在庫管理AI事例で見る、発注20時間が5時間になった理由

深夜2時。倉庫の事務所で、エクセルの発注表とにらみ合っている。

明日の発注数を決めなきゃいけないのに、去年の同じ時期の売上データがどこにあるか分からない。天気予報を見て、気分で発注数を調整する。それで欠品が出たら「経験不足」「読みが甘い」と言われる。

それ、たぶんあなたのせいじゃないです。

発注は「人間の経験と勘」でやるものだと、ずっとそう教えられてきました。でも今、現場で起きているのは真逆のことです。経験や勘を機械に渡して、人間は「確認と承認」に回る。そのほうが数字が良くなる、という事例が積み上がってきています。

この記事では、在庫管理AIの実際の事例と数字、今日から試せる手順まで、まとめ記事では省略されがちな「明日の現場でどう動くか」まで落とし込みます。

その発注遅れ、経験不足じゃなく「データが届いてない」だけ

先日、MARUWA SHOMEIの事例を読んでいて唸ったんですよ。約200品目に在庫最適化AIエージェントを適用して、半年で約300万円、15%の在庫削減を実現したという話です。参考

200品目の在庫状況を人間が毎日頭の中で把握するのは、正直無理な話です。気温、過去の売上、競合の動き、イベントの有無。これを同時に見られる人間はいません。でもAIは見られます。

イトーヨーカドーが2020年9月に導入したAI発注システムは、気温・降水確率・曜日・客数・陳列情報などを分析して発注量を判断する仕組みでした。全国132店舗、約8,000品目が対象です。参考

つまり、あなたが「読めなかった」のではなく、最初から読める量のデータじゃなかった。そこにAIを入れると、何が変わるのか。次の章で数字を見てみます。

週20時間が5時間になった現場、何が変わったか

ある報告では、1人の担当者が週20時間かけていた発注作業が、AI導入後は確認・承認のみで5時間以内に収まったケースがあるそうです。参考

これを時刻で見てみます。架空の人物で、効果の数字だけ一次情報の範囲に揃えています。

Aさん(導入前)の月曜日

7:00 出社。前日の売上帳票を手で集計。

9:00 発注先ごとに在庫残を目視チェック。欠品していたSKUに気づいて慌てる。

11:00 発注数を決める。天気予報を見ながら「たぶんこれくらい」で決める。

15:00 別の棚の棚卸しで中断。発注表が後回しになる。

19:00 残業して発注を確定。この日の発注作業は約4時間。週で言えば20時間ペース。

Bさん(導入後)の月曜日

7:00 出社。AIが前日のうちに算出した発注提案がすでに届いている。

7:20 提案理由(気温・曜日・過去の販売傾向)をざっと確認。

7:40 季節イベントなど、AIが見落としていそうな要素がないかだけチェックして承認。

8:10 発注完了。残った時間を棚卸しや売場づくりに使える。

週あたりの発注作業は5時間以内に収まる計算。

{CHART|bar|発注作業時間の削減率(事例別)|イトーヨーカドー,セブン-イレブン|30,40|%|https://koromo.io/blog/inventory-optimization-ai-guide/|コロモ ブログ}

出典: コロモ ブログのデータより匠座作成

イトーヨーカドーは導入テスト段階で発注業務時間を約3割削減し、欠品減少と適正在庫の効果を確認しています。参考セブン-イレブンはAIが発注数を提案する仕組みで、発注作業時間を約4割減らせるとして全店導入を進めました。参考

業種や品目数によって幅はありますが、「3〜4割の時間削減」は複数の事例で重なって出てくる数字です。これは偶然じゃないと思ってます。

在庫管理AIの中で動いているもの、4つの正体

「AI在庫管理」とひとことで言っても、内側で動いている技術は4種類に分かれます。参考

• ①需要予測・発注提案(過去データから未来の売れ行きを予測)
• ②画像識別(AIカメラやスマホ撮影で在庫量を自動把握)
• ③AI-OCR(紙の帳票や納品書を読み取ってデータ化)
• ④重量センサー(IoT機器で棚の重さの変化から在庫量を推定)

トライアルカンパニーは店舗内にAIカメラを105台設置し、総菜・弁当売場の在庫量を画像解析で把握、在庫過多のときは自動で値下げ判断を行って電子棚札にすぐ反映する仕組みを採っています。参考これは②の典型的な使い方です。

需要予測AIの裏側は、だいたいこの5工程で動いています。参考

データ収集 → 前処理 → モデル学習(ARIMAやLSTMといった時系列予測モデル) → 予測・提案 → フィードバック

つまり、一度学習させたら終わりじゃなくて、結果を見てまた学習データに反映する。この「回す」感覚が大事で、PoC(小規模な試験導入)で終わらせずに回し続けた会社が結果を出している印象です。

ここで匠座の中の話を少しだけ。僕たちの記事自動生成パイプラインでも似た失敗をしたことがあります。一次情報を要約AIに渡したとき、数字の単位を勝手に変換されて、「月あたり」の時間を「日あたり」に書き換えられてしまったことがありました。気づかずに公開していたら、嘘の記事になっていたところです。それ以来、数字が出てくる箇所は必ず元データと二重チェックする品質ゲートを通すようにしています。AIの提案を鵜呑みにしない、という点は在庫管理も記事づくりも同じだと思ってます。

ここからは、需要予測PoCを始めるときに使えるプロンプトを2つ置いておきます。

あなたは物流企業の在庫管理担当のアシスタントです。
以下の売上データ(過去[期間]分、SKU単位)を読み込み、
需要予測PoCの対象として適した上位50SKUを選ぶための基準を提案してください。

条件:
- 売上変動が大きいSKUを優先
- 欠品・廃棄のどちらかが頻発しているSKUを優先
- データ欠損が少ないSKU(直近[期間]で記録が[割合]%以上あるもの)

出力形式:
1. 選定基準の一覧(理由付き)
2. 上位50SKUに絞る際の除外ルール
3. PoC期間中にモニタリングすべき指標(3つ)

使いどころ: 需要予測PoCを上位50SKUに限定して検証する段階で、対象SKU選定の下書きとして使う。参考

出力を検証する観点: 提案された基準が自社のデータで実際に取得できるか、現場の発注担当が「それなら納得」と思える理由になっているかを確認してください。

あなたは在庫管理AIが提案した発注数を確認する、現場の承認担当です。
以下のAI提案(SKU名、提案発注数、提案理由)を読み込み、
人が承認前に確認すべきチェックリストを作成してください。

条件:
- 季節性・イベント(セール、天候急変等)の影響を見落としていないか
- 提案理由に使われたデータの期間が妥当か
- 過去に提案を外した(欠品・過剰在庫になった)SKUのパターンと似ていないか

出力形式:
チェック項目を5つ、それぞれ「確認方法」も添えて

使いどころ: AI提案→人承認の半自動運用に入った段階で、承認担当が実際に使う確認リストの土台にする。参考

出力を検証する観点: チェック項目が重すぎて承認に時間がかかるものになっていないか、実際の業務フローに組み込める粒度かを見てください。

費用とツール、結局いくらで何を選ぶか

ここが一番聞きたいところだと思うので先に出します。

出典: renue

薬局チェーンでは、AI発注システムの導入で在庫金額を20%圧縮した事例が報告されています。参考食品スーパーでAI需要予測を導入した事例では、廃棄ロスが導入前比で20〜30%削減したという報告もあります。参考

{CHART|bar|在庫・廃棄ロス削減の事例|薬局チェーン(在庫金額),MARUWA SHOMEI(在庫量)|20,15|%|https://ai-keiei.shift-ai.co.jp/ai-inventory-management-example/|AI経営(SHIFT AI)|}

出典: AI経営(SHIFT AI)のデータより匠座作成

ツールの名前としては、zaico、MatrixFlow、UMWELT、Deep Predictor、sinops、FULL KAITEN、スマートマットクラウドなどが挙がります。参考どれが自社に合うかは、品目数とデータの揺れ具合、既存システムとの接続のしやすさで変わるので、名前だけで決めずに、まず小さいPoCで試すのをおすすめします。

キッコーマン食品では需給調整AI「Naries」の導入で、発注業務の属人化を解消したと報告されています。参考属人化、つまり「あの人がいないと発注が回らない」状態を崩すのも、AI導入の地味だけど大きな効果だと思ってます。

よくある質問に先に答えます

Q1. 月額どれくらいから始められますか？

SaaS型なら月額5〜30万円、場合によっては数万円規模からの導入例もあります。参考カスタム型は初期200〜1,000万円と幅があるので、まずSaaSで小さく試すのが現実的です。

Q2. 導入にどれくらいの期間がかかりますか？

一次情報には明確な期間の数字はありません。手順としては、データ基盤整備→上位50SKU限定の需要予測PoC→自動発注の本番導入(AI提案→人承認)→全SKU展開、という4段階で進めるのが一般的な流れです。参考期間はこの段階ごとに社内で合意を取りながら決めるのが実務的だと思ってます。

Q3. どんなデータがあれば始められますか？

過去の販売実績が基本です。イトーヨーカドーの事例では、気温・降水確率・曜日・客数・陳列情報を組み合わせて発注量を判断していました。参考まずは販売実績だけでも始められて、精度を上げたいときに外部データを足していく順番で大丈夫です。

Q4. 専門知識がない担当者でも使えますか？

Step3の「AI提案→人承認の半自動運用」参考の段階では、担当者は提案理由を見て承認するだけなので、モデルの作り方を知らなくても運用できます。ただPoC設計の段階では、データの前処理やモデル選定(ARIMAやLSTMなど)の判断が要るので、そこはベンダーか社内のデータ担当に頼ったほうが早いです。

Q5. セキュリティは大丈夫ですか？

正直に言うと、一次情報シートには具体的な数字はありません。ここは「要検証」として、導入前にベンダーの認証取得状況やデータの保管場所を必ず確認してください。発注データは取引先情報も含むので、慎重に見るべきところだと思ってます。

正直な限界・つまずきどころ

良い数字ばかり並べましたが、うまくいかないケースも率直に書きます。

まず、品目数が少なくて需要の変動も小さい業態だと、AIを入れる効果はそもそも小さいです。発注が月に数回しかないような現場なら、エクセルの関数で十分かもしれません。

次に、データが整っていない会社はPoCの前段階で止まります。レジのデータが紙のままだったり、SKUの表記がバラバラだったりすると、AIに渡す前の「データ基盤整備」参考に半年かかることもあります。ここをスキップしてAIだけ入れても、精度は出ません。

あと、「AI提案→人承認」の運用に移ったあと、承認を「流れ作業」にしてしまうケースがあります。提案理由を見ずに毎回ポンと承認していたら、季節イベントのような、AIがまだ学習していない変化を見逃します。半自動は「人が見なくていい」ではなく「人の確認作業が軽くなる」だけです。そこを混同すると、欠品や過剰発注が静かに積み上がります。

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

まとめの表を置きます。

今日の30分で、これだけやってみてください。

1. 自社の品目の中で、欠品か過剰在庫のどちらかが一番多いSKU群を10〜20個、頭の中か手元のメモで書き出す。
2. 本記事の1つめのプロンプトをコピペして、[期間][割合]を自社の状況に置き換えて、AIチャットに投げてみる。
3. 出てきた選定基準を見て、「これは試せそうだ」と思うものだけ1つ、来週の会議の議題にする。

明日の2時にまたエクセルを睨むその前に、今日の30分で一歩だけ動いておく。それだけで、来月の同じ時間の過ごし方が変わるはずです。

編集長メモ：ヘリックス（執筆者について）

数字は全部出典付きで出しました。自社に当てはめるときは、まず小さいPoCから。大きく始めると失敗も大きくなります。

▶ あわせて読みたい：物流 ai 活用事例の実務ガイド

▶ あわせて読みたい：在庫管理AI活用の最前線、週20時間の発注はどこまで減るか