NetSuite × 生成AI
Oracle NetSuite に AI を載せる:日本企業のための実践ガイド
要点
NetSuite の標準 AI 機能で足りる業務も多いですが、保存検索や SuiteQL で散在するデータを日本語で横断的に問い合わせたい場合は、読み取り専用の外部 AI 層が有効です。モデルを日本国内の自社環境や専用クラウドに置けば、個人情報や取引情報の扱いも説明しやすくなります。
NetSuite は日本でも、海外に親会社を持つ製造業の日本法人、成長企業、商社・ディストリビューターを中心に導入が進んでいます。クラウド専用の ERP であるため、オンプレミスの基幹システムのように「社内サーバーの中で AI を動かす」という発想がそのままでは使えません。
一方で、現場からは「在庫と受注残を日本語で聞きたい」「月次の差異の理由をすぐ知りたい」「保存検索が増えすぎて誰も全体を把握していない」という声が出ます。本稿では、NetSuite のデータ構造に即して、AI で何ができ、どこに注意が必要かを整理します。
Netray は ERP 上のプライベート AI を専門とする会社です。ERPray は NetSuite を含む ERP に対し、根拠付きの自然言語回答、ダッシュボード、エージェントを提供します。以下は特定の導入実績の紹介ではなく、設計と判断の考え方です。
日本の NetSuite ユーザーが抱える課題
日本法人では、本社の標準テンプレートに日本固有の要件を追加する形で運用されることが多く、請求書の様式、消費税区分、締め日と支払サイトの組み合わせ、取引先ごとの商習慣などが保存検索、カスタムレコード、SuiteScript に分散しがちです。担当者が異動すると、なぜその設定になっているのかが分からなくなります。
また、英語の管理画面と日本語の業務用語が混在し、現場の購買・営業・経理が自分で NetSuite に問い合わせるのは難しい場合があります。結果として、情報システム部門や経理が Excel 出力の依頼を受け続ける構造が生まれます。
- 保存検索とカスタムレポートが増え、重複や古い定義が残っている
- 英語の項目名と日本語の業務用語のずれで、現場が自力で調べられない
- 月次・四半期の差異説明に、毎回手作業の突合せが発生する
- SuiteScript やワークフローの仕様が属人化している
NetSuite で AI が効く具体的な使い方
最も費用対効果が出やすいのは、読み取り専用の問い合わせです。たとえば「A 社向けの未出荷の受注明細を納期順に出して」「先月と比べて仕入単価が上がった品目は」といった質問を、SuiteQL(NetSuite の SQL 風クエリ)に変換して実行し、結果を日本語で返します。ERPray は生成したクエリを画面に表示し、利用者が根拠を確認できます。
次に、トランザクション(受注書、発注書、仕入先請求書、在庫調整など)と、その元になった設定を突き合わせる調査用途があります。差異の原因を、勘定科目、サブシディアリ、場所、品目レコードの変更履歴から辿る、といった作業の下書きを AI に任せ、最終判断は人が行います。
書き込み(発注の起票、価格改定の反映など)は、承認者の確認を挟む前提でのみ設計します。既定は読み取り専用です。
- 受注残、在庫、納期遅延の自然言語検索(SuiteQL への変換と結果表示)
- 仕入単価・標準原価の変動要因の調査
- 保存検索の棚卸しと重複定義の発見
- 月次の差異コメントの下書き生成(人が確認して確定)
- SuiteScript・ワークフローの仕様書の逆生成
アーキテクチャ:データはどこを通り、どこに留まるか
NetSuite 自体は Oracle のクラウドで稼働します。外部 AI 層は、トークンベース認証や OAuth 2.0 で NetSuite の REST Web サービス、SuiteQL、必要に応じて RESTlet を呼び出し、取得した結果だけを扱います。ERP の権限(ロール)をそのまま継承するため、利用者が NetSuite 上で見られない情報は AI も返しません。
言語モデルには、Llama、Qwen、Mistral、Gemma、gpt-oss などのオープンウェイトモデルを、vLLM や Ollama で自社の GPU サーバー、または日本国内のプライベートクラウドに置いて動かせます。この構成では、質問文と ERP から取得したデータが外部の汎用 AI サービスに送られることはありません。
ただし、NetSuite からデータを取り出す時点で、その保管先と保持期間の設計は必要です。回答の生成に使った行データを永続保存するのか、問い合わせのたびに破棄するのかは、導入前に決めておく項目です。
日本固有の論点:インボイス制度、電子帳簿保存、個人情報
適格請求書等保存方式(インボイス制度)や電子帳簿保存法への対応は、NetSuite の日本向け機能や周辺ソリューションで行うのが基本で、AI がそれを置き換えるわけではありません。AI の役割は、登録番号の欠落や税区分の不整合といった例外を、請求データから拾い上げて担当者に提示する補助にとどめるのが安全です。
取引先担当者名など個人情報を含むフィールドを AI に渡す場合は、個人情報保護法上の整理が必要になります。詳しくは、別記事の「個人情報保護法に沿った ERP 向け AI の設計」を参照してください。
導入の進め方と、標準機能で足りるケース
まず 2 から 3 週間程度のアセスメントで、よく使われる問い合わせ 20 から 30 件を実データで検証します。結果の正確さ、権限の効き方、回答速度を見て、続行するかどうかを決めます。次に、特定部門(購買、経理など)に絞った小規模な試験運用に進みます。
正直に言うと、NetSuite の標準の検索、SuiteAnalytics ワークブック、Oracle が提供する生成 AI 機能で十分な会社も多くあります。質問がほぼ定型で、データが NetSuite 内に完結しており、外部モデルの利用に社内の制約がないなら、まず標準機能を試すべきです。外部 AI 層が意味を持つのは、複数システムを横断する場合や、モデルの配置場所に制約がある場合です。
よくある質問
NetSuite のデータを AI に渡すと、外部に漏れませんか。
設計次第です。オープンウェイトモデルを自社 GPU または国内のプライベート環境で動かし、NetSuite からは API 経由で必要な行だけを取得する構成なら、質問と回答のデータが外部の汎用 AI サービスに送られることはありません。ただし NetSuite 自体は Oracle のクラウド上にあるため、その点は前提として整理してください。
AI が NetSuite のデータを書き換えることはありますか。
ERPray は既定で読み取り専用です。書き込みを行う機能を作る場合も、人間の承認を必須とし、実行内容を事前に表示する設計にします。
日本語の項目名と英語の項目名が混在しています。対応できますか。
対応できます。アセスメントで業務用語と NetSuite 上のフィールド名・レコード名の対応表を作り、AI が参照します。この用語整理は、導入後も社内の財産として残ります。
NetSuite 標準の AI 機能と何が違いますか。
標準機能は NetSuite 内の操作を支援する用途に向いています。外部 AI 層は、複数システムの横断、モデルの配置場所の指定、生成クエリの可視化などが必要な場合に選ぶ位置づけです。両者は競合ではなく、要件で使い分けます。
どのくらいの期間で試せますか。
対象範囲にもよりますが、問い合わせ内容の検証までを数週間で行うのが一般的な進め方です。本番運用までの期間は、権限設計と配置先の調整で変わります。
関連ガイド
Infor SyteLine と LN に AI を載せる:日本の製造業向け
日本で Infor SyteLine(CloudSuite Industrial)や Infor LN を使う製造業向けに、AI によるカスタマイズ調査、帳票、バージョンアップ支援、自然言語検索の設計を解説します。
ERP 全般(個人情報保護法)個人情報保護法に沿って ERP のデータを AI で扱う
ERP の取引先・従業員データを生成AIで扱うときの個人情報保護法(APPI)上の論点を整理。委託と第三者提供、外国にある第三者への提供、安全管理措置、オンプレ運用を解説。
品質記録・検査(ERP / MES)製造業の品質記録・検査データを AI で活かす
検査成績書、不適合報告、是正処置などの品質記録を ERP と結びつけて AI で検索・要約する方法。ISO 9001、IATF 16949、JIS Q 9100 の現場を想定して解説します。
SAP ERP 6.0(ECC)/ SAP S/4HANASAP 2027年問題とAI:移行を急ぐ前に、社内の知識を読めるようにする
SAP ERP 6.0の保守終了(2027年問題)に向け、アドオン棚卸しや移行判断に生成AIをどう使うか。データを社外に出さない構成と注意点を解説。
ERP全般(オンプレミス生成AI)オンプレミス生成AIをERPにつなぐ:データを社内に置いたまま使う方法
ERPのデータを社外に出さずに生成AIを使うには。ローカルLLM、RAG、権限連携、承認フローまで、情報システム部門向けに構成と注意点を整理。
生産管理システム生産管理システムにAIを加える:納期回答と進捗確認を速くする
生産管理システムのデータに生成AIをつなぎ、納期回答、進捗照会、欠品要因の把握を効率化。現場に定着させる設計とAIの限界を解説。