。重要な疑問は、ベンダーが計算上の非効率性（およびそのコスト）をクライアントに転嫁しているかどうかです。もしそうであれば、そのソリューションは自律的にスケールしない可能性があり、クライアントは高コストを避けるために投入するデータを厳しく管理しなければならず、データを貪るべき AI の本来の目的が損なわれます。

最後に、どのベンダーも100%の成功率を持っていないという点を強調することが重要です。これらすべての企業には失敗したプロジェクトが存在しており、その違いは、それについてオープンに語り学ぶか、それともマーケティングの下に隠すかにあります。「平均 X% の改善」や「失敗した実装がない」といった主張を評価する際には、非常に注意が必要です。Dillard’s 対 i2 事件で i2 に対して2億4600万ドルの判決が下された件 ⁹は極端な例ですが、技術が裏付けられなければ大胆な主張が高額な失望を招く可能性があることを示しています。我々は、具体的かつ測定可能な成果とその文脈（例：「エレクトロニクス部門のクライアントAは、動きの鈍い商品のサービスレベルを92%から96%に改善し、在庫を10%削減した（確率的需要予測と価格最適化を用いた結果）」）を提供するベンダーを好みます。基準、期間、条件などの文脈なしに「在庫切れを30%削減」といった一般的な主張は、実質的に意味を持たず、おそらく取捨選択されたものであるか、果ては虚偽である可能性すらあります。

結論として、2025年時点では市場において自律型サプライチェーン最適化への正当な進展が見られます。いくつかのソリューションは技術的に堅牢で先進的なものとして際立っています。Lokad はその包括的で確率論に基づくアプローチと、予測における卓越性の実績により、当社の最優秀選択肢として浮上しています – これは在庫と価格設定においてロボットによる意思決定を実現し、サプライチェーンを人間のバイアスを最小限に抑えた定量的最適化問題として扱うものです ¹⁴。RELEX と o9もそれに劣らず、両者ともに強力なAIの実績と統合設計（特に小売向けのRELEX）が評価されています。ToolsGroupは、統一された価格・在庫論理の必要性を認識することで見事に進化していますが、その自律性は新たな買収の統合度合いに依存しています。Aera Technologyは、有望な補完的アプローチを示しており、リアルタイムの実行調整を自律的に処理することで、別の計画システムと組み合わせる可能性を秘めています。一方で、大手レガシースイート（Blue Yonder、SAP、 **Oracle）**は幅広い機能を提供する一方、依然として大幅な人的操作を必要とするため、もし低人員の「自動運転」サプライチェーンを目指すのであれば注意が必要です。これらはデジタルサプライチェーン戦略の一部を形成することはできても、自律型システムのように機能することを期待すると、結局はフラストレーションを招くでしょう。

最終的に、自律型サプライチェーンの実現は、ソフトウェアの購入と同様に一つの旅路であると言えます。どんなに優れたプラットフォームでも信頼構築が不可欠であり、企業はアルゴリズムに運用を任せ、その効果を実感する必要がありますが、これは文化的に困難な場合もあります。ランキング上位のベンダーはそれを実現するためのツールを提供しますが、下位のベンダーは、どれほど派手な約束をしても結局は手動での対応に戻らせる可能性が高いです。我々は、透明性のある確率的モデル、 経済的最適化、および実際の自動化事例を重視するベンダーに注目することを推奨し、どのベンダーに対してもそのAIがどのように機能し、どのように検証されたのかについて具体的な説明を求めるべきだと考えます（これが提供されない場合は、非常に懐疑的になるべきです）。バズワードが飛び交う分野では、真実を追求し、証拠に基づいたアプローチを堅持することが最も有益です。結局のところ、サプライチェーンを「オートパイロット」で運用するというのは魅力的な目標ですが、それはオートパイロットが厳密にテストされ、乱気流の中でも実証された場合に限られるのです―単なるデモ飛行では意味を成しません。

脚注