製造業におけるAI活用というと、生成AIによる資料作成や社内問合せ対応、画像認識による検品、品質事故の自動分類などが注目されがちです。一方で、今後AI活用の余地が大きい領域の一つが原価計算です。原価計算では、製品別原価、材料費、労務費、製造間接費、工数、設備稼働時間など、企業のさまざまなデータを扱います。これらのデータを単に原価を計算するためだけに利用するのではなく、AIによって分析・予測・検知まで行うことで、原価管理の役割をさらに広げることができます。本記事では、原価計算におけるAI活用の可能性を、経理、経営企画、製造現場、生産管理の4つの観点から整理します。
原価計算におけるAI活用は計算の自動化だけではない
まず、原価計算にAIを導入する際に重要なのは、AIの役割を原価計算そのものの自動化に限定しないことです。原価計算には、データを収集する/原価を計算する/原価差異を分析する/異常を発見する/将来を予測する/改善策を検討するという複数のプロセスがあります。従来のシステムは、決められたルールに従って原価を計算することには強い一方、なぜ原価が上昇したのか？どの要因が利益に最も影響しているのか？この条件を変更すると、利益やキャッシュフローはどうなるのか？といった分析・予測には、人による集計やExcelでの分析が必要になるケースがあります。ここにAIを組み合わせることで、原価計算の結果を、より迅速に経営判断や現場改善へつなげることが期待できます。
➀経理部門：原価差異を説明するから原因を探すへ
原価計算において、まずAI活用が考えられるのが原価差異の分析です。例えば、製品の実際原価が標準原価を上回った場合、従来は担当者が、材料価格が上昇したのか/材料使用量が増えたのか/工数が増加したのか/稼働率が低下したのか/製造間接費が増加したのかなどを確認する必要があります。AIを活用すれば、過去の原価データや生産実績、稼働率、工数などを横断的に分析し、原価差異に影響している可能性の高い要因を抽出することができます。例えば、原価上昇の主要因は、材料単価ではなく設備稼働率の低下です/過去12か月と比較して、段取り時間の増加と原価上昇の相関が強くなっています、といった分析です。さらに、異常な原価データを自動的に検知することも考えられます。例えば、通常は1個あたり500円程度の材料費である製品について、突然800円になっていれば、AIが異常値として検知し、担当者に確認を促すことができます。
②経営企画部門：もし○○したら利益はどうなる？を高速化する
次に考えられるのが、利益シミュレーションや予実分析です。例えば、残業時間を20％削減したら利益はいくら改善するか？生産数量を10％増加させた場合、設備負荷はどうなるか？材料価格が5％上昇した場合、営業利益への影響はいくらか？といったシミュレーションです。こうした分析では、単純な計算だけならExcelでも対応できます。しかし、実際の企業では、製品ごとに原価構造が違う/生産数量によって固定費負担が変わる/設備能力に制約がある/人員にも制約がある/リードタイムが変化する/売上や在庫、キャッシュフローにも影響するなど、複数の要素を同時に考える必要があります。そこで、過去のデータから各要素の関係性を学習し、条件変更による影響を予測することで、意思決定のためのシミュレーションを高速化することができます。例えば、現在の生産ペースを維持した場合、計画比5％未達で着地する可能性が高い/残業時間を20％削減すると利益は改善するものの、納期遅延リスクが高まるといった形で、単なる原価計算ではなく、利益・納期・設備負荷などを含めた意思決定支援につなげることができます。
③製造現場：過去の原価から改善余地を見つける
原価計算のデータは、製造現場の改善にも利用できます。例えば、過去100製品の実績データを分析したところ、製品Aは標準工数を大きく下回っている/製品Bは段取り時間が長い/製品Cはロットサイズが小さいと原価が急上昇するといった特徴が見つかるかもしれません。ここでAIを利用すれば、過去の製品や製造条件から、新製品の原価や工数を推定することも可能です。例えば、過去の類似製品から推定すると、この製品の加工工数は1個あたり12～14分程度と予測されますといった見積支援です。さらに、ロット数を15％増やした場合、段取り時間の削減によって製品原価が低下する可能性がありますなど、改善案の検討にも活用できます。
④生産管理：原価計算の前提となるデータをAIでチェックする
原価計算では、計算ロジックだけでなく、元となるマスタや実績データの品質も重要です。例えば、BOMの製品使用数/品目コード/工程/標準工数/材料使用量/作業実績設備情報などです。これらに誤りがあれば、どれだけ精緻な原価計算ロジックを構築しても、結果は正しくなりません。ここでもAIの活用余地があります。例えば、過去の登録パターンと比較すると、このBOMの使用数は異常値です/同一名称のマスタが複数登録されています/この品目コードは命名ルールから外れています/過去の製造実績と比較して、材料使用量が大きく乖離しています、といったデータ品質チェックです。
ただし、原価計算そのものをAIに任せればよいわけではない
ここは、原価計算にAIを活用する際に特に注意すべきポイントです。原価計算には、企業ごとの会計方針や業務ルールがあります。例えば、どこまでを製造原価とするのか/製造間接費をどのように配賦するのか/標準原価をどのように設定するのか/仕損費をどのように扱うのか共通費をどのように配賦するのか、などです。これらは単純に過去データから最もそれらしい答えを出せばよいものではありません。原価計算のルールは、人間が定義する必要があります。その上で、人がルールを決める→システムが原価を計算する→AIが大量のデータを分析する→人が意思決定する、という役割分担が重要になります。AIは原価計算の正解を決めるものではなく、原価計算によって蓄積されたデータから、人だけでは見つけにくいパターンや異常、将来予測を提示するための道具と考える方が適切です。
原価計算の高度化の企業事例
川崎重工業：原価データを活用し、数千万円のコストを適正化
川崎重工業では、設計・調達・原価企画などの部門がそれぞれ課題を認識していたものの、図面や過去の購買情報などのデータが分散しており、コスト改善につなげるための分析に手間がかかっていました。そこで、製造業AIデータプラットフォームを活用し、図面と過去の購買・原価に関する情報を横断的に検索・分析できる環境を構築しました。原価企画部門では、類似部品の過去実績やサイズ・仕様とコストの関係を分析することで、コストの妥当性を把握し、改善余地のある部品を特定できるようになりました。その結果、調達・原価企画を中心とした取り組みによって数千万円規模のコスト適正化につながっています。これは、原価を単に計算・集計するだけではなく、設計や調達のデータと組み合わせて分析することで、原価情報を実際のコスト改善につなげた事例といえます。
最後に
原価計算へのAI活用を考える際には、AIで原価計算を自動化するという発想だけでは不十分です。むしろ重要なのは、原価計算を中心として、
① 計算する
② 分析する
③ 異常を発見する
④ 将来を予測する
⑤ 改善・意思決定につなげる
という一連の流れをどのように高度化するかです。AIによって、原価計算そのものがなくなるわけではありません。原価計算のルールや業務プロセスを適切に設計した上で、その周辺にAIを組み込むことで、過去の原価を集計する仕組みから原価を起点として経営・現場の意思決定を支援する仕組みへ進化させることができます。今後、製造業におけるAI活用が進むにつれて、原価計算も単なる会計・管理業務ではなく、経営データを活用するための重要な基盤として、その役割が変わっていくのではないでしょうか。
