見積を3社から取り、Excelに転記して並べ、稟議書に添付する。納品後は検収票と請求書を突き合わせ、金額がずれていれば取引先に電話する。年に一度のサプライヤー評価では、品質・納期・価格の実績を各システムから拾い集めてスコアを埋める。中堅製造業や商社、小売の購買・調達部門で日々繰り返されているこの仕事のうち、どれだけが「人がやる必要のある仕事」だろうか。

調達部門のAI活用は、営業やマーケティングに比べて話題になる機会が少ない。総務省『令和7年版情報通信白書』（2025年7月）でも、生成AIを業務で使用している割合は営業・マーケティングで55.2%、企画・事業開発で47.3%と報告されているが、調達・購買という区分で目立った数字は出てこない。だが工数の構造を見れば、調達は「比べる・確かめる・残す」という反復作業の塊で、AIによる引き算の余地は他部門と比べても大きいほうだ。

本稿は、調達・購買部門の業務起点でAI活用を整理する。需要予測から在庫・物流まで扱うAI×サプライチェーン/SCMがサプライチェーン全体の流れを扱うのに対し、ここではサプライヤー選定・見積比較・契約管理・間接材購買・下請法（取適法）対応・購買データ整備という、購買担当者の机の上にある仕事に絞る。通底するのは、AIを足すことではなくヒトがやる必要のない仕事を見極めて引き算し、空いた工数を価値ある仕事へ再配置するという視点である。

調達・購買の工数はどこに張り付いているか

購買部門の業務を分解すると、調達戦略の策定やサプライヤーとの関係構築のような判断業務と、その周辺に張り付く事務作業の二層に分かれる。時間を食っているのは後者だ。見積依頼（RFQ）の作成と送付、返ってきた見積の転記と比較表づくり、稟議書の起案と添付資料の整理、発注書の発行、納品後の検収と請求書の照合、そして支払データの経理への引き渡し。品目が増え、取引先が増えるほど、この事務の層は線形に膨らむ。

見落とされやすいのが「残す」仕事の重さである。誰に、いつ、いくらで、なぜその価格で発注したのか。価格改定の協議をいつ行い、どんな根拠資料を交わしたのか。こうした記録は、監査対応や取引先との紛争予防のために作られるが、日常業務の中では負担としてしか感じられない。後述する取適法の改正で、この「残す」層の重要度は上がっている。

海外の調査もこの構造を裏付ける。Deloitte『2025 Global Chief Procurement Officer Survey』（2025年8月）は40カ国・250人超のCPOを対象に、価値創出を阻む要因として部門間のサイロ化（57%）、優先順位の競合（46%）、ケイパビリティ不足（40%）を挙げている。調達の課題はAIの有無より先に、データと業務が部門をまたいで分断されている点にある。日本の中堅企業では購買システム・会計システム・品質管理システムが別々に動いていることが多く、この分断がそのまま担当者の転記作業になっている。

ユースケースを「引き算できる度合い×リスク」で並べる

調達AIのユースケースは数多く語られるが、並べ方を誤ると「全部やりたい」で止まる。本稿では、AIに引き渡せる度合い（作業をどこまで無人化できるか）と、誤りが起きたときのリスク（金額・法令・取引先関係への影響）の二軸で整理する。この軸で見ると、着手すべき順序が自然に浮かぶ。

ユースケース 引き算できる度合い 誤りのリスク 位置づけ
見積書の読み取り・比較表の自動作成 高 低 初手に向く
検収・請求書・発注書の三点照合 高 低〜中 初手に向く
購買データの名寄せ・品目マスタ整備 高 低 土台として先行
サプライヤー探索・候補リストの下書き 中 中 人の確認込みで
サプライヤー評価スコアの集計・草案 中 中 人の確認込みで
契約書の条項抽出・更新期限の管理 中 中〜高 法務と分担
価格交渉の準備資料（コスト構造分析） 中 中 判断は人
価格の最終決定・サプライヤーとの関係 低 高 人が握る

上の三行が「引き算しやすく、間違えても取り返しがつく」領域である。見積書はPDFやメールで届き、様式が取引先ごとに違う。ここから品目・単価・数量・納期・支払条件を抜き出して比較表にする作業は、生成AIの文書読解が得意とするところで、抜き出した値を元の見積書と照合する仕組みさえあれば、担当者は比較表を「作る」のではなく「見る」側に回れる。検収と請求の照合も同じで、金額や数量の不一致を機械的に検出し、一致したものは人を通さず経理へ流す設計が成り立つ。この領域は経理・財務部門のAI活用で扱った請求書処理と地続きであり、購買と経理をまたいで設計すると効果が二重に出る。

中段の「人の確認込み」の領域は、AIが下書きをし、人が判断する分業になる。サプライヤー探索では、要求仕様から候補企業を洗い出し、公開情報をもとに一次リストを作るところまでは任せられる。テクノポート『製造業の購買活動における生成AI活用の実態調査【2026年版】』（2026年3月、製造業従事者317名、ベンダー調査）によれば、製造業従事者（購買担当者に限らない）のうち、生成AIをサプライヤー・外注先・代替部材の探索に使う割合は27.1%、導入候補の比較検討に使う割合は26.5%だった。サンプルは小さく回答者も購買部門に限らないが、「初手はAIで調べる」動きが買い手側に出てきていることは押さえておきたい。ただし、候補リストの信頼性はAIが参照した情報の鮮度と正確さに依存し、ハルシネーションで存在しない企業や誤った所在地が混じることは珍しくない。人の確認を外せない理由はここにある。

契約書の条項抽出は、支払条件・自動更新の有無・解約予告期間・価格改定条項を契約書群から拾い上げ、更新期限を一覧化する用途で効く。中堅企業の購買部門では、契約書がキャビネットや個人のフォルダに散らばり、更新期限を過ぎてから気づくことが少なくない。ここは法務部門のAI活用と役割を分け、購買は「いつ・誰と・どの条件か」の把握、法務はリスク条項の判断という線引きにするのが現実的だ。

最下段は、AIに委ねないと決める領域である。理由は後半で詳しく述べる。

取適法（改正下請法）はAI活用の制約か、追い風か

2026年1月1日、下請代金支払遅延等防止法（下請法）が改正され、法律名も「製造委託等に係る中小受託事業者に対する代金の支払の遅延等の防止に関する法律」（略称: 中小受託取引適正化法、通称: 取適法）に変わった。公正取引委員会・中小企業庁の改正ポイント説明会資料（2025年10月）によれば、主な改正点は、運送委託の対象取引への追加、従業員基準（300人、役務提供委託等は100人）の新設、手形払等の禁止、協議に応じない一方的な代金決定の禁止、事業所管省庁への指導・助言権限の付与の五つである。「親事業者」は「委託事業者」、「下請事業者」は「中小受託事業者」へと用語も改められた。

購買部門にとって重いのは、従業員基準の追加と、協議に応じない一方的な代金決定の禁止の二つだろう。前者により、資本金では対象外だった取引先が従業員数を基準に保護対象へ入る可能性があり、自社が委託事業者に該当する取引の範囲を洗い直す必要が生じる。後者は、中小受託事業者から価格協議の求めがあったのに協議に応じない、あるいは必要な説明や根拠となる情報を提供せずに代金を決めることを禁じる規定で、運用基準では「協議の求めを無視したり、協議の実施を繰り返し先延ばしにしたりする」ことも該当し、明示的に協議せず従来どおりの価格に据え置くことも問題となるおそれがあるとされている。取引先からの値上げ要請のメールを放置する、という日常的な振る舞いが法令上の問題になり得る。

執行の強度も無視できない。公正取引委員会『令和7年度における取適法の運用状況』（2026年6月）によると、令和7年度の勧告は39件、指導は8,261件、委託事業者177名から中小受託事業者5,165名への返還等は総額約25億5,698万円相当に上る。相談件数も取適法関係だけで34,810件と多い。価格転嫁の実態を見ても、帝国データバンク『価格転嫁に関する実態調査（2026年2月）』（2026年3月）では有効回答10,416社の価格転嫁率は42.1%にとどまり、全く転嫁できない企業が10.9%ある。買い手側の購買部門は、この構造の当事者である。

ではAIはここでどう関わるのか。制約として働く面と、追い風になる面がある。制約の面では、価格交渉の準備資料をAIで作るのはよいが、AIが算出した「適正価格」を根拠に一方的に価格を決めれば、協議の実質を欠いたと見なされるおそれがある。AIの出力は協議の材料であって、協議の代替ではない。追い風の面は「残す」仕事にある。取適法は委託事業者に、発注内容の明示（書面または電子メール等の電磁的方法）と、取引記録の作成・2年間保存を義務づけており、記録事項には代金額に変更があった場合の増減額とその理由まで含まれる。改正で、中小受託事業者の承諾の有無にかかわらず電磁的方法での明示が可能になった点は、購買業務のデジタル化を後押しする。価格協議の経緯、提示した根拠資料、合意日をAIで自動的に整理・記録しておけば、法令対応の負担が下がるだけでなく、協議に誠実に応じたことの証跡にもなる。制度対応を「守りのコスト」として別建てにせず、購買データ整備の一部として組み込むのが賢い進め方だと考えている。

なお、本稿は法令の概要を整理したものであり、個別取引の該当性判断は公正取引委員会・中小企業庁の公表資料と専門家への確認を前提にしていただきたい。

間接材購買 — 見えない場所に散らばる工数

直接材（製品を構成する原材料・部品）の購買は購買部門が集中管理していることが多いが、間接材（消耗品・設備保守・ITサービス・業務委託・出張旅費など）は各部門がばらばらに買っている。この分散が、購買データを歪める。同じ文房具を部門ごとに別の業者から別の単価で買い、品目名の表記も揃わない。年間の支出を集計しようとすると、まず名寄せから始めなければならない。

間接材でAIが効くのは、この名寄せと分類である。購買履歴の品目名・取引先名の表記ゆれを吸収し、カテゴリを付与し、「実は同じものを三つの単価で買っていた」を可視化する。ここで浮かんだ金額差は、集約発注や単価交渉の根拠になる。中堅企業で間接材の支出可視化を進めると、まず出てくるのは「誰が何を買っているか、誰も全体を知らなかった」という事実であることが多い。

ただし、間接材の集約は現場の反発を生みやすい。部門が使い慣れた業者を切り替えることになるからだ。AIは支出の構造を見せるところまでで、業者の切り替えをどこまで進めるかは調達部門と各部門の合意の問題になる。ここで無理に集約を急ぐと、AI定着失敗の典型パターンにある「現場が使わなくなる」状態を招く。

本番化の順番：データ整備→単機能→統合

調達AIがPoCで止まる要因の多くは、順番の誤りに帰着する。見栄えのするサプライヤー評価AIや価格予測から始めると、入力となる購買データが整っていないため精度が出ず、「AIは使えない」という結論だけが残る。AI PoC止まり脱出フレームワークで述べた構造は、調達では「データ整備を飛ばした」という形で現れやすい。

最初の1〜2ヶ月はデータ整備に充てる。品目マスタと取引先マスタの表記統一、購買システム・会計システム・品質管理システムに散った実績データの突き合わせ、契約書の所在確認と電子化。この段階でAIを使うなら、名寄せと分類の下書きである。派手さはないが、後段のすべてがここに依存する。方法論はAI×データ戦略に譲る。

次の2〜3ヶ月で単機能を本番に乗せる。候補は先の表で「初手に向く」とした見積比較表の自動作成か、検収・請求・発注の三点照合のどちらかだ。どちらも入力と出力が明確で、担当者が結果を検証しやすく、効果を工数で測れる。見積比較なら、AIが作った比較表を担当者が元の見積書と照合する運用を最初は残し、抽出精度が安定してから照合の抜き取り率を下げていく。

単機能が回ってから、統合に進む。見積比較で抽出した単価を購買履歴に蓄積し、次回のRFQで過去実績との乖離を自動で示す。三点照合の不一致データをサプライヤー評価に反映する。契約の更新期限が近づいたら、その取引先の実績と市場価格をまとめた交渉準備資料を自動生成する。ここまで来ると、担当者の仕事は「作る・照合する」から「交渉する・関係を築く」へ移っている。これが再配置の到達点であり、この段階ではAIエージェント的な連携設計が視野に入る。

順番を守っても、統合段階で購買部門だけでは動けなくなる場面がある。三点照合は経理、契約管理は法務、品質実績は製造や品質保証のデータを要するからだ。管理部門のAI活用ガイドで扱ったように、管理部門横断でデータの持ち方を決める場を早めに設けておかないと、統合段階で部門間調整に半年を費やすことになる。

効かない領域と、うまくいかない典型

調達AIには、精度を上げても効かない領域がある。一つは価格交渉の最終判断だ。AIはコスト構造の分析や市況の整理をこなすが、取引先が今期どれだけの余裕を持っているか、次の量産立ち上げで協力を頼む予定があるか、といった文脈は購買担当者の頭の中にしかない。数値で見れば最適な価格を押し通した結果、翌年の供給で後回しにされるという損失は、AIの評価関数には入っていない。取適法の観点からも、価格決定は協議を経て人が行う設計にしておくべきである。

もう一つはサプライヤーとの関係そのものだ。工場を訪ね、生産能力や現場の雰囲気を見て、担当者と信頼を築く。品質トラブルが起きたときに、誰にどう連絡すれば早く動いてもらえるかを知っている。こうした関係資本は、AIに引き渡せないどころか、AIで事務を引き算した後に購買担当者が時間を注ぐべき仕事である。調達AIの目的は、この時間を作ることにあると言ってよい。

うまくいかない典型も挙げておきたい。海外の先進事例を参考に高度な仕組みを入れようとして、規模の違いで頓挫するケースがある。Deloitteの同調査では、デジタル投資を進めた「リーダー層」の96%がコスト削減目標を達成したのに対し、それ以外は80%だったと報告されているが、リーダー層は調達技術への予算配分が最大24%に達するようなグローバル企業であり、規模が違うため中堅企業がそのまま真似できる話ではない。日本企業の状況を見ても、PwC『生成AIに関する実態調査2026 春』（2026年6月、日本の回答者932名）では導入率が87%に達した一方、効果が「期待を大きく上回った」企業は9%と6カ国中で低く、米国の38%と差が開いている。導入したが効果が薄い、という状態が多数派だ。調達に限れば、その差はデータ整備を飛ばしたか、引き算する業務を絞れなかったかのどちらかに起因することが多い。

もう一つの典型は、ツール選定から入る失敗である。調達向けSaaSは多く、機能表を並べれば「全部できる」ように見える。だが自社の見積書の様式、取引先の数、既存システムとの接続性によって、効くツールは変わる。既製のSaaSで足りる場面は既製を使い、足りない部分だけ作るという判断は、ツールの機能表ではなく自社の工数構造から導くべきものだ。

成果をどの数字で示すか

調達AIの効果は、削減額だけで測ると危うい。単価の引き下げ額はAIの効果と市況の変動が混ざり、取適法の観点からも「AIで買いたたいた」と読める報告は避けたい。工数で測るのが基本になる。見積比較表の作成時間、検収・請求照合の1件あたり処理時間、不一致の検出率と手戻り件数、契約更新の期限超過件数。これらをBefore/Afterで並べ、空いた工数がサプライヤー訪問や交渉準備にどれだけ振り向けられたかまで追うと、再配置の実態が見える。

支出の可視化については、名寄せ後に判明した重複購買の金額、集約発注で得た条件改善を分けて記録する。前者は「見えていなかった額」、後者は「実際に動かした額」であり、混ぜると稟議で説得力を失う。ROIの組み立てはAI ROIの測定方法、稟議の通し方はAI予算計画と社内稟議を参照されたい。製造業で直接材が主戦場になる場合の現場側の論点は製造業のAI活用で扱っている。

AX Boost の調達・購買部門アプローチ

AX Boostが調達・購買部門の支援でFDE型を取るのは、この領域の詰まりどころが技術ではなく、購買・経理・法務・製造にまたがるデータの持ち方と、現場の運用に埋まっているからである。初期の1〜2ヶ月で購買業務の工数マッピングと購買データの現状把握を行い、引き算できる度合いとリスクの二軸で着手業務を絞る。既製のツールで足りる部分は既製を使い、見積様式の読み取りや既存システムとの接続のように自社固有の部分だけを作る。取適法をはじめとする法令対応は、別建ての守りとして扱わず、購買データ整備の設計に最初から織り込む。

成果報酬型を含む契約設計で、引き算した工数が交渉準備やサプライヤー関係の構築へ再配置されるところまでを成果として扱う点が、私たちの立場である。進め方の全体像はFDE型コンサルティング完全解説を参照されたい。

よくある質問（FAQ）

調達AIはどの業務から始めるべきですか

見積書の読み取り・比較表作成か、検収・請求書・発注書の三点照合のどちらかを勧めたい。いずれも入力と出力が明確で、担当者が結果を検証しやすく、誤りが起きても金額・法令・取引先関係への影響が限定的だからだ。ただしその前提として、品目・取引先マスタの表記統一という土台の整備を並行して進める必要がある。

取適法（改正下請法）の対応にAIは使えますか

使える領域と使ってはいけない領域がある。発注内容の電磁的方法での明示、取引記録の作成・保存、価格協議の経緯や根拠資料の整理といった「残す」業務はAIで負担を下げられる。一方、AIが算出した価格を根拠に協議を省いて代金を決めることは、協議に応じない一方的な代金決定と見なされるおそれがあり、価格決定は協議を経て人が行う設計にすべきである。個別の該当性は専門家に確認していただきたい。

サプライヤー評価をAIに任せると何が起きますか

品質・納期・価格の実績データを集計してスコア草案を作るところまでは任せられるが、最終評価と取引継続の判断は人が持つべきだ。実績データに現れない協力姿勢や技術力、将来の供給余力は、担当者の現場観察でしか把握できない。データが整っていない段階で評価AIから入ると、入力の欠損がそのままスコアの歪みになる点にも注意したい。

主要参照ソース

本稿で参照した公的資料・調査の一次情報は以下のとおり。

おわりに — 比べる仕事を減らし、関係を築く時間へ

調達・購買部門のAI活用は、精度の高いモデルを入れることではなく、比べる・確かめる・残すという事務の層を引き算し、担当者の時間を交渉とサプライヤー関係の構築へ戻すことにある。取適法の施行は、その引き算を「残す」層から始める理由を一つ増やした。自社の購買業務でどこに工数が張り付いているかを見極めるところから始めたい方は、トップページからお問い合わせいただきたい。