原料配合比率の最適化で品質とコストを両立する6つの変数

経験配合は確かに動いてきた。問題は、ベテランの引退、原料の頻繁な切替、多品種化、規格の厳格化が重なる中で、その仕組みが急速に揺らいでいることです。原料費が製品原価の半分以上を占める製造業にとって、配合比率の最適化は「コスト削減の余地」ではなく「経営の中核論点」へと押し上げられている。本記事では、原料配合比率を決めるときに同時に解くべき6つの計画変数と、最適化AIを使ってそれを動的に解く仕組みを整理していく。
この記事でわかること
- 原料配合比率の最適化が製造業の経営に直結する3つの理由
- 配合計画が崩れる根本原因と、原料・在庫・市況の連動構造
- 配合比率を決めるときに同時に解くべき6つの計画変数
- 最適化AIで規格を守りながら原料費を構造的に下げる仕組みと、現場で始めるための準備
- なぜ「原料配合比率の最適化」が製造業で重要なのか
- 品質ばらつきと規格外ロットが直接コストに変わる
- 原料コストが製品原価の大半を占める構造
- 経験配合の属人化と熟練退職リスク
- 配合計画が崩れる根本原因
- 原料ロット間のばらつきと市況変動
- 多品種化と頻繁な仕様変更
- 配合判断と在庫・発注が分断されている
- 原料配合比率を決めるとき、同時に考える6つの計画変数
- (1) 各原料の配合比率と合計100%制約
- (2) 品質規格の上下限と多次元の物性目標
- (3) 原料単価・市況・為替を踏まえたコスト最小化
- (4) 在庫構成・賞味期限・先入先出
- (5) 法令・規制上限と表示要件
- (6) 製造設備の処理能力と切替段取り
- なぜ「人手の経験配合」では限界があるのか
- 連続変数と組合せ変数が混ざった探索空間の広さ
- 品質×コスト×在庫のトレードオフを同時に解けない
- ロット入荷や規格変更時の再計算スピード不足
- 最適化AIが切り拓く配合計画の解決策
- ゴールと守るべきルールを数式に落とす
- 精度: 規格内で原料コストを構造的に下げる
- スピード: ロット切替・原料切替時に秒単位で再配合
- 透明性: 経験配合のロジックを誰でも追跡できる形に
- まとめ
なぜ「原料配合比率の最適化」が製造業で重要なのか
品質ばらつきと規格外ロットが直接コストに変わる
製造現場では、配合比率が0.5%ずれただけで規格外品になるケースが珍しくない。塗料ならば顔料比率の微妙なズレが色度に表れ、食品なら添加物量の差が官能評価で弾かれ、化学品なら粘度や反応性の規格範囲を外れる。規格外ロットは出荷停止、再調整、最悪は廃棄に直結し、原材料費だけでなく設備時間・人件費・ロット切替の段取り替えコストまで一気に積み上がる。
品質ばらつきはクレーム対応の社内コストにも波及する。出荷後に規格外と判明すれば、回収、代替品手配、顧客への補償、内部監査といった対応が連鎖し、現場部門だけでなく品質保証・営業・購買・経営層までを巻き込む。配合比率の精度は、製造ラインの内側だけで完結する話ではなく、企業全体の損益計算書を動かす要因になっている。
規格外ロットの抑制は、人件費削減や設備投資より直接的に粗利を改善する打ち手になる。
原料コストが製品原価の大半を占める構造
化学・食品・飼料といったプロセス系の製造業では、原料費が製品原価の50〜70%を占める構造になっている。労務費や減価償却費の比率はそれに比べて小さく、原価低減の主戦場は配合比率と原料調達に集中する。原料単価は世界市況、為替、産地天候、物流コスト、規制動向によって日々動き、月次で見れば数パーセント、四半期で見れば二桁パーセントの変動が普通に起きる。
配合比率を固定したまま市況変動を吸収しようとすれば、原価は市況に振り回されたままになる。逆に、規格範囲内で代替原料の比率を動かす自由度を持てれば、市況の影響を計画側で吸収できる。配合比率の最適化は、コスト削減策である以前に、市況リスクヘッジの仕組みとして経営に効いてくる。
原料費比率の高い業種では、配合の精度がそのまま営業利益率を決める構造になっている。
経験配合の属人化と熟練退職リスク
勤続数十年のベテランの手帳にだけ配合判断が残されている、という構造は食品・化学業界では珍しくない。「この銘柄のコーンスターチは粘度が高めだから比率を3%下げる」「梅雨時はこの油脂を1%増やす」といった微調整は、社内のどこにも文書化されていないことが多い。後輩が同じレシピで作っても同じ品質が出ないのはこのためです。ベテランが定年を迎えた瞬間、現場の判断品質は数値化できない形で劣化する。
熟練の暗黙知は会社の財産だが、属人化したまま放置すれば、退職とともに失われる負債に転じる。後継者育成は時間がかかり、教育コストも採用市場の状況に左右される。配合比率の最適化は、経験を数式とデータに変換し、誰がやっても同じ品質を再現できる仕組みに移行するという、組織能力の論点でもある。
属人化した配合判断は、世代交代が現実化したときに最も大きな経営リスクとして表面化する。
配合計画が崩れる根本原因
原料ロット間のばらつきと市況変動
たとえば天然由来の原料を扱う食品工場では、産地ロットごとに成分濃度が±5%程度ぶれることが日常的にある。同じ「コーンスターチ」「大豆たん白」といった銘柄でも、収穫年・産地・含水率によって粘度や反応性が違う。同じレシピを当てはめれば、結果は当然ばらつく。化学品でも、原料の純度、不純物比率、副生成物の含有量がロットによって動き、最終製品の物性に伝播する。
市況変動はこの上にもう一層の不確実性を載せる。原料Aの単価が前月比で15%上がり、代替の原料Bが横ばいなら、規格範囲内で原料Bの比率を上げる選択が経済合理性を持つ。だがその判断を週次・月次で人手で回すのは現実的ではない。ロットばらつきと市況変動を同時に吸収する計画系がなければ、現場の配合判断は常に後追いになる。
入荷時点での原料の「実物性」と「単価」が同時に動く以上、配合比率は「固定レシピ」ではなく「動的に組み替える対象」として扱う必要がある。
多品種化と頻繁な仕様変更
なぜ配合担当者の作業時間が年々増え続けるのか。答えは品種数の増加と仕様変更の頻度にある。EC普及と消費者の細分化が進んだ結果、製造業では多品種・小ロット化が常態化した。1製品あたりの仕様書改訂頻度も上がり、顧客要求の「無添加」「低糖」「環境配慮原料○%以上」といった条件が後から加わる。
仕様が変われば配合も変わる。新規品種の立ち上げ時には経験配合の蓄積がなく、ベテランでも試作と修正を繰り返す。一度確立したレシピも、原料サプライヤーの変更、規制改定、顧客要求の追加で頻繁に書き換えが必要になる。配合判断の作業量は品種数と仕様変更頻度の積で増えるため、人手の処理能力をどこかで必ず超える。
多品種化と仕様変更の頻度が上がるほど、人手の経験配合は処理待ち行列を抱え、計画品質より「とりあえず動く配合」に流れやすくなる。
配合判断と在庫・発注が分断されている
配合担当が「品質を満たす理想の配合」を出した後、購買担当が「在庫がない原料は別銘柄に置き換えて」と修正する、という光景は配合・購買・生産管理が分断された工場で頻繁に観察される。理想配合と実在庫の不整合は、3部門に計画が分断されているために起きる構造的な問題です。配合の決定時に「いま倉庫にある原料ロットの構成」「賞味期限が近い原料の優先消化」「未到着の発注分」が同時に見えていないため、現場の調整作業が後工程で発生する。
変数同士が連動して選択肢が指数関数的に膨らむ組合せ爆発のもとでは、人手の判断は破綻に近づいていく。配合・在庫・発注を分断したまま個別最適を積み上げても、ロット切替や原料切替のたびに整合性は崩れ、廃棄や緊急発注のコストが積み上がる。
3部門の計画基盤を統合しなければ、配合判断は常に後追いの調整作業になり、最適解には到達できない。
原料配合比率を決めるとき、同時に考える6つの計画変数
(1) 各原料の配合比率と合計100%制約
配合計算の最も基本的な変数は、各原料の比率そのものです。原料Aを30%、原料Bを25%、原料Cを20%、というように、最終製品に占める各原料の重量比または容積比を決める。すべての原料比率を足し合わせると100%(または製品仕様で定められた合計値)になる線形制約が必ず付く。比率は連続値で、原料数が10〜30種類ある製品では、組み合わせは事実上無限通りに広がる。
ここに各原料の上限・下限が加わる。「主原料のXは最低40%以上」「香料Yは0.5%以下」「副原料Zは2〜5%の範囲内」といった上下限制約が原料ごとに設定され、それを一つも破らずに合計100%を成立させる解空間を探すことになる。原料数が増えるほど、人手で全パターンを比較するのは無理筋になる。
配合比率は連続変数の最適化問題として最も基本的な部分だが、後続のすべての制約が絡む土台になる変数です。
(2) 品質規格の上下限と多次元の物性目標
配合比率を決める目的は、最終製品の物性を規格範囲に収めることにある。塗料なら粘度・色度・隠蔽率・乾燥時間、食品ならたん白質・脂質・水分・粘性・pH、化学品なら反応性・分子量分布・不純物濃度、医薬中間体なら含有率・溶解度・粒度分布が同時に評価される。規格は複数次元あり、各次元に上限・下限があり、すべてを同時に満たさなければならない。
物性は配合比率の線形和では決まらないことが多い。原料Aと原料Bの相互作用、温度依存性、混合順序による反応、相分離といった非線形の影響が物性を左右する。過去の試作データから物性予測モデルを構築し、それを最適化の評価関数に組み込む必要がある。データ整備(過去の配合実績と検査結果のデジタル化)が前提として要る。
物性は単一の数値ではなく多次元のベクトルとして扱う必要があり、品質規格の表現がそのまま最適化問題の構造を決める。
(3) 原料単価・市況・為替を踏まえたコスト最小化
ある化学品メーカーでは、原料単価表を月次で更新し、その都度ベテラン担当者が「今月はこの原料を増やそう」と判断していた。市況変動を配合に反映する仕組みがあるだけまだ良い方で、多くの現場では半年〜1年前のレシピをそのまま使っている。原料単価が前年比で30%上がっていても、配合は固定のままです。
コスト目的関数は「各原料の単価×配合比率」の合計を最小化する形で書ける。だが単価は市況・為替・物流費・契約条件で日々動く。長期契約の固定単価原料、スポット購入の市況連動原料、為替連動の輸入原料が混ざる現場では、単価は時系列で変動する変数として扱う必要がある。コスト最適化は「今のスナップショット」だけでなく「翌月の市況予測を織り込んだ向こう3か月の配合計画」まで広げると経営インパクトが大きくなる。
原料単価を動的入力として扱える計画系を持てば、市況変動はリスクから機会に変わる。
(4) 在庫構成・賞味期限・先入先出
倉庫にある原料は、すべてが等価ではない。賞味期限が近いロットを優先消化しなければ廃棄が発生する。先入先出(FIFO)が品質保証部門のルールで義務付けられている工場も多い。輸入原料は次回入荷まで2〜3か月のリードタイムがあり、現在庫を超える配合は組めない。一部の原料は冷蔵・冷凍保管の在庫枠が物理的に限られており、どこに何ロット入れられるかも追加の制約です。
在庫を考慮した配合計画は、ロット単位の組合せ最適化問題として扱う必要がある。「Aロットを100kg、Bロットを80kg、Cロットを50kg使う」というロット選択の組合せは離散変数で、品質規格を満たしつつ廃棄を最小化する組み方は、人手では数本の候補を比較するのが限界です。
在庫構成を変数に取り込めば、廃棄ロスと緊急発注コストを同時に減らせる構造的な打ち手になる。
(5) 法令・規制上限と表示要件
食品表示法では、栄養成分表示や原材料表示の閾値が定められ、特定原材料(アレルゲン)の含有量に上限がある。化審法やREACH(欧州化学品規制)では、化学物質の使用上限や届出基準が規定される。日本薬局方では医薬品原料の純度基準が厳格に定められ、農林規格や有機認証では原料の比率要件が外側から課される。輸出向け製品ではさらに各国規制が重なる。
これらは絶対に破れない「ハード制約」として配合計画に組み込む必要がある。違反すれば製品回収、行政処分、取引停止、ブランド毀損のいずれかが現実化する。法令制約は数値で明示されているものが多いため数式化しやすいが、改定頻度が高く、最新の規制値を計画系に反映し続ける運用が要る。
法令上限は最適化の前提条件としてハードコーディングし、改定時は最優先で計画系を更新する運用が必要です。
(6) 製造設備の処理能力と切替段取り
混合機や反応釜には1バッチあたりの処理可能量、温度範囲、攪拌速度、所要時間といった設備固有の制約がある。1日に処理できるバッチ数は限られ、製品Aから製品Bへの切替時には洗浄や設備リセットの段取り替えが入る。アレルゲン管理が要る食品工場では、特定原材料を含む製品の後に同設備で別製品を作るときに、追加洗浄が義務付けられる。
切替段取りの時間は、生産順序によって大きく変わる。色の濃い製品から薄い製品への切替は洗浄時間が長く、似た色同士なら短い。原料属性に着目した順序最適化は、製造業全般で見られる段取り替え最小化と同じ構造の問題で、配合と生産順序を同時に解く設計が成立する領域です。コスト・品質・納期を同時に追う多目的最適化の枠組みが、ここでも本質的に効いてくる。
設備制約は配合の自由度を物理的に縛る変数で、配合決定と生産順序を切り離して個別最適化しても効果は出にくい。
なぜ「人手の経験配合」では限界があるのか
連続変数と組合せ変数が混ざった探索空間の広さ
配合比率は連続変数(0.0〜100.0%の任意の小数値)、ロット選択は離散変数(在庫の中からどれを使うか)、生産順序は組合せ変数(どの製品をどの順で作るか)で、これらが同時に動く。原料数20種類、各原料に在庫ロット5本、製品数10品種、生産日数20日のような中規模の現場でも、検討すべき組合せはすぐに天文学的な数字に膨らむ。
人手で比較できるのはせいぜい数十パターンで、しかもその比較も「直感で良さそうなもの」を選んでいるに過ぎない。組合せ爆発の前では、ベテランの経験は最初の絞り込みには有効でも、最後の数パーセントの精度向上には届かない。問題サイズが現場処理能力を超えた時点で、勘とテンプレートの延長線上には最適解は存在しない。
連続変数と離散変数が同時に絡む配合問題は、構造的に人手の処理能力を超えており、計算機を使う以外に最適解への道はない。
品質×コスト×在庫のトレードオフを同時に解けない
答えは明確で、3つの目的を同時に追える担当者はいない。コストを最小化すれば安価な代替原料の比率が上がり、品質規格の余裕度が削られる。品質規格の余裕度を最大化すれば、上位グレードの原料を多めに入れることになり、コストが膨らむ。在庫の賞味期限品を優先消化すれば、コストや品質目標から外れた配合になりかねない。
現場では「先月は規格外品が多かったから今月は品質マージン重視」「先週は原料費が膨らんだからコスト重視」といった切り替え運用に陥りやすく、年間で見れば3つの指標すべてが当初目標から外れる。トレードオフを同時に評価する計画系がなければ、配合判断は属人運用に依存し続ける。Excel表で計算したくても、複数の目的関数と多次元の物性予測を1つのスプレッドシートで扱うのは現実的ではなく、表計算ソフトの構造的な天井に行き当たってしまう。
複数目標を同時に評価する計画系がない限り、配合のトレードオフ判断は振り子のままで、長期的な改善は積み上がらない。
ロット入荷や規格変更時の再計算スピード不足
新しい原料ロットが入荷したとき、その日のうちに配合を組み直せるか。多くの現場では、入荷時の品質検査結果が出てから、配合担当者が机に戻り、紙のレシピと照合し、再計算するのに半日〜1日かかる。その間、生産ラインは旧ロットの在庫で動かすか、判断を保留して停止するしかない。
規格変更や顧客要求の追加が入ったときも同じです。仕様書改訂から実生産まで数日のタイムラグが発生し、その間に市況も在庫も動く。状況変化に応じて秒〜分単位で計画を組み直せるリアルタイム最適化を前提にすれば、計画は「立てて終わり」ではなく「外乱に合わせて動かす」運用に切り替わる。再計算スピードが分単位に短縮されないと、配合は常に半歩遅れた状態で運用されることになる。
応急判断でしのぐ運用が常態化すれば、配合品質は事故的なばらつきを抱え続け、改善は進まない。
最適化AIが切り拓く配合計画の解決策
最適化AIは、現場が守らなければならないルールを破らずに、最も良い結果を返すAIです。生成AIのように「それらしい配合案」を作るのではなく、合計100%、品質規格、原料上下限、在庫量、賞味期限、法令上限、設備処理量といったルールを一つも違反しない配合の中から、原料費と品質マージンを同時に最適化する解を探し出す。守るべき条件を数式として明示し、その範囲内で最善解を導く仕組みが、汎用ツールとの本質的な違いになる。
ゴールと守るべきルールを数式に落とす
配合最適化のゴール(AIに与える目標)は、たとえば「最終製品の品質規格を全て満たした上で、原料費の合計を最小化する」と定義する。多目的化したい場合は「原料費とロット廃棄量の重み付き合計を最小化する」「品質マージンを一定以上保ちつつコストを最小化する」のように設計する。守るべきルール(現場の条件)は、各原料の上下限比率、品質規格の上下限値、在庫量と賞味期限、法令上限、設備処理量、生産順序の段取りです。
これらを定式化したうえで、原料マスタ(成分・単価・在庫・期限)、品質規格、過去の配合実績と検査結果、設備パラメータ、市況予測をすべて入力に渡す。マスター整備(原料属性のデジタル化、過去配合データの構造化、暗黙ルールの言語化)が前提として要る。ここまで揃って初めて、最適化AIは「合計100%・品質規格・在庫制約・法令上限を全て守る配合の中から、コストが最も低いものを探索する」を組合せ最適化問題として扱える。
ゴールとルールを明示すれば、配合判断は属人運用から再現可能なロジックへ移行できる。
精度: 規格内で原料コストを構造的に下げる
配合最適化は「在庫構成を所与として、品質規格内で最安の組合せを探す」問題として定式化でき、属性ばらつきのある在庫構成と需要予測を同時に解くタイプの最適化と同じ枠組みで扱える。属性のばらつきが大きい原料を組み合わせて品質を一定に保つ構造は、異なる属性を持つ素材間で段取りを最小化する問題とも相似形で、最適化AIが得意とする領域です。
最適化AIは、原料マスタ、在庫構成、品質規格、市況、設備制約を一つの数理モデルに落とし込み、全体最適の視点で配合案を探索する。経験配合では試行錯誤の延長線上で見つけにくかった「品質マージンに余裕を残しつつ、コストの低い原料を多めに使う配合」を、計算で構造的に発見できる。配合精度の改善は単発のコスト削減ではなく、規格外ロット率と原材料費比率を継続的に下げる仕組みとして機能する。
部門ごとに最適化された配合・購買・生産順序を寄せ集めるのとは違う、工場全体を一つの最適化問題として扱う姿勢が、構造的な改善を生む。
スピード: ロット切替・原料切替時に秒単位で再配合
配合計算に数時間〜半日かかっていた業務でも、最適化AIなら数秒〜数分で配合案を生成できる。変数が多く制約が複雑な計画問題でも再計算を高速に回せるため、配合計算もこれに近い水準まで短縮できる構造です。再計算が秒単位になれば、ロット入荷の品質検査結果が出た瞬間に最新の配合を組み直せる。
スピードが上がると、運用の質そのものが書き換わる。原料切替時に「どの代替原料をどの比率で入れるか」を毎回最適化計算で決められるようになり、市況変動の局面では月次・週次・日次のサイクルで配合を更新できる。判断のボトルネックがなくなれば、応急対応から計画ベースの先回りへと運用が移行する。原料単価が急騰した日の朝に、その日のうちに代替配合を提示できる体制が現実になる。
再計算スピードの向上は、配合計画を「年単位の固定レシピ」から「外乱に合わせて更新し続ける運用」へ切り替える前提条件になる。
透明性: 経験配合のロジックを誰でも追跡できる形に
答えは制約条件と目的関数に集約される。最適化AIは、出力された配合について「どの制約が効いて」「どの目的のためにこの比率が選ばれたか」を可視化できる。配合担当者や品質保証担当者に説明する際も、データと制約条件を起点に議論できる。経験で語られていた判断根拠が、誰でも追跡可能なロジックに置き換わる。
汎用の配合管理システムが固定ルールしか扱えないのに対し、最適化AIは現場固有のルールも業務ヒアリングを通じてモデルに組み込める。「梅雨時はこの油脂を1%増やす」「特定銘柄は粘度が高めだから比率を下げる」のような暗黙ルールを、条件分岐つきの数式として保持できる。ベテラン引退で失われがちな知恵が、組織の計画系に資産として残る形です。
意思決定が透明化されると、配合計画は「ベテランの勘」から「組織の標準」へ格上げされ、世代交代を超えて再現できる仕組みになる。
まとめ
原料配合比率の最適化は、原料費比率の高い製造業にとって、単なる現場改善ではなく経営の中核論点になっている。原料ロット間のばらつきと市況変動、多品種化と仕様変更の頻度上昇、配合・在庫・発注の部門分断が重なり、人手の経験配合では追いきれない領域に突入している。
配合比率を決めるときには、各原料の比率と合計100%制約、品質規格の多次元目標、原料単価・市況、在庫構成・賞味期限、法令・規制上限、製造設備の処理能力と切替段取りという6つの変数が同時に絡む。連続変数と離散変数が混ざった探索空間の広さ、品質×コスト×在庫のトレードオフ、ロット入荷や規格変更時の再計算スピード不足という三方向で、人手の経験配合は構造的な限界に到達している。
最適化AIを使えば、規格を破らずに原料費を構造的に下げる配合を探索でき、ロット切替や原料切替の局面で秒単位の再配合を回し、暗黙知を誰でも追跡できる形に変換できる。OptHubは現場理解とアルゴリズム設計の両面から、配合計画を継続的に改善できる意思決定プロセスとして組み込む支援を行っている。




