2024年の秋、私は統合の仕事でオンタリオ郊外の3PL倉庫に入った。マネージャーは壁に掛かった額入りの平面図を指さした。5年前にコンサルタントが描いたもので、動きの速い商品はゾーンA、遅い商品はゾーンBに置かれ、それ以来一度も手をつけられていない。私は一つだけ尋ねた。ピークシーズンのベストセラーは今もゾーンAにありますか、と。彼は黙り込んだ。ベストセラーは3回も入れ替わっていた。スロットは一度も動いていなかった。私が訪れる倉庫のほとんどがこの状態だ。そしてそれこそ、AIによる倉庫レイアウト最適化が解決するために作られた問題である。

AI倉庫レイアウト最適化が実際に計算するもの

まず一つはっきりさせておきたい。これはもっときれいな平面図を描くソフトウェアではない。3つの仕事をする。データを食べる。過去の受注明細、各SKUの回転速度、どのSKU同士が一緒に注文され続けているか、各SKUのサイズと重量、そしてラックの耐荷重とビームの高さだ。次にヒューリスティックアルゴリズムで在庫を配置する。ナビアプリがルートを計算するようなものだと思ってほしい。ただし一つのルートではなく、何千ものSKUがそれぞれどこに住むべきかを決める。遺伝的アルゴリズム、焼きなまし法。名前は威圧的に聞こえるが、作業は単純だ。組み合わせを試し、採点し、また試す。総移動距離が最短の配置が見つかるまで繰り返す。そしてシミュレーションで答えを検証する。提案されたレイアウトに数万件の注文を通し、ピッカーが実際にどれだけ歩くか、通路がどこで詰まるかを見て、調整する。

これがお金になるのは、歩くことが残酷なほど高くつくからだ。Georgia Techの倉庫管理の教科書で広く引用されている数字では、移動はピッキング時間のおよそ55%を占める。ピッカーのシフトの半分以上は、ピッキングではなく歩行に費やされている。動きの速い商品をうまく配置すれば歩行は縮む。計算は難しくない。ABCクラス別保管に関する研究では、ピッキングルートと時間の削減が最大で約45%と報告されている(Le-Duc, 2005)。この数字はベンダーのパンフレットではなく、学術文献のものだ。

そして動的な部分がある。ABC分類は一度きりの仕事ではない。今月のAクラスベストセラーが、来月にはデッドストックになりうる。AIがやるのは、新しい回転速度データでABC計算を毎月、ときには毎週再実行し、需要に合わせてスロットを動かすことだ。人間のチームでも理論上はできる。実際には、誰も8,000 SKUの倉庫を毎月手作業で再配置したりしない。先に現場が崩壊する。

手描きの地図が間違うところ

私が見てきた経験ベースのレイアウトの失敗モードは、3つに集約される。スロットは固定で、需要はそうではない。あのオンタリオの3PLは教科書通りの事例だ。ゾーンAは5年前に設定され、今では何シーズンも前に売れなくなった在庫を抱え、真のベストセラーは一番遠い通路の一番奥にある。次に共起の盲点。2つのSKUはそれぞれ売れ行きが遅くても、10件の注文のうち8件に両方が含まれているなら、経験ベースのレイアウトはそれらを建物の両端に置き、ピッカーは注文ごとに倉庫を横切ることになる。アルゴリズムはそれらが切っても切れない関係だと即座に見抜き、隣同士に配置する。そして人は距離を数えて時間を忘れる。

3つ目が最も見過ごされ、最も直観に反する。移動距離を削減しても、注文サイクルタイムは同じ割合では下がらない。公開データセットに基づく公表されたシミュレーションでは、最適化されたルーティングで移動距離が54%削減されたが、平均注文処理時間はわずか6.6%しか下がらなかった。手作業のピッキングも、探す作業も、確認も、1分たりとも短くならなかったからだ。距離はコストの最大の部分であって、コストの全部ではない。ベンダーが「移動が半分になれば生産量は2倍」と言ったら、シミュレーションレポートを求めてほしい。数字が合わなければ、それはセールストークだ。

AIレイアウト最適化が報われるとき、報われないとき

AI倉庫レイアウト最適化に対する私の線引きは単純だ。SKUが1,000を超え、回転速度が不安定で、年に2回以上の季節の切り替えがあるなら、話をする価値がある。SKUが300から500で、レイアウトが1年動いていないなら、手を出してはいけない。300 SKUの倉庫にこのシステムを入れるのは、自転車にGPSをつけるようなものだ。GPSが悪いのではない。ただ必要ないだけだ。

数字の前に、開示しておく。以下の表は仮定の例である。数字は、特定の倉庫の実測結果ではなく、公表された研究で報告された範囲から選んだ。業界分析では一般に、インテリジェントなスロット配置による移動距離の削減は15%から30%とされている。私はその範囲の中間である20%を使った。

Item Experience-based layout After AI optimization (hypothetical)
Walking per picker per shift 8 km 6.4 km
Travel share of picking time ~55% ~44%
Total distance saved per day, 20 pickers — 32 km
Labor hours saved per day — ~17.6 hours, roughly 2.2 headcount

労務計算の仕組みはこうだ。8時間シフトで、移動はおよそ55%で約4.4時間。それを20%削減すれば、ピッカー1人あたりシフトごとに0.88時間節約できる。20人のピッカーで1日17.6時間の節約だ。この計算全体は一つの条件にかかっている。受注明細データがクリーンで、回転速度の数字が本物であること。ゴミデータを入れれば、高くつくゴミスロットが出てくる。

隠れた請求書もある。動的な再配置とは、在庫を物理的に動かすことだ。ピークシーズン前の1回の大きな再配置は、移動時間のコストがかかり、誤ピッキングのリスクを伴う。どちらも計算に入れるべきだ。再配置の頻度が高くなるほど、計算はより精密でなければならない。再配置に熱心になりすぎると、倉庫はきれいになるどころか散らかる。逆説ではなく、移動コストが節約を食い潰しているだけだ。

出力を鵜呑みにコピーしてはいけない

アルゴリズムが計画を渡した後の最初のステップは、常にハードな制約に対する人間のチェックだ。防火通路をふさいではいけない。重量オーバーの在庫を高い場所に置いてはいけない。フォークリフトは柱のグリッドが邪魔をする場所では曲がれない。スプリンクラーのカバー範囲外のエリアには、高く積まれた商品を置けない。アルゴリズムはこれらの制約を知らないかもしれないし、知っていても適切に重みづけしていないかもしれない。私は、最適化された計画をそのまま本番にコピーし、重い商品を最上段のビームに置いた倉庫を見たことがある。手直しのコストは、最適化が節約した額を上回った。

メンテナンスの落とし穴は3種類ある。汚いデータ。欠けた受注明細と、誰も直さない間違ったスロット記録。そのせいでアルゴリズムはサイクルを重ねるごとにどんどんずれていく。暴走する再配置頻度。ピークシーズン前の1回の大きな移動で十分だ。毎週の小さな移動では、ピッカーは昨日動いた在庫を探し回ることになる。そしてレイアウト最適化をデジタルツインと混同してはいけない。デジタルツインは倉庫全体のライブミラーで、シミュレーションとモニタリングのために作られる。レイアウト最適化が解く問題は一つだけ。各SKUがどこに住むか。はるかに軽く、はるかに安い。両者は価格帯もプロジェクトの期間も同じではない。ベンダーがレイアウト最適化をデジタルツインに着飾らせて売ってきたら、ほとんどの場合、それはもっと派手な名前をまとった値上げだ。

だから私のいつものルールはこうだ。お金を払う価値はあるか。1つの数字を見る。最適化後に1注文あたりの平均移動距離がどれだけ減ったか、それに実際の人件費を掛ける。20%を超えて下がり、時間が戻ってくるなら、価値がある。数ポイントしか下がらず、スロット配置がそもそもそれほど悪くなかったなら、お金は別のことに取っておく。明日できることが一つある。しかもタダだ。3か月分の受注明細をエクスポートしてABC分類を実行する。それを見れば、自分の倉庫にAI倉庫レイアウト最適化が必要なのか、それとも地図を新しく見直すだけでいいのかが分かる。

Da Liu(自動化エンジニア)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。