LinkedInで、アレックス・プラダン（Alex Pradhan）氏による「AIネイティブなサプライチェーン計画」に関する記事を見かけた。プラダン氏がJohn Galt Solutionsのグローバル製品戦略リーダーで、筆者が業界アナリストだった頃、彼女から定期的にブリーフィングを受けていた。彼女の知見にはいつも敬意を抱いてきた。彼女もかつては筆者と同様、サプライチェーン領域を担当する業界アナリストだった。現在は独立し、Alchemy Advisoryという自らの会社を設立している。
優れた記事であり、一読の価値がある。大部分は同意できるものだったが、すべてに賛同したわけではない。そこで彼女にインタビューし、いくつかの点で異論をぶつけ、自分が彼女の見方に納得できるか確かめたいと思った。これは常に良い学びの方法だと感じている。
「この1年、市場に比較的新しく参入したサプライチェーン計画テクノロジーのベンダーの多くと話してきた」とプラダン氏は書いている。「そのうち増え続ける一部の企業には共通点がある。すなわち『AIネイティブ』に分類されるということだ。後付けでAIを組み込んだのではなく、生まれながらAIネイティブであることに由来するアーキテクチャ上の特徴を備えている。長年にわたる伝統的なレガシーベンダーもスタックを近代化してきており、中にはかなり積極的に取り組む企業もある。しかし、初日からAIファーストで設計されたアーキテクチャと、後からAIに対応するように進化したアーキテクチャの間には、明確な違いがある」
これが冒頭の段落だ。筆者はすぐに反論した。3〜4年前には、既存企業も新規参入企業も、誰もAIについて語っていなかったと指摘した。ただし、いくつかのベンダー、たとえばManhattan Associatesやo9 Solutionsは、AIに備えるうえで重要な取り組みを進めていたように思う。Manhattanは、自社ソリューションをコンポーネントに分解し、マイクロサービスを構築する点で先行していたと筆者は考えている。コンポーネント化されたアーキテクチャは、エージェント型AIにとって不可欠なものだ。
o9はナレッジグラフを用いてソリューションを構築した。これは意思決定の文脈を提供する重要な技術だ。一方プラダン氏は、ナレッジグラフはサプライヤーリスクや需要計画の階層構造をサポートするかもしれないが、それでもサプライチェーン計画を完全にサポートするには範囲が狭すぎる可能性があると指摘した。ナレッジグラフを持っているだけでは、条件を満たしているとは言えないのだ。
AIネイティブになるためのテクノロジー構成要素
プラダン氏は記事の中で、6つの主要な構成要素を挙げている。
統合されたデータおよびコンテキスト層：データ、ビジネスロジック、意思決定、現実世界の関係性を結びつける単一の「生きた」モデル。一部のベンダーはこれをオントロジーとして体系化している。オブジェクト、属性、関係を定義する設計図と考えるとよい。それが、ライブデータを反映するナレッジグラフと連動して機能する。目的は、異なるAIモデル間での意味的整合性であり、それによってサプライチェーンデータの真の文脈と知識を得ることができる。ここでナレッジグラフが重要となるが、オブジェクトを定義するという地道な作業もまた重要だ。
コンポーザブルでスケーラブルなアーキテクチャ：拡張と適応が可能な、モジュール型で柔軟なテクノロジースタック。これはコンポーネント化されたマイクロサービスアーキテクチャのことだ。
しかしAIネイティブであるためには、ソリューションにはさらに以下も必要だ。
ガバナンスの効いた自律型エージェント：推論、調整、行動、学習を行うマルチエージェントシステム。権限、監査証跡、人間による上書き、プロセス上および物理的制約への認識を備えている。ここでの自律性は段階的なものであり、より広範な意思決定自動化の連続体の一部だ。
意思決定権限の共有：人間とAIエージェントが、文脈、重大性、緊急性、その他の基準に基づいて意思決定権限を共有する。これは、どこでAIが意思決定を支援すべきか、どこで人間とAIの組み合わせが必要か、どこで完全な自律性が適切かを見極めるのに役立つ。
継続的な学習と適応。行動と結果がシステムにフィードバックされ、人間の介入なしに継続的に改善・再調整される。
業務とワークフローに組み込まれたAI。上に乗ったインテリジェンス層ではなく、意思決定、実行、ワークフローの動作方法に構造的に組み込まれている。「まだ発展途上だが、機能、アプリケーション、プラットフォーム、多者間にまたがる意思決定を統合・調整するユースケースが対象となりつつあるのを見ている」
では、どこがAIネイティブなのか。プラダン氏が挙げたのは、Flowlity、Horizon Solutions、Pull Logic、Lyric、Azirellaだ。
プラダン氏はまた、彼女の考えでは、継続的に学習し適応する能力がAIネイティブであることに特に重要だと述べた。需要計画システムは25年前から機械学習機能を備えている。しかし彼女はそれ以上のものを意味している。
「さまざまなアラートが次々に押し寄せてくる。意思決定には、異なる種類の自動化を必要とするさまざまなタイプがある」。バックエンドでは、どのタスクを自動化できるかを判断するための徹底した類型化が整備されている必要がある。
コンテキストの重要性
SCP（サプライチェーン計画）ソリューションは、意思決定を取り巻く完全な文脈を全面的に取り込むことができるのだろうか。例えば、在庫計画エンジンにおいて、文脈が新たな大規模関税の発表であるとしよう。企業は即座に大量の先行購入を行うだろう。しかし計画ソリューションはその購入を見て、「取り消せ。在庫は十分すぎるほどある」と言うかもしれない。エージェントが完全に自律的であれば、人間を介さずにこれを進めてしまう可能性がある。
プラダン氏はこう答えた。「私は、すべてが完全に自律化されることは決してないと考えている。それは道理に合わない」。その後、プラダン氏はエージェントの意思決定基準フレームワークについて、さらに深い見解を送ってきた。
影響基準：デジタルなトリガーやイベントが計画に到達すると、緊急性、影響範囲、投資、関連性、価値などの影響基準に基づいて評価・スコアリングされる。このスコアによってイベントを迅速にトリアージする。自動化するのに十分ルーティン化されているのか、拡張が必要か、それとも別のステークホルダーにエスカレーションする必要があるのか。
担当者、優先度、責任の割り当て：影響度に基づき、システムが主要ステークホルダーを特定し、潜在的な選択肢を評価し、優先順位付けを行う。
影響と複雑性は別の問題であり、常に連動して動くわけではないとプラダン氏は指摘する。影響の大きなイベントが自動的に複雑であるとは限らないし、影響の小さなイベントでも本質的に曖昧なものはある。
どの方法とプロセスを使うか：この層は、自動化の方法と度合いを問題の性質にマッピングする。これにより、単純な意思決定に過剰に構築したり、曖昧な意思決定に構築不足になったりすることを避けられる。
プラダン氏は、意思決定のタイプを、因果関係がどれほどよく理解されているかに基づいて自動化の度合いに対応づける有用な視点として、クネビン・フレームワーク（Cynefin Framework）を挙げている。このフレームワークは、意思決定を単純、煩雑、複雑、混沌の4つに分類する。
「これは、自動・手動・混合のエージェント意思決定が実際に行われる場所でもある。純粋に影響スコアだけではなく、影響と、問題がどれほどよく理解されているかを組み合わせて判断される」と彼女は説明した。
意思決定の質：意思決定が人、エージェント、または定義されたワークフローに委ねられた時点で、古典的な意思決定の質が問われる。問題は正しく設定されているか。真の代替選択肢はあるか。情報は信頼できるか。トレードオフは明確か。推論は健全か。実行への真のコミットメントはあるか。
これは、双方向に機能する意思決定ライブラリによって支えられる。意思決定がなされる前に、ライブラリは類似のイベントが過去にどのように定義され、ルーティングされ、解決されたかを浮かび上がらせる。既知の選択肢、通常必要とされるデータ、歴史的に誰が判断を担っていたかなどを示すことで、想定される意思決定を適切な種類の自動化へ迅速にルーティングできる。
意思決定がなされた後、ライブラリは結果を捕捉し、意思決定そのものが健全であったかどうかと、結果が単に運が良かった／悪かっただけなのかを区別する。このフィードバックループが、時間とともに判断の質を高めていく。それらの学びは、将来のイベントがどのようにスコアリングされ、ルーティングされ、推論されるかに反映されていく。
筆者はこのフレームワークを有用かつ示唆に富むものと考えている。しかし、それでも自律的な意思決定は主に影響の小さいイベントに限るべきだという方に傾く。新たな関税が導入された際のエージェント型在庫計画に関して筆者が挙げた例が思い浮かぶ。「明確」だから容易に自動化できる意思決定に見えても、瞬時に「混沌」に転じ得る。しかもその移行イベントは、システムの外部で生じたために捕捉が難しい。
プラダン氏のフレームワークでは、それは質の低い意思決定としてスコアリングされ、この意思決定は自律から人間監督下へと移るかもしれない。しかし時間とともに、より多くの意思決定が自動化から監督下へと移っていかないだろうか。
プラダン氏は、いまやサプライチェーン計画ソリューションにとって必須となっている生成AIとは対照的に、エージェント型AIは依然としてパイロット段階にあることが多いと同意する。「サプライチェーン全体にわたってすべてがつながるようなマルチエージェントワークフローには、まだほど遠い」
筆者は、これらAIネイティブなSCPサプライヤーや彼らの顧客にインタビューし、実際に何が達成できるのかをさらに学びたいと考えている。
