00:00:00 トピックの導入と明確な説明
00:02:55 AIを用いた古いやり方の再検討を行う企業
00:04:28 サプライチェーンにおける優秀なエンジニアの失敗
00:05:44 LokadによるLLMを用いた自動ウェブサイト翻訳
00:09:15 失敗を示す4つの主要な証拠
00:12:24 なぜ提案依頼(RFP)が機能していないのか
00:21:28 なぜ時系列予測が機能していないのか
00:32:47 なぜ安全在庫が機能していないのか
00:50:04 なぜサービスレベルが機能していないのか
01:09:59 視聴者からの質問
01:32:15 締めくくりの考察
概要
最近のLokadTVのエピソードで、Conor DohertyとJoannes Vermorelは、主流のsupply chain managementにおける根本的な欠陥、特にAIへの過剰な依存について議論しました。Vermorelは、提案依頼、time series予測、safety stockの計算式、service levelsなどの長年の慣行を批判し、これらが時代遅れで経済的に持続不可能であると主張しました。彼は、AIが人間レベルの知能に達していないため、これらの根深い問題を解決できないことを強調しました。Vermorelは、実務者による実践的かつ経験に基づく調整が、このような欠陥ある手法を補完していると示唆しました。議論はQ&Aセッションで締めくくられ、大企業における固定化されたプロセスの除去の難しさを浮き彫りにしました。
詳細な概要
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は、LokadのCEOで創業者のJoannes Vermorelとともに、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刺激的な議論を交わしました。この議論は、Lokadの新スタジオで行われ、特にAIを組み込んだ主流のサプライチェーン手法が根本的に欠陥を抱え、失敗に終わる可能性が高いというVermorelの主張を中心に展開されました。
Vermorelは、サプライチェーン管理における長年の慣行が1970年代後半からほとんど進歩しておらず、単にその上にAIを乗せるだけでは解決にならない、むしろ無駄な試みであると批判することから議論を始めました。彼は、過去のサプライチェーンイニシアチブの失敗が、非常に優秀なエンジニアによってもたらされたものであっても、AIへの過度な依存に対する警告であると強調しました。
Conor Dohertyは、多くの人々がAIをサプライチェーン問題の万能薬と見なしていることを指摘してVermorelに挑戦しました。VermorelはChatGPTの例を挙げてAIの限界を強調し、非常に優秀なエンジニアでさえ問題を解決できなかったのであれば、まだ人間レベルの知能に達していないAIに成功を期待するのは非現実的だと述べました。彼は、AIはすでに解決策が確立されている領域ではコスト削減や効率向上に寄与するものの、本質的な問題には対処できないと主張しました。
その後の議論では、Vermorelがなぜ現行のサプライチェーン慣行が誤っていると考えるのか、その具体的な理由に踏み込んでいきました。彼は、提案依頼（RFP）、時系列予測、安全在庫の計算式、サービスレベルという4つの主要な分野を挙げ、特にenterprise software向けのRFPは、非現実的な知識と具体性を前提としているため機能不全に陥っていると批判しました。彼は、このプロセスを、スマートフォンの複雑さを理解せずに詳細な仕様書を作成するようなものに例え、最適なベンダーを却下してしまう原因になっていると語りました。
Vermorelによれば、時系列予測も欠陥のある手法です。彼は、時系列データは、例えば主要なクライアント1社と複数の小規模クライアントとの違いといった、重要なニュアンスを捉えきれないため、誤ったdecision-makingやリスクの増大につながる可能性があると説明しました。
また、安全在庫の計算式とサービスレベルについても、経済的合理性を欠き過度に単純化されているとして批判がありました。Vermorelは、これらの指標が広範な経済的文脈を考慮しておらず、その結果、最適ではない判断を導いてしまうと主張しました。彼は、システム全体とその経済的影響を考慮に入れた、より包括的なアプローチの方が効果的であると示唆しました。
Conor Dohertyは、多くの企業がこれらの欠陥ある手法を使いながらも大きな成功を収めていることに疑問を呈しました。Vermorelは、そうした成功は理論モデルによるものではなく、現場での実践的かつ経験に基づく調整によるものだと認め、実務者がスプレッドシートや手動での修正を用いて既存手法の欠点を補っていると述べました。
議論はQ&Aセッションで締めくくられ、視聴者からの質問に答える形となりました。Vermorelは、大企業における変革の最大の障壁は、固定化されたプロセスを取り除くことが困難である点にあると再強調しました。彼は、AIのような新技術を導入する方が、時代遅れの慣行を排除するよりも容易であると指摘しました。
要約すると、Vermorelの見解は、現行の主流サプライチェーン慣行が根本的に欠陥を抱えており、AIは特定の状況下では有用なものの、これらの深刻な問題を解決することはできないというものです。彼は、単純化された時代遅れの指標に頼るのではなく、システム全体とその複雑性を考慮した、より経済的に合理的なアプローチを提案しています。
完全なトランスクリプト
Conor Doherty: LokadTVへようこそ。本日は、実に素敵な新スタジオから生中継を行っています。2024年の締めくくりとして、SCT Techでの議論に基づいた無難で軽妙なテーマを取り上げます。すぐ左にいるJoannes Vermorelが、サプライチェーンにおけるAIイニシアチブがなぜ破綻し失敗するのか、その理由を説明します。ライブストリーム中に質問を投稿していただければ、後ほど取り上げますので、お気軽にどうぞ。そして、チャンネル登録およびLinkedInでのフォローもお願いいたします。
そして、皆よりも自分たちがどれほど賢いかを語る前に、最後の注意事項があります。スタジオがこれほど素晴らしい空間となっているのは、多くの方々の尽力のおかげです。背後のスクリーンから、Joannesと私の前に配置されたマイクに至るまで、すべてはLokadのMaxime Larrieu（カメラの向こう側）やBaptiste Grisonら、多くの方々の努力の成果です。本当にありがとうございます。そして、Joannes、そこで伺いますが、なぜ人々はこんなにも愚かなのでしょうか？
Joannes Vermorel: 一般的に言えば、それは人類全体の呪いだと思います（私自身も含めて）。しかし、この遊び心のあるタイトルは、私が通常「主流のサプライチェーン手法」と呼ぶものが、過去40年にわたってほとんど機能してこなかったという事実に注目してほしいという意図があります。技術も慣行も行き詰まっており、現代の企業が採用している手法は、1970年代後半以来概念的に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、うまく機能していないのです。
さて、現状をそのまま受け入れ、そこに少しの魔法のようなAIの粉を振りかければ問題が一気に解決するという考えは、狂気、あるいはタイトルにあるように愚かだと思います。決して1970年代の人々がその試みを行ったからといって愚かだったのではなく、40年にわたる連続的な失敗の末に、過去の過ちから学ばないことこそが真の愚かさの始まりです。生成AIを用いて従来のアプローチやプロセスを固持する企業を目の当たりにすると、もう結果は明らかです。それは単なる時間、エネルギー、資金の無駄に終わると確信しています。
Conor Doherty: しかし、多くの人々は実際、AIをサプライチェーンの問題に対する万能薬と捉えています。つまり、何かが壊れている、または不完全な前提に基づく問題は、生成AIの介入によって解決されると考えられているのです。ということは、あなたは根本的にそれが誤ったアプローチだとおっしゃるのですか？
Joannes Vermorel: その通りです。少し立ち止まって考えてみましょう。もしChatGPTがMITのエンジニアと同等の知性を持っていたなら、すなわち人工汎用知能が実現していたとしたら… 実は、ここ40年にわたり、Lokadの多くの競合企業はすでにその道を歩んできました。彼らはMITのエンジニアを起用し、大規模なサプライチェーンプロジェクトに取り組ませ、スプレッドシートを排除し、意思決定の自動化を狙ったのです。彼らは非常に賢明で、予算と時間が与えられていたにもかかわらず、失敗に終わっています。
これらの失敗は例外的なものではありません。私が知る限り、年間売上が10億ドルを超え、創業から20年以上経過しているほとんどの企業は、すでに3～4回のサプライチェーンイニシアチブの失敗を経験しています。つまり、スプレッドシートを排除するために、よりスマートで統合された数値レシピを導入しようとしたものの、結果は失敗に終わったのです。では、非常に優秀なエンジニアでさえ失敗したのに、まだ人間レベルの知能に達していないより劣ったもの、例えばChatGPTを用いて成功するとは、なぜ考えられるのでしょうか？
知能の自動化の利点は、コスト削減にあります。例えば、Lokadではウェブサイトの翻訳を自動化しました。Lokad.comのサイトは多言語で利用可能ですが、かつては十年以上、プロの翻訳者に依存していました。現在は大規模言語モデルによって自動化され、コストと時間の大幅な節約が可能となりました。しかし、根本的には翻訳という問題は、従来は人力で解決できたものであり、AIが解決不能な問題に挑んだのではなく、単に安価かつ迅速に行えるようになったということです。
しかし、話をサプライチェーンのpredictive optimizationという本来の問題に戻すと、これまでの試みが非常に優秀なエンジニアを用いても失敗しているのなら、なぜ、多少見栄えのするツールを使ったところで状況が劇的に改善すると考えるのでしょうか？
Conor Doherty: 先ほど触れた点は、こうした疑問につながります。つまり、「愚かさ」という言葉の意味をもう少し掘り下げたいのです。あえて挑発的な表現を用いたとはいえ、企業が誤った前提に基づいて繰り返し意思決定を行い、具体的な失敗を重ねる現象は、一種の愚かさとして捉えられるでしょう。また、対照的に、代替となるパラダイムの存在すら知らないという無知も考えられます。無知は中立的な概念です。
「愚か」「馬鹿」「知的障害者」といった用語は元々精神医学の文献で認知機能の障害を指すために使われ、非常に特定の意味を持ちます。一方、無知は中立的です。あなたも私も、落ち込んだ日にはIQ 180であっても、多くのことに無知である場合があります。私は植物学について何も知らず、靴ひもの作り方も知りません。しかし、それは学ぶための神経的基盤が不足しているからではなく、単に時間や情報へのアクセスが限られているだけなのです。ですから、企業が誤った意思決定を繰り返し、悲惨または最適でない結果を招く現象と、代替のパラダイムの存在すら知らない現状、これらをどのように捉えるべきだと思いますか？それは単に人々が愚かで間違いを犯しているということでしょうか？
Joannes Vermorel: はい、それは問題の公正な表現です。これにより、私たちが何を対象としているのか、具体的に見極めることができます。今日の私の提案は、具体的な事例を見れば、無知と断定するのはあまりにも無理があるほど明白であるということです。
Conor Doherty: では、具体的な事例に入りましょう。あなたは、企業の意思決定における自然な愚かさまたは無知の問題を示す4つの主要な証拠、すなわちRFP、時系列予測、安全在庫の計算式、サービスレベルの4点を挙げています。これらについて体系的に説明していただけますか？まず、これら4つの概念のどの点があなたの主張を裏付けると考えていますか？
Joannes Vermorel: 私は4点を選びましたが、実際には20にも及ぶ可能性があります。これらは、主流のサプライチェーン理論と実践における主要な要素であり、ほぼ90%の大企業に共通して見られるものです。中小企業ではばらつきはあるものの、大企業ではこれらの手法が非常に均一に使われています。
1分以内に慎重に検証するだけで完全なナンセンスであると気づけるのであれば、私たちは確実に「愚かさ」の陣営に属していると言えます。もし、誤りに気づくために多額の資金と長い時間を要する非常に精巧な実験が必要ならば、それはむしろ「無知」に起因するエラーと言えるでしょう。
Conor Doherty: 申し上げた通り、体系的に見ていきましょう。あなたの議論の最初の証拠はRFPの存在です。これは提案依頼、見積もり依頼、情報要求などを包括するものと理解してよろしいのでしょうか？
Joannes Vermorel: そうです、そして改めて、特にサプライチェーン最適化専用のエンタープライズソフトウェアに関してです。我々は議論できます… 素材用の大量調達や、極めて明白なコモディティに関してRFPが適切な方法かどうかは論じていません。文脈はサプライチェーンです。そして、より具体的には、サプライチェーン用のバーコードプリンターの話ではなく、意思決定プロセスに対応するために調達したいもの全般について議論しているのです。つまり、サプライチェーンとはそういう意味です。ロジスティクスやtruckドライバーの採用という意味ではありません。流れを管理する意思決定プロセス、つまり何を買い、何を生産し、どの価格で売り、どこに在庫を置くかという細かい点すべてのことです。
Conor Doherty: では、すぐにその質問をあなたに返します。RFPプロセスを用いてベンダーを調達することの問題点は何ですか？
Joannes Vermorel: RFPは全く機能不全です。RFPがどのようなものかを実感するには、スマートフォンに期待する全ての機能をWord文書に書かなければならないと想像してみてください。全くのナンセンスです。あなたは全てを把握しているわけではありません。スマートフォンには莫大な機能があり、大半はあなたが知らない部分で動いています。これら全ての機能をリストアップするのは膨大な作業であり、もしあなたがスマートフォンに何ができるかを列挙したとしても、多くの点で誤った内容になってしまうでしょう。
想像してみてください、カバーすべき項目が何百もあり、スマートフォンの要件として何百ページにも及ぶ仕様書を作成した結果、SamsungもAppleも失格となるような文書になってしまう確率はどれほどでしょうか？おそらく、その可能性が高いでしょう。
エンタープライズソフトウェアは非常に複雑であり、その複雑さは主に解決すべき問題を反映しています。サプライチェーン最適化自体が非常に複雑かつ込み入っているため、超単純な回答を期待することはできません。あなたはトン単位で鉄やcrude油を購入しているわけではなく、非常に洗練されたものを購入しているのです。つまり、互いに代替可能なベンダーは存在せず、ベンダーXが提供するものとベンダーYが提供するものとの間に一対一の対応関係はないのです。 RFPの問題点は、すでに自分の解決策を正確に把握しているという前提、すなわち完全な仕様を持っていることを仮定し、その上で多数のベンダーを要件リストに押し込もうとするところにあります。ソフトウェアはそんな風には動かないのです。優れたソフトウェアを作るには、およそ十年近くの歳月が必要です。どのベンダーも、あなたのRFPに合わせて自社技術を根本から変えることはありません。結局、皆を何百ページにも及ぶナンセンスな書類に突っ込む結果となるのです。 プロセス自体があまりにも意味を成さないため、通常RFPが届くと、400～600もの質問が羅列され、その質問にはスペルミスがいっぱいです。非常にしばしば、文書内でクライアント企業の名前さえも誤記されているのは、質問そのものに注意が払われなかったからです。これらの作業はインターンやコンサルタントなどに丸投げされ、莫大な書類作業が生まれ、誰も質問の半分が何を意味しているのか理解できません。実際、ほとんどの質問は問いではなく、要求事項が偽装されているに過ぎないのです。
その後、ベンダーは何十、いや場合によっては何百ページにも及ぶ回答を返しますが、誰もそれを読まないのです。それを検討するための委員会が段階的に動きますが、この完全に非合理的なプロセスから合理的な決定が生まれるという考えは、ただただ驚愕すべきものです。現実の個人がこんな途方もないプロセスに関与することはありえません。大企業で働いているからといって、日常生活では全く正気を失って見えることが、大企業の常套手段だからといって合理的に思えるのでしょうか？そんなことは決してありません。
Conor Doherty: さて、いくつかの点を解きほぐす必要があります。まず第一に、あなたの批判は…あ、すみません、話を戻します。あなたが話しているRFPをいくつか見たことがあります。例えば「まだファックス機を使っていますか？ファックスのレポートを耐火キャビネットに保管していますか？」といった例です。もちろん、これは全くのナンセンスです。現状のRFPはその通りです。つまり、実行の悪さを除いた場合でも、ソフトウェアを探すためのRFPの概念自体が完全に正気を失っている行為だとでも言うのですか？もしそうなら、代替案は何か教えてください。
Joannes Vermorel: いいえ、市場調査そのものが正気を失っているわけではありません。もちろん、ベンダーを選定するには市場調査は必要です。しかし、確立されたRFIやRFPの慣行に従わなければならないという考え自体がナンセンスなのです。これが私の主張です。つまり、これらの慣行は根本的に、非常に、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の場合、即興的な方法の方がはるかに良いのです。
Joannes Vermorel: うまくいかないことを続けるのはあまりにもひどいので、やめてしまえばその他ほとんどのことは改善されるのです。それがこれ以上官僚的でない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を採用する方が得策だと思います。もし、より優れたプロセスのバージョンを採用するというアイディアを受け入れるのであれば、代替の方法も存在します。それは私が対立的市場調査の講義で取り上げ、より良い方法を概説したものです。しかし、たとえその方法についての知識がなくても、このナンセンスなプロセスを廃止するだけでも十分な改善になるのです。
Joannes Vermorel: 非常に官僚的なプロセスは決して良いものではありません。本当にひどいものです。全てが遅くなり、誰の責任も明確でなくなり、結果的にベンダー選定にも悪影響を及ぼします。もう一度、Appleに例えてみてください。Appleに対してRFPを出せば、本当にあなたに注意を向けると思いますか？あなたの企業要求に合わせて彼らの大切なiPhoneを改造するでしょうか？いいえ、そうはなりません。つまり、結果的に良いベンダーが自ら市場調査から離脱してしまう、という全くのナンセンスな事態になってしまうのです。これは、あなたの目的とは正反対の結果を招くのです。
私の考えでは、がんのような問題があれば、まずがんを取り除くべきであり、「がんの代わりに何を置くか？」と悩むべきではありません。がんを除去した時点で、すでに何か良いことをしたことになるのです。それは改善です。その後で、さらに良い方法や代替案について議論することは可能ですが、第一段階は、がんを取り除くことで状況が改善されると認めることです。
残念ながら、官僚的な愚かさというのは、官僚的悪夢の唯一の代替案はまた別の官僚的悪夢だと考えるところにあります。これは全くのナンセンスです。明らかに、私が15年間のビジネス経験の中で見たRFPは、どれも深刻に機能不全であったものばかりです。まるで地獄の輪の違いのようです。あるRFPは地獄の第5円のようであり、また別のものは第9円のようです。悪夢の強度に差があるに過ぎず、いずれも一様に非常に、非常に悪いのです。
Conor Doherty: それはまるで、トーマス・ソウエルとダンテ・アリギエーリが60秒の間に語ったかのようでした。本当に素晴らしかったです。実際、これはRFPやRFQに対する批判という第一の点からの移行であり、これがAIベンダーを選定する際の一つの方法になるわけです。
Joannes Vermorel: まさにその通りです。
Conor Doherty: 質問を締めくくらせてください。少し話が移りますが、第二の点として、AIベンダーを選定した後の話、つまりタイムシリーズ予測の話に移ります。あなたはこれを、あなたのAIイニシアティブが失敗する第二の証拠として挙げています。さて、これはすでにベンダーを選んだ後の話ですが、タイムシリーズにはどんな問題があるのでしょうか？
Joannes Vermorel: つまり、選定後、まず第一に、RFPのせいで非常に悪いベンダーを選ぶ可能性が極めて高いのです。それは自明の理です。全く意味をなさないプロセスのため、どんなナンセンスがあろうと、RFPの全要件を満たす最悪のベンダーの一つを選んでしまうのです。たとえベンダー自体がそこまで機能不全でなくとも、失敗はほぼ確実な状況にあります。しかし、そもそも機能不全なベンダーを選んでしまっているのです。さて、ここからタイムシリーズの話に入ります。
タイムシリーズは現代の主流サプライチェーンの視点における全ての始まりであり終わりでもあります。タイムシリーズとは何か？それは、ある一定期間における一連の数値に過ぎません。つまり、日ごと、週ごと、または月ごとの一つの値という形になります。私がタイムシリーズの視点と言うとき、売上やフローを日、週、月ごとの集計値として見るという意味なのです。すべてがそのタイムシリーズに収まってしまうのです。
明らかに、これらのタイムシリーズから導き出されるべきは、未来に延長されたタイムシリーズ、すなわちタイムシリーズ予測です。今日までの売上データがあるなら、未来への延長として、明日、明後日などの売上予測が欲しいということです。
Conor Doherty: 例えば、来週の需要が10ユニットになるという実行可能なデータポイントが一つ提供されることに、何の問題があるのでしょうか？それは素晴らしいように聞こえますが。
Joannes Vermorel: 主な問題は、あなたのサプライチェーンをタイムシリーズで意味のある形で表現できないということです。そして、それはどういう意味なのでしょう？
では、非常に基本的な状況から考えてみましょう。あなたには、1日あたり1,000ユニットが着実に売れている製品があるとします。例えば、過去3年間ずっと1日1,000ユニット売れているとしましょう。素晴らしいですね。さて、未来はどう見えるでしょうか？ここで、全く同じ過去の履歴を持つ2つの状況を考えます。状況1：1,000の異なるクライアントがいて、時折1製品を注文しています。合計すると、その1,000のクライアントが1日1,000ユニットを提供しているのです。クライアントは離れて行く者もいれば新たに入ってくる者もいますが、全体として非常に安定しています。これがタイムシリーズを生成しているのです。そして、これは非常に堅実な需要があることを示しています。1,000のクライアントは数百万ではありませんが、ゼロでもないので、良好に見えるのです。
次に、状況2を考えます。こちらでは、1日1,000ユニットが売れているのですが、それはたった1つのクライアントからのものです。確かに、そのクライアントは過去数年間、1日1,000ユニットを着実に注文してきましたが、それはあくまで1クライアントです。さて、需要が明日ゼロになり、その後ずっとゼロのままでいる確率はどれほどでしょうか？明らかに、1,000のクライアントがいる状況と比べると、その可能性は非常に低いです。仮に壊滅的なブランド毀損事件が起こったとしても、ほとんどのクライアントはそれに気づかないでしょう。大規模な詐欺事件が起こったとしても、何ヶ月もその情報を知らないクライアントが何百もいるでしょう。したがって、全てのクライアントが完璧に連携して同じ日に購入をやめる確率は、あり得るものの非常に低く、おそらく百万分の一程度です。それは極めて稀なケースです。
反対に、もし1クライアントのみの場合、たった1人のマネージャーが別のサプライヤーを選ぶと決めれば、一瞬で需要はゼロになってしまいます。例えば、その忠実なクライアントを10年に一度失うと仮定すると、その確率は約0.1%となります。これは百万分の一ではなく、桁違いに高い確率です。依然として起こる可能性は低いですが、先の状況と比べると、数年以内、いや十分な時間（例えば10年）さえあれば、ほぼ確実に起こるでしょう。ここで述べているのは、全く同じタイムシリーズ表現を持つ2つの非常に基本的な状況です。これこそが問題の核心なのです。タイムシリーズはあまりにも単純すぎるのです。全く異なる状況が、全く同じタイムシリーズとなり得るのです。
Conor Doherty: そして、それが問題なのはなぜですか？
Joannes Vermorel: それは、状況に応じた意思決定が全く異なるからです。もし1,000のクライアントがいるなら、在庫管理について非常に保守的に行動できます。例えば、「在庫は何ヶ月分も確保しておこう。もしクライアントを失っても、生産を調整して在庫過剰に陥らないようにできる。クライアントを失っても、在庫を処分する時間は十分にある」という判断が可能です。対照的に、たった1クライアントの場合、そのクライアントが購入を止めれば在庫は一夜にして死蔵在庫になってしまいます。保有している全てが、確実な在庫評価損となってしまうのです。
ご覧の通り、サプライチェーンに関する意思決定では、全く異なる2つの状況があり、それぞれに対して全く異なる判断が求められます。だからこそ、タイムシリーズは狂気の沙汰だと言うのです。主流サプライチェーン理論では、全てをタイムシリーズとして捉えれば合理的な判断ができると仮定していますが、私の主張はそうではないということです。なぜなら、タイムシリーズではあなたの事業活動に関する基本的な情報の一端すら捉えることができず、単に盲目的になってしまうからです。たとえタイムシリーズの数が増えたとしても、本質的にデータの表現が悪いという事実からは逃れられないのです。それはあなたのデータを極めて単純に表現しているに過ぎません。
Conor Doherty: すみません、あなたの言いたいことを知らない人のために整理すると、リスク管理の観点から、財務配分においてはエクスポージャーが異なるため、異なるアプローチが必要ということですね。
Joannes Vermorel: 全く異なります。たとえば、店舗におけるperishableな商品を見ると、タイムシリーズは時間の経過に沿ったstock levelを示すことができます。例えば、ヨーグルトの場合、店舗に何ユニット在庫があるかということで表されます。しかし実際には、これらの商品は消耗性があるため、賞味期限が存在します。再度考えてみると、もし在庫が10ユニットあったとしたら―それはタイムシリーズの視点です。前日には11ユニットあったかもしれません。あなたは在庫レベルを継続的に見るのです。これがタイムシリーズによる表現です。そして、あなたは「在庫が10ユニットある。それは良いのか悪いのか？十分なのか？」と考えるわけです。
Joannes Vermorel: 非常に異なります。再び、店舗内のperishableな商品を見ると、タイムシリーズは時間経過に沿ったstock levelを表現します。例えば、ヨーグルトの在庫はいくつか、といった具合です。しかし実際のところ、これらの商品は消耗性があるため賞味期限があるのです。たとえば、在庫が10ユニットあったとしましょう。前日には11ユニットあったかもしれません。あなたは常に在庫レベルを追いかけています。これがタイムシリーズの表現方法です。そして、あなたは「在庫が10ユニットだ。良いのか悪いのか？十分なのかどうか？」と考えているのです。
二つの状況を見てみましょう。状況A：あなたが在庫として持っている10個のヨーグルトは1ヶ月後に賞味期限を迎えます。これは良いことです。店に入った人は残り1ヶ月の賞味期限があるヨーグルトを見つけるでしょう。ヨーグルトにとっては良い状況です。状況B：その10個のヨーグルトは明日賞味期限を迎えます。これは非常に悪い状況です。お客様は明日で賞味期限が切れるヨーグルトを手に取りたがらないでしょう。あるお客様は翌日の消費のために一つ買うかもしれませんが、家族の買い物を担当して1週間分の計画を立てるお母さんは、明日賞味期限が切れるヨーグルトは買わないでしょう。
ですから、同じ表現、つまり在庫レベルとして10単位で表す場合、賞味期限の組成という非常に重要な情報が欠落してしまいます。もしこの時系列という考え方に完全に基づいて設計されたソフトウェアシステムを持っていれば、この情報はシステムによって常に無視されるでしょう。なぜなら、システムはその情報すら見ることができず、時系列パラダイムの一部ではないからです。
Conor Doherty: そして、聞いている皆さんのために非常に明確に申し上げますが、「その話はすべて理解しました。例もわかりました。それがAIにどのように影響するのか？AIはその状況にどのようにフィットするのか？」と。たとえ時系列や確率的予測を使用していたとしても。
Joannes Vermorel: もし、重要な情報が失われるというパラダイムにあるのであれば、それは時系列の問題です。時系列を眺める人物がAIであろうと非常に賢いエンジニアであろうと関係ありません。重要な情報はすでに失われています。売上データを時系列という視点で見ても、個々のお客様と多数のお客様を区別することはできません。賞味期限を見ることもできないのです。見えないものがたくさんあるのです。AIであろうと、賢いエンジニアであろうと、何らかのルールを適用するプログラムであろうと、必要な中心情報はすでに失われてしまっています。どれだけ技術を積み上げても意味がありません。
Conor Doherty: さて、少し先に進みましょう。最初の2つの方法、RFPと時系列は既に触れました。3番目と4番目は、おそらく安全在庫とサービスレベルという指標としてまとめられるでしょう。これらを別々に議論しようが、共に議論しようが、あなたはこれらにどんな異議を唱えますか？なぜなら、これらは非常に一般的なもので、ほとんどの企業が厳格な安全在庫とサービスレベルのポリシーを持っているからです。
Joannes Vermorel: 観客への説明として、安全在庫の問題点は、あなたが時系列の需要予測を持ち、その需要が正規分布していて、リードタイムも正規分布していると仮定し、その上でサービスレベルを選ぶという点にあります。そうすることで、手元に置いておくべき目標在庫数が得られるのですが、これが安全在庫と呼ばれるものです。これが安全在庫の本来の意味です。
技術的には、作業在庫、すなわち平均需要があり、安全在庫はその平均需要に上乗せする追加の要素です。しかしそれは技術的な違いにすぎません。全体として、作業在庫と安全在庫の合計が、あなたが保持すべき目標在庫量となるのです。
では、その問題点は何でしょうか？問題は、これは在庫管理を眺める誤った方法であるという点です。企業の目的は利益を生み出すことです。安全在庫は、これらの意思決定に対して非経済的な視点を提供しているのです。つまり、利益の最適化すら試みていないということです。なぜ、この方法が利益面で有効だと思うのでしょうか？
実際にどのように最適化して利益を生み出すか？答えは非常にシンプルです。例えば、単純な状況、店を例にとってみましょう。最も高いリターンをもたらす最初の在庫ユニットを選びます。私はそのユニットを選んで店に置くのです。これが最高のリターンを生むものです。その最初のユニットを選んだ後、次は二番目の、リターンを最大化するユニットを選ばなければなりません。なぜなら、店である以上、二番目に選ばれるユニットは最初のユニットと同じ製品ではない可能性が高いからです。
要点は、追加のユニットを分散させてより多くの需要をカバーしたいということです。もし最初のユニットだけ注文できると言われれば、あなたは一つのユニットを選びます。次に二番目のユニットを選べると言われれば、多くの場合、別の製品を選ぶことで、少なくとも店の需要カバレッジを増やすことを望むでしょう。もし三番目のユニットが選べるなら、再び少し違うものを選ぶのです。
私が言いたいのは、安全在庫という視点は全く非経済的なものを採用しているということです。つまり、店にある製品を個々に孤立して見て、観衆に例えるなら、小さな市場は棚に5,000種類もの異なる製品があるはずですが、それぞれを個別に見た上で、もっと必要かどうかを判断するのは、全くもってナンセンスなのです。
改めて見てみましょう。もしあなたが手作業で行うとしたら、あなたは食料品店にいるでしょう。何かがもっと必要かどうかを製品単体で考えることはありません。そこにはトレードオフがあります。棚のスペースや資金が限られているため、「この製品は十分か？それとも、この製品を再注文するべきか、あるいは他の商品を先に補充するべきか？」と考えるのです。これが投資収益率の観点、すなわち経済的な視点です。
私が言いたいのは、安全在庫は非経済的な視点であるということです。教育的な観点や、応用数学の学生への小さな演習としては数学的に面白いかもしれませんが、実際のサプライチェーン、たとえば非常に単純な食料品店の例ですら、非経済的な視点でしかないことが見て取れます。つまり、問題があります。これは私の会社の最終利益を向上させる試みすらしていない、全く間違った考え方なのです。
私が説明した代替案は非常にシンプルです。最も高いリターンを生むものを選ぶ、つまり最初のユニットを選び、次に二番目のユニットを選ぶ、というアプローチです。具体的にどう行うかという技術的な詳細には踏み込めますが、それは技術的な議論にすぎません。私の安全在庫に対する批判は、非経済的なアプローチであるため、合理的な方法にはなり得ないという点にあります。実際、現場ではしばしばナンセンスな状況に陥ります。たとえば、安全在庫に基づいて店に配置すべきものを計算すると、全体として収まらなくなってしまうのです。
目にするのは、そこに狂気が生じるということです。つまり、安全在庫が各製品に対して必要なユニット数を示すため、全てが個別に計算され、5,000製品それぞれに対して数量が出てしまうのです。そして、その数量を合計すると現実の数と合致しなくなるのです。
もしAIに頼るとしたら、AIは何をすべきなのでしょうか？再度申し上げますが、あなたのパラダイムでは安全在庫を計算するようになっています。どんなにあなたのAIが安全在庫をより正確に計算できたとしても、結局はその奇妙なパラドックスに陥るのです。非経済的な視点では、AIは経済的な意味を持たない何かから意味を引き出すことはできません。
Conor Doherty: サービスレベルに入る前に、そこであなたが述べた一点について触れたいと思います。あなたは安全在庫を非経済的な視点として説明しました。それを私は理解しました。またSKUを個別に扱うことの問題点についても語りましたが、それは誤りです。では、その反対、つまり複数を組み合わせて見るという点について、もう少し詳しく説明していただけますか？
Joannes Vermorel: はい、つまり、サプライチェーンはひとつのシステムです。部分を切り離せば、その性質自体が変わってしまうのです。食料品店の棚に並ぶ製品は、単一で販売している場合とは同じではありません。人々は食料品店に行くと、ひとつの製品だけでなく、さまざまな製品が揃っていることを期待するのです。そして、これはほぼすべての、単純でないサプライチェーンに当てはまります。たとえば自動車を生産する場合、車輪などすべての部品を組み合わせて初めて機能する車両が完成します。車輪を外して「これが車だ」とは言えないのです。車から車輪を取り除いたものは、単なる別のものです。
根本的には、多種多様な物理的商品が存在し、それらは組み合わさって初めて意味を持つのです。もちろん、自動車の場合は車輪を外せば車は全く機能しなくなりますが、店の場合、棚にマスタードがなくても構わないという場合もあります。逆に、3種類の異なるマスタードを用意する必要がある場合もあるのです。
何を見ているかによって、多くの微妙な違いがあります。一概に白黒で考えられるものではありません。しかし基本的には、食料品店でマスタードを販売し始めると、そのマスタードと一緒に販売される商品との関連性が初めて意味を成すのです。ですから、製品を孤立して見る視点を採用すれば、店の魅力や内部で起こるダイナミクスの本質を見逃してしまうのです。
人々はあなたの食料品店に来て、一品だけを購入するわけではありません。あるお客様は一品だけ買うかもしれませんが、大半はバスケットにいくつもの商品を入れます。つまり、安全在庫の視点を採用すれば、SKUや製品を完全に孤立させた非常に単純な数学的視点を取ることになり、最も単純なサプライチェーン、例えば食料品店でさえも意味をなさなくなってしまいます。では、なぜそれがもっと複雑な、例えば航空宇宙-在庫-予測のMROなどで意味を持つと考えるのでしょうか？
Conor Doherty: Lokadには、これを「バスケット視点」と呼ぶ特定の用語があります。実際、数週間前あるいは1ヶ月前にLinkedInでそのフラッシュカードを公開したと思います。ご存じの通り、人々は通常、スーパーマーケットに入って一品だけを買うのではなく、買い物リストを持って入るのです。そして、もしある一品が欠ければ、それが損失につながるのです。複数の商品が買われる中で、例えば10品購入し、11番目に必要な重要な商品がなかった場合、その11番目の商品だけでなく、もしその欠如が原因でお客様が店を去ってしまえば、そのバスケット全体の売上を失うのです。これがバスケット視点であり、これら全ての間には関係性が存在しているのです。
Joannes Vermorel: その通りです。そして問題は、安全在庫とAIに関して、一度安全在庫の視点を採用してしまえば、AIがどんなに賢くても、どんなに低価格でも、高価でも、そのパラダイムの中に閉じ込められ、どんな解決策も見出すことができないという点にあります。だからこそ、自然の愚かさは常に人工知能に勝るのだと言えます。技術の洗練度、利用のしやすさ、保守性といった点は、安全在庫のパラダイムの下では全く意味をなさなくなるのです。
Conor Doherty: 私はあなたに同意します。ですが、私が言いたいのは、これこそが先ほど述べた自然の愚かさと無知の違いの、非常に良い例だということです。我々がここで説明した現象は実在するものですが、非常に抽象的です。すぐに理解できる関係性が必要となるのです。
Joannes Vermorel: 私はそうは思いません。全く教育を受けていない店舗経営者と議論をすれば、彼らは「魔法ではない」ということを理解しているでしょう。我々が話しているのは超高度な数学の話ではありません。1週間店舗を経営している店主に尋ねれば、品揃えが重要であることは十分理解しているはずです。ある製品の適正な在庫量を、他のすべてと切り離して考えることはできないのです。
実際、これは大学教授が広めるほど、非常に込み入った馬鹿げた考えです。この考えを成功裏に推進する唯一の方法は、現実の悪影響から完全に隔離された環境にいることにあります。もしあなたが店を経営しているなら、そんな風には決して考えないはずです。近所でどんな種類の店を経営している人にでも話してみれば、もし彼らがそのように考えているなら、そうではないとすぐに分かるでしょう。棚卸しや補充発注を担当している、いわゆる家族経営の店で働く人々は、当然ながら全体を見通して判断しているのです。
Conor Doherty: それは実際、良い指摘です。大企業といわゆる小規模な店、例えばジョアンネの店との違いについて、あなたの意見を伺いたいのですが。何十億ドル規模の大企業が、1日に何十万件ものサプライチェーンの意思決定を下すのに対し、一方で小規模な家族経営の店では、ジョアンネ自身が自腹を切って毎日品物を仕入れているという大きな違いがあります。
これは、1年半ほど前にPeter Cottonが語ったことを思い出させます。彼は「自分のお金がテーブルにある時、意思決定は全く異なるものになる」と言いました。自分のお金を出す状況では、問題の捉え方が全く変わるのです。ですから、なぜ大企業は悪い決定を下すのか、しかし隣の小さな店ではそうならないのか、不思議ではありませんか？
Joannes Vermorel: そこにこそ狂気があります。大企業は「安全在庫に従っている」と公言しているにもかかわらず、実際に働いている人々はそうしていないのです。そこから狂気が生じるのです。現実の状況はこうです。大学教授が安全在庫を行うべきだと言い、サプライチェーンの教科書も安全在庫を推奨し、AI駆動のサプライチェーンベンダーが「AI駆動の安全在庫」を提供すると謳うのです。そうして、企業は安全在庫に基づくシステム、時にはバッファーなどと呼ばれるシステムを採用することになるのです。
最終的には、需要と供給プランナー、カテゴリー・マネージャー、在庫管理者（肩書きはさまざまですが）といったサプライチェーンの事務職員がいて、彼らはスプレッドシートを使いながら全く異なることを行っています。通常、私がそれらの人々と議論するときに得る典型的な反応は、「ああ、安全在庫は計画の一部として使う予定です。来年、十分に成熟したら本格的に使うつもりです。でも、今は問題が多すぎたので、全く違う方法をとっています。自分のスプレッドシートでは、違うやり方をしているのです。混沌としているのは分かっていますが、なんとか機能しています。もっと訓練を積めば、いつか安全在庫を使えるようになるでしょう」というものです.
それは常軌を逸しているように見えるかもしれませんが、実際にはその人が行っていることには理があるのです。この代替レシピこそが理にかなった方法であり、安全在庫は単なる見せかけ、環境的な見せかけに過ぎず、うまく機能していません。ラッセル・アコフが指摘したように、少なくとも1979年以降、これは機能していないのです。これが、こうした状況下でスプレッドシートが決してなくならない理由です.
あの混沌としたスプレッドシートをソフトウェア自動化で置き換えようとするたびに、失敗するのです。失敗するのは、安全在庫という考え自体が誤ったものであるからです。たとえAI搭載の安全在庫であっても、根本的に悪い考えです。それはあまりにも悪い考えなので、機能しないのです。大企業は試み、失敗し、結局スプレッドシートに戻るのです。現場の人々は、「自分なりに違う方法をとっている。もっと訓練を受けたら安全在庫を使えるようになる。でも今は、実際に機能するものが必要だ」と考えています.
Conor Doherty: その点について、安全在庫の欠陥を詳しく説明されましたね。同じような批判はサービスレベルにも当てはまるのではないでしょうか。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、どのような方針を実行して判断に至っているのですか？サービスレベルに対するあなたの問題点を説明してください.
Joannes Vermorel: 私のサービスレベルに対する問題は、サービスレベルがサービスの品質を示す非常に不完全な代理指標であるということです。実際、サービスの品質とはほとんど関係がありません。求められているのは、顧客に対して十分なサービスを提供することです。サプライチェーンを運営する上では、それは当然のことです.
さて、ファッション業界の基本的な小売店を考えてみましょう。サービスレベルが高いとはどういうことなのでしょうか？もし高いサービス品質をサービスレベルと同一視するなら、高いサービス品質はつまり高いサービスレベルということになります。サービスレベルをサービス品質の良い代理指標だと考えるなら、高いサービス品質は高いサービスレベルを意味します.
もしあなたのファッションブランドが1つのコレクションを販売する店舗を持っているとすれば、サービスレベルが高いというのは、コレクションの最後まで全ての商品が、少なくとも数点ずつは棚に残っていることを意味します。サービスレベルが高いということは、コレクションの最終盤になっても店舗が商品であふれているということです。では、どのようにして次のコレクションを店舗に入れるのでしょうか？
古いコレクションを処分してスペースを作る必要があるので、それら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なければなりません。多くの商品でサービスレベルがゼロでも、顧客は依然として非常に満足していることがあります。ある商品が段階的に廃止されると、別の商品が導入され、顧客は引き続き満足するのです。顧客の目にのみ存在するサービス品質と、あなたが数値レシピで測定するサービスレベルとの間には、全く相関関係がありません.
もしサービスレベルがサービス品質の非常に不適切な代理指標であるなら、なぜサービスレベルを向上させるためのAIが、あなたの会社にとって理にかなった判断を下すと考えるのでしょうか？安全在庫に対する私の批判と同じように、これは経済的な視点ではありません。ここで扱われている概念、サービスレベルはサービス品質の視点ではありません。あなたはAIにこの道具としてのサービスレベルを与え、それに対処させますが、結果としてこの道具は問題、すなわちサービス品質に対する回答として全く不十分なのです.
Conor Doherty: 「サービスレベルはサービス品質を示す非常に不完全な代理指標だ」や「サービス品質は顧客の目の中にしか存在しない」という素晴らしい表現をいくつか使われました。しかし、そこから2つの質問が生じます。ひとつは、良い代理指標とは何か？そしてもうひとつは、サービス品質が顧客の目にしか存在しないのであれば、企業はどのようにして自社のサービス品質が良好であると判断すべきなのでしょうか？
Joannes Vermorel: どちらも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。思考実験を行い、非常に悪いものを除外する方法です。実際の店舗で実験を行う必要はなく、思考実験だけで十分です。非常に安価な方法です。まず第一に、棚の商品が同じ店舗であれば、何も変わらないという点に同意しなければなりません。私たちが考えるサービス品質は変わらないはずです。同じ店舗、同じ商品、同じ時間に何も変更しなければ、サービス品質は変わるべきではありません.
サービスレベルを再検討しましょう。多くの企業は、在庫切れになっている商品とそうでない商品の割合を使ってサービスレベルを測定しています。もし、あなたの商品の97%が在庫切れでなければ、サービスレベルは97%となります。在庫切れを通じてサービスレベルを見る方法はいくつかあります。これは安全在庫の最適化を行う際の、やや異なる視点ですが、ここでは多くの企業がこの種のレポートで採用している方法を使います.
さて、概念的に店舗の品揃えが倍になると仮定してみましょう。例えば、あるファッションストアが3,000点の異なるアイテムを取り扱っていたとします。今、その店舗が6,000点のアイテムを取り扱うことになったと宣言しても、実際の店舗内には依然として同じ3,000点のアイテムしか置かれていません。概念的には、店舗のシステム上で、より多くのバリエーション、色、サイズを含む品揃えが倍になったと宣言しただけなのです.
顧客の視点から見て何か変わったでしょうか？もちろん、ありません。店舗は依然として同じで、棚に並ぶパンツも色もサイズも同じです。何も変わっていません。しかし、コンピュータシステム上では、利用可能な品揃えの範囲を倍にしたのです。これにより、システムが測定するサービスレベルは半分になってしまいます。たとえば、もともと97%のサービスレベルだったものが、約48%にまで落ち込み、店舗内では何も変わっていないのです.
ですから、思考実験を通して、店舗内の状況を変えずにコンピュータの設定だけをいじって数値に任意の大きな変化が生じるような代理指標は、全く意味がないと私は言うのです。サービス品質の代理指標として何を用いるにしても、当然、コンピュータシステムの技術的な詳細に依存すべきではありません。物理学者が「このボトルの重さは？」と問ったとき、その答えがコンピュータシステムがロシア語設定かフランス語設定かで変わるとしたら、それはまったく常軌を逸しています。答えは明らかに全く独立しているはずです。あるいは、重さがLinuxマシンかWindowsマシンかで変わるとしたら、それもまた常軌を逸しています。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求めるべきなのです.
サービスレベルに関して私が実証したのは、品揃えをいじることでサービスレベルに大きな変動が生じるという事実です。これは、この指標が実際にどれほど常軌を逸しているかのデモンストレーションです。私の考えでは、もし本質的に常軌を逸しているものがあるなら、使わずに運用すべきです。たとえ代替策がなくても、それは腫瘍があるようなもので、腫瘍を取り除けば状況は改善するのです。まだ、その腫瘍の代わりに何を入れるかは考えないでください.
実際にサービス品質を高精度に測定する方法はあるのでしょうか？はい、可能です。これは全く別の議論の流れであり、ここには踏み込まない方が良いでしょう。しかし、私の言いたいことはわかりますでしょう。いかに高度な技術を使ったとしても、前提が極めて悪ければ、人工知能で自然な愚かさを克服することは不可能です。壊れた概念、壊れたパラダイムで始めれば、どれだけ装置を追加しても、そのパラダイムは依然として壊れたままなのです.
Conor Doherty: はい、認めましょう。しかし、これらの考えが馬鹿げており、パラダイムが壊れているためにより良い決断につながらないと言うと、すぐにCEOから「何の話だ？昨年は安全在庫、サービスレベル、RFP、時系列予測を使って100億の売上を上げた」といった反応が返ってきます。たとえ同時に多くのことが真実であっても、そしてそれらが矛盾していても、ある種の人々にとって、「そんなことをしているあなたはバカだ」とか「無知だ」とか「これらは悪い考えだ」と聞かれると、彼らは単に最終的な成果を指して「でも見てください、私は本当に上手くいっています。何の話をしているのですか？」と言うのです.
Joannes Vermorel: 初めからやり直しましょう。ファッションストアです。私たちはクライアントを持ち、年月を重ねる中で見込み客からクライアントへと転じた方々と議論を重ねてきました。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。プロセスを見れば、それが文書化されています。しかし、現場で実際に行われていることを見ると、そうではありません。結局、安全在庫に戻るのです。実際、ほとんどのファッションストアでは、次のコレクションが近づくと、急に再発注量を大幅に減らすことを決定します。意図的にサービスレベルを大幅に下げ、その後、新しいコレクションのための短期セール期間に、十分なスペースを確保して新作を投入するのです.
このように、企業、特に経営層はサービスレベルを使っていると主張しながらも、実際にはそうしていません。現場の人々は全く異なる方法を取っています。だからこそ、再び自動化を試みると失敗するのです。自動化を試みるということは、実際にはこの機能不全の考えをサプライチェーンに強制しようとしていることであり、現実と矛盾するため失敗するのです。結局のところ、人々は毎回スプレッドシートに戻ってしまうのです.
興味深いのは、現代のサプライチェーンの世界には膨大な認知的不協和が存在するということです。時系列、安全在庫、サービスレベルといった主要な信条のいくつかは完全に機能していません。実際の現場では、スプレッドシートとは全く異なる方法で業務が行われています。サービスレベルを強制すべきものとして捉えるのではなく、単なる指標として、柔軟に活用しているのです.
もし「サービスレベルをどこかの指標として持つことは根本的に悪いことだろうか？」という問いに変換するなら、答えはノーです。それは他の多くの記述統計の一つに過ぎません。この分野では数多くの記述統計が存在し、それらは良いとも悪いとも言えず、状況をある程度把握する手助けに過ぎません。しかし、サプライチェーン理論は全く異なることを示唆しているのです.
彼らはサービスレベルを単なる記述統計の一要素とは位置づけず、それを目標とし、その目標に沿った意思決定を行うべきだと主張しています。しかし私が言いたいのは、大企業の現場ではほぼ必ずしもそのようにしておらず、それが正しいのです。安全在庫と同様に、彼らに尋ねれば「はい、サービスレベルの目標はあります。もっと成熟が必要で、いつかは実行するでしょう。しかし今は、確実に機能するものが必要なんです」と答えるでしょう.
結局、現場の実務者は自分たちが全く別のことをしていると自覚しており、成長し成熟し、あるいはAIのサポートが得られるようになったときに今の方法を採用するつもりだと考えています。しかし、概念自体が壊れているため、それは決して実現しないのです。記述統計としては問題ありませんが、企業の方針決定の基準としては全く欠陥があるのです.
Conor Doherty: では、この議論を枠組みとして提示したいと思います。もし議論が、そして私の間違いがあればご指摘ください、しかし企業にはこうした方針や指標が存在するにもかかわらず、実務者がそれを無視しているというものであり、一方で非常にうまくいっている企業も存在するというのであれば、あなたはそれらの企業が実務者の盲目的な運や勘、空中に指を突っ込んで当たるような偶然の成功によって成功しているとお考えですか？
Joannes Vermorel: いいえ、私が言いたいのは、そのような問題の多くは、完全に欠陥のあるアプローチを使わなければ、まだ粗削りな解決策で十分機能するということです。ご存じのように、地元の食料品店を適切に運営するために必要なスキルは、スタンフォードの博士号を必要とするほどのものではありません。もっと少ないスキルでも十分にできるし、何が機能し、何が機能しないのかを徐々に見つけ出していくことも可能なのです.
つまり、私が言いたいのは、これらの企業が成功を収めるのは、当然サプライチェーン理論のおかげではなく、多少の経験を積んだ人々が何となく機能する数値的なレシピを見抜いているからだということです。それらは十分に機能しています。この理論が機能していない証拠は、過去30年間、ほぼ5年に一度ものである大企業が何度もプロセスの自動化を試み、毎回失敗しているという事実です。毎回、人々はスプレッドシートに戻ってしまっています.
なぜスプレッドシートに頼るのでしょうか？安全在庫の計算式は非常に単純です。サービスレベルの目標に合わせた在庫の意思決定の誘導も、コーディングの面では非常に単純で、全体で50行、もしくはそれ以下のコードで実現可能なほどです。もしこれが機能しているなら、すでに展開され、すべての作業が自動化されているはずです.
私の主張は、実際には自動化されておらず、そのどころか自動化に遠く及ばないということです。なぜなら、これらのパラダイムが壊れているため、自動化そのものが不可能だからです。サプライチェーンの実務者が使用しているスプレッドシートには、通常は比較的単純な代替手法が盛り込まれているものの、安全在庫やサービスレベルという概念とは本質的に両立しないものが含まれているのです.
Conor Doherty: では、現在サプライチェーンの実務者が、より経済的に合理的な決定を下すために活用できる実践的な戦略とは何だと考えますか？
Joannes Vermorel: ご覧の通り、もしAIに戻ろうとするなら、学校やサプライチェーン関連の団体で教えられた概念が全く機能していないという幻想を捨てる必要があるのです。洗練されたツール、例えば生成AIや deep learning 、ブロックチェーンなど何を思いついても、それはうまくいかないのです。
まず第一のステップは、自分たちがパラダイム的な問題を抱えていると認識することです。私たちが信じてきた理論が完全に間違っているというのは大げさな表現かもしれませんが、実は私たちが本能的にやっていたことこそ、正しい方法だったのです。もし本当に洗練された方法を取り入れたいなら、企業にとって非常に損害やコストがかかる行動を避けるという経済的本能を形式化しようと試みるべきです。これは同じことをより形式的に言い換えたものに過ぎません。
そして、正しい視点が得られれば、洗練された技術も取り入れられるかもしれません。それがほぼLokadが実践していることです。しかし、結局のところ、理にかなった視点で問題を正しく枠付けすることからすべては始まります。もし機能不全または愚かな視点に固執している限り、技術に精通していることは無意味なのです。これが悲しい点であり、そのために私は、あのAIベンダーたちは失敗するとある程度確信を持って言えるのです。彼らが有能か否か、技術が非常に優れているか劣っているか、安価であるか途方もなく高価であるかは問題ではありません。すべては全く意味をなさず、彼らが依拠している前提が崩れているからうまくいかないのです。
Conor Doherty: よし、ジョアネス、ありがとう。これ以上の質問はありませんが、ここからは聴衆からのいくつかの質問に移りたいと思います。どうもありがとうございます。では順不同で、あなたの4つの手法、すなわちRFP、時系列、在庫安全率、サービスレベルの4つの証拠に言及してですが、これらの手法が企業にとって非常に悪影響を与えるとしたら、そもそも経営陣がそれらを単に廃棄しないのはなぜだと思いますか？
Joannes Vermorel: 大企業で何かを変えるのは困難ですが、さらに難しい変化も存在します。一般的にどの企業でも、規模に関わらず、何かを削除するのは追加するのに比べて約2桁、つまり100倍も難しいと感じています。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設けるのも、また新しいソフトウェアを導入するのも容易です。
しかし、何かを削除するのは非常に困難です。特にフランスでは。しかし、どこでも言えるのは、たとえば1992年以来存在しなかった通貨の管理に専念する機関、すなわちフランス銀行の存在を冗談交じりに語ることができるということです。つまり、30年間存在していなかった通貨を管理する反体制的な機関があるのです。ちなみに、パリだけでも約14,000人の従業員がいます。しかしご覧の通り、政府機関で起こる大規模な現象が、大企業の中でも縮小して現れるのです。官僚制は自然と膨張する傾向があり、これがパーキンソンの法則なのです。
では、なぜ経営陣は機能しないものを取り除かないのかというと、それは人々がすでに別の方法を実践しているからです。公式な企業ポリシーでは全員が安全在庫を利用しているとされていますが、実際にはスプレッドシートによる手動の上書きが多発しており、実質的に企業は全く別の方法をとっているのです。これが現状です。企業が安全在庫に依存しているという見せかけが続いているのです。私は、安全在庫が企業のサプライチェーンにとって重要な要素だとは言えないと主張しています。しかし最終的に、経営陣は「安全在庫が公式に廃止されたところで、何を得るのか」と考えるのです。結局のところ、何も変わらないのです。なぜなら、人々はすでにそれを使っていないからです。
同様のことがサービスレベルの報告にも当てはまります。報告があっても実際には意味をなさなくなります。しかし、これを短期間で取り除くことで得られるメリットは限定的です。長期的には、実際にもっと合理的な方法を実践するための道が開けるため、その利益は莫大ですが、短期的には得られる効果は限られています。再び言いますが、何かを追加するのはずっと容易なのです。
AIに話を戻すと、これがAI技術を積極的に取り入れようとする熱意がある理由を説明しています。単に何かを組織に追加するだけなので、非常に手軽です。対照的に、企業をより効率的に、より収益性の高いものにし、顧客サービスを向上させるために邪魔な要素を取り除くのははるかに困難です。マネージャーが「人員を削減すれば物事はうまくいく」と言うのは、非常に難しいのです。
エロン・マスクがTwitterで「スタッフの80%を解雇した結果、Twitter（現X）はこれまで以上に流動的になり、ユーザー数も増加し、以前の5倍の規模のチームでは数十年かかっていた多数の機能が追加された」と述べた出来事を想像してみてください。これは何かを削る力を示していますが、実際には非常に困難なことです。本当に、非常に、非常に難しいのです。だからこそ、何かを削除するのは極めて困難であり、たとえそれが極めて重要であっても進まないのです。
Conor Doherty: ありがとうございます。次の質問です、とても良く書かれています。これまでに人間による上書きを率直に否定してきたことを考えると、それは自然な愚かさの一例だと考えますか？
Joannes Vermorel: 人間による上書きというのは、状況によります。もし全く意味をなさない数値レシピを上書きするのであれば、それは良いことです。私が言いたいのは、数値レシピが無意味になってしまうような状況に陥った場合、物事がさらに混乱するということです。
Conor Doherty: 数値レシピと言われると、
Joannes Vermorel: つまり、発注量、生産量、在庫配分など、サプライチェーンの意思決定を計算するものです。
つまり、無意味な数値レシピがある場合、その狂気じみた出力を意思決定のために手動で上書きするのは全く普通のことです。そして結果として、組織内の多くの人が一日中意思決定の上書きに追われることになるのです。私の見解では、これは必要なことです。さもなければ、全く意味をなさない決定によって企業が壁にぶつかってしまうからです。
ここで起こるのは、官僚制が常に拡大するということです。これがパーキンソンの法則です。官僚制は拡大します。もし、数値的な決定を手動で上書きする人たちがいれば、次第に数値的なアーティファクトを上書きする人々も増えていくのです。さて、アーティファクトとは何でしょうか？それは、サービスレベル、予測（日次、月次）、予算など、システム内に存在する単なる一要素に過ぎません。
つまり、いじることができる数字です。この数値はあなたのビジネスに実質的な影響を与えません。場合によっては、そのアーティファクトから派生する意思決定が悪影響を及ぼすかもしれませんが、ほとんどの場合、意思決定はアーティファクトに左右されません。ですから、KPIなどをいじっているに過ぎないと考えればいいのです。経営陣の目には、数値が見た目を良くするという以外、ほとんど何の意味も持たないのです。
しかし、繰り返しますが、官僚制は拡大します。最初は必要な意思決定を手動で上書きしている状態から始まりましたが、次第に意味のない数値的アーティファクト、例えば ABC classes やサービスレベル、安全在庫の係数、seasonalityの係数など、些細なものをいじる人々が増えていくのです。そのリストは無限に続きます。
私が言いたいのは、これらの数値による上書きは完全に非常識で無意味だということです。ちなみに、Lokadのアプローチ――私が非常に否定的に評価している理由――は、もし健全な数値レシピがあれば、手動の上書きは必要ないはずだという点にあります。もし結果を手動で上書きする必要があるなら、それは数値レシピが狂っているからです。これは意思決定について話しているので、意思決定が非常識なら、その数値レシピを修正し、非常識な部分が一切なくなるまで改良し続ける必要があります。
あなたの数値レシピが非常識な意思決定を下し続ける限り、例外なく改良を重ねる必要があります。だからこそ、Lokadでは手動による上書きを非常に否定的に捉えているのです。意思決定の上書きは、悪い数値レシピの表れに過ぎず、数値アーティファクトの上書きは、そもそも全く意味のない官僚的な雑用を示しているに過ぎません。それを完全に排除しても、企業に何の影響も及ぼさないのです。
Conor Doherty: つまり、症状を治療しているだけで原因を解決していないということですね。
Joannes Vermorel: 本質的には、そうです。さらに、官僚制の利益のために行動しているとも言えます。これもまたパーキンソンの法則で、官僚制は増大する傾向にあります。ですから、手動での上書きのために必要な事務員の数が10倍になれば、その数値の更新も10倍になるでしょう。それでも、あなたのサプライチェーンがより良くなるわけではありません。
Conor Doherty: 私にはそれで十分です。ありがとうございます。次の質問です。二部構成になっています。ERPシステムは、どうして問題を悪化させたのでしょうか。また、なぜ確率論的予測を扱えないのでしょうか？先ほどほのめかされただけですが、詳しく説明してください。
Joannes Vermorel: ERPシステムは、主に市場調査会社のおかげで、状況を非常に混乱させることにより問題を悪化させたと言えます。まず、ERPには「P」が存在しません。すなわち、ERPはエンタープライズ・リソース・マネジメントであって、計画（プランニング）は含まれていないのです。取引処理を行うシステムであり、物理的なフローに対応する電子的な流れとして機能します。そしてこれは、サプライチェーンで物理的に起こっていることを電子的に表現する点で良いのです。
しかし問題は、計画が突然、私が「記録システム」と呼ぶものから、意思決定を行う「インテリジェンスシステム」の領域に入り込むという点です。では、なぜERPが状況を悪化させたのでしょうか。それは、ベンダーが1990年代末までに、記録システム、すなわちCRUDアプリ（Create, Read, Update, Delete）としても知られるシステムが既に商品化されていたことに気付いたからです。実際、20年前には既に商品化されていたのです。
今日では、その商品化がさらに常軌を逸して進んでいます。ちなみに、生成AIを生産性向上ツールとして実際に応用するのであれば、CRUDアプリのコードを書くのは非常に優れた方法です。つまり、ChatGPTを使えば、ERPのようなアプリを文字通り超高速で作成できるのです。なぜなら、それらはシンプルで定型文が大量に存在し、非常に反復的だからです。決して華麗なエンジニアリングではありません。
こうした生産性向上ツールとしてのAIは、エンタープライズ・リソース・マネジメント、つまりERMに対して非常に効果的です。しかし、ここで混乱している状況に戻ります。意思決定を行うインテリジェンスシステムに対してコンピュータシステムに求めるものは、記録システムに求めるものとは全く異なります。一例として、システムが何かを処理するのに許容できるミリ秒数があります。記録システムの場合、その答えは1ミリ秒未満で、どんな処理も1ミリ秒以内に終わらなければなりません。
なぜなら、あなたのシステム、つまりERMは中央データベースに依存しており、これは企業内の全員と全てのプロセスが共有する資源だからです。すべてがこの一つのデータベースに集約されます。そのデータベースを1ミリ秒凍結させると、他のすべての処理が1ミリ秒遅延することになるのです。「1ミリ秒なんて取るに足らない」と言うかもしれませんが、もしそれを500人が同時に行えば、合計で500ミリ秒の遅延が発生し、明らかに問題になってきます。
さて、もしそのうちのいくつかのリクエストがリレーショナルコアを凍結させたとしたらどうなるでしょうか？少し簡略化して言えば、すると突然、システムは非常に遅くなってしまいます。たとえば、バーコードのスキャンが、システムが操作を認識するまでに数秒かかるかもしれません。これが多くの企業が「私のERPシステムは遅すぎる」と不満を述べる理由です。答えは常にこうです。システムに本来投入すべきでないものを入れているから遅くなるのです。
エンタープライズ・リソース・マネジメント、すなわちERMは、サブミリ秒で計算できる、極めてシンプルな処理だけを扱うべきです。もし複雑な処理を行えば、システムが凍結し、計測可能な時間だけ停止してしまう資源を消費することになります。そして、そうした処理を行う人が多数いれば、大企業の多くのプロセスや多くの人々によって、システムは信じられないほど遅くなってしまいます。これが、今日のERPが20年前とほとんど変わらず遅い理由です。生の処理能力では我々は少なくとも1000倍優れたコンピュータを持っているにもかかわらず、なぜ依然として遅いのかというと、それは平衡状態が成立しているからです。
もし何かがERPを著しく遅くし、他の人々がシステムの応答を得るのに数秒かかるようになれば、IT部門はその処理を停止し、これ以上の遅延を防ぐはずです。実際、そのような対策が取られているのです。つまり、IT部門はERP利用の監視役として機能しており、もし誰かが過剰な利用をしていれば、ITが介入してその人物やソフトウェアがこれ以上問題を引き起こさないようにするのです。こうしてバランスが保たれ、結果としてERPは遅いながらも許容範囲に留まるのです。これが、ほとんどのERPが非常に遅いが、我慢できないほどではない理由です。なぜなら、耐え難いほどの遅延状態に陥れば、ITが介入してシステムを停止させるからです。
さて、ここで再びインテリジェンスシステムの話に戻ります。逆に考えれば、店舗の補充をどう行うべきかを考える際には、何年にもわたる販売履歴を調べるでしょう。何千、あるいは何万もの顧客で何が起こっているのかを見たいのです。つまり、当然ながら大量のデータを扱う必要があるので、計算に1ミリ秒以上の時間をかける価値があるのです。計算は非常に安価です。
問題は、もしERMがある場合、あなたのリソースは会社全体と共有されることになるという点です。したがって、ERMの外に知能システムを持つことが望ましく、そのシステムは必要に応じて複雑な計算に十分な時間をかけることができます。最初の質問に戻ると、レコードシステムは取引処理や非常に単純なルールを扱う必要があります。
確率予測は、記録システムに含めたくないものの典型例です。なぜなら、「確率予測」と言えば、確率の分布について議論していることになり、これらの対象はメモリ的に重く、すべての確率を保持するには大量のスペースを要するからです。いろいろと工夫はできるかもしれませんが、明らかに、元のデータと比べると多くのオーバーヘッドが発生してしまいます。つまり、すべての確率を評価するためにデータを大きく展開してしまうのです。
つまり、基本的には設計上非常に強力なものかもしれませんが、その設計上、リアルタイム処理には向いていません。高度な確率評価に入ると、リアルタイム計算の領域とは異なるものになります。ギガバイト単位のメモリを割り当て、例えば数秒間の計算に時間を費やすようなシステムが必要です。多く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、あなたのERPにはそうはいきません。
Conor Doherty: さて、再びですが、知能システムに関する点と、計算対象に応じてリアルタイム計算が必ずしも必要ではないという点について補足します。たとえば、在庫補充注文の例を挙げると、店舗やクライアント、仮に300店舗と便宜上50,000のSKUについて話すなら、レコードシステムとは対照的に、意思決定に到達するまでに10時間、12時間、つまり一晩かけた処理が必要になるということです。
Joannes Vermorel: そうですが、計算は通常、Lokadでは60分以内に収めるようにしていますが、それは全く別の理由によるものです。理論上は10時間かかる計算も可能ですが、実際には計算が途中でクラッシュして再実行が必要になると、運用上の問題を引き起こすため非常に悪いアイデアです。
ですから、再度実行する必要が生じた場合にも十分な時間が残るように、計算時間はできるだけ短くする必要があります。そして、さらに重要な第二の理由は、この計算は初めから正確に行えるわけではないということです。申し上げた通り、数値レシピが突飛な結果を生む限り、それを修正・更新し、突飛な意思決定を全く生まない数値レシピにするまで多くの反復が必要になるのです。
もし計算が60分以内に完了するものであれば、エンジニアは1日に5、6回の反復が可能です。しかし、10時間かかるものでは、1日1回の反復に留まってしまいます。エンジニアが1日に何度も反復できるような仕組みが本当に求められるのです。実際、Lokadでは設計モードで新しい数値レシピを作成する際、計算時間を数分以内に抑え、1日に何十回も反復できるよう努めています。
Conor Doherty: ただし、小売から航空宇宙など他の分野に切り替える例もあります。意思決定が1時間ではなく、数分で生成されることが望まれるケースもあり、60分かかると財務的に壊滅的な結果を招く可能性もあります。ですから、最速が60分というわけではなく、業界の背景によるところが大きいのです。
Joannes Vermorel: その通りです。しかし、ERP内でのパフォーマンス目標である1ミリ秒と1分の間には、ほぼ5桁のオーダー差があることを理解する必要があります。これは非常に大きな違いで、文字通り1万倍以上の差があるのです。つまり、全く異なる方法で物事を行えるということです。
1ミリ秒以内で動作させるのは非常に困難です。多くのことが不可能に近く、光の速度すらも制約となります。すなわち、1ミリ秒以内での動作は、光がわずか300キロメートルしか進めないことを意味します。一見すると多く聞こえるかもしれませんが、往復で考えると、1ミリ秒は文字通り光速であり、実際には150キロメートル以上は移動できないのです。
ご覧の通り、この速度ではネットワーク通信は完全に選択肢から外れます。サブミリ秒レベル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一切許されません。回転ディスクからの読み込みも同様で、磁気ディスクの場合、レイテンシは約10ミリ秒となるため、ディスクからの読み込みすらも不可能です。
SSD（ソリッドステートドライブ）なら可能ですが、それでもアクセス回数は限られています。ほんの数回程度に留まるでしょう。つまり、1ミリ秒でできることと1分でできることには、膨大な違いがあるのです。コンピュータ設計の観点では全く異なり、1分あれば多数のネットワークコール、複雑な計算、そして大量のデータ読み込みが可能となり、設計は遥かに容易になります。
Conor Doherty: さて、Joannes、ありがとうございました。これ以上の質問はありません。お時間をいただき感謝いたします。約1時間半のセッションでしたので、締めの一言をいただけますか？退席前に何か言いたいことはありますか？
Joannes Vermorel: いいえ。サプライチェーンのためにAIプロセスに従事している皆さんには、相当の精神的強靭さが求められます。なぜなら、残念ながらそのプロセスは失敗するからです。本当に申し訳なく思います。皆さん、本当にごめんなさい。こうなってしまうのは避けられず、個人的に受け止めないでください。むしろ、皆さんのスキルが無意味になるという事実に、ある意味で慰めを見出してほしいのです。ちなみに、あなたのベンダーのスキルもこの時点では意味をなさなくなります。つまり、優れているかどうかは問題ではなく、失敗に直面した時に自分をあまり責めないようにしてほしいということです。個人的に捉えすぎないでください。失敗は最初から必然だったのです。
Conor Doherty: はい、では、この明るく祝祭的な雰囲気の中で、Joannes、ありがとうございました。そしてご視聴の皆さん、ありがとうございます。2025年にまたお会いしましょう。
