去年の秋、インテグレーターのショールームでデモを見ました。空っぽのフロアを8の字に走るAMR、カメラの前でマグカップをカートンに入れるロボットアーム、そして99.9%の精度を点滅させる画面。営業担当者は3か月で回収できると言いました。同じ週、ある顧客の倉庫では、新しく導入されたばかりの目視検査システムが1日に200件以上の注文を誤ってフラグ付けし、現場では誤報に対応するためだけにチェッカーを2人追加で雇っていました。同じ「倉庫AI」なのに、まったく異なる2つの現実です。

これが倉庫AIの hype と現実のギャップであり、どんな製品パンフレットよりも重要です。hype は本物です。冷徹な計算も本物です。選定の話をする前に、自分の倉庫がどちら側なのかを見極めてください。

倉庫AIの hype はどこから来るのか

まず市場データから始めましょう。数字は本当に印象的です。Mordor Intelligence によれば、世界の倉庫自動化市場は2026年に約$34.17 billion、2031年には約$65.7 billionに達する見込みです。大きな数字、にぎわう展示会。しかし同じデータセットにはもう一つの物語があります。世界の倉庫の約80%は今も自動化をまったく導入しておらず、何らかの自動化を導入しているのは約25%にすぎず、高度な自動化を使っているのはわずか約10%です。Interact Analysis の予測では、2030年までに、フルフィルメント用AMRを1台でも導入している倉庫は13%にとどまります。

市場規模が測るのは売れたもの、導入率が測るのは倉庫の現場で実際に動いているものです。

hype にはもう一つの源があります。目立つ事例が spectacular だからです。Amazon は世界で750,000台以上のロボットを運用し、ビジョンガイド式アーム Sparrow はカタログ製品の約65%を扱うことができます。Locus Robotics は350を超える拠点で13,000台以上のロボットを運用し、20億ユニット以上をピッキングしてきました。これらの数字はすべて本物で検証可能です。ただし共通の前提があります。極めて高い注文密度、安定したSKU構成、そして統合を社内で吸収できるITチームです。1日3,000件の注文を処理する中規模倉庫に Amazon の答えをそのまま持ち込むのは、配送バンにフォーミュラ1のエンジンを載せるようなものです。スペックは素晴らしく見えます。先に壊れるのはシャシーです。

倉庫AIの冷徹な計算

設備選定では10年にわたり一つの分岐点を使ってきました。まずタクトタイムを計算し、それから知能の話をする。AIも例外ではありません。

検証しやすいピッキングの数字を見てみましょう。手作業のピッキングは1時間あたりおよそ60から100ユニットです。goods-to-person 型AMRの構成では、ピッカーは1時間あたり300から600-plusユニットに到達できます。差は巨大ですが、成立するのは一つの条件のもとだけです。ピッカーが歩くのをやめること。この一つの条件こそ、倉庫AIの hype と現実の分岐点を一つの数字で表したものです。AMRが本当に排除するのはピッキングの動作ではなく、ピッカーが毎日ラックの間を歩くキロメートルです。ピッカーがすでに固定ステーションに立ち、商品がすでにコンベアで届いているなら、AMRが節約する歩行時間はゼロに近く、回収モデルはその場で崩壊します。

次に回収期間です。業界データによれば、AMRの回収期間は標準的な導入で24か月未満、稼働中の導入ではROIが250%を超えます。大量のEコマース・フルフィルメントセンターでは、回収期間は8から14か月という短さになることもあります。ただし条件をよく読んでください。「標準的な導入」「大量」。私はこれらの公開ベンチマークをもとに2つの例示的シナリオを検討しました。1日8,000件の注文を処理する美容製品の倉庫は40台のAMRを導入し、最初のピークシーズンにピッキング労働力を実際に3分の1近く削減しました。1日1,500件の注文でSKUが2,000未満の小さな自動車部品倉庫は同じ計算をして、回収期間が4年を超えるという結論になりました。量がフリートを稼働させ続けられなかったからです。ロボットの半分は充電エリアに止まっていました。これらは仮定の試算例ですが、結論は本物です。回収期間は設備がどれほど先進的かでは決まりません。注文密度がそれを養えるかどうかで決まります。

以下は、AI選定について顧客から聞かれたときに私が使う分岐点の表です。3つの線が本物の需要と偽の需要を分けます。

シナリオ 重要な指標 本物の需要のサイン 偽の需要のサイン
goods-to-person 型AMR 1日の注文件数、ピッキング時間に占める歩行の割合 1日5,000+件の注文、ピッキング時間の半分以上を歩行が占める 1日2,000件未満の注文、ピッカーはすでに定位置
目視検査 / 品質検査 誤出荷率、検査労働力のコスト 誤出荷が毎月発生し、SKUが紛らわしく似ている 誤出荷はまれで、SKUはどうせどれも似ている
AI予測 / 補充 欠品率、デッドストックの割合 欠品と過剰在庫が同時に存在し、手作業の補充が追いつかない 500 SKU未満で、経験豊富なプランナーがすでに正しくやっている
音声ピッキング / スマートスケジューリング 波動とチャネルの複雑さ 複数の波動とチャネルが毎日衝突する 1日1波動で、壁に貼った印刷スケジュールで十分

表の背後には直感に反する判断があります。倉庫AIの最大の価値は通常、人を置き換えることではありません。無駄な歩行と無駄な待ち時間をなくすことです。労働力は倉庫予算全体の50%から70%を占めますが、そのお金の大半はピッキング動作に使われているのではありません。ラックの間を歩く人と、待機して立っている人に使われています。人員削減のためにAIを買う人はたいてい失望します。価値を実際に生む仕事に人々の時間を取り戻すためにAIを買う人こそ、プラスのリターンを得るのです。

3つの偽の需要を一つずつ解体する

偽の需要その1:小さな倉庫での完全な目視認識。SKUが1,000未満で、バーコードが適切に貼られていれば、目視が付け加えるものは良いデモ以外に何もありません。バーコードスキャンは小規模では精度とコストで目視を上回り、維持費はその何分の一かです。技術は機能します。需要が存在しないのです。

偽の需要その2:まずAIを買い、データは後で直す。予測、スマート補充、動的スロッティングはすべて正確な在庫データの上に成り立ちます。ロケーション精度が98%を下回る倉庫では、予測モデルは砂上の楼閣です。出力がきれいになればなるほど、正解から遠く外れます。私は、棚卸差異が2桁ある現場が、カウントを直す前に予測契約に署名するのを見てきました。順番は決して譲れません。まずデータ精度を上げ、それから知能にお金を使ってください。

偽の需要その3:パイロットを導入とみなすこと。2週間のパイロット、最も簡単なSKU、最も経験豊富なスタッフ——数字が良く見えるのは当然です。本当の分岐点はピークシーズンです。量は2倍、スタッフの半分は臨時、新しいSKUが毎日届く。そのときシステムはまだ安定していますか。署名する前に、ベンダーに一つ質問してください。最悪の顧客拠点では、ピーク時の稼働率はどうでしたか。答えられない、あるいはデモデータしか出せないなら、まだ署名しないでください。MTBFと稼働率は、インテグレーターが詳細に議論するのを最も嫌がる2つの数字であり、まさに稼働開始後の体験を決める2つの数字です。

それから、誰もスライドに載せない請求書があります。メンテナンスです。AMRのバッテリー、タイヤ、lidar、床の平坦性要件——すべて継続的なコストです。ひび割れた床、曲がったパレット、Wi-Fiのデッドゾーンは、「インテリジェント」を「手作業の介入が必要」に変えてしまいます。計算に3年分のメンテナンスとダウンタイム損失を加えると、多くのROI事例は半分に縮みます。

導入前にやるべき4つのこと

第一に、歩行を測ることです。ピッカーに1週間歩数計を持たせるか、WMSからピッキング経路データを引き出し、ピッキング時間のうち歩行と待ち時間にどれだけ費やされているかを計算してください。30%未満なら、AMRの計算はめったに成立しません。

第二に、データ精度を測ることです。200か所のロケーションを実際に数えてください。在庫精度が98%を下回るなら、まずカウントとプロセスを直し、AI予算を保留してください。

第三に、パイロット開始前に、パイロットの終了基準を文書で定めてください。どの指標が投資継続を意味し、どの指標が中止を意味するのか。終了基準がなければ、すべてのパイロットは「あと1か月」になり、やがて埋没コストになります。

第四に、最良の拠点ではなく最悪の拠点を見せてもらうことです。ベンダーに、最もひどい顧客の設置現場へ連れて行ってもらい、ピークシーズンのデータ、故障ログ、メンテナンス請求書をテーブルの上に並べてもらってください。それを見せる気のあるベンダーにはある程度の自信があります。スライドとショールームしか出さないベンダー——その99.9%は聞かなかったことにしてください。

倉庫AIは詐欺でも万能薬でもありません。養うための量を必要とする機械、きれいなデータを必要とするシステム、そして何年も誰かがメンテナンスする必要がある設備です。hype は展示会のものです。冷徹な計算はあなたの倉庫のものです。両者を分けておくこと——それが倉庫AIの hype と現実の教訓のすべてです——そうすればお金は正しく使われます。

このお金はよく使われたのでしょうか。一つの数字を見てください。稼働開始後、ピッキングした注文1件あたり何分の労働時間を実際に節約できましたか。その他の数字はどれも飾ることができます。この数字だけは飾れません。

Da Liu(自動化エンジニア)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。