昨年、オンタリオ州の3PLがコンサルタントとして私を呼んだ。AIによる需要予測を導入したく、ベンダーのデモは見事で、契約書はほぼサインされかけていた。2日間現場に通い、帰って最初に経営者に伝えた。「今このお金を使ったら、消えます」と。アルゴリズムが悪かったからではない――SKUが20,000以上あるうち、バーコードすら付いていない商品が4,000以上もあったからだ。ピッカーは記憶で商品を判別していた。この世のどんなアルゴリズムも、誰かの頭の中に住む在庫は予測できない。
倉庫でAIが死ぬ最も多い死に方はこれだ。技術で死ぬのではない、データで死ぬ。長年AIパイロットを十数件見てきたが、失敗の10件中7～8件は、実施されなかったデータ準備に遡る。ベンダーはこれを自ら教えてはくれない――ライセンス販売で稼いでいるのだから、早めに契約してほしいのだ。私のチェックリストはこうだ。AIが本番稼働する前に、倉庫データの3つのカテゴリーを先に整えること。1つでも基準に届かなければ、それに依存するユースケースは立ち上げるな。思った以上に節約になる。
マスタデータ：SKU・ロケーション・ロット ―「だいたい」は通用しない
マスタデータは、あらゆるAIモデルが立つ土台だ。SKU属性の欠落、ぐちゃぐちゃなロケーションコード、手作業でつぎはぎされたロット情報――従来の運用ならベテランの暗黙知で全部ごまかせた。AIが入った瞬間、隙間の1つ1つが地雷になる。
私は顧客に3つの厳しい基準を課す。第一に、SKUマスタの完全性95%以上：寸法、重量、梱包仕様、ABC区分。これが欠ければ、AIのスロット配置や波動計画はゴミ入れればゴミが出る。「アルゴリズムが欠落を自動補完する」など信じるな――寸法が10%ずれれば、カートン推奨は全部間違う。
第二に、ロケーションは100%スキャン可能でなければならない。AMRを配車し移動距離を最適化するAIは、システム上のロケーションが物理と1対1に対応していることを前提にする。システムに12,000ロケーションある建物で、現場監査をしたら300超のゴーストロケーションが出てきたことがある――ラベルが剥がれ、ラックは撤去済みなのに、データベースには残っていた。そんなデータをAIに食わせれば、計画するルートは全部フィクションだ。
第三に、ロットと期限のデータを完結させなければならない。期限警告AIを走らせる食品・医薬品倉庫では、ロット単位の入出庫記録がなければ学習サンプル自体が存在しない。これは再構築が最も遅いデータだ。なぜなら履歴が通常存在しないからだ――今日から収集を始め、まるまる1四半期待つ。
どう直すか。清掃キャンペーンは立ち上げるな。私の方法：200 SKUをサンプルし、マスタデータのエラー率を算出する。15%超なら体系的な再構築が必要だ――2～3か月の予算を見ろ。5%未満ならAIを立ち上げつつ並行で補填できる。この計算はアルゴリズム稼働後ではなく、事前にやることだ。
イベントデータ：タイムスタンプは途切れてはならない、さもなければ履歴は無価値
AIはあなたの倉庫の本当の運び方を学ぶ。その教科書は、あらゆるスキャン、あらゆる棚入れ、あらゆる波動のタイムスタンプだ。ここで最大の問題はデータの欠落ではなく、データの断絶だ。
多くの倉庫は入荷・棚入れ・ピッキングを熱心にスキャンし、梱包・出荷は紙で回している。タイムスタンプが途中で止まる。真のオーダーサイクルタイムを学ぼうとするAIは、レッスン半ばで行き止まりにぶつかる。他には、夜勤が生産性を稼ぐためにスキャンを飛ばし、記録がまるごと空白になる――そんなデータで学習したモデルは、夜勤の能力を系統的に過小評価する。
私の受け入れ基準：主要工程すべてでスキャンカバレッジ90%以上を3か月連続で。不達なら2つの対策。安い方はスキャン遵守管理：シフトKPIにスキャン率を入れれば、ほぼゼロコストで2か月以内にカバレッジは上がる。高い方はハードウェアだ。梱包ステーションの自動計量スキャン装置のようなものだ。普通は安い方を先に勧める――習慣を直し、連続性を確保してからAIの話だ。
もう1つ：閑散期と繁忙期のフルサイクルをカバーする履歴を最低6か月残せ。繁忙期データだけで学習したモデルは閑散期にずっとオオカミ少年を演じ、逆も同じだ。ベンダーが「3か月のデータで十分」と言ったら、それは早くお金をもらいたい人の声だ。
成果データ：成績表がなければ、AIは卒業できない
最初の2つはインプットだ。これはアウトプット：棚卸差異ログ、ピッキングエラーの記録、定時出荷率、返品理由の分類。モデルは自分が正しいかどうかを知るために成果データを必要とする。これがなければ、本番稼働後にモデルが改善しているのか幻覚を見ているのかさえ分からない。
これが最も無視されるのは、成果データがあちこちに散らばっているからだ。差異はスプレッドシートに、クレームはメールに、返品理由は誰かの頭の中に。昨年、AIビジョン棚卸の評価で顧客を見たら、2年分の差異記録が合計値としてしか保存されていなかった――SKU内訳なしだ。モデルはエラーがどこにあるかすら学べなかった。精度の天井は始める前から明らかだった。
対策は成果マスターログ1つだ：日付、SKU、工程ステップ、問題タイプ、金額インパクト。2か月間手で記録して習慣を作り、それから仕組み化する。副次効果もある：管理上の問題の多くはこのログだけで浮かび上がる。AIが来る前に管理レベルが上がる。
予算の現実：データ準備はプロジェクトの60–70%を食う。驚くな。
正直に言おう。AIパイロットでは、データ準備が通常、時間と工数の60–70パーセントを消費する。アルゴリズム選定と導入は残りだ。ベンダーのプロジェクト計画がこれを書くことはまずない――データ準備は「顧客協力2週間」と書かれる。信じたら、プロジェクトは最低3か月遅れる。
私の助言：キックオフ前にデータヘルスチェックを走らせ、3つのカテゴリーを各10点満点で採点する。合計18未満なら、まだAIの話はするな――データ準備を3～6か月の独立プロジェクトとして走らせ、終わってから戻ってこい。24超ならPOCへ直行だ。5～6社の顧客でこのチェックを走らせたが、毎回1～2件の破滅プロジェクトを殺してきた。節約は本物のお金だ。
厳しい真実：データ準備には華やかさがゼロだ。全部地道な作業だから、誰も手を挙げない――ベンダーは飛ばし、社内には持ち主がいない。だがAI時代、データは新しいラックだ。ぐちゃぐちゃなラックは商品ロストを意味し、ぐちゃぐちゃなデータはあなたのAIが置物であることを意味する。先に土台を固めれば、アルゴリズムの部分は楽になる。
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。
