序章：AIは熱いが、計算が合わなければ意味がない
「うちの倉庫にもAIを入れるべきか？」——この一年で少なくともtwenty回は聞かれた。私の返答はいつもthreeつの逆質問だ。どの具体的な問題を解決するのか。投資はいくらか。回収はどれくらい早いか。答えられなければ——大規模言語モデルはまだ語るな。倉庫はコストセンターだ。すべてのAIプロジェクトはROIの尋問に耐えなければならない。以下は実際に効果が出たのを見たfourつのシナリオ、ごまかしなしの計算とともに。
fourつのシナリオ：アプローチ、投資、回収
シナリオ1：AI需要予測
本シリーズの需要予測の記事で詳述。投資は$300K–$800K（データガバナンス＋モデル導入）。主な効果は欠品率2–3ポイント低下と在庫回転の高速化。回収：8–14か月。1,000+ SKUで季節性が明確なオペレーションに最適。
シナリオ2：画像によるカウントとQC
固定カメラ＋巡回AGVでロケーション監査と異常検知（画像AIの記事参照）。投資は$500K–$1.2M。効果は在庫精度99%+、カウント工数80%削減。回収：10–16か月。在庫精度が97%を切ったままの倉庫に最適。
シナリオ3：スマートスケジューリングと労務予測
過去の受注量から14日先の労務需要を予測し、シフト計画を自動生成。ある3PLはスケジューリングのばらつきを±20%から±8%に、繁忙期の派遣費用を25%削減。最小の投資額：$200K–$400K、回収は6–10か月。労務需要が不安定で派遣依存の高いオペレーションに最適。
シナリオ4：スロッティング最適化
動的ABC分析＋アフィニティ分析（よく一緒に注文されるSKUは隣接ロケーションに）、四半期ごとの再スロッティング提案。ピック移動距離の削減15–25%を実測。投資は$150K–$300K、回収4–8か月で最速。SKU構成が安定しピッキングが労務の大半を占める現場に最適。
一覧
| シナリオ | 投資 | 主な効果 | 回収 |
|---|---|---|---|
| 需要予測 | $300K–$800K | 欠品率−2–3 pts、回転+0.8 | 8–14か月 |
| 画像カウント/QC | $500K–$1.2M | 精度99%+、カウント工数−80% | 10–16か月 |
| スマートスケジューリング | $200K–$400K | ばらつき±8%、派遣費−25% | 6–10か月 |
| スロッティング | $150K–$300K | ピック移動−15–25% | 4–8か月 |
現場事例：two年かけた展開、年換算$4Mのリターン
中国東部の日用雑貨倉庫がtwo年かけてfourつすべて導入。one年目はスロッティングとスマートスケジューリング（安く、回収が早い——信頼を築く）。two年目は需要予測と画像検査。年換算のリターンは約$4M。欠品減による売上回復と残業削減が大半だった。
この順序は真似する価値がある。まず小さな勝利を重ね、築いた信頼を大きな勝負に換金する。
避けるべき落とし穴
- 「労務費削減」をすべて人員削減として計上しない。 倉庫が実際に人員を切ることはめったにない——まず残業削減、派遣減、キャパシティ増で数えよ。それが確実なリターンだ。
- まずデータ基盤を直す。 履歴が欠け、マスタが乱れていれば、AIプロジェクトの最初のthreeか月はデータ修繕だ。「想定外に」滑らせるのではなく予算化せよ。
- 次のシナリオを始める前に、oneシナリオを着地させる。 fourつ同時展開はITも現場も溺れさせる。oneつの成功がチームに手触りと方法を与える。あとは複製だ。
ROIワークシート：明確な数字を得るためのfiveステップ
経営が実際に読むROIはoneページに収まる。
- ベネフィットを列挙（threeつのバケット）： 直接（残業削減、派遣削減）、間接（欠品減による売上回復）、戦略的（顧客満足——まだ貨幣換算しない）。
- コストを列挙： ソフトウェア/ハードウェア、導入、データガバナンス工数、年間運用。
- ベースラインを設定： 開始前3か月平均をすべての指標について文書化。後で議論させないためだ。
- 回収期間を計算： 平均月間純利益＝月間ベネフィット−月割りコスト。回収月数＝総投資÷月間純利益。
- 性能条項を書く： ベンダー支払いを成果に連動——主要指標未達なら最終支払いを減額。署名するベンダーは提案が堅いことが多い。
小さなテンプレート、大きな効果。この作業自体が事業レビューだ。多くの倉庫はシート作成の途中で、本当のボトルネックはAIでは直せないものだと気づく——それも入場料の価値がある。
警告の物語：AIプロジェクトが死ぬ場所
threeつのAIプロジェクトが死ぬのを見た——死に方は違ったが、根の原因は同じthreeつだ。
- 悪いデータをごり押し。 履歴の半分が欠け、マスタはぐちゃぐちゃ。ベンダーは「まず立ち上げて、データは後で直せ」と言う。モデルは毎日意味不明な出力を出し、threeか月で現場が捨てる。診断：キックオフ前にデータ品質レポートを読んだ者がいなかった。
- ビジネスオーナー不在。 ITが主導し、ビジネスは「協力」——協力とはつまり投資なし。モデルは立ち上がるも誰も使わず、sixか月で廃止。診断：チャーターにビジネスオーナーの名とKPIがなかった。
- 大風呂敷。 fourつのシナリオ同時展開はITも現場も溺れさせる。各々に浅い取り組みしか回らない。診断：「oneシナリオ着地してから次」という規律がなかった。
threeつの根の原因、oneつの処方：データ第一、ビジネス主導、単点突破。処方は安い——高いのはキックオフ前にそれにコミットすることだ。
結論
検証に耐えた倉庫AIシナリオはfourつ：需要予測、画像カウント、スマートスケジューリング、スロッティング——投資は$150Kから$1.2M、回収期間は4–16か月。推奨順序：スロッティング→スケジューリング→予測→画像検査。計算が明確になれば、AIは概念ではなく利益になる。
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。
