在庫管理AI活用、導入率13.4%の夜に現場がやるべきこと

深夜2時、在庫データのエクセルがまた合わない。発注点を割った商品と、倉庫に眠ったままの商品が同じ画面に並んでいる。明日の朝イチで経営者に「なぜこの数字なのか」を聞かれるのが、もう見えている。

それ、たぶんあなたの経験や勘のせいじゃないです。むしろ逆で、勘と経験だけで支えてきた仕組みが、もう限界に近づいているだけだと思ってます。

「在庫管理にAIを入れれば一発で解決する」という通説は、一旦疑ったほうがいいです。この記事では、実際に数字を出した企業の手順と、導入前に知っておくべき費用感・落とし穴まで、今日の現場判断に使える形で渡します。

「社員任せ」が64.9%という、業界全体のリアルな現在地

まず知ってほしい数字があります。商工中金が2026年3月に発表した中小企業3,892社の調査で、会社として生成AIを導入しているのは16.3%、残りの64.9%は「社員個人に任せている」状態でした。参考

つまり、あなたの会社だけが遅れているわけじゃないんですよね。東京商工リサーチの2026年4月調査(6,327社)でも、「会社として生成AIの活用を推進している」企業は20.3%にとどまっています。ただし大企業は36.4%、中小企業は19.1%と、規模で倍近い差が開いているのも事実です。参考

{CHART|bar|生成AI活用を推進している企業の割合|全体,大企業,中小企業|20.3,36.4,19.1|%|https://ai-revolution.co.jp/media/ai-in-wholesale/|東京商工リサーチ2026年4月調査}

出典: 東京商工リサーチ2026年4月調査のデータより匠座作成

情報通信総合研究所の2024年11月発表の調査では、生成AIの導入・利用率は情報通信業35.1%に対し卸売業・小売業は13.4%。物流に直結する在庫管理の現場は、業界としてまだ助走段階にあるのが正直なところです。参考

背景にあるのは人手不足だけじゃありません。NX総合研究所の推計では、対策をしなければ輸送力は2024年度に14.2%、2030年度には34.1%不足するとされています(2023年「持続可能な物流の実現に向けた検討会」)。参考さらに2026年4月、改正物流効率化法が全面施行され、年9万トン以上の貨物を扱う「特定荷主」には中長期計画作成・定期報告・物流統括管理者(CLO)選任が求められるようになりました。参考在庫の見える化は、こうした報告義務の土台にもなってくると、僕は推測してます。

在庫管理AIは、実は4種類しかない

ここで一度、頭を整理しましょう。在庫管理AIと一口に言っても、やれることは大きく4つに分かれます。参考

参考

多くの企業が最初に手を出すのは「需要予測・発注提案」です。理由は単純で、効果がいちばん測りやすいから。イトーヨーカドーはAI発注で店舗担当者の発注作業時間を平均約3割短縮し(出典: ITmedia NEWS 2020/9/2)、セブン-イレブンはAIが発注数を提案する仕組みで作業時間を約4割減らせるとして全店導入を進めました(出典: 日本経済新聞 2023/1/12)。参考食品業界ではキッコーマン食品が需給調整AI「Naries」で発注業務の属人化を解消し、ローソンもセミ自動発注システムで各店舗のPOSデータを使った半自動化を進めています。参考 参考

半年で300万円減らした会社は、何から手をつけたか

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、半年で約300万円・15%の在庫削減を実現したそうです。さらに661台のIoTセンサーとAIエージェントを組み合わせて、欠品ゼロと在庫15%削減を同時に達成したと書かれていました。参考

ここが面白いところで、いきなり全品目に広げてないんです。renueが示す導入4ステップでは、まずデータ基盤を整え、次に上位50SKUだけでPoC(小さく試す検証)を回し、AIが提案して人が承認する半自動発注を本番導入してから、全SKUに展開していく流れが紹介されています。参考

Before/Afterで見てみましょう。

A主任(導入前)のある夜

21時、エクセルで翌日の発注数を手計算中。過去の売上と自分の勘を頼りに数字を決めるが、根拠を聞かれると答えに詰まる。欠品と過剰在庫、両方が同時に起きている。

MARUWA SHOMEI(導入後)で起きたこと

AIエージェントが約200品目の在庫を常時監視し、661台のセンサーが重さの変化から在庫数を検知。半年で約300万円・15%の在庫削減と、欠品ゼロを両立。参考

差は「勘に頼るか、データに頼るか」だけじゃなく、「全部一気にやろうとしたか、絞って試したか」にもあると僕は思ってます。

コピペで使えるプロンプトを置いておきます。

以下の在庫データから、需要予測PoCの対象にすべき上位50SKUを選んでください。
選定基準は「出荷頻度が高い」「欠品時の機会損失が大きい」「需要変動が大きい」の3つです。
各SKUについて選定理由を1行で添えてください。

[ここに全SKUの出荷数・欠品回数・平均在庫日数をCSV形式で貼り付け]

使いどころ: renueの「Step2:上位50SKU限定PoC」で、最初にどのSKUから着手するか決めたいとき。

検証観点: 選ばれたSKUが実際に自社の売上・欠品インパクトの大きい品目と一致しているか、現場感覚とズレていないか確認する。

見積もりで桁が違う理由、SaaSとカスタムの分かれ目

ここを誤解したまま見積もりを取ると、必ず混乱します。renueの費用相場では、在庫管理AIはSaaS型で月額5〜30万円、カスタム型だと初期200〜1,000万円かかります。参考

参考

renueの導入事例では、工業用製品メーカーで在庫コスト年間数千万円削減、食品スーパーで廃棄ロスの大幅削減、EC企業で在庫回転率1.5倍という結果も紹介されています。参考ただし、これはあくまで上位SKUから丁寧に積み上げた結果であって、いきなりカスタム型で全部繋ごうとすると、たいてい途中で止まります。

正直な限界、AIが教えてくれない3つのこと

ここまで良い話ばかり並べましたが、うまくいかないケースも正直に書きます。

AI導入を妨げる理由として、導入前の段階では「具体的な活用場面がわからない」が35.6%、検討段階では「推進する人材がいない」が32.0%、導入後は「社内ルール・方針の整備が追い付かない」が25.1%でした。参考

{CHART|bar|AI導入を妨げる理由(段階別)|活用場面不明,推進人材不足,ルール未整備|35.6,32.0,25.1|%|https://ai-revolution.co.jp/media/ai-in-wholesale/|東京商工リサーチ調査}

出典: 東京商工リサーチ調査のデータより匠座作成

つまり、技術そのものより「誰が回すか」「どのルールで運用するか」でつまずく会社のほうが多いということです。商工中金の調査でも、卸売業の5年後予測は「AI活用は限定的にとどまる」が40.5%と最多で、「効率化・人手不足の解消が進む」37.9%を上回っています。参考楽観しすぎないほうがいいと思ってます。

実は匠座の記事自動生成でも似たことが起きました。毎朝の記事生成パイプラインで、一次情報を渡しているのに数字の出典を書き忘れる、ということが初期に何度かあったんです。原因は技術の精度ではなく、品質チェックのルールが追いついていなかったこと。結局、公開前の確認工程を一段増やしてから安定しました。AIの精度より、運用ルールの方が先に壊れる、というのは在庫管理でも同じだと感じてます。

よくある質問に先に答えます

Q. 費用はどのくらいから始められますか?

SaaS型なら月額5万円からの相場があります。参考いきなり全社導入せず、上位SKUに絞ったPoCから始めるのが現実的です。

Q. 導入までどれくらいかかりますか?

renueの4ステップでは、データ基盤整備→PoC→半自動発注本番→全SKU展開という順で進みます。参考一足飛びに全SKUへ広げる会社ほど、途中で止まりやすい印象です。

Q. 専門知識がない担当者でも運用できますか?

推進する人材がいないことが、検討段階でつまずく理由の32.0%を占めています。参考専門家不在でもできる範囲(SaaS型・画像識別系など)から始めるのが安全です。

Q. 既存の基幹システムとデータ連携は必須ですか?

必須ではありません。重量センサーや画像識別のように、既存システムを大きく変えずに併用できる技術もあります。参考

Q. 経済産業省などの公的な指針はありますか?

あります。経済産業省が「AI導入ガイドブック 需要予測(小売り、卸業)」を2021年3月に公開しています。参考社内稟議の参考資料として使えると思います。

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

ここまでの流れを、一度表に落とし込みます。

参考

今日、30分でできることを3つに絞ります。

1. 自社の在庫データが「どこに」「どんな形式で」散らばっているか、エクセル・基幹システム・紙帳票を洗い出す。
2. 出荷頻度・欠品回数の多い上位50SKUだけをリストアップする。
3. 次のプロンプトを使って、AIに提案理由を説明させてみる。

あなたは在庫管理の相棚です。以下の発注データを見て、
発注数が急に増減したSKUを3つ挙げ、それぞれ「需要予測モデルが拾ったと考えられる要因」を
1行で推測してください。断定せず「〜の可能性」と書いてください。

SKU別データ:
[ここに過去13週分の出荷数・在庫数・発注数をCSV形式で貼り付け]

使いどころ: AI発注ツールが出した提案数字が「なぜその数字か」を現場が納得できる言葉に翻訳したいとき。

検証観点: 推測の根拠が実データ(季節性・欠品・販促)に紐づいているか、AIが「わからない」と正直に言っているかを確認する。

勘と経験を否定する必要はないです。ただ、その勘をAIに説明させてみると、意外な発見があると思います。

編集長メモ：ヘリックス（執筆者について）

全SKU一気にやらず、上位50SKUから。この記事の数字を自社の発注データに当てはめて、まず1品目だけ試してみてください。

▶ 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

▶ あわせて読みたい：物流 ai 活用事例の実務ガイド