ワークマネジメントとERPの関係 第三部《後編》：AIが継続的改善を促し、即応力を高める
ERPとワークマネジメントに蓄えられた情報をAIが活用して、ノーインプットでアドバイスや提案をするようになると、もはや“今”の仕事のサポートには留まらず、“未来”に向けた改善に貢献することになるでしょう。
特に、ワークマネジメントシステムに蓄積されたデータの粒度は、人が判断した経緯、遅延の理由、差し戻しの背景、課題の分類と発生タイミングを読み取れる点にあります。これらは改善の宝庫です。
今回の投稿では、AIが文脈を読み、AIの5段階活用という縦軸から、未来に向けた改善という横軸へ視点を広げ、企業の継続的改善にフォーカスします。
まずは問題発見の効率を上げる
継続的改善を考えるとき、最初に必要になるのは問題発見です。例えば、新製品登録のリードタイムを短縮する改善を考えてみます。ものづくりのリードタイムでは、停滞、運搬、加工といった要素で時間のかかり方を見ます。これを新製品登録のような「情報のリードタイム」に置き換えると、調査、作成、伝達、判断、登録という流れで見ることができます。
新製品の申請が入ると、まず必要な情報を調査します。次に、申請内容や説明資料を作成し、関係部門へ伝達します。その情報をもとに、承認者や関係者が判断し、最後にERPへ登録します。
この流れの途中には、停滞が発生します。回答待ち、資料待ち、確認待ち、承認待ち、会議待ちなどです。
ものづくりと同じように、リードタイム短縮の第一歩は、停滞を見つけてそれを徹底的に減らすことです。ここでAIがERPやワークマネジメントシステムで業務実績の文脈を読み、層別することで、人では計測しにくい情報のリードタイムに関する停滞を効率よく発見することができるのです。
これは、ワークマネジメントシステムに蓄えられたデータがあるからこそできることです。日々のコメント、ステータスの変化、差し戻し理由、添付資料、承認履歴、課題の発生と解決の流れが残っていれば、AIはその文脈を読み取れます。
担当者の記憶や印象に頼ると、「あの部長はいつも承認が遅い」「物流確認でよく止まる」「品質確認で手戻りが多い」といった感覚的な話になりがちです。AIが活動履歴を読むことで、問題発見は感覚から事実へ変わります。
二か月かかった仕事を一か月にする
新製品登録に二か月かかったとします。二か月かかった仕事を一か月にするには、どこで時間がかかっているのかを分解する必要があります。
AIがワークマネジメントの履歴を読むと、申請から内容確認までに何日かかったのか、誰が承認を先延ばしする傾向があるのか、どのタイミングで滞留したのか、品質確認にどれだけ時間を要したのか、物流確認がどのステータスで止まったのか、原価確認でどのような差戻しが起きたのかが見えてきます。
さらに、ERPに登録された結果と合わせて見ることで、ERP登録そのものに時間がかかったのか、ERP登録に入る前の判断や確認に時間がかかったのかも分かります。
例えば、ERP登録作業は一日で終わっている一方で、品質確認に十五営業日、物流確認に十営業日、原価確認の差戻しに一週間、承認待ちに五営業日かかっていたとします。この場合、改善すべき対象は登録作業のスピードではなく、登録前の情報整理と判断の流れです。
品質確認が後工程に回っている。物流確認に必要な初回出荷数量が申請時点で入っていない。原価確認に必要な前提資料が添付されていない。承認者が判断するための条件が最後までそろっていない。
こうした状態では、ERPへのデータ登録処理をシステム変更で改善しても、全体のリードタイムはほとんど短くなりません。
ここが重要です。一工程あたりの生産性を上げることと、全体のリードタイムを短くすることは、意味が異なります。
資料作成を二日から一日に短縮する。ERP登録作業を一日から半日にする。確認資料の作成時間を短縮する。これらは、個別工程の生産性向上です。もちろん価値はあります。
しかし、新製品登録全体のリードタイムは、申請からERP登録完了までの総時間で決まります。そこには、調査、作成、伝達、判断、登録の時間だけでなく、工程間の待ち時間、承認待ち、会議待ち、回答待ち、差し戻しによる手戻りも含まれます。
そのため、改善した工程が全体のボトルネックでなければ、リードタイム全体は大きく変わりません。逆に、個々の作業時間を大きく変えなくても、順番に進めていた確認を並行させたり、後工程で確認していた情報を申請時点でそろえたり、最後に集中していた承認判断を途中で確認したりすることで、全体のリードタイムは短くできます。
AIは、こうした滞留や差し戻しの文脈を読み取り、どの仕事がリードタイムを長くしているのかを示します。ここまで見えると、二か月を一か月にするために変えるべき場所が見えてきます。
問題、原因、課題に分ける
継続的改善で重要なのは、問題、原因、課題を分けて捉えることです。
新製品登録に二か月かかっている状態は、キャンペーンタイミングの機会損失、生産準備の遅れ、在庫確保の遅れにつながります。これが問題です。
原因は、その問題を生んでいる構造です。品質確認が後工程に回っている。物流確認に必要な情報が申請時点で不足している。原価確認の前提資料がそろっていない。承認判断が最後に集中している。
課題は、その原因を取り除くために設計すべきことです。AIは、過去案件のステータス履歴、コメント、差し戻し理由、添付資料、課題の発生タイミングを読み、問題と原因を整理する材料を出します。
人は、その原因を課題に変え、業務設計へ反映します。ここに、AIを活用した継続的改善の実務があります。
改善を仕組みに残す
ワークマネジメントでは、改善した内容を仕組みに残せます。申請フォームを変える。チェックリストを追加する。テンプレートを作る。承認ルートを見直す。通知条件を設定する。エスカレーション条件を決める。
AIが過去案件から繰り返し発生する論点を見つけ、人がそれを業務の標準プロセスに組み込む。この流れができると、担当者の経験や記憶に頼らず、次の案件でも同じ観点で確認できるようになります。
例えば、ワークマネジメントシステムによって、物流確認で毎回初回出荷数量が論点になっていることがわかれば、出荷数量を決める基準やルールを定めるだけで判断する時間を短縮できます。品質確認で毎回添付資料が不足していることがあれば、システム的に必須添付にします。承認待ちが特定の時期に集中するのであれば、承認ステータスや締切を見直します。
AIは、継続的改善のために必要な気づきを出します。人は、その気づきを業務ルールとして定着させます。
この繰り返しにより、ワークマネジメントシステムは単なるタスク管理ではなく、業務改善の蓄積装置になるのです。
即応力は、改善の積み重ねで高まる
事業環境が変わったときに、組織がどれだけ早く追随できるか。顧客要求が変わったときに、どれだけ早く業務へ反映できるか。市場投入のタイミングを逃さず、製造、購買、物流、会計を連動させられるか。
リードタイム短縮は、企業の即応力に直結します。
ERPは、確定した業務データをもとに業務を動かします。ワークマネジメントは、その業務データが確定するまでの仕事を前に進めます。AIは、その過程に残る文脈を読み、どこを変えれば次の仕事が早くなるのかを示します。
この三つがつながることで、業務を学習し、改善し、変化に素早く対応できるようになります。
ワークマネジメントとERPの関係は、AIによってさらに広がります。
それは、業務を管理するための仕組みから、企業が自らの仕事を読み解き、改善し続けるための基盤へと進化していくのです。
