歩行距離を5分の1削減できるとうたうピッキング経路最適化システムが稼働を開始し、3か月後にはピッカーたちが相変わらず従来のルートを歩いている。これは人の問題ではない。「最適」の定義が2つあることのギャップ——アルゴリズムの定義と現場の定義——であり、今や成熟した技術は、行き詰まる部分では決してなかった。行き詰まるのは定着（アダプション）の部分だ。
まず現象から見てみよう。2024年、中国東部の30,000平方メートルのEC倉庫が、受注プロファイルに応じてピッキング順序をリアルタイムで計算するAI駆動のピッキング経路最適化システムを導入した。理論上はピッカー1人あたりの歩行距離を15–20%削減できるはずだった。稼働1か月目のダッシュボードの数字は見事だった。しかし現場のスーパーバイザーが気づいたのは別のことだ。ピッカーたちは静かに従っていなかった——システムにはうなずきながら、足は従来のルートをたどっていた。3か月後、匿名アンケートでは半数以上が推奨順序から「しばしば」外れると認めた。
同じ脚本は2025年上半期にも再演された。今度は小売チェーンの地域配送センターで、動的AIルーティングの試験運用中のことだ。システムは、長い迂回をなくせるステージングエリア経由の近道を推奨した。ピッカーたちは集団でそれを拒否し、遠回りの道を歩いた。理由は実に日常的なものだった。ステージングエリアは入庫待ちの貨物で常に埋め尽くされ、カートは到底通れなかった。アルゴリズムは平面図を読んでいた。ピッカーたちは現実を読んでいた。
データは、これが単なる逸話ではないことを示唆している。2024–2025年に公表された十数件のインテリジェント・ルーティング・プロジェクトをレビューしたところ、実績を開示したほぼすべてのケースが、何らかの形で「現場の実行乖離」に言及していた。同期間の業界メディアの特集記事も、広く引用される1つの数字を繰り返し取り上げている。ピッキングは通常、倉庫の人件費のおよそ半分を占める。だからこそ自動化ベンダーが最も攻略したい——そして最も攻略が難しい——領域なのだ。技術の供給側は加速している。経路計画アルゴリズム、デジタルツイン、屋内測位はいずれも近年成熟した。だが需要側の定着曲線は、ベンダーの語る物語より明らかに緩やかだ。
この「正確だが使われない」ギャップはなぜ残り続けるのか。私は3層の原因に帰着すると考える。層を下るほど根源に近い。
第1層はインセンティブの不一致であり、最も見落とされがちだ。多くの倉庫では、ピッカーは出来高払いだ。ピッカーの目的関数は1時間あたりのピッキング件数であり、AIの目的関数は総移動距離の最小化だ。この2つの目的はしばしば乖離する。1回のパスで2品多く取れて1つのカーブを省略できる、やや長いループの方がピッカーにとっては得なのだ。システムはそれを乖離として記録するが。アルゴリズムと人間が異なるKPIに向けて最適化しているとき、アルゴリズムを無視するのは怠惰ではなく合理的行動だ。
第2層は信頼の欠如だ。アルゴリズムは一過性の現場状況を見られない。今日の販促エンドキャップがどこに積まれているか、どの通路が滑りやすくて避けるべきか、どのバースドアが入庫待ちの貨物で塞がれているか。そのどれもシステムにはなく、すべてピッカーの頭の中にある。「システムに従ったら行き止まりだった」が1回あれば信頼はひび割れる——そして一度ひび割れた信頼を修復するには何十回もの成功が必要だ。失敗した導入の事後検証は、いつも同じ欠落した詳細に行き着く。システムがピッカーに現場の例外を報告するチャネルを与えていなかったのだ。ルートが通行不能なとき、選択肢は無理に通るか静かに迂回するかであり、やがて全員が静かに迂回するようになる。
第3層、そして基礎となる層はデータ品質だ。ピッキング経路最適化は本質的に「ゴミを入れればゴミが出る」システムである。ロケーションマスタデータが間違っていれば——システムはSKU AがB-03にあると言うが、実際はC-11にある——数学的に完璧なルートでさえ、間違った地図上の最短経路にすぎない。私が追ってきた複数のプロジェクトでは、ルーティングの失敗を1層掘り下げると、ほぼ必ずマスタデータの問題が露呈した。循環棚卸の差異が数パーセントを恒常的に上回る、ロケーション変更が書き戻されない、新SKUのスロット割付が属人的知識で行われる。アルゴリズムはデータの問題を直せない。増幅するだけだ。
ここから、はっきり述べておく価値のある直感に反する結論が導かれる。最短経路は最速のピッキングではなく、ましてやピッカーが喜んで歩く経路では決してない。 アルゴリズムはユークリッド距離を最適化する。ピッカーはエネルギー消費と人間工学的快適さを最適化する——カーブを1つ減らす、登りを1つ減らす、混雑した通路を避ける。距離の式ではほぼゼロの重みしかない要素が、人間の意思決定では重い重みを持つ。幾何学には堪能だが人間工学には無知なルーティングエンジンは、ピッカーにとって実践から切り離された理論に聞こえる——そして理論は足で否決される。
では、本当に定着させたいピッキング経路最適化プロジェクトを始める前に、チームは何に答えるべきか。上記の分析は3つの必須の問いを示唆する。第1に、ロケーションマスタデータの実精度はどうか——循環棚卸の差異は許容範囲まで抑え込まれているか。ぐらつく土台の上でアルゴリズムを語るな。第2に、ピッカーの報酬体系はシステムの目的と一致しているか、それとも2つのKPIが争っているか。KPIの不一致は値引きされた実行を保証する。第3に、システムは現場の例外のループを閉じているか——ピッカーは「このルートは通行止め」をワンタップで通知し、アルゴリズムはそれから学習できるか。フィードバックチャネルのないインテリジェントシステムは開ループシステムであり、開ループシステムは複雑な環境ではドリフトする。これは仮説ではない。制御理論だ。
2026–2028年に目を向けると、私の技術軌道の読みは、業界は最短ルートの計算から最も受け入れられるルートの計算へ移行するということだ。これを裏付ける3つの観察がある。第1に、大手ベンダーは目的関数に人間工学的要素を明示的に組み込む「ヒューマンアウェア」ルーティングを売り出し始めている。第2に、ウェアラブルと屋内測位の普及により、システムはピッカーが実際にどう歩くかという初のリアルデータセットを手にしつつある——アルゴリズムはついに、規定のルートではなく顕示されたルートから学習できる。第3に、デジタルツインが一過性の現場状態を機械可読にしつつあり、混雑したステージングエリアは誰かの記憶の中だけに存在しなくてもよくなるかもしれない。タイムラインは正直に言って、屋内測位ハードウェアのコスト次第だ——3年以内に下がらなければ、「最も受け入れられるルート」の時代は期待より遅れて到来するかもしれない。
結びは断定ではなく、開かれた問いとしたい。アルゴリズムがついにベテランピッカーのように考えられるようになったとき——混雑を避け、人間工学を優先し、エネルギーを温存する——次の問いは、ピッキングルーティングに単一の「最適」解が必要なのか、ということかもしれない。未来のシステムはトレードオフの異なる複数のルートを提示し、最終選択を現場の人に返すのかもしれない。技術と人の最良の関係は、私には、誰が誰に命令するかの話では決してなかったように思える。
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。
