購入か自社開発か？倉庫・3PL向けAIベンダー選定チェックリスト

昨年、私はフレズノにある3PLでのAI外観検査システムのプレゼンに同席しました。見積もりは28万ドル（$280,000）。振り返ったCTOは、それだけの価値があるかと私に尋ねました。

私の答え：まだ契約するな。

ベンダーが悪かったわけではありません。その3PLが、自ら側の方程式を考え切れていなかったからです——本当に解くべき課題は何か、データの準備はできているか、稼働後に誰がメンテナンスするのか。倉庫業界での20年間、使われないAIに消えていく大金を何度も見てきました。この記事では、購入か自社開発かの計算、私が実際にクライアントと使っているベンダースコアカード、そして実在する警告事例3つをまとめます。

数字のカラクリ

結論から先に：年間IT予算が50万ドル（$500,000）未満なら、自社でAIを開発するのはほぼお金を燃やすようなものです。私の言葉を鵜呑みにせず、数字を出してみてください。

倉庫向けの本番グレードAI機能（外観検査、インテリジェントな波動計画、異常検知アラート）の自社開発コストは実際こうなります：MLエンジニア1名（年収$180K–$250K）＋データエンジニア1名（$150K–$200K）、さらにGPUまたはクラウド費用（年間$30K–$80K）、ラベル付けデータ（外注ラベリングは1件あたり$0.50–$2.00、信頼できる検査モデルには最低50,000–100,000件のラベル付きサンプルが必要）。何もリリースする前に初年度だけで$400K–$600Kかかり、そこに6–12か月の試行錯誤が加わります。最大の殺し屋は離職です：中規模の倉庫はML人材を引き留められません。リードエンジニアが辞めたら、モデルを調整できる人がいなくなり、3か月で死にます。

市販品の購入はどうでしょう？紙の上では高く見えます：サブスクリプションが年間$80K–$200K、固定プロジェクトなら$150K–$400K。でもベンダーがラベリング、学習、イテレーションを吸収してくれます。毎年払うだけ、うまくいかなければ更新しなければいい。リスクは封じ込められます。

では、自社開発が報われるのはいつか？私が認めるのは3つのケースだけです。第一に、シナリオがあまりに特殊で市販品が存在しない場合——たとえば特殊なコールドチェーン施設向けの変わった仕分けロジック。第二に、成熟したエンジニアチームが既にあり、MLがパズルの1ピースに過ぎない場合。第三に、AIがコスト削減ツールではなく中核能力である場合——たとえば、アルゴリズム自体が商品である3PLテクノロジープラットフォームを構築する場合。この3つ以外は、買いなさい。

ベンダーと話す前に答えるべき5つの質問

選定の失敗の多くは、AIを理解していないせいではありません。自分自身を理解していないせいです。何かにサインする前に、この5つの質問への答えを紙に書いてください。

質問1：測定可能な言葉で、何を解決するのか？「効率を上げる」は答えになりません。「出荷監査の人件費を月$24,000から$10,000に下げる」は答えになります。「あとはそちらで考えて」というクライアントをベンダーは恐れます。受け入れ基準は必ず揉めるからです。

質問2：データの準備はできているか？ AIはデータを食べて動きます。外観検査には不良品の過去写真が必要です。インテリジェントなスケジューリングには最低1年分の受注波動の履歴が必要です。私が見た最悪のケース：ある企業は契約にサインした後、倉庫がWMSの履歴データを一度も残していなかったことに気づきました。ベンダーがデータを求めたら、手元には何もなかった。サイン前にデータ棚卸しを：必要なデータは何か、手元にどれだけあるか、品質はどうか、エクスポートできるか。

質問3：誰が使い、誰がオーナーか？ 現場のスーパーバイザーは本当に使うでしょうか？モデルが良品を不良と判定したら、誰が責任を取るのか？こうした組織の問題を解決しなければ、世界一の技術も着地しません。POCの段階からエンドユーザーを巻き込みなさい——稼働直前に教育を始めるのでは遅い。

質問4：どれだけ待てるか？ 標準的なSaaSは通常4–8週間で稼働します。カスタマイズ案件は3–6か月。自社開発は9–18か月かかります。ビジネスは待てますか？ピークシーズンの3か月前にまだAIと格闘していた人を何人も見ましたが、全員後悔していました。

質問5：囲い込まれたらどうなるか？ ベンダーのモデルはブラックボックス、あなたのデータは彼らのクラウドの上。ある日50%の値上げを通告されたら、乗り換えられますか？契約にはデータの所有権、エクスポート形式、解約後の移行期間を明記しなければなりません。この項目は下のスコアカードで最も重い配点です。

倉庫オペレーションのダッシュボード

ベンダースコアカード（そのまま使ってください）

これは私が実際にクライアントと使っているスコアカードです。各項目を1–5点で採点し、ウェイトをかけて100点満点で合計します。65点未満：落選。65–80点：交渉の余地あり。80点超：POCへ進む。

項目	ウェイト	5点の姿	1点の姿
業界適合度	25%	類似の倉庫・3PLでの稼働実績が3件以上。現場の言葉を話せる	事例がすべて小売・製造業。倉庫は後付け
データ要件	20%	必要なデータと量を具体的に示し、データ棚卸しを手伝ってくれる	「データは多ければ多いほど」と具体的な基準なし
導入と連携	15%	標準API、主要WMSと連携、4–8週間で稼働	WMSの改修を要求してくる。スケジュールが曖昧
TCOの透明性	15%	明細付き見積もり：サブスク、導入費、超過料金、値上げ条項	初年度価格のみ。更新は「要相談」
退出条件とデータ所有権	15%	データは顧客のもの、エクスポート可能、解約後90日の移行期間を契約に明記	データはベンダーのもの。解約＝削除
サポートと改善	10%	専任のカスタマーサクセスマネージャー、四半期ごとのモデル更新	売ったら音信不通。アップグレードは別料金

採点のコツ：ベンダーには書面で回答させてください。口約束は信じない。「全部できます」と言う営業の言葉も、契約書に入れてくれと頼んだ途端に9割方しぼみます。

実在する警告事例3つ（ブランド名は匿名化）

罠その1：28万ドルの外観検査システム、照明に敗れる。 冒頭のフレズノの3PLの話です。ベンダーのデモは見事で、精度99.2%。現地POCの初週、精度は81%に落ちました。なぜ？デモはベンダーの実験室の照明で動いていました。実際の倉庫は高天井灯と日光が混ざり、影が動くたびにモデルが目をくらませたのです。対策——専用照明＋再ラベリング——にはさらに$90,000かかる。3PLはプロジェクトを中止し、$280,000の頭金を捨てました。教訓：POCはあなたの本当の環境で、本当の照明で、本当の商品で回さなければなりません。実験室の数字は数に入りません。

罠その2：インテリジェントスケジューリング、ベテラン作業者に敗れる。 南カリフォルニアのEC倉庫はAIスケジューリングに$160,000を投じました。アルゴリズムのシフトは手動計画より人件費を本当に12%削減しました。でもベテラン作業者が拒否した——「機械にシフトを組まれたのに、週末は休めないのか？」離職率は3か月で8ポイント上昇し、人件費の削減分は採用・教育コストに消えました。システムは棚上げされ、スケジューリングはスーパーバイザーに戻りました。教訓：AIは人の働き方を変えます。POCの段階から現場作業者を巻き込み、人の上書きの余地を残してください。技術の問題は解決できますが、人の問題は解決できません。

罠その3：「節約」のための自社開発、$700,000を燃やす。 技術系CTOがいる中規模3PLは、買うより作る方が得だと判断し、需要予測のために4人チームを組みました。18か月後、$700,000（人件費＋クラウド）を費やしてもモデルの精度は市販品より5ポイント劣ったまま。そしてリードMLエンジニアが大手テック企業に引き抜かれ、プロジェクトは即死しました。彼らは結局市販品の購入に戻り——さらに$220,000。教訓：自社開発はお金を節約しません。予測可能な調達コストを、予測不能なR&Dの燃焼に変えるだけです。AIが本業でない限り、触るな。