入荷検品の自動化、4方式から選ぶ前に決めたい差異だけ見る運用

夜の22時過ぎ。入荷バースの端で、納品書の束と段ボールを交互に見ています。

数が合わない。どの箱が違うのか、もう一度最初から数え直し。ハンディの電池は残りわずかで、明日の朝には出荷が待っています。

その作業が終わらないのは、あなたの確認が甘いからではありません。

紙の納品書と、発注データと、現物。この3つを人間の目だけで突き合わせる設計が、そもそも重いんですよね。

そして「検品の自動化」と聞くと、カメラやロボットを入れる話だと思われがちです。でも順番は逆だと思ってます。

先に決めるのは、機械の種類ではなく「何を人が見なくてよくするか」です。この記事では、そこから明日の現場で動ける形まで落とします。

「全部を機械に見せる」発想が、導入を重くしている

検品は、大きく3種類に分かれます。

• 入荷検品：発注内容と品番・数量を照合する
• 出荷検品：出荷指示と現物を照合する
• 棚卸検品：帳簿在庫と実在庫を一致させる

誤ればそのまま顧客に違う商品が届く出荷検品が、最もミスが許されない工程とされています。参考

一方、入荷でずれた数量や品番がそのまま棚に入れば、後工程で誤出荷の火種になりやすい。ここは僕の推測ですが、現場感覚とはそう外れていないと思ってます。

ここで通説をひとつ疑ってみてください。

「検品を自動化する＝全件を機械に見せる」と考えると、設備も学習データも一気に重くなります。

実際に効くのは、型番違い・数量違い・ラベル貼り間違いなど「照合できるミス」です。出荷指示データ自体が間違っているケースは、検品では防げません。参考

つまり自動化の対象は、「照合すれば白黒がつくこと」に絞れます。正常な大多数は機械に任せ、人は例外だけを見る。この設計が一番軽いんです。

制度面の背景も、ひとこと添えておきます。改正物流効率化法の第二段階が2026年4月に施行され、特定事業者に指定された企業には中長期計画の作成・提出と定期報告が求められます。参考

自社が対象かどうかは、要確認です。ただ、現場の作業を「見える化」しておく価値は、今後さらに上がると見ています。

4方式は、荷姿と台帳の状態で決まる

庫内のAI活用は、①ピッキング動線・搬送の自動化、②画像による検品、③在庫の最適配置と需要予測の3領域に集約され、これにロボット群制御AIが加わる、という整理があります。参考

入荷検品に関わるのは、主に②です。そして検品自動化の代表的な方法は、次の4つに分かれます。参考

選び方の軸は、機械の性能ではなく次の3つです。

• 荷物にバーコードは付いているか。付いていないなら、誰が付けるのか
• 発注データ(入荷予定)は、システム上で取り出せるか
• 例外は1日に何件出ていて、その原因は何か

ライン連携型の数字も、参考までに。手作業の梱包は1時間あたり平均100個前後が上限で、ライン連携型では最大約1,000個を処理した実績があります。参考

ただし、これは自動梱包ラインのメーカー現場での数値です。入荷検品の処理能力の数字ではないので、混同しないでくださいね。

カメラ方式のイメージなら、鶴弥の事例が分かりやすいです。阿久比工場の一部の生産ラインで、4台のカメラが瓦を全方位から撮影し、AIが傷や変形などの不適合品を判別して自動排除しています。参考

これは製造ラインの製品検査で、入荷検品そのものではありません。ただ「撮って、判定して、外す」という流れは同じです。

現場は紙のまま、差異だけ見る。その型がいちばん軽い

先日、AI JIMY Paperbotの入荷検品の事例を読んでいて唸ったんですよ。

発想がとても現実的なんです。現場の検品は、紙のまま続けます。

流れはこうです。参考

1. 紙・PDFの検品票をAI OCR(画像の文字を読み取る技術)で読み取る
2. 発注データと、商品コード・数量・ロットを照合する
3. 数量差異や、賞味期限の基準外だけを確認対象として一覧化する

読み取る項目は、入荷番号、発注番号、入荷日、仕入先名、商品コード、予定数量、実入荷数量、ロット番号、賞味期限、外装状態、検品者、差異理由などです。

現場の動きを変えず、事務側の転記と突き合わせだけを機械に寄せる。導入の抵抗が小さい形だと思います。

ただし正直に書いておくと、この事例の抜粋には定量的な成果の記載がありません。「何時間減った」とは、僕の口からは言えないんです。

だからこそ、自社で数字を取ってから判断するのが筋だと思っています。

イメージを掴むために、想定の1日を並べてみます。事例の流れを元にした僕の想定で、実在の人物や数値の成果ではありません。

Aさん(導入前)の1日

• 17:30 納品が重なり、検品票と納品書が机に積み上がる
• 19:00 検品票の内容を、手でシステムに転記し始める
• 21:30 数量が合わない伝票を、一枚ずつ探して照合する
• 22:30 原因不明の差異を翌日に持ち越して退勤

Bさん(導入後)の1日

• 17:30 検品は今まで通り紙に書く。やり方は変えない
• 18:30 検品票をまとめて読み取りに回す
• 19:00 一覧に出た「差異あり」「賞味期限が基準外」だけを確認する
• 19:30 差異理由を記入して、問題なしの分は見ずに退勤

Aさんは「全部を見る人」、Bさんは「例外を見る人」です。

自動化とは、Aさんの仕事をなくすことではありません。Aさんの目を、見るべき場所に移すことなんですよね。

今日コピペできる、検品ルールの棚卸しプロンプト

導入の前に、ここを避けて通ると後で必ず詰まります。

「何を差異とみなすか」の定義が現場の頭の中にしか無い状態では、どの方式を入れても例外だらけになります。

まず、今の判断基準を言葉にします。次のプロンプトを、ChatGPTやClaudeなどにそのまま貼ってください。

あなたは物流センターの入荷検品に詳しい業務改善の担当者です。
以下は、当センターの入荷検品で現場が「差異あり」と判断している基準です。
[現場の判断基準を箇条書きで貼る。例:数量が予定と違う、ロットが違う、外装が破れている など]

次の3点を表にしてください。
1. 発注データと照合すれば機械的に判定できる項目
2. 人の目で見ないと判定できない項目(外装状態など)
3. 基準があいまいで、人によって判断が割れそうな項目と、その確認質問

表の後に、基準を明文化するために現場へ聞くべき質問を5つ挙げてください。

使いどころ：自動化の範囲を決める前の、ミーティング資料づくり。

出力を検証する観点：「機械的に判定できる」とされた項目が、本当に発注データ側に存在するか。無ければ、その項目は自動化の対象外です。

次に、過去の差異記録を仕分けます。直近の差異メモや検品ログがあれば、それを使ってください。

以下は、当センターの入荷検品で過去に記録された差異の一覧です。
仕入先名と担当者名は伏せてあります。
[差異の記録を貼る。項目:日付、商品コード、予定数量、実数量、差異理由]

各差異を次の3つに分類し、分類ごとの件数と傾向をまとめてください。
A. 発注データと照合すれば検知できたもの
B. 現物の状態を見ないと検知できないもの
C. 発注データ自体が誤っていた疑いがあるもの

分類の根拠が不明な行は「判定不能」として別に残し、推測で埋めないでください。

使いどころ：どの方式が自社のミスに効くかの当たりを付けるとき。

出力を検証する観点：Cの割合。ここが多いなら、検品の前に発注データ側の整備が先です。

取引先名や個人名は、貼る前にかならず伏せてください。社外のAIサービスに入力して良いデータかどうかは、社内ルールの確認が先です。

見積書に載りにくい行：学習データと保守の費用

検品AIの費用目安は、次の通りです。いずれも二次情報なので、あくまで検討の入口として見てください。参考

同じ記事は、最も見落とされやすいのが学習データの構築費と、追加学習・保守費だと指摘しています。

カメラ型は、商品が増えるたびに画像を集め直す可能性があります。本体価格だけで稟議を通すと、翌年の運用費で苦しくなりやすいんですよね。見積もりでは、次の行があるか必ず確認してください。

• 学習用の画像・データを誰が用意するか
• 新商品が増えたときの追加学習の費用
• 保守・サポートの範囲と年額

効果の測り方にも落とし穴があります。測るべき指標は2つに分けてください。

• 見逃し：誤りが検品をすり抜けて流出する
• 過検出：正しい荷物まで止めてしまう

過検出を放置すると、現場が警告を無視し始め、仕組みが形骸化します。参考

「警告が出すぎて、誰も見なくなった」状態は、現場なら想像がつくはずです。

誤出荷の指標であるPPMは、次の式で出せます。

誤出荷件数 ÷ 総出荷件数 × 1,000,000

二次情報の目安では、完全自動化倉庫の限界域が5〜10PPM、デジタル化された優良水準が10〜50PPM、一般的な第一目標が100PPM(0.01%)、アナログ運用は1,000PPM超とされています。参考

まずは自社の直近の数字を、この式に入れてみてください。誤出荷の再送は配送費が単純計算で2倍になるので、損失の大きさも見えてきます。参考

正直な限界：検品で防げないミスと、向かない現場

万能ではありません。うまくいきにくいケースを先に並べます。

• 発注データ自体が間違っている：照合先が誤りなら、正しく照合しても誤りは通ります
• 荷物にコードが無く、荷姿もばらばら：読み取りの前に、ラベル運用の整備が必要です
• 差異の定義が人によって違う：基準が揃っていないと、一覧が「例外だらけ」になります
• 金属や水分が多い環境でRFIDを選ぶ：読み取りに影響が出ると指摘されています
• 過検出の確認に人手が割けない：警告が溜まり、結局見られなくなります

ここで、僕自身の話をひとつ。

この記事は、匠座の記事自動生成の仕組みで書いています。そこには「渡された一次情報シートに無い数字は書かない」という品質ゲートがあります。

書き手としては、数字を足したくなる場面があるんですよ。数字が一つ入ると、文章はそれらしく見えるので。でも、出典が確認できない数字は、読む人が一番困ります。検品AIの導入も同じで、根拠の曖昧な期待値のまま進めると、後で一番痛い目に遭うと思ってます。

よくある質問に先に答えます

Q. 費用はどのくらい見ればいいですか？

二次情報の目安は、スマホ型で月額数千〜3万円、据置カメラ型で100〜500万円、外観検査一体型で300〜1,000万円超です。学習データと保守の費用が別に載るかを、見積もりで確認してください。

Q. 導入期間はどのくらいですか？

今回の一次情報には、期間の根拠になる数字がありません。ベンダーに「一部のラインだけ先に動かす場合の期間」を聞くのが現実的です。鶴弥も、一部の生産ラインから導入して順次広げる進め方でした。参考

Q. ITに詳しい人がいなくても進められますか？

現場の検品を紙のまま続けられる形なら、現場の負担は小さいはずです。必要なのは、差異の基準を言葉にできる現場リーダーの協力です。

Q. どんなデータを用意すればいいですか？

発注データ(入荷予定)と、過去の差異の記録が出発点です。カメラ型は、正解ラベル付きの画像を学習させる教師あり学習が一般的とされるので、画像の準備も要ります。

Q. セキュリティは大丈夫ですか？

仕入先名や担当者名を含むデータを扱うので、データの保管場所と学習への再利用の有無を、契約前に確認してください。確認項目を挙げることはできますが、安全かどうかの判断は、各社の規程と個別の契約次第です。

ここまでのまとめです。

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

今日、30分でできる3ステップです。

ステップ1(10分)：差異の記録を一か所に集める

直近の差異メモ、検品票、システムのログから、数量差異・品番違い・ロット違いの記録を集めます。紙のコピーでも構いません。仕入先名や担当者名は、この段階で伏せておくと安全です。

ステップ2(10分)：仕分けプロンプトに貼る

前の章の2つ目のプロンプトに、集めた記録を貼ります。

出てきた分類のうち、特にC(発注データ側の疑い)の割合を見てください。多ければ、検品より先に発注データの整備が課題です。

ステップ3(10分)：判断基準を5行でメモする

最初のプロンプトで出た「基準があいまいな項目」から、人によって判断が割れそうなものを5つ選びます。

それを現場リーダーに見せて、「これ、どう判断してる？」と聞いてみてください。その答えが、どの方式を選ぶときにも使える土台になります。

編集長メモ：ヘリックス（執筆者について）

機械の選び方より、差異の定義を言葉にする作業が本丸だと思っています。今日の30分は地味ですが、ベンダーに「うちの何を自動化したいか」を説明できる材料になります。まず差異の記録を集めてみてください。

▶ 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：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