00:00:00 イントロダクションとトピックの説明
00:02:55 AIを用いた旧来のアプローチの再評価
00:04:28 サプライチェーンにおけるスマートエンジニアの失敗
00:05:44 LokadのLLMによる自動ウェブサイト翻訳
00:09:15 失敗の4つの主要な証拠
00:12:24 RFPが機能しない理由
00:21:28 時系列が機能しない理由
00:32:47 安全在庫が機能しない理由
00:50:04 サービスレベルが機能しない理由
01:09:59 視聴者の質問
01:32:15 結論と考察
要約
最近のLokadTVのエピソードで、Conor DohertyとJoannes Vermorelは、主流のサプライチェーン管理における固有の欠陥、特にAIへの過度の依存について議論しました。Vermorelは、提案依頼、時系列予測、安全在庫の計算、サービスレベルなどの長年の慣行を批判し、それらが時代遅れで経済的に非合理であると主張しました。彼は、AIはこれらの根本的な問題を解決することができないため、まだ人間レベルの知能に達していないと強調しました。Vermorelは、実践者による実践的な経験に基づく調整が、これらの欠陥のある方法を補完することが多いと示唆しました。会話はQ&Aセッションで締めくくられ、大企業における根付いたプロセスの撤廃の難しさが強調されました。
詳細な要約
最近のLokadTVのエピソードで、LokadのコミュニケーションディレクターであるConor Dohertyと、LokadのCEO兼創設者であるJoannes Vermorelは、サプライチェーン管理におけるAIイニシアチブの落とし穴について考察を行いました。この会話は、Lokadの新しいスタジオで行われ、Vermorelの主張するところによれば、主流のサプライチェーンアプローチ、特にAIを含むものは、根本的に欠陥があり、失敗する可能性が高いというものでした。
Vermorelは、サプライチェーン管理における長年の慣行を批判し、それらが1970年代後半以来変わっていないと考えています。彼は、これらの時代遅れの方法に単にAIを追加することは解決策ではなく、むしろ無駄な試みであると主張しました。Vermorelは、過去のサプライチェーンイニシアチブの失敗、特に高度なエンジニアによるものでさえ、AIへの過度の依存に対する警告として機能するべきだと強調しました。
Conor Dohertyは、多くの人々がAIをサプライチェーンの問題の万能薬と見なしていることを指摘し、Vermorelに挑戦しました。Vermorelは、AIの限界について言及し、ChatGPTの例を挙げました。彼は、高度なエンジニアがこれらの問題を解決できなかったので、まだ人間レベルの知能に達していないAIが成功することは現実的ではないと説明しました。彼は、AIは既知の解決策が存在する領域でコストを削減し、効率を向上させることができるが、根本的に欠陥のある問題を解決することはできないと強調しました。
Vermorelが現在のサプライチェーンの実践が誤った方向に進んでいると考える具体的な理由についての議論が続きました。彼は、提案依頼（RFP）、時系列予測、安全在庫の計算式、およびサービスレベルの4つの主要な領域を特定しました。Vermorelは、特にエンタープライズソフトウェアに関するRFPが機能不全であると主張しました。これらのRFPは、現実的ではない知識と具体性を前提としており、スマートフォンの複雑さを理解せずに詳細な仕様を作成するプロセスに例え、最も優れたベンダーがしばしば除外される選択プロセスにつながると述べました。
Vermorelによれば、時系列予測も誤った実践です。彼は、時系列データは重要なニュアンス、例えば1つの主要なクライアントと多くの小規模なクライアントの違いを捉えることができないため、誤解を招く可能性があると説明しました。この詳細さの欠如は、意思決定の質を低下させ、リスクを増大させる可能性があります。
安全在庫の計算式とサービスレベルも、非経済的で過度に単純化されていると批判されました。Vermorelは、これらの指標が広範な経済的文脈を考慮せず、しばしば最適でない意思決定につながると主張しました。彼は、システム全体とその経済的影響を考慮した総合的なアプローチがより効果的であると提案しました。
Conor Dohertyは、これらの誤った方法を使用して多くの企業がまだ大きな成功を収めていると指摘しました。Vermorelはこれを認めましたが、これは現場の実践者が行う実践的な経験に基づく調整によるものであり、サプライチェーン管理で教えられる理論的なモデルではないと述べました。彼は、これらの実践者がしばしばスプレッドシートや手動のオーバーライドを使用して確立された方法の欠陥を修正していると主張しました。
会話は、質疑応答セッションで観客の質問に答える形で終了しました。Vermorelは、大企業における変革の主な障害は根付いたプロセスを取り除く難しさであると繰り返し強調しました。彼は、後者がより良い結果につながるにも関わらず、AIのような新しい技術を追加することが旧式な実践を排除するよりも簡単であると強調しました。
要約すると、Vermorelの見解では、現在の主流のサプライチェーンの実践は根本的に誤っており、AIは特定の文脈では有用ですが、これらの根深い問題を修正することはできません。彼は、システム全体とその複雑さを考慮し、単純化された古い指標に頼るのではなく、より経済的に妥当なアプローチを提唱しています。
フルトランスクリプト
Conor Doherty: LokadTVへようこそ。今日は、私たちの素晴らしい新しいスタジオから生放送しています。SCT Techでの議論に基づいた、無害で軽快なトピックで2024年を締めくくります。私のすぐ左にいるJoannes Vermorelが、なぜサプライチェーンにおけるAIイニシアチブは失敗する可能性が高いのかについての彼の見解を説明します。いつでもライブストリームで質問を投稿してください。後でそれに取り組みます。ここにいる間に、YouTubeチャンネルを購読し、LinkedInでフォローしてください。
そして、始める前に、私たちが他の誰よりも賢いことについて話すことについて、多くの人々が努力したことを認めるのは失礼ではありません。私の後ろのスクリーンから、Joannesと私の前にあるマイクロフォンまで、このスタジオを作るためにLokadで多くの仕事が行われました。特に、カメラの後ろで働いてくれたMaxime LarrieuとBaptiste Grisonには、非常に感謝しています。あなたの努力に本当に感謝しています。それでは、Joannes、なぜ人々はそんなに愚かなのですか？
Joannes Vermorel: 一般的に言って、私はそれが人間の種の呪いだと思います。私自身も含めてです。しかし、実際には、この遊び心のあるタイトルで、私は通常、主流のサプライチェーンアプローチが過去40年間ほどほとんど機能していないことに注意を引きたかったのです。技術や実践の面では、ほとんど進歩がなく、現在の企業が行っていることは、1970年代後半以来ほとんど変わっていません。同じ数値レシピ、同じ考え方であり、あまりうまくいっていません。
今、物事をそのまま受け入れて、それに魔法のAIパウダーを少し振りかければ、突然それらの問題が解決するという考えは、狂気または、タイトルで言うところの愚かさだと思います。再度言いますが、私は人々が1970年代末にそれを試みることが愚かだったとは思いません。ただし、連続した40年間の失敗の後、過去の過ちから学ぶことができないことが愚かさの始まりです。サプライチェーンにおいても、企業が同じアプローチやプロセスを保ちながら、生成AIを用いて再評価しようとするのを見ると、私は結果を待つ必要はありません。すでにそれがうまくいかないことを知っています。それは時間とエネルギー、そしてお金の無駄になるだけです。
Conor Doherty: しかし、多くの人々は、実際にはAIを供給チェーンの取り組みの銀の弾丸と見なしているでしょう。例えば、壊れているものや欠陥があるもの、または誤った前提に基づいているものが、Gen-AIの導入によって修正されると考えられています。ですので、基本的には、それは誤ったアプローチだと言っているのですか？
Joannes Vermorel: 絶対にです。一時停止しましょう。ChatGPTがMITのエンジニアと同じくらい知能があると想像してみましょう。素晴らしいですね、人工汎用知能ができました。実は、過去40年間のLokadの競合他社の多くがまさにそれを行ってきました。彼らはMITのエンジニアを採用し、大規模なサプライチェーンプロジェクトを与え、スプレッドシートを排除し、意思決定を自動化することを目指しています。彼らは非常に優秀で、予算と時間を与えられていますが、それでも失敗しています。
これらの失敗は例外ではありません。売上高が10億ドル以上で、20年以上の歴史を持つほとんどの企業は、おそらく3つまたは4つの失敗したサプライチェーンの取り組みを経験しています。よりスマートで統合された数値レシピを導入することでスプレッドシートを排除しようとする取り組みですが、失敗しています。では、非常に優秀なエンジニアを使って失敗した場合、まだ人間レベルの知能ではないという点で劣っているものを使って成功すると思うのはなぜでしょうか？
知能の自動化の利点はコストです。例えば、Lokadでは、ウェブサイトの翻訳をロボット化しました。今、Lokad.comのウェブサイトは多言語で利用できます。10年間、私たちは専門の翻訳者を使っていましたが、現在は大規模な言語モデルを使って自動的に行っています。素晴らしいですね。私たちが節約したのはコストの問題ですが、基本的には、翻訳という問題はすでに人力で解決する方法を知っていました。AIは解決できない問題、つまり翻訳を解決したわけではありません。ただし、より安価かつ迅速に行うことができるようになりました。それは素晴らしいことです。
しかし、もしも初期の問題であるサプライチェーンの予測最適化に戻ると、非常に優秀なエンジニアを手元に置きながら以前の試みが失敗したのであれば、もっと優れた手段を使っても本当に違いが出ると思うのでしょうか？
Conor Doherty: さきほど触れたことから、この質問につながるのですが、“stupidity"という言葉を少し解説していただけますか？故意に挑発的な言葉を使いましたが、それでも、企業が誤った前提に基づいて意思決定を行っていると言ったり、具体的な事例について話すとき、企業が繰り返し間違いを犯しているということは、一つのエラーの形です。おそらくそれを寛大に"stupidity"と分類することもできるでしょう。もう一つの選択肢としては、無知があります。無知は中立的なものです。
愚かさ、愚か、間抜けという言葉はもともと精神医学の文献にあり、認知機能の障害を指します。これらは非常に具体的な意味を持っています。無知は中立的です。あなたと私は、悪い日でもIQが180ありますが、私たちは多くのことを知りません。私は植物学について何も知りませんし、靴紐の作り方についても何も知りませんが、私は愚かではありません。これらのことを学ぶための神経基盤が欠けているわけではなく、単に時間や情報へのアクセスがないだけです。したがって、問題は、企業が悪い意思決定をし、ひどいまたは最適でない結果をもたらす一方で、代替のパラダイムの存在を実際に知らない企業があるということです。これを問題の公正な表現と見なしますか、それとも単に人々が愚かで間違いを犯していると見なしますか？
Joannes Vermorel: はい、それは問題の公正な表現です。それが私たちが見ているものについて正確に何を意味するのかを考えることにつながります。具体的な事例を見ると、それが無知であると主張することは無理があるほど明らかです。
Conor Doherty: 実際に具体的な事例に入ってみましょう。あなたの主張として、企業の意思決定における自然な愚かさまたは自然な無知の問題を示すための4つの主要な証拠、つまりRFP、時系列予測、安全在庫の計算式、およびサービスレベルがあります。それぞれについて順番に詳しく説明しますが、トップレベルで、それらの4つの概念についてどのような点があなたの立場を示していると思いますか？
Joannes Vermorel: 4つ選びましたが、20個あるかもしれません。主流のサプライチェーンの理論と実践の主要な要素です。これらはおそらく大企業の90％で見つけることができる主要な要素です。小規模企業ではかなり異なる場合もありますが、これらの慣行は大企業の間ではかなり一様です。非常に広範に普及しているため、これらの慣行を見て、このことは本当に意味があるのか、MITの博士号を持っていなくても完全な無意味であることに気づく必要があるのか、という問いを投げかけることができます。
1分以内に慎重に検討するだけで、それが完全な無意味であることに気づくことができる場合、それは明らかに愚かさの範疇です。自分が間違っていることに気づく唯一の方法が、多額の資金と時間を要する非常に洗練された実験を行うことである場合、それは無知の範疇のエラーです。
Conor Doherty: と言ったように、順番に見ていきましょう。まず、あなたの主張の最初の証拠はRFPの存在です。今、それは提案依頼、見積依頼、情報依頼などの総称だと思いますが、それだけですか？
Joannes Vermorel: はい、そして、具体的にはサプライチェーン最適化に特化したエンタープライズソフトウェアについてです。私たちは… RFPが大量の紙やごく一般的な商品の調達方法であるかどうかについては議論しません。文脈はサプライチェーンです。そして、より具体的には、サプライチェーンのためのバーコードプリンターを必要とする場合、それは私が議論しているものではありません。私が指しているのは、意思決定プロセスに対応するものを調達することです。サプライチェーンとは、物流を指しているわけではありませんし、トラックの運転手を雇うことを指しているわけでもありません。流れを統治する意思決定プロセスのことです。ですから、何を購入するか、何を生産するか、どの価格で販売するか、在庫をどこに置くか、すべての細かい点についてです。
Conor Doherty: では、それをすぐにあなたに返します。ベンダーを調達するためにRFPプロセスを使用することに何か問題がありますか？
Joannes Vermorel: RFPは完全に機能不全です。RFPの見た目を知りたい場合は、スマートフォンに期待するすべてのことをWordドキュメントに書き込むことを想像してみてください。それはばかげています。あなたは知りません。それには無数の機能があります。あなたのスマートフォンが動作するのは、あなたが知らない多くの要素のおかげです。すべての機能をリストアップするだけでも、膨大な作業量です。そして、あなたのスマートフォンが何をしていると思うかをリストアップした場合、おそらく多くのことを間違えるでしょう。
まるでカバーする必要があるアイテムポイントが何百もあると想像してみてください。そして、あなたのスマートフォンの要件について何百ページもの要件を作成することで、SamsungとAppleの両方を除外するドキュメントを作成する可能性はどれくらいですか？おそらく高いでしょう。
エンタープライズソフトウェアは非常に複雑であり、この複雑さは主に解決したい問題を反映しています。サプライチェーンの最適化自体が非常に複雑でかなり複雑ですので、簡単な答えを期待することはできません。トン単位で鉄や原油を購入しているわけではありません。非常に洗練されたものを購入しているので、他のベンダーとの代替関係はありません。ベンダーXが提供しているものとベンダーYが提供しているものとの間には一対一の対応関係はありません。
RFPの問題は、すでにあなたが正確に解決策を知っていると仮定し、完全な仕様を持っていると仮定し、大量のベンダーを要件リストに絞り込みたいということです。ソフトウェアはそんな風には動作しません。優れたソフトウェアを作るには、10年程度かかります。ベンダーはあなたのRFPのために自分の技術を根本的に適応することはありません。あなたはみんなをばかげた数百ページの要件に通すことになります。
このプロセスはあまりにも意味がないため、通常、RFPを受け取ると、400から600の質問があります。そして、それらの質問にはつづりの間違いがたくさんあります。非常に頻繁に、クライアント会社の名前自体が文書内で誤って綴られています。なぜなら、人々は質問自体に関心を持たなかったからです。それはインターンやコンサルタント、その他に委任されています。膨大な量の書類を作成し、質問の半分も意味がわからないのです。ほとんどの質問は質問ではなく、変装した要件です。
その後、ベンダーは何十、おそらく何百ページもの回答を返しますが、誰も読みません。それには段階的に進む委員会があり、この完全に非合理なプロセスから合理的な意思決定が出るという考えは、驚くべきことです。現実の生活では、あなたが個人として完全に狂気じみていると思われることが、大企業の慣行であるからといって、突然理にかなっていると思う理由はありません。そんなことはありません。
Conor Doherty: まあ、まず、いくつかのポイントを分解するために、そこにはたくさんのことがあります。まず第一に、あなたの批判は…ああ、すみません、戻ります。あなたが話しているRFPのいくつかを見たことがあります。例えば、「まだファックス機をお使いですか？ファックスのレポートは耐火キャビネットに保存していますか？」といったものを見たことがあります。もちろん、それはまったくばかげています。それが現在の状態のRFPです。あなたは、真空中で、どんなに実行が悪くても、単に一般的に、ソフトウェアを見つけるためのRFPの概念が完全に狂気じみていると言っているのですか？そして、その答えが「はい」である場合、代わりとなるものを説明してください。
Joannes Vermorel: いいえ、市場調査を行うという考え自体は狂気じみていません。明らかに、ベンダーを選ぶためには市場調査を行わなければなりません。私のポイントは、RFI、RFPの確立された慣行を通じて操作する必要があるという考えはばかげているということです。私のポイントは、それらの慣行が非常に欠陥があるということです。完全に機能不全なプロセスがある場合、即興がはるかに良いです。
もし何かうまくいっていないことをしているのであれば、それをやめて、ほぼ何でも他の方法の方が良いでしょう。それがさらにビューロクラシー的でないものであればなおさらです。私の考えでは、大企業は単に非公式なプロセスだけで十分に対応できるでしょう。もしプロセスの優れたバージョンを考えることを検討する気があるのであれば、別の方法もあります。それは私の対立的な市場調査の講義の中で議論されており、より良い方法を概説しています。しかし、このより良い方法についての知識がなくても、このばかげたプロセスを取り除くだけでも改善になります。
超ビューロクラシー的なプロセスは良いことではありません。それはひどいことです。すべてを遅くし、責任を希薄にし、ベンダーを逆選択します。再び、Appleに戻りましょう。もし彼らに対してRFPを行った場合、本当にあなたの企業の要件を満たすために彼らが貴重なiPhoneを変更すると思いますか？いいえ、しません。ですので、あなたが実際にやっていることは、良いベンダーが自分自身で市場調査から外れるようにしているのです。これはまったくばかげたことです。それは望んでいる逆の結果です。
私の考えでは、がんのようなものがある場合、がんを取り除き、そのがんの代わりに何を置くかという質問を自問しないでください。がんを取り除いたら、すでに何か良いことをしています。それは改善です。さて、さらに良いもの、何を置くかについて議論することができますが、最初の段階はがんを取り除くことを認識することです。
残念ながら、ビューロクラシーの愚かさについては、ビューロクラシー的な悪夢に対する唯一の代替手段は別の種類のビューロクラシー的な悪夢だと考えることです。これは完全なばかげたことです。私は15年間のビジネスの中で、深刻な機能不全ではないRFPを一つも見たことがありません。それは地獄の円環のバリエーションにすぎません。一部のRFPは地獄の第5の円環のようなものであり、他の一部は地獄の第9の円環のようなものです。それは悪夢の強度のバリエーションにすぎませんが、それ以外は非常に非常に悪いです。
Conor Doherty: それはトーマス・ソウルとダンテ・アリギエーリの60秒間のスペースです。とても良かったです。実際には、それは最初のポイントからの移行です。それはRFPとRFPの批判についてのものです。AIベンダーを選択する方法の一つです。
Joannes Vermorel: まさにその通りです。
Conor Doherty: 質問を終えることができれば、少し移行します。2つ目のポイントは、すでにベンダーを選択した後のことです。これは、あなたのAIイニシアチブが失敗する理由の2番目の証拠として引用されています。では、時系列予測に問題はありますか？
Joannes Vermorel: ですから、一度ベンダーを選択したら… まず、おそらくRFPのおかげで、非常に悪いベンダーを選択することになるでしょう。それは確定事項です。意味のないプロセスを持っているので、おそらくRFPに合わせてすべてを行う最悪のベンダーの一つを選ぶことになるでしょう。ベンダーがあまりにも機能不全でなければ、失敗はほぼ確実です。しかし、最初に機能不全のあるベンダーを選んでしまったのです。さて、それが時系列につながります。
時系列は、現代の主流のサプライチェーンの視点におけるアルファとオメガのようなものです。時系列とは何でしょうか？それは、特定の期間に応じたポイントの系列です。それは1日ごとの値、1週間ごとの値、または1ヶ月ごとの値になります。私が時系列の視点と言うと、すべてを販売や流れごとに日ごと、週ごと、月ごとに集計して見るという意味です。すべてがそのような時系列に適合するようになります。
時系列データでは、おそらく主流のサプライチェーン理論に従って、時系列予測が必要です。これは、将来に向けて時系列を延長したものです。もし今日までの販売データがある場合、将来に向けて時系列を延長した予測が必要です。つまり、明日、明後日などの販売数量が必要です。
Conor Doherty: たとえば、来週の需要は10個になるという具体的なデータポイントを提供されることに何か問題があるのでしょうか？それは素晴らしいことのように思えます。
Joannes Vermorel: 問題は、サプライチェーンを時系列で意味のある形で表現することができないということです。それはどういう意味でしょうか？
まず、非常に基本的な状況から始めましょう。1日あたり1,000個の製品が安定して売れているとします。過去3年間、1日あたり1,000個の製品が売れ続けています。非常に良いですね。では、将来はどうなっているのでしょうか？ここで、同じような履歴を持つ2つの異なる状況を見てみましょう。状況1：1,000人の異なる顧客がおり、彼らは時々1つの製品を注文しています。集計すると、これらの1,000人の顧客から1日あたり1,000個の製品が得られます。一部の顧客は去り、一部の顧客はやってきますが、非常に安定しています。これが時系列を生成しています。では、これは何を意味するのでしょうか？非常に安定した需要があり、かなり堅牢なようです。1,000人の顧客は数百万ではありませんが、ゼロでもありませんので、良い状況です。
さて、2番目の状況は、1日あたり1,000個の製品が1つの顧客から供給されているとします。はい、この顧客は過去数年間、1日あたり1,000個の製品を非常に安定して注文していますが、それは1つの顧客です。明日に需要がゼロになり、永遠にゼロのままになる可能性はどれくらいあるでしょうか？明らかに、最初の状況では不可能とは言いませんが、非常に低い確率です。壊滅的なブランド被害があったとしても、ほとんどの顧客はそれに気づかないでしょう。大規模な詐欺事件があったとしても、数ヶ月後にそれについて知らない数百の顧客がまだいます。ですので、完全に調整された状態で、すべての顧客が同じ日に購入を停止する可能性は不可能ではありませんが、非常に非常に低い確率です。おそらく100万分の1の確率です。稀です。
一方、もし1つの顧客しかいない場合、別のサプライヤーを選ぶと決めるだけで、需要はゼロになります。1年に1度程度、この忠実な顧客を失うと言うなら、0.1%の確率です。100万分の1ではありませんが、桁違いに高い確率です。これはまだ起こりにくいですが、最初の状況と比べると、数年以内に起こる可能性が高いです。十分な時間が経てば、10年程度でほぼ確実に起こります。ここでは、まったく異なる状況でも同じ時系列表現が可能な2つの非常に基本的な状況を説明しています。これが問題の核心です：時系列は単純化されています。異なる状況でも同じ時系列を持つことができます。
Conor Doherty: それが重要なのですか？なぜですか？
Joannes Vermorel: なぜなら、あなたの意思決定が非常に異なるからです。1,000人の顧客がいる場合、在庫を非常に保守的にすることができます。たとえば、「在庫が多くなることは問題ありません。いくつかの顧客を失っても、在庫が大幅に余剰になることはありません。顧客を失っても、在庫を処分する時間があります。」と言うことができます。一方、1つの顧客しかいない場合、この顧客が購入を停止すると、在庫は一夜にして死んだ在庫になります。在庫に残っているものは、在庫の全てを書き消すことが確定しています。
ですので、供給チェーンの意思決定に関しては、非常に異なる状況が2つあり、非常に異なる意思決定が必要です。だからこそ、私は時系列は狂気だと言っているのです。仮説は、すべてを時系列としてフレーム化することで、主流のサプライチェーンが行っていることですが、合理的な意思決定ができるというものです。しかし、私が言っているのは、それはできないということです。時系列では、あなたの活動についてのいくつかの基本的な情報を把握することができません。あなたはただ盲目です。もし時系列が増えたとしても、それはあなたのデータの悪い表現であるという事実には変わりありません。それはあなたのデータの非常に単純化された表現です。
Conor Doherty: すみませんが、リスク管理の観点から、異なるアプローチを取る必要があることを誰かに説明するために、あなたが言及していることを明確にしておきます。なぜなら、あなたの露出度が異なるため、財務配分において異なるアプローチを取る必要があるからです。
Joannes Vermorel: それは非常に異なります。再び、店舗の商品の寿命について考えてみましょう。時系列は、時間の経過に伴う在庫レベルを表すことができます。例えば、ヨーグルトの在庫は何個ありますか？しかし、現実は、あなたの商品は腐敗する可能性があるため、賞味期限があります。再び考えてみましょう、在庫には10個のヨーグルトがあります。それが時系列の視点です。前日は11個あったかもしれません。在庫レベルが継続しています。これが時系列の表現です。そして、今考えているのは、「在庫には10個のヨーグルトがあります。それは良いのか、悪いのか？十分なのか、それとも足りないのか？」ということです。
2つの状況を見てみましょう。状況A：在庫にある10個のヨーグルトは1か月後に賞味期限が切れます。それは良いことです。店に入ってきた人は、1か月間の賞味期限があるヨーグルトを見つけることができます。ヨーグルトにとっては素晴らしいことです。さて、状況B：10個のヨーグルトは明日に賞味期限が切れます。これは非常に悪いことです。お客様は明日に賞味期限が切れるヨーグルトを取りに行くことを好みません。おそらく1人のお客様が明日の消費のために1つ買うかもしれませんが、家族の食料品を買い物し、週の計画を立てたいと思っている母親は、明日に賞味期限が切れるヨーグルトを買いません。
ですので、同じ表現である10個のユニットは、在庫レベルですが、非常に重要な情報が欠落しています。それは、賞味期限の構成です。もし、この時系列の考え方に完全にエンジニアリングされたソフトウェアシステムがある場合、この情報は常にシステムによって無視されます。なぜなら、システムはそれを見ることができないからです。それは時系列のパラダイムの一部ではないからです。
Conor Doherty: そして、もう一度非常に明確に説明しますが、聞いている人のために、「わかりました、言っていることは理解できました、例も理解できました。それがAIにどのように影響するのですか？AIはそれにどのように適合するのですか？」と言っても、時系列や確率的予測を使用している場合でも。
Joannes Vermorel: もし、キー情報が失われるようなパラダイムがある場合、それが時系列の場合、時系列を見ている人がAIであろうと、非常に優れたエンジニアであろうと、誰であろうと、キー情報は既に失われています。時系列のレンズで販売データを見ると、この1対多の顧客や賞味期限などは見えません。見えないものがたくさんあります。AIであろうと、優れたエンジニアであろうと、ルールを適用するプログラムであろうと、必要な中心的な情報は既に失われています。このパラダイムの上にどれだけの技術を積み重ねても、それは重要ではありません。
Conor Doherty: さて、少し先に進みましょう。最初の2つの方法、RFPと時系列については既に話しました。3番目と4番目の方法は、セーフティストックとサービスレベルとしてまとめることができます。これらについて個別にまたはまとめて議論するとき、これらに対するあなたの異議は何ですか？これらは非常に一般的です。ほとんどの企業はかなり厳格なセーフティストックとサービスレベルのポリシーを持っています。
Joannes Vermorel: オーディエンスのために、セーフティストックの問題は、時系列需要予測があると仮定し、需要が正規分布に従い、リードタイムが正規分布に従うと仮定し、サービスレベルを選択するという点です。それによって、在庫に保持する目標在庫数量が得られます。それがセーフティストックの本当の意味です。
技術的には、作業在庫というのは平均需要であり、セーフティストックは平均需要に追加される要素です。しかし、それは技術的なことです。全体として、作業在庫とセーフティストックを合計すると、保持する目標在庫数量が得られます。
それには何か問題がありますか？問題は、これが在庫管理を見る間違った方法であるということです。会社の目標は利益を上げることです。セーフティストックは、その決定における非経済的な視点です。それは何を意味するのでしょうか？それは、利益を最適化しようとすらしていないものです。問題は、利益を最適化しようとすらしていないものがあるということです。なぜこのものが利益にとって良いものになると思いますか？
実際に利益を最大化するにはどうすればよいのでしょうか？非常にシンプルです。例えば、店舗を考えてみましょう。利益を最大化する最初の在庫単位を選びます。これを選んで店舗に置きます。それが私に最も高いリターンをもたらすものです。最初の単位を選び、その後、リターンを最大化する2番目の単位を選ぶ必要があります。店舗であるため、おそらく2番目に選ぶ単位は最初の単位とは異なる製品になるでしょう。
要点は、余分な単位を広げて需要をカバーしたいということです。最初の単位のみ注文できると言われた場合、1つの単位を選びます。今度は、2番目の単位を選ぶことができると言われた場合、おそらく他の何かを選びたいと思うでしょう。少なくとも、店舗の需要のカバレッジを増やしたいと思うでしょう。3番目の単位を選ぶことができると言われた場合、再び少し異なるものを選ぶでしょう。
私が言っているポイントは、セーフティストックの視点は完全に非経済的な視点を採用しているということです。それは店舗の製品を単体で見て、また、オーディエンスのために言うと、ミニマーケットには5000以上の異なる製品が棚に並んでいます。それは単体の製品を見て、単体でそれがもっと必要か少なく必要かを決めるということです。私はこれは無意味だと言っています。
再び、手動で行う場合、食料品店にいるとします。何かの単体で必要な量を考えることはありません。トレードオフです。棚のスペースには限りがあり、お金も限られています。ですので、「これは十分か？この製品を十分に再注文すべきか、それとも最初に他の何かを再注文すべきか？」と考えるでしょう。それが投資対効果の観点で考える方法です。それが経済的な視点で考える方法です。
安全在庫は経済的な視点ではないと言っているのです。少なくとも教育的な視点からは数学的に興味深い視点です。応用数学の学生には小さな演習として与えることができるかもしれません。しかし、現実のサプライチェーンに到達する必要がある場合、そして再び、私は食料品店のような非常に単純な状況を取り上げていますが、それは考え方が経済的な視点ではないということです。ですので、問題があります。これは私の会社の収益を改善しようとすらしていません。これはただ間違っているだけです。
私が説明した代替案は非常にシンプルです。私は最も高いリターンをもたらすものを選びます。最初のユニット、次のユニットなどを選びます。具体的にはどのようにそれを行うかについては、技術的な詳細に入ることができますが、それらは技術的な詳細です。安全在庫に対する私の批判は、それが合理的なアプローチではありえないということです。実際には、しばしば意味のない状況に陥ることが非常に多いです。例えば、安全在庫に基づいて店舗に置くべきすべての商品を計算すると、それが収まらないことがあります。
そこで狂気に陥るのです。安全在庫は、すべての製品がすべてのユニットを必要とすると伝えるので、5,000個の製品があり、すべての製品に対して数量が得られます。それらの数量をすべて合計すると、収まらないのです。
AIに戻ると、AIは何をすることが期待されていますか？再び、あなたのパラダイムは安全在庫を計算すると言っています。AIはおそらく安全在庫をより正確に計算するのに役立つかもしれません。それが具体的にどのように役立つのかはわかりません。しかし、現実の問題は、設計上壊れているパラダイムを持っているということです。AIは、どのように安全在庫を計算しようとも、それでも奇妙な逆説に陥ることになります。経済的な視点がないものから意味を引き出すことはできません。AIは、経済的な意味を持たないものから意味を引き出すことはできません。
Conor Doherty: サービスレベルについて説明する前に、そこで述べた一点について触れたいと思います。安全在庫を経済的な視点ではないものとして説明しました。それは理解しました。また、SKUを単体で使用することについても話しましたが、それは欠陥があります。では、逆に、組み合わせで物事を見ることが考えられるでしょう。それについてもう少し詳しく説明していただけますか？
Joannes Vermorel: はい、再び、サプライチェーンはシステムです。つまり、部品を変えずに部品を切り離すことはできません。食料品店の棚で販売されている製品は、単体で販売している場合とは異なるものです。人々は食料品店に行くと、単一の製品だけでなく、さまざまな製品を期待しています。ほとんどの非自明なサプライチェーンにとっても同じです。現実のサプライチェーンはそうなるでしょう。車を生産している場合、すべての部品を組み合わせて最終的に機能する車を作る必要があります。車輪を取り外してこれが車だと言うことはできません。車から車輪を取り除いたものは車ではなく、ただの別のものです。
基本的には、多くの異なる種類の物理的な商品があるシステムがあり、それらが組み合わさると意味を持つということです。もちろん、車では車輪を取り外すと車はまったく動作しません。店舗では、マスタードを棚に置かないことを決めることもできます。お客様がマスタードを置かないことに納得しているかもしれませんし、逆に、3種類の異なるマスタードを置く必要があるかもしれません。
基本的には、見ているものによって微妙な違いがあります。それは黒と白ではないものです。しかし、根本的には、食料品店でマスタードを販売するときは、それに付随する販売物と関連しているということです。つまり、それらの要素を孤立させる視点を採用すると、本質を見失ってしまいます。店舗の魅力を見失ってしまいます。起こっているダイナミクスを見失ってしまいます。
人々は食料品店に入店し、1つの商品を購入することはありません。一部の顧客は1つの商品を購入するかもしれませんが、ほとんどの顧客はバスケットと多くの商品を持っています。だから私が言いたいのは、セーフティストックの視点を採用すると、自分のSKU、製品を互いに完全に孤立させる非常に奇妙で極めて単純化された数学的な視点を採用することになります。最も単純な供給チェーンである食料品店のようなものを考えてみても、それはすでに全く意味をなしません。だから、航空宇宙MROや他の何かのようにもっと複雑なものでは、それがもっと意味をなすと思うのはなぜでしょうか？
Conor Doherty: Lokadには、そのようなバスケットの視点に特定の用語があります。私たちは実際にLinkedInで数週間前、または1か月前にそれを説明するフラッシュカードを公開したと思います。あなたが言ったように、人々は通常、スーパーマーケットに入って1つのものだけを買うことはありません。彼らはリストを持って買い物をします。1つのものがないことで損失が発生することがあります。人々が複数のものを買う場合、彼らは入店して10個の商品を買い、欲しかった11番目の商品がなかった場合、それが重要な商品である場合、11番目の商品の売上だけでなく、そのバスケット全体の売上を失います。だから、それがバスケットの視点です。これらのすべての要素には関係があります。
Joannes Vermorel: はい、そして、セーフティストックとAIに戻ると、セーフティストックの視点を採用した後は、AIがどれほどスマートであろうと、どれほど愚かであろうと、安価であろうと高価であろうと、何であろうと関係ありません。それはすでに解決策がまったくない悪い場所に閉じ込められています。だから私が言うのは、自然の愚かさは常に人工知能を凌駕します。技術の洗練度、アクセシビリティ、保守性は関係ありません。それらはすべて、非常識な問題設定によって完全に無関係にされます。
Conor Doherty: それに同意します。私もそれに同意しますが、私が言いたいのは、それは自然の愚かさと無知の間の区別について前に述べたものの本当に良い例だと思います。私たちがちょうど説明したのは実際の現象ですが、非常に抽象的なものです。それは、直ちに明確ではないものとの関係についての理解度を必要とします。
Joannes Vermorel: 私は異議を唱えます。店を経営する完全に教育を受けていない人との議論をするとき、それは魔法ではありません。私たちは超高度な数学について話しているわけではありません。1週間やっているどんな店主に行っても、アソートメントが重要なことを理解しています。製品の適切な在庫量を他のすべてと完全に孤立して考えることはできません。
実際、それは非常に緻密な不条理であり、大学教授によって広められるためには、非常に悪いアイデアの現実の結果から完全に保護された環境にいる必要があります。もしもあなたが店を経営する立場にいたら、そんな風には考えないでしょう。テストをしてみることができます：近所にどんな種類の店を経営している人とでも話してみてください。彼らがそんな風に考えるなら、そうではありません。在庫を管理し、補充注文を出す人と話すとき、例えば小さな店の場合、彼らは明らかに全体的な視点で考えます。
Conor Doherty: 実際には、それは良いポイントですね。区別があると思いますので、あなたの意見を聞かせてください。非常に巨大な数十億ドルの複合企業と、非常に大きな供給チェーンを持つ企業が、例えば供給チェーンの意思決定に関して、1日に何十万もの注文を出しているという違いがあります。それを、ジョアンヌの店のような小さな店と対比させると、ジョアンヌは毎日これらのものを買うために自分のポケットからお金を出しています。
それは、私が1年半前に彼と話したときにピーター・コットンが言ったことを思い出させます。彼は、自分のお金がかかるときには非常に異なる意思決定をすると言いました。ポケットからお金を出さなければならないときには、問題について考える方法が非常に異なります。だから、私はただ単に興味があるだけで、なぜ非常に大きな企業が悪い意思決定をするのか、ただ隣の店に行ってみればいいという例を挙げたのですが。
Joannes Vermorel: そこに狂気があるのです。大企業はそうした悪い意思決定をしないのです。彼らが言っていることに反して、彼らは安全在庫を追跡しているのです。彼らが雇用している人々はそうではありません。そこが狂気になるところです。実際の風景はどうなっているのでしょうか？大学の教授が安全在庫を行う必要があると言っています。サプライチェーンの教科書が安全在庫を行う必要があると言っています。AIを活用したサプライチェーンのベンダーがAIを活用した安全在庫を提供しています。素晴らしいですね。そして、安全在庫駆動型のシステムを持つ企業があります。または、バッファーと呼ばれることもあります。さまざまなバリエーションがあります。
結局のところ、需要と供給の計画担当者、カテゴリーマネージャー、在庫マネージャーなど、スプレッドシートを使用してまったく異なることをしているサプライチェーンの事務員がいます。通常、私がこれらの人々と話すときに受ける典型的な反応は、「ああ、安全在庫は使用する予定です。来年、十分な成熟度があるときに本当に使用します。しかし、今はたくさんの問題があり、まったく異なることをしています。スプレッドシートで異なることをしています。混乱していることはわかっていますが、なんとかうまくいっています。もっとトレーニングを受ければ、いつか安全在庫を使用できるようになるでしょう」と言われます。
それは狂気です。なぜなら、この人がやっていることが実際には意味をなしているからです。この代替レシピこそが理にかなっているものであり、安全在庫はただの見せかけであり、うまく機能していないのです。少なくとも1979年以来、ラッセル・アッコフによって特定されているように、安全在庫は機能していません。そのような状況では、スプレッドシートは決してなくなることはありません。
あなたが「すべての混乱したスプレッドシートをソフトウェアの自動化で置き換える」と言ったとき、それは失敗します。なぜなら、安全在庫は悪いアイデアだからです。AIによる安全在庫であっても、それはまだ悪いアイデアです。それは機能しないほど悪いアイデアです。大企業は試みますが、失敗し、スプレッドシートに戻ります。人々は「少し自分のやり方で何かをしています。もっとトレーニングを受ければ、いつか安全在庫を使用することができるでしょうが、今は実際に機能するものが必要です」という態度に戻ります。
Conor Doherty: それに関して、安全在庫が欠陥を持っていることを詳しく説明していただきました。おそらく同じような批判がサービスレベルにも当てはまると思います。それらは完全に同じではありませんが、意思決定プロセスの観点からは、どのような方針を実施しているのでしょうか？サービスレベルについてのあなたの問題を説明してください。
Joannes Vermorel: サービスレベルに対する私の問題は、サービスレベルがサービスの品質に対する非常に欠陥のある代理指標であることです。実際、サービスレベルはほとんどサービスの品質とは関係ありません。サプライチェーンを運営する際には、お客様に良いサービスを提供したいと思うのは当然のことです。
さて、ファッションの基本的な小売店を考えてみましょう。高いサービスレベルを持つことはどういう意味でしょうか？もし高品質のサービスをサービスレベルと同じだと考えるなら、高品質のサービスは高いサービスレベルを意味します。もしサービスレベルが品質の良いサービスの良い代理指標であると言うなら、高品質のサービスは高いサービスレベルを意味します。
ファッションブランドの商品を販売する店舗がある場合、高いサービスレベルを持つことはどういう意味でしょうか？それは実際には、少なくともいくつかの商品がコレクションの最後まで棚に残っていることを意味します。高いサービスレベルを持つということは、コレクションの最後まで店舗が商品でいっぱいであることを意味します。次のコレクションを店舗に展示するにはどうすればよいでしょうか？
古いコレクションを手放すことでスペースを作る必要があります。つまり、一部の商品についてはサービスレベルがゼロになることを受け入れる必要があります。多くの商品のサービスレベルがゼロであっても、顧客はまだ非常に満足しているかもしれません。一部の商品が段階的に廃止されると、他の商品が代わりに入り、顧客はまだ非常に満足しています。顧客の目には存在する品質のサービスと、数値的な指標で測定されるものであるサービスレベルとの間にはまったく相関関係がありません。
サービスレベルは品質のサービスの非常に悪い代理指標であるのに、なぜあなたは企業のために意味のあることをするAIがサービスレベルを駆使すると思うのでしょうか？安全在庫に対する私の批判と同様に、これは経済的な観点ではありません。ここでは、品質のサービスの観点ではないサービスレベルという概念があります。AIにはこの概念であるサービスレベルを与えるので、AIはこのサービスレベルという道具を扱わなければなりませんが、実際の問題である品質のサービスには全く適していないことがわかります。
Conor Doherty: “サービスレベルは品質のサービスの非常に欠陥のある代理指標であり、品質のサービスは顧客の目にのみ存在する"というフレーズを使いましたが、それによって2つの質問が生じます。1つ目は、良い代理指標とは何か、2つ目は、品質のサービスは顧客の目にのみ存在するのであれば、企業は実際に良い品質のサービスを提供しているかどうかをどのように知るべきなのでしょうか？
Joannes Vermorel: それは非常に良い質問です。まず、代理指標について考えてみましょう。いくつかの思考実験を行ってみましょう。それによって非常に悪い代理指標を排除することができます。実際の店舗で実験を行う必要はありません。思考実験だけで十分です。非常に安価です。まず最初に、同じ商品が棚に並んでいる店舗を取り上げましょう。何も変わっていない場合、私たちが品質のサービスと考えるものは変わらないはずです。同じ店舗、同じ商品、同じ時間を見て、何も変えない場合、私たちが品質のサービスと思うものは変わらないはずです。
サービスレベルについて再考してみましょう。多くの企業は、在庫切れでない商品の割合をサービスレベルとして測定しています。在庫切れのない商品が97%あれば、サービスレベルは97%となります。ストックアウトを通じてサービスレベルを見る方法はさまざまです。これは安全在庫の最適化を行う際のわずかに異なる視点です。しかし、ここでは、多くの企業がこの種のレポートで運営している方法を使用します。
さて、概念的には、店舗の商品のアソートメントが倍増したと想像してみましょう。つまり、ファッションの店舗が、例えば3,000の異なる商品を持っていたとします。そして、この店舗は6,000の商品を持つことになったとしますが、実際の店舗ではまだ同じ3,000の商品があります。コンピュータシステム上では、アソートメントを2倍に増やし、バリエーションや色、サイズを増やしたという概念です。
クライアントの視点から何か変わったでしょうか？明らかに、いいえ。まだ同じ店舗で、同じパンツが棚に並び、同じ色やサイズです。何も変わっていません。しかし、コンピュータシステムでは、対象となる商品の範囲を2倍に拡大しました。それにより、コンピュータシステムによって測定されるサービスレベルは半分になりました。例えば、97%のサービスレベルだったのが、48%程度になりましたが、店舗では何も変わっていません。
ですから、私が言うのは、思考実験を通じて、コンピュータシステムの設定を微調整するだけで、数値に任意の大きな変化をもたらすことができるようなプロキシは、完全に無意味だということです。サービスの品質のプロキシとして望むものは、明らかにコンピュータシステム内の技術的な詳細に依存しないはずです。物理学者が「このボトルの重さは何ですか？」と尋ねて、その答えがコンピュータシステムがロシア語で設定されているかフランス語で設定されているかに依存するというのは、正気ではありません。答えは明らかに完全に独立しています。また、重さがLinuxマシンかWindowsマシンかに依存するとしたらどうでしょう。狂気です。つまり、コンピュータシステムから完全に独立した特性を見ているのです。
サービスレベルで示したことは、アソートメントをいじることでサービスレベルに大きな変動が生じることを示しています。これは、この指標が実際にはどれだけ狂っているかを示すデモンストレーションです。私の考えでは、もしも根本的に狂っているものがあるなら、それをなくして運用すべきです。代替案がなくても、それは腫瘍を持っているのと同じです。腫瘍を取り除けば、それなしでより良い状態になります。まだ腫瘍の代わりに何を置くべきかについては考えないでください。
サービスの品質について実際に高品質な測定をすることはできますか？はい、できます。これはまったく異なる議論の領域であり、この領域には触れたくありません。しかし、私の言いたいことは分かりますよね。人工知能で自然の愚かさを克服することはできません。どれだけ洗練された技術を持っていても、前提が非常に悪い場合、それを解決することはできません。壊れた概念や壊れたパラダイムから始める場合、上に何かを持ってきても、パラダイムは壊れたままです。
Conor Doherty: はい、わかりました。しかし、それに対する即座の反応は、これらの考えが愚かでパラダイムが壊れていて、より良い意思決定につながらないと言うとき、明らかな反応は、CEOが「何を言っているのか？私は昨年、セーフティストックを使って、サービスレベルを使って、RFPを使って、時系列予測を使って、100億ドルの売上を上げた」と言うことです。同時に真実であることの上限はなく、それらが競合する場合、確かにあなたは、これらのことをやっている人に対して「これらのことをやっているから愚かだ」とか「無知だ」とか「これらは悪い考えだ」と言っても、彼らはしばしば最終的な結果を指し示して「でも、私は本当に本当にうまくやっている。何を言っているの？」と言うでしょう。
Joannes Vermorel: 最初からやり直しましょう。ファッションストア。私たちはクライアントがいて、数年にわたってクライアントになった見込み客との議論をしてきました。彼らはサービスレベルを最適化していると言っています。それが彼らの言うことであり、プロセスにも書かれています。しかし、実際に実践している人々がやっていることを見てみると、彼らはそうではありません。私たちはセーフティストックに戻っています。実際、ほとんどの場合、ファッションストアでは、次のコレクションが来ると、突然、ほとんど再注文しないことに決めます。意図的にサービスレベルをかなり大幅に下げます。そして、ついに新しいコレクションの時が来ると、短いセール期間があり、新しいコレクションを持ち込むための十分なスペースができます。
つまり、企業、特にトップマネジメントは、サービスレベルを使用していると言っていますが、現実はそうではありません。現場の人々は異なることをしています。だからこそ、自動化しようとすると失敗するのです。自動化しようとすると、この機能不全のアイデアを供給チェーンに押し付けようとして、現実と衝突し、その結果、失敗します。人々はスプレッドシートに戻ります。
興味深いことに、現代のサプライチェーンの世界には非常に多くの認知的不協和があります。時系列、安全在庫、サービスレベルなどの主要な原則のいくつかは完全に壊れています。実際の現場では、スプレッドシートとはまったく異なることをしています。彼らはサービスレベルを強制するものとしてではなく、むしろそれを指標として受け入れ、多くの余地を持って行動します。
もし私たちが質問を「サービスレベルをどこかの指標として持つことは基本的に悪いことですか？」と変えたら、私は「いいえ」と言います。それは他の多くの記述統計の一つに過ぎません。この領域では、多くの記述統計を持つことができます。それらは良いでも悪いでもありません。それらはよりまたはより少なく整理され、何が起こっているかについてより多くまたはより少ない洞察を与えます。しかし、サプライチェーンの理論はあなたに非常に異なることを伝えます。
彼らはサービスレベルが記述統計の要素であるとは言いません。それはあなたの目標であり、この目標に一致する意思決定を行うべきだと言います。私が言っているのは、大企業の人々はほとんど例外なくそれをやっていないということです。そして、彼らは正しいのです。安全在庫と同様に、彼らに尋ねると、「ああ、はい、私たちはサービスレベルの目標を持っています。私たちはより成熟さを必要とし、いつかそれを行うでしょう。しかし、今はうまくいくものが必要です。」と言うでしょう。
私たちは、実践者が自分たちが別のことをしていることを認識しており、これを成長するとき、より成熟するとき、おそらく彼らをサポートするためのAIがあるときに行うものと考えていますが、それは起こりません。概念が壊れているからです。記述統計の一部としては問題ありませんが、会社の方針決定の一部としては完全に欠陥があります。
Conor Doherty: まあ、私はこれをフレームに入れなければなりませんでした。もし議論が、企業にはこれらのポリシーがあり、これらの指標があり、実践者がそれらを無視しているが、本当に本当にうまくやっている企業があるとしたら、それは実践者が単に運に任せて指を空中に差し出し、正しく推測していると言っているのですか？
Joannes Vermorel: いいえ、私は多くの問題が、完全に欠陥のあるアプローチを使用しない限り、まだうまくいく荒っぽい解決策があると言っているだけです。見てください、地元の食料品店を適切に管理するために必要なスキルの量は、スタンフォード大学の博士号を必要としません。それはもっと少なくてもできます。何がうまくいくか、何がうまくいかないかを段階的に発見することさえできます。
ですから、私が言っているのは、これらの企業は成功を収めることができますが、それは明らかにサプライチェーンの理論のおかげではありません。彼らは少しの経験を持つ人々を持っており、うまく機能する数値的なレシピをいくつか見つけ出しています。それらは十分にうまく機能します。この理論が機能していないことの証拠は、これらの大企業が過去30年間でほぼ5年ごとにプロセスを自動化しようと試み、毎回失敗していることです。人々は毎回スプレッドシートに戻りました。
なぜスプレッドシートに戻るのですか？安全在庫の計算式は非常に簡単です。サービスレベルの目標に合わせて在庫の意思決定を調整することは、コーディングの観点からも非常に簡単です。これは簡単なものです。合計で50行程度のコードです。ですから、それが機能していれば、既に展開されているはずであり、すべての人々の仕事は既に自動化されているはずです。
私の主張は、それはそうではなく、それらのパラダイムは壊れているため、自動化されることはほど遠いということです。サプライチェーンの実践者が使用するスプレッドシートに含まれているのは、通常比較的シンプルな代替手法ですが、これらは安全在庫とサービスレベルの両方と概念的に互換性がありません。
Conor Doherty: では、サプライチェーンの実践者がより経済的に健全なサプライチェーンの意思決定をするためにどのような実践的な戦略を考えていますか？
Joannes Vermorel: ですので、AIに戻ろうとすると、あなたが知っている概念、学校やサプライチェーンの関連団体で教えられた概念は、単に機能していません。洗練された手法、例えば生成型AIやディープラーニングやブロックチェーンなどを導入しようとしても、うまくいかないのです。
ですので、最初のステップは、パラダイムの問題を認識することです。これは、すべてが間違っているという理論を言い表すための大きな言葉です。結局のところ、私たちがほとんど本能的に行っていたことが、より良い方法だったということがわかりました。本当に洗練された方法でやりたい場合は、経済的な本能を形式化してみることができます。つまり、会社にとって非常に損害を与え、高額なものを行わないようにするだけです。これは、同じことをより形式的に言ったものです。
そして、適切な視点を持つことで、洗練された技術を導入することができるかもしれません。それがLokadが行っていることです。しかし、最も重要なのは、まず問題を理にかなった視点でフレーム化することから始めることです。機能不全で愚かな視点に固執している限り、技術の達人であることは無関係です。それが悲しい部分です。だからこそ、私は比較的確信を持って言えるのですが、それらのAIベンダーは失敗するでしょう。彼らが才能があるかどうか、彼らの技術が非常に優れているか非常に悪いか、安いか高価かは関係ありません。それらはすべて完全に無関係です。彼らが働く前提が壊れているため、うまくいかないのです。
Conor Doherty: それでは、Joannes、ありがとうございました。私はもう質問はありませんが、今度は観客からの質問に移ります。どうもありがとうございました。では、特定の順序ではなく、4つの証拠、RFP、時系列、安全在庫、サービスレベルに言及しています。これらの実践が企業にとって非常に悪い結果をもたらすのであれば、あなたの意見では、なぜ経営陣はそれらを単に捨てないのでしょうか？
Joannes Vermorel: 大企業で何かを変えることは難しいですが、さらに難しい変更のクラスがあります。経験則として、どんな会社でも、サイズに関係なく、何かを削除することは、追加することよりも100倍難しいと言えます。新しいプロセスを追加するのは簡単ですし、新しいポジションを追加するのも簡単ですし、新しいソフトウェアを追加するのも簡単です。
何かを削除することは非常に困難ですが、特にフランスではそうです。しかし、どこでも、フランスには存在しない通貨を管理するための機関であるフランス銀行があると冗談を言うことができます。1992年以来存在しない通貨を管理するための機関です。それに、パリには14,000人の従業員がいます。しかし、大企業では、政府機関の設定で起こることが、より小規模なスケールで起こります。官僚主義は自己成長する傾向があります。これがパーキンソンの法則です。
ですので、問題は、なぜ経営陣がうまく機能しないものを削除しないのかということです。実際には、人々は既に異なる方法を取っています。公式の企業方針は、みんなが安全在庫を使用しているということです。しかし、実際には、スプレッドシートによって駆動される多くの手動オーバーライドがあるため、会社は実際にはまったく異なるものを使用しています。それが現状です。会社が安全在庫主導であるという見せかけがまだ続いていると言っています。私は言います、まあ、あなたは知っての通り、その安全在庫は会社のサプライチェーンの重要な機能ではありません。しかし、最終的には、経営陣は言うでしょう、安全在庫がもはや存在しないことを公式にすることで何を得るのか？最終的には何も変わらない、なぜなら人々は既にそれを使っていないからです。
ですので、それは同じようなものです。サービスレベルの報告があると、実際にはあまり意味がありません。しかし、非常に短期間でそれを削除することの利点は限られています。長期的には、利点は非常に大きいです。なぜなら、それによってより合理的なことをする道が開けるからです。しかし、短期的には利益は限られています。再び、何かを追加する方が簡単です。
AIに戻ると、それはAI技術を積極的に受け入れる理由を説明しています。それは単に追加されるだけです。組織にもう1つのクラスのものを追加する予定ですが、それは非常に簡単で素晴らしいことです。一方で、私たちは1つのクラスのものを削除して、会社をより効率的にし、より利益を上げ、顧客により良いサービスを提供すると言うことは、マネージャーにとってはずっと難しいことです。
イーロン・マスクがTwitterで「私はスタッフの80％を解雇し、Twitterは今まで以上に流動的です。ユーザー数も増え、以前のチームの5倍の規模でできなかった多くの機能を追加しました」と言ったときに何が起こったかを想像してください。それは物事を削除する力を反映していますが、非常に困難です。非常に、非常に困難です。だから私は言います、それらのものは動いていないというのは、何かを削除することは非常に困難だからです、それが重要であっても。
Conor Doherty: ありがとうございます。次の質問は非常によく書かれています。過去に人間のオーバーライドを厳しく批判していることを考えると、それは自然な愚かさの例だと考えますか？
Joannes Vermorel: 人間のオーバーライドですね。それは状況によります。もし数値的に無意味なレシピをオーバーライドしているのであれば、それは良いことです。私が言っているのは、数値的なレシピが無意味な状況になると、さらに狂ったことになるということです。
Conor Doherty: 数値的なレシピと言ったときに。
Joannes Vermorel: それはサプライチェーンの意思決定を計算するものです。例えば、どれだけ注文すべきか、どれだけ生産すべきか、在庫をどこに割り当てるべきかなどです。
ですので、数値的に無意味なレシピがあります。したがって、意思決定のためにこれらの狂気じみた出力を手動でオーバーライドすることは当然です。そして今、起こっていることは、組織内の多くの人々が意思決定を手動でオーバーライドするために一日中を過ごしているということです。私にとっては、これは必要なことです。なぜなら、そうしなければ、会社は完全に無意味な意思決定によって壁にぶつかるからです。
そして今、官僚制度は常に拡大しています。それがパーキンソンの法則です。官僚制度は拡大します。数値的な意思決定を手動でオーバーライドする人々がいると、徐々に数値的なアーティファクトを手動でオーバーライドする人々が現れます。では、アーティファクトとは何でしょうか？アーティファクトとは、サービスレベル、予測、日次予測、月次予測、予算など、システム内に存在するものです。
あなたが遊び回ることができるものです。この数値はあなたのビジネスに具体的な影響を与えません。もしかしたら、このアーティファクトから派生する意思決定がある場合は、ネガティブな影響を与えるかもしれません。しかし、非常に頻繁に、意思決定はアーティファクトに影響を与えません。KPIやその他のもので遊ぶことと考えてください。それは重要ではない、ただし、経営陣の目には良く見える数値があるかもしれません。
しかし、官僚制度は再び拡大します。したがって、必要な意思決定を手動でオーバーライドしていた人々から始まりました。そして今、官僚制度は拡大しています。数値的なアーティファクト、つまり重要ではないものをオーバーライドする多くの人々がいます。これは、ABCクラスで遊ぶ人々、サービスレベルで遊ぶ人々、安全在庫の係数で遊ぶ人々、季節性の係数で遊ぶ人々などです。リストは切りがありません。
そして私が言っているのは、はい、それらの数値的なオーバーライドは完全にばかげて無意味です。そして、ちなみに、Lokadのアプローチは、合理的な数値的なレシピがあれば、手動でオーバーライドする必要はありません。結果を手動でオーバーライドする必要がある場合は、数値的なレシピがばかげているからです。私は意思決定について話しています。したがって、意思決定がばかげている場合は、数値的なレシピを修正し、ばかげた行が一つもなくなるまで修正し続ける必要があります。
数値的なレシピがばかげた意思決定を生み出している限り、修正し続ける必要があります。例外はありません。そして、それがなぜLokadでは、一般的に手動でのオーバーライドに非常に無関心なのかです。意思決定のオーバーライドは、数値的なレシピが悪いことを反映しています。数値的なアーティファクトのオーバーライドは、最初から完全に無意味であり、会社に何も変わらないまま完全に排除できます。
Conor Doherty: そうですね、それは症状を治療しているだけで原因を治療していません。
Joannes Vermorel: 本質的には、はい、まさにそうです。そしてまた、官僚制度の利益のために行動しています。これもパーキンソンの法則です。官僚制度は成長する傾向があります。したがって、手動でオーバーライドするための事務員の数を10倍にすると、その値の更新も10倍になります。それによって供給チェーンが改善されるわけではありません。
Conor Doherty: まあ、私にとっては十分です。ありがとうございます。次の質問です。ERPシステムは問題を悪化させ、なぜ確率的な予測を処理できないのですか？確率的な予測については前述で暗に触れましたが、自由に展開してください。
Joannes Vermorel: ERPsは、市場調査員によって問題を悪化させたと言えます。まず、ERPにはPはありません。それは企業資源管理です。計画は関与していません。あなたが持っているのはトランザクションのシステムです。それは物理的なフローに対する電子的な対応物です。それは良いことです。それは供給チェーンで物理的に起こっていることの電子的な表現を提供します。それは良いことです。
しかし、問題は計画が急に…これが私がシステムオブレコードと呼ぶものです。計画は急に知能のシステムの領域に入ってきました。では、なぜERPsは状況を悪化させたのでしょうか？それは、ベンダーが90年代末にすでにレコードのシステム、またはCRUDアプリ（作成、読み取り、更新、削除）として知られるものが既に商品化されていたことに気付いたからです。それは20年前にすでに商品化されていました。
現在では、ますます商品化されています。そして、もしもジェネレーティブAIを生産性ツールとして本当に活用したいのであれば、CRUDアプリのためのコードを書くのは非常に優れています。ですので、ChatGPTを使えば、ERPのようなアプリを非常に高速に作成することができます。なぜなら、それらはシンプルなものだからです。大量の雛形がありますし、非常に反復的です。派手なエンジニアリングではありません。
ですので、生産性ツールとしてのAIは、企業資源管理（ERM）に対処するために非常に優れて機能します。さて、混乱しているこの状況に戻りましょう。システムの知能的な意思決定に対して、コンピュータシステムに期待することは、レコードのシステムに期待することとはまったく異なります。例えば、システムを何ミリ秒でビジーにしておくことができるかという点での説明です。レコードのシステムであれば、その回答は1ミリ秒以下です。何をしても、1ミリ秒以内に終わらせるべきです。
なぜなら、あなたのシステム、ERMとしましょう、は、共有リソースであり、会社内のすべてのプロセスにとって共有されるデータベースに依存しているからです。ですので、すべてはこの1つのデータベースに収束します。もしもそのデータベースを1ミリ秒凍結させると、他のすべてのことも1ミリ秒遅れることになります。あなたは言うでしょう、「ああ、1ミリ秒なんて何でもない。」はい、でも今は500人がそれをやっているんです。いいえ、500ではなく、500ミリ秒の遅延が始まります。それは目に見えるようになってきます。
では、もしもいくつかのリクエストがあなたのリレーショナルコアを凍結させたらどうなるでしょうか？一時的に単純化していますが、突然、非常に非常に遅いシステムになってしまいます。バーコードをスキャンするだけでも、システムがあなたがしたことを認識するのに数秒かかることがあります。そして、これが多くの企業が「ああ、私のERPシステムはとても遅い」と不平を言う理由です。答えは必ずしも、それは遅いからです。あなたがそこに入れるべきではないものをこのシステムに入れたからです。
企業資源管理（ERM）は、サブミリ秒の時間で計算できるものだけを扱うべきです。非常にシンプルなものです。もしも非常にシンプルでないことを行うと、システムを凍結させることになります。計算リソースを取ることになり、計測可能な時間の間、システムを凍結させることになります。そして、十分な数の人々がそれを行うと、大企業であるところの多くのプロセス、多くの人々が関与するため、システムは非常に遅くなります。そして、それがなぜERPsが今でも20年前と同じくらい遅いのかという正確な理由です。生の処理能力に関しては、少なくとも1000倍は優れたコンピュータがあります。答えは、なぜまだ遅いのかというと、平衡が現れるからです。
もしもERPが他の人々がシステムの応答を得るのに数秒かかるほど遅くなるようなものがある場合、IT部門はただそれをシャットダウンして防ぐだけです。そして、それは見られます。ですので、彼らはERPの消費を監視する警察のような存在です。もしも誰かが過剰なことをしている場合、ITはいつか介入し、この人またはこのソフトウェアが私たちの他の人々に多くの問題を引き起こさないようにします。そして、そこにはバランスがあり、平衡点に収束します。それは遅いですが、許容範囲内です。だから、ほとんどのERPは非常に遅いですが、我慢できないほど遅くはありません。なぜなら、我慢できない領域に入ると、ITが介入してそれを排除するからです。
ですので、私たちは今、知能のシステムに戻っています。逆に考えてみると、ストアの補充方法を考える場合、数年間の販売履歴を見る必要があります。何千、おそらく何万もの顧客のデータを見ることになる明らかなものです。それは明らかに多くのデータを操作するものです。それは明らかにミリ秒の計算以上の投資が必要なものです。計算は安価です。
ERMを持っている場合、リソースは会社全体で共有されます。したがって、ERMの外に知能のシステムを持ちたいのです。そして、このシステムは、その派手な計算を行うために必要な時間をかけることができます。ですので、最初の質問に戻ると、記録のシステムは、トランザクションであり、非常に単純なルールで扱う必要があります。
確率的な予測は、記録のシステムに含めたくないものの典型です。確率的な予測と言うと、確率の分布について議論していることになります。これらのオブジェクトはメモリを多く使用します。これらの確率をすべて持つためには、多くのスペースが必要です。さまざまな方法で非常にスマートになることができますが、明らかです。生データと比較して、多くのオーバーヘッドが発生します。データをマクロ展開して、これらの確率を評価します。
ですので、基本的には、設計上非常に強力なものを持っているかもしれませんが、実際にはリアルタイムではありません。派手な確率的な評価に入ると、リアルタイムの計算領域ではありません。ギガバイトのメモリを割り当て、数秒の計算を行う必要があるものが必要です。大丈夫です。ほとんどのサプライチェーンの意思決定は数秒の遅延を許容できますが、ERPでは許容できません。
Conor Doherty: さて、知能のシステムについてのポイントと、計算する必要があるものによってリアルタイムの計算が必要ないという点について補足します。在庫の補充注文の例を挙げると、店舗やクライアントの場合、300店舗と、ざっくりした数で50,000のSKUがあるとすると、これらの意思決定にたどり着くまでに10時間、12時間、つまりオーバーナイトの処理が必要になります。一方、記録のシステムでは…
Joannes Vermorel: はい、しかし、Lokadでは、通常、計算時間を60分以内に保つようにしていますが、これはまったく異なる理由です。理論的には、10時間かかる計算ができます。しかし、実際には非常に悪いアイデアです。なぜなら、計算が途中でクラッシュして再起動する必要がある場合、運用上の問題が発生するからです。
ですので、計算時間を十分に短く保つ必要があります。再計算が必要になった場合には、まだ十分な時間があるようにするためです。そして、もっと重要な第二の理由は、この計算は最初から正しくなるわけではないということです。私が言ったように、数値レシピは、狂った結果を生み出す限り、修正と更新が必要です。つまり、多くの反復が必要です。
計算が60分以内で完了する場合、エンジニアは1日に5、6回の反復を行うことができます。10時間かかる場合、1日に1回の反復になります。エンジニアが1日に何度も反復できるようにするためには、計算時間が数分以内に収まるようにすることが非常に重要です。Lokadでは、設計モードで新しい数値レシピを作成する際に、計算時間を数分以内に保つようにして、1日に何十もの反復を行うことがあります。
Conor Doherty: ただし、小売業から航空宇宙などの他の分野に切り替えると、数分以内に意思決定を生成する必要がある例もあります。60分では経済的に致命的な場合もあります。ですので、最速で60分しかできないと言っているわけではありません。むしろ、垂直の文脈に依存します。
Joannes Vermorel: 確かに。しかし、1ミリ秒から60分までの間には、ほぼ5桁の差があります。これは非常に異なることです。文字通り10,000倍以上も異なるということです。ですので、非常に異なる方法でことを進めることができます。
ミリ秒以下で動作する場合、非常に困難です。多くのことが実現不可能です。光の速度さえもかなり遅いです。ミリ秒以下で動作することを考えると、光の速度はたったの300キロメートルしか進みません。多く聞こえるかもしれませんが、行き来を考えると、150キロメートル以上進むことはできません。
ですので、ネットワーク通信はまったく考慮されません。サブミリ秒のパフォーマンスを維持するためには、ネットワーク通信は許可されません。スピンディスクからの読み込みも考慮されません。回転する磁気ディスクの遅延は約10ミリ秒になります。ディスクからの読み込みも考慮されません。
ソリッドステートドライブ（SSD）では可能ですが、アクセスはほんの数回しかできません。つまり、ミリ秒と分の間には膨大な違いがあります。コンピュータの設計においては、完全に異なります。分があれば、多くのネットワーク呼び出しや複雑な計算、大量のデータの読み込みが可能です。エンジニアリングははるかに容易です。
Conor Doherty: それでは、Joannes、ありがとうございました。質問はこれで終了です。時間を割いていただき、本当にありがとうございました。約1時間半でしたので、終わる前に1分間お話しいただけますか？何かおっしゃりたいことはありますか？
Joannes Vermorel: いいえ、私は供給チェーンのAIプロセスに従事しているすべての人々に精神的な強さをお祈りします。なぜなら、それらのプロセスは失敗するからです。申し訳ありません。本当に申し訳ありません。個人的に受け取らないでください。あなたのスキルは関係ありません。ちなみに、ベンダーのスキルもこの時点では関係ありません。ですので、あなたが良いか悪いかは関係ありません。失敗は確定していました。最初から運命づけられていました。
Conor Doherty: はい、わかりました。それでは、Joannes、お時間をいただき、ありがとうございました。ご視聴いただき、ありがとうございました。2025年にお会いしましょう。
