倉庫におけるAI導入の現実検証は、とっくに必要だった。3年前、倉庫向けAIの発表はどれも同じことを約束していた。人の手を介さないピッキング、時間単位のスケジューリングに耐えるほど正確な予測、そして1台のカメラで済む品質検査だ。こうした約束を正直に評価する方法は、発表動画を見直すことではなく、今日の倉庫現場で実際に稼働しているものを見て、主張を3つの箱に分けることだ。実現したもの、半分だけ実現したもの、そしてまだデモの段階のもの、である。
調査データが状況を示している。MHIの年次業界レポートによると、2024年末時点で回答者の約28%がAIを利用しており、さらに54%が5年以内に導入する予定だと答えた。つまり、ほとんどの倉庫はまだ様子見かパイロット段階だった。2026年のPitchBookレポートは有益な文脈を加えている。世界中の倉庫のうち、何らかの意味ある自動化を導入しているのは4分の1程度にすぎない。AIロボティクスへの投資は加速しており、資金調達の数字は印象的だが、実際に日々稼働しているシステムを持つ倉庫の割合は、盛り上がりが示唆するよりはるかに小さい。熱狂と導入の間のこのギャップこそが、過去3年間の物語そのものだ。
倉庫AI導入の現実検証:実現したもの
最も説得力を持って実現した用途は2つある。1つ目はビジョン検査だ。パレットのバーコードを読み取るカメラ、段ボール箱のラベルを確認するカメラ、破損した荷物を指摘するカメラ——これは境界のはっきりしたタスクだ。入力は画像、出力は判定で、正しいか誤っているかはその場で検証できる。私が追ってきたあるECの配送センターでは、品質管理はかつて手作業のサンプリングに頼っており、誤りはたいてい顧客からの苦情で初めて表面化していた。ビジョンシステムが導入されると、例外は出荷前に検出されるようになった。検査の人員は消えなかったが、仕事は事後の火消しから、事前の阻止へと変わった。これが実現した用途の特徴だ。AIは人を置き換えたのではなく、反復的な判断から、機械が判断できない例外の処理へと人を移した。
2つ目は需要予測とスロットティングだ。予測は占いでは決してない。その真の価値は、変動をシフト編成と補充が扱える範囲に絞り込むことにある。MHIレポートで引用された専門家も同じ点を指摘している。AIが最も役立つのは需要変動の予測とスロットティング判断の支援、とりわけ季節商品においてだ。理屈は単純だ。履歴データはすでにWMSの中にある。データがきれいなほど、予測は役に立つ。マスターデータが乱れた倉庫は、高価な予測モデルを使ってもほとんど得るものがない。実現した2つの用途は3つの特徴を共有している。タスクの境界が明確であること、結果を週単位で見直せること、そして失敗のコストが抑えられていることだ。
AMRスケジューリング:半分だけ実現し、規模が問題を変える
AMRスケジューリングは半分だけ実現した箱に入る。AMRを1台動かすのは難しくない。通路、充電器、コンベヤの合流点を共有しながら、渋滞なく数十台、数百台を動かすのはまったく別の問題だ。2026年の業界分析はそれを率直に述べている。フリートが数百台規模になると、スループットを決めるのはもはや個々のロボットの能力ではなく、ルーティングと渋滞回避の質だ。言い換えれば、AMRにおけるAIの価値は車両ではなくフリートソフトウェアにあり、そのソフトウェアの質はデモからは判断できない。ピークシーズンのフル稼働を2週間経験して初めて見えてくる。
私は中規模の3PLがまさにこの移行を進める様子を追った。十数台のロボットによるパイロットゾーンは見事に稼働し、ピッカーの歩行距離は減り、経営層はその証拠をもとに拠点全体への展開を承認した。フリートが100台を超えると、充電の待ち行列と交差点での待ち時間が人件費の節約を食いつぶし、プロジェクトチームはスループットが安定するまで、パラメータの再調整と走行レーンの描き直しに数か月を費やした。教訓は、AMRが機能しないということではない。規模が問題を変えるということだ。小規模で検証されたソリューションは、規模が大きくなれば再検証しなければならない。10台のロボットがスムーズに動くのを見せながら、100台規模でのスケジューリング戦略、充電計画、渋滞時の挙動について話そうとしないベンダーには、もう1つ厳しい質問をする価値がある。
まだほぼデモ:汎用ピッキングと無人倉庫
まだデモの段階の箱を占めているのは、汎用ピッキングと「無人倉庫」の物語だ。ビジョン誘導のピッキングアームは確かに進歩し、従来のルールベースのシステムより幅広い製品形状や包装に対応できるようになった。しかしECのSKUの多様性は過酷だ。不規則な形状、柔らかい包装、反射する表面は、今も大量の作業を人間のピッカーへと押し戻す。さらに重要なのは経済性だ。ロボットアームが節約する人件費は、減価償却、メンテナンス、ダウンタイムと天秤にかけなければならず、ほとんどのデモはこの3つのうち最初の1つしか数えていない。
規模は技術リスクを財務リスクにも変える。同じ2026年のPitchBookレポートは、大手小売業者が自動化プログラムに関連して数十億ドル規模の減損を計上したことを指摘している。これは自動化が間違っていることを証明するものではない。プロジェクトが十分に大きくなれば、リスクは技術的な注釈ではなくなり、貸借対照表上の出来事になることを証明しているのだ。営業資料にはめったに登場しない、もう1つの障害がある。安全性と認証だ。人と並んで働く確率的AIシステムは、明示的なルールで統治される決定論的な機械より、認証がはるかに難しい。ルールベースのシステムで何か問題が起きれば、1行のロジックまでたどることができる。統計的システムでは、責任の連鎖も認証の道筋も、改めて交渉しなければならない。その関門をクリアするまで、「無人」は閉鎖された環境にとどまる。
倉庫AIを購入する前のチェックリスト
意思決定者に必要なのは、もう1つのベンダーのホワイトペーパーではなく、証拠で答えられる短い質問のリストだ。この倉庫AI導入の現実検証は、5つの質問に集約される。
| 質問 | 確認方法 | 答えが「いいえ」の場合 |
|---|---|---|
| データはきれいか? | 1か月分のマスターデータをサンプリングし、エラー率を確認する | モデルを買う前にデータガバナンスを整える |
| 結果を週単位で見直せるか? | 事前に管理指標を合意する:阻止率、予測誤差、1件あたりの分数 | 管理群がなければ大きな契約はしない。まずパイロット |
| パイロットの3倍の規模でも維持できるか? | ピークシーズンを乗り切った同規模の導入事例を求める | デモは自社の規模では未検証とみなす |
| 例外は誰が処理するか? | 節約する人件費だけでなく、手作業の代替手段の費用も見積もる | 代替手段のコストをROIの内側に入れる。外側に置かない |
| やめるのにいくらかかるか? | 出口を確認する。結果が期待外れでも円滑に縮小できるか? | 段階的な拡大と従量課金を選ぶ |
過去3年間には、直感に反する結論が隠れている。倉庫AIの最大の勝者は、最も高価なシステムの買い手ではなく、地味な下準備を先に済ませた事業者かもしれない。正確なスロットティング、きれいなマスターデータ、標準化されたプロセス——どれもAIのラベルは付いていないが、AIが成果を増幅するか、混乱を増幅するかを決めるのはこれらだ。適切なABC分類を一度も行ったことがない倉庫が、AIにスロットティングを整理させようとするのは、ナビアプリに目的地を選ばせようとするようなものだ。ルートは完璧に計算できても、間違った場所に着いてしまう。
3年経った今、パターンはかなり明確だ。倉庫AIの実現した部分は、最も地味な部分だ。欠陥を見つけること、予測誤差を絞ること、ロボット同士の衝突を防ぐこと。半分だけ実現した部分は、規模と例外処理で行き詰まっている。デモの部分は、経済性と認証で行き詰まっている。このパターンが今後1、2年で劇的に逆転する可能性は低い。デモが減り、週次レビューが増えながら、ゆっくりと収束していく可能性のほうが高い。
結論ではなく、開かれた問いが残る。AIが安くなり、ますます高性能になるにつれて、倉庫の組織が先に変わるだろうか。シフト編成、業績測定、例外処理のルーティン——これらはどんなモデルよりも変えるのが難しく、約束のうちどれだけが実現するかを最終的に決めるのはこれらかもしれない。技術は買える。組織の能力は育てなければならない。
Dr. Chen(サプライチェーン研究者)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。







