言い切ります。2027年までにあなたの倉庫が本当にAIを使えるかどうかは、どのアルゴリズムを買うかとはほとんど関係なく、システムの中にどれだけきれいで使えるデータが眠っているかにかかっています。アルゴリズムは月ごとに安くなっています。データこそがハードカレンシーです。
この春、アトランタのModexに数日いました。AIブースは大盛況。ビジョンピッキング、需要予測、スマートな労務シフト計画——どのデモも完璧に見えました。それから、WMSを売る昔なじみ数人とビールを飲みに行ったのですが、話は毎回同じ点に戻ります。あのデモは愛情たっぷりに用意されたきれいなデータセットの上で動いている。同じソフトを本物の顧客の倉庫に落とせば、10回中9回はデータでつまずくのです。
ボトルネックはもうアルゴリズムではない
5年前ならこんなことを言えば笑い者にされていたでしょう。今はただの事実です。ビジョンベースのピッキングモジュールは年々安くなる。需要予測モデルはオープンソースのリポジトリに転がっている。アルゴリズム間の差は縮まり、データ資産の差は広がっています。
では、本物の倉庫の中はどうなっているか。去年、Inland Empireにある300,000平方フィートの3PL施設を歩きました。10年で3代目のWMS、履歴データは互いに解読不能な3つの形式で届いた。ピッキング記録は「done」とだけあり、誰が取り、どの通路を歩き、何分かかったかは不明。AMRの車両群はデータを生成していましたが、それは設備ベンダーのクラウドにあり、契約書に所有権の記載はありませんでした。ITがエクスポートを求め、法務が巻き込まれることになった。
そんな土台の上で、最も高価なAIも、汚いデータの上に載ったきれいな殻にすぎません。モデルは与えたものを増幅します。良いデータは効率になり、悪いデータは自信満々の自動化された間違いになる——マシンスピードで間違い続け、完璧な隊列で。
見分け方はこれです。WMSベンダーは多くの顧客より先にこのことに気づきました。最近は機能モジュールを売っていません。売り文句は「データプラットフォーム」と「AI対応」一色。訳すと「まずデータをお掃除させてください」。ソフト売りがスコップを売り始めたら、初日から金を掘り当てるのはもうやめたほうがいい。
データに飢えたAI導入の実態
数年前、知り合いのアパレル3PLが「AI労務シフト計画」プラットフォームに大金を払いました。売り文句は魅力的。受注履歴から労務需要を予測し、シフトを自動生成。ピーク時に人が足りず、閑散期に人が余ることがなくなる。
3か月で廃止されました。根本原因は恥ずかしいほど単純でした。ピッキングが受注単位でしか記録されておらず、WMSに「人・時間当たりピース数」の信頼できる数字がなかった。誰も労働データを個人レベルで取っていなかったのです。アルゴリズムは受注合計に対してスケジュールを組み、現場監督が勘で組んだものよりひどいシフトを量産しました。ピーク初日は大混乱。監督は一晩かけて手でシフトを組み直し、その日からシステムはお飾りになりました。
お金は使われ、データは汚いまま。これは私が見てきた最も典型的なAI失敗パターンです。アルゴリズムが悪いのではなく、土台がない。そして最も残酷なのは、こんな失敗の後、経営者が「AIは使えない」と結論づけ、本当に必要だったデータ基盤の予算が削られてしまうこと。一度の失敗導入が会社を3年遅らせるのです。
全部回避できたはずです。AIを買う前に、ピックデータの取り込みを3か月かけて直す。すべてのピック作業に人・タイムスタンプ・ロケーションを記録する——WMSに3つの新しいフィールド。それを3か月ためれば、シフト計画モデルが方向性として正しいかどうかの検証に十分です。小さな投資をケチって、大きな授業料を払う。
タイムライン：窓が今である理由
これから18か月の流れをこう見ています。2026年末から2027年上半期までがデータ基盤の窓です。来春シカゴのProMatでは、AIベンダーがデータ準備度で顧客を選別し始めます。データのきれいな倉庫は本当に動く3か月のパイロットを手に入れ、ベンダーはそれをリファレンス案件にしようと競う。データがぐちゃぐちゃの倉庫はPOCを立ち上げることすらできず、営業は初回のヒアリングでそれを見抜きます。
2027年下半期には分断が目に見えてきます。先行3PLと大手小売のDCは、動的シフト計画、予測補充、設備の予知保全にAIを回し始めます。コストカーブが他と分かれ始める。中規模倉庫がその時点で始めていなければ、差は広がる一方——アルゴリズムが高くて買えないのではなく、データの蓄積には時間がかかり、時間だけは買い戻せないからです。
理屈は単純な算数です。データ基盤の投資回収はおおむね12～18か月。今からデータの掃除と取り込みを始めれば、2027年にAIの波が来たときに準備ができている。じっとしていれば、競合がパイロットを回す横でスプレッドシートと格闘することになります。
初日からデータレイクは要りません。地味な最初の一歩。WMS・TMS・設備系から毎日データをエクスポートし、形式を正規化して、時間で検索でき、受注番号で結合できる一か所に置く。「レイクハウスアーキテクチャ」は忘れて、まず「見つかる・取り出せる・結合できる」を目指す。
では、具体的に何を取るべきか。優先順位付きで3つのデータストリームです。
第一に、受注と在庫の行動データ。「今日20,000件出荷した」ではなく、誰が何を、どのロケーションで、何時に、何単位、何分かかったか。これがあらゆる労務モデルとスロットモデルの原材料。これなしでは、どんなワークフォースAIも絵空事です。
第二に、設備の稼働データ。フォークリフト・AMR・コンベヤの稼働時間、充電サイクル、故障コード、ダウンタイム。これが予知保全と能力計画の土台です。多くの倉庫ではこのデータが設備ベンダーの手元にあり——データの所有権とアクセス権は、買うときの契約書で交渉してください。3年後に必要になってからでは遅いのです。
第三に、ABC流動とスロット履歴。あのSKUはAからCへ滑り落ちるのにどれだけかかったか。スロットは何回動かし、効果はあったか。WMSはたぶん既に持っています。誰も資産として扱わず、バージョン移行で失われるのが常です。
まだAIを買ってはいけません。まずITに3つ聞いてください。直近12か月のピックデータを人・ロケーション・時間で分けたものをエクスポートできるか。設備の故障記録は構造化されているか、それともスプレッドシートに殴り書きか。前回のWMS移行で履歴データを失ったか。
どれか一つでも「わからない」が答えなら、2027年のAI配当はあなたのものではありません——まだ。まずデータレイクを掘る。水があれば、AIは来ます。
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。
