物流の改善事例をデータベース化し、生成AIチャットで若手も探せる仕組みづくり

出発点は現場の声でした。過去の事例を把握しきれていない若手から「何をすれば良いかわからない」「新しい業務改善提案が思い付かない」という声が上がり、収益性やスピードも求められるなかで、管理者側が若手の教育に危機感を持って検討を進めています。

編集部の見立てでは、ここでの困りごとはアイデアの不足そのものではありません。倉庫の改善は、誰かが似た状況で試し、うまくいったりいかなかったりした積み重ねの上に成り立つものです。その積み重ねが個人の経験や事業所ごとの記憶の中にとどまり、後から来た人が引き当てられる形になっていなかった。若手が「思い付かない」と口にするとき、実際に足りていなかったのは発想力ではなく、手元で参照できる過去の手札だったのではないでしょうか。

ナレッジ継承の仕組みを、EBPM（政策の企画を、その場限りのエピソードではなく統計データなどの合理的根拠に基づいて行う立案手法）から着想して組み立てた点が、この取り組みの骨格になっています。改善提案を担当者の経験則に委ねるのではなく、過去事例という根拠を誰もが参照できる状態に置く、という順序で課題を捉え直したわけです。データベースを作ること自体を到達点とせず、若手層がその蓄積を使いこなせるところまでを一続きの設計とした点が、単なる資料整理と分かれる分岐点になっています。

紙やOJTでも継承はできるという前提を否定せず、デジタルの検索チャットに別の役割を割り当てた切り分けも見どころです。言語化しにくいノウハウは対面の教育で補い、事業所をまたいで同じ土台を共有する部分はデータベースが受け持つ。役割を分けたことで、どちらか一方の手段に過大な期待をかけずに済みます。離れた拠点同士でも同じ認識の上で改善提案ができるという狙いは、検索できる共通の媒体があって初めて成立するもので、この見極めが手段の選択を決めています。

生成AIという理解の難しい領域で、デモを通じて完成後のイメージを掴めたこと、専門的になりすぎない言葉で説明されたことが選定の決め手になりました。発注側が中身を分かったうえで判断できる状態を先に作る進め方は、導入後に現場へ趣旨を説明する場面まで効いてきます。役割分担も明快で、Appen JapanがAIプロジェクトの立ち上げと教師データ・アノテーションの提供を担い、Lightblueが検索チャットシステムの構築を担当するという形で、データを整える工程とシステムを作る工程が分けられています。

現時点で示されているのは、システムの導入までは進み、社内の物流センターや事業所への会社横断的な展開はこれからという状況です。定量的な効果測定は難しい部分があるため、現場に使い込んでもらいながら管理者が声をヒアリングし、定性的な評価を重ねていく方針が取られています。数字で語れる成果を先に求めず、まず使われる状態を作りにいく判断とも読めます。