昨年秋、私はInland Empireにある120,000平方フィートのECフルフィルメントセンターで、梱包ステーションの後ろに丸2日間立って過ごしました。人を見ていたのではありません。天井のモニターを見ていたのです。毎日、2 p.m.を過ぎると、梱包工程の前のコンベヤが駐車場と化しました——段ボールがマージ点に列を作り、10分から15分も凍り付いたままなのです。倉庫マネージャーが私の肩に手を置きました。「見たか、Lao Mi？梱包工程がボトルネックだ。人手が足りないんだ。」
私は答えませんでした。梱包作業員は人手不足には見えなかったからです。誰の手も止まっていませんでした。
その後、その現場で小さなパイロットが走りました。新規ハードウェアなし——既設の壁面ドームカメラ Axis P3225-VE をAI映像分析プラットフォームに接続し、梱包ステーションとコンベヤのマージ点というちょうど2か所だけに向けたのです。3週間のベースラインデータ。結果には思わず声を上げて笑いそうになりました。梱包工程はボトルネックではまったくなかったのです。真のチョークポイントは、マージ点の上流にあるスキャンステーションでした。そのポジションには2人のオペレーターがローテーションで入っていました——1人は速く、1人は遅い。遅い方が入ると、投入フローが不安定になり、梱包工程のキューが下流で積み上がりました。渋滞の原因は下流の遅さではありませんでした。上流からの供給不足だったのです。
以来、誰に聞かれても私はこう答えています。ボトルネックがどこにあるか当てっこするのはやめて、カメラに3週間見させましょう。
小さく始めよう：建物全体ではなく、容疑箇所を1〜2か所に
映像分析でお金を燃やす最速の方法は、初日から全館展開することです。私のアドバイスはいつも変わりません。すでに疑っている1〜2か所を選び、小さなパイロットを回しましょう。梱包ステーション、コンベヤのマージ点、仕分け投入口——物が目に見え、動作が繰り返される場所ならどこでも。そこでこそAIは本当によく見えます。
方法はシンプルです。既存のカメラ映像を分析プラットフォームに流し込み、2〜4週間のベースラインを計測し、何も変えません。ただ見る。見るのは3つです。各ステーションのサイクルタイムが安定しているか（同じ動作が今日40秒、明日70秒なら何かおかしい）、キューの長さ（ステーションの前に何ユニットが恒常的に積み上がっているか）、そして異常滞留——数分を超えて静まり返ったステーションが1回フラグ付けされます。この「数分」に業界標準はありません。各建物がベースラインデータから自前の閾値を較正するのです。適当に選んだ閾値は誤報を買うだけです。
そして、そこに罠があります。まず照明です。そのInland Empireの現場では、天窓がコンベヤに真正面から向き、真昼の逆光で映像がちらついていました——AIは1日に何十件もの「異常滞留」イベントを検知しましたが、すべて誤報でした。照明キャリブレーションの時間枠を設けてようやく制御できました。次に遮蔽です。フォークリフトがレンズの前を横切ると、映像が15秒間真っ暗になり、データストリームに穴が開きます。そして角度の問題——倉庫のカメラは盗難防止用に設置され、隅に追いやられて、人々の頭のてっぺんを見下ろしています。プロセスが見たければ、レンズはコンベヤと各ステーションの前に積まれた物に向けなければなりません。見ているのは人がどう動くかではなく、貨物がどう流れるかです。この一文が重要です。後で戻ってきます。
計算は簡単。人間が難しい。
まずお金の話。この技術の最大の売りは、新規ハードウェアが不要なことです——カメラはすでに壁にあります。料金はカメラポイントごとのサブスクリプション制。私が見た見積もりは1ポイントあたり月数百ドル程度でした——価格は変動するので、ベンダーに現行価格を確認してください。その現場は4ポイントを接続し、年間サブスクリプションは20,000ドル未満に収まりました。
投資回収はどう機能したのか？真のボトルネックを特定してからは、修正にほとんどお金をかけませんでした——上流のスキャンステーションのシフトを組み替えて、遅いペースのローテーションがラインを干上がらせるのを止めただけです。梱包工程のスループットは約10%上昇しました。現場で測定してきた経験から、この「真のボトルネックを見つけて動く」タイプの修正は、通常8〜15%の範囲で効率を持ち上げます。それ以上を約束する相手がいたら、そのデータを疑い始めてください。
ざっくりした計算：梱包作業員12人が時給20ドル——2025年のInland Empireの相場でだいたいその水準——で、10%の改善は年間40,000ドル強の人件費節約に相当します。サブスクリプションは20,000ドル未満。1年を大きく切って回収。もちろんざっくりした見積もりです——建物ごとに受注構成も人件費も違うので、自前の数値で式に当てはめて計算してください。
次に人間の話——全体で最もデリケートで、最も失敗しやすい部分です。パイロット開始前に全体集会を開き、いくつかの約束を固めます。顔はぼかす。アルゴリズムが数えるのは段ボールであって人ではなく、レンズは「人」ではなく「プロセス」に向けます。データはステーション単位で報告します——個人ランキングは一切作らず、決して業績評価に紐付けません。これは文書化が必須です。組合のある建物でこの手順を飛ばすと、数日で組合の担当者がドアに来ます。会話なしで導入した現場を見たことがあります。2週間後に苦情が入り、パイロットは停止し、お金は消えました。
おかしなことに、コミュニケーションが正しく行われると、ベテランのオペレーターが最高のアノテーターになります。AIが異常滞留イベントを検知すると、ベテランが一瞥して言います。「これはパレット交換だよ、サボってるんじゃない。」この現場判断は、アルゴリズムが3年かけても学べないものです。
ですから、AI映像分析を買う価値があるかとは聞かないでください。代わりにこう自問してください。あなたのオペレーションのどこが遅いと感じるか——そしてそれをデータで証明できるか？そこから始めましょう。2週間分のカメラ映像があれば始められます。データはあなたに代わって決断はしてくれませんが、議論が始まったときに足がかりになる確かなものを与えてくれます。
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。
