「生成AIが工場の生産計画を自動で立てます」という提案を、この1年で何度も見た。今回の論文は、その主張を10種類のLLMで測っている。結論は厳しい。最良のLLMは、昔からある単純な優先順位ルールと統計的に区別がつかなかった。さらに奇妙なことが起きている。エージェントに工場の完全な構造情報を渡すと、要約された情報だけを渡した場合より2.6倍悪くなった。著者はこれを観測可能性の逆説と呼んでいる。ただし、この結果はLLMが無価値だという意味ではない。価値の在り処が、売り文句とずれているという話だ。
1. なぜ今、この研究なのか
理由1：ベンダー提案の「AIが最適化します」を、同一条件で検証している。 生産スケジューリングは効果が数字で出やすく、提案が通りやすい領域である。本研究は10モデルと24通りの従来ルールを同じ土俵で比較した。評価する側が持つべき基準線が手に入る。
理由2：問題の難易度を制御している。 スケジューリングの検証は、問題設定を甘くすればいくらでも良い結果が出る。本研究はスケジュール圧力指数（SSI）という指標で難易度を較正し、都合の良い問題だけを解かせていないことを担保している。
理由3：コストと性能の関係を数字で出している。 推論を厚くすればするほど良くなる、という前提が崩れる。ツールを使わせた条件はトークン消費が3倍になり、性能はむしろ下がった。予算の議論に直結する。
この記事で持ち帰れる3つのこと
- 「AIが生産計画を最適化」という提案を、その場で検証し返すための数字
- LLMに渡す情報は多いほど良い、という直感が間違っている理由
- それでもLLMを生産計画に使う場合、どこに価値を置くべきかの判断軸
2. 論文を読む：10モデル対24ルールの総当たり
2-1. 対象問題
扱うのは動的フレキシブルジョブショップスケジューリング（DFJSP）である。複数の工程を、能力の異なる複数の設備へ割り付ける問題で、しかも途中で新しい注文が入ってくる。多品種少量生産の現場そのものだ。
2-2. 比較したもの
LLM側（10モデル）：Qwen3の4B・8B・14B・32B、Kimi-K2、Claude-4.5 Haiku、DeepSeek-V3.2、Gemini-2.5 FlashLite、Grok-4 Fast、GPT-5 Mini。
従来手法側（24通り）：作業の並べ方8種（SPT＝処理時間の短い順、LPT＝長い順、FIFO、LIFO、LWKR＝残作業の少ない順、MWKR＝多い順、LOPNR、MOPNR）と、設備の選び方3種（LIT＝空き時間最小、LWL＝負荷最小、SPT）の組み合わせ。いずれも数十年前から現場で使われている単純な規則である。
2-3. 結果1：LLMは従来ルールを超えていない
評価指標は総所要時間（メイクスパン）の、最良解に対する乖離率。小さいほど良い。
| 手法 | 乖離率 |
|---|---|
| 最良のLLM（Qwen3-8B） | 1.01% |
| 最良の従来ルール（LIFO＋LIT） | 1.11% |
| LLM全体の分布 | 1.01〜1.93% |
| 悪い従来ルール（SPT＋SPT） | 51.52% |
最良LLMと最良ルールの差は0.1ポイントで、論文は統計的に区別がつかないと述べている。著者の総括は率直だ。多くのLLMエージェントは、優れた最適化器というより、頑健なヒューリスティックの近似器として振る舞う。
2-4. 結果2：情報を渡すほど悪くなる
本論文の核心はここにある。エージェントに与える情報量を変えて比較した結果、次のようになった。
| 与えた情報 | 乖離率 |
|---|---|
| 簡潔な統計要約（L2） | 0.65% |
| 完全な構造情報（L3） | 1.66% |
完全な情報を渡したほうが2.6倍悪い。 直感に反するが、説明はつく。文脈が長くなるほど、判断に効く情報が埋もれる。人間の会議で資料が厚いほど結論が鈍るのと同じ構造だ。
2-5. 結果3：推論を厚くしてもコストだけ増える
ツールを使わせて探索させた条件は、トークン消費が1,260万に達した。思考の連鎖のみの条件は400万である。3倍のコストを払って、性能は2.0%対1.9%で下回った。論文は、高価な推論戦略は逓減する収穫しか生まないと結論している。
2-6. 誠実な限界
本論文は査読付き会議・論文誌への採択情報が示されていないプレプリントである。当社では「最新研究」として扱う。加えて、次の点を読者側で補って解釈する必要がある。
- 評価はベンチマーク環境であり、実工場の制約（段取り替え、作業者スキル、材料入荷）は完全には含まれていない
- 評価指標は総所要時間中心で、納期遵守率や仕掛在庫といった日本の現場が重視する指標は主軸ではない
- 各モデルの評価は特定時点のバージョンであり、モデルの更新で結果は変わりうる
2-7. シリーズの地図
第13号では、電力予測で基盤モデルの「そのまま使える」が成立しないことを見た。本号は同じ構図が計画業務でも起きていることを示す。第5号『SOPRAG』や第9号『CORTEX』では、LLMエージェントが有効に働く事例を扱った。エージェントが効く領域と効かない領域の境界が、この3本を並べると見えてくる。判断基準が明確な最適化問題では従来手法が強く、判断基準が曖昧な知識作業ではLLMが強い。
3. 日本のビジネスに置き換えると何が起きるか
本章以降の適用シナリオは、論文が直接検証した範囲（ベンチマーク環境でのジョブショップ問題）を超えた、当社の応用解釈である。実工場での成立は実測による確認が必要になる。
| 論点 | 論文が示したこと | 当社の解釈（日本の現場に置くと） |
|---|---|---|
| 絶対性能 | 最良LLM1.01%対最良ルール1.11% | 「AIで計画を最適化」という提案は、従来ルールとの比較を必須にすべき |
| 悪いルールとの差 | 悪いルールは51.52% | ルール選定を誤ったまま運用している工場では、効果は大きく出る |
| 情報量 | 完全情報で2.6倍悪化 | 生産管理データを全部投入する設計は逆効果になりうる |
| 推論コスト | 3倍のトークンで性能低下 | 「じっくり考えさせる」設定は費用対効果を確認してから |
| 位置づけ | 頑健なヒューリスティック近似器 | 上振れではなく、下振れしないことに価値がある |
最後の行が実務的な結論である。LLMの価値は「最良を出すこと」ではなく「最悪を避けること」にある。24通りのルールの中から自社に合う1つを選び、状況変化のたびに選び直す作業を、誰もやっていない工場は多い。ルール選定を誤れば乖離率は51%まで悪化する。LLMは、その選定を意識せずとも常に上位の水準へ落ち着かせる装置として見るほうが正確だ。
つまり、専任の生産技術者が最適ルールを維持管理できている工場では、LLM導入の効果は薄い。逆に、担当者が退職した、多品種化で従来ルールが合わなくなった、という工場では効果が出る余地がある。
4. 導入シナリオ：PoC → 拡大 → 展開
フェーズ1：PoC（3ヶ月）
過去3ヶ月の実績データで、現行の計画手順とLLM、そして単純ルール数種を同一条件で比較する。このとき単純ルールを必ず比較対象に入れることが本記事の最重要提言である。これを外すと、効果の帰属が判断できない。
フェーズ2：拡大（6ヶ月）
対象ラインを広げ、生産管理システムと接続する。ここで渡す情報は絞る。論文の結果に従い、まず簡潔な要約から始め、情報を足したときに性能が上がるかを都度測る。
フェーズ3：展開（以降）
全ライン適用と、月次での結果検証を定常運用に載せる。計画担当者が最終承認する運用境界を維持し、AIの出力をそのまま指示書にしない。
5. 残っている課題3点
課題1：従来ルールと比較しないまま効果を主張する。 単純ルールでも1.11%まで到達する以上、比較対象を置かない検証は無意味である。提案書に従来ルールとの比較がない場合、それだけで差し戻してよい。
課題2：データを全部渡す設計にしてしまう。 完全情報で2.6倍悪化という結果は、設計思想に直接影響する。「せっかくあるデータだから全部入れよう」は逆効果になりうる。
課題3：推論コストが青天井になる。 トークン消費が3倍になっても性能は上がらなかった。従量課金の設定次第では、効果額より運用費が上回る。上限を先に決めること。
6. 稟議で使えるキーワードと自己診断
キーワード1：ベースライン比較。 従来ルールとの同一条件比較を、検収条件として契約書に書き込む。これだけで無駄な投資の大半を防げる。
キーワード2：属人性の解消。 計画品質を担当者の力量に依存させない。上振れではなく下振れ防止として説明すると、経営層に通りやすい。
キーワード3：情報の絞り込み設計。 渡す情報を絞ることが性能向上につながる、という設計方針を要件に明記する。
自己診断チェックリスト
- 現在の生産計画は、どの優先順位ルールに基づいているか説明できるか
- そのルールを最後に見直したのはいつか
- 計画作成に月何時間かかっているか把握しているか
- 計画担当者が不在のとき、同じ品質の計画が作れるか
- 納期遅延の原因が、計画由来か実行由来かを切り分けているか
- 設備稼働率を1ポイント上げたときの年間効果額を即答できるか
上記の自己診断と稟議キーワードは、社内で最初の一歩を決めるための叩き台にしてほしい。
7. まとめ
キーメッセージ1：LLMは生産計画の最適化器ではなく、頑健な近似器である。 期待する効果を「最良解の獲得」に置くと、投資は失敗する。
キーメッセージ2：情報は多いほど良い、という前提は成立しない。 完全情報で2.6倍悪化という実測値は、システム設計の方針そのものを変える。
キーメッセージ3：効果が出るのは、計画が属人化・陳腐化している工場である。 自社がどちらかを先に見極めることが、投資判断の第一歩になる。
一次ソース
- Shijie Cao, Yuan Yuan, Jing Liu. “DynaSchedBench: Calibrated Dynamic Scheduling Benchmarks and Observability Paradox in LLM-based Scheduling Agents.” arXiv:2605.27566v1, 2026年5月26日投稿
- 評価対象：動的フレキシブルジョブショップスケジューリング（DFJSP）
- 比較LLM：Qwen3（4B/8B/14B/32B）、Kimi-K2、Claude-4.5 Haiku、DeepSeek-V3.2、Gemini-2.5 FlashLite、Grok-4 Fast、GPT-5 Mini
- 比較従来手法：作業順序8ルール×設備割付3ルールの計24通り
- 掲載状況：査読付き会議・論文誌への採択情報は公開されていない
次号予告
第17号は、調達・購買を取り上げる。契約書やサプライヤー情報という非定型な文書の山に対して、LLMが実務水準でどこまで踏み込めているかを扱う。
