ROI事件ファイル No.563『大手を追いかけた先に、勝ち目はなかった』
大手を追いかけた先に、勝ち目はなかった
第一章：追いつきたい、だが同じ土俵では勝てない
「最大手がAIの需要予測を出したんです。うちも同じものを入れたくて」
Global Sweets社の経営企画部長、甘利数馬氏は、そう言いながら状況を語った。チョコレート菓子を中心に約五百五十品目を扱う企業だ。「業界最大手がAI需要予測を発表して、市場が動いた。追随しないと取り残される。同じシステムを、うちにも入れたいんです」
「最大手と同じものを入れれば、追いつけますか」とClaudeが尋ねた。
「……そこが不安なんです」と甘利氏が答えた。「同じ土俵に乗っても、規模もデータ量も向こうが上。後から同じことをやっても、追いつく頃には差が開いている気がして」
「いまの予測は、どう回していますか」と私が確認した。
「基幹システムはIBM AS/400で、需要予測は手作業です」と甘利氏が答えた。「精度が安定しない。ベテランのノウハウが若手に引き継がれず、季節性を見た発注も属人的。効率が悪い」
「大手の後追いより、自社の強みで戦う土俵を作る方が勝ち目がありますね」と私が応じた。「BLUE_OCEANで分解しましょう」
第二章：BLUE_OCEANが問う、減らして増やして取り除いて付け加える
「この案件には、BLUE_OCEANが必要です」
Claudeがホワイトボードに「減らす・増やす・取り除く・付け加える」と書いた。
「BLUE_OCEAN——ブルーオーシャン戦略とは、競合と同じ土俵で消耗する赤い海を避け、価値の要素を減らす・増やす・取り除く・付け加えるで組み替え、争わない土俵を作るフレームワークです」と私が説明した。「肝は、大手と同じ性能で張り合わないこと。向こうが強い要素を無理に増やすのではなく、自社が活かせる要素を組み替える。後追いを、独自の土俵に変える道具です」
「まず現状のコストを測りましょう」とGeminiがROI Polygraphを開いた。甘利氏から提供されたデータを入力する。
「月間のコストが出ました」とGeminiが読み上げた。「手作業の需要予測による精度不安定・過剰在庫と欠品の損失が月平均六十八万円。ベテランノウハウの属人化・引き継ぎ不能リスク期待値が月平均四十万円。季節性発注の属人的判断による発注精度ばらつきが月平均三十六万円。AS/400手動運用によるデータ加工・集計工数が月平均百四十時間、時給三千六百円で月五十万四千円。大手後追いによる差別化不能・価格競争リスクが月平均三十万円。合計で月二百二十四万四千円。年間換算で約二千六百九十三万円」
甘利氏が数字を見つめた。「大手に追いつく費用しか考えていませんでした。後追いのまま差別化できないこと自体のコストまで足すと、これほどとは」
「では、BLUE_OCEANで設計します」と私が続けた。
[取り除く——手作業と属人化の土俵を捨てる]
「最初に、取り除きます」とClaudeが言った。「手作業の需要予測と、ベテラン頼みの属人的発注。ここで大手と張り合っても勝てない。捨てるのは、消耗する土俵そのものです」
[減らす——大手と競う汎用性を薄める]
「次に、減らします」とGeminiが続けた。「全品目で最大手並みの汎用精度を狙う必要はない。約五百五十品目のうち、季節性とチョコレート特有の変動が効く品目に絞る。総花的な精度追求を減らし、力を集めます」
[増やす——季節性とノウハウのデータ化を厚くする]
「取り除いた次に、増やします」と私が続けた。「ベテランのノウハウをデジタルデータとして蓄積し、AIに学習させる。季節性を織り込んだ予測の精度を、自社が最も効く領域で厚くする。大手が持たない自社固有の蓄積を、武器に変えます」
[付け加える——若手も同精度で回せる仕組みを足す]
「最後に、付け加えます」とClaudeが続けた。「ベテランのノウハウをAIに移し、若手も同じ精度で予測できる仕組みを足す。属人化していた強みを、誰でも引き出せる土俵に変える。争う海ではなく、自社だけの海を作ります」
[投資回収を試算する]
「ROI Proposal Generatorで試算しましょう」とGeminiが提案した。
- 初期費用：AI需要予測システム構築・ベテランノウハウのデータ化・季節性学習モデル・AS/400データ連携・若手向け運用設計費用合計五百六十万円
- 月次費用：システム運用・モデル更新継続費合算月二十三万円
- 月次削減効果：需要予測精度向上による在庫最適化＝月五十万円、属人化解消による引き継ぎ容易化＝月三十八万円、季節性発注の精度向上＝月三十四万円、データ加工集計の自動化＝月三十六万円、合計月百五十八万円
- 月次純削減：百五十八万円－二十三万円＝月百三十五万円
- 投資回収期間：五百六十万円÷百三十五万円＝約四・一ヶ月
「四ヶ月強の回収です」とGeminiが整理した。「効くのは、大手と同じ土俵で張り合わず、自社が効く領域に価値を組み替える点です。全品目で汎用精度を追うと、規模で負ける。季節性とノウハウのデータ化に絞るから、大手が持たない土俵ができる。投資が空振りしません」
甘利氏が数字を確認しながら言った。「大手と同じものを、と考えていました。要素を組み替えると、争わずに済む土俵が作れる」
「BLUE_OCEANは、消耗戦を避けて独自の土俵を作る道具です」と私が応じた。
第三章：土俵を組み替える導入計画
「進め方を整理します」と私がホワイトボードの前に立った。
「第一ヶ月——現状のデータフロー分析と、取り除く・減らす要素の確定。第二ヶ月——ベテランノウハウの棚卸しと季節性要因の抽出。第三・四ヶ月——AI需要予測システムと季節性学習モデルの構築。第五ヶ月——AS/400データ連携と若手向け運用設計。第六ヶ月——試験運用と効果検証（予測精度の測定）。第七ヶ月以降——独自領域の予測精度の継続改善、対象品目の拡大」
「大手に、本当に対抗できますか」と甘利氏が確認した。
「対抗の形が変わります」とClaudeが応じた。「同じ土俵で規模を競えば負けます。でもBLUE_OCEANは、争う土俵を変える。季節性とチョコレート特有の変動、ベテランのノウハウ——大手が持たない自社固有の蓄積をAIに移す。向こうの汎用精度と張り合わず、自社が最も効く領域で勝つ。追いつくのではなく、別の海で先を行きます」
甘利氏がメモを取りながら言った。「大手を追いかける前に、自社の海を作る。順序が見えました」
第四章：自社だけの海が、見えた日
十ヶ月後、甘利氏から報告が届いた。
需要予測は、システム導入後、精度が安定した。「手作業で揺れていた予測が、季節性を織り込んで揃うようになった。過剰在庫と欠品が、両方減った」と甘利氏は記していた。
ベテランのノウハウも残った。属人的だった判断が、AIに学習されて引き継がれた。「ベテランが抜けたら消えると思っていた勘が、データになって若手にも使えるようになった」と報告書にあった。
最も大きな変化は、大手との向き合い方に表れた。後追いで消耗する状態から、自社の土俵で戦う状態に変わった。「最大手と同じものを、と焦っていた。要素を組み替えたら、向こうが持たない季節性とノウハウの領域で、うちが強くなった」と甘利氏は記していた。
若手の発注精度も上がった。属人化していた季節性判断が、誰でも引き出せるようになった。「担当によって発注がぶれる、が減った」と報告書にあった。
副次効果として、競争の見方が変わった。同じ土俵で張り合わない発想が、経営に根づいた。「大手を追う、をやめた。自社が勝てる海はどこか、で考えるようになった」と甘利氏は記していた。
甘利氏の報告書の最後にはこう書かれていた。「需要予測の悩みは、大手に追いつけないことだと思っていた。だが本当の問題は、同じ土俵で消耗しようとしていたことだ。BLUE_OCEANで価値の要素を組み替えた瞬間に、争わずに済む海が見えた。大手を追いかける前に、自社の土俵を作ることが先だった」
大手を追いかけて勝ち目がなかった会社が、自社だけの海で戦える会社に変わった日、需要予測の導入は最大手の後追いから、減らす・増やす・取り除く・付け加えるで土俵を変える設計に変わっていた、と記されていた。
「DXの相談は、たいてい『大手が始めたから、うちも』という形で来る。だが後追いする前に問うべきことがある。同じ土俵で、規模に勝てるのか。BLUE_OCEANが問うのは、減らす・増やす・取り除く・付け加えるだ。大手と競う要素を薄め、自社が効く要素を厚くすれば、争わない海ができる。大手を追いかけて勝ち目がなかった会社が、自社の海を見つけた日、変わったのはAIの性能ではなく、消耗戦を避けて独自の土俵を作る視点そのものだった」
関連ファイル
使用ツール
- ROI Polygraph — 予測精度不安定による在庫損失・属人化リスク・後追いによる差別化不能コストの可視化
- ROI Proposal Generator — 価値要素の組み替えを起点にしたAI需要予測システムの投資回収シミュレーション
