「AI導入しろ」と言われた日のこと
2024年の秋、本社から「DX推進計画」が届いた。物流部門にも当然「AI活用」の文字があった。管理職として現場を10年以上見てきた自分がその資料を読んで最初に感じたのは、期待ではなく正直な困惑だった。
「ルーティング最適化で燃料費20%削減」「需要予測AIで欠品率ゼロへ」——書いてあることは正しい。だが、うちの現場でそれが動くイメージが全く浮かばなかった。ドライバーの平均年齢は52歳。スマートフォンの操作に慣れていない人が半数いる倉庫で、どうやって「AIシステム」を稼働させるのか。
結論から言う。私は実際にAI導入を進め、失敗し、やり直し、今では月23時間の業務削減を実現している。その過程で見えてきた3つの失敗パターンと、機能した「正しい順番」を、この記事に書き残す。
失敗パターン① 現場の「感情」を数字で解決しようとした
最初の失敗は、ピッキング業務の補助にAIチェックシステムを導入しようとしたときだ。誤出荷率を下げるための画像認識ツールで、精度も高く、コストも許容範囲内だった。にもかかわらず、現場から猛反発を受けた。
「カメラで監視されてるみたいで気持ち悪い」「今まで自分がやってきた仕事を、機械に採点されたくない」「エラーが出たら自分のせいになるんじゃないか」
管理職として恥ずかしい話だが、私はこれを「感情論だ、数字で説得すれば理解してもらえる」と思っていた。誤出荷1件あたりのコスト、クレーム対応に費やされる時間、そういったデータを資料にまとめて説明会を開いた。
結果は惨敗だった。数字を出せば出すほど、「俺たちがミスをしていると言いたいのか」という空気が漂い、信頼関係が壊れていった。
教訓： AIへの抵抗感は「非論理的な感情」ではない。長年その仕事のプロとしてやってきた人間の、正当な自尊心の問題だ。数字より先に、「あなたの仕事がなくなるわけではない」「評価の方法は変わらない」という安心感を作ることが先決だった。
失敗パターン② 「全部解決するAI」を買った
次の失敗は、大手ベンダーの統合型AIプラットフォームの導入検討だ。配車計画・在庫予測・日報自動生成・ドライバー勤怠管理が一つのダッシュボードで完結する、という触れ込みだった。デモは確かに美しかった。
3ヶ月の検討期間を経て出た結論は「見送り」だった。理由は複数あるが、本質は一つだ。
うちの現場特有の「いびつさ」——独自の配送ルール、取引先ごとに異なる帳票フォーマット、昔から使っているExcelベースの台帳——を、汎用AIは吸収できなかった。「どんな現場にも使える」システムは、裏を返せば「どの現場にも完璧にはフィットしない」システムだ。
300万円の年間ライセンス費用より前に、現場の「業務フロー全体を標準化する」コストが青天井だった。それに気づくまでに、3ヶ月と相当な工数を失った。
教訓： 「一気に全部変える」は、規模の大きな現場ほど機能しない。統合プラットフォームは、現場が標準化された後に入れるもの。先に現場の「一点突破」で小さな成功体験を作ることが正解だった。
失敗パターン③ ROI計算が「時間削減×時給」だけだった
3つ目の失敗は、効果測定の設計だ。AI導入の投資対効果を試算する際、最もよく使われる計算式がある。
削減できる作業時間 × 時給 × 月稼働日数 = 月間削減コスト
この計算式自体は間違っていない。ただし、現場管理職の目線から言うと、これは「見えているコスト」しか捉えていない。
見えていないコストがある。ベテランが残業続きで体を壊したときの採用コスト。誤出荷クレームによる取引先との信頼毀損。管理職が報告書作成に費やす夜間の2〜3時間（これはサービス残業なのでコスト計上されない）。
逆に言えば、AI導入の本当のROIはこれらの「見えないコスト削減」に宿っている。そこを計算式に入れてはじめて、経営層を動かせる数字になる。
それでも機能した。月23時間削減の実数値
失敗を3回経て、方針を根本から変えた。「全体最適より、現場が一番痛がっている一点を変える」。その結果、以下の数字が出た。
月間削減時間
管理職工数削減率
ドライバー月間残業削減時間
施策①：ピッキングリストの自動生成（最初の一手）
受注データをもとに、翌日のピッキングリストを自動生成する仕組みを作った。GASとスプレッドシートで実装したシンプルなもので、外部ベンダーは使っていない。開発費はゼロ。私自身がコードを書いた。
「毎朝30分かけてリストを並び替える作業がなくなった。その時間で棚の整理ができるようになった」（ベテランパート）
この「現場が自発的に喜んでくれた」という体験が、後の展開を大きく変えた。それまでAI・自動化に否定的だったベテランが、「次は何かできないか」と聞いてくるようになったのだ。
施策②：日報の自動要約と異常値アラート
ドライバーが提出する日報は、1日あたり平均15〜20件。管理職はそれを全件確認し、トラブル・遅延・体調異変の兆候がないかチェックする。1日2〜3時間かかっていた作業だ。
これをClaude API（生成AI）を使って自動要約し、「異常値フラグ」が立ったもののみ管理職が確認する仕組みにした。全件確認から要確認案件のみ確認へ。工数は6割減になった。
施策③：配車最適化の「補助ツール」化
配車計画を「AIが決める」のではなく「AIが候補を出して人間が決める」形にした。これが重要な点だ。ベテランの配車担当者は20年の経験から「このルートは渋滞しやすい」「あの取引先は積み下ろしに時間がかかる」という暗黙知を持っている。AIはその知識を持っていない。
だから、AIには「距離と時間の最適化案」を出させ、最終判断はベテランが行う。結果的に残業が月8時間減り、かつベテランから「自分の判断が活かされている」という満足感も得られた。
機能した「正しい順番」
3つの失敗と3つの成功から導き出した、物流現場でのAI導入の正しい順番を整理する。
現場の「一番痛い部分」を1つだけ特定する
「全体を変える」は禁止。現場で毎日「面倒だ」「これさえなければ」と言われている作業を1つ選ぶ。管理職の感覚より、現場からのヒアリングを優先する。
小さく動かして「自発的な喜び」を作る
完璧なシステムより、動く小さなツールが先。GASでもスプレッドシートでも、現場が「楽になった」と感じる体験を作ることが最優先。この体験が次の展開への信頼を生む。
現場が「もっと使いたい」と言ったら横展開する
AIを「押しつける」のではなく「引っ張り出される」状態を作ることが理想。管理職から「次はこれをやる」と言うより、現場から「次はあれをなんとかできないか」と聞かれる状態が、導入成功のサインだ。
ROIは「見えないコスト」込みで経営層に報告する
作業時間削減だけでなく、採用コスト、離職リスク、ベテランの暗黙知の保全、クレーム減少による信頼維持——これらを数値化または言語化して報告することで、次の予算を取りやすくなる。
「AIで仕事が楽になる」より先に言うべきこと
この記事を書きながら改めて思うのは、AI導入の本質は「ツールの問題」ではないということだ。
現場の人間が「自分の仕事が守られている」と感じられるか。変化の恩恵が、現場の人間に届いているか。管理職として感じ、数字として見えてきたROIは、そういった「人への配慮」と切り離せなかった。
ベンダーの資料に書いてある「導入効果」は嘘ではない。ただ、その数字が出るまでの道のりには、数字に表れない失敗と人間関係の再構築がある。
今後、物流現場へのAI導入を検討している管理職の方に、この記事が少しでも参考になれば幸いだ。そして、「どこから手をつければいいかわからない」という状況にある方は、ぜひ一度話を聞かせてほしい。実装レベルの話ができる、物流出身のAI活用支援をしている。
大手運送会社の現役管理職（物流歴10年以上）。KPI管理・オペレーション改善・現場DX推進に従事。ShiftAIスクールにてAIライティングおよびClaude Code活用を体系的に習得。現在はSenkodeとして、物流・DX・AI活用領域の文章制作・コンサルティングを提供。