AIで解決できない仕事がある？

「AIで何とかならないか？」という問いから始まる違和感

「この業務、AIで何とかならないでしょうか？」

企業の現場に入ると、ほぼ必ずと言っていいほど、最初にこの言葉を耳にします。生産計画、配車、シフト作成、在庫管理。対象はさまざまですが、共通しているのは「人が時間をかけて調整してきた業務」です。

ある製造業の現場では、すでに需要予測にAIを導入していました。過去データから精度の高い予測値が出ており、「ここまではうまくいっている」と担当者は言います。

しかし、その次の一言が印象的でした。

「で、この予測をもとに、どう計画を作るかは結局ベテランが決めているんです」

工場ごとの制約、段取り替えの回数、人員の偏り、納期。考慮すべき条件が多すぎて、AIの予測結果をそのまま使うことはできない。結局、Excelとホワイトボードを前に、熟練者が頭の中で調整する──そんな状態が続いていました。

別の企業では、生成AIを使って計画案を作ろうとしたものの、

• 制約を一部満たしていない
• 数字が合わない
• なぜその案になったのか説明できない

といった理由で、実運用には耐えられませんでした。

こうした場面に出会うたび、「AIが万能ではない」という事実が少しずつ浮かび上がってきます。ただし、これはAIそのものが悪いという話ではありません。

一口にAIと言っても、その中にはさまざまなモデルがあります。

たとえば、文章や会話が得意なLLM（大規模言語モデル）。
画像や音声認識に強いディープラーニング。
過去データから傾向を学び、予測を行う機械学習。

それぞれに得意分野があり、逆に不得意な領域もはっきりしているのです。

先ほどの製造業の例に戻ると、需要予測までは機械学習がうまく機能していました。しかし、その予測をもとに「どの工場で、どの商品を、どの順番で、どれだけ作るか」を決める段階になると、話は一変します。

ここで求められるのは、

• 必ず守らなければならない制約条件
• 複数の選択肢の中から、最も良い組み合わせを選ぶ判断
• なぜその結論に至ったのかを説明できること

といった、厳密さを伴う意思決定です。

実はこの領域は、LLMやディープラーニングが最も苦手とするところでもあります。生成AIは「それらしい案」を出すことはできますが、すべての制約を確実に満たし、最適性を保証することはできません。

そこで改めて課題を分解してみると、「これはAIで考える問題というより、数学的に“決める”問題なのではないか」という視点が浮かび上がってきます。

そのときに選択肢として現れるのが、数理最適化という手法です。

混同されがちなAI・機械学習・数理最適化

数理最適化は、目的（何を最優先するか）と制約（何を守る必要があるか）を明確に定義し、その条件のもとで最も良い解を導き出します。推測や生成ではなく、計算によって結論を出すからこそ、「なぜその計画なのか」を説明でき、条件が変われば再計算することも可能です。

「AIで何とかならないか？」と感じた業務を丁寧に見直していくと、実はその本質は、AIの中でも特に数理最適化が最もフィットする問題だったというケースが、現場では少なくありません。

AIは、人間の知的な判断や行動をコンピュータで再現しようとする最上位概念です。その中に、機械学習（ML）があり、さらに深層学習（DL）やLLM（生成AI）が含まれます。

一方で、数理最適化は少し立ち位置が異なります。

• 機械学習：データから規則性を学び、予測や分類を行う
• 生成AI：文章や画像などを生成する
• 数理最適化：制約条件のもとで、最も良い解を数学的に求める

すべて「AI活用」と一括りにされがちですが、役割は明確に違うのです。

AIが得意なこと、そして苦手なこと

まず、AIの強みを整理してみましょう。

AIは、全てを伝えなくても、文脈から推測した答えを返すことに強みを持つ技術です。正解が一つに定まらない問題、多少のブレが許される業務では、圧倒的な力を発揮します。

• 文章作成・要約
• アイデア出し
• パターン認識
• 需要予測や異常検知

しかし、同時に弱点もあります。

AIは「もっともらしい答え」を返す一方で、必ず正しいとは限らない。いわゆるハルシネーションが起きる可能性があり、数値の一貫性や制約条件の厳守が求められる場面ではリスクが残ります。

つまりAIは、考えることは得意だが、決め切ることは苦手なのです。

数理最適化が担う「決める」という役割

ここで登場するのが、数理最適化です。

数理最適化は、推論や生成を行いません。与えられた条件のもとで、「何が最も良い選択か」を数学的に計算します。

• 守るべき制約条件
• 達成したい目的（コスト最小化、利益最大化など）

これらを明示的に定義し、その上で最適解を導く。だからこそ、数理最適化は次のような問題を厳密に定義できる領域で力を発揮します。

• 生産計画
• 在庫最適化
• 配送ルート設計
• シフト・人員配置
• スケジューリング

分かれ目は「厳密さ」が求められるかどうか

AIと数理最適化を分ける最大のポイントは、厳密さです。

• 多少ズレても問題ない → AIが向いている
• 1つのミスが大きな影響を及ぼす → 数理最適化が向いている

たとえば、大きなデータをもとにした需要予測は機械学習が得意です。しかし、その予測をもとに「どの工場で、何を、どれだけ作るか」を決めるのは、数理最適化の役割になります。

AIが材料を用意し、数理最適化が最終判断を下す。ここに、両者の健全な分業関係があります。

実務では「AI × 数理最適化」が最強になる

現実の業務では、AIと数理最適化を対立させる必要はありません。むしろ、

• AI：予測・生成・候補出し
• 数理最適化：意思決定・最適解の算出

という組み合わせが、最も強力です。

このとき重要なのは、「AIでできないから失敗」ではなく、「問いの立て方がAI向きではなかった」と捉えることです。

数理最適化ソルバー（たとえばGurobiのような技術）は、この「決める領域」を支えるために存在しています。

「AIで解決したいけど、満足のいく結果が得られない」と感じたときは、この記事を参考に、制約条件や目的について整理してみて下さい。それは、数理最適化が得意な問題かもしれません。

著者プロフィール 乾伸雄（いぬい・のぶお） 株式会社Gurobi Japan 最適化コンサルティング シニアマネージャー。博士（情報学）。製造業を中心に、数理最適化を活用した業務改善・意思決定支援に携わる。現場に寄り添いながら、複雑な課題を“解きほぐす”コンサルティングに定評がある。

新たな記事の公開について通知を受けられたい場合は、以下よりGurobi ニュースレターにご登録ください。