製造業の調達・購買にLLMをどう入れるか
— ROIが出る8つのユースケースと導入順序

調達契約は長文・非構造テキストの塊であり、LLMが最も得意とする領域のひとつである。価格条件、納期、違約条項、更新条件、Incoterms、保証条件などを抽出し、新旧契約の差分を比較し、請求書や発注内容との不一致を検出する。BCGの事例では、ドイツのエネルギー企業がGenAIを使って請求書と契約条件の差異検出、サプライヤー向け文面の下書きまでを10週間で立ち上げ、数千万ドル規模の潜在価値を見込んだ。

調達データはERP、会計、SRM、Excel、BIに分断されている。これまでは分析要件をまとめ、データ部門に依頼し、数日後にグラフを受け取る流れが一般的だった。LLMを挟むことで、購買担当者は「上位20サプライヤーの価格上昇率は?」「Aカテゴリで納期遅延と価格上昇が同時に起きている会社は?」と自然言語で直接聞ける。Sievoのような調達分析ベンダーも、まさにこの領域にLLMを組み込み始めている。

見積依頼書、提案依頼書、サプライヤー評価票、価格交渉メールは、毎回ゼロから書くには重く、完全自動化するには責任が重い。その中間を埋めるのがLLMである。テンプレート、過去案件、仕様条件、評価基準を読み込ませて初稿を出し、担当者がレビューして確定する。BCGの物流企業事例では、GenAIによって購買効率が30〜50%向上し、値下げ交渉文の作成時間も大幅に短縮された。

調達リスクは、四半期評価だけでは遅い。サプライヤーの業績悪化、自然災害、輸出規制、地政学、ESG問題は突然顕在化する。LLMはニュース、政策文書、決算開示、社内障害情報をまとめ、どのサプライヤー・どの部材に影響するかを説明付きで返せる。EYも、供給網の変動に対してAgentic AIが需要・調達・資源配分を横断的に調整する可能性を示している。

需要予測そのものは従来の統計モデルやMLで十分な場合が多い。LLMが効くのは、その予測を人間が理解し、会議で使える言葉に変えるところだ。「なぜ今月このSKUが上振れするのか」「どの販促・季節要因・在庫偏差が効いているのか」を数秒で文章化できる。Datupの整理でも、古典AIが数値を出し、生成AIがその数値に文脈を付与する組み合わせが最も実務的だとされている。

製造業の調達は、数値だけで回っていない。「このサプライヤーは短納期対応は強いが、設変時の品質変動に注意」「この金型は価格より段取り替え条件を見るべき」といった暗黙知が大量にある。TCS Japanが指摘するように、製造業ではカスタムLLMが知識ギャップ解消のゲームチェンジャーになり得る。RAGと組み合わせれば、担当者はチャット形式で過去案件、交渉履歴、品質注意点にアクセスできる。

2026年の調達AIで最も熱いテーマは、チャットボットからAgentic AIへの移行である。サプライヤー候補の探索、入札準備、見積比較、定型的なフォローアップ、発注後の例外監視までを、ルール付きでエージェントに任せる。McKinsey系の整理では、自律型カテゴリエージェントによって15〜30%の効率改善が見込まれ、より広い調達変革では25〜40%に及ぶ可能性が示されている。

ただし、ここで重要なのは「完全自律」ではない。尾部支出、標準品、定型購買では進めやすい一方、戦略購買、長期パートナー交渉、高額コミットメントは引き続き人間主導であるべきだ。SupplyChainBrainやMicrosoft Dynamics 365の動きが示すのは、人を消す未来ではなく、人の時間の使い方を変える未来である。

調達、在庫、物流、法務、品質の各機能を別々のエージェントが担い、相互に状態を共有しながら合意形成していく構想も進み始めている。Taylor & Francisの研究では、サプライチェーンで複数のLLMエージェントが合意形成を行う枠組みが、牛鞭効果の緩和に寄与しうることが示唆されている。

これはまだ研究色が強いが、製造業には相性が良い。調達だけを局所最適化すると、在庫・物流・品質保証でしわ寄せが起きる。逆に、各部門エージェントが共通KPIのもとで協調できれば、局所最適の積み上げではなく、全体最適へ近づく。