AIで供給網の不確実性に備える――PepsiCo、Walmartが示す「農場の見える化」と実務導入の道筋

11/06/202511/14/2025

AIで供給網の不確実性に備える――PepsiCo、Walmartが示す「農場の見える化」と実務導入の道筋

気候変動、サプライチェーンの混乱、地政学的リスク、病害虫の発生。こうした複数の要因が、世界の鮮度流通や原料調達を脅かしています。リアルタイムでの生産現場の見通しが欠けることが、企業にとっての大きなリスクになっているなか、インド発のアグリテック企業CropinはAI（機械学習、ジェネレーティブAI、LLMなど）を核に、農場から流通までの「エンドツーエンド可視化」で企業の供給網を強化する取り組みを進めています。

なぜ従来の調達手法が通用しなくなったのか

CropinのCEO、Krishna Kumar氏は、近年のココアやコーヒー、米国の柑橘類に見られる供給ショックを例に挙げ、「気候の極端化が生産ルールを書き換え、地政学的ショックが輸出入戦略を揺るがしている」と指摘しています。気候変動により、従来の季節パターンや栽培カレンダーが崩れると、現場を毎日観察して初めて分かるリスクが増え、企業側の意思決定が不確実になります。

「サバイブし、さらに成長するために、農食の企業は生産・調達戦略を再設計する必要があり、その中核はAIとML技術にある。」— Krishna Kumar（Cropin CEO）

実例：PepsiCo（Lay’s）とWalmartに導入されたAIソリューション

PepsiCoのLay’s Smart Farm

Lay’sブランドのポテトは、アジア太平洋地域の小規模・分散農家に依存しています。従来はモンスーンなど季節パターンに頼った栽培が主流でしたが、気候不安定化により「すべての作物を毎日点検する必要がある」という現場の声が出始めています。分散した小区画が何キロにも渡るため、人的なチェックではほぼ不可能です。

この課題に対してPepsiCoはCropinと協働し、Lay’s Smart FarmというカスタムAIプラットフォームを構築しました。衛星画像やリモートセンシング、過去の栽培データを組み合わせることで、農地の状態やリスク発生箇所を早期に把握できるようにしています。結果として農家と企業双方に対して、播種・灌漑・病害予警・収穫タイミングなどの適時アドバイスが可能になっています。

Walmartの鮮果サプライチェーン対策

Walmartも同様に、CropinのAIソリューションを受け入れ、天候変動や市場のボラティリティ、供給の混乱リスクを低減しています。Walmartのソーシング＆供給保証担当副社長は、リアルタイムのGen-AI技術により調達プロセスの効率化と収量予測の高度化が進んだと評価しています。

持続可能性と再生型農業への効果

Cropinは単なるリスク管理だけでなく、持続可能性（ESG）や再生農業の普及にもAIを活用しています。例えば欧州でのジャガイモに関するパートナーシップでは、目標として以下を掲げています：

収量＋5％
農薬使用量−15％
水使用量−5％
経済効果 €410／ha（ヘクタール当たり）

これは、ハイパーローカルな気候・土壌・作物インテリジェンスと現地のフィールドデータを統合することで、灌漑や投入資材、残渣管理の最適化を図る成果です。Kumar氏は「技術は再生型農業をスケールさせるために不可欠で、投資家には安心感、農家には安全性、地球には生存の余地を与える」と述べています。

実務担当者向け：AI/MLを使った供給網強化の始め方

企業がAIを使って上流の農業から供給網を強化するための実務ステップを整理します。

ソース（農家・仕入先）のデジタル化：サプライヤーと農地のマッピング、フィールドデータの標準化を行います。
データパイプラインの整備：衛星、地上センサー、フィールドスカウティングアプリからの継続的でクリーンなデータ流を確立します。
エンドツーエンドの可視化を作る：どこで何が栽培され、どのような管理が行われているかを「生きた地図」で把握します。
現場へのリアルタイム通知：病害発生リスク、灌漑要否、収穫ウィンドウなどをモバイル通知やWhatsApp、SMS、エージェント型アシスタントで配信します。
収量予測とシナリオプランニング：シーズン内外の収量予測を契約・配分・キャパシティ計画へ反映します。
サプライ・価格変動管理：早期リスクシグナルと地域横断のシナリオで供給と価格のボラティリティに備えます。
持続可能性のトラッキング：水・肥料・温室効果ガスなどの効率を数値化してESG成果を報告できる仕組みを導入します。

現場で想定されるハードルと対策

データ品質のばらつき：まずは主要サプライヤーから段階的に標準化を進め、スカウティングやセンサーの導入で計測精度を上げます。
農家側の受容性：利点（収量向上、コスト削減、契約の安定）を示す試験区や収益性データを提示して信頼を構築します。
初期投資とROI：小さなパイロットで定量効果（廃棄削減、薬剤削減、収量増）を実証し、段階的に拡大します。
分散小区画の監視：衛星リモートセンシングと現地スカウトのハイブリッド運用でスケールします。
データ連携とプライバシー：データ所有権と利用ルールを明確にし、契約面での合意を取ります。

経営者・現場管理者がまず取るべきアクション（チェックリスト）

主要原料・主要サプライヤーを優先順位付けし、リスクマップを作成する
小規模パイロット（1〜3地域）を設計し、ROI指標を定める
衛星・センサー・スカウティングのデータフローを検証する
現場チームと農家に向けた運用トレーニング計画を作る
外部パートナー（アグリテック企業）との協働契約を検討する

まとめ：AIは投資ではなく次の標準装備です

気候変動や地政学リスクが恒常化する現在、従来の「経験と直感」に頼る調達・生産戦略は脆弱です。AI/MLを核にした農業のデジタル化は、収益性の向上だけでなく、供給の安定化とESG目標の達成を両立させる現実的な手段になっています。まずは現場のデジタル化から着手し、段階的にAIを組み込むことで、不確実性をデータドリブンな優位性に変えていくことが可能です。

日本の営農法人や集落営農の経営者、農機メーカー、自治体の技術担当者にとっても、近隣事例から学びつつ自社の供給網に合った段階的導入が現実的な第一歩になります。