2026年、ほぼすべての倉庫ソフトウェアベンダーがAIエージェントについて語っている。デモ動画では、エージェントは疲れ知らずのディスパッチャーのように振る舞う。注文が届けば波動(ウェーブ)をスケジュールし、在庫が少なくなれば補充注文を出し、ドライバーが遅れればドックの予約を変更する。デモを見れば、自律的な倉庫実行の時代はすでに到来したと結論づけやすい。しかし、その印象と現実のあいだには、まだ越えられていないいくつかのギャップがある。本記事ではシンプルなことを試みる。公開データを手に取り、そのギャップを開いて見せ、質問に答える倉庫のAIエージェントと自律的に行動するエージェントのあいだに、あと何段階残っているかを数えることだ。

まずデータから:本物の熱気、不確かな着地

ガートナーの2025年6月の予測によると、エージェンティックAIプロジェクトの40%以上が2027年末までに中止される見込みで、主な原因はコストの増大、ビジネス価値の不明確さ、リスク管理の不十分さである。これは予測であり、すでに起きた事実ではない。

同じ予測には、並べて置く価値のあるもう一組の数字がある。ガートナーは、2028年までに日常業務の意思決定の少なくとも15%がエージェンティックAIによって自律的に行われるようになると予測している。現在はほぼゼロである。また、2030年までにサプライチェーンマネジメントソフトウェアを利用する企業の60%がエージェンティックAI機能を採用する見込みで、2025年の5%から上昇する。ガートナーを引用する業界分析によると、2026年末までに企業アプリケーションの40%がタスク特化型AIエージェントを統合し、2025年の5%未満から上昇するという。

倉庫側の導入データも同じギャップを示している。MITとMecaluxによる2025年の調査(サプライチェーンの専門家2,000人超を対象)によると、倉庫の60%以上が何らかの形でAIまたは機械学習を導入しており、90%近くが基礎レベルを超えた自動化レベルで稼働している。しかし「AIを使うこと」と「エージェントに自律的に実行させること」は別物である。前者は主に予測、認識、推奨を意味する。後者は、誰かが各ステップを承認することなく、システムが実際の作業指示を書き換えることを求める。そのあいだの距離こそ、本記事が扱う数段階である。

今日の実際の導入は、実行の中核ではなく調整の層に集中している。DHL Supply ChainとHappyRobotの提携は代表的な事例である。AIエージェントが予約のスケジュール、ドライバーへのフォローアップ電話、電話とメールによる優先度の高い倉庫調整を担う。繰り返しが多く、ルールに縛られた調整業務だ。UPSのORIONシステムは、1日あたり十億件を超えるデータポイントを分析し、宅配ルートを編成する。これも最適な答えを計算し、事前に定義されたアクションを実行する事例である。AmazonはAIエージェントをフルフィルメントセンターの運用に直接組み込み、在庫配置、棚スペースの最適化、注文ピッキング、ロボット調整を管理している。これらの事例は、ルールが明確で目標が測定可能な場所ではエージェントがすでに働けることを証明している。ルールが曖昧で利害が大きい場所で、エージェントが単独で判断できることは証明していない。

倉庫におけるAIエージェントの成熟度ラダー:L1からL4へ

「あと何段階残っているか」を判断するには、まず自律性を段階に分ける必要がある。業界で一般的に用いられている評価アプローチをもとに、4段階のフレームワークを示す。

レベル 形態 エージェントができること 人の位置づけ 倉庫の例
L1 質問応答 質問に答える、データを調べる、レポートを作成する 人が尋ね、人が決める 「先週のピッキングエラー率はいくらだったか」
L2 アドバイザー データを分析し、順位付きの推奨を提示する 人が選び、人が実行する 長所と短所を示した3つの波動計画
L3 確認付き実行 アクションの下書きを作成し、人の承認後にのみ実行する 人が承認の関門となる 補充注文を作成し、リリース前にスーパーバイザーが確認する
L4 安全策付き自律実行 ルールの範囲内で実行し、例外を自動的にエスカレーションする 人が監督し、例外のみ対応する 夜間の波動を自動でスケジュールし、しきい値を超えた注文をスタッフに回す

L1からL2は能力の段階である。推奨の質はデータの質に依存する。L2からL3は信頼の段階である。機械が下書きしたアクションを人々が手渡すかどうかは、過去の推奨がどれだけ正確だったかにかかっている。L3からL4は責任の段階である。自律実行とは、誤りのコストを誰かが負うということであり、その誰かは今日では人でしかあり得ない。ほとんどの倉庫は現在L1とL2のあいだにあり、少数のパイロットがL3に触れ、L4はルールが極めて明確でリスクが非常に低い狭いシナリオにのみ存在する。

倉庫のAIエージェントが単独で行動できるようになるまでの4つのギャップ

第一のギャップは技術的成熟度である。エージェントが自律的に実行するには、目標を理解し、ツールを呼び出し、結果を検証するという3つのことを同時に行わなければならない。目標はモデルを通じて理解され、ツールはシステムインターフェースを通じて呼ばれ、結果は読み返しとチェックを通じて検証される。3つのうち最も弱いのはインターフェースである。多くの倉庫ではWMS、TMS、設備制御システムが稼働しているが、それらのあいだに統一された機械呼び出し可能なインターフェースが存在しないため、波動を変更したいエージェントはまず3つか4つのデータサイロを横断しなければならない。OpendockのMCPサーバーは2026年6月から稼働しており、MCP対応のあらゆるAIエージェントがドック予約のスケジュール、変更、キャンセル、照会を直接行える。これは方向性のあるブレークスルーだが、対象はドック予約であり、倉庫内部の実行中核ではない。

第二のギャップは権限と安全策である。自律的に実行するエージェントは、誰かの代わりに資金を使い、計画を書き換えている。1回の誤った自動補充が、トラック1台分の売れない在庫を意味しかねない。1回の誤った波動の再スケジュールが、夜勤全体のピッキングのリズムを狂わせかねない。安全策は、自律性を付与する前に構築しなければならない。金額上限、数量上限、時間枠、ブラックリストに載ったSKU、自動ロールバックだ。安全策のない自律性はイノベーションではなく、制御の喪失である。

第三のギャップは人間のスーパーバイザーの席である。L4は倉庫から人をなくすのではない。人を監督へと移すのだ。ダッシュボードを見守り、例外に対応し、エージェントの意思決定ログを定期的に監査する。しかし監督そのものが新たな能力を要求する。スーパーバイザーは、エージェントがなぜこのように波動をスケジュールしたのかを見られなければならず、3回連続で誤った判断をしたあとにエージェントを止められなければならず、「エージェントが間違っていた」と「データが間違っていた」を区別できなければならない。ガートナーによる2025年後半のインフラ・運用リーダー782人を対象とした調査によると、挫折を報告した人々のうち38%が、データ品質の低さまたはデータの入手可能性の限界を直接の原因として挙げた。スーパーバイザーが通常まず監督しなければならないのはエージェントではなく、エージェントに与えられるデータである。

第四のギャップはコストの台帳である。エージェントのコストは一度きりの導入費だけではない。継続的なモデル呼び出し、インターフェースの保守、監督の人件費、安全策の予備費が含まれる。計算を考えてみよう(例示)。中規模の倉庫が夜間の波動スケジュールをエージェントに任せた場合、モデルとインターフェースの月額コストは約8,000元で、一方で節約される夜間のスケジュール作業は1日あたり約1.5時間である。時給40元とすれば、月あたり約1,800元の節約になる。計算上は赤字だ。同じエージェントが補充の助言、例外注文、予約調整も担う場合にのみ、コストを十分な数のタスクに分散させて損益分岐点に到達できる。単一ポイントのエージェントが元を取ることはめったにない。グループ化されたエージェントなら可能かもしれない。

タイムラインの判断:私の見解

まとめると、私の判断は次のとおりである。2026年と2027年には、L2の助言型AIエージェントが倉庫ソフトウェアの標準となり、L3の「確認付き実行」が補充、予約、例外注文という3つのシナリオでパイロットに入る。2027年末までに、ガートナーが予測した40%の中止率はほぼ現実のものとなり、生き残るのは主に適用範囲を絞り、真の安全策を構築したプロジェクトになるだろう。2028年までに、15%の自律的意思決定という数字は、実行の中核よりも調整の層で達成される可能性が高い。予約、再スケジュール、ドライバーの追跡、例外通知であり、ピッキング計画の自動書き換えではない。真のL4自律実行は、2030年ごろ、狭く、ルールが明確で、リスクが管理されたシナリオでのみ日常的になると私は考える。これは、ガートナーの予測(2030年までにサプライチェーンソフトウェアを利用する企業の60%がエージェンティックAI機能を採用する)とおおむね一致する。

この判断には未解決の問いが1つ残る。WMSと設備システムのあいだの機械呼び出し可能なインターフェースが2027年までに広く標準化されれば、第一のギャップは予想より速く崩れ、タイムライン全体が前倒しになる。逆に、データ品質の問題が引きずり続ければ、L3の普及すら遅れるだろう。倉庫におけるAIエージェントの物語は、究極的にはモデルがどれだけ賢いかではなく、倉庫の基盤、すなわちデータ、インターフェース、安全策のルールが整っているかどうかである。基盤が整っていなければ、エージェントがどれだけ賢くても、質問応答の持ち場に立って倉庫の仕事を眺めることしかできない。

Dr. Chen(サプライチェーン研究者)著 英語版からの翻訳。内容に相違がある場合は英語版を優先します。