運送業のAI化、どこから始める？業務棚卸し実践ガイド

「AIで業務を変えたい。でも、自社のどの業務をAI化すべきか、正直よく分からない」
「ツール紹介の記事は読んだが、結局どのツールを入れればいいのか判断できない」

運送会社の経営層から聞かれる声です。

2024年問題、ドライバー不足、燃料高騰、EC拡大による小口多頻度化——運送業界の経営環境は、急速に変化しています。国土交通省・全日本トラック協会が公表しているDX実態調査でも、DX推進の必要性は認識されているものの、取り組みをどこから始めるべきかという論点が残る業界です。

ただし、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。正解の順序は逆で、まず自社の業務を棚卸しし、「人がやらなくていい仕事」を特定してから、そこにAIやツールを当てる が定石です。

この記事では、運送会社の経営層に向けて、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。

---

なぜ運送会社で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　2024年問題で輸送力が14%不足
2024年4月から、トラックドライバーの時間外労働上限が年960時間に規制されました。国交省の推計では、対策を打たない場合、2030年には輸送力が約34%不足する と見込まれています。

②　ドライバーの平均年齢49.9歳、若年層の入職が激減
全産業平均が43.7歳に対し、運送業界は約50歳。29歳以下のドライバーは全体の10%未満。採用定着の難しさ、ベテラン退職時の業務継続性が、中小事業者にとって特に大きな課題となっています。

③　EC拡大で小口多頻度化、1件あたり収益は下落
宅配個数は10年で約1.6倍。一方で1件あたりの運賃は伸び悩み、配送効率が収益性に直結する構造が強まっています。

---

AI化の出発点は「業務棚卸し」

「ツール選定から入る」ことで失敗するパターン

AI化の検討を始めたとき、最初に出てくるのは「配車AIを入れよう」「伝票OCRを検討しよう」といったツール先行の発想です。

ツールから入ると、自社の業務と合わず使われないケース が多く見られます。

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。

「ツール導入」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（運送業向け5ステップ）

業務棚卸しは以下の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

運送会社の場合、以下7部門で業務を洗い出します。

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

書き出した業務それぞれについて、「なぜそれをやっているか（目的）」と「最終的に何が出るのか（成果物）」を書き加えます。

例: 配車計画の作成
- 目的: 翌日の車両・ドライバー・荷物の組み合わせを決める
- 成果物: 配車表（Excelまたはホワイトボード）

「この業務の目的は何か」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「判断が中心の業務」と「作業が中心の業務」に分けます。

• 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
- 配車計画の作成 → 「判断」と「作業」が混ざっている業務
- 判断部分：ドライバー間のバランス、荷主との関係、急なトラブル対応
- 作業部分：荷物リストを時間・距離で並べる、最短ルート計算

ここで重要なのは、1つの業務の中でも「判断」と「作業」は混在している という点です。ベテランが担っている業務であっても、純粋な「判断」のほかに、ルール化できる「作業」が少なからず混ざっています。

Step 4: 作業部分から「ルール化できるもの」を抽出

作業業務の中から、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

運送業で典型的なのは以下です。

• 伝票の入力（フォーマットが決まっている）
• 請求書の発行（運賃計算ルールが決まっている）
• 配達完了の荷主への連絡（定型文）
• 配車表の叩き台づくり（時間・距離順に並べる）
• ドライバーの勤怠計算（デジタコデータから）

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。

1. 既存ツールで足りる → 選定して導入
2. 既存ツールはあるが、自社業務と合わない → AI補助で橋渡し
3. 既存ツールが空白 → AIで新規実装

分類の詳細は第5章で解説します。

---

運送業の5領域における業務棚卸しのポイント

運送業で 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: 配車・運行管理の文書業務

現場の実態: LOGISTICS TODAYの2024年調査（n=904）では 64.9%が配車業務の属人化に課題 と回答しています。配車の判断そのものはベテランが担う領域ですが、その前後で発生する日報・連絡メール・報告書などの文書作業は、生成AIで効率化できる領域です。判断業務と文書業務を棚卸しで分離することで、ベテランの時間配分を見直せます。

📞 領域②: 受注・荷主対応

現場の実態: 国交省調査では「紙・FAX・電話依存」がDX阻害要因の第3位（28.8%）。荷主対応の文書作業は、営業・管理職に集中する傾向があります。判断（受注可否・交渉方針）は人が担い、その周辺の文書・メール・資料作成を生成AIに任せる形が、改善の候補となります。

📄 領域③: 事務・バックオフィス

現場の実態: 請求書発行そのものは運送業特化TMSで処理されるケースが多いものの、TMSの外側で発生する定型文書・メール・社内案内・規程整備は、依然として事務担当者の業務時間の一定割合を占めます。ここは生成AIで「下書き → 人がチェック」のフローに置き換えやすい領域です。

👥 領域④: 人事・採用・育成

現場の実態: ドライバー不足のなか、採用・育成関連の業務量は増加傾向にあります。求人票改定・教育資料の更新・OJTマニュアル作成などは後回しになりがちな領域ですが、生成AIで下書きを作る運用に切り替えることで、更新負荷を軽減する余地があります。

📊 領域⑤: 経営・データ分析

現場の実態: 経営分析は いまもExcelが中心という会社が大半 。「数字は出るが、そこから何を言うかに時間がかかる」という課題がよく聞かれます。生成AIは 数字から示唆を引き出し、文章に落とす のが得意な領域で、経営会議資料・役員会資料のドラフトを効率化できます。

---

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

• 配車の最終判断（ドライバーの体調、荷主との関係、トラブル対応）
• 荷主との契約交渉・重大クレームの一次対応
• 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）
• ドライバーの現場でのとっさの判断

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

• 荷主向けメール・提案書・見積書の下書き
• 日報・点呼記録・会議議事録の要約
• 運賃交渉の根拠資料、経営レポートのドラフト
• 求人票・教育資料・OJTマニュアルの作成
• 社内通達・就業規則・FAQ等の文書作業
• Excel データの整形・異常値抽出

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」「数字を文章化している」業務は、生成AIで効率化できる余地が大きい領域です。

🏭 分類③: 専用SaaS・ハード機器が必要な業務（本記事の対象外）

条件: カメラ・センサー等のハード、または業界特化SaaSでないと実装不可

• 配車最適化・ルート最適化（配車最適化SaaS）
• 運行記録・拘束時間管理（通信型デジタコ）
• ドラレコ映像解析・安全運転スコア（AI通信型ドラレコ）
• IT点呼・アルコールチェック（点呼システム）
• 運賃計算・請求書の発行（運送業特化TMS）
• 在庫管理・WMS本体（クラウドWMS）

これらは本記事では解説対象としません。まず分類②の「生成AIで対応可能な業務」からAI化を始め、必要に応じて分類③の専用SaaS導入を並行して検討するのが現実的です。

---

汎用LLM（ChatGPT／Claude／Gemini）で今日から始められる業務

専用のSaaSを入れなくても、汎用LLM（ChatGPT・Claude・Gemini）のライセンス契約 だけで、今日から試せる業務は多数あります。比較的低コストで試せるため、業務棚卸しと並行して実務で検証することが可能です。

運送会社で生成AIを活用しやすいのは、以下のような文書中心の業務です。

📝 荷主・社外コミュニケーション

• 遅延連絡メールの作成：事実情報（遅延理由・到着予想・代替案）を入力し、文面を整形
• クレーム一次回答の下書き：謝罪・事実確認・対応策の構成で整形
• 新規荷主への提案書ドラフト：サービス概要・実績をもとに構成を作成
• 見積書の文章部分の下書き：条件・前提をもとに文面を整形

🚛 運行管理・ドライバー関連

• 日報・点呼記録の週次要約：日報から遅延傾向や要注意事案を抽出
• ドライバー指導メモのフォーマット化：口頭メモから指導記録を整形
• 事故・ヒヤリハット報告書のドラフト：事実情報を報告書フォーマットに整形
• ドライバーマニュアル・法定12項目の教育資料作成：自社ルールに合わせた資料を作成

📊 バックオフィス・経営

• Excelデータの整形・集計：実績表のクレンジング、フォーマット統一
• 月次経営会議資料のドラフト：数字をもとに、トレンドと示唆を文章化
• 運賃交渉の論点整理：過去の運賃履歴から交渉根拠を整理
• 就業規則・ドライバー賃金規定の改定草案

📚 法令・業界情報

• 改善基準告示・2024年問題の要点整理：条文・通達をもとに、自社への影響を整理
• 国交省通達・Gマーク要件のFAQ作成：社内向けの簡易Q&Aとして整備

生成AI利用時の留意点

• 個人情報・取引先情報は入力しない（法人プランを利用し、学習オフの設定を行うこと）
• 生成AIの出力は必ず人が最終チェックした上で利用する
• 数値データは必ず原典との突合を行う

---

生成AI活用で最初に着手すべき業務 TOP3

分類②の「生成AIで対応可能な業務」のなかから、効果が見えやすく運用に乗りやすい業務を3つに絞りました。UniteXがAI Flowで最初に着手する業務にあたります。

優先①: 荷主対応メール・提案書の下書き自動化

遅延連絡・値上げ依頼・新規提案書など、荷主向けの文書作業は営業・管理職の業務時間の一定割合を占めます。とくに定型パターンが多い連絡は、生成AIでドラフトを作成し人がチェックする運用に置き換えやすい業務です。

• 遅延・事故・値上げ連絡など 定型パターンが多いメール の下書き
• 新規荷主への提案書・見積書のドラフト（自社情報や実績をベースに生成）
• クレーム一次回答の構成づくり（謝罪→事実確認→対応策）

棚卸しでの確認ポイント：過去1ヶ月の送信メール・提案書を振り返り、同じような構成を繰り返している文書を抽出する。その領域が最初の自動化対象となります。

優先②: 日報・議事録・社内文書の要約と整形

ドライバー日報、点呼記録、会議議事録、巡回記録——運送会社では日次の記録・報告の量が多くなりがちです。

• 週次・月次で 傾向や要注意事案を要約 する作業を生成AIに任せる
• 録音・手書きメモから議事録を整形
• 社内通達・就業規則・安全マニュアルの改定ドラフト

棚卸しでの確認ポイント：要約・整形の工数が確保できず、情報が現場に十分展開されていない社内文書が存在しないか。該当文書があれば、生成AIでの要約・整形を検討する対象となります。

優先③: 経営レポート・運賃交渉資料の文章化

経営分析は いまもExcelが中心という会社が大半 。数字は出るが、そこから何を読み取り、どう意思決定につなげるかに時間がかかっています。

• 月次経営会議資料・役員会資料の 文章部分のドラフト を生成
• 車両別・荷主別採算から示唆を引き出し、箇条書きに整理
• 運賃交渉の根拠資料を、過去実績から組み立てる
• 補助金申請書のドラフト作成

棚卸しでの確認ポイント：経営者・幹部の資料作成時間を可視化する。この時間を圧縮できれば、経営判断・現場対応に充てる時間を増やせます。

---

AIに任せるべきでない業務

以下は、AI化ではなく人が担うべき領域です。

• 最終的な配車判断：急なトラブル対応・ドライバーの体調・取引関係を含む判断はAIに置き換えられません
• 荷主との信頼関係構築：営業・交渉・クレーム対応など対人関係の領域
• ドライバーの現場判断：安全に関わる瞬時の判断
• 重大な経営判断：AIは参考情報の提示までで、意思決定は人が担う領域
• 事故・重大クレーム時の一次対応：人が直接対応すべき領域

AIは人の判断を補助する役割であり、最終的な意思決定や信頼関係構築は人が担う領域と整理して進めることで、導入後の期待値ギャップを小さくできます。

---

90日の実行プラン

AI化の対象領域を特定した後の進め方として、90日のマイルストーンを示します。

📅 Day 1〜30: 業務棚卸し

• 第3章の5ステップで業務を洗い出し、全体像を一覧化する
• 「判断」と「作業」を分け、作業業務を抽出する
• 月間の工数・コストを概算で出す
• 優先度の高い1〜2業務を選ぶ

ポイント: 最初から網羅性を求めず、全体像を把握することを優先する。

📅 Day 31〜60: 1業務で試す

• 選んだ業務に既存ツールまたはAIを試験導入
• 1部署・1チームに限定してスタート
• 効果測定の指標を決める（時間削減／ミス件数／受注率など）

ポイント: 全社展開の前に1業務で検証する。影響範囲を限定できる。

📅 Day 61〜90: 定着と横展開

• 効果が出たら他部署・他業務に横展開
• 運用マニュアル化し、属人化を防ぐ
• 次のAI化対象となる業務領域を選定する

ポイント: 導入完了で終わらせず、定着と横展開までを一連の工程として位置付ける。

---

よくある失敗パターンと回避策

失敗①: ツール選定から入る

起こりやすい事象: 自社業務との適合性を検証せずに選定し、導入後に使われなくなる。
回避策: 業務棚卸しを先に実施し、ツール選定は後に行う。「どの業務をどう変えるか」を定義してから、それに適合するツールを選定する。

失敗②: 全社でAI導入を一斉展開する

起こりやすい事象: 現場の準備が整わないまま展開され、使われない状態に陥る。
回避策: まず1部署・1業務で成功事例を作る。現場主導の浸透が全社展開の基盤になる。

失敗③: 現場にAI導入を任せきりにする

起こりやすい事象: 現場が本来業務に追われ、AI導入の検討が後回しになる。
回避策: 経営層がプロジェクトオーナーとなり、外部パートナーを活用して現場の負荷を抑える。

失敗④: 「AI化＝新ツール導入」と捉える

起こりやすい事象: 既存ツールの未活用機能を確認せず、別ツールの追加導入により予算が分散する。
回避策: 棚卸し時に「今あるツールで未活用の機能はないか」 を必ずチェック。既存ツールの活用率を上げるのが最優先。

---

FAQ

Q1. 社内にITに詳しい人がいなくても進められますか？

A. 可能です。近年のAIツールはノーコード・ローコードで利用できるものが増えています。社内リソースが限られる場合は、業務棚卸しと導入時のみ外部パートナーを活用する選択肢もあります。

Q2. AIを入れるとドライバーや事務員の仕事がなくなりませんか？

A. 業務の内容が変わる、という理解が適切です。定型的な入力作業・問い合わせ対応はAIが担い、人は顧客対応・営業・改善提案など付加価値の高い業務に時間を振り向けられます。人手不足の業界では、業務再設計の機会として活用できます。

Q3. 既存ツール（運送業特化TMSや通信型デジタコ）を入れたまま、AI化できますか？

A. はい、推奨されるアプローチです。既存ツールのデータを活用することがAI Flowの基本方針です。既存ツールを入れ替える必要はありません。

Q4. 業務棚卸しは自社だけで進められますか？

A. 社内だけで進める場合、客観性の確保や優先順位付けが難しくなる傾向があります。外部視点を入れることで、業務そのものの必要性を問い直すような観点が得られます。2〜4週間の棚卸しだけでも、着手方針を整理できます。

Q5. どの業務から手をつけるか、具体的に教えてほしいです。

A. 第7章で解説した優先TOP3（①荷主対応メール・提案書の下書き、②日報・議事録・社内文書の要約、③経営レポート・運賃交渉資料の文章化）から始めるのが、効果が見えやすい順序です。

---

まとめ

本記事の要点は以下の通りです。

1. AI化の出発点は業務プロセスの棚卸しであり、ツール導入を先行させる進め方は推奨されません
2. 各業務は「人がやるべき／生成AIで対応可能／専用SaaS・ハードが必要」の3つに分類する
3. 運送会社が最初に着手すべき領域は「生成AIで対応可能な文書・分析業務」（荷主対応メール・日報要約・経営レポート等）
4. 配車最適化・デジタコ・ドラレコ等は専用SaaS・ハード領域なので、別軸で検討
5. AIは人を置き換えるものではなく、人が担う必要のない業務を担当させる位置付けとして捉える

2024年問題・ドライバー不足・EC拡大への対応として、まず業務棚卸しに着手することが、AI化の起点となります。

業務棚卸しを社内だけで実施する場合、「自社の業務を一覧化する」「判断と作業を分ける」「AI化できる業務を特定する」の3ステップで、客観的な視点と業務設計のノウハウが求められます。