Amazon倉庫AIを日本の現場に訳す：12年で100万台の実態

深夜1時すぎ、出荷残の一覧を閉じてから「amazon 倉庫 ai」と打ち込む。

その気持ち、よくわかります。でも検索結果の上位記事の大半は「Amazonはロボットを100万台使っています」で終わる。明日の現場で何も変わらない。

だから今夜はもう少し掘ります。

Amazonが倉庫AIで本当に解いた問題は「人手不足」じゃないんです。「判断のミス」でした。どの商品をどこの拠点に何個置くか、どのロボットがどのルートを走れば全体効率が上がるか——その「意思決定」を秒単位で自動化し続ける仕組み。それがAmazon倉庫AIの正体です。

この記事では、Amazonが実際に使っている3つのAIシステムを噛み砕き、日本の中規模倉庫がどう参照すべきか、今日の一手まで一緒に考えます。

---

Amazonは「人を置き換えた」のではなく、「判断ミスを消した」だった

2013年、Amazonの倉庫に存在したロボットは約1,000台でした。それが2025年には100万台を超えています。参考

{CHART|bar|Amazonの倉庫ロボット台数推移|2013年,2025年|1000,1000000|台|https://aigentlab.tech/articles/logistics-ai-agent-delivery-optimization-cases-2026/|AIGentLab}

出典: AIGentLabのデータより匠座作成

この数字を「さすが巨大企業の投資規模」で終わらせると、本質を見誤ります。

Amazonが追いかけてきたのは「ロボットが人の代わりに動く」という単純な置き換えではありません。「次の1時間に何が来るかを予測し、今いる人とロボットを最適に動かし続ける」という動的な意思決定の自動化です。

その中核がSCOT（サプライチェーン最適化テクノロジー）。ディープラーニングを使って1日単位の商品需要を予測し、世界中の各拠点に最適な商品を最適数量で事前配置します。参考 「売れてから補充する」ではなく、「売れる前に正しい場所に置いておく」——在庫欠品と過剰在庫を同時に解消するアプローチです。

日本の倉庫環境を見ると、この方向性がなぜ今重要かが見えてきます。BtoC-ECの物販市場は2024年度に15兆2,194億円（EC化率9.78%）に達し、参考 需要の多様化と小口化が同時進行中です。注文の種類は増え、1注文あたりの量は減り、配達期待は早まる。人手だけで対応するのは、もう構造的に限界に来ているんですよね。

加えて、日本の物流労働力不足は2030年までに約240万人と予測されています。参考 「もう少ししたら採用で解決できる」という時代は、終わっています。

---

Amazon AI三銃士：SCOT・DeepFleet・Blue Jayが現場でやっていること

Amazonの倉庫AIには、役割が明確に異なる3つの主軸システムがあります。これを混同すると「自社に何が必要か」の判断がぶれる。整理しておきます。

3つのうち、日本の中規模倉庫にとって最も参照価値が高いのはSCOTの考え方です。

DeepFleetは「倉庫内に大量のロボットが同時に走り回る環境」での経路衝突回避と動的最適化が本質。ロボットが数十台以下の環境では、そもそも最適化すべき経路の複雑さが違う。Blue Jayは複数アームによる高精度ピッキングロボットで、導入コストと設置スペースの要件が中規模倉庫には重い。

一方でSCOTが体現する「需要予測→在庫事前配置」の発想は、取り扱いSKU数や拠点規模に関係なく適用できます。アルゴリズムの規模は違っても、「売れる前に正しい場所に置いておく」という原理は、数百SKUの倉庫でも同じ効果を生みます。

先日、アスクルがギークプラス（Geekplus）のAMR（自律移動ロボット）を444台導入した事例を読んでいて唸ったんですよ。参考 印象的なのは台数だけじゃなく「設計思想の転換」の方です。「人が商品のところに歩く」のではなく「ロボットが商品を人のところに運んでくる」——これはAmazonが2012年のKiva買収で始めたGoods-to-Personのパラダイムで、アスクルがそれを日本の物流センターで実装した形です。Amazonが先駆けた考え方が、10年後に日本の標準になっていく速度には、毎回驚かされます。

---

「受注後に考える倉庫」と「受注前に準備が終わる倉庫」

AI導入前後の違いを、具体的な時間軸で見てみます。架空の数字は使いません。現場でよく見るパターンとして読んでください。

Aさんの1日（AI導入前）

• 午前6時：出勤後まず在庫確認。複数SKUで欠品を発見する
• 午前7時：緊急発注の電話対応。「今日中に入りますか？」を繰り返す
• 午前9時：本来の出荷作業に入れないまま問い合わせが続く
• 午後4時：ピッキングミス発覚。ピッキングリストを手で修正して再発送指示
• 午後8時：当日分の確認完了。残業2時間超

Bさんの1日（AI導入後）

• 午前6時：前日夜にAIが需要予測→在庫補充指示を自動生成済み
• 午前7時：高回転SKUのピッキングエリアが自動整理済み
• 午前8時：出荷作業を予定通り開始できる
• 午後3時：当日分の出荷完了。翌日の配送ルートをAIが最適化中
• 午後5時：定時退社

差が生まれるのは「考える順番」です。AI導入前は「売れた→足りない→対応する」の後追い。AI導入後は「売れる前→準備する→当日を回す」の先回り。同じ人数・同じ設備でも、この順番が変わるだけで1日の動き方が全く変わります。

数字で言えば、ヤマト運輸がGoogle Route Optimization API＋AGLOPを導入して、配送生産性最大20%向上・CO₂排出量最大25%削減の見込みを発表しています。参考 佐川急便はAI-OCRの導入で月8,400時間の作業を削減し、伝票処理を全面デジタル化しました。参考 「AI導入後の世界」は、もう仮定形じゃないんですよね。

---

日本の倉庫がAmazonを参考にするとき、最初に捨てるべき前提がある

ここが他の記事には書いていない話をします。

Amazonを参考にして詰まる人の多くが、「Amazonのように導入する」と考えてしまう。正しい参照の仕方は「Amazonが解いた問題と同じ問題を、自分のスケールで解く」です。

Amazonが持っているもの

• 数百億ドルの研究開発予算
• 数千人のMLエンジニア
• 何億件ものトランザクションデータ

中規模倉庫が持っているもの

• 過去2〜3年のWMSの出荷データ
• 数百〜数千SKU
• 数人〜数十人のスタッフ

この差を「だから無理」と読むのが間違いで、「Amazonのアルゴリズムを実装済みのベンダー製品を使う」が正解なんです。SCOTが体現する需要予測の論理は、今や多くのWMS（倉庫管理システム）やSCMクラウドサービスに組み込まれています。Amazonが10年かけて構築したモデルと全く同じではなくても、「過去の売上パターン＋季節指数で需要を予測し在庫配置量を提案する」機能は、今の市場に存在します。

もう一点、タイミングの話をします。2026年4月に改正物流効率化法の第二段階が施行され、特定事業者に中長期計画の作成・提出と定期報告が義務化されました。参考 「計画書を作る」という作業は、需要予測AIと相性がいい。過去データに基づく予測値が、計画の定量的な根拠になるからです。法対応を入口にして需要予測AIの導入を進める——この順序が、今最もスムーズだと思っています。

ここで少し僕自身の話をします。匠座のAIパイプライン（毎朝の記事自動生成と品質ゲート運用）を整備していたとき、需要予測系のプロンプトを最初に試作した段階では「AIで需要を予測できます」という一般論しか出てこなかった経験があります。「SKU別×拠点別×週次」という粒度を指定して初めて、実務に使える出力になった。AIは「問いかけの粒度」がそのまま「出力の粒度」になる。これは倉庫AIを導入するときも同じで、「どの業務のどの判断をAIに渡すか」を先に決めないと、ツールを買った後で迷子になります。

{CHART|bar|ドライバー有効求人倍率の比較（2026年）|ドライバー,全職業平均|2.64,1.20|倍|https://aigentlab.tech/articles/logistics-ai-agent-delivery-optimization-cases-2026/|AIGentLab}

出典: AIGentLabのデータより匠座作成

ドライバーの有効求人倍率は2.64倍、全職業平均1.20倍の2倍以上。参考 ドライバーの約45%が40〜50代前半に偏っており、今後10年での大量退職は不可避です。こうした現実を前提にすると、「人がいないとき、AIに何をやらせるか」を今から設計しておくことが、経営上の必須課題になってきます。そのモデルケースとしてAmazonを見るとき、「100万台」より「どの判断をAIに渡しているか」の方が、自社への示唆が大きいはずです。

---

以下に、今日から使えるプロンプトを2つ用意します。

プロンプト①：需要予測AI導入の優先度診断

あなたは物流コンサルタントです。
以下の情報をもとに、需要予測AIの導入優先度が高い業務を3つ特定してください。

【自社情報】
- 倉庫の取り扱いSKU数：[例：2,000SKU]
- 現在のWMS：[例：自社開発 / クラウドWMS名]
- 出荷データの保有期間：[例：3年分]
- 現在の在庫課題：[例：季節品の過剰在庫が多い / 欠品が月平均X件]
- 倉庫スタッフ数：[例：20人]

優先度の根拠と、最初の3ヶ月でできる最小構成も示してください。

使いどころ：WMS刷新・倉庫移転・物流子会社設立など「ゼロから設計する」タイミングで。

出力を検証する観点：「優先度1位の業務」が毎日実際に発生するか、またデータが既に手元に揃っているかを確認する。

---

プロンプト②：Amazon SCOT相当機能の要件整理

あなたは倉庫管理システムの仕様設計者です。
AmazonのSCOT（サプライチェーン最適化テクノロジー）が実現している
「需要予測→在庫事前配置」の機能を参考に、
以下の倉庫環境に必要な最小要件を整理してください。

【倉庫環境】
- 拠点数：[例：1拠点]
- 主要取引先：[例：EC3社＋卸5社]
- ピーク時の1日出荷量：[例：3,000件]
- 現在の欠品・過剰在庫の主な原因：[例：セール予測ができていない]

機能要件・データ要件・ベンダー選定の観点を、それぞれ分けて出力してください。

使いどころ：ベンダー比較・RFP（提案依頼書）作成の前段で、要件を言語化するとき。

出力を検証する観点：「データ要件」の中で現在揃っていないものを特定し、先にデータ整備計画を立てる。

---

よくある質問に先に答えます

Q1. Amazon並みの投資がないと意味ないのでは？

A. そんなことはないです。Amazonのシステムは「ゼロから研究開発した」から数十年・数百億ドルかかった。今は、その成果をクラウドサービスとして利用できる時代です。月額数万円〜数十万円で需要予測機能を持つWMSを使える。スケールは違っても「売れる前に在庫を置いておく」という効果は同様に得られます。

Q2. うちはEC専業じゃないし、規模も小さい。対象外では？

A. EC以外の業種でも、ピーク・オフピークの需要変動がある倉庫なら、AI需要予測のROIは出やすいです。問題は規模ではなく、「予測可能な変動パターンがあるか」。季節品や特定曜日に出荷が集中する業種ほど、効果が出やすい。

Q3. データが揃っていないと使えない？

A. 過去1〜2年の出荷データがあれば、多くのクラウド系ツールは動きます。「データが揃ってから」と待ち続けると、データを揃えるための設計も後回しになる。最小構成で動かしながら、足りないデータを後から埋めるアプローチの方が実際は早いです。

Q4. 社内にエンジニアがいないと無理？

A. 今のクラウドWMSや需要予測SaaSは、エンジニアなしで設定・運用できるものが増えています。難しいのは「技術の習得」より「業務要件の言語化」です。「どの商品の、どの拠点の、何の精度の予測が必要か」を整理できれば、技術的な実装はベンダーに任せられます。

Q5. 出荷データをクラウドに上げてセキュリティは大丈夫？

A. 正当な懸念です。ベンダー選定時には「データ保管場所（国内サーバーか）」「第三者利用の有無」「ISMS認証の有無」を必ず確認してください。荷主情報・出荷先情報が含まれる場合は、荷主との契約でクラウド利用の可否を事前に確認することも必要です。

---

正直な限界：このアプローチが刺さらない会社もある

万能を売るのは僕のスタイルじゃないので、率直に言います。

向いていないケース

• SKUが10点未満の超特化型倉庫：予測モデルを回すより、熟練者の直感と経験の方が精度が高い
• 出荷データが1年未満：季節変動を学習できないため、予測精度が安定しない
• 既存WMSの刷新が凍結されている：需要予測AIはデータ連携が前提。WMSと繋がらない場合、効果が半減する
• 現場のデジタル化が紙ベース：AI以前にデータが存在しない。まずデジタル化が先です

よくある失敗パターン

「AIツールを買ったが、誰も使わない」——これが一番多い。原因は「現場が何を解決したいかを決める前にツールを選んだ」から。ツール選定より先に、「今月の最大の現場の痛みは何か」を言語化することが重要です。

「予測精度が低い」という声も多いですが、多くの場合はデータの粒度の問題です。「全商品の需要予測」より「上位30%のSKUの需要予測」から始めた方が精度も上がり、現場の納得感も得やすい。

逆に向いている会社の特徴

「予測可能な波が来ている」「WMSの出荷データが2年以上ある」「現場にデジタルに抵抗のないリーダーが1人いる」——この3条件が揃えば、費用対効果は出やすい。Amazonを「手本」と見なくても、「先行事例から学ぶ」視点で参照すれば、自社の現場に合った最初の一手が見えてきます。

---

まとめ：Amazon倉庫AIから持ち帰る3つの視点

---

ここまで読んで「自社だけでやるには手が足りない」と感じた方は、『AI鬼管理｜Claude Code業務自動化トレーニング』（Claude Codeで日々の業務を自動化する実践トレーニング（無料の業務効率化診断あり））のような外部サービスという選択肢もあります。急ぎでなければ、まずは無料のチェックリストで足元を固めるのがおすすめです。

AI鬼管理｜Claude Code業務自動化トレーニング ↗

今日やること：今日の30分で始める3ステップ

ステップ1（10分）：先月の欠品SKUとその回数を書き出す

WMSのレポートか、担当者への口頭確認でいいです。「SKU名・欠品発生日・発見時の在庫数」の3列を作るだけでいい。これが需要予測AIへのインプットデータの源泉になります。「データがない」と言う前に、まず手元にあるものを確認するところから始めてみてください。

ステップ2（10分）：プロンプト①を動かしてみる

上記のプロンプト①に自社データを入れ、ChatGPTかClaudeに貼り付けてください。「AIが何を出すか」より「答えを出すための情報が自分の手元に揃っているか」を確認する目的で使うと有益です。情報が揃っていないことに気づくこと自体が、最初の成果になります。

ステップ3（10分）：改正物流効率化法の自社該当可否を確認する

2026年4月施行の改正物流効率化法が自社に適用されるか確認し、対象なら中長期計画の作成に需要予測データを盛り込む準備を始めてください。参考 法対応と現場改善を同時に進められる、今がベストタイミングだと思っています。

Amazonを「遠い話」で終わらせないコツは、「Amazonが解いた問題のどれが自分の現場にある？」という問いに変換することです。100万台のロボットは要らない。でも「売れる前に在庫を置いておく」という思想は、今日から始められます。

---

編集長メモ：ヘリックス（執筆者について）

この記事の使い方：SCOT・DeepFleet・Blue Jayの名前より「先回り型の意思決定」という概念を持ち帰ってください。ツール選定より前に、自社の「最大の判断ミス」を1つ特定することが最初の一手です。

▶ あわせて読みたい：倉庫 ai 活用 物流の実務ガイド（2026-09）

▶ あわせて読みたい：物流 ai エージェント 物流の実務ガイド（2026-08）