過去二年間、AIによるHSコード分類ツールは輸入倉庫や通関業者の現場に入ってきた。製品の説明、素材、用途を入力すれば、数秒で信頼度スコア付きのHTSコードを返してくる。「分類担当者の終わり」だと言う人もいる。業界でこの二年間に見てきたことに照らせば、その結論は早計だ。分類が難しいのは、コードを調べるのが難しいからではない。コードが間違ったときに、誰かが代償を払わなければならないからだ。

まず基本的な事実から始めよう。HTS制度には六桁の細目が五千を超えて含まれ、十桁の統計レベルまで下りると、組み合わせは数万通りにのぼる。製品にどのコードが付くかは、その製品が何であるかだけでなく、素材の配合割合、機能の相対的な重要性、加工の度合い、さらには想定される用途によっても決まる。同じワイヤレスイヤホンでも、充電ケース付きか否かで分類が変わりうる。だからこそ、分類担当者の仕事は表計算ソフトやデータベースの時代を何十年も生き延びてきた。分類は本質的に判断の仕事であり、検索の仕事ではないのだ。

AIによるHSコード分類が実際に節約するもの

節約額は簡単に計算できる。人間の側では、経験豊富な分類担当者は定型の申告に約10〜20分かける。複雑な新製品——解説書の確認、過去の裁定の精読、組成確認のための仕入先への電話——となると、一〜二時間かかることもある。AIの側では、答えは数秒で返ってきて、数百件の申告を一度のバッチで処理できる。仮定を明示した試算をしてみよう。月に1,000件の輸入申告を処理する倉庫で、一件あたり平均15分の手作業分類を行うと、分類に月に250時間を費やすことになり、フルタイム換算でおよそ一人半分に相当する。AIは一次パスを数秒に圧縮し、難しいケースだけを人間のレビューに残す。節約される時間は本物だ。

| 項目 | 手作業による分類 | AIによる分類+人間のレビュー | | 速度 | 一件あたり10〜20分 | 一次パスは数秒、難しい申告は人がレビュー | | 一貫性 | 人によってばらつく | 類似品では安定した結果 | | コスト | 時間とともに直線的に増加 | 初期投資+申告ごとの料金 | | リスク | 誤りは一人の判断に起因する | 誤りは系統的な偏りに起因する——ひとつの誤りがバッチ全体に繰り返される |

だがこの計算には条件が付いている。節約されるのは一次パスの時間であって、責任ではない。コードの数字がひとつ違うだけで関税率が数ポイント動くことがある——それは関税制度の基本的な構造的事実であり、どの製品の実際の税率も公式の関税表で確認しなければならない。AIが節約する労働時間と、訂正された申告一件のコストは、しばしば同じ尺度にはない。節約した時間を数え、間違えたときのコストを無視するROI計算は、ROI計算ではない。

具体例を考えてみよう。ある輸入業者が、充電ケース付きで販売されるワイヤレスイヤホンをAIで分類する。モデルは92%の信頼度でコードを返し、オペレーターは高いスコアを見て申告を通す。検査の結果、税関はその製品を通常のイヤホンではなく、リチウム電池付きの完成品として分類すべきだったと判断し、輸入業者は追徴関税と罰金を科される——その一件だけで、会社が半年間に節約した人件費を上回る額になる。問題はモデルが「愚か」だったことではない。統計的に見て、92%の信頼度は低くない。問題は、92%で申告を通してよいのか、誰も文書にしていなかったことだ。

モデルではなく上流のデータに根がある、第二の種類の誤りもある。綿60%・ポリエステル40%と記載されたジャケットは、綿40%・ポリエステル60%と記載されたものとは異なるコードになる場合がある。仕入先の組成表がそもそも間違っていれば、AIは誤った入力を読み取り、世界で最も正確なモデルでも誤った答えしか返せない。分類エラーの原因は、しばしばアルゴリズムではなくデータの連鎖にある。

AIのHSコード分類の誤り一件がもたらすコスト

第一に、追徴関税と罰金だ。米国の税関法は、申告における虚偽の記載に対して、過失の程度に応じた罰金を定めており、責任は記録上の輸入者——ソフトウェアベンダーではない——が負う。契約に別段の定めがない限り、ベンダーが支払うことはほぼ確実にない。だからこそ、AI分類契約における責任条項は、精度の数字以上に注意深く読む価値がある。

第二に、検査率だ。ある品目の分類誤りが一度見つかると、その後の同じ貨物の検査を受ける確率が上がり、倉庫の回転計画や顧客への納期も巻き込まれる。この隠れたコストは追徴関税より計算が難しく、顧客への説明も難しい。貨物自体に問題はないのに、直近の出荷のコードだけが間違っていたのだから。

第三に、波及効果だ。ひとつの誤分類が見過ごされれば、同じ誤ったコードがその製品のその後のすべての申告にコピーされる。ここでAIの効率は両刃の剣になる。正しいときは大量に正しく、間違ったときは大量に間違う。手作業の時代には、一人の誤りの影響範囲は限られていた。AIの時代には、系統的な偏りが数週間で製品カテゴリー全体の分類記録を汚染しかねない。

人間のレビューが担うべき場所

私の考えでは、人間のレビューは最後のひと目として末尾に置くべきではない。信頼度スコアと製品リスクに応じて段階を分けるべきだ。

| 製品の種類 | AIの信頼度 | 対応 | | 分類履歴のある定型品 | 高い | 人間による抜き取りチェック | | 新製品、組成が境界線上 | 中程度 | 人間のレビューが必須 | | 貿易救済措置対象品、リチウム電池、食品・医薬品 | あらゆる水準 | 完全な人間のレビュー、AIは参考のみ |

重要なのは、ルールを文書化することだ。何を「高い」とみなすのか、どの製品カテゴリーが自動的に人間のレビューに回されるのか、AIの回答を覆す権限は誰にあるのか。「人間+機械」も、書かれたルールがなければ、やがて確認ボタンをクリックすることだけが仕事の人間に堕してしまう。そして責任をめぐる争いでは、確認ボタンをクリックすることは、自分で貨物を分類したのと同じ扱いになる。つまり、形だけの人間のレビューは、人間のレビューがないのと同じことだ。

AIがまだ分類すべきでないもの

現段階では、AIに単独で分類させたくない品目が四つある。第一に、裁定の履歴がない新製品。モデルには学ぶべき先例がなく、信頼度スコア自体が無意味になる。第二に、組成が境界線上にある化学品や繊維製品。決め手となる証拠は製品説明ではなく検査報告書にある。第三に、アンチダンピング関税や相殺関税などの貿易救済措置の対象品。コードは、モデルが見ることのできない裁定文書や判例に依存する。第四に、複雑な規制条件下にある食品、医薬品、医療機器。コードの誤りが金銭だけの問題では済まない。

この四つに共通する特徴は、分類を決める証拠が製品説明の中にないことだ。だからAIへの入力は最初から不完全なのだ。入力が不完全なら、最高のモデルでも推測するしかない。そして分類において、正しい推測に報酬はなく、間違った推測には金銭がかかる。

冒頭の問いに戻ろう。HSコード分類のAIは人手を省く。だが、AIが間違えたとき、誰が払うのか。当面の答えは、記録上の輸入者だ。今後三〜五年のうちに、AIによる分類は輸入倉庫の標準装備になる可能性が高い。だが「標準」とは、どの倉庫もそれを持つという意味であって、どの倉庫も注意を払わなくてよくなるという意味ではない。考える価値のある問いは、AIが正確かどうかではなく、AIが95%正確なときに、残りの5%を誰が負担するのか、かもしれない。その問いには、まだ標準的な答えがない。

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。