まず結論から述べよう。倉庫経営者が間違った質問をするのを、私はあまりに多く見てきたからだ。彼らは「AIで何人削減できるか」と問う。正しい問いはこうだ。どの仕事が解体され、組み立て直されるのか。どの判断がより価値を持つようになるのか。そしてこの組み替えは実際にいくらかかるのか。
私の答えを一段落でまとめるとこうなる。最も大きく組み替えられる仕事は、固定ルールによる繰り返しの判断で成り立つものだ。最も安全な仕事は、現場の例外を扱うものだ。そして最も厄介な位置にあるのは中間層、つまりルールを書くことも貨物に触れることもない管理者だ。今後三年間で、ほとんどの倉庫の人員数は劇的には減らない。しかし人員の構成は大きく変わるだろう。
増員に化けた「人員削減効果」
数年前、私はビジョンベースの出荷検査システムに多額の投資をした自動車部品卸売業者を訪れた。目標は、検査チームを六人から二人に削減することだった。最初の月は素晴らしく見えた。スキャン、照合、フラグ付けが、すべて滑らかな一連の動きで行われた。二か月目になると問題が現れた。曲がったラベル、反射する袋、奇妙な形の混合部品。システムはそれらを絶えずフラグ付けした。検査員は一日に何百件もの誤報に対応し、以前の手作業よりも疲弊した。さらに悪いことに、経験豊富な検査員は配置転換され、新入社員は画面のアラートを読むことしか知らず、貨物を見る方法を知らなかった。システムが停止すると、検査ライン全体が完全に止まった。
両面から見てみよう。得られたものは本物だった。標準品の検査は速くなり、エラー率は確かに下がった。コストも同じく本物だった。消えた仕事は「ルールと照合する」ことであり、現れた仕事は「AIの後始末をする」こと、すなわち例外対応、ルール調整、システム監視だった。経営者は削減できた四人を数え、追加された二人のシステム管理者と一人のパートタイムのデータラベラーを忘れた。純人件費はほとんど動かなかったが、プロセス全体の脆弱性は何倍にもなった。
別の倉庫、食品卸売業者は逆のことをした。誰も削減しなかった。かつてのピッキングチームのリーダーを「例外スペシャリスト」に転換したのだ。AIが作業割り当てとルーティングを担い、リーダーはシステムが対応できないもの、すなわち欠品、破損品、賞味期限の競合だけを扱った。三か月後、彼らの定時出荷率は同業他社の中で最良だった。違いは何か。一方はAIを人員削減ツールとして扱い、他方は人々をより価値のある仕事へ押し上げる手段として扱ったのだ。
どの仕事が組み替えられるか:二次元で分ける
私は倉庫の仕事を、仕事がどれだけルールベースか、そして現場の不確実性をどれだけ伴うかで分類する。
| 役割 | ルールベースか | 現場の不確実性 | 今後三年間の見通し |
|---|---|---|---|
| 出荷検査員 | 高 | 低 | ほとんどビジョンシステムに吸収される。最終的な例外判断のために1–2人が残る |
| ピッカー | 中 | 中 | 置き換えられないが、仕事は変わる。指示に従い、スキャンで確認し、人と機械のチームになる |
| スケジュール/配送監督者 | 高 | 低 | ほぼアルゴリズムによるスケジューリングに置き換えられる。監督者は突然の欠勤や能力変動への対応に移る |
| 入荷品質検査員 | 中 | 高 | 置き換えが難しい。奇妙な形の貨物や破損の判断には依然として人の目と手が必要だ |
| 在庫アナリスト | 高 | 低 | 報告業務は予測モデルに移行する。役割は異常の解釈と補充判断へ移る |
| 保守技術者 | 低 | 高 | 需要は減るどころか増える。AMR、コンベヤ、ソーターが増えれば、機械とソフトウェアの両方を知る人の需要も増える |
直観に反する部分はここだ。最初に組み替えられる仕事は、最下層の肉体労働ではない。中間層のホワイトカラー、経験に基づくが繰り返しの判断で成り立つ仕事だ。ピッカーの一日はバリエーションに満ちている。異なる貨物、場所、例外があり、AIが容易に飲み込むことはできない。しかしオフィスでスケジュール、報告書、受注レビューを行う人はどうだろうか。彼らの仕事はまさに、AIが最も得意とするルールベースのものだ。ルールベースこそAIの本拠地なのだ。
そして、誰も事業計画に入れないトレードオフがある。AIがルールベースの仕事を吸収すると、「経験」は人の頭から引き出され、システムに書き込まれる。利点は、経験が従業員とともに去らなくなることだ。欠点は、システムの経験が陳腐化したとき、一括で失敗することだ。人は一度間違える。システムは千回間違える。多くの経営者はそのコストを計算に入れていない。
管理者が実際に計算すべき方法
第一に、人員数ではなく総コストを数えること。「何人削減できるか」と問うてはいけない。こう問うのだ。受注一件あたりの履行コストはどれだけ下がるか。エラー率はどれだけ下がるか。例外からの回復は速くなるか、遅くなるか。私は、システムの停止一度で、十人分の半年分の賃金に相当する繁忙期のペナルティを支払うことになった、三人を削減した倉庫を知っている。その計算は成り立たない。
第二に、システムを買う前にプロセスを直すこと。乱雑なプロセスにAIを投入すれば、混乱はより大きく、より速くなるだけだ。自動車部品の倉庫は最終的に戻って検査プロセスをやり直した。ラベル貼付位置の標準化、奇妙な形の品目の再梱包である。その結果、システムが本当に動き出す前に誤報は急激に減った。順序を間違えれば金は無駄になる。
第三に、組み替えられた人々に解雇通知ではなく道を与えること。最も理にかなった再配置の方向は二つある。例外スペシャリスト、すなわちAIが扱えない混乱を片付ける役割と、自動化の広がりとともに採用が難しくなる設備・システム保守である。既存社員の再教育は外部採用より安く、削減して再雇用するよりはるかに安定している。解雇で節約した金は、採用と研修で倍になって戻ってくることが多い。
第四に、「三年後には倉庫に人がいなくなる」という話を信じないこと。倉庫の物理的な世界は汚れすぎ、混沌としすぎ、例外が多すぎる。AIが今後三年間でできることは、決定論的な部分をかじり取り、不確実な部分を人に残すことだ。それは楽な仕事ではない。より難しい仕事だ。仕事は「指示に従う」から「システムが間違えたときにそれを見抜く」へ移る。経営者が旧来の基準で採用と管理を続ければ、組み替えは人の側で停滞するだろう。
今後三年間で倉庫において最も価値のある三つの能力は次の通りだ。AIが何を計算しているかを理解すること。AIが間違って計算しそうなときを知ること。そしてAIが間違えたときに即座に引き継げることだ。その三つのいずれも、AIが教えてくれるものではない。
だから、もしあなたが倉庫を運営しているなら、今すぐ自問してほしい。あなたのチームには、その三つの能力をすでに持つ人が何人いるだろうか。
Lao Mi(サプライチェーンのベテラン、20年)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。







