ドイツの物流誌 LOGISTIK HEUTE が、PwC / Strategy& と共催する Supply Chain Awards 2026 の最終候補を発表した。Supply Chain Management Award 部門に残った4社のうち、BASF Agricultural Solutions の取り組みが、AIをサプライチェーンに入れようとしている企業にとって参考になる。この記事では、発表されている事実を整理したうえで、業務システムを作る側から見て「どこが本当の難所か」を書く。
要点 (出典に書かれている事実のみ)
- LOGISTIK HEUTE が PwC / Strategy& と共催する Supply Chain Awards 2026 の最終候補が発表された。Supply Chain Management Award は21回目、Smart Solution Award は9回目。最終プレゼンは11月10日、フランクフルト・アム・マインで行われる。
- Supply Chain Management Award 部門の最終候補は BASF Agricultural Solutions、ドイツテレコム、スワロフスキー、TKエレベーターの4社。Smart Solution Award 部門は byeagain、Freshflow、Logivations、traide AI の4社。
- BASF Agricultural Solutions は、因果AI・生成AI・ナレッジグラフ・ネットワークシミュレーションを組み合わせた統合プラットフォームを構築した。同社のサプライチェーンは、エンドツーエンドで最大24カ月のリードタイム、変動する需要、グローバルなバリューチェーン網という条件下にある。
- 発表されている成果は、販売予測精度が20%改善、サプライチェーンのネットワークシミュレーションがベースラインモデル比で80%改善。低ボリュームSKUのベースライン計画を自動化し、在庫・能力・バッファの管理をより精緻にできるとしている。
- 同プラットフォームは関連する計画システムおよび社内システムを統合し、「Market Knowledge Graph」を備える。需要計画・ネットワークシミュレーション・S&OPチャットボットによる意思決定支援に使われる。全世界展開の完了は2027年を見込む。
徐 聖博の見解
私がこの事例で注目したのは、20%という数字そのものではない。AIの出力が、既存の計画システムに直結しているという構成のほうだ。
受託でS&OPや在庫計画まわりを作っていると、精度の高い予測モデルができたのに業務が1ミリも変わらない、という場面に何度も出会う。原因はたいてい同じで、モデルの出力が「誰かが見るダッシュボード」で止まっているからだ。計画を動かすのは既存の計画システムの数字であって、横に置かれたBIの数字ではない。BASFが「関連する計画システムおよび社内システムを統合した」と説明し、低ボリュームSKUのベースライン計画を自動化したと明記しているのは、この分断を最初から避けにいった設計に見える。AIをチャット用途で止めず、S&OP・在庫・能力・ネットワーク設計という経営判断の側に埋め込んでいる。
もう一つ、リードタイム最大24カ月という前提が効いている。この長さだと、予測を外した損失が確定するまでに2年かかる。裏を返せば、予測精度の改善が財務に効くまでにも時間がかかるということで、全世界展開の完了が2027年という時間軸は、派手さはないが誠実な数字だと私は受け取った。AI導入の成果を四半期で測ろうとする会社ほど、この種の投資を途中で降りる。
作る側から見た難所はどこか
因果AI・生成AI・ナレッジグラフ・ネットワークシミュレーションという組み合わせを見ると、技術の新規性に目が行きがちだが、自社で同じものを作るとしたら本当に重いのは別のところだ。
最初の壁はマスタデータの名寄せである。「Market Knowledge Graph」を成立させるには、品目・顧客・拠点・需要ドライバが、国と拠点をまたいで同じ粒度で揃っている必要がある。グローバルにバリューチェーンを持つ会社でこれが最初から揃っていることは、まずない。グラフを作る工程の実体は、多くがこの地道な統合作業になる。
次に因果の検証コストだ。相関で当てるモデルなら短期間で作れるが、因果を名乗る以上は「この施策を打てばこう動く」という反実仮想の主張になる。リードタイムが24カ月の世界で、その主張を実データで検証し切るのは容易ではない。だからこそ、精度の数値は「どの期間の・どのSKU群に対する・どのベースライン比か」まで見ないと評価できない。今回の発表値も、ネットワークシミュレーションの80%改善は「ベースラインモデル比」と明記されており、絶対的な性能ではない点は押さえておきたい。
三つ目は運用負荷である。S&OPチャットボットは見た目が派手だが、計画会議で使われ続けるには、参照するデータが毎回最新であること、答えの根拠が辿れることが要る。ここを支えるのはモデルではなくデータパイプラインと監視で、実際のランニングコストの大半もそこに乗る。PoCで動いたものが本番で続かない理由は、ほぼこの三つ目に集約される。
日本の中堅企業は何を持ち帰るか
BASFと同じ規模のプラットフォームを一度に作る必要はない。持ち帰るべきは順番のほうだ。
一つ目、AIを入れる前に、計画の数字がどのシステムで確定しているかを特定する。そこに書き戻せない予測は、精度に関係なく業務を変えない。基幹システムとの接続の考え方は基幹システムとERPの違いをわかりやすく解説や在庫管理システム開発の完全ガイドで整理している。
二つ目、最初の対象を絞る。BASFも低ボリュームSKUのベースライン計画という、人手をかけても精度が上がりにくく、かつ自動化の失敗コストが相対的に小さい領域を自動化の対象にしている。コア工程から入る考え方は物流AIはコア工程から入れるでも触れた。
三つ目、精度の数字を業務条件つきで受け取る。予測精度70%のAIを本番業務に載せる意味については厦門のサプライチェーン3社の使い方、AI×サプライチェーンの誇張を見抜く視点についてはFTの検証記事に関する論評を併せて読んでほしい。既存技術のリブランドと本物の構成変更を区別できるかどうかが、投資判断の分かれ目になる。
まとめ
BASFの事例が示しているのは、AIの賢さではなくAIを置く場所である。予測精度20%改善という見出しの裏にあるのは、既存の計画システムへの統合と、2027年までかけて全世界に展開するという時間設計だ。自社で同じことをやるなら、モデルの選定より前に、マスタデータの粒度・書き戻し先・運用体制の三つを設計する。順番を逆にすると、精度の高い使われないモデルが1つ増えるだけになる。
出典: Supply Chain Awards 2026: eight applications reach final round
