率直に言おう。ホワイトボード上で3年間の回収を示せないAIプロジェクトは、会議室から出すべきではない。ここ2年で、十数件以上の倉庫AIプロジェクトを外から見てきたが、契約前にROIの計算をきちんとしたオーナーはごくわずかだった。多くは先に技術を買い、数字がよく見えるよう後付けでつじつまを合わせた。順番を逆にすれば結末はみんな同じだ。システムは稼働する、データは追いつかない、人員は残る、そして資金は静かに燃え尽きる。
マッキンゼーの2025年グローバルAI調査には、考えさせられる数字が2つある。AIが収益に帰属可能な影響を与えたと答えた企業は39%にすぎない。それなのに、日常的にAIを使う従業員の10人中8人は、生産性が上がると言う。2つを合わせれば教訓は明白だ。個人にとって役立つことと、会社に利益をもたらすことは別物だ。倉庫のAIプロジェクトは後者に賭けなければならない。
お金が実際どこへ消えるか
まずは総コストから見よう。ベンダーの見積もりからではない。私が見る予算の多くは、ソフトウェアライセンスとハードウェアを計上し、支出の大部分を占めることになる3つの費目をそっと飛ばしている。
データ準備。AIはきれいなデータで動くが、倉庫のデータはきれいなことがまれだ。10年以上標準化されていないロケーションコード、手作業で調整されたサイクルカウント差異、3つのシステムに散らかった波動記録。2024年に南カリフォルニアのeコマース・フルフィルメントセンターを訪れた際、視覚仕分けのパイロットはほぼ半年をかけて過去の注文画像にラベル付けをしていた。派遣社員2人がほぼフルタイムで。その費目はプロジェクト提案書には一度も載らなかった。
人。削減できる人ではなく、追加することになる人だ。すべてのAIプロジェクトには、数か月にわたりほぼフルタイムで取り組む社内チャンピオンが必要だ。現場を知る人、モデルを調整する人、ベンダーと議論する人。そのチャンピオンの給与に、プロジェクト期間中にやらなくなる仕事も加えれば、それがコストの一部になる。
学習曲線。すべてのAIシステムは最初の数か月はよちよち歩きで、その間はエラー率が置き換えた手作業のプロセスより悪くなることもある。やり直し、返金、緊急発送といったエラーのコストは予算に入れるべきだ。ベンダーのデモは調整済みのバージョンを見せるが、あなたの倉庫に届くのは初日バージョンだ。
リターン側にも同じ正直さが必要だ。人件費削減は一番水増ししやすい。多くの倉庫では「削減した」人員は辞めず、ただ配置転換されるだけで、給与総額は1ドルも減らない。スループットの向上は、キャパシティが本当にボトルネックであり、速度の向上が注文の増加に直結する場合にのみカウントできる。最も正直な費目はエラー削減だ。誤出荷、見逃した不良、チャージバック。これらの数字には請求書が付いている。
見送りを勧める3つのAIプロジェクト
はっきり言おう。2026年の今、中規模倉庫の多くにお勧めできないカテゴリーが3つある。
ロングテールSKUの需要予測。数万SKUにわたる補充を計画する大手には美しく機能する。だが1日に数千件の注文を出荷し、きれいな履歴が2年分もない倉庫では、モデルは飢え死にする。ベテラン計画者の勘には勝てない。データが足りなければAIは占星術だ。
何でもやるサービスボット。倉庫業はB2Bで、質問は痛いほど具体的だ。1パレットの例外、変更されたドック予約。顧客が求めるのは決断できる人間であって、洗練された台本を持つボットではない。ある3PLがAIサービスデスクを導入し、3か月後にそっと電話を人間に戻すのを見た。
AIのためのAI的設備投資。AGVや視覚検査は本当にクールな技術だ。だがピックエラー率がすでに1%の小数点以下まで下がっているなら、あと1桁削るために大金を使うのは決して回収できない。まずプロセスのムダをなくし、次に設備を更新する。順番が大事だ。
ベンダーの計算の前に、ざっくりした計算を。私が約20分で提案を健全性チェックする方法はこうだ。すべてを年換算する。ライセンス、ハードウェアの償却、データ整備、チャンピオンの総人件費、そして学習曲線の引当金。その上で年間純利益で割り、CFOの前で擁護できる利益だけを数える。
式は単純だ。回収期間＝3年間の総コスト÷年間純利益。答えが3年を超えたら待て。技術は毎年安くなる。今日は計算が合わないプロジェクトも、18か月後には合うことが多く、その頃にはより良いデータを手に入れている。
もう一つ私が使うフィルターがある。プロジェクトは問題をちょうど1つだけ解決しなければならない。「効率を改善する」は問題ではない。「返品検査が1日4時間分の人手を食い、見逃した不良が月に数千のコストになっている」は問題だ。3つのことを直すと約束するプロジェクトは、たいてい何も直さない。
承認前のチェックリスト。では、資金調達できるAIプロジェクトとは何か。キックオフ会議の前に私が回すチェックリストはこれだ。
ベースラインを暗記で言えること。今日のピック率、エラー率、単位あたりの人件費。この3つがすらすら出てくれば、データ基盤はおそらく堅固だ。出せないなら、AIの前にデータガバナンスをやるべきだ。
痛みは大きく具体的で、形容詞ではなくドルと時間で測れること。
回収の道筋は一本道。1つのプロジェクト、1つの問題、動く指標は1つ。
出口条項があること。契約には、パイロットが数か月以内に合意した目標を外したら、撤退するか返金されると書いてあること。そんな賭けにサインするベンダーは、大抵それを裏付ける技術を持っている。
3年間の計算が合うこと。すべてのコスト費目を含めて。ソフトウェア、ハードウェア、データ、人、そして学習曲線。
では私から君への質問だ。昨日のピックエラー率を今すぐ出せない倉庫で、AIが到着した日にデータが魔法のようにきれいになると思うのはなぜだ？
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。
