棚卸しにAIを活用する方法とは？主要な技術手法・導入メリット・WMS連携による効率化まで解説

比較軸	従来の棚卸し	AI棚卸し
記録方法	紙リストへの手書き → PCへの転記	カメラ撮影・音声入力・センサー計測でシステムへ直接反映
カウント精度	目視に依存し、疲労や見落としでばらつきが出やすい	AIが一定基準で判別するため、人による精度差が生じにくい
作業工数	2人1組での読み上げ・記録が基本で人員拘束が大きい	1人でも実施でき、転記工程そのものが不要
データ反映	棚卸し完了後にまとめて入力するため、タイムラグが発生	計測と同時にシステムへ反映されるため、ほぼリアルタイム
環境制約への対応	冷凍庫・高所・暗所では作業負荷が著しく増大	音声入力やIoT重量計により、過酷環境でも遂行可能

後続の章では、それぞれの技術手法の特徴と選び方、WMSとの連携で得られる効果を掘り下げていきます。

AIによる棚卸の効率化例

AI棚卸しの技術手法はAI-OCR・動画/画像認識・生成AI音声入力・IoT重量計の4つに大別でき、それぞれ得意な環境と商材が異なるため、組み合わせることで精度を最大化できます。

AI-OCR
動画・画像認識AI
生成AI×音声入力
IoT重量計

AI-OCR

AI-OCRは、手書きの棚卸表やラベルをスマートフォンで撮影するだけで、AIが文字を認識してシステムに自動反映する技術です。バーコードが付与されていない商材や、紙帳票ベースの業務フローを大幅に変えずにデジタル化できる手軽さが最大の特徴です。

賞味期限・ロット番号・品番といった付随情報も同時に読み取れるため、食品・医薬品など期限管理を伴う業種との相性がとくに高い手法です。

動画・画像認識AI

スマートフォンやタブレットで棚を撮影すると、AIが映像から物品の種類と数量を自動識別・カウントする技術です。動画として記録を残せるため、「誰が・いつ・何を・どう数えたか」をあとから検証できるエビデンスとしても機能し、棚卸しの属人化解消と監査対応を同時に実現できます。

ただし、段ボールの中身や重なり合った物品はカメラの映像だけでは正確に捉えられないため、対象商材の形状によっては他の手法との併用が必要です。

生成AI×音声入力

冷凍庫で分厚い手袋を着けている、高所作業で両手がふさがっている——こうした環境で威力を発揮するのが、生成AIと音声入力を組み合わせた棚卸し手法です。作業員が「A棚3段目、品番1234、数量50」と話すだけで、生成AIが文脈を解釈し「品番」「数量」「ロケーション」を自動で仕分けて記録します。

手計算も不要になるため、暗算ミスや聞き間違いによるエラーが排除されます。作業の手を止めずに記録できる「ながら棚卸し」が可能になることで、過酷環境での棚卸し工数を劇的に圧縮できる点が従来手法にはない強みです。

IoT重量計

IoT重量計は、在庫の下に設置したマット型の計測器が重量変化から数量を自動算出し、クラウドへ送信する仕組みです。

AIカメラでは認識が難しい「パレットに段積みされた商材」「照度が低い倉庫の奥」「液体・粉体・ネジなどの小部品」の計測を正確に補完する技術として、AIカメラとの併用が棚卸し精度を最大化するセオリーとなっています。

棚卸しにAIを導入するメリット

AI棚卸しの最大のメリットは、手入力・目視カウントの排除によりヒューマンエラーと作業工数を同時に削減し、在庫差異の慢性化を根本から解消できる点にあります。主なメリットは以下の4点です。

数え間違い・転記ミスの排除による在庫差異の最小化
棚卸し工数の大幅削減と少人数での実施
動画・音声・画像記録による「後から検証可能な棚卸し」への転換
冷凍庫・高所・暗所など従来は実施困難だった環境への対応

手入力と目視カウントを自動化すれば、実在庫とシステム上のデータが食い違う最大の原因である「人の手によるミス」を構造的に排除できます。繁忙期や人手不足の現場でも少人数で棚卸しを回せるようになるため、棚卸しのためにシフトを増やすといった負担も軽減されます。

棚卸し結果が動画・音声・画像という形で自動的に記録として残る点も見逃せません。「あの人が数えたから大丈夫」という属人的な信頼に頼る棚卸しから、根拠を伴った検証可能な業務へと質的に転換できます。

さらに、音声入力やIoT重量計を活用すれば、端末操作が困難な冷凍庫や高所、照度が低い倉庫の奥など、これまで棚卸しそのものが困難だった環境でも精度の高い実地棚卸が可能です。

AI棚卸し導入で押さえるべき注意点と課題

AIは棚卸しの万能ツールではなく、認識精度の限界・現場環境との適合性・既存業務フローとの整合性を事前に理解したうえで導入設計をおこなう必要があります。留意すべきポイントは以下の4点です。

画像認識の物理的限界と人間によるチェックの併用
導入・運用コストの費用対効果の試算
現場スタッフの抵抗感への対応
既存システムとのデータ連携の事前確認

AIカメラ・画像認識には、段ボールの中身が見えない・照度不足で精度が落ちるといった物理的制約が存在します。棚卸しという正確性が求められる業務においては、AIの出力結果を最終回答とせず、重要なプロセスでは人間が確認するハイブリッド運用が必須となるでしょう。

次に、コスト面では、カメラ・センサー等のハードウェア費用、ネットワーク整備、システム連携の開発費が発生します。「棚卸し工数が月○時間減る」「差異率が○％改善する」といった定量効果と投資額を事前に突き合わせ、回収見通しを立てておくことが導入判断の前提です。

紙運用に慣れた現場では、とくに高齢のスタッフやアルバイトを中心にツール変更への抵抗感が生じやすい傾向があります。一斉切り替えではなく、特定エリアから段階的に導入しながら丁寧にトレーニングを重ねることが定着の近道です。

加えて、AI棚卸しツールのデータを既存のWMSや基幹システムへ連携する際のデータ形式・API仕様の整合性は、導入後に手戻りが発生しやすいポイントです。選定段階でベンダー間の連携実績の有無を確認しておくことで、稼働後のトラブルリスクを抑えられます。

【環境別】AIでの棚卸し手法の選び方

AI棚卸し手法は現場の物理的環境と商材特性によって最適解が異なるため、「どの環境で、何を数えるか」を起点に手法を選定することが失敗を防ぐポイントです。

常温倉庫・店舗
冷凍庫・高所・防塵環境
暗所・重なりが多い環境
バーコードなし・類似品が多い環境

常温倉庫・店舗

照明・通信環境が安定した一般的な倉庫や店舗は、スマートフォンによる動画撮影やAI-OCRが最も手軽に導入できる環境です。専用のハードウェアを追加で購入しなくても、手持ちのスマートフォン1台から始められるため、初期投資を最小限に抑えられます。

既存のバーコードスキャン運用との併用も容易で、たとえばバーコードのある商材は従来どおりスキャンで処理し、バーコードのない商材や手書きラベルの商材だけAI-OCRで読み取るという段階的な切り替えが可能です。「まずは一部の棚だけAI撮影に切り替えてみる」というスモールスタートに最適な現場といえます。

冷凍庫・高所・防塵環境

手袋着用が必須の冷凍庫、両手がふさがる高所作業、端末持ち込みが制限されるクリーンルームなどの環境では、タブレットやスマートフォンの画面操作自体が困難です。画面のタッチ操作や手書き記録が物理的に制約される以上、従来型の棚卸し手法では作業効率が著しく低下します。

生成AI音声入力は、こうした過酷環境でハンズフリーのまま記録を完結できる数少ない実用的手法です。たとえば冷凍庫内で「B列2段目、品番5678、数量30ケース」と話すだけで、生成AIが文脈を解釈して品番・数量・ロケーションを自動で仕分けて記録するため、作業を中断する必要がありません。

暗所・重なりが多い環境

照度が低い倉庫の奥やパレットに段積みされた商材、液体・粉体・小部品のような「見て数える」こと自体が難しい在庫には、IoT重量計が最適な選択肢です。重さという物理量で計測するため、光量やカメラの画角に左右されません。

たとえば、ネジやワッシャーのように1個あたりの重量が一定の部品であれば、マット上の総重量から個数を自動換算でき、目視では不可能な精度で棚卸しを完了できます。空間全体の監視はAIカメラ、個別の精密計測は重量計という役割分担が、現場全体の棚卸し精度を底上げする設計指針となります。

バーコードなし・類似品が多い環境

バーコードが付与されていない部品や、外見がほぼ同一の商材が大量にある工場・倉庫では、画像認識AIの学習精度と識別可能なクラス数が手法選定の決め手です。色・形状・サイズの微差をAIがどこまで見分けられるかは、学習データの量と質に大きく依存します。

そのため、導入前に実際の商材を使ったPoC（概念実証）を実施し、認識率と誤判定率を数値で確認してから本導入に進むことが、期待はずれの導入を防ぐ最も確実なステップです。PoCの段階で認識が困難と判明した商材については、AI-OCRによるラベル読み取りやIoT重量計との併用を検討することで、全体の棚卸し精度を担保できます。