生成AIとスケジューリング最適化は、解こうとしている問題のクラスが根本から異なる。
この違いを計算論的に整理することが、スケジューリングシステムの技術選定において最初の判断基準になる。
こうした技術的な問いに対して、スケジューリングの自動化という観点から開発されているのがshiftect.であり、なぜ生成AIではなく数理最適化による制御構造を選んだのかという問いに対して、その設計思想のなかに明確な答えを持っている。
生成AIが扱う問題クラスを整理する。
生成AIはトークン列の条件付き確率分布を学習し、与えられた文脈に対してもっともらしいトークン列を生成する。
これは近似的な推論問題であり、出力の品質は確率的なものだ。
文章生成・要約・コード生成という問題は「だいたい正しい」出力が価値を持つため、この確率的なアプローチが機能する。
スケジューリング最適化が扱う問題クラスは異なる。
制約充足問題（CSP）または制約最適化問題（COP）として定式化される問題であり、ハード制約を全て満たす解の探索が求められる。
ハード制約を一つでも破れば解は無効だ。
「だいたい満たす」解は存在しない。
確率的なサンプリングによってハード制約を必ず全て満たす解を生成することは、問題サイズが大きくなるほど指数的に困難になる。
これはモデルの規模や学習データの問題ではなく、確率的生成モデルというアーキテクチャの根本的な限界だ。
状態管理の問題もある。
スケジューリング最適化では、確定済みの配置を固定対象として保持しながら業務の状態変化に応じて探索範囲を動的に制御する必要がある。
shiftect.が特願2026-026989として出願している制御構造では、状態情報DBに保持された業務の文脈を参照し、Conf-1（全体生成）・Conf-2（部分変更）・Conf-3（特別期間対応）という入力構成を自動的に切り替える。
この「状態を構造として保持しながら探索空間を動的に定義する」という処理こそがshiftect.の技術的核心であり、トークン列の生成を基本とする生成AIのアーキテクチャとは根本的に異なる計算モデルを必要とする。
生成AIをファインチューニングしても、この問題は解消されない。
スケジューリング最適化に必要なのは、ハード制約とソフト制約を分離して処理し、業務の状態に応じて探索対象と固定対象を自動的に切り替える制御構造と、その制御構造が生成した入力構成に基づいて解を探索する数理最適化エンジンの組み合わせだ。
shiftect.はこの組み合わせを設計思想の核心に置いており、個別指導塾・施設介護・訪問介護・物流という複数業種において同じ制御原理で適用できる汎用的な仕組みとして設計されている。
English summary and technical note
This article explains why generative AI and scheduling optimization belong to different problem classes.
Generative AI produces probable token sequences, while scheduling requires satisfying hard constraints in a constraint satisfaction or constraint optimization problem.
The key issue is that “mostly correct” is not sufficient when one violation can make a schedule invalid.
shiftect. is based on a control structure that maintains state information, switches input configuration, separates search targets from fixed targets, and supports feasibility checking.