倉庫で初めてのAIパイロットを選ぶことは、ひとつの問いに帰着します。システムが間違えたら、その先に何が起きるのか。梱包チェックの写真撮影、例外アラート、入荷カウント支援を選びましょう。そこでAIが見落としても、現場の人が数秒で気づいて直せます。誤出荷は起きず、ラインも止まりません。代わりに自動補充や無人フォークリフトの配車を選べば、たった一度の誤判断が、誰も気づかないうちに購買・在庫・安全へと波及します。

30回を超えるWMS導入を経験してきた導入コンサルタントとして、私は同じパターンを何度も見てきました。倉庫がAIで失敗するのは、技術が悪いからではありません。最初に選ぶ仕事を間違えるからです。正しく選べば、2週目にはオペレーションマネージャーが現場で変化を目にします。間違えれば、3か月後には誰も使わないシステムを倉庫がまたひとつ抱えることになります。

優れた初めてのAIパイロットとは

私は候補となる仕事をすべて四つのテストで評価します。一つ目は、間違えたときのコストです。AIが例外を見落としたら、チェッカーは気づけるか。写真のラベルを間違えたら、誰かがワンタップで修正できるか。二つ目は可視性です。レポートを開かなくても、マネージャーは結果を見られるか。写真を撮るカメラ、ミスマッチを指摘する画面、減っていくクレーム件数。三つ目はデータの準備状況です。写真撮影・スキャン・計量はすでにその仕事の中で行われているので、モデルに与えるためだけに新しいデータ収集プロセスを作る必要はありません。四つ目はスコープです。触るのは1つのステップだけで、フロー全体ではありません。

チームはたいてい最初のテストを飛ばして、賞金の大きさに直行します。それは間違いです。リターンが大きい仕事ほど、絡み合いが大きい傾向にあります。補充予測は購買・在庫水準・欠品の責任の所在に触れ、誤った予測は責任のなすり合いで午後を丸ごと食いつぶします。写真撮影は違います。写真そのものが証拠であり、責任の境界は議論が始まる前から明確です。

ここが直感に反する点です。直接お金を生まない仕事こそ、しばしば最良の初回パイロットになります。予測システムは、何かを示すまでに数週間かかることがあります。写真記録は、顧客が初めて出荷をクレームしたときにすぐ報われます。写真を引き出し、クレームを解決して、次へ進む。その目に見える証拠が、スライド上のどんな節約見積もりよりも速く、次のパイロットの予算を勝ち取ります。

候補となる仕事 間違えたときのコスト 可視性 データの準備状況 初回パイロットとしての適性
梱包チェックの写真撮影 低い、人が修正できる 高い、写真が証拠になる 準備済み、チェックにはすでにスキャンが含まれる 良い
重量・数量ミスマッチの例外アラート 低い、アラートのみでブロックなし 高い、現場がすぐに気づく 準備済み、計量とスキャンのデータがある 良い
入荷カウント支援 低い、数え間違いはやり直せる 中程度、カウント速度が見える まあまあ、まず梱包単位の標準化が必要 試す価値あり
補充予測 高い、誤判断が購買と欠品に響く 低い、結果が出るまで数週間かかる 難しい、履歴に欠落が多い まだ早い
無人フォークリフトの配車 高い、誤判断が安全とスループットに響く 中程度、見えるがリスクあり 難しい、地図・タスク・権限の連携が必要 まだ早い

ここで精密な採点は不要です。間違えたときのコストが高いものがひとつでもあれば、その仕事は初回パイロットのリストから外すのに十分です。低リスクは臆病ではありません。チームが学ぶための時間を買うのです。

初めてのAIパイロットの2週間計画

例として梱包チェックの写真撮影を取り上げます。例外アラートもほぼ同じスケジュールで進みます。

1日目から2日目、スコープを固定します。チェックステーションは1つ、注文タイプは1つ。たとえば複数アイテムの注文のみ。ステーションの横に書き出して貼ります。どのステーションか、どの注文タイプか、責任者は誰か、何か壊れたら誰に連絡するか。

3日目から5日目、最小のループを動かします。カメラが写真を撮り、写真が保存され、誰でも注文番号で写真を見つけられ、写真と注文詳細が1つの画面に表示される。まだ精度を追いかけてはいけません。配管を追いかけるのです。写真が注文番号で見つからなければ、どんなに賢い認識も無意味です。各シフトで、私は十件の注文を取り出し、写真と現物を手で照合し、ミスマッチをすべて書き出します。

6日目から8日目、現場に実際に使わせます。スキャンのたびに、チェッカーは写真をひと目見て、少しでもおかしいものをフラグします。そのフラグが後の改善のためのラベルになります。すでに使っているチェック画面の中に収めます。ボタンが1つ増えるだけ、それ以上はなし。現場の仕事に余計なステップを1つ加えれば、プレッシャーの中でそれはスキップされます。

9日目から11日目、照合します。フラグされた注文を取り上げ、問題がカメラアングルなのか、光が悪いのか、それとも本当に読みにくい梱包なのかを突き止めます。カメラを1回動かし、アラートルールを1つ変えて、さらに2日間走らせます。パイロットを殺すのは、誰もデータを見ないことです。

12日目から14日目、稼働前夜のチェックリストを書きます。具体的な項目だけ。オフラインになったカメラは誰が確認するのか、写真が見つからないときはどうするのか、ネットワークが落ちたらチェックは止まるのか、シフト表に載せる名前と電話番号は誰のものか。チェックチームのリーダーに声に出して読んでもらいます。読んで実行できない行があれば、あなたなしで実行できるまで書き直します。

2週間後に3つのことがすべて真である場合にのみ拡大します。写真が注文ごとに見つけられること、チェッカーが毎日ツールを使っていること、クレーム対象の注文に追跡可能な記録がつくようになったこと。どれか1つでも満たされなければ、まずそれを直します。自分の基準をクリアしていないパイロットを拡大してはいけません。

初めてのAIパイロットが失敗する3つのパターン

1つ目の失敗は、栄光のために最も難しい仕事を選ぶことです。これを3回見てきましたが、筋書きはほとんど変わりません。キックオフ会議で最も印象的なユースケースを選び、1か月が過ぎ、チームはデータもプロセスも責任の所在も準備ができていなかったことに気づきます。プロジェクトは途中で停滞し、チームはAIそのものへの信頼を失います。初回パイロットの本当の仕事は、AIがどれほど強力かを証明することではありません。この倉庫がAIを1つ動かせることを証明することです。

中国東部のある3PL倉庫が、2024年10月にこの教訓の裏側を私に教えてくれました。そのチェックチームは、不足・過剰出荷について週に七件から八件の顧客クレームを受けていました。私たちは認識を飛ばし、2つのチェックステーションで写真撮影から始めました。3週目までに、クレームは週に2件から3件に減りました。カメラが賢くなったわけではありません。責任が明確になり、プロセスが見えるようになったことで、チェッカーがより慎重になったのです。

2つ目の失敗は、同じ理由で選ばれた正反対の仕事です。2025年3月、広東省のあるEC倉庫は、AIによる補充予測を初回パイロットに選びました。痛みは本物でした。欠品は痛かったのです。しかし履歴データはプロモーション・返品・手動振替が混ざっており、購買部門は推奨を信用しませんでした。2か月経ってもモデルは調整中で、現場はまだ経験で補充していました。私たちはパイロットを入荷カウント支援に切り替え、2週間で稼働させました。予測が無用だったわけではありません。最初の仕事として間違っていたのです。

3つ目の失敗は、パイロットを署名して終わらせる「購入」とみなすことです。契約に署名し、機器を設置し、受入書に判を押し、プロジェクトは完了と宣言されます。パイロットは試行であり、受入ではありません。私のルールは、誰かが何かに署名する前に、2週間分の実際の注文を走らせることです。チェッカーが毎日使っているものこそ、あなたが受け入れるシステムです。スムーズなデモが証明するものは、モデルルームが家について証明するものと同程度です。

もう1つ、静かな失敗があります。日々のメンテナンスの責任者がいないことです。カメラのレンズが汚れても誰も掃除しない。写真が取り出せなくなっても誰も報告しない。アラートルールの誤作動が増えても誰も調整しない。3か月後にはシステムは放棄されます。パイロットが始まる日に日々の責任者を指名し、シフト表に載せます。日々の責任者がいないパイロットは、最初の2週間がどんなに良く見えても、やがて消えていきます。

この背後にあるトレードオフは単純です。初回パイロットは、野心を可逆性と交換するのです。午後のうちにロールバックできる控えめな仕事は、巻き戻すのに四半期かかる野心的な仕事よりも、倉庫に多くを教えます。間違いが安く、結果が見え、データがすでにあり、変更が小さいところから始めましょう。2週間走らせます。それから次を選びましょう。

Lin Xiao(WMS導入コンサルタント)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。