AI は教科書的な数学的最適化問題には強力でありますが、実際のビジネスデータを用いた課題解決では多くの場合失敗します。この隙間は偶然ではなく、既存のツールが問題の記述を完全かつ明確と仮定し、データもプロンプト内に埋め込む前提で作られているためです。現実の業務では、問題定義は曖昧であり、データ量は膨大でプロンプトに収まりません。さらに、モデルが必要な形式（距離行列など）とユーザーが持つ生データ（GPS 座標など）が異なり、それらを処理する工程が不足しています。また、生成されたコードは特定のソルバーに依存し、再現性や移植性が低いという課題があります。これらの実環境特有の障壁に対処するため、著者は「ORPilot」と呼ばれるオープンソースの AI エージェントを開発しました。ORPilot は、人間のアナリストと同様に、まず質問を行い理解を深めることを重視する 5 段階の工程で構成されています。第一段階ではインタビュー・エージェントがユーザーと対話し、目的関数や制約条件などの不明点を特定し、曖昧さが解消されるまでモデル作成を開始しません。続くデータ収集・パラメータ計算工程では、膨大なデータを CSV ファイルとして扱い、モデルに必要な数値を自動的に導出・変換します。これにより、LLM が直接大量データを処理するリスクを回避しています。コード生成段階では、指定されたバックエンド（Gurobi や PuLP など）向けのスクリプトを自動生成し、エラーが発生した場合、エラーログを元に再試行を行います。最終段階では、報告エージェントが数値結果を平易な日本語でビジネスユーザー向けに解説します。この構造的アプローチにより、著者は 50 拠点、500 顧客、500 商品を含む大規模なサプライチェーン設計問題（変数 970 万件、制約 96 万件）を成功裡に解くことに成果を上げています。ORPilot は GitHub で公開され、複数の LLM ソルバーに対応しています。今後は、ソルバーに依存しない可搬性を実現する中間表現（IR）の詳細について解説する予定です。