AIと最適化

技術選択のメンタルモデル

業務をAI化するとき、「LLMで何でもできる」「機械学習でやろう」という選び方は最も危険。判断軸はシンプルに「目的が定量的に最小化／最大化できるか」。できるなら最適化アルゴリズム、できないなら曖昧さが残るのでAI＋人の確認が必要。

技術カードの全体像

業務でよく使う技術を、次の6カードで整理する。

段階導入の設計

AI機能を最初から入れるとリスクが高い。「ルールベース → 機械学習 → 最適化」の段階を踏むと、現場が学習していくスピードに合わせられる。各段階で次のステップに進む条件（精度・利用率・現場満足度）を要件として明示しておく。

アジカ食品発注業務のASIS→TOBE適応例

実例：発注量決定の業務。ASISは係長の経験則。Phase 1で「発注量＝直近4週平均×安全係数」のルールベース化、Phase 2で需要予測ML導入、Phase 3で在庫制約付きの最適化（整数計画法）に発展。各段階のINPUT/OUTPUT、運用負荷、効果見込みを並べて議論する。

判断軸：「解が一意に決まるか」

業務フロー設計で、「どこを自動化できて、どこに人の確認が必要か」を判断する核心は一つだけ。「使う技術が解を一意に決められるか」。これが業務フローに人のチェック工程を入れるかどうかを決める。

• ─解が一意に決まる方法（ルールベース／LP／MIP／ネットワークフロー）→ 自動化に向く・人の確認不要
• ─曖昧な方法（機械学習／LLM／ベイズ最適化）→ 確率的・誤判定混入 → 人の確認が必須
• ─「LLMで何でもできる」「機械学習でやろう」という選び方が最も危険

4つの解決アプローチで分類する

業務に使う技術を、解の性質で4分類する。実装前にどの引き出しから取るかを決められる。

誤判定が混じる前提で業務フローを設計

機械学習を使う場合、精度100%にはならず誤判定が必ず混じる。これを「精度が悪い」と捉えるのではなく、業務フローに「人の確認工程」を組み込んでも回るように設計する。逆に、解が一意に決まる工程を機械学習で組むと、運用後に「なぜ違う答えが出たか」を説明できず信頼を失う。技術選択は業務フロー設計と一体。