検品作業の自動化は50万円から？物流の実務者が先に決めること

夜の検品台です。ベテランの手が、箱を一つ脇によけます。

「これ、ダメですか？」と新人が聞くと、返ってくるのは「見ればわかるよ」。

新人は見ても、わかりません。

その箱は、テープの浮き方が基準を超えていたのかもしれません。角のつぶれかもしれません。その人の長年の勘かもしれません。理由は、本人の頭の中にしかないんですよね。

こういう現場を前にして「検品を自動化したい」と検索しているなら、悩みの根っこはツール選びではないと思っています。それ、あなたのせいじゃありません。 基準が人の頭の中にある現場では、誰がやっても同じ迷いが起きます。

「AIカメラを入れれば全部解決」という通説も、一段疑ってみてください。AIが学ぶのは、あなたの現場の「合格」と「不合格」の線です。その線が曖昧なままなら、AIも曖昧になります。

この記事で持ち帰れるものは3つです。

• 検品自動化の実在事例と費用目安（出典付き）
• 熟練者の目を「画像と言葉」で残すコピペ用プロンプト
• 今日30分でできる3ステップ

検品が自動化できない本当の理由は、基準が言葉になっていないこと

食品製造の分野では、従来の自動化を阻んだのは「形状や色の個体差」と「基準の不明確さ」だったとされています。AIが微妙な違いを捉えることで、目視と同等以上の精度で不良品を検出できるようになった、という流れです（参考）。

ここで大事なのは「基準の不明確さ」が先に書かれていることです。

AIの画像認識は、教師あり学習が一般的です。良品・不良品といった正解ラベル付きの画像を大量に学ばせる方法ですね（参考）。「正解ラベル」は、誰かが「これはOK、これはNG」と決めて初めて付きます。

つまり検品の自動化は、機械を買う前に判定を言葉にする仕事から始まるんですよね。

先日、鶴弥の事例を読んでいて唸ったんですよ。阿久比工場の一部ラインに瓦のAI検品システムを入れた話です。4台のカメラで瓦を全方位から撮り、AIが傷や変形などの不適合品を判別します。

僕が唸ったのは、その先です。既存の変形検知装置と連携して、不適合品が自動的に排除されるところまで繋がっています。他の生産ラインにも順次導入する予定だそうです（参考）。

判定して終わりではなく、「見つけた後の動き」まで既存の設備に繋げる。物流の現場に置き換えるなら、NG判定の箱が自動で保留棚や再検品レーンに流れる、というイメージです。AIの精度の話ばかりしていると、この「出口の設計」が抜けがちなんですよね。

Aさんの1日とBさんの1日：数字で見る導入前後

ここで、導入前後の一日を並べてみます。

元にしたのは、金属加工部品メーカーの匿名事例です。検査員2名が1日600個を目視検品していた工程をAI画像認識に置き換えたところ、1時間あたりの処理数が4倍になり、見逃し率は8%から0.3%に下がったそうです（参考）。

この数字だけを借りて、物流の検品台に置き換えた想定の情景を描きます。実在の人物ではありません。

Aさん（導入前）の一日

• 8:30　検品台に着く。今日も2人で600個を目視で見る日。
• 11:00　目が疲れてくる。「さっきのは通したかな」と不安がよぎる。
• 15:00　集中が切れやすい時間帯。見逃し率は8%。100個見れば、8個は不良を通してしまう計算。
• 18:00　クレーム連絡。原因の箱は、午後に自分が見たものかもしれない。

Bさん（導入後）の一日

• 8:30　カメラの前に流し始める。1時間あたりの処理数は以前の4倍。
• 11:00　人が見るのは、AIが「判断に迷う」と出した分と、定期チェック用のサンプル。
• 15:00　見逃し率は0.3%。午後も判定のブレが小さい。
• 18:00　空いた時間で、NG画像を見ながら「この傷はどこまで許容か」を整理する。

Bさんの一日で大事なのは、人が「いなくなる」のではなく、判断の難しいところに移ることです。

別の食品加工会社の匿名事例では、勤続30年の検品担当者の退職前3か月に、約2万枚の合否画像を蓄積して判定基準をAIに学習させました。検査要員は3名から1名になったそうです（参考）。

人が減った話として読むこともできます。でも僕は、ベテランの頭の中にあった基準が画像という形で残った話として読みました。

50万円から始められる、でも相場は現場で変わる

次は費用の話です。FURUSATOの記事は、AI画像認識で目視工数を平均60〜80%削減でき、初期費用50万円〜・3〜6か月で立ち上がる事例が増えていると述べています。5年前は最低500万円だった画像認識システムが、クラウド+iPadベースで50〜150万円から始められるようになったそうです（参考）。

同記事の業種別目安は次のとおりです。

{CHART|bar|業種別：削減効果の目安（FURUSATO記載）|製造業(検査工数),建設業(点検時間),物流業(棚卸時間),サービス業(人件費)|70,50,80,30|%削減|https://furusato.co-nect.co.jp/2026/05/28/ai-image-recognition-business/|FURUSATO}

出典: FURUSATOのデータより匠座作成

ただし、この表は一社の記述による目安です。鵜呑みにはしないでください。

別の解説では、削減できる工数や費用は対象製品、ライン速度、必要精度、再検査の運用で変わるので、まずPoC（実際の製品画像で精度を検証する試験導入）で費用対効果を見極めるべきだとされています（参考）。僕もこの順番が正しいと思っています。

物流寄りの数字も一つあります。食品卸C社（匿名）の月末棚卸は、所定2日間（延べ40人時）かかっていたところ、撮影のみの3時間（3人時）になりました。在庫差異は3%から0.5%以下に下がったそうです（参考）。

この事例は、入荷検品そのものではなく棚卸の話です。あなたの現場で最初に狙うなら、検品台より棚卸の方が撮影だけで済む分、始めやすいかもしれません。これは僕の推測なので、現場の事情で判断してください。

熟練者の目を画像と言葉で残す：コピペで動く3つのプロンプト

導入手順は、①解決すべき課題の明確化 ②PoC ③既存システム（生産管理・倉庫管理など）との連携設計 ④1ラインや特定製品群からのスモールスタート、の順が現実的とされています（参考）。

この①と②を、生成AIで下ごしらえするプロンプトを3つ置いておきます。

プロンプト1：ベテランの判断を聞き出す質問票を作る

あなたは物流現場の品質管理に詳しいインタビュアーです。
[ベテラン検品担当者の名前や役職]に、検品の判断基準を聞き出すための質問票を作ってください。

対象の検品: [例：入荷検品／出荷前の外装チェック]
対象の商品・荷姿: [例：段ボール入りの食品、パレット積み]
不良の例として分かっているもの: [例：角つぶれ、テープ浮き、ラベルのズレ]

条件:
- 「なぜNGと判断するか」を必ず聞く質問にする
- 「ギリギリOK」と「ギリギリNG」の境目を聞く質問を5つ以上入れる
- 写真を撮りながら答えてもらえる順番に並べる
- 全体で15問以内

使いどころ： ベテランに30分もらえる日の前日に、質問を準備するとき。

出力を検証する観点： 「境目」を聞く質問が入っているか。ベテランが答えられない専門外の質問が混ざっていないか。

プロンプト2：合否画像の「NG理由」を整理する

以下は、検品でNGと判断した[商品名]の写真に付けたメモの一覧です。
内容を整理し、判定基準の下書きを作ってください。

メモ一覧:
[ここに「写真番号：NG理由」を貼る]

出力形式:
1. NG理由を分類した一覧（分類名／該当する写真番号／共通する特徴）
2. 分類ごとに「どこから先がNGか」の言い方の案
3. メモだけでは基準が決められない項目（ベテランへの追加確認が必要なもの）

使いどころ： 写真が数十枚たまったとき、基準書の叩き台を作る場面。

出力を検証する観点： 「追加確認が必要な項目」が空になっていないか。AIが写真にない特徴を勝手に足していないか。

プロンプト3：PoCの合格ラインを決める

物流現場の検品にAI画像認識を試験導入します。PoCの評価計画を作ってください。

現在の検品方法: [例：2名が目視、1日[個数]個]
現在わかっている不良の見逃し・誤検出の状況: [例：月[件数]件のクレーム／不明]
PoCで使える期間: [例：[期間]]
使える画像の枚数: [例：良品[枚数]枚、不良品[枚数]枚]

出力してほしいもの:
- 見逃し率と、良品をNGと誤判定する率の測り方
- 現在の目視の数値を先に測る手順
- 合格ラインの決め方（数値は私が決めるので、決め方の観点だけ）
- 照明やカメラ位置が変わったときに再確認する項目

使いどころ： ベンダーに見積もりを頼む前に、自社の物差しを作るとき。

出力を検証する観点： 目視の現状値を測る手順が先頭に来ているか。合格ラインの数値をAIが勝手に決めていないか。

プロンプト3の「現在の目視の数値を先に測る」は、地味ですが外せません。比較する物差しがないと、導入後に「良くなったのか」を誰も言えなくなるんですよね。

正直な限界・つまずきどころ

万能な話ではないので、うまくいかないケースも書いておきます。

① 条件が変わると精度が落ちます。

照明、カメラ位置、製品状態、データ分布が変わると、判定性能は変動します。運用開始後も定期的な精度確認と調整が必要です（参考）。倉庫は季節や時間帯で光が変わりますから、ここは要注意です。

② 良品・不良品の画像が集まらない現場は厳しいです。

不良が極端に少ない商品は、NG画像がなかなか貯まりません。教師あり学習は正解ラベル付きの画像を大量に必要とするためです（参考）。その場合は撮影方法の工夫や、最初に絞る対象の見直しが要ります。

③ 荷姿や商品の種類が多すぎる現場。

掲載した事例の中心は、製造ラインの外観検査です。品目が日々入れ替わる物流センターでそのまま通用するかは、僕の手元の情報では断定できません。「1ラインや特定製品群からのスモールスタート」が勧められているのは、このためだと理解しています。

④ 自動化の判定を、誰も見なくなる。

ここは僕自身の話を一段落だけ挟みます。

匠座では毎朝の記事生成に品質ゲートを置いています。それでも、公開済みの記事一覧を見返すと、タイトルに英語が混ざって途中で切れたものが残っています（本稿の冒頭にある既存記事の一覧にもあります）。ゲートを通って残っている以上、僕の運用の穴だと受け止めています。細かい原因はここでは断定しません。

学んだのは、「通った」は「正しい」ではないということです。検品AIも同じで、合格率だけ見て安心していると、基準の外側にある不具合を見落とします。定期的に人が抜き取りで見る運用は、最初から組み込んでください。

⑤ 向かない会社。

基準をベテランに聞く時間も取れない、撮影のための場所も確保できない、という状態なら、AIの前にやることがあります。それは、基準書と撮影の置き場所を決める仕事です。

深夜の不安に先に答えます

Q. いくらから始められますか？

FURUSATOの記述では、クラウド+iPadベースで50〜150万円から、初期費用50万円〜の事例が増えているとされています。物流業の目安は60〜180万円です（参考）。ただし対象やライン速度で変わるので、見積もりはPoCの結果を見てからにしてください。

Q. どのくらいで動きますか？

同記事では3〜6か月で立ち上がる事例が増えているとされます。あなたの現場で何か月かかるかは、条件次第なので「要確認」です。

Q. AIの専門スキルが必要ですか？

必要なのは、AIの知識よりも「どれがOKでどれがNGか」を説明できる現場の人です。導入ベンダーの技術は借りられますが、基準だけは借りられません。

Q. 画像データのセキュリティはどう考えれば？

一次情報シートに具体的な基準がないため、数字は出しません。判断の観点だけ挙げます。①画像に人の顔や取引先名が写り込まないか ②クラウドに送るか、社内で処理するか ③契約終了時に画像を消してもらえるか。この3点を、契約前にベンダーへ書面で確認してください。

ここまでの流れを、一枚の表にまとめます。時間の目安は、僕が考えた現実的な目安です。

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：30分で、最初の一歩を

今日の30分は、AIを調べる時間ではなく基準を言葉にし始める時間に使ってください。

ステップ1（10分）：課題を一つに絞る。

「入荷検品の外装不良」「出荷前のラベル確認」「月末棚卸」など、一つだけ選んでメモに書いてください。棚卸なら、撮影だけで済む事例があります。

ステップ2（10分）：NGの箱を3つ撮る。

最近はじいた箱や、クレームになった荷物の写真を3枚撮って、「なぜNGか」を一言ずつ添えます。プロンプト2に貼れば、基準書の叩き台の最初の材料になります。

ステップ3（10分）：ベテランに30分の約束を取る。

プロンプト1で質問票を作り、「今度30分だけ、判断の理由を聞かせてください」と声をかけてください。退職前3か月で約2万枚の画像を蓄積した事例のように、時間が限られている人ほど、早めに声をかける価値があります。

AIを選ぶのは、その後で十分間に合います。

編集長メモ：ヘリックス（執筆者について）

事例の多くは製造ラインのもので、物流の入荷検品にそのまま当てはまるとは言い切れません。数字は目安として読み、まず自分の現場の基準を言葉にする一歩に使ってください。ツール比較は、その後で十分です。

▶ あわせて読みたい：検品の自動化、どこから始める？深夜に読む現場向け5ステップ手順

▶ あわせて読みたい：三井倉庫の生成AI出荷検品アプリが現場を変える