ベテラン検査員は返品されたスニーカーを一瞥し、ひっくり返して、10秒でグレードを判定する。ビジョンAIはその10秒を自動化しようとしている――だが、コンベヤの上にカメラを固定するのは簡単な部分だ。ここでは20年の倉庫オペレーターとして、グレーディング基準、カメラと照明の選定、精度検証、そして数字が実際に合うのかを語る。
昨年11月、私はアパレル返品を扱うオンタリオの3PLを視察した。ピークシーズン：1日あたり12,000件の返品、22人の検査員が衣類を一枚ずつひっくり返していく――そして匂いを嗅いでいる。そう、匂いを嗅ぐのだ。香水の匂いがきついジャケットはそのままグレードC行き。オーナーは人の列を指さして聞いた。「Lao Mi、この人たちの代わりに見てくれるAIはないのか？」その場では答えなかった。帰りの車の中でもずっと数字を回し続け、今ここに書き留める。ベンダーのデモ動画で学ばずに済むように。
1日の返品処理が2,000件未満の倉庫は、手を出すな。 ボリュームがモデルを育てるほどなく、1ステーション$15K–$30Kの投資は回収できない。1日5,000件以上で、グレーディング後の商品に本物の「再生・再販」ルートがあるなら、真剣なパイロットをやる価値がある――靴、アパレル、3Cアクセサリー、小型家電がスイートスポットだ。
AIは一旦忘れろ――まずグレーディング基準を書け
ここで倉庫の90%がステップ1でつまずく：自社の人間同士がグレードの意味で合意する前に、AIに教えようとする。AIが学ぶのは「人間がどう判断するか」だ。3人の人間が3通りの答えを出せば、モデルが学ぶのはスープだ。
グレーディング表は書き出して壁に貼らなければならない。うまく回っている現場で私が見てきたのは、返品商品のコンディションが4段階に分かれ、定義が具体的であればあるほど良いということだ：
- グレードA（新品として再販可能）： タグ付き、着用感なし、匂いなし、包装はそのまま再利用可。写真を撮って、そのままプライム在庫に戻す。
- グレードB（軽微な難あり、要作業）： タグなし、軽いしわやホコリ――基本的なクリーニングや再包装の後、定価または小幅値引きで販売可能。
- グレードC（目に見える着用感）： シミ、擦れ、匂い。クリアランスやディスカウントチャネルのみ、または部品取り。
- グレードD（スクラップ）： 破損、部品欠品、衛生上の問題。そのまま廃棄またはリサイクル。
この表は誰のためか：AIではなく人間のためだ。まず2〜4週間、現場チームにこの表で運用させ、1個あたりのグレーディング時間と異議申立率を追跡する。3人のベテラン検査員が同じロットで90%以上の一致を出せないなら、基準が粗すぎる――AIを買う前に基準を直せ。モデルの上限は、人間ラベルの一貫性だ。この一文は金になる。
そして手動グレーディングのSOPをまず滑らかに回せ：スキャン、開梱、検査、処分コード付与――各工程の時間を測れ。私が見てきた現場の多くは、手動で1個あたり8–15秒だ。AIの仕事はその10秒を置き換えることではなく、「見る」工程を1秒未満に圧縮すること。人間はレビューと例外対応に回す。ぐちゃぐちゃなプロセスを自動化すれば、自動化されたぐちゃぐちゃが手に入るだけだ。
アルゴリズムより大事なのはカメラと照明だ
ベンダーはデモの80%をアルゴリズム、20%をハードウェアに使う。実際の導入では逆だ：外観検査性能の約70%は照明とカメラで決まり、アルゴリズムは残りの30%だ。 照明が悪ければ、画像上でしわもシミも見えなくなり、センサーが捉えなかったものをアルゴリズムが取り戻すことは絶対にない。
選定ルールをいくつか。どれも痛い目を見て学んだものだ：
照明が先だ。 返品検査では通常、ドームライトや大面積の拡散照明を使い、影と反射を消す。倉庫のむき出し蛍光灯を真上から当てるな――金属ファスナーやプラ包装が白く飛ぶ。色温度は統一し、昼光色バランスの5500K前後が一般的。ステーション全体で光源は1種類に絞れ。
画素数を追うな、足りる分を買え。 コンディションのグレーディングに繊維一本一本は不要だ。12–20メガピクセルの産業用カメラで、ほとんどのカテゴリーをカバーできる。大事なのはシャッタースピードとトリガーだ：動くコンベアでは少なくとも1/500sが必要で、足りなければ全部ブレる。固定の手動ステーションなら、フットペダルや光電センサーのトリガーでコストを大幅に下げられる。
何面撮るかは最初に決めろ。 靴は最低4面（両側面、つま先、靴底）、アパレルは前後＋ディテール（襟、袖口）、小型家電は外観＋付属品チェックだ。撮影面数はステーションのタクトタイムとカメラ台数に直結する――4面はカメラ4台か、カメラ1台×4回転かの違いで、コストは3x違う。パイロットでは、手動反転の固定ステーション＋カメラ1〜2台を推す。
パイロットのカテゴリー選定、易しい順： 靴 ＞ アパレル ＞ バッグ・スーツケース ＞ 3Cアクセサリー ＞ 小型家電。共通点：欠陥が表面に現れること――シミ、擦れ、変形、カメラで見えるものだ。柔らかく不定形なもの、欠陥が匂いや手触りのものは後回しにしろ。ビジョンAIは「匂いが変」「弾力が戻らない」には盲目だ。
金の行き先と、数字の仕組み
私の経験では、1ステーションのパイロットは通常**$15K–$30K**に収まる：産業用カメラ1〜2台＋レンズ（$3K–$8K）、照明と架台（$2K–$5K）、産業用PCまたはエッジコンピュートボックス（$1.5K–$3K）、ソフトウェアライセンスまたは従量課金（最大の変動要因――年$5K–$15K。最新のベンダー見積を確認）、そして最初の3,000–5,000枚の学習画像へのラベリング＋導入（これを甘く見るな。2〜4週間の作業だ）。
回収は3つの源泉から来る。第一に人件費のスピード：AIの事前グレーディング＋人間レビューで、1個あたりの処理が10秒から3–4秒に縮む。1日8,000件の返品を処理する倉庫なら、検査人員を20人から8–10人に減らせ、年間の人件費削減だけで投資を回収できる。
第二にグレードAの回収率：ピークのプレッシャー下では、人間検査員は「リスクを取るより殺す」――グレードB相当の商品がグレードCのクリアランスにどんどん落とされ、1個あたり30–50%の価値を失う。一貫したAIグレーディングでA/B回収率を5–10ポイント上げられ、その金は人件費削減より大きいことが多い。
第三に異議申立とチャージバックだ。全個体を撮影しろ。「完璧な状態で返した」と客が言い張ったら、写真を見せれば議論は終わる。3PLにとってはブランド顧客向けの証拠にもなる。
精度の検証方法――ベンダーのスライドを信じるな。 私が認めるパイロット受け入れ方法は一つだけ：4グレードを網羅する500–1,000個を用意し、エキスパート検査員がブラインドでグレーディングして答えを封印し、AIを回して比較する。見るべき数字は2つ：B/C境界のエラー率（一番難しい判定で、金が一番動くところ）と、グレードDの漏れ率（スクラップがプライム在庫に逆流したら大惨事だ）。総合精度92%以上、B/C境界で85%以上――これが私の本番投入ラインだ。自社の商品で検証すること。ベンダーのサンプルライブラリではなく。
返品フローとWMSへの組み込み方
システムに届かないAIグレードは宴会芸だ。標準的な連携は5ステップで動く：
- 返品がスキャンされ、WMSがRMA番号に紐づいた返品タスクを作成する。
- 検査ステーションが個体を撮影し、AIが1–2秒以内にグレードと信頼度スコアを返す。
- 信頼度の閾値（例えば95%）を超えたものはそのまま流し、下回ったものは人間レビュー画面へ――人間レビュー・ステーションは残せ。安全弁だ。
- グレードはWMSの処分フィールドに書き込まれ、写真はRMA番号ごとにアーカイブされる（通常90日で十分。ブランドとの契約を確認）。
- WMSは処分に応じて自動振り分け：グレードAはプライムロケーションへ、グレードBは再生エリアへ、グレードCはクリアランスへ、グレードDは廃棄へ。
WMS側で確認すべきことは2つ：処分フィールドが4グレードに拡張できるか（レガシーシステムの多くは「良/不良」しかない――そこは改修が必要）、写真ストレージがペースに耐えられるか（1日8,000個×4枚で月に100万枚近い――オブジェクトストレージの価格をビジネスケースに入れろ）。
明日からできる3つのこと
ベンダーに電話するな。まずこの3つをやれ：
- 3ヶ月分の返品データを引っ張り、A/B/C/Dの構成比と、グレードBの商品が実際にどこへ行ったかを見ろ。グレードBがボリュームの15%未満なら、AIが価値を足せる余地は小さい。
- 検査テーブルでスマホを使って200個を撮影し、3人のベテラン検査員に独立してグレーディングさせろ。3者一致率が90%を下回るなら、まず人間を標準化しろ。
- 計算しろ：検査員の平均時給×人数×1年 vs $20K–$30Kのパイロット。回収が18ヶ月を超えるなら、待て。
返品グレーディングのビジョンAIはインチキ商品ではない――だがスケールのビジネスだ。十分なボリューム、正しいカテゴリー、そして基準が先。これがあれば金のなる木だ。3つのうち一つでも欠ければ、倉庫の隅で埃をかぶる高価な置物だ。
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。
