「どこから何を動かす？」を毎回悩まない仕組み：GPTsで横持ち判断を型化した
横持ち便の判断を、ずっと経験と勘でやっていました。
「足りなくなったらまずい」と多めに動かして、別の倉庫が溢れる。
逆に慎重になりすぎて、欠品ギリギリ。
この繰り返しを止めたくて、まず試したのは予測モデル――ではなく、GPTsで「判断のルール」を固めることでした。
横持ち便の判断、なぜ毎回しんどいのか
横持ち便の意思決定って、実は同時に複数の条件を見ています。
送り先の欠品リスク（いつまでに必要？）
送り元の余裕（移したら送り元が枯れない？）
便の制約（締切・到着・容量・費用）
倉庫キャパ（どこが圧迫している？）
返却在庫の扱い（先に入れる？後で判断？）
これだけの条件が分散していて、結局「わかってる人」に寄る。
忙しい日は"安全側に多め"が続いて、別の歪みが出る。
しんどいのは「量」じゃなくて、判断に必要な情報が毎回バラバラなことでした。
「予測を当てれば解決する」と思っていた
本当は「在庫予測→最適な横持ち便手配」まで一気にやりたい。
でも、ここに壁がありました。
予測は外れる（販促・季節・突発対応でブレる）
データ整備が重い（粒度が揃わない、欠損が出る）
予測精度が出ないと判断も揺れる
予測に寄せるほど、着地が遠のく。
精度を上げる前に、現場は次の横持ちが来てしまう。
予測の前に「判断の型」を作る、という方針転換
ここで方針を切り替えました。
予測は難しい。
でも横持ち便の判断には「守るべきルール」と「比較の型」がある。
ならば、まず 横持ち最適化（判断の型） だけ先に固めよう。
いきなり自動発注や数理最適化の話ではなく、
**判断のブレを減らすための「ルール化」「手順化」「出力の固定」**が狙いです。
GPTsで作った「事故らない判断の枠」
そこで作ったのが、横持ち便・在庫運用を支える GPTs最適化アシスタント。
ポイントは「賢い答え」より、事故らない答えを出す設計にしたこと。
1）禁止ルール：最初に「やってはいけない」を決める
指示文の核はここでした。
出荷維持ルール（保護品目は動かさない）
在庫日数が少ない品目や、移動すると残が薄くなるものは移動禁止返却在庫ルール（例外なくメイン入庫）
返却は必ずメインへ。反映後に横持ちを判断移動単位ルール（100PL単位）
端数移動禁止。提案が現場オペレーションに直結する廃却判断は根拠必須
"なんとなく不要"を排除する
なぜ禁止ルールを最初に書いたのか。
AI活用で一番怖いのは、もっともらしい誤提案が混じることだからです。
「この品目、移動しましょう」という提案が正しそうに見えて、実は欠品を起こす。
それを防ぐために、先に「絶対にやってはいけない」を固定しました。
2）判断の優先順位を固定する
次に、迷った時の軸を決めました。
供給維持（保護品目は動かさない）
倉庫圧迫削減（在庫枚数×滞留日数で優先度を出す）
需要継続性（需要なし→整理対象）
倉庫配置ルール（メイン→サブ→…の優先順）
ここを固定しておくと、AIが「コスト最小」や「移動量最小」だけに寄る事故が減ります。
3）考える順番を縛る
さらに、AIが必ずこの順で考えるようにしました。
返却予定を全てメインに加算
保護品目を分類
残りを圧迫指数で並べ替え
100PL単位で移動候補抽出
倉庫配分ルールでFrom→To決定
移動後の容量バランス再評価
表形式で出力
AIは「順番」が曖昧だと、平気でステップを飛ばします。
だから順番を決めて、ショートカットできないようにしました。
実際に効いた3つのこと
効いた①：確認漏れが減った
横持ち判断は「見落とし」が事故になる。
GPTsが"聞き返し役"になって、最低限の確認が揃うようになりました。
以前は確認が複数人に分散していたのが、GPTsの出力を見れば抜けがわかる。
効いた②：便の比較が速くなった
便A/便Bの比較で、人はどうしても都合の良い情報だけ見がちです。
固定した物差しで比較されるだけで、「なんとなくA」が「この基準でA」に変わりました。
効いた③：理由が残る（振り返りできる）
「なぜそうしたか」が文章で残る。
これは属人化対策として地味に効きました。
後から見返して「あの時なぜこう判断したか」がわかるのは、思った以上に大きかったです。
壊れた。そこから学んだこと
ただ、実際に壊れた場面もありました。
GPTsに在庫データを渡して提案を出させたところ、ある品目について「サブ倉庫へ300PL移動」と出てきた。
一見まともな提案です。
でもよく見ると、その品目は日あたり出荷が少なく、300PL動かすとメインの在庫残が危険なレベルまで減る。
原因は、指示文に「保護品目の閾値」をまだ入れていなかったこと。
AIは与えられた条件で"最適"を出しただけで、欠品リスクという条件が抜けていたのはこちらのミスでした。
ほかにも、運用で見えた落とし穴がありました。
単位の混線（PLと枚の関係が曖昧だと、移動量の誤提案が出る）
"需要ゼロ"の定義が曖昧だと、廃却判断が乱暴になる
稼働率算出の前提（許容量）がないと、サマリーの数字が信用できない
これらは「単位定義」「需要ゼロの定義」「不足データ時の挙動」を指示文に追記して対処しました。
結局わかったのは、AIの賢さより「前提の固定」が運用品質を決めるということ。
壊れて直して、また壊れて直す。この繰り返しで指示文が育っていきます。
AIがなくても、まずこの5項目を揃えてみる
GPTsを作らなくても、横持ち判断を"型"にするだけで楽になります。
次の5項目を、判断のたびに埋めるだけ。
いつまでに、どれだけ必要？（到着希望日と量）
欠品影響（高/中/低）
送り元は移しても大丈夫？
便の選択肢（締切・到着・容量・費用）
迷った時のルール（欠品回避優先…など1行）
たとえばこんなイメージです。
到着希望：水曜AM ／ 量：200PL ／ 欠品影響：高 ／ 送り元残：十分 ／ 迷った時：欠品回避優先
この5点が揃うだけで、「人の頭の中だけにあった判断」が外に出ます。
次にやること
次は、判断ログを項目固定して溜めていきます。
記録する項目は「判断日・品目・From/To・理由・結果」の5つ。
どの情報が毎回欠けるのか
どの例外が多いのか
どこで判断が揺れるのか
これが見えると、次にやるべきは「予測精度の向上」ではなく、
例外ルールの追加か、入力データの整備かが決められます。
同じテーマで読まれている記事
判断ロジックを型化したあと、「この判断ごとAIに任せられないか」と試したら3連敗でした。入力パターンを見直して文字列処理に戻した記録です。
「AIなら賢くやってくれる」が3連敗。道具を変えたら一発で動いた話：https://note.com/clean_whale1844/n/n2b12a88ddc56
#AI活用100本ノック 進捗：12/100
予測を当てに行く前に、横持ち判断の"事故らない枠"を作る。
AI活用は、正解を出させるより「判断がブレない仕組み」を先に作るほうが早かった。
ツール紹介してます：
このnoteでは、現場改善・AI活用・小さな自作ツールの試行錯誤を記録しています。
初めての方はこちらからどうぞ。
▶ はじめての方へ｜このnoteで書いていること
