なぜ実務家はこの「AI時代」のサプライチェーンビジョンを無視すべきか
40人余りの教授や業界の著名人がAI時代のサプライチェーンに関する「ビジョンステートメント」を発表すると、実際のサプライチェーンのプロフェッショナルが月曜の朝により良い意思決定を行うのに役立つ何かが期待されるかもしれない。
私が念頭に置いている論文は、Maxime Cohen、Tinglong Dai、Georgia Perakisおよびその他39名の共著者によるSupply Chain Management in the AI Era: A Vision Statement from the Operations Management Communityである。この論文は要旨の中で、オペレーション管理（OM）コミュニティが、AIがサプライチェーンをどのように変革するかを形作るだけでなく、AIを支えるサプライチェーンが「持続可能で、弾力的で、公平」であることを確保するという「重要な役割と責任」を有していると述べている。そして、知性、実行、戦略、人間、インフラという五層のフレームワークを展開し、その視点からOMおよびAIの文献を広範に概観している。
理論上は、これは縁起が良さそうに聞こえる。しかし実際には、サプライチェーンの実務家が我々の分野における学術的生産の大部分を無視すべき理由をほぼ完璧に示している例である。
私の最近の著書Introduction to Supply Chainでは、サプライチェーンを物理的商品の流れにおける不確実性の中での選択肢の巧妙な運用と定義し、市場経済においてサプライチェーンの【実際の目標】は、企業が触れるすべての希少資源―資本、能力、時間、信用―に対するリスク調整後の収益率を向上させることであると論じている。従来求められてきたもの―より高いサービスレベル、短いリードタイム、環境に優しい輸送、従業員の幸福―は、硬貨的に表される長期的な利益に寄与する限りでのみ重要である。サプライチェーンは道徳哲学ではなく、帳簿によって存続する応用経済学である。
この尺度で評価すると、この「ビジョンステートメント」は、サプライチェーンに関する学術執筆において私が疑念を抱くほぼすべての警告サイン―超経済的な徳のアピール、実際の意思決定に影響を与えないフレームワーク、自己言及的な引用の洪水、そしてもう一層の時系列モデリングと最新のAIが、何とかして数十年にわたり実務家を失望させ続けた計画パラダイムを救済するだろうという揺るぎない信念―をほぼ全て示している。
その理由を解説しよう。
超経済的美徳と他者のバランスシートに関する倫理
論文全体で最も示唆に富む文が、要旨に現れている：
“OMコミュニティは、AIがサプライチェーンをどのように変革するかだけでなく、AIを支えるサプライチェーンが持続可能で、弾力性があり、公平に設計されるよう先導する重要な役割と責任を有している。”
結論部では、同じ三大美徳が繰り返され、OMは私たちを「より弾力的で公平、そして持続可能な」サプライチェーンへ導くべきだと宣言している。
ここで起こっていることに注目してほしい。著者たちは、サプライチェーンが何のためにあるのかを語る前に、どの形容詞を満たすべきか―持続可能、弾力的、公平―を提示している。明示的な経済的目標は一切述べられていない。利益、資本生産性、リスク調整後のリターン―これらは、もし現れるとすれば間接的にしか示されない。論文は単に、「効率性」と「弾力性」が好ましい道徳的目標とともに並立していると仮定し、OMコミュニティの義務はそれらすべてを一斉に推進することにあると見なしている。
私の著書の第4.4.5章「超経済的目標」では、まさにこのパターン―金銭的配慮「のみ」ではなく、さらに上位にあるとされる目的への訴え―を説明するために、超経済的という用語を用いている。時には道徳的な口調（「企業は顧客サービスを超えた社会的議題を推進すべきだ」）で、時には黙示録的な口調（「差し迫った大惨事は収益性の即時犠牲を要求する」）で語られる。いずれの場合も動きは同じで、経済計算は静かに格下げされ、著者の好む関心事がそれに優先して評価されるのだ。
問題は、持続可能性や公平性が重要でないということではない。問題は、それらを掲げたからといって希少性が消失するわけではないという点だ。ある目的に充てられるすべてのパレット、労働時間、通貨は、別の目的から引かれる。私の著書で述べたように、高次の目的を掲げることは「希少性を解消するのではなく、単にトレードオフのラベルを変えるに過ぎない…利益と損失に代わるものはない。」
もし炭素排出が重要ならば、炭素価格、規制、顧客行動、ブランドリスクなどを通じてコストとして計算に組み入れる必要がある。そうすることで、代替の意思決定が共通の単位で比較可能となる。もし公平性が重要ならば、誰の公平性か、どの価格で、どのような結果を伴うのかを、意思決定に反映され後で監査可能な形で示さなければならない。さもなければ、単に形容詞で議論を飾っているだけになる。
しかし、AI時代のビジョン論文は、これらの言葉が運用上で何を意味するか、誰が費用を負担しそのコストがいくらかといった具体的な定義を一切示すことなく、サプライチェーンが「持続可能」であり「公平」でなければならないと主張するだけに留まっている。例えば医療セクションでは、配送サプライチェーンが「厳格な安全性と公平性の制約」の下で運営される必要があると述べられている。倫理的な観点からすればそれは安心感を与えるが、サプライチェーンの実務的な観点からは中身が伴っていない。「十分に安全」とはどの程度の安全性なのか？どの患者層に対しての公平性で、失われる生産性のコストはどのくらいで、どの代替案と比較してのものなのか？数字も価格も、トレードオフも示されていない。
さらに悪いことに、この論文はこれら超経済的な目標を、他者のバランスシートにおけるOMコミュニティの責任として提示している。民主的な議論を経た上で議会が税制や安全基準を定めるのは一つのことであるが、学者がマネージャーに対して、誰から誰へ再配分するのかを明確に数値化することなく「公平な」サプライチェーンを設計する義務があると告げるのはまったく別の話である。前者は政治であり、後者はせいぜい介護主義、最悪の場合は株主、債権者、従業員、および異なる優先順位を持つ顧客に対する受託責任を裏切る静かな誘いにほかならない。
いかなる理念も超経済的優先権を主張できると認めれば、制限する原則は存在しなくなる。著書で述べたように、歴史は後に壊滅的と認識される理念―公然とした差別的採用から、優生学への慈善的支援に至るまで―に熱狂的に同調した企業で溢れている。そのいずれの場合も、経済計算は超経済的レトリックに従属し、結果として顧客により良いサービスを提供するために使用できた資源が浪費された。
超経済的な徳のアピールは無害な飾りではない。それ自体が倫理的失敗であり、著者に割り当てる権利のない資源を費やしながら意思決定におけるトレードオフの判断を曇らせる。こうしたアピールに始まり終わるサプライチェーンの「ビジョン」は、次世代の実務家に対して、意思決定がもたらす硬貨的な結果ではなく、形容詞を最適化するように教えることになる。
フレームワーク、階層、そして奥行きの錯覚
この論文の第二の特徴は、フレームワークと引用に対する愛情である。
要旨の後、著者らはAIとサプライチェーン管理の相互作用を、知性、実行、戦略、人間、インフラという五つの「層」に沿って構築することを発表する。それぞれの層は独自のセクションを持ち、論文全体はこの分類に基づいて構成されている。
分類法そのものに本質的な問題はない。常に問われるのは、なぜ今この特定の分類法を用いることで、どのような意思決定が変わるのかという点である。もし明日、五つの層が三つに統合されたり、八つに分割されたりした場合、単一の発注、移動、または価格が変わるだろうか？著者らはそれに対する答えを試みることはない。このフレームワークは既存のアイデアを整理するためのファイリングキャビネットのようなものであり、意思決定の道具にはならない。
実務家はこの手法を以前にも見てきた。『Introduction to Supply Chain』では、1990年代に企業システムのマーケティングバナーとして「プランニング」が採用された経緯について数ページ割いている。ERPベンダー、その後APSベンダーは、一般的な記録管理を「統合プランニング」、「高度なプランニング」、さらに最近では「デジタルツイン」や「コントロールタワー」とブランド変更した。用語は変わったが、その背後にあるスプレッドシートや事務的なワークフローは変化していない。
この論文の五層アーキテクチャは、まるでその車輪が再び回転したかのような印象を与える。深みを感じさせるが、それが異なる意思決定、より優れた自動化、または経済性の向上につながるという証拠はない。倉庫現場や補充活動で実際に何かが変わらない分類法は、実務家の観点からは進歩ではなく単なる装飾にすぎない。
引用リストとその使われ方にも同じことが言える。論文は、42名の研究者、実務家、技術リーダーが関与した「大規模な協働プロセス」の中で生まれたことを強調している。その多くは、著者らの次回刊行予定の書籍『AI in Supply Chains: Perspectives from Global Thought Leaders』にも寄与している。そして引用は同じサークルに大いに依拠しており、Cohen、Dai、Perakisらおよびその共著者の複数回の引用や、著者チームによる最近のワーキングペーパーや刊行中の記事の集積となっている。
再び、自分の業績を引用すること自体に問題はない。しかし、問題は、膨大な引用リストそのものが一種の証拠として提示されている点にある。実務家は、「機械学習がサプライチェーン管理をどのように変革するか」、「パニック買いを検出するためのAIの利用」、「サプライチェーン最適化のための大規模言語モデル」といったタイトルのパレードを眺めさせられるが、これらの研究が、複雑で乱雑な企業データに適用された場合にどのように機能し、無人で下された意思決定や実際の損益にどう影響するかは示されない。
もしあなたが工場や倉庫のネットワークを運営しているのであれば、あるトピックに関して何本の論文が存在するかなど気にしない。重要なのは、自社の記録とその制約下で展開可能な数値的レシピが存在し、それによって明日の発注、移動、価格が昨日よりも現金的に優れたものになるかどうかである。そうした意味では、完全な経済結果と明確な限界を伴う、よく文書化された実地実装が、十数のビジョンステートメントや50以上の引用よりも価値がある。
AI時代の論文は、前者をちらっとした逸話的な形でしか提示していない。「最適機械学習」に関するセクションでは、あるコンサルティング会社が、サービスレベルを改善し在庫コストを削減したとされるFortune‑150の事例を二つ述べている。読者には、基準値も反実仮想も、投入された総資本やその前後のリスクプロファイルに関する詳細も一切示されない。他の業界における「スポットライト」では、JD.comが強力な分析チームを構築し、経営陣に予測を説明するためにAIを活用したことや、人道支援組織が在庫のより良い事前配置のためにAIを利用できると伝えられている。これらはいずれも事実であるかもしれないが、そのどれもマーケティングパンフレットの域を超えてはいない。
外部から見ると、まるで閉回路のように見える。既に合意されたフレームワークを支持するために、著者自身やその学生が互いに引用し合い、時折実務家の逸話が散見される。学界ではこれが分野の活動を示すシグナルかもしれないが、実務家にとっては、ここに次週の購買量を決定するための何の手がかりもないことを意味する。
AI、予測、そして古い計画の均衡
論文の核心である「知性層」は、AIそのものに焦点を当てている。ここでは、機械学習がどのように予測精度を向上させるか、強化学習が在庫管理にどのように利用できるか、「決定焦点型AI」と呼ばれる新たなパラダイムが最適化の目的を損失関数に組み込むか、そして大規模言語モデル（LLM）が自然言語インターフェースや「連鎖的思考を通じた主体的推論」を複雑なサプライチェーン問題に提供する可能性があるかが記述されている。
これらの記述の多くは、狭い意味では技術的に正確である。実際、機械学習は多くの特徴を取り込むことができ、強化学習はシミュレーション下で方策を学習可能であり、LLMは最適化モデルに関するテキストを解析・生成することができる。問題は、これらのツールが存在するかどうかではなく、本論文で示される使い方が、サプライチェーンにおける計画パラダイムの構造的な弱点に実際に対処しているかどうかである。
それはしていない。
予測は好例である。著者らは、機械学習が「予測の精度を向上させる」と記述し、先進的な需要予測が内部および外部のデータセットから得られる「数百の動的変数」に依存できると述べている。さらに、決定焦点型AIについての議論では、従来の「予測してから最適化する」パイプラインが予測と意思決定を乖離させる可能性を認め、下流の意思決定コストに直接モデルを訓練することを提案している。
これらは、サプライチェーン予測の根本的な問題が、時系列モデルの高度さの欠如にあるかのように進められている。しかし、実際はそうではない。
著書では、時系列パラダイムがなぜビジネスの意思決定に対して構造的に不適切なのかについて、丸ごと一章を割いている。時系列は、取引の履歴を時間区分ごとの数字の連なりに凝縮する。その表現は、重要な点で情報を失っている。たとえば、1,000人の独立した顧客がそれぞれ週に1単位購入する場合と、1つの大口顧客が1,000単位をまとめて購入する場合、どちらも同じ週間売上系列を生む。しかし、前者では需要はゆっくりと減衰し、後者では一夜にして崩壊する可能性がある。週間時系列はそれらを区別しないが、在庫リスクは大きく異なる。
同様に、週に10単位売れる製品は、10個の小さなバスケットである場合もあれば、1つの大きなバスケットである場合もある。時系列は同一であるが、適切な在庫水準は4倍以上異なる。どんなに高度な時系列予測でも、集約自体が失った情報を取り戻すことはできない。これは、より多くの特徴や深いネットワークを追加する問題ではなく、意思決定に対して表現が根本的に誤っているのだ。
この論文は、この構造的批評に一切取り組まず、これまでの無数の論文と同様に、より優れた時系列予測がサプライチェーンの中心的なボトルネックであり、機械学習がその自然な解決策であると単に仮定している。決定重視の損失へのわずかな言及は段階的なもので、モデルはより関連性の高い損失関数を最適化するようになったが、依然として同じ乏しい対象で訓練されている。
さらに悪いことに、論文が特定の意思決定基準に触れるとき、いつもの対象―サービスレベルと在庫コスト―に頼る。OMLはケーススタディにおいてサービスレベルを「著しく」向上させ、在庫コストを削減する点で称賛される。しかし、どのリスクプロファイルの下でどの選択肢にどれだけの資本を投じるべきかという根本的な経済問題は、決して明示的に定式化されない。
本書では、安全在庫の公式を「危険在庫」と呼び、サプライチェーンにおける重大な無能さのリトマス試験を提供していると指摘している。これらの公式は、たとえば95%といった目標サービスレベルを選び、そのパーセンテージをあたかも利益と内在的な関係があるかのように扱うことに依拠している。しかし、実際にはそうではない。サービスレベルは、在庫切れの苦痛と保管コストとの間の現金的トレードオフの代理に過ぎない。両側を価格設定し、そのトレードオフを明示的に計算しない限り、「95%」や「97%」を目標とするのは数秘術に過ぎない。さらに、サービスレベルは、経済的根拠を離れ組織を支配するようになった古典的な「逃亡者」KPIとなっており、誰も実際の価格を示すことを強いられていない。
「AI時代」の論文は、このKPI文化に疑問を呈することなく、その中にAIを取り込んでいる。予測は改善され、在庫ポリシーは調整されるかもしれず、サービスレベルはわずかに向上し在庫は少し減少する―これが進歩であるとされている。しかし、リスク調整済みの収益率、運転資本の制約に対してどのようにオプションが評価されるか、または推奨事項がERPに反映され実際に資金が動く境界でのモデルのパフォーマンスがどのように判断されるかについては、一切言及されていない。
大規模言語モデルの扱いもまた一例である。論文は、LLMが「高度な計画ツールをよりアクセスしやすくすることを約束する」と示唆し、自然言語インターフェースを提供することで「高度な意思決定ツールへのアクセスを民主化する」と述べている。
本書では、言語モデルは一般的に、同じ作業を行う専門アルゴリズムに比べて桁違いの計算資源を消費し、数値データ処理において競争力を持つ可能性は低いと論じている。サプライチェーンにおける正当な役割は、数値レシピや文書の作成および保守の加速、そして非構造化テキストからの特徴抽出に限られる。これらを予測エンジンとして使用するのは、明確に誤った方向性であり、「時系列予測やあらゆる種類の数値作業に適していない」ため、基本的な統計モデルと比べ高コストでパフォーマンスが劣る。
また、ヴィジョン論文は流行に乗り、LLMが「主体的な」問題解決者となり、強化学習ポリシーの調整や、複雑なサプライチェーンの意思決定について連鎖的な思考によって論理を構築する手助けができると主張する。しかし、数値の信頼性、コスト、そして確率的テキスト生成器が数百万ドルに及ぶ在庫に関する無人のコミットメントの基盤として非常に不十分であるという基本的な点については、真剣な議論がなされていない。
AIの光彩を取り除くと、論文が提供しているのは、数十年にわたり支配してきた同じ計画均衡である。すなわち、予測は時系列として、計画は時系列の束として、サービスレベルは護符として機能し、人間がその結果を検証する。AIは、このスタックの上にエンハンサーとして乗せられるが、その前提を疑うためではない。
なぜ実務者は（そしてすべきか）目を背けるのか
これらの点は、論文が単なる学術的演習であったなら大して問題にはならなかっただろう。しかし、本論文は明確に実務者や教育者のためのガイドとして位置づけられている。著者らは、研究者、業界リーダー、大学に対し、人間とAIの協働に基づくカリキュラムの構築、「倫理的」AI導入のためのガバナンスフレームワークの開発、そして「レジリエンス、生産性、社会福祉」を向上させるサプライチェーンの設計を呼びかけながら締めくくっている。
問題は、根底にあるメンタルモデルが決してセミナールームの快適さを離れないことである。
技術が、完全な範囲の、混沌とした企業データの断片上でテストされ、無人の決定を下し、現金換算された基準と比較されることを要求することはない。超経済的な懸念が、利益を凌駕する前に価格、規制、または定量化されたリスクに変換されることを要求することもない。また、フレームワークが、購入、移動、価格設定される具体的な変化によって正当化されるのではなく、充填できるスライドの枚数によって正当化されることを要求することもない。
私の著書の第6.2章で、一般知能とサプライチェーンにおけるソフトウェアの役割について論じる際、多くの既存のモデルが重要な設計上の選択肢―目的、制約、許容可能なオプション―を暗黙のうちに扱っていることを指摘している。彼らは、整理された区切られたパズルの中で動作し、実際に起業家が報酬を得る混沌とした部分は舞台裏に追いやっている。解決策は概念上は単純であるが実践では困難であり、経済的目的を貨幣で明示し、許容可能なオプションを列挙し、停止条件を定義し、その後、機械が解決可能な限定された部分問題に作業を分解することだ。
AI時代のビジョンステートメントはそうしていない。無価格の形容詞から始まり、分類を重ね、自らの著者やその仲間によって主に書かれた文献を概観し、その後、AIの旗の下に同様のものをさらに求める。それは雄弁で、真摯であり、サプライチェーンを運営しようとするあらゆる人にとっては、ほぼ全く的外れである。
だからこそ、実務者はこの種の研究を無視するのである。反知性的だからではなく、目的関数のないフレームワーク、表現の限界について率直な議論のない予測、経済的尺度のないAI、そして価格が設定されていない倫理が、いずれも同じ結末―印象的なスライドデッキ、控えめなパイロットプロジェクト、そして事業収益率の持続的な向上の欠如―に収束することを、彼らは痛いほど学んできたからである。
もし学界がサプライチェーンにおいて再び重要な役割を果たしたいのであれば、本論文が明確に示すパターンを逆転させる必要がある。形容詞ではなく経済学から始め、環境的、社会的、その他の懸念を道徳的スローガンではなく明確なトレードオフに翻訳せよ。乱雑なデータ、実際の制約、無人の決定および資金が懸かる状況下でのパフォーマンスによってモデルを評価し、時系列計画が多くの問題において行き詰まりであること、そしてAIが欠陥のあるパラダイムに対する魔法の肥料ではないことを受け入れるのだ。
それまで、実務者がこのようなビジョンステートメントを無視するのは正当なだけでなく、慎重な行動である。
