初めてのAIパイロットは、ベンダーのスライド資料の中で最も華やかなプロジェクトであるべきではありません。これが私の結論であり、倉庫がそれを高い代償を払って学ぶのを見てきたからこそのものです。初めてのパイロットの仕事は、AIが強力であることを証明することではありません。現場スタッフと上司の両方に対して同時に、この仕組みが一日を難しくすることなく私たちの倉庫で動くことを証明することです。信頼を損なって失敗する初めてのAIパイロットは、ソフトウェアそのものよりも高くつきます。第二、第三のパイロットも失うことになるからです。誰もそれらに資金を出さなくなるからです。

私はこの展開を両方向で見てきました。まず悪い例から。数年前、あるeコマースのフルフィルメント倉庫は、インテリジェントな波動最適化を初めてのAIプロジェクトに選びました。印象的に聞こえました。システムが波動を組み、経路を計画し、労働力を自動的にスケジュールするというのです。最初の週に、プロモーションによって注文構成が変わり、アルゴリズムは動きの速いSKUをいくつか異なる波動に分割してしまいました。ピッカーは余分な距離を歩き、スーパーバイザーは計画を手作業で上書きし、2回の上書きの後、現場はシステムの提案に従うことを単にやめてしまいました。プロジェクトは名目上はまだ動いていましたが、実際には棚上げされていました。アルゴリズムが愚かだったのではありません。パイロットは、誤りの許容度がほとんどないシナリオを選んでいたのです。波動を一度間違えれば、倉庫全体がそれを感じるのです。

良い例は、同じ時期の同規模の倉庫から来ました。その初めてのパイロットは、たった一つのことだけを行いました。入荷配送書類を読み取ることです。パイロット前は、受入スタッフがサプライヤーの書類から製品名、数量、ロット番号を手作業でシステムに写し取っており、1件の配送につき簡単に4分の1時間ほどかかり、写し間違いも頻発していました。パイロットは書類を撮影し、フィールドを認識し、何かを書き込む前に人に確認のため結果を示しました。2週間以内に、書類入力時間は大幅に減少し、さらに重要なことに、受入チームはそれを使いたいと思うようになりました。システムが何かを間違えても、その場で手戻りなしに修正できたからです。節約できた金額はささやかでした。得られた信頼はそうではありませんでした。初めて、倉庫全体が、AIは仕事を増やすためではなく、助けるためにあると感じたのです。

最も華やかなものから始めないこと

初めてのパイロットは3つの厳しいテストに合格しなければならず、そのいずれかに失敗すれば、別のテーマを選ぶべきです。第一に、間違いが回復可能であること。システムが間違った提案をしても、人がその場で気づいて修正でき、誤出荷や誤った予約につながらないことです。第二に、主要プロセスの横に位置すること。倉庫全体のプロセスを最初に作り直す必要がないことです。第三に、変化が2週間以内に目に見えること。時間の短縮、エラーの減少、無駄な移動の減少のいずれかを、作業をする人々が具体的な言葉で述べられることです。これらのテストに失敗するプロジェクトは、悪いプロジェクトではありません。悪い「初めての」プロジェクトなのです。

この基準では、いくつかのカテゴリーは待つべきです。システムが直接決定するもの——ピッキング経路、自動タスク割り当て、自動価格変更——は待つべきです。倉庫全体のデータを最初にきれいにする必要がある大規模な予測プロジェクトは待つべきです。顧客への約束、出荷期限、財務決済に触れるものは待つべきです。問題は、これらのシナリオに価値がないことではありません。1回の間違いのコストが高すぎて、信頼を築く場所にはならないということです。

低リスク・高可視性の初めてのパイロット候補3つ

低リスク・高可視性の基準に合うシナリオは3種類あり、私が検討する順序で挙げます。第一は、書類と情報の読み取りです。納品書、カートンラベル、返品伝票を撮影し、フィールドを認識し、何かを書き込む前に人が確認できるようにします。技術は成熟しており、エラーは影響が出る前に阻止され、受入と返品は毎日これを使うため、現場はすぐに違いを感じます。

第二は、異常アラートです。在庫不足、何日も動きのないSKU、有効期限が近づいたロット、帳簿在庫と実在庫が何週間も一致していないロケーション。システムはアラートを出すだけです。行動はしません。間違ったアラートのコストは一瞥だけです。正しいアラートは、スーパーバイザーが報告書をにらみ続ける手間を省きます。このカテゴリーの利点は、誰の仕事も奪わないことです。見張りの一部を引き受けるのです。

第三は、小規模な予測チェックです。システムが予測した翌日の出荷量と、手作業で作った人員計画を比較し、あくまで参考として使い、スケジュールそのものには決してしません。予測が当たれば、スーパーバイザーは自発的にそれを確認し始めます。予測が外れても、そのせいで誤った注文が出荷されることはありません。このカテゴリーにより、経営層は、間違いの代償を払うことなく、システムの判断を見ることができます。

3つのうちどれを選ぶかは、倉庫が最も痛みを感じている場所によります。受入が書類作業で滞っているなら、第一を選びます。スーパーバイザーが報告書の追跡に一日を費やしているなら、第二を選びます。人員配置とステージングがまだ勘に頼っているなら、第三を選びます。そして、ここに直感に反する判断があります。最も価値のある初めてのパイロットは、多くの場合、最もお金を節約するものではありません。現場が最も使い続けたいと思うものです。たくさん節約できても誰も使わないパイロットは、拡大しようとするときに、もう一度説得する手間がかかります。現場が残してほしいと求めるパイロットは、すでに半分拡大したも同然です。

パイロットを30日、60日、90日で評価する

初めてのAIパイロットは、3か月後の一度のレビューではなく、3段階で評価すべきです。30日目には、使えるかどうかを問います。システムは安定しているか、現場は実際に使っているか、人々は間違いを素早く修正できるか。その3つのいずれかが失敗すれば、無理に推し進めるのではなく、一旦止めて修正します。60日目には、役に立つかどうかを問います。パイロット前と比べて、書類入力時間、異常検出時間、エラー件数のうち少なくとも1つが、たとえささやかでも数値で述べられる分だけ本当に改善していなければなりません。90日目には、拡大できるかどうかを問います。同じシナリオが、大きな手戻りなしに、別の製品ファミリー、別のシフト、別の倉庫で動くかどうかです。拡大できないパイロットは、数値がどんなに良く見えても、見せ物であって土台ではありません。

ベンダーと何かを契約する前に、成功基準を書き留めてください。そして、人が検証できる基準として書いてください。認識精度率はどれくらいか、アラートのうち本当に有用だったものの割合はどれくらいか、現場が1日に実際に何回システムを使うか。ベンダーのデモで示された数値は、自分の書類、自分の照明、自分の製品構成で再テストしなければなりません。デモ環境での精度は、実際の倉庫では通常下がりますが、それは欺瞞ではありません。実際の倉庫は、デモよりも単に雑然としているのです。

そこで、自分の倉庫に持ち帰るべき問いはこうです。初めてのAIパイロットで1つのシナリオだけを選べるとしたら、上司の報告書で良く見えるものを選びますか、それとも受入チームを半時間早く帰宅させるものを選びますか。私の経験では、後者を選んだ倉庫は、第二、第三のパイロットを持つことができます。前者を選んだ倉庫は、初めてのパイロットが最後のパイロットでもあったと気づくことが多いのです。まず現場の信頼を得て、それから上司に数値を示してください。その順序を逆にしてはいけません。

Lao Mi(サプライチェーン・ベテラン、20年)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。