はじめに
「数千万円かけて最新のAI需要予測システムを導入したのに、肝心の欠品が減らないどころか、現場の混乱が増えてしまった」
物流現場の課題を起点に考えると、こうした事態は頻出しています。経営層は「AIなら未来を予測してくれるはずだ」と期待し、現場は「AIが出した数字なんて信用できない」とExcelでの手計算に戻ってしまう。これでは、高額な投資も無駄になってしまいます。エンドツーエンドでサプライチェーンを俯瞰したとき、システムと現場運用の間にボトルネックが生じている状態です。
AIは過去のデータという「燃料」がなければ動かないものであり、その燃料に不純物が多ければ、当然ながらうまく機能しません。また、AIはデータにない突発的な未来を予測することはできません。
しかし、成功している企業は、AIを「超高速な計算機」として捉え、人間がその苦手分野を補完する運用モデルを確立しています。
本記事では、成功事例の裏側にある、「データ衛生管理」と、AIと人間が連携する「Human-in-the-loop（ヒューマン・イン・ザ・ループ）」という運用手法について解説します。ツール選びよりも重要な、運用のポイントを見ていきましょう。
なぜAIを導入しても「在庫切れ」はなくならないのか
AIを導入すれば在庫最適化が自動で実現する――そう信じてプロジェクトをスタートさせた企業の多くが、導入後半年ほどで課題に直面します。物流DXを推進する上で、なぜ高度なアルゴリズムを使っても「在庫切れ」はなくならないのでしょうか。その原因は、AI技術そのものではなく、AIに対する誤解と準備不足にあります。
AIへの過度な期待と現実のギャップ
多くのプロジェクトで見られるのが、AIに対する過度な期待です。「ディープラーニングを使えば、複雑な需要も予測できる」という考えです。しかし、AI（特に機械学習モデル）の基本原理は、「過去のパターンから未来を推論する」ことにあります。
例えば、過去3年間の販売データに基づいて来月の需要を予測するとします。もし、来月これまでにない規模の自然災害が発生して物流が止まったら？ あるいは競合他社に問題が発生して自社への注文が殺到したら？ AIはその変化を予測できるでしょうか？ 答えはNoです。過去のデータに含まれていない事象に対して、AIは対応が難しい場合があります。
ガートナー社の調査（Gartner Says By 2022, 85% of AI Projects Will Deliver Erroneous Outcomes Due to Bias in Data, Algorithms or the Teams Responsible for Managing Them）によれば、多くのAIプロジェクトがデータの偏りや管理チームの問題により誤った結果をもたらすリスクがあるとしています。現場では、こうしたAIの予測が外れると、「AIは使えない」という判断になることがあります。そして、担当者はAIの推奨値を無視し、自身の経験に基づいた発注数を優先することがあります。結果として、システム上はAIが稼働していても、以前と変わらない属人的な運用に戻ってしまうのです。
失敗するプロジェクトに共通する3つの誤解
失敗するプロジェクトには共通する「3つの誤解」があります。
「データは今のままで十分だ」という誤解
多くの企業が、ERP（基幹システム）やWMS（倉庫管理システム）に入っているデータをそのままAIに活用できると考えています。しかし、システム上の「出荷実績」は必ずしも「需要」を表していません。例えば、欠品していて売れなかった期間の出荷数はゼロですが、需要がゼロだったわけではありません。この区別をせずに学習させれば、AIは「この時期は売れない」と判断し、次回の発注数を絞り込み、再び欠品を引き起こす可能性があります。「精度100%を目指すべき」という誤解
天気予報が100%当たらないように、需要予測も100%当たることはあり得ません。重要なのは「予測が外れた時にどう対応するか」という安全在庫の設計や、サプライチェーンの俊敏性です。精度向上だけに固執すると、過学習を招き、かえって実用性が下がることがあります。「人間は不要になる」という誤解
AI導入の目的を「担当者の削減」に置くと、現場の協力は得られないことがあります。むしろ、AI導入によって、担当者の役割はAIの提案を評価し最終判断を下すことへと変化します。人間の知見を排除したAIは、現場に定着しないことがあります。
AIは強力なツールですが、それを扱う人と、データの整備が伴わなければ、市場で成果を出すことはできません。
原則：AI需要予測を成功させる「データ品質」の鉄則
物流DXのプロジェクトにおいて、「データ準備が全工程の8割を占める」と言われることがあります。どんなに優れたアルゴリズムも、入力データが不適切であれば良い結果は得られません。では、AIが正しく学習できるデータとは具体的にどのようなものでしょうか。
社内データだけでは不十分：外部要因データの重要性
まず認識すべきは、社内の販売実績データだけでは予測精度に限界があるということです。消費者の購買行動は、天候、気温、カレンダー（祝日や連休）、地域のイベント、競合の動きなど、様々な外部要因に影響を受けます。
飲料業界の導入事例では、過去の出荷量だけで予測していた時は、気候変動による影響を捉えきれず、欠品や廃棄が発生していました。
そこで、気象庁の予報データを取り込み、「気温が一定の温度を超えると、特定の飲料の需要が増加する」という関係性をモデルに学習させました。さらに、地域のイベント情報も変数として加えることで、需要の変動を捉えられるようになりました。
このように、「何が需要を動かしているのか」を特定し、そのデータを外部から調達することが、精度向上の第一歩です。
AIが学習しやすいデータの定義
次に、データの質そのものを高める技術的要件について解説します。以下は、確認すべき項目です。
1. 欠品期間の補正
前述した通り、「売上実績」と「真の需要」は異なります。在庫切れで売る機会を逃した期間のデータは、AIにとってノイズになります。統計的な手法を用いて、「もし在庫があったらこれくらい売れていただろう」という数値を推計し、実績データを補正して学習させる必要があります。
2. 特異値の処理とフラグ付け
過去に一度だけ大量の注文が入った事例や、システム障害で出荷が止まった日などの異常値をそのまま学習させると、予測が歪みます。これらを除外するか、あるいは「特売日フラグ」「自然災害フラグ」といった説明変数を付与して、AIに特別な事情があったことを認識させる必要があります。
3. 商品マスタの整備とSKU統合
新商品への切り替えがあった場合、旧商品と新商品を別のモノとして扱うと、新商品の過去データが存在しないため予測ができません。旧商品の販売実績を新商品に引き継ぐ処理が不可欠です。JANコードが変わっても、需要の文脈をつなげることが重要です。
データ整備は重要な作業ですが、ここを疎かにして高価なAIツールを入れても、期待する効果は得られない可能性があります。まずは自社のデータがAIに活用できる状態にあるか確認することをお勧めします。
実践①：SKU特性に応じた「予測モデルの使い分け」
「すべての商品に最新のディープラーニングを適用したい」という要望が現場から挙がることがありますが、コスト対効果の面でお勧めできません。商品はその特性によって、予測しやすいものとそうでないものが分かれるからです。
ロングテール商品と定番商品でアルゴリズムを変える
在庫管理では、売上の大部分を作る一部の商品と、たまにしか売れない商品が存在します。これらに同じ予測モデルを適用するのは非効率です。
定番商品（高回転）
毎日コンスタントに売れる商品はデータ量が豊富であり、時系列のパターン（季節性やトレンド）が明確です。こうした商品には、時系列分析モデルやディープラーニングが有効です。精度の高い予測に基づき、在庫を絞る管理が可能です。ロングテール商品（低回転・間欠需要）
一方、月に数個しか売れない商品は、データが少ないため、時系列予測が機能しません。無理に予測しようとすると意味のない数字が出ることがあります。こうした商品には、間欠需要向けのモデルや、需要が発生する確率を予測するアプローチが適しています。
「予測困難」な商品を事前に特定する
さらに重要なのは、「そもそも予測すべきではない商品」を見極めることです。需要のバラつきを分析すると、どうしても予測精度が出ない商品群が見つかります。
例えば、流行の変化が激しい商品や、特定の顧客専用の特注品などです。これらに対してAI予測に固執するのは効率的ではありません。予測が困難な商品については、以下のような別の戦略をとるべきです。
- 戦略的在庫積み増し: 欠品が許容できないなら、予測を諦めて安全在庫を厚く持つ。
- 受注生産への切り替え: 在庫リスクを取らず、注文を受けてから手配する。
- 定数発注: 減ったら補充するシンプルな方式にする。
「AIですべて解決する」のではなく、「AIが得意な領域」と「人間がルールを決める領域」を区分けすることが重要です。
実践②：AIと人間が協調する「Human-in-the-loop」運用
これまで述べてきた通り、AIは強力なツールですが完全無欠ではありません。2026年現在においても、AIの需要予測だけで在庫切れを完全に「ゼロ」にすることは不可能です。しかし、悲観する必要は全くありません。在庫管理に成功している多くの企業は、「Human-in-the-loop（ヒューマン・イン・ザ・ループ）」と呼ばれる人間とAIの協調運用を実践することで、廃棄ロスを約30%、欠品を約65%低減するといった大きな成果を上げています。AIの計算能力と人間の文脈理解力を掛け合わせることが、現代のサプライチェーン管理における最強のソリューションとなっているのです。
AIと人間の協調運用を現場に定着させるためには、最初からすべての判断を自動化する大規模なシステムを構築するのではなく、小さく始めて成果を可視化し、段階的にスケールアップするアプローチが推奨されます。ProphetやAmazon Forecastといったモデル、あるいはZAICOのようなAI在庫予測ツールを活用し、人間が介在しやすい規模からスモールスタートを切る手法です。これにより、AIの予測値に対して人間が適切にフィードバックを与えるプロセスの有効性や、欠品防止と余剰在庫削減のROI（投資対効果）を早期に検証し、現場の納得感を得ながら協調運用の適用範囲を広げていくことが可能になります。
AIの予測値を人間が補正すべきタイミング
運用開始直後からすべての発注や在庫調整をAIに任せるのはリスクが伴います。まずはAIが算出した予測値を「参考値（ドラフト）」として扱い、人間が定性情報を加味して「確定値」を作る半自動化のフローからスタートするのが定石です。AIは過去のパターンを見出すことには長けていますが、未来の文脈を読み取ることはできません。特に以下のケースでは、人間の戦略的な介入が不可欠となります。
- 販促・マーケティング情報の注入: 「来週、急遽テレビCMの枠が取れた」「インフルエンサーによる紹介が決定した」といった未来の突発的なイベント情報は、過去の販売実績には存在しません。最新のAIエージェントはSNSのトレンドを統合する機能を備えつつありますが、最終的なマーケティング部門からの確度高い情報をサプライチェーン担当者が入力し、予測値を上方修正するプロセスは依然として重要です。人間の持つネットワークや社内コミュニケーションから得られる情報が、AIの死角を補います。
- 外部要因と例外処理の判断: AIが過去の傾向から日常的な予測を行う一方で、「近隣での大規模な交通規制」や「港湾ストライキの予兆」、「急な社会情勢の変化」といったイレギュラーな事態には人間の介入が求められます。現在では、スマートフォンからAI経由でリアルタイムに在庫情報を登録・更新できる仕組みや、基幹システムとの連携自動化により、現場での迅速な軌道修正が容易な状態です。人間がいち早く異常を察知し、システムに反映させることで被害を最小限に食い止めます。
- 政策的判断: 「決算対策で一時的に在庫を圧縮したい」「新商品を市場に浸透させるために、あえて在庫を過剰に持つ」といった経営的な意思決定は、数理的な最適解とは異なる場合があります。これをAIのパラメーターに反映させるのは、ビジネスの文脈を熟知した人間の重要な役割です。AIの提示する「効率」と、企業が目指す「戦略」のバランスを取るのが人間の仕事となります。
熟練者の情報をデータ化してAIにフィードバックする
この運用の鍵となるのは、人間が行った「補正」や「判断」をデータとして蓄積し、AIを進化させる月次のPDCAサイクルです。現場のドメイン知識をAIに継続的に注入することで、熟練者の暗黙知をデータに裏付けられた判断基準へと昇華させ、システム全体の精度を底上げします。
MAPE評価を用いた月次PDCAの確立:
単に数値を書き換えるだけでなく、MAPE（平均絶対パーセント誤差）などの指標を用いて予測精度を毎月評価します。誤差が大きかった品目について「なぜ予測が外れたのか（例：突発的なイベント、競合の値下げ、天候の急変など）」を人間の目で原因分析し、新たな変数の追加やモデルのチューニングを行って再度検証するサイクルを回します。ABCランクに基づく優先順位付けと多品種対応:
すべての商品に対して同じ労力をかけるのは非効率です。売上貢献度や重要度に基づくABC分析を活用し、Aランクの重要品目には人間のきめ細やかな監視とチューニングを優先的に割り当てます。これにより、多品種を扱う現場でもリソースを最適化しながら、人間とAIの協調による品質管理を行えます。ルーチン業務の自動化と人間の役割シフト:
発注状況の共有や在庫レベルのチェックといった定型業務は、システム連携により自動化し、人手による入力ミスや不整合をゼロに近づけるのが現在のトレンドです。人間は個別の発注計算から解放され、「AIが苦手とする例外対応」や「ビジネス目標との整合性確認」といった高付加価値な業務に特化します。
AIに対抗するのではなく、AIを「優秀なパートナー」として扱い、そのアウトプットを人間が監督・指導し共に成長していく。この継続的な関係性こそが、持続可能な高精度予測を実現するHuman-in-the-loopの本質だと言えます。
成果の証明：在庫回転率と欠品率の改善インパクト
最後に、こうした「データ品質管理」と「Human-in-the-loop」運用を実践した企業が、どのような成果を得ているのかについて解説します。
導入後のKPI変化
日用雑貨業界の導入事例では、Excelによる予測から、AIと人間が協調する運用へ切り替えました。導入から6ヶ月後、定量的な効果として以下のような改善が見られました。
- 在庫回転率の向上: 過剰な安全在庫を持っていた定番商品について、予測精度向上により在庫を圧縮しました。
- 欠品率の低下: 担当者の経験に頼っていた商品の発注漏れが、AIのアラート機能によって減少しました。
- 発注業務工数の削減: 安定して予測できる商品はAIの推奨値をそのまま自動発注する運用に変更しました。担当者は、判断が必要な商品や、企画業務に集中できるようになりました。
機会損失の削減とキャッシュフロー改善の相関
在庫最適化の価値は、コスト削減だけではありません。在庫資産の圧縮は、キャッシュフローを改善します。
マッキンゼー・アンド・カンパニーのレポート（Smart supply chain management: The new competitive edge）によれば、AIを活用したサプライチェーン管理の導入により、在庫レベルを削減できる可能性があるとされています。
在庫を適切に管理することは、現金を効率よく活用することを意味し、収益性の向上に繋がります。また、欠品を防ぐことは、顧客からの信頼獲得につながり、長期的にはブランド価値を高めることにもなります。
AI需要予測プロジェクトは、単なる在庫管理にとどまらず、TMS（輸配送管理システム）と連携した配送最適化やルート最適化にも波及する、サプライチェーン全体の効率化に向けた重要な基盤となります。
まとめ
AIによる需要予測と在庫最適化は、データ整備と現場の知恵を組み合わせることが重要です。
- AIの限界を知る: 過去データにないことは予測できないと考える。
- データを整備する: 欠品補正や外部要因データの活用が重要。
- 使い分ける: 全商品一律ではなく、特性に応じたモデル適用と戦略を持つ。
- 協調する: 人間の情報をAIに加え、その修正履歴すらも学習させる。
これらを実践することで、AIは現場にとって活用できるツールとなります。
コメント