製造業オペレーティングモデルの再構築。人とAIが、ともに動く
生成AIの登場以降、企業におけるAI活用は急速に広がっている。文章作成、議事録作成、調査、要約、問い合わせ対応など、個人や特定業務の生産性を高める取り組みは、既に多くの企業で始まっている。
しかし、製造業の経営変革という観点から見れば、現在のAI活用はまだ入口に過ぎない。真に問われるべきは、AIを「便利な道具」として使うことではなく、AIが働くことを前提に、企業の業務、意思決定、組織、KPI、ガバナンスをゼロベースでどのように再設計するかである。
ライズ・コンサルティング・グループは、この問題意識のもと、2026年3月に株式会社NouScaleを設立。NouScaleが目指すのは、AIを単なる分析ツールや業務効率化ツールとして導入することではない。コンサルティングで培ってきた業務知見を、資料や提言書として残すだけではなく、業務の中で動き続けるAIエージェントとして実装することである。
目次
分業で強くなった組織が、分業の限界に直面している
近代産業は、分業によって発展してきた。
アダム・スミスが『国富論』で示したように、仕事を細かく分け、各人が特定の作業に習熟することで、生産性は飛躍的に高まる。製造業もまた、この分業の思想を土台として発展してきた。営業、物流、生産、調達、設計といった職能ごとに専門性を蓄積し、それぞれの領域で効率を追求する。これは、長らく製造業の競争力を支えてきた極めて合理的なオペレーティングモデルであった。
一方で、分業は構造的な副作用も生む。部門ごとに知見が深まるほど、業務は縦割りになりやすい。各部門が自らのKPIを追求することと、企業全体としての最適解は相容れない場合が多い。
このギャップを埋めてきたのが、人による擦り合わせ・調整である。会議を開き、関係者を集め、各部門の事情を聞き、データをつなぎ合わせ、影響を確認し落とし所を探る。多くの製造業では、この調整力こそが、現場を動かすための実質的なエンジンであった。
しかし、この従来型の擦り合わせによる調整は限界を迎えている。地政学リスク、規制対応、供給制約といった外部要因も増加している中で、人が情報を集め、都度判断し、部門間を調整するモデルだけでは、変化の速度と複雑性に追いつけなくなっている。
ここに、AI時代のオペレーティングモデル変革の本質がある。
人の業務はミッション遂行へ
AIにより知識・知恵が民主化され、AIエージェントが業務の中に組み込まれると、業務遂行の前提が大きく変わる。例えば、受注確認、納期回答、補充計算、発注起票、納期督促、配車確認、出荷指示、KPI集計といった日常業務は、AIエージェントが担う領域へと移っていく。さらに、AIエージェントは単なる作業代替にとどまらず、販売、需給、生産、調達、物流、財務といった各領域において、専門家のように判断材料を集め、分析し、次のアクションを提示する存在になっていく。
そうなると、職能別に人を集め、日常業務を処理することを主目的とした組織の意味は相対的に薄まっていく。もちろん、人の役割がなくなるわけではない。最終的な意思決定、判断、責任、例外対応、対人調整といった領域には、人が引き続き関与する。しかし、人の主戦場は、日々の業務処理そのものから、企業として何を変えるべきかを定め、その変革を動かし切る役割へと移っていく。
つまり、人は「職能の中で業務を処理する人」から、「ミッションを掲げ、プロジェクト型で成果を実現する人」へと役割を変わっていく。
業務処理と成果創出を両立するAIエージェント構成
人の役割がミッション遂行へ移っていくとしても、日常業務の重要性がなくなるわけではない。むしろ、企業として成果を出すためには、日々の業務処理と経営ミッションをこれまで以上に密接につなげる必要がある。
在庫を減らす、欠品を防ぐ、調達費を下げる、物流費を抑える、粗利を高める。こうしたミッションは、経営会議やプロジェクトルームの中だけで実現できるものではない。受注、在庫、補充、発注、入荷、出荷、請求、原価、KPIといった日常業務の一つひとつのイベントが変わらなければ、成果にはつながらない。
つまり、AI時代のオペレーティングモデルに必要なのは、日常業務をAIで処理する仕組みと、その日常業務を経営ミッションに向けて束ねる仕組みの両方である。
この考え方に基づき、NouScaleはAIエージェントを二層で捉えている。
一つは、個別業務を担うFunction AIである。Function AIは、受注確認、納期回答、補充計算、発注起票、納期督促、配車確認、出荷指示、原価照合、KPI集計など、具体的な業務タスクを遂行するTask Agent Pool、即ち企業の日常業務を動かすAIエージェント群である。
もう一つは、経営ミッションを起点に複数のFunction AIを束ねるBuster AIである。Buster AIは、在庫削減、調達費削減、物流費削減、粗利改善といったミッションを持ち、必要な業務タスクを分解し、各Function AIに確認・分析・実行を指示し、その結果を統合して打ち手を導く。いわば、経営成果を動かすAIオーケストレーターである。
この二層構造により、日々の業務処理をFunction AIで支えながら、その業務データや業務イベントを在庫・調達費・物流費・粗利といった経営成果にBuster AIを介して結び付けることが可能になる。
NouScaleが提供するのは、個別業務のAI化だけではない。企業活動を構成する「日常業務の遂行」と「経営ミッションの達成」を、AIエージェントによって一体的に再設計する仕組みである。
Buster AIとFunction AIが連携し業務を遂行する
例えば、在庫削減を考えてみる。
在庫を減らすというテーマは、単に倉庫にある在庫を見て削減対象を抽出するだけでは解けない。在庫を減らしすぎれば欠品が起き、売上ロスや顧客満足度低下につながる。逆に、欠品を恐れて在庫を積み増せば、キャッシュフローを悪化させ、廃棄・評価損のリスクも高まる。
したがって、在庫削減には、需要変動、補充リードタイム、生産制約、調達状況、物流拠点、顧客優先度、売上・粗利影響、CCC・DIOへの影響を同時に見なければならない。つまり、在庫削減は在庫管理だけの問題ではなく、販売、需給、調達、物流、財務を横断して解くべき経営ミッションである。
ここで機能するのが、Inventory Buster AI、すなわち在庫バスターAIである。
在庫削減の起点となるシグナルは、日々の業務の中に現れる。受注量の変動、拠点別の在庫偏在、補充遅延、出荷遅れ、欠品兆候、売上ロス候補。こうした業務イベントをSales、Planning、Procurement、Logistics、FinanceといったFunction AI群がそれぞれの領域で捉えていく。
在庫バスターAIは、これらのFunction AIが捉えたシグナルを受け取り、在庫削減という経営ミッションの文脈で意味づける。需要変動による一時的な偏りなのか、補充リードタイムの長期化によるものなのか、拠点間の在庫配置に起因するものなのか。欠品を避けるべき重点顧客なのか、粗利影響の大きいSKUなのか、CCC改善に効く在庫なのか。Buster AIは、業務イベントを経営成果に向けた判断材料へと変換する。
そのうえで、在庫バスターAIは、追加で確認すべき事項や制約条件を整理し、必要な業務タスクへと分解する。需要変動や受注見込みを見る必要があればSales Function AIを、補充量や需給差分を試算する必要があればPlanning Function AIを、発注状況や納期遅延リスクを確認する必要があればProcurement Function AIを、拠点間移送や出荷可能性を検討する必要があればLogistics Function AIを、PL・BS・キャッシュフローへの影響を試算する必要があればFinance Function AIを呼び出す。
各Function AIは、与えられたタスクに対して、必要なデータを確認し、制約条件を整理し、実行可能な選択肢や影響を返す。在庫バスターAIは、それらの結果を統合し、在庫削減効果、欠品リスク、売上・粗利影響、物流費、CCC改善効果を評価する。そのうえで、補充、配分、移送、発注抑制、重点顧客向け引当、承認依頼といったアクション候補を比較し、最も合理的な打ち手を提示・実行につなげる。
この連携によって、AI活用は個別業務の自動化・効率化に留まらず、経営ミッションを起点に、業務イベントを捉え、必要なタスクを分解し、適切なアクションへつなげることが可能となる。Buster AIとFunction AIが一体となって動くことで、AIエージェントは、単なる分析支援ではなく、業務遂行そのものを担う存在になる。
人の認知限界を超え、成果創出ループを回す
Buster AIが担う役割は、これまで企業の中に存在しなかったものではない。むしろ、従来は経営企画部門や事業部門の管理職などが担ってきた役割に近い。経営課題を特定し、データを集め、部門横断で原因を分析し、打ち手を検討し、関係者を巻き込みながら改善を進める。こうした活動は、これまでも多くの企業で行われてきた。
しかし、人が担う以上、そこにはどうしても限界がある。
第一に、分析頻度の限界である。人による分析は、月次でレポートを作る、四半期で改善テーマを見直す、プロジェクトとして一定期間だけ深掘りする、といった断続的な形になりやすい。日々変化する受注、在庫、出荷、補充、発注、物流、原価の動きを、常時監視し続けることは難しい。
第二に、分析粒度の限界である。人が扱えるデータには限界があるため、議論は集計値を中心に進みやすい。事業別、拠点別、月次別、品目カテゴリ別といった粒度では傾向を把握できても、どのSKUが、どの拠点で、どの顧客向けに、どの受注・在庫・出荷・補充イベントとつながっているのかまでは追い切れない。
第三に、分析範囲の限界である。在庫、調達、物流、販売、財務は本来つながっているにもかかわらず、人による分析では、どうしても特定部門・特定テーマに範囲が限定されやすい。在庫を見ると物流費や売上ロスが抜け落ち、調達費を見ると在庫や欠品影響が抜け落ち、粗利を見ると物流費やリベート、個別対応コストが見えにくくなる。
しかし、現実の問題は明細の中で、かつ部門をまたいで起きている。
どのSKUが、どの拠点で、いつ、どの顧客向けに、どの受注に対して、どの在庫・出荷・補充イベントとつながっているのか。どの品目が、どの仕入先から、どの契約条件で、どの単価で購買され、どの原価差異を生んでいるのか。どのレーンで、どの便が、どの積載率で、どの顧客向けに配送され、どれだけの物流費を発生させているのか。
この粒度と範囲で業務イベントを捉えなければ、真の原因も、有効な打ち手も見えてこない。
Buster AIは、従来の経営企画や事業部門が担ってきた横断的な改善推進機能を、人の限界を超える形で拡張する。集計・集約されたデータではなく、個別部門の明細粒度を24時間365日、部門横断視点で監視・トレースし、因果関係を正しく捉えた上で全体最適視点でのアクションを促す。
この「検知、要因分析、打ち手生成、財務換算、実行接続、学習更新」のループによって、AIエージェントは単なる分析ツールではなく、業務の中で成果を生み続ける存在になる。
AI時代に、日本の製造業は再び輝ける
Buster AIが人の限界を超えて業務を捉え、Function AIと連携しながら経営成果へつなげていく。その先にあるのは、単なる業務効率化ではない。日本の製造業が本来持っていたオペレーショナルな競争優位を、AI時代に再び呼び起こすことである。
これまで企業変革の中心にあったのは、標準化と効率化だった。業務を揃え、例外を減らし、誰が担当しても同じ品質で処理できる状態をつくる。グローバル展開やコスト競争を考えれば、それは合理的な方向であった。
しかし、その過程で、日本の製造業が本来持っていたオペレーショナルな強みは、しばしば「非効率」として扱われてきた。わずかな外観不良や寸法のばらつきまで見逃さない品質感度。顧客ごとに異なる仕様・納期・梱包・検査基準へのきめ細かな対応。これらは競争力の源泉である一方、標準化・効率化の文脈では、例外対応が多く、属人的で、手間がかかるものと見なされやすかった。
しかし、AIエージェントの時代には、この評価が反転する。
AIが日常業務を担い、明細データを常時捉え、複雑な判断を高速に処理できるようになれば、標準化・効率化そのものは競争力の中心ではなくなる。むしろ差がつくのは、何を判断基準・要求事項としてAIを動かすかである。つまり、従来日本が培ってきた非効率な競争力が、再現可能で、拡張可能で、継続的に進化する競争力へと変貌を遂げていく。
人とAIが、ともに動く。
それは、人の仕事をAIに置き換えることではない。日本の製造業が培ってきた競争力をAIエージェントに宿し、人はより高い次元でミッションを掲げ、意思決定し、変革を動かすということである。
標準化と効率化の時代に、非効率と見なされてきた日本の強みを、AI時代の競争力へと反転させる。
NouScaleは、AIエージェントを業務の中で動かし、日常業務の遂行と経営ミッションの達成を接続することで、日本の製造業が持つ“精緻さ”を、AI時代の競争力へと変えていく。
