投稿者 投稿日: カテゴリー EC経営・判断軸
EC物流のAI化判断は、出荷量・定型率・物流費率など6つの数値ラインで決まります。
「物流はAIで全部最適化できます」という売り文句と、「結局は人手が正義」という現場の実感。EC物流の意思決定は、この両極端の言説に挟まれて止まりがちです。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）の現場知見にもとづき、AI最適化が利く物流業務と利かない業務の境界線を6つの判断軸で言語化します。物流AIの導入記事の多くはツール紹介で止まっており、「自社はやるべきか、いつやるべきか」の判断基準そのものを扱った情報はほとんどありません。この記事はその判断基準だけを扱います。
なぜいま、この判断が経営者に来ているのか
結論から言うと、EC物流の意思決定が2026年に難しくなった理由は、選択肢が増えたのに判断基準が増えていないからです。トラックドライバーの時間外労働規制（いわゆる2024年問題）以降、配送コストの上昇は構造的なものになりました。政府の検討会資料では、対策を打たない場合2030年度に輸送能力が3割超不足するという試算も示されています（試算値のため要確認、出典は国土交通省の物流政策資料）。コストが上がる一方で、需要予測・在庫配置・倉庫内オペレーション・返品判定といった領域にはAIを組み込んだサービスが次々に出ており、「何かやらねば」という圧力だけが先行しています。
ここで押さえるべき前提が2つあります。第一に、EC物流の中身は1つの業務ではないことです。在庫計画（何をいくつ持つか）、保管とピッキング（どう出すか）、配送（どう届けるか）、返品（どう戻すか）は別の業務であり、AIの利き方がまったく違います。「物流AI」と一括りに語る時点で判断を誤ります。
第二に、AIが利くのは「データが定型で、判断が反復される」業務に限られることです。需要予測や補充発注のように、過去データから規則性を学べる業務は利きます。逆に、催事対応の特殊梱包、初めての商材の出荷設計、クレーム絡みの個別対応のような非定型業務は、2026年時点のAIでは人の判断を置き換えられません。この線引きを自社の数字に当てはめるのが、次章の6つの軸です。
判断の6軸：自社の数字で線を引く
軸1：月間出荷件数（月1,500件未満なら自動化より仕組み化）
最初の軸は出荷量です。目安として、月間出荷が1,500件（1日50件前後）に満たない規模では、AIや自動化への投資より、出荷手順の標準化とダブルチェックの仕組み化が先です。この規模帯では、ツール費用と習熟工数が削減効果を上回るケースがほとんどで、店舗運営の現場感覚でも「エクセルと固定ルールで十分回る」水準です。逆に月5,000件を超えると、人手の増員だけでは繁忙期のミスが増え始め、需要予測やピッキング動線の最適化が費用対効果に乗ってきます。
軸2：出荷パターンの定型率（8割定型ならAIが利く）
同じ出荷件数でも、中身の定型率で判断は変わります。単品リピート通販のように「同じ商品を同じ梱包で出す」出荷が8割を超えるなら、需要予測・補充発注・出荷指示の自動化は素直に利きます。一方、ギフト比率が高くのし・名入れ・同梱指定が多い店舗や、セット組みが都度変わる店舗は、定型部分だけを切り出してAIに任せ、非定型は人手に残す設計が必要です。全体最適を謳うツールに非定型業務ごと乗せようとすると、例外処理の設定工数で破綻します。
軸3：誤出荷率（0.1%を超えているならAIより先に工程を直す）
誤出荷率（出荷件数に対する誤配・誤品の割合）が0.1%を超えている場合、AI導入は時期尚早です。ミスの原因はほぼ確実に工程設計（ロケーション管理、検品手順、ラベル運用）にあり、乱れた工程のデータを学習させても精度は出ません。まず人手の工程を直して0.1%を切り、そのうえで検品支援や在庫精度の維持にAIを足す順序が定石です。ALSELが支援する店舗群でも、工程改善を飛ばしてツールを入れた店舗は、ほぼ例外なく半年以内に運用が形骸化しています。
軸4：物流費率（売上比10%超なら構造の見直しが先）
売上に対する物流費（保管・荷役・配送・資材の合計）の比率が10%を超えているなら、AI最適化より構造の見直しが優先です。具体的には、自社出荷を続けるか、モールのフルフィルメント（AmazonのFBA、楽天のロジスティクスサービスなど）や3PL（物流の外部委託）へ移すかという選択です。外部委託の比較検討の考え方は越境ECの物流比較の記事でも扱いましたが、国内でも同じで、構造が決まっていない段階のAI投資は、移行と同時に無駄になります。物流費率が7〜8%程度に収まっていて、かつ現構造を当面維持する判断があるなら、その構造の中での最適化（予測・配置・動線）にAIを使う価値が出ます（比率の水準はジャンルにより変動、目安）。
軸5：繁閑差（セール月の出荷が平月の3倍を超えるなら、AIは予測に絞る）
大型セールやギフト需要で、繁忙月の出荷が平月の3倍を超える店舗は、倉庫内の自動化投資が繁忙期基準になりがちです。しかし繁忙期に合わせた設備・ツールは平月に遊びます。この場合のAIの正しい使い所は、物量の事前予測と人員計画です。セール前にどのSKUが何倍出るかを過去実績から予測し、応援人員と資材を先に手配する。設備の自動化ではなく計画の精度に投資するほうが、繁閑差の大きい店舗では回収が速い判断になります。
軸6：返品率（返品が売上の5%を超えるなら「戻り」の設計から）
返品率が5%を超える商材（アパレル・靴など試着性の高いジャンルで起きやすい水準）では、出荷側より返品側の整備が先に効きます。ここでAIが利くのは、返品理由の分類と再販可否判定のルール化、返品予測による在庫引当の調整です。逆に検品そのもの（汚損・使用感の判定）は人の目が必要な工程として残ります。返品の少ない食品や消耗品の店舗では、この軸は優先度を下げて構いません。
6軸に共通する原則を一言でまとめると、「EC物流のAI化は、定型化が済んだ業務の増幅装置であって、乱れた業務の修理装置ではない」ということです。
なお、6軸は同時に満たす必要はありません。実務では「軸1と軸2で投資対象を絞り、軸3と軸4で時期を決め、軸5と軸6で投資の形を選ぶ」という3段階で使います。たとえば月間3,000件・定型率9割の店舗なら投資対象としては合格ですが、誤出荷率が0.3%あるなら時期は工程改善の後、繁閑差が4倍あるなら形は設備でなく予測、という具合に、軸の組み合わせが自店固有の答えを作ります。この組み合わせ方こそが、汎用のツール比較記事では得られない部分です。
意思決定の90日ロードマップ
判断軸を実際の経営判断に落とす手順を、90日の時系列で示します。
最初の30日は計測に充てます。月間出荷件数、定型率、誤出荷率、物流費率、繁閑差、返品率の6つを、直近12か月の実績で数表にします。ここで大半の店舗が「物流費率と誤出荷率を月次で追っていなかった」ことに気づきます。計測なしの意思決定は、ツール営業の資料に判断を明け渡すことと同義です。
次の30日で、6軸を上から当てはめて「やらないことの決定」を先に行います。軸1〜4のどれかで基準に届かなければ、その領域のAI投資は今期は見送りと明文化します。見送りの明文化は消極策ではなく、来期に再判定する基準値（例：月間出荷が1,500件に到達したら再検討）をセットで残すための手続きです。
最後の30日で、残った領域について小さく検証します。需要予測なら主力20SKUだけ、返品分類なら直近3か月の返品データだけ、という範囲限定で精度を確かめ、全面展開の可否を判断します。受注から出荷指示までの前工程の自動化は受注処理のAI自動化の記事で、物流全体へのAI適用の全体像はEC物流のAI最適化の記事で扱っているので、検証設計の参考にしてください。
反証も検討する：この判断軸が当てはまらないケース
判断軸は万能ではありません。6軸をそのまま当てはめるべきでないケースを3つ挙げておきます。この反証の検討こそ、ツール紹介記事では扱われない部分です。
第一に、急成長局面の店舗です。前年比2倍を超えるペースで出荷が伸びている場合、「現在の出荷件数」で判断すると半年後に判断が陳腐化します。この局面では軸1を「6か月後の予測出荷件数」で読み替え、成長の踊り場が来る前に物流の構造選択（自社出荷か委託か）を済ませるのが正解になります。判断が遅れると、繁忙と移行作業が重なる最悪の時期に構造変更を迫られます。
第二に、物流品質そのものが差別化になっている店舗です。当日出荷や特殊な温度帯管理、開封体験まで設計したギフト梱包を売りにしている場合、効率の論理だけで自動化・委託を進めると、選ばれている理由を自分で削ることになります。この場合は「品質を作っている工程」を特定し、そこだけは効率化の対象から外す線引きが先です。
第三に、人材が採れない地域の店舗です。判断軸では「人手の工程改善が先」となるケースでも、その人手自体が確保できないなら、省人化投資の優先度は数字の示す水準より上がります。判断軸は経営環境の制約の中で使う道具であり、制約そのものを無視する道具ではありません。
社内の合意形成：判断を実行に変える段取り
EC物流の投資判断は、数字が揃っても社内が動かなければ実行されません。決定を空文化させないための段取りを2つ添えます。
1つ目は、現場責任者を計測段階から巻き込むことです。90日ロードマップの最初の30日（6つの数字の計測）を経営側だけで行うと、出てきた数字を現場が「実態と違う」と受け取り、その後の議論が数字の信憑性論争に費やされます。計測の設計自体を出荷現場のリーダーと一緒に行えば、数字は共通言語になります。
2つ目は、「やらないことの決定」を文書で残すことです。見送りの判断は口頭だと消え、半年後に同じ検討を最初からやり直すことになります。「月間出荷1,500件到達で再検討」という一文を残すだけで、次回の判断は数分で始められます。意思決定の速い会社と遅い会社の差は、判断力よりもこうした判断の在庫管理にあるというのが、5,000社支援の中で何度も再現した実感です。
判断を間違えた店舗の3つのパターン
第一のパターンは「繁忙期の痛みで契約する」店舗です。ある食品ギフト系の中規模店舗では、歳暮期の出荷遅延に懲りて翌月に倉庫自動化のツールを契約しましたが、平月の物量では固定費が重く、1年で解約に至りました。痛みが最大の瞬間は、判断力が最も落ちている瞬間でもあります。繁忙期の直後は計測に徹し、契約判断は平月に行うのが安全です。
第二のパターンは「例外業務ごとAIに載せる」店舗です。アパレル系の単一店舗で観測されたのは、のし・ラッピング・メッセージカードの個別対応まで自動出荷指示に組み込もうとして、例外設定が数百件に膨れ、かえって出荷が遅くなったケースです。定型8割をAIへ、非定型2割は人手のままという分離が、遠回りに見えて最短です。
第三のパターンは「工程が乱れたままデータだけ信じる」店舗です。在庫データと実在庫がずれている状態で需要予測を導入しても、予測は正しく外れ続けます。軸3で述べた通り、AIの前に棚卸精度と誤出荷率の改善という人手の仕事があります。上位のツール紹介記事の多くはこの順序に触れないまま導入手順に進んでおり、そこがこの判断の最大の落とし穴です。
よくある質問
EC物流のAI化はどの業務から始めるべきですか
需要予測と補充発注からです。データが定型で判断が反復される業務のためAIの精度が出やすく、在庫の持ちすぎと欠品の両方に効きます。倉庫内の設備自動化は物量の裏付けができてからで十分です。
月商どれくらいからAI投資を検討すべきですか
月商そのものより出荷件数で判断してください。目安は月間1,500件で、それ未満なら手順の標準化が先です。月5,000件を超えると人手の増員だけでは品質維持が難しくなり、投資対効果が出やすくなります。
自社出荷とフルフィルメント委託はどちらが良いですか
物流費率10%が判断の起点です。10%を超えているなら、AI化より先にFBAや3PLなど外部委託との比較を行ってください。構造を決めてから、その構造内の最適化にAIを使う順序が無駄のない投資になります。
物流AIツールの営業を受けています。何を確認すべきですか
自社の6つの数字（出荷件数・定型率・誤出荷率・物流費率・繁閑差・返品率）を先に出し、どの数字がいくつ変わる見込みかを提案側に言わせてください。数字で答えられない提案は、判断材料が揃っていない段階の契約になります。
人手に残すべき業務はどこですか
非定型の判断が要る業務です。具体的には初めての商材の出荷設計、特殊梱包やクレーム絡みの個別対応、返品品の状態判定などです。これらは2026年時点のAIでは置き換えが難しく、無理に自動化すると例外処理で破綻します。
2024年問題で配送コストが上がり続けています。AIで下げられますか
直接は下げられません。配送単価は構造要因のため、AIが効くのは出荷の平準化・積載効率・リードタイム設計といった間接領域です。単価そのものは配送会社との契約条件と出荷構造の見直しで対処する領域です。
3PLへ委託済みですが、その場合もAI投資は必要ですか
はい、領域を変えて必要です。倉庫内の最適化は委託先の仕事になりますが、在庫計画（何をいくつ持つか）と需要予測は委託後も自社に残る意思決定です。むしろ委託費が物量連動になる分、予測精度が請求額に直結するようになります。
判断軸の数字はどの資料から取ればいいですか
自社の実績データからです。出荷件数と誤出荷は倉庫管理または受注管理の記録、物流費率は月次のPLと配送料請求書、返品率は受注管理の返品処理記録から取れます。外部のベンチマークより、自社の12か月推移のほうが判断材料として信頼できます。
著者：齋藤竹紘（株式会社オルセル 編集長／5,000社以上のEC支援実績／書籍3冊）
参考文献
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
