「倉庫にWMSを入れたが、結局Excelとハンディの二重入力が残っている」 「荷主から新しい入出荷データの提出を求められたが、社内の基幹から取り出せない」 「ECの物量が増えた分、ピッキング人員だけが膨らんでいる」 物流事業者の経営層から聞かれる課題です。 EC拡大による小口多頻度化、荷主側のシステム高度化、人手不足——物流業では 「ツールはあるのに現場が楽にならない」 という課題が広く見られます。 この記事は、WMSや基幹を導入済みで、期待した効果が得られていない物流事業者 に向けた、AI化の実践ガイドです。結論から言えば、AI化は「ツール導入」から始めると、想定通りの効果が得られないケースが多く見られます。出発点は業務棚卸しです。 この記事では、物流事業者の経営層に向けて、業務棚卸しの具体的な進め方、「人がやるべき業務」と「生成AIで対応できる業務」の見極め、そして最初に着手すべき業務TOP3 までを、UniteXが提供するAI Flowサービスの考え方に沿って解説します。 なぜ物流事業者でAI化が必要とされているのか 運送業界における3つの構造変化 ① EC拡大で小口多頻度化、1出荷あたりの作業負荷が増大 宅配個数は10年で約1.6倍。一方で1件あたりの売上は伸び悩み、1出荷あたりの作業工数は減らないまま、単価が下がる構造になっています。 ② 荷主側のシステム高度化で、データ提出要求が激化 大手チェーン・EC事業者の荷主は、SCM・在庫最適化の観点から 「リアルタイムの在庫・出荷・配送データ」 を求めるようになりました。荷主指定のWeb-EDI・API連携に対応できない物流事業者は、新規取引の土俵に乗れない状況が生まれつつあります。 ③ 倉庫作業員の採用難、人件費の上昇 物流施設労働者の有効求人倍率は全国平均の1.5倍以上。時給は2020年比で約20%上昇。人を増やして物量に対応する ことが構造的にできなくなっています。 「WMSを導入しても業務負荷が減らない」状況 物流事業者の多くが既にWMSを導入していますが、現場の体感としては業務負荷が下がっていないという声があります。原因は明確で、WMSの機能が業務と合っていない/使いこなせていない/データがサイロ化している——この3つです。 AI化は、WMSをリプレイスすることではなく、既にあるWMSに眠っているデータを活かし、人が手作業でつなげている領域をAIに任せる ことから始まります。 AI化の出発点は「業務棚卸し」 「WMS入れ替え」から始めてしまうパターン 物流業のAI化相談で最も多いのが「今のWMSから他のWMSに乗り換えたい」「自社開発の基幹を全部作り直したい」というリプレイス相談です。 リプレイスから入ると課題が残りやすい理由は3つあります。 リプレイスには半年から1年規模の準備期間が必要で、その間の組織負荷が大きい 新WMSでも 「現場が使いこなせない」問題は再発する(原因は業務プロセス側) 投資が業務改善に直結しない可能性がある(運用が変わらなければ新WMSでも同じ課題が残る) 正しい順序:棚卸し → 特定 → AI化 UniteXが提供する AI Flow は、次の3段階で構成されます。 1 業務棚卸し 倉庫・事務・荷主対応の業務を全て洗い出し、成果物と時間を可視化する 2 AI化ポイントの特定 「人がやらなくていい仕事」(=ルール化できる作業)を抽出する 3 AI化の実行 既存WMS・EDIで足りるならそれを活用/空白領域はAIで実装する 「新しいWMSの導入」を起点にするのではなく、「業務プロセスを整理し、人が担う必要のない業務をAIに任せる領域を特定する」という順序を推奨しています。 業務棚卸しの実践手順(物流業向け5ステップ) 業務棚卸しは次の5ステップで進めます。 Step 1: 部門×業務で全ての業務を書き出す 物流事業者の場合、次の6部門で業務を洗い出します。 部門 代表的な業務 入出荷・検品 入荷検品、荷受、棚入れ、出荷検品、梱包、送り状発行 在庫・保管管理 在庫確認、棚卸、ロケーション管理、賞味期限・ロット管理 ピッキング・仕分 オーダー受付、ピッキング指示、仕分、補充 バース・配車連携 トラック受付、バース予約、積込指示、運送会社連絡 荷主対応・EDI・請求 受注取込、在庫レポート提出、月次請求、問い合わせ対応 経営・データ分析 荷主別収支、庫内生産性分析、需要予測、改善提案 まずは 主要業務を部門ごとに書き出す ことから始めます。最初は網羅性より、全体像を俯瞰できる粒度で構いません。 Step 2: 各業務の目的と成果物を言語化する 書き出した業務ごとに「なぜやるか(目的)」と「何が出るか(成果物)」を書き加えます。 例: 荷主への在庫レポート提出 - 目的: 荷主の在庫補充計画に必要な在庫情報を共有する - 成果物: Excelの在庫一覧(毎週月曜) 業務の目的を言語化する過程で、そもそも廃止できる業務が特定されることがあります。棚卸しの段階で整理しておく価値があります。 Step 3: 「判断」と「作業」を分ける 各業務を「判断が中心」か「作業が中心」かに分類します。 判断業務:経験・暗黙知・例外対応が必要。人がやるべき 作業業務:決まった手順で進む。AIやツールで代替できる 例: ピッキング指示 - 判断:欠品時の代替品選定、破損品の処置 - 作業:オーダー一覧を棚順に並び替える、ピッキングリストを印刷する ベテランが担う業務であっても、純粋な判断のほかに、ルール化できる作業が少なからず含まれています。 Step 4: 作業部分から「ルール化できるもの」を抽出 作業業務から、次の条件に当てはまるものを抽出します。 ✅ 毎回ほぼ同じ手順で進む ✅ 判断基準がルール化できる ✅ 入力データと出力が明確 ✅ 例外パターンが限定的 物流業で典型的なのはこれらです。 入荷伝票の入力(フォーマットが決まっている) ピッキングリストの生成(オーダー→棚順の並び替え) 荷主向け在庫レポートの作成(決まった書式) 月次請求書の作成(荷主別の料金体系) 庫内KPIの集計(日次・週次の定型レポート) Step 5: 抽出した業務に「AI or 既存ツール」を当てる 抽出した業務を、次の3択で分類します。 既存ツール(WMS・EDI・BI等)で足りる → 未活用機能を活かす/設定を見直す 既存ツールはあるが、自社業務と合わない → AIで橋渡し 既存ツールが空白の領域 → AIで新規実装 分類の詳細は第5章で解説します。 物流業の5領域における業務棚卸しのポイント 物流業で 生成AIを活かせる業務 を5領域に整理しました。どの領域にも、「人がやるべき判断」と「生成AIが担える文書・分析業務」が混在しています。この混在を 業務棚卸しで仕分ける のがAI化の起点です。 📞 領域①: 荷主対応・問い合わせ 業務 判断区分 荷主との契約交渉・条件調整 人がやる クレーム・重大事案の一次対応 人がやる 問い合わせ回答のテンプレート整備 生成AIで対応可 荷主別マニュアル・ルールの整備 生成AIで対応可 定例会議の議事録整形・要約 生成AIで対応可 新規荷主への提案書・見積書のドラフト 生成AIで対応可 荷主向け報告書(在庫・出荷状況)の文章化 生成AIで対応可 現場の実態: 荷主ごとに仕様・書式・連絡ルールが異なるため、対応マニュアルが属人化 しているケースが多く見られます。判断業務は人が担いつつ、マニュアル整備・報告書・定型メールの下書きを生成AIで巻き取る と、現場責任者の工数が軽減する余地があります。 🏭 領域②: 庫内オペレーションの文書業務 業務 判断区分 欠品時の代替品判断・現場の例外対応 人がやる 緊急便・特殊便の手配判断 人がやる 作業手順書(SOP)のドラフト作成 生成AIで対応可 新人向け教育資料・安全教育マニュアルの整備 生成AIで対応可 改善提案(KAIZEN・5S)の文書化 生成AIで対応可 庫内巡回記録・日次報告の要約 生成AIで対応可 社内通達・シフト周知文の整形 生成AIで対応可 現場の実態: 現場のベテランが暗黙知として持つノウハウは、文書化されていないことが多い領域です。ヒアリング内容を生成AIに渡すことで、SOP(標準作業手順書)や教育資料のドラフトを短時間で作成できます。更新頻度を上げることでナレッジの陳腐化を防げます。 📄 領域③: 事務・バックオフィス 業務 判断区分 月次締め・請求関連の最終チェック 人がやる 月次締め通知・請求前文・注記の下書き 生成AIで対応可 経費精算の申請書下書き・仕訳メモの文章化 生成AIで対応可 Excel データの整形・クレンジング補助 生成AIで対応可 社内規程・就業規則の改定案ドラフト 生成AIで対応可 法令・業界規制の要点整理(2024年問題等) 生成AIで対応可 社内FAQ・ナレッジベースの整備 生成AIで対応可 現場の実態: WMS・会計・勤怠の本体SaaSの外側にある「文書の仕事」は、物流事業者でも業務時間の一定割合を占めます。生成AIで下書きを作り、人がチェックする運用に切り替えるのが現実的です。 👥 領域④: 人事・採用・育成 業務 判断区分 面接・合否判定 人がやる 求人票・採用PR・募集記事の作成 生成AIで対応可 書類選考の一次要約・スコアリング 生成AIで対応可 面接質問リストの作成 生成AIで対応可 新人OJTチェックリスト・教育マニュアル整備 生成AIで対応可 評価面談のアジェンダ・評価コメント整形 生成AIで対応可 安全教育・庫内ルールの研修資料作成 生成AIで対応可 現場の実態: 倉庫作業員の採用は継続的な課題で、教育資料・現場別マニュアル・評価資料の整備は重要な業務です。生成AIで下書きを作成することで、整備のスピードを上げられます。 📊 領域⑤: 経営・データ分析 業務 判断区分 経営判断(投資・撤退・荷主契約) 人がやる 荷主別・品目別の収支データから示唆抽出 生成AIで対応可 月次経営レポート・役員会資料の文章化 生成AIで対応可 荷主交渉の根拠資料作成 生成AIで対応可 庫内生産性・滞留在庫の分析コメント生成 生成AIで対応可 補助金・融資申請書のドラフト 生成AIで対応可 経営の壁打ち・意思決定の整理 生成AIで対応可 現場の実態: 物流業の経営分析は 80〜90%超がExcel中心 。「数字は出るが、そこから何を言うかに時間がかかる」のが多くの経営者の悩みです。数字から示唆を引き出し、文章に落とす 作業は生成AIが最も得意な領域で、経営会議資料・荷主向け報告の質とスピードを改善できます。 業務棚卸しで仕分ける3つの分類 業務棚卸しで出てきた各業務は、次の3つに分類して整理します。この分類がAI Flowの出発点になります。 🧍 分類①: 人がやるべき業務 条件: 判断が中心・信頼関係が重要・例外対応が多い 荷主との契約交渉・条件調整 クレーム・重大事案の一次対応 欠品時の代替品判断・現場の例外対応 緊急便・特殊便の手配判断 面接・合否判定・評価面談の最終判断 重大な経営判断(投資・撤退・大口契約) 分類の目安: 「暗黙知」「例外」「信頼関係」「最終責任」のどれかに該当する業務は、人が担うべき領域です。 🤖 分類②: 生成AIで対応可能な業務(AI Flowの中心領域) 条件: ルール化できる・定型フォーマットがある・文書作業が中心 荷主向け問い合わせ対応テンプレート、報告書の文章化 作業手順書(SOP)・新人教育資料・マニュアル整備 巡回記録・議事録・日報の要約 月次経営レポート・荷主交渉資料のドラフト 求人票・書類選考要約・研修資料の作成 Excel データの整形・異常値抽出・クレンジング補助 社内通達・就業規則・FAQ等の文書作業 分類の目安: 「毎回似た内容を書いている」「フォーマットが決まっている」「数