P&Gの倉庫計画、8時間→20分に短縮 — 現場監督者がコードなしでAIアプリを500本自作、2日で15万ドル削減した舞台裏

11月6日、IIoT Worldが「P&G Warehouse AI: 8 Hours to 20 Minutes」と題した記事を公開した。P&Gがシフト計画をAIで8時間から20分に短縮しただけでなく、コーディング経験ゼロの現場監督者が500本近くのカスタムアプリを自作し、うち1本はデプロイから2日間で15万ドルのコスト削減を達成したという事例だ。大規模製造業における現場主導のAI活用として注目に値する。

計画が「シフト開始10分で崩壊」していた現場

P&G（プロクター・アンド・ギャンブル）は世界70カ国以上に製品を供給する消費財大手であり、その製造・物流ネットワークは数十カ国にまたがる製造拠点と膨大な数の倉庫・物流センターで構成されている。これほどの規模になると、個々の製造キャンパスで生じる非効率が積み重なると企業全体の損失に直結する。

その製造キャンパスの一つでは、シフト計画の作成に1シフトあたり8時間を費やしていた。プランナーは入荷トラックのスケジュール、出荷便、生産ラインの稼働状況、変動する労働力を手作業で突き合わせるために、チームより大幅に早く出勤していた。

ところがシフトが始まって10分も経つと、その計画は大抵崩れた。設備の故障、欠勤、トラックの遅延——どれか一つが起きるだけで、建屋間のシャトル輸送のタイミングが狂い、生産ラインの稼働率（フィルレート：注文に対して在庫から充足できた割合）が落ちる。プランナーはその都度、頭の中で再計画を繰り返す。典型的な「計画の陳腐化」問題だ。

根本原因はレガシーなサイロ型システム構成にあった。倉庫は労務管理システム（LMS）と在庫配置（スロッティング：倉庫内のどの棚・ロケーションに何を置くかを最適化する業務）ソリューションを別々に購入・運用してきたが、これらは相互に通信しない。しかし実際には、どこに在庫を置くか・いつトラックが来るかによって労務効率は直接変わる。システムがバラバラである限り、最適化には限界がある。

「セマンティックレイヤー」で自動化できる意思決定は全体の80%

この課題に取り組んだのがAutoScheduler.AIだ。同社はP&Gへの導入パートナーとして本プロジェクトに関与しており、CEOのKeith Moore氏によると、6年をかけて構築した「セマンティックレイヤー」が解決の核心にある。

セマンティックレイヤーとは、倉庫がどう動くべきかを構造化した知識の集積体だ。WMS（倉庫管理システム）とERP（基幹業務システム）のデータを、設備能力やドックスケジュールを理解するアルゴリズムと接続することで、倉庫業務の約80%を占める「普遍的な意思決定」を自動化する。いわばシステム間のデータを「倉庫業務の文脈」として解釈・変換する意味的な橋渡し層であり、これにより従来はプランナーの頭の中にしかなかった判断ロジックが機械で再現可能になる。

この仕組みにより、P&Gのシフト計画は8時間から20分へ短縮された。

残り20%は施設固有の制約——特定の積荷ルールを持つソーター、特定曜日しか稼働しないクロスドック（仕分け・中継施設：商品を在庫せずに入荷から出荷へ即座に仕分ける物流拠点）フローなど——であり、一律の自動化は難しい。

現場監督者がコードなしでAIアプリを500本近く自作

この20%の「エッジケース」に対して、同プラットフォームが取った方針は明快だ。ITの開発サイクル（従来は約6ヶ月）を待たずに、現場の監督者自身がノーコードでAIアプリを構築できる仕組みを提供したのだ。

WMSやERPの普及が進む製造・物流業界でも、現場固有の業務ロジックをシステム化するにはIT部門への依頼が不可避というのが長年の常識だった。AutoScheduler.AIはその前提を覆した。結果、コーディング経験ゼロの現場監督者たちが、プラットフォーム上に500本近くのカスタムアプリを自作した。

その中でも際立つ事例がある。在庫不足が発生した際、SAPやERPデータを自動スキャンして将来の出荷便を検索し、代替品を推薦するアプリだ。これはもともと2人がかりの手作業だったが、あるスーパーバイザーがこのアプリを自作し、デプロイから2日間で15万ドルのコスト削減を実現した。

ベテランの「なぜそうするのか」に答えられないAIは現場で死ぬ

現場での採用を阻む最大の壁は、ベテラン監督者の信頼だ。20年のキャリアを持つドック監督者が「このAIの判断、なぜ？」と疑問を抱いたとき、答えられなければ使われなくなる。

AutoScheduler.AIのプラットフォームはこれに対し、AIの数学的な推論と判断ロジックを平易な言語でログに残す設計を採用している。監督者はAIがなぜその推薦をしたかをトレースでき、トレードオフに異議を唱え、パラメータを現場の実態に合わせて調整できる。AIを「ブラックボックスにしない」ことが、現場レベルの普及を支えている。

導入を検討する組織へのアドバイス

Moore氏は、「データクレンジングに延々と時間を費やすな」と明言する。代わりに「意思決定のマッピング」から始めることを推奨している。どんな意思決定が行われているか、なぜそれが行われるか、どのデータが判断を支えているかを整理する。その後で、自動化する価値の高い領域を絞り込む。

詳細はP&G Warehouse AI: 8 Hours to 20 Minutesを参照していただきたい。