2026年が終わり、今年の倉庫AI支出に成績をつける時期が来た。私の評価はこうだ。投資を回収できたプロジェクトは3割未満、純粋な授業料になったものが4割超、残りは「進行中」だ。「進行中」とは、死んだと言いたくないときの丁寧な言い方であることが多い。今年は数十の倉庫を歩いた。50,000平方フィートの3PLから400,000平方フィートのECフルフィルメントセンターまで。成果を出したプロジェクトはどれも似ている。お金に近く、すでに存在するデータで動いていて、誰も毎週の会議を開いていない。スライドの中で死んだものは同じ欠点を共有している。「動くとはどういう状態か」を誰も真剣に考える前に、お金が使われてしまったのだ。この振り返りはAIを叩くためのものではない。2027年に同じ授業料を二度払わないためのものだ。
成果を出した3つの賭け
画像ベースの品質管理。 入荷と出荷の検査は、2026年で最も確実なAI投資収益となった。論理は単純明快だ。検査は純粋な人手作業であり、見逃した欠陥は実際のお金に響く。カメラが置き換えた1時間は、クレームと返品の減少としてそのまま表れる。創意工夫の会計は不要だ。カリフォルニア州オンタリオの120,000平方フィートの3PLは2025年末に出荷画像検査を導入し、カメラが出荷ラベルとカートンの封をチェックしている。投資額は約80,000ドル（観測値、概算）。半年以内に誤出荷率は約0.4%から0.1%未満に下がった（観測値、概算）。回避できたクレームと再配送だけでシステムの元が取れた。ただしトレードオフも重要だ。SKUの入れ替わりが遅く、例外を列挙できる現場でうまくいく。SKUが数週間で入れ替わり、カートンが奇妙な形で届く現場では、モデルは新しい外観を追いかけるだけで、節約はそこから漏れ出してしまう。
要員予測とシフト計画。 受注履歴を使って数週間先の要員ニーズを予測し、シフト計画を監督者の勘から切り離す。ダラスのEC倉庫（1日約30,000オーダー）は2年間これを使い続けている。同社の2026年ピークシーズンの臨時人件費は前年を約20%下回った（観測値、概算）。モデルの賢さを褒めるのではない。2週間前の警告を褒めるのだ。「2週間後の火曜日の午後、40人足りなくなる」と分かれば、監督者はシフトを調整し、臨時人材の単価を交渉する時間がある。当日のドタバタではなく。予想外の副産物もあった。シフトが実態に近づいたことで、正社員の残業への不満が減り、ピーク期の離職率も下がった。人事マネージャーはそれが2026年最大の驚きだったと私に言った。最初に警告しておく。WMSの勤怠データがめちゃくちゃなら、予測もめちゃくちゃになる。予測を買う前に、2〜3か月かけて人件費の記録をきれいにしろ。そうしないと、汚いデータで占いをやることになる。
音声ピッキング、アップグレード版。 音声指示ピッキングは古い技術だが、2026年は優れた音声モデルが騒がしい環境でそれに第二の人生を与えた年だった。フェニックス郊外の200,000平方フィートの食品配送センターは年明けに8年物の音声システムを交換した。ピッキング精度は99.2%から99.7%に上がった（観測値、概算）。0.5ポイントを侮るなかれ。食品配送ではミスピックがオーダー全体の作り直しを意味し、ピーク期に1日数十件のエラーを減らすだけで、人件費と梱包費の面でアップグレードの元が取れる。私の見解。すでに音声を使っているなら、この刷新は計算が簡単で導入期間も短い。ゼロから始めるなら、ベンダーの見積もりの数字だけでなく隠れたコストもROIに入れろ。ヘッドセットの破損、教育時間、騒がしい通路での誤認識だ。
お金を燃やした2つ
デジタルツイン。 2026年最悪のカテゴリであり、2位との差は大きい。3つの倉庫がツインを作るのを見た。4〜6か月のモデリング、納品日の美しいダッシュボード、そして誰も二度と開かなかった。技術が問題なのではない。そのツインが答える問い（「ゾーンAをフローラックに変えたらどうなるか」）が出るのは年に数回なのに、モデルを維持する人々には毎月給料が支払われるのだ。80,000平方フィートの施設はツインに約150,000ドル（観測値、概算）を使った。1年後には月1回ほど開かれるだけだった（観測値、概算）。最も致命的な詳細。作る前に、ツインが答えるべき問いを誰も書き留めていなかった。私の判断。レイアウトが何年も動かず、SKU構成が安定している倉庫にとって、ツインは高価なスクリーンセーバーだ。レイアウトのシミュレーションを常に行っている現場だけが、この話をする資格がある。
汎用AIアシスタント。 在庫照会やオーダーステータス照会のチャットボットは人件費削減に聞こえるが、実際は両端で失敗する。答えのある質問はWMSですでに3クリックで届く。答えのない質問には、どんな人間も恐れて言わないほどの自信で答えてくる。ある3PLはカスタマーサービスAIを導入し、1年で約ゼロの人件費を削減した（観測値、概算）。一方で新しい役割が増えた。毎日ナレッジベースに餌をやる人だ。給料つきで。ルールはこうだ。社内のナレッジベースが整理されていないなら、AIアシスタントは混沌を加速させるだけだ。まずSOPとナレッジベースを、人間がたどれる形に整えろ。それからAIの話をしろ。そうでないなら、お前が買うのはアシスタントではない。非常に雄弁な言い訳マシンだ。
同じ技術が正反対の運命をたどった理由
後から見れば分岐点は明確だ。元が取れたプロジェクトはすべて3つの条件を満たしていた。新しいニーズをでっち上げるのではなく、すでに存在していた人件費を置き換えたこと。データが初日から整っていて「半年集めて様子を見よう」ではなかったこと。そして成功が測定可能だったこと。誤出荷率、労働時間、精度だ。だから受け入れの日に議論は起きなかった。この3つのうち1つでも欠ければ授業料を払うことになる。2026年の失敗の多くは同じ筋書きをたどった。ベンダーがビジョンを描き、倉庫が先に払い、受け入れ基準はキックオフ後に誰も読み返さない契約の付属文書に眠った。もう1つ、名付ける価値のあるパターンがある。全員に新しい習慣の導入を求めたAIプロジェクトは速く死に、静かにインストールされて誰にも迷惑をかけず仕事をしたものは長生きした。このルールは2027年にも当てはまる。
2027年に私がお金を置く場所
大仰な方向性はなし。明日から始められる3つの手を挙げる。第一に、AIを買う前にデータを監査しろ。WMSのトランザクション記録、労働時間、例外クレームを引っ張り出せ。欠けや矛盾のない12か月連続のデータを出せないなら、まだ予測AIの資格はない。2027年の予算はまずデータの衛生に使え。どんなモデル購入よりも効く。第二に、2027年に私が実際に賭ける1本は「例外検知＋人による確認」だ。画像品質管理がそのパターンを証明し、次の成熟した応用は自動入荷例外インターセプトだ。破損、数量不一致、誤ラベルだ。カメラがフラグを立て、人が確認する。技術はできあがっていて、計算も合う。第三に、すべてのAIプロジェクトに90日の受け入れラインを引け。稼働から90日経っても主要指標が動いていなければ、殺せ。更新なし。「もう1ラウンド最適化」なし。2026年の授業料は1回で払え。2027年にまた入学するな。
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。
