結論を先に言う：1日3,000件未満なら、AI注文スクリーニングは買うな。ルールエンジンで仕事は足りる。
何人かのAIベンダーは面白くないだろうが、いくつかの実際の導入を見た私の結論だ。ピッチは魅力的だ：注文が流れ込み、AIが怪しいものをフラグする——盗難カード、怪しい住所、単一購入者の大量注文、返品リスクの高い住所——人間は怪しいものだけをレビューし、AIが自動ブロックやタグ付けをする。素晴らしく聞こえる。問題は精度の計算だ。ベンダーのスライドの数字と、あなたの倉庫の数字はたいてい別物だ。
そいつが実際にやること
まず用語を定義しよう。AI注文スクリーニングは3つのことをする：リスクを見つける（この注文は詐欺の匂いがするか）、スコア付けして並べる（リスクが高い順）、判断を支援する（ブロックする、通す、人間に回す）。
ルールエンジンと何が違うのか？ルールエンジンは「フォワーダー宛ての$500超の注文はブロック」のように、人間が書いたルールで、硬いが説明可能だ。AIは注文履歴からパターンを学び、誰も書かなかった組み合わせを見つける。「午前3時の注文＋新規アカウント＋高額商品＋別州の請求先住所」のような。
だが小規模オペレーションのほとんどを殺す落とし穴がある：AIには餌が必要だ。ラベル付きの過去注文が数万件なければ——どれが詐欺で、どれが誤アラームだったか——モデルは当てずっぽうだ。これが低物量の倉庫が手を出すべきでない核心的な理由だ。まともなモデルを育てるデータが単にない。営業が「うちの事前学習モデルは箱から出してすぐ動きます」と言ったら、1つ質問しろ：誰のデータで学習したのか？あなたのカテゴリー、客単価、顧客構成——同じか？たぶん違う。約束された性能はそれに応じて割り引け。
重要な数字は精度ではない
ベンダーは「ブロック精度98%」と言いたがる。本当に気にするべき2つの数字は、見逃し率と誤検知率だ。
見逃しは直接コストになる：盗難カードの注文が出荷され、お金は消え、その上チャージバック手数料を食らう。誤検知は間接コストで、しかも高くつくことがある。あるDTCブランドの倉庫がAIスクリーニングを稼働させたのを見たが、初月の誤検知率は4%だった。小さく聞こえるか？それは実際の注文の4%が止まったということだ。フルタイムのカスタマーサービス2人がその月をレビューと謝罪に費やし、人件費は旧来のルール＋抜き打ちチェック体制より高くついた。もっとたちが悪いコストは離脱だ：誤ってブロックされた顧客の一部は、ただ他で買った。スプレッドシートには載せられないが、現実だ。
私の経験則：誤検知率が2%を超えたら、そのシステムは赤字を出している。「モデルはどんどん賢くなります」という慰めは買うな。賢くはなる——ラベル付きデータを誰かが与え続け、閾値を調整し続ければ。小規模チームにはその人がいない。モデルの初日性能が基本的に天井だ。
多くの人が見落とすことがある：AIスクリーニングの最大の価値はブロック自体ではないかもしれない——トリアージ効率だ。正しい設定は「AIがスコア付け、人間が怪しいものをレビュー」であって、「AIが自動ブロック」ではない。自動ブロックは人件費削減に聞こえるが、誤検知は全部自分の責任だ。AIに一次審査をさせ、最終判断は人が下す。そうすれば責任の連鎖がきれいに保たれる。自動ブロックが意味を持つのは1つの狭いケースだけだ：詐欺シグナルがあまりに明白で、誤検知コストがあまりに低く、間違えることがない場合——同じデバイスから1時間に50件の注文のような。そういうのは目をつぶってブロックしろ。
まずシャドーモードで回せ
物量に関わらず、モデルが最初に触るものを本番注文にするな。シャドーモードで回せ：スコア付けし、「これはブロックしただろう」とログに残すが、何もブロックしない。30日後、人間のレビューと突き合わせる——ブロックしたかった注文のうち本当に詐欺だったのは何件か、通したもののうちすり抜けたのは何件か。
その30日が交渉の武器だ。資料は誤検知率1%と言うが、シャドーモードは5%と言う？今やお金が何を買うか分かる。私は1件の商談がまさにそこで死ぬのを見た——ベンダーは精度99%を約束し、シャドーモードは誤検知率7%を示し、倉庫は導入に1ドルも使う前に立ち去った。
シャドーモードはチームがツールに慣れる時間も買ってくれる。レビュー担当者はスコアの意味を理解しなければならない。さもなければ初日から「人間レビュー」はAIの言うことへの追認スタンプになり、レビュープロセスは紙の上にしか存在しない。
私が線を引くところ：1日3,000件
計算してみよう。1日3,000件なら年間100万件超の注文だ。公開されているEC詐欺率に照らせば、年間数万件のリスクあり注文があり得る。人間のレビューではその物量をカバーできず、ルールエンジンでは誤検知が多すぎる。そこでAIが元を取り始める。
1日3,000件未満？人＋ルールでカバーできる物量だ。私の推奨：まずルールエンジンを極めろ。不良住所のブラックリスト、金額閾値、速度ルール、決済ゲートウェイが既に提供する住所検証——この4手で一般的な詐欺の大半は捕まえられる。高リスク注文は手動で抜き打ちチェックする。物量が増えてデータがたまったら、そのときにAIの話をしよう。
ROIには隠れた項目もある：導入だ。AIスクリーニングはオンにするSaaSログインではない。注文システムへの接続、決済ゲートウェイへの接続、過去データのラベル付け、閾値調整——2～3か月の作業が普通だ。小規模チームなら、その労力はまずカスタマーサービスプロセスを整えるのに使った方がいい。
最後に実務的な一言。1日3,000件未満で、営業が「詐欺とあなたの間にあるのはAIだけです」と言ってきたら、こう聞け：今まさに、詐欺で月に実際いくら失っているのか？その数字を取れ。そして年間AIライセンス＋導入コストと比べろ。答えは自ずと出る。コンセプトを買うな。計算を買え。
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。
