数枚のピッチ資料は省いてあげよう。過去2年間で倉庫AIのデモを数十件見てきたが、パターンはいつも同じだ。美しいスライド、英雄的な数字、そして実際の現場を訪ねると、ずっと小規模な話になる。
私にとって重要なデータポイントは一つだ。2025年6月、Amazonは世界中の300を超える施設に展開した倉庫ロボットが100万台に達したと発表した。同年、ロボットフリートをオーケストレーションするために構築されたAIモデル「DeepFleet」を展開し、Amazonによればフリートの走行効率が約10パーセント改善するという。これはAmazonの数字であり、独立した監査の結果ではない。だが規模が重要なことを教えてくれる。倉庫では、AIは計算が最もクリーンなところから最初に入る。
実際に資金を投じる3つの賭け
賭けその1：画像による品質検査と例外検知だ。入荷検証、出荷監査、梱包ラインでの破損検知。なぜ最初に回収できるのか。ループが短いからだ。コンベアの上にカメラを置き、すべての荷物を撮影し、モデルが破損、ラベル間違い、数量の不一致をフラグ付けする。人間は例外だけに触れる。データは既に存在する。倉庫はクレームのためにどうせ荷物を撮影している。そしてROIは読みやすい。監査の労働時間の削減、誤出荷の削減、返品の削減だ。
この分野はもはや物語の段階を超えている。ベンダーは入荷・出荷用に、パレット全体を1回の走査で360度撮影するカメラアレイを売っている。中にはパレット処理速度が数倍になると主張するものもある。ベンダーの数字はいつも盛られるので、方向性は評価するが数字は割り引く。人間がパレットを監査するのに数分かかるところを、カメラアレイは数秒でやる。主張の半分だとしても、計算は成り立つ。
賭けその2：需要予測と労働計画だ。人件費は倉庫の運営コストで最大の項目だ。予測を誤れば、人を立たせたまま給料を払うか、残業でシフトを吹き飛ばすかのどちらかになる。ここでのAIの価値は神秘的な精度ではなく、計画のばらつきを吸収することだ。1日に数万件の注文を出荷する施設は、ほんの数ポイントのスケジュール誤差で、毎月実際に金を失っている。そしてデータ要件はやさしい。過去の出荷量、販促カレンダー、季節性。手元にないものは何もない。
予測についてもう一つ。完璧である必要はない。日曜の夜に勘で作るプランナーのスケジュールより良ければいい。ほとんどの倉庫は今も経験と先週の数字で労働計画を立てている。予測誤差を半分にできるモデルなら、すでに対価を払う価値がある。データレイクは要らない。必要なのはきれいな3年分の出荷履歴だ。
賭けその3：AMRフリートのオーケストレーションだ。1台のAMRは安い。価値は、40台が通路で互いに邪魔しないことにある。ルーティングは純粋な数学の問題であり、それこそAIの得意分野だ。DeepFleetの例は示唆に富む。100万台のロボット、走行効率が約10パーセント改善、それがこの規模で掛け算される。これは本物の金だ。小規模なフリートがAmazonの数字を見ることはないだろうが、原則は成り立つ。車両が多いほど、賢い配車の限界収益は高くなる。
共通点を一言でまとめると：範囲が明確なタスク、既存のデータ、定量化できる見返り。物語ではなく道具としてのAIだ。
動く気があるなら、初日から全拠点に展開するな。1台のコンベアか1つの監査ステーションでパイロットをやり、2か月走らせ、例外検出率と削減できた労働時間を測り、それから拡大を決めればいい。パイロットは安く、実データを買える。
2つの罠
罠その1：倉庫業務向けの汎用「AIカスタマーサービス」やQ&Aアシスタントだ。倉庫の問題はQ&A問題ではない。顧客が「貨物はどこだ」と聞いたとき、答えはナレッジベースにはない。システムのデータにある。ボットが2回間違えれば顧客は人間を要求し、人間はゼロから調べ直すことになる。3PLがAIサービスエージェントを導入し、6か月後にひっそり引退させるのを見たことがある。サービスマネージャーの評価はこうだ。「何でも答えるが、正しいことは一度もない。」
ベンダーがいつもデモするものを見てほしい。「受付時間は何時ですか」。決してデモしないものも見てほしい。「PO 4471が段ボール2個不足しているのはなぜか」。チームが週に50回実際に答えている質問だ。これにはリアルタイムのデータ、判断、電話が必要だ。チャットボットは3つとも持っていない。
より深い問題がある。こうしたツールは繰り返しの質問をなくすと約束するが、倉庫における繰り返しの質問は壊れたプロセスのシグナルだ。シグナルをAIで包んでもプロセスは直らない。サブスクリプション料金が増えるだけだ。
罠その2：ゴミデータに基づく予測分析だ。在庫精度はめちゃくちゃ、ロケーションデータは何か月も更新されていない。それでAIに補充を予測させたい？モデルの出力は洗練されて見えて、完全に間違っている。AIの上限はデータ品質であり、下限もそうだ。ゴミを入れればゴミが出る。AI時代にはゴミが速く動く。間違った発注が、自信満々で自動的に行われるからだ。
私のルールはシンプルだ。AIプロジェクトが「削減できた労働時間」や「削減された誤出荷と返品」という形で見返りを述べられないなら、サインするな。雰囲気で売られるものはすべて罠として扱え。
私の2027年タイムライン
1つ目：2027年末までに、画像検査は中規模以上の倉庫の標準装備になる。今日のバーコードスキャンのように。技術が魔法だからではない。カメラと計算がどんどん安くなり、計算がどんどん楽になるからだ。
2つ目：予測とオーケストレーションは乖離し続ける。データ基盤がしっかりした倉庫は複利でリターンを得る。そうでない倉庫はパイロットで金を失い続ける。2027年には「AI需要予測プロジェクト失敗」の見出しが波のように来るだろう。驚くな。この記事に戻って読み直せばいい。
3つ目：AIサービスエージェントと汎用アシスタントは、2027年を通して倉庫業務では脇役にとどまる。倉庫に必要なのは実行であり、会話ではない。まずプロセスを直し、それから知能の話をしよう。
最後に正直な質問で締めよう。今の在庫精度はどれくらいだ？95パーセントを切っているなら、AIの話は飛ばして、代わりに棚卸しの話をしよう。データが保たない倉庫では、AIはただ高価に、速く間違う手段にすぎない。
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。
