需要予測AIの費用対効果｜タイ工場が見るべき精度指標と投資回収年数

2026年のタイでは、同じ年・同じ国の輸出見通しが、公的機関と荷主団体で二桁ポイント離れています。外部の予測がここまで割れる年に「当たる予測」を買いに行くのは、筋の悪い投資です。必要なのは、外れ方を管理する仕組みのほうです。本記事では、需要予測AIをMAPEだけで評価すると必ず判断を誤る理由、バイアスとFVAという二つの追加指標、そして年商500百万バーツ規模の工場を想定した費用と回収の試算を、タイ・ベトナムに拠点を持つ日系メーカーの目線で整理します。

2026年、タイの需要見通しは「二桁ポイント割れている」

まず、自社の外側にある前提を確認しておきます。2026年のタイについて、公的機関と業界団体の見立てが、そもそも一致していません。

タイ商務省 貿易政策戦略局(TPSO)のNantapong Jiralertpong局長は、2026年のタイ輸出見通しを -3.1%〜+1.1% としています。GDP成長率については、IMFと世界銀行の見通しを引いて 1.6〜1.7% としています。一方、タイ荷主評議会(Thai National Shippers’ Council)は、2026年の輸出成長率見通しを従来の 2〜4% から 8〜10% へ大幅に上方修正しました。理由は電子部品およびAI関連品の需要です。

同じ年・同じ国の輸出について、下限で見れば -3.1%、上限で見れば +10%。振れ幅は13ポイントを超えます。どちらかが間違っているという話ではなく、見ている品目構成と前提が違うということです。電子部品・AI関連品のウェイトが高いポートフォリオを見れば強気になり、消費財や自動車関連を含む全体を見れば弱気になる。この構造を理解しないまま「タイの2026年は伸びる/伸びない」と一言で語ると、自社の生産計画を誤ります。

市場別に見ると、方向が真逆の市場が並ぶ

TPSOの市場別見通しは、さらに分解した姿を示しています。

出典: タイ商務省 貿易政策戦略局(TPSO)

注目すべきは、米国と中国が「プラスではあるが、2025年からの減速幅が極端に大きい」点です。対米は +30.6% から +8.9% へ、対中は +13.6% から +1.2% へ。TPSOはこの背景として、2025年に関税を見越して行われた前倒し出荷(front-loading)の反動、つまり積み上がった在庫の取り崩しによるペイバックを明示しています。加えて、関税に起因する消費者物価の上昇も需要側の重しとして挙げられています。

そして対カンボジアの -40.8%。これは需要予測モデルにとって最も厄介なタイプの変化です。過去データの延長線上にまったく乗らず、統計的にはただの異常値に見える。しかし現実には構造変化であり、モデルに「異常値として除去」させてしまうと、翌月も翌々月も同じ外し方を続けることになります。

足元の製造業は減速している

見通しの話だけでなく、実績も見ておきます。2026年5月のタイ鉱工業生産指数(MPI)は前年同月比 -0.8%。自動車生産は -17.94% と大幅な悪化でした。タイ工業省の2026年通年MPI見通しは +1.0〜2.0% です。つまり、足元はマイナス、通年はわずかにプラスという見立てで、期中のどこかで回復することを織り込んだ数字ということになります。

中期の絵としては、クルンシィ・リサーチ(Krungsri Research)のIndustry Outlook 2026-2028が、タイ経済の2026-2028年の成長を年平均2.1%と見ています。2010-2019年の平均3.6%を大きく下回る水準です。家計債務はGDPの86%超で、内需の伸びしろが構造的に抑えられている状態です。

ベトナムは逆に増産局面にある

ここで、タイとベトナムの両方に拠点を持つ日系メーカーにとって重要な非対称性が出てきます。

ベトナムの2026年上半期のIIP(鉱工業生産指数)は前年同期比 +10.8%。2019年以来の高い伸びで、2025年上半期の +8.7% からさらに加速しています。製造・加工業は +11.4% で、全体の伸びに 8.9ポイント寄与しました。2026年6月の製造業PMIは 51.8(5月は52.8)で、生産は14ヶ月連続の拡大です。ただし雇用は4ヶ月連続の減少で、人を増やさずに生産を伸ばしている構図が読み取れます。

つまり、同じ会社の中で、タイ拠点は減速局面、ベトナム拠点は増産局面という状況が起こりえます。ここで「グループ共通の需要予測モデル」を1本作って両拠点に配ると、少なくとも片方は大きく外れます。この論点は後段で改めて扱います。

需要予測AIとは何を置き換える仕組みか

「需要予測AI」という言葉は広く使われていますが、工場の現場で実際に何が置き換わるのかは、意外と共有されていません。ここを曖昧にしたまま予算を取ると、導入後に「思っていたものと違う」となります。

Excel＋営業の勘とAI需要予測の違いは「粒度×頻度×説明可能性」

多くのタイの日系工場では、現状の需要予測は次のような形で作られています。

• 営業部門が主要顧客からの内示・フォーキャストを集める
• 生産管理がExcelで前年同月比と直近3ヶ月移動平均を並べる
• 月次の需給会議で、営業の肌感覚を加味して数字を調整する
• 決まった数字を生産計画と購買に流す

このやり方が「悪い」わけではありません。顧客数が少なく、内示の精度が高く、リードタイムが短い工場では、これで十分機能します。問題は、SKUが数百を超え、内示のない見込み品が混ざり、原材料の調達リードタイムが2〜3ヶ月ある場合です。人手では、粒度を細かくすると回らなくなり、頻度を上げると回らなくなる。

需要予測AIが実際に置き換えるのは、この粒度と頻度の限界です。整理すると、差は次の3点に集約されます。

重要なのは最後の行です。需要予測AIは、営業の勘を「否定して置き換える」ものではありません。営業しか知らない情報(新規案件の受注確度、顧客の工場移転、競合の撤退)は、これからもモデルの外にあり続けます。AIが引き受けるのは、誰がやっても同じ答えになるはずの計算を、人より細かく、人より頻繁にやるという部分です。ここを勘違いすると、「AIが出した数字を営業が全部上書きする」という、最もありがちな失敗に直行します。

統計モデルと機械学習の使い分け（外部変数を入れられるかが分岐点）

需要予測の手法は、大きく次の3層に分かれます。

第1層 — 時系列統計モデル(移動平均、指数平滑、ARIMA、季節分解など)

過去の自分の系列だけから未来を作ります。データが少なくても動き、結果の説明が容易で、計算も軽い。安定需要品にはこれで十分なことが多く、実際、後述するFVAの評価では「AIが統計モデルに勝てなかった」という結論が出ることも珍しくありません。

第2層 — 機械学習(勾配ブースティング系、回帰系)

過去の自分の系列に加えて、外部変数を説明変数として入れられます。祝日カレンダー、営業日数、キャンペーン、為替、顧客側の生産計画、原材料価格、関税率の変更など。SKU間の類似性を使って、データの少ないSKUを他のSKUの挙動から補うこともできます。

第3層 — 深層学習系(RNN/Transformer系の時系列モデル)

多数の系列を同時に学習し、系列間の相互作用や長期依存を捉えます。数千SKU以上のスケールで真価を発揮しますが、学習データ量とデータ品質への要求が高く、説明可能性は下がります。

タイの日系工場の現実的な出発点は、ほぼ第2層です。分岐点は明確で、「自社の需要を動かしている外部要因を、データとして持っているか」です。ソンクランの日並び、旧正月の週ずれ、顧客の稼働カレンダー、関税発動月。これらが数字として手元にあるなら第2層に意味があります。手元にないなら、まずそのデータを作るところが投資対象であって、モデルではありません。

なお、AIの精度は学習データの質と量に大きく依存し、データ整備が成功の鍵であるという指摘は、導入事例の分析でも繰り返し出てきます。第3層の高度なモデルを入れる前に、第1層に負けていないかを確認する。これが順番です。

「生産計画AI」「在庫最適化AI」との関係（需要予測は入力、計画は出力）

現場で最も混乱するのがこの区別です。整理すると、3つの機能は一直線に並んでいます。

“`

需要予測AI → 在庫最適化AI → 生産計画AI

（何が売れるか） （いくつ持つか） （いつ何を作るか）

“`

• 需要予測AI は「将来の需要量と、その不確実性(ばらつき)」を出力します。ここでのアウトプットは、点の数字だけでなくばらつきの幅であることが重要です。
• 在庫最適化AI は、その予測とばらつきを受け取り、SKUごとの安全在庫・発注点・発注量を決めます。予測が同じでも、サービスレベル目標や欠品コストの置き方で答えが変わります。
• 生産計画AI(生産スケジューラー) は、必要量と納期を受け取り、設備能力・段取り時間・人員シフトの制約下で、いつ何をどの順で作るかを決めます。

ここから導かれる実務的な結論は、需要予測AIだけを入れても、工場の指標は動かないということです。予測精度が上がっても、安全在庫の計算式が10年前のまま固定値で運用されていれば在庫は減りません。発注点が手動のままなら購買も変わりません。生産計画が週次の固定ロットで回っていれば、生産も変わりません。

需要予測は入力であって、成果ではありません。成果を出すのは、その予測を受け取って動く器のほうです。器の側の選択肢については、生産スケジューラー比較と在庫管理システム比較で、タイで実際に使われている製品群を整理していますので、あわせてご確認ください。

私たちTOMAS TECHは、需要予測エンジンそのものを開発・販売する会社ではありません。バンコクを拠点に、予測を受け取って動く生産計画・在庫・購買の器を作る側として、日系工場のIT/OT統合を手がけています。だからこそ、「エンジンだけ買ったが器がない」という状態を数多く見てきました。

精度指標の読み方 — MAPEだけを見ると必ず判断を誤る

ベンダー比較の場で最初に出てくる数字はMAPEです。しかしMAPEだけで意思決定すると、高い確率で誤ります。必要な指標は3層あります。

業種別MAPEベンチマーク

MAPE(平均絶対パーセント誤差)は、予測が実績から平均何%ずれたかを示します。まず押さえるべきは、MAPEの「良し悪し」は業種と粒度で決まるという点です。

タイの日系工場の多くは、3行目の「産業財/B2B」に該当します。つまり、SKU単位のMAPEが20〜40%というのは、改善の余地がある悪い数字ではなく、その領域の標準的な水準だということです。この前提を知らずに「MAPE 30%は話にならない」と評価すると、健全な状態を異常と誤認します。

逆に、ベンダーから「MAPE 10%を実現しました」という他社事例を提示されたときは、その事例がどのセグメントで、どの粒度・どの予測地平の数字なのかを必ず確認してください。SKU×週次のMAPEと、品目グループ×月次のMAPEは、まったく別の指標です。後者は前者より、ほぼ例外なく良い数字が出ます。集約すれば個々のSKUの上振れと下振れが相殺されるからです。粒度を明示しないMAPEの比較には、意味がありません。

バイアス（系統的な上振れ/下振れ）を分けて見る

MAPEの致命的な弱点は、誤差の向きを消してしまうことです。絶対値を取るので、常に10%多めに読んでいるモデルと、ある月は+10%・翌月は-10%とランダムにばらつくモデルが、同じMAPE 10%として並びます。

しかし工場にとって、この二つはまったく違います。

• ランダムな誤差は、安全在庫でカバーする対象です。ばらつきの幅に応じて在庫を積めば、サービスレベルは維持できます。
• 系統的なバイアスは、安全在庫でカバーする対象ではありません。常に多めに読んでいるなら在庫が単調に積み上がり続けますし、常に少なめに読んでいるなら欠品が構造的に発生し続けます。予測の中央値そのものを直すべき問題です。

バイアスは在庫に対して積分的に効きます。毎月+5%ずつ多めに読み続ければ、在庫は毎月増え続けます。MAPEが横ばいでも、在庫だけが増えていく工場は、ほぼ間違いなくバイアスを放置しています。

実務では、次の3つを並べて月次でレビューします。

1. MAPE(誤差の大きさ) — 安全在庫の設計に使う
2. バイアス(誤差の向きと持続) — 予測プロセスと調整ルールの是正に使う
3. 在庫アウトカム(在庫日数、欠品率、廃棄額) — 最終的な合否判定に使う

MAPEよりMAE(平均絶対誤差)やMASEのほうが示唆が大きい場面も多い、という指摘もあります。とくに需要がゼロの週が混ざる品目では、MAPEは分母がゼロになって計算不能または発散するため、そもそも使えません。断続需要の品目が多い工場では、指標選定の段階でMAPE一択にしないことが重要です。

FVA（Forecast Value Added）— ナイーブ予測に勝てない需要予測はコスト

3層目が、投資判断に最も直結する指標です。

FVA(Forecast Value Added) は、「ナイーブ予測に対して、その手間をかけたことでどれだけ上乗せ価値が出たか」を測ります。ナイーブ予測とは、たとえば「翌月の需要＝今月の実績」「翌月＝前年同月」といった、コストゼロで作れる最も単純な予測です。

評価の手順はシンプルです。

1. 同じ期間・同じ品目で、ナイーブ予測のMAPEを計算する
2. 需要予測AIのMAPEを計算する
3. 差分がプラスなら、そのAIには価値がある
4. 差分がゼロまたはマイナスなら、そのAIは純粋なコストである

さらに重要なのは、このFVAをプロセスの各ステップごとに測ることです。実際の需給プロセスは、次のように多段になっています。

“`

ナイーブ予測 → 統計モデル → 機械学習モデル → 営業による調整 → 需給会議での合意値

“`

各ステップの後でMAPEを測ると、しばしば驚く結果が出ます。機械学習モデルの出力より、営業が調整した後の数字のほうが精度が悪い、というケースです。これは珍しくありません。営業は在庫切れで叱られた記憶が強いため、構造的に多めに読む傾向があるからです。この場合、正しい打ち手は「AIを高度化する」ことではなく、「営業の調整に根拠の記入を必須にし、根拠のない上振れ調整をやめる」ことです。追加投資ゼロで精度が上がります。

PoCの評価設計として、FVAは必須です。 ベンダーのMAPEだけを見て契約すると、「立派なモデルを入れたが、実は前年同月比と同じ精度だった」という結論に、契約後に気づくことになります。PoCの合格条件には、必ず「同期間のナイーブ予測に対するFVAがプラスであること」を書き込んでください。

需要予測AIが効く工場・効かない工場

需要予測AIは、すべての工場で同じ効果を出すわけではありません。生産方式と需要の性質によって、期待値は大きく変わります。

見込生産(MTS)/受注生産(MTO)/繰返受注の別で期待値が変わる

見落とされがちなのが「繰返受注」のケースです。顧客から3ヶ月先までの内示をもらっている工場は、「予測は不要、内示があるから」と考えがちです。しかし弊社が現場で見てきた範囲では、内示と実注が数割ずれる工場は珍しくありません。この場合、予測すべき対象は需要そのものではなく、内示の誤差構造です。「A社の3ヶ月先内示は平均して15%多めに出る」「B社は月末に追加注文を出す傾向がある」といったパターンは、十分にモデル化可能で、かつ効果が出やすい領域です。

効きにくい条件

次の条件に当てはまる場合、需要予測AIの投資対効果は厳しくなります。導入を止めるべきという意味ではなく、適用範囲を限定すべきという意味です。

条件1 — 案件ドリブンで、過去データに再現性がない

需要が特定の大型案件の受注可否で決まる場合、過去の出荷履歴を学習しても未来は当たりません。この場合、必要なのは需要予測AIではなく、営業パイプラインの確度管理です。

条件2 — SKUあたりの発生頻度が月数件以下

需要が断続的(intermittent)な品目では、統計的に学習できる情報がほとんどありません。SKU単位のMAPEも計算不能になりがちです。この領域は、予測ではなく「在庫を持つか持たないか」という定性的な判断に切り替えるほうが実務的です。

条件3 — 調達・生産リードタイムが予測地平より短い

原材料の調達リードタイムが1週間で、生産が3日で終わる工場では、そもそも予測に基づいて先に手を打つ必要がありません。受注を見てから動けば間に合います。予測の価値は、リードタイムが予測地平に対して長いときにだけ生まれます。逆に言えば、リードタイムを短縮できるなら、そちらのほうが投資対効果が高い可能性があります。

条件4 — 需要は読めているが、供給側が不安定

サプライヤーの納期遵守率が低く、欠品の主因が需要側ではなく供給側にある場合、予測を改善しても在庫は減りません。この場合の投資対象は、サプライヤー納期の実績管理と、供給リードタイム変動を織り込んだ安全在庫の再設計です。

まず品目グループ単位から始める理由

導入時によくある失敗が、いきなり全SKU×週次で始めることです。産業財のSKU単位MAPEは20〜40%が標準ですから、細かい粒度で始めると、最初の結果を見た瞬間に「精度が低すぎる」という評価になり、プロジェクトが止まります。

品目グループ単位から始めるべき理由は3つあります。

1. 集約すると誤差が相殺され、MAPEが下がる。 数字が「読める」水準になるので、関係者が結果を信じられる状態からスタートできます。
2. 意思決定の粒度と一致している。 生産ラインの能力計画、人員シフト、共通原材料の調達枠は、そもそもSKU単位ではなく品目グループ単位で決まっていることが多いはずです。予測の粒度を意思決定の粒度に合わせるのが原則です。
3. 段階的に下ろせる。 グループ単位で機能したら、Aクラス品だけSKU単位に下ろす、という展開ができます。逆方向(細かく始めて粗くする)は、失敗と見なされるので政治的に難しくなります。

粒度を決めるときの実務的な問いは、「その予測を見て、誰が、いつ、何を決めるのか」です。決める人がいない粒度の予測は、精度が高くても価値がありません。

費用と回収の考え方

ここからが投資判断の本体です。以下の試算では、為替を1 THB ≒ 4.6 JPY として統一します。金額はバーツ建てを主とし、日本円は参考値です。

端数処理の方針: 金額は百万バーツ単位で小数第2位まで(第3位を四捨五入)、在庫日数は小数第1位まで、率は整数%で表記します。日本円換算は1万円未満を四捨五入した参考値です。四捨五入の結果、内訳の合計と総計が末尾1桁でずれる場合があります。

費用が乗るのは4つ

需要予測AIの費用を「ライセンス費」だけで見積もると、ほぼ確実に足りません。費用は4つの箱に乗ります。

箱1 — データ整備

最も見積もりが甘くなる箇所です。出荷実績のクレンジング、品目マスタの名寄せ(同一品が複数コードで登録されている問題)、拠点間移動と実需要の分離、そして欠品・失注の記録を新たに取り始める仕組み。最後の項目は特に重要で、「売れた数」の履歴はあっても「売れなかった数」の履歴がある工場はほとんどありません。欠品時の需要は記録に残らないため、過去データをそのまま学習すると、需要を構造的に少なめに見積もるモデルができあがります。

箱2 — 予測モデル/ライセンス

SaaSのサブスクリプション、あるいは自社構築の場合の開発費です。ここだけがベンダー見積書に明示的に載る部分です。

箱3 — 既存システム連携

生産管理システム、在庫管理システム、購買システムとのインターフェース。予測結果を人がCSVで手作業コピーしている限り、日次更新は絶対に運用に乗りません。ここを削ると、後で必ず「PoCは成功したが本番運用が回らない」という形で跳ね返ってきます。

箱4 — 運用体制

月次レビュー会の設計、判断基準の文書化、担当者の教育、そして担当者交代時の引き継ぎ手順。「誰が予測を見て、外れたときに何をするか」が決まっていないシステムは、3ヶ月で誰も見なくなります。

効果を金額に変える1本の式

効果を金額に変換するときの最大の落とし穴は、同じ在庫を二回数えてしまうことです。ここを厳密にやります。

ベースライン（この記事で使う唯一の現状値）

以降のすべての計算は、次の1つのベースラインから、一本の世界線で導きます。

1日あたり売上原価がちょうど1.0百万バーツになるように設定しているので、在庫日数1日 = 在庫金額1.0百万バーツとして読めます。

なお、売上原価率73%から機械的に計算した粗利率は27%ですが、欠品を取り戻して追加販売する分には販売変動費(輸送・販促・与信コスト)が乗るため、効果の換算にはそこから2ポイント差し引いた貢献利益率25%を保守値として使います。以降の試算で「25%」と出てくるのはすべてこの貢献利益率です。

在庫保有コスト率18%は本記事のモデル前提です。内訳は、資本コスト7%、保管・物流6%、廃棄/陳腐化/評価損3%、保険・棚卸・管理2%と想定しています。自社で試算するときは、この4項目を実額で置き換えてください。

在庫60.0日の中身を分解する

在庫を削減対象と非対象に分けます。ここを分けないと「在庫を10%減らす」という根拠のない目標が独り歩きします。

予測誤差の改善目標を1つだけ置く

品目グループ×月次のMAPEを 28% → 21%(誤差を25%削減) とします。この25%という数字の置き方については次節で述べます。

効果1 — 在庫削減(資金効果)

安全在庫は、需要変動と供給変動の両方に備えるために存在します。予測精度の改善が効くのは需要側だけです。ここでは安全在庫20.0百万バーツのうち、需要変動起因を70%(14.0百万バーツ)、供給変動起因を30%(6.0百万バーツ)と置きます。

• 需要変動起因の安全在庫: 20.0 × 70% = 14.0百万バーツ
• 誤差25%削減により削減可能: 14.0 × 25% = 3.50百万バーツ
• 滞留・見込み違い在庫の発生抑制: 6.0 × 40% = 2.40百万バーツ
• 在庫削減合計: 3.50 + 2.40 = 5.90百万バーツ(約2,714万円)

在庫日数では 60.0日 → 54.1日、削減率は 約10% です。

年間の損益効果は、この在庫に対する保有コストの削減分です。

5.90百万バーツ × 18% = 1.062 → 1.06百万バーツ/年(約488万円)

なお、滞留在庫の削減は本来「廃棄損の回避」として個別に評価すべきものですが、ここでは保守的に、保有コスト率18%を一律に適用しています。

ここが二重計上の分かれ目です。 削減した在庫 5.90百万バーツ そのものは利益ではありません。運転資本が一度だけ解放されるキャッシュフローであって、毎年発生する効果ではありません。損益として毎年計上してよいのは、保有コストの削減分1.06百万バーツだけです。「在庫を5.90百万バーツ減らしたので年間5.90百万バーツの効果」と書いた瞬間に、投資判断は5倍以上ずれます。

効果2 — 欠品削減(売上機会の回復)

ここで当然の疑問が出ます。在庫を減らしながら、なぜ欠品も減るのか。

答えは、減らす在庫と、欠品を起こしている在庫が別物だからです。

• 減らすのは、動いていない在庫です。需要を多めに読んだ結果として余っているSKUの安全在庫(3.50百万バーツ)と、見込み違いで滞留した在庫(2.40百万バーツ)。
• 欠品が起きているのは、需要を少なめに読んだSKUです。こちらは在庫を増やす必要があります。

予測精度の改善とは、総量を減らすことではなく、余っているSKUから足りないSKUへ在庫を付け替えられるようになることです。総量が下がるのは、余剰の解消額が不足の補填額を上回るためです。ここで試算の限界を明示しておきます。効果1で示した在庫削減5.90百万バーツは、余剰側の解消額だけを計算した粗の数字です。不足側の積み増し額は、SKUごとの欠品実績が揃っていない段階では見積もれないため、本試算では控除していません。したがって実際の正味削減額は5.90百万バーツより小さくなります。この点を承知したうえで、在庫削減と欠品削減を同時にカウントしても二重計上にならない理由は、両者が別々のSKU群で起きているからです。逆に、この付け替えの根拠を示せないまま両方を足している試算書は、疑ってください。自社で試算し直すときは、余剰側の解消額と不足側の積み増し額を必ず分けて出してください。

• ベースラインの失注機会: 6.0百万バーツ/年
• 削減率(計画値): 20% → 回復する売上 6.0 × 20% = 1.2百万バーツ/年
• 貢献利益率25%を掛けた利益効果: 1.2 × 25% = 0.30百万バーツ/年(約138万円)

McKinseyは、AIを活用したサプライチェーン予測が、適した用途で機会損失・欠品を最大65%削減しうるとしています。ただしこれは上限値です。ここでは計画値としてその3分の1以下にあたる20%を採用しています。

効果3 — 需給調整工数の削減

• 現状: 生産管理3名 × 週10時間 = 週30時間 × 50週 = 1,500時間/年
• 40%削減 → 600時間/年
• 人件費(賦課込み)350バーツ/時 → 600 × 350 = 0.21百万バーツ/年(約97万円)

これはキャッシュアウトが直接減るわけではなく、「浮いた時間を別の業務に回せる」というソフト効果です。人員削減を前提にしない限り、稟議上は割り引いて見るべき項目です。

効果4 — 特急輸送・特急段取りの削減

• ベースラインの特急空輸・特急便・臨時段取りの年間支出: 0.9百万バーツ
• 誤差削減率と同率の25%削減: 0.9 × 25% = 0.225 → 0.23百万バーツ/年(約106万円)

年間効果の合計

費用

初期投資(一時費用)

年間運用費(初年度から発生)

回収の姿

定常状態での年間純効果は、

年間粗効果 1.80 – 年間運用費 0.80 = 1.00百万バーツ/年(約460万円)

初期投資2.60百万バーツを、この定常純効果で割った単純回収年数は2.60 ÷ 1.00 = 2.6年です。

ただし、初年度は効果が立ち上がりません。データ整備と連携に時間がかかり、在庫が新しい水準に落ち着くにも数ヶ月かかります。初年度の効果を年間粗効果の50%として、累計収支を引くと次のようになります。

単位: 百万バーツ。損益ベースでの累計黒字転換は4年目です。

一方、運転資本の解放5.90百万バーツを、1年目と2年目に2.95百万バーツずつ実現するものとしてキャッシュベースで見ると、

• 1年目累計: -2.50 + 2.95 = +0.45
• 2年目累計: 0.45 + 1.00 + 2.95 = +4.40
• 3年目累計: 4.40 + 1.00 = +5.40(以降は年 +1.00 のみ)

キャッシュベースでは初年度で累計プラスになります。ただし在庫の解放は一度きりです。 3年目以降に上乗せされるのは年1.00百万バーツだけであり、これを「毎年5.90百万バーツのキャッシュが生まれる」と読み替えてはいけません。稟議書で最も頻繁に起こる誤りがこれです。

感度分析 — 誤差削減率が変わると答えはどう変わるか

前提の中で最も不確実なのは「誤差を25%削減できる」という部分です。ここを振ってみます。滞留在庫の削減率と欠品削減率は、誤差削減率25%のときにそれぞれ40%・20%となるよう比例配分しています。

単位: 百万バーツ。

この表が示す結論は明快です。誤差削減が10%止まりなら、年間運用費0.80百万バーツで効果をほぼ食い潰し、投資は回収できません。 需要予測AIの投資判断は「効果が出るか出ないか」の二択ではなく、「どの程度の誤差削減が現実的に見込めるか」という一点にほぼ集約されます。だからこそ、PoCの段階でFVAを実測して、自社データでどのレンジに着地するかを確かめる必要があるのです。

なお、効果測定の枠組み全般についてはAI導入の効果測定とROI設計で、指標の置き方と稟議での説明の仕方を整理しています。

McKinseyの「予測誤差20〜50%削減」をそのまま自社に当てはめてはいけない理由

McKinseyは、AIを活用したサプライチェーン予測が、適した用途で予測誤差を約20〜50%削減しうるとしています。この数字は、需要予測AIの提案書でほぼ必ず引用されます。引用する側・される側の双方で、次の3点を確認してください。

1. 「予測誤差を20〜50%削減」であって、「精度が20〜50%向上」ではありません。

これは頻繁に混同されます。MAPE 28% の工場で誤差を25%削減すると、MAPE は 21% になります(28 × 0.75 = 21)。7ポイントの改善です。「精度が25%上がる」と読んで「MAPE 28% が 3% になる」と解釈すると、期待値が桁違いにずれます。

2. 「適した用途で(in the right applications)」という条件節が本体です。

前章で見たとおり、案件ドリブン品、断続需要品、リードタイムが予測地平より短い工場では、この効果は出ません。20〜50%というレンジは、適用条件を満たした事例の分布です。

3. 出発点のMAPEに依存します。

現状のMAPEが50%の工場で誤差を50%削減してMAPE 25%にするのと、現状15%の工場で誤差を20%削減してMAPE 12%にするのとでは、難易度も金額効果もまったく違います。現状が悪いほど削減率は大きく出やすく、現状が良いほど削減率は小さくなります。

同様に、導入実績の数字も文脈込みで読む必要があります。LIXILは約120万機種の建材製品、230万SKUを対象にAI需要予測を導入し、エリア別の予測精度向上によって輸送コストの抑制と手動対応の削減を達成したと報告されています。ただし230万SKUという規模は、機械学習が最も力を発揮する条件そのものです。SKUが数百の工場が同じ改善率を期待するのは、無理があります。

タイ・ASEAN拠点に固有の5つの論点

日本本社で作ったモデルや評価基準を、そのままタイ・ベトナム拠点に持ち込むと機能しません。現地固有の論点が5つあります。

論点1 — 関税で需要が構造変化した年は、過去データの重みを下げる

TPSOが指摘した2025年の前倒し出荷(front-loading)は、需要予測モデルにとって毒です。2025年の出荷実績には、「実需」と「関税を見越した前倒し分」が混ざっています。この2025年データをそのまま学習させると、モデルは前倒し分を実需の水準として記憶し、2026年に過大な予測を出します。そして2026年は、その反動としての在庫取り崩し局面です。過大予測 × 需要減退という、在庫が最も膨らむ組み合わせになります。

対処としては、次のような手当てが考えられます。

• 前倒し出荷が発生した期間をフラグ付けし、外部変数としてモデルに明示する
• 直近データほど重みを高くする(時間減衰重み)のではなく、構造変化前後で学習期間を切る
• 2025年の対米・対中の急増(+30.6%、+13.6%)を「季節性」として学習させない

重要なのは、これを人が判断してモデルに教える必要があるという点です。前倒し出荷が起きたことは、データの中には書かれていません。

論点2 — 祝日カレンダーを特徴量に入れる

ASEAN拠点の需要予測で、最も費用対効果の高い改善が、実はこれです。

• ソンクラン(タイ正月): 4月中旬。年によって稼働停止日数と前後の日並びが変わります。企業により追加休業を設定するため、4月の営業日数は年ごとに変動します。
• 旧正月(中華圏): 1月末〜2月中旬で年によって月がまたぎます。中国・台湾からの部材調達と、中華系顧客の需要の両方に効きます。「1月の前年同月比」を単純に見ると、旧正月が1月にあった年と2月にあった年で、比較が成立しません。
• テト(ベトナム旧正月): ベトナム拠点では、テト前後の数週間で稼働と物流が大きく変動します。加えてテト後の離職・復職の波が生産能力側に影響します。

日本本社製のモデルには、日本のカレンダーしか入っていないことが普通です。ここを入れるだけで、月次予測のMAPEが目に見えて改善する例は多くあります。実装としても、営業日数・祝日フラグ・祝日前後日数を特徴量に追加するだけなので、コストはほとんどかかりません。モデルを高度化する前に、まずカレンダーを入れる。 これが順番です。

論点3 — バーツ変動と輸出比率

輸出比率の高い工場では、需要の増減の一部が為替に起因します。バーツ高が続けば輸出競争力が下がり、受注が減ります。この関係が自社に存在するかどうかは、過去データで検証可能です。

ただし注意点があります。為替を説明変数に入れる場合、予測時点で将来の為替が分からないという問題に直面します。予測に使えるのは、(1) 実績としての過去の為替、(2) 為替の先物・予想値、のいずれかです。過去の為替を使う場合は、為替変動が受注に反映されるまでのラグ(数ヶ月)を検証し、そのラグの範囲内でのみ予測に使えます。ラグを検証せずに為替を突っ込むと、モデルは意味のない相関を拾います。

論点4 — 2拠点で同じモデルを使い回さない

冒頭で見たとおり、2026年のタイ製造業はMPI 5月 -0.8%、自動車 -17.94% という減速局面である一方、ベトナムはIIP上半期 +10.8%、PMI 51.8 の増産局面です。同じ会社の中で、需要の向きが逆になっています。

このとき、次の3つは拠点ごとに分ける必要があります。

1. モデルの学習データ — タイの実績でベトナムの需要を学習させない
2. バイアスの監視 — 減速局面では過大予測、増産局面では過小予測に振れやすく、是正の向きが逆になる
3. 安全在庫のポリシー — 増産局面では欠品コストが相対的に高く、減速局面では在庫保有コストと廃棄リスクが相対的に高い

一方で、共通化してよいものもあります。予測精度の評価基準(MAPE・バイアス・FVAの定義と算出方法)、レビューの頻度と議事のフォーマット、データ品質の基準です。ここを共通化しておくと、拠点間の比較ができ、どちらの拠点の運用が優れているかを議論できるようになります。「モデルは分ける、ものさしは揃える」と覚えてください。

ベトナムのPMIで生産が14ヶ月連続拡大している一方、雇用が4ヶ月連続で減少している点にも触れておきます。人を増やさずに生産を伸ばしている状態は、能力の余裕が減っていることを意味します。需要予測が上振れしたときに増産で吸収できる余地が小さくなっているということなので、ベトナム側は予測の下振れ側より上振れ側のリスクを厚めに見ておくのが実務的です。

論点5 — BOI・デジタル投資の扱い

タイ投資委員会(BOI)は、AIを活用したシステム開発、クラウドサービス、データセンター運営を投資奨励の対象に含めています。デジタル人材の育成・訓練費用についても税制優遇の枠組みがあります。2026年第1四半期のデジタル産業向け投資申請額は、前年同期の2.4倍に増えています。

ただし、恩典の適用可否は案件ごとにBOIが判断します。「AIだから自動的に恩典がつく」ということはありません。需要予測AIの導入が自社の事業内容・投資計画のどこに位置づけられるかによって扱いが変わるため、投資額が大きくなる案件では、計画を固める前にBOIまたは専門家に個別確認することをおすすめします。稟議のスケジュールを組む段階で、この確認期間を織り込んでおくと後戻りが減ります。

90日で立ち上げる導入ステップ

一般的な相場として、PoCまでが2〜3ヶ月、本格展開まで含めると6ヶ月〜1年とされています。ここでは最初の90日、つまりPoCで意思決定材料を揃えるまでの進め方を示します。

0-30日 — データの棚卸しと評価基準の確定

この期間にモデルは作りません。作るのは「判断の土台」です。

• 出荷実績の抽出と品質評価: 何年分あるか、欠測はどこか、品目コードの改廃はいつ起きたか
• 品目マスタの名寄せ: 同一品が複数コードで存在していないか。ここが崩れていると、以降すべてが無意味になります
• 拠点間移動と実需要の分離: 工場から倉庫への移動が「出荷」として計上されていないか
• ベースラインの確定: 現状のMAPE(SKU×週次、品目グループ×月次の両方)、バイアス、在庫日数、欠品率、廃棄額を測る
• ナイーブ予測のベンチマーク作成: 「前月実績」「前年同月」でのMAPEを算出しておく。これがFVA評価の基準線になります
• 評価基準の合意: PoCの合格条件を、この段階で文書にして関係者の合意を取る

最後の項目が最も重要です。合格条件を後から決めると、必ず「思ったより良くないが、まあ使えなくもない」という玉虫色の結論になります。「品目グループ×月次のMAPEがナイーブ予測より5ポイント以上改善すること」のように、数字で書いてください。

31-60日 — PoCの実施

• 対象範囲を絞る: 1ラインまたは1品目グループ、SKU数で30〜80程度。全社でやらない
• バックテスト: 過去データを学習期間と検証期間に分け、検証期間の予測と実績を突き合わせる。学習期間に検証期間の情報が混入しないよう(リーケージ)、期間の切り方を必ず確認する
• 段階別FVAの測定: ナイーブ → 統計モデル → 機械学習 → 人的調整の各段階でMAPEを測り、どこで価値が生まれ、どこで価値が失われているかを可視化する
• 外部変数の効果検証: 祝日カレンダー、営業日数を入れた場合と入れない場合を比較する
• バイアスの確認: 誤差の平均がゼロ付近にあるか。特定の品目群や特定の月に偏っていないか

この時点で「機械学習モデルが統計モデルに勝てていない」という結果が出ることは、失敗ではありません。それは有益な発見です。 その場合、投資すべきは高度なモデルではなく、データ整備か、あるいは器のほう(在庫ポリシーと発注ルール)である、という結論になります。

61-90日 — 業務プロセスへの落とし込みと投資判断

予測の数字が出ただけでは、まだ何の効果もありません。

• 在庫ポリシーへの接続: 改善した予測誤差を、安全在庫の計算式にどう反映するかを決める。ここを決めないと在庫は1バーツも減りません
• 意思決定フローの再設計: 誰が予測を見て、どの閾値を超えたら何をするか。「予測が前月比±20%を超えたら生産計画会議に上げる」といった具体的なルールにする
• 人的調整のガードレール: 調整を許す範囲(たとえば±15%まで)と、それを超える場合の根拠記入の必須化
• 既存システム連携の設計と工数見積もり: 生産管理・在庫・購買システムへのIFを具体化する
• 効果の金額換算と投資判断: PoCで実測した誤差削減率を、本記事の感度分析の枠組みに当てはめて、回収年数を出す

生産管理システム側の受け皿がどうなっているかによって、この61-90日の難易度は大きく変わります。既存システムの整理については生産管理システム比較もあわせてご覧ください。

90日後の意思決定は、3択です。 (1) 本格展開に進む、(2) 対象範囲を変えて再PoC、(3) 中止して器の整備に投資を振り替える。3番目を選べるようにPoCを設計しておくことが、健全なプロジェクト運営です。

よくある失敗5つ

失敗1 — MAPEだけを合格条件にしてしまう

ナイーブ予測との比較(FVA)を測っていないため、「前年同月比と同じ精度のシステムに、年0.80百万バーツを払い続ける」という状態に陥ります。契約前に、必ずナイーブ予測のベンチマークを自社データで作ってください。

失敗2 — 予測を受け取る器がないまま、エンジンだけ導入する

安全在庫が10年前の固定値のまま、発注点が手動のまま、生産計画が固定ロットのまま。この状態では、予測精度がどれだけ上がっても在庫日数も欠品率も1ミリも動きません。前掲の試算で言えば、年間粗効果1.80百万バーツのうち、在庫由来の1.06百万バーツと特急削減の0.23百万バーツ、合計1.29百万バーツ(約72%)が丸ごと消えます。残るのは0.51百万バーツで、年間運用費0.80百万バーツを下回ります。しかも、発注点が手動のままなら欠品削減の0.30百万バーツも大半は失われるはずで、ここでは保守的に残していますが、実際に残るのは需給調整工数の0.21百万バーツ程度と見るのが現実的です。いずれにせよ、この構図では投資は赤字になります。

失敗3 — 営業の調整でモデル出力を無制限に上書きする

欠品で叱られた経験は、過剰在庫で叱られた経験より記憶に残ります。その結果、人的調整は構造的に上振れバイアスを持ちます。段階別FVAを測ると、この上書きが精度を悪化させていることが数字で見えます。調整を禁止するのではなく、範囲と根拠記入を要求するのが実務的な解です。

失敗4 — 全SKU×週次でいきなり始める

産業財のSKU単位MAPEは20〜40%が標準です。細かい粒度で始めると、最初の結果を見た関係者が「使えない」と判断してプロジェクトが止まります。品目グループ×月次から始めて、機能してからAクラス品だけ粒度を下げてください。

失敗5 — 欠品時の需要を記録していない

「売れた数」の履歴はあっても、「在庫がなくて売れなかった数」の履歴がある工場はほとんどありません。この状態で過去データを学習すると、モデルは需要を構造的に少なめに見積もります。そして少なめの予測が少なめの在庫を生み、また欠品する。この負のループは、モデルをどれだけ高度化しても解けません。データの側を直すしかない構造です。 欠品・納期遅延・失注の記録を取り始めることが、最初にやるべきデータ整備です。ただし、記録を取り始めてから学習に使えるだけの量が貯まるまでには時間がかかるので、着手は早いほど良いということになります。

FAQ

需要予測AIの精度はどのくらいですか？

業種と粒度によって大きく異なり、一律の水準はありません。目安として、FMCG/日用品の安定需要品のSKU単位で10〜25%(販促期間は25〜35%まで悪化)、アパレル・短命サイクル品で35〜60%、産業財/B2B・案件ドリブン品のSKU単位で20〜40%です。一般に許容水準とされるのは10〜20%未満ですが、これは需要変動性とライフサイクル段階に依存します。

「精度95%を保証」といった表現には注意してください。前提となる粒度と予測地平を示さない精度の数字は、比較の役に立ちません。また、McKinseyの示す「予測誤差を20〜50%削減」は、精度が20〜50%向上するという意味ではありません。MAPE 28% の工場で誤差を25%削減すれば、MAPEは21%になるということです。

需要予測システムの費用はいくらかかりますか？

本記事で示した年商500百万バーツ規模の工場のモデルケースでは、初期投資2.60百万バーツ(約1,196万円)、年間運用費0.80百万バーツ(約368万円)としています。為替は1 THB ≒ 4.6 JPY 前提です。

内訳は、初期投資がデータ整備0.80、モデル構築・PoC 0.70、既存システム連携0.75、運用体制立ち上げ0.35。年間運用費がライセンス0.45、保守・再学習0.20、社内データ運用工数0.15です。

注意点として、ベンダー見積書に載るのは通常「モデル構築」と「ライセンス」の部分だけです。データ整備と既存システム連携が全体の約6割(初期投資2.60のうち1.55)を占めることを、予算取りの段階で織り込んでください。

生産計画AIと需要予測AIは何が違いますか？

需要予測AIは「将来どれだけ売れるか」とその不確実性を出力するもので、計画の入力です。生産計画AI(生産スケジューラー)は、必要量と納期を受け取って、設備能力・段取り時間・人員シフトの制約下で「いつ何をどの順で作るか」を決めるもので、計画の出力です。その中間に、SKUごとの安全在庫・発注点・発注量を決める在庫最適化AIが入ります。

順番としては、需要予測 → 在庫最適化 → 生産計画です。需要予測AIだけを導入しても、後段の在庫ポリシーと生産計画が固定的なままなら、工場のKPIは動きません。

データが3年分しかなくても導入できますか？

3年分は、月次予測なら36点、週次なら約156点です。季節性を捉えるには、月次で最低2年、できれば3年が必要とされるので、季節性の学習という点では3年は最低ラインをぎりぎり満たす水準です。

ただし、量より重要なのは質と構造です。次を確認してください。

1. 品目コードの改廃が起きていないか。3年前と今で同じ製品が別コードなら、実質的な履歴は分断されています
2. 構造変化が含まれていないか。2025年の前倒し出荷のような一過性の急増が入っていると、その期間は実需として学習させるべきではありません
3. 欠品期間が識別できるか。在庫切れで売れなかった期間を「需要ゼロ」として学習すると、需要を過小評価します

現実的な進め方は、SKU単位ではなく品目グループ単位から始めることです。集約すればデータ点あたりの情報量が増え、3年分でも十分に機能します。また、SKUをまたいで学習する機械学習モデルなら、個別SKUの履歴が短くても、類似SKUの挙動から補える場合があります。

在庫最適化AIだけを先に入れることはできますか？

できますし、状況によってはそちらのほうが投資対効果が高い場合があります。

安全在庫の計算式が長年固定値で運用されている工場では、現状の予測精度をまったく変えなくても、需要変動と供給リードタイム変動を反映した安全在庫の再計算だけで在庫が下がることがあります。過剰なSKUと不足しているSKUの偏りを直す作業だからです。

判断の目安は、欠品の主因がどちらにあるかです。欠品の主因が需要側の読み違いなら需要予測から、供給側の納期変動なら在庫最適化から着手するのが合理的です。前者か後者かは、直近1年の欠品事象を10〜20件棚卸しして、原因を分類すれば1週間程度で判別できます。この棚卸しは費用ゼロでできるので、どのシステムを検討するにしても、最初にやる価値があります。

まとめ

2026年のタイは、公的機関(TPSO)が輸出を -3.1〜+1.1% と見る一方、タイ荷主評議会は +8〜10% と見ています。外部の需要予測が二桁ポイント割れている年に、「当たる予測」を買いに行くのは筋の悪い投資です。投資すべきは、外れ方を管理する仕組みのほうです。

本記事の要点を整理します。

1. 需要予測AIの投資対効果は、MAPEを何%改善したかでは決まりません。 決めるのは、(1) ナイーブ予測に対する上乗せ価値=FVAがあるか、(2) その予測を受け取って動く計画・在庫・購買の「器」があるか、の2点です。
2. 精度指標は3層で見ます。 MAPE(誤差の大きさ)、バイアス(誤差の向きと持続)、FVA(ナイーブ予測に対する上乗せ)。MAPEだけを見ると、系統的な上振れを放置したまま在庫が増え続ける事態に気づけません。
3. MAPEの良し悪しは業種と粒度で決まります。 産業財/B2BのSKU単位で20〜40%は標準的な水準です。粒度を明示しない精度の比較には意味がありません。
4. 費用は4つの箱に乗ります。 データ整備、モデル、既存システム連携、運用体制。モデル部分だけを見積もると、初期費用の7割強を見落とします。
5. 効果はベースラインを1つだけ置き、一本の世界線で計算します。 在庫削減額そのものは利益ではなく、一度きりの運転資本解放です。損益として毎年計上できるのは保有コスト削減分だけです。在庫削減と欠品削減を同時に数えるなら、「余っているSKUから足りないSKUへ在庫が付け替わる」という根拠を示す必要があります。
6. 誤差削減率が10%止まりなら、運用費で効果を食い潰して回収できません。 だからこそ、PoCの段階でFVAを実測することが、投資判断の分かれ目になります。
7. ASEAN固有の論点を外さないこと。 前倒し出荷の反動、ソンクラン・旧正月・テトのカレンダー、バーツ変動のラグ、タイとベトナムで需要の向きが逆になる非対称性、そしてBOI恩典の個別確認。
8. 90日で判断材料は揃います。 0-30日でデータ棚卸しと評価基準の確定、31-60日でPoCとFVA測定、61-90日で業務プロセスへの落とし込みと投資判断。「中止して器の整備に振り替える」という選択肢を残した設計にしてください。

需要予測AIは、魔法ではありません。しかし、外部予測が割れる年ほど、自社の外れ方を定量的に把握し、それを在庫と生産計画に反映する仕組みの価値は上がります。まず自社のナイーブ予測ベンチマークを作るところから始めてみてください。それは費用ゼロでできて、その後のすべての判断の基準になります。

TOMAS TECHはバンコクを拠点に、日系工場のIT/OT統合を手がけており、需要予測を受け取って実際に動く生産計画・在庫・購買の仕組みづくりを支援しています。「まだ導入を決めたわけではないが、自社のデータでそもそも予測が成り立つのか知りたい」「ベンダーの提案書に書かれた精度の数字が妥当か、第三者の目で見てほしい」といった段階でのご相談も歓迎しています。タイ・ベトナム両拠点での運用を前提とした進め方についても、実例を交えてお話しできます。お問い合わせはこちらからどうぞ。

出典

• タイ商務省 貿易政策戦略局(TPSO) 2026年輸出見通し — https://www.nationthailand.com/business/economy/40060821
• タイ荷主評議会(Thai National Shippers’ Council) 2026年輸出見通し上方修正 — https://finance.biggo.com/news/9a9f539b-a2a8-4256-8a58-e89f613e3c89
• タイ 2026年5月MPIおよび工業省の通年見通し — https://bangkokshuho.com/thainews-1241/
• クルンシィ・リサーチ Industry Outlook 2026-2028 — https://www.krungsri.com/en/research/industry/summary-outlook/2026-2028
• ベトナム統計局 2026年上半期の製造業動向 — https://en.vietnamplus.vn/manufacturing-remains-key-driver-of-vietnams-economic-growth-in-h1-nso-post347761.vnp
• ベトナム 2026年6月製造業PMI — https://en.vietnamplus.vn/manufacturing-sector-ends-first-half-of-2026-with-firm-growth-as-pmi-holds-above-no-change-mark-post347589.vnp
• 予測精度ベンチマークおよびMcKinseyの試算 — https://xorosoft.com/forecast-accuracy-statistics/
• MAPEとサプライチェーン予測 — https://imperiascm.com/blog/mape-and-supply-chain-forecasting-how-to-measure-and-enhance-accuracy
• 予測精度の測定 — https://www.relexsolutions.com/resources/measuring-forecast-accuracy/
• 予測精度・バイアス・FVA — https://www.horizonsolutions.ai/deep-dive-supply-chain-planning/forecast-accuracy-bias-and-forecast-value-add
• AI需要予測の導入事例と期間の相場 — https://j-aix.or.jp/journal/702/ / https://www.smartmat.io/column/production_management/8183
• BOI デジタル産業向け投資奨励 — https://www.boi.go.th/upload/content/Investment%20incentives%20for%20Digital%20Industry%20(BOI).pdf / https://bangkokshuho.com/thainews-1278/