武田薬品工業が医薬品の需要予測をAI化、人の判断と組み合わせた運用体制

需要予測はこれまで、過去の実績データに基づく統計と、担当者の経験や知見を組み合わせる形で支えられてきました。ところが扱うデータが膨らむほど、その中に潜む複雑な傾向を人が読み切ることは難しくなり、急激な需要変動に素早く手を打てないという課題が残っていました。

編集部の見立てでは、ここでの本質的な困りごとは「予測が当たるかどうか」よりも、予測を見直す速さが人の作業量に縛られていた点にあったのではないでしょうか。経験と勘に頼る工程は、精度が低いというより、頻繁にやり直すことに向いていません。しかも医薬品には有効期限があり、作りすぎれば期限切れの廃棄、足りなければ供給への不安に直結します。予測の更新が追いつかないことが、そのまま在庫と廃棄、そして資金の滞留という形で表面化していた構図が読み取れます。

AIの予測値をそのまま計画に採用せず、担当者の経験や知見を踏まえて最終判断を下す二段構えの設計が、この取り組みの土台になっています。予測モデルを意思決定そのものではなく、判断の材料を高速に用意する装置として位置づけた、と言い換えてもよいでしょう。この切り分けがあると、モデルが想定外の値を出したときにも現場が止まらず、逆に人の側も、勘の当て推量ではなく提示された数字を吟味する役割に集中できます。責任の所在を人に残したことが、実運用に踏み出せた条件だったと考えられます。

適用対象を、学習に足る過去データが揃い、かつ出荷頻度の高い製品へ絞り込んだ判断も効いています。出荷が多い製品はデータが厚く、予測の当たり外れも短い周期で検証できるため、モデルの妥当性を早い段階で見極めやすくなります。全製品を一度に対象とすれば、データが乏しい品目の外れ値に振り回され、AI活用そのものへの信頼が揺らぎかねません。データの蓄積を見ながら範囲を広げる段取りは、成果を焦らずに再現性を確かめていく進め方として理にかなっています。

予測の更新頻度を引き上げ、その結果を生産計画へ反映しやすくする仕組みまで整えた点は見逃せません。どれほど精度の高い予測でも、計画に組み込む工程が重ければ、更新された数字は使われないまま置き去りになります。予測を出す側と計画に落とす側をつなぐ経路を軽くしたことで、需要の振れに応じて計画を組み替える余地が生まれた、という構造です。

急激な需要変動にも迅速に対応できる生産計画モデルが実現し、医薬品の安定供給を支える体制の強化につながっています。一方、有効期限切れによる製造済み医薬品の廃棄削減という環境面の効果や、在庫の適正化によるキャッシュフロー改善といった財務面の効果は、現時点では見込み・期待として示されている段階です。同社は今後も需要予測の高精度化と業務の持続的な効率化を進める方針を示しています。