物流現場の社員がAIアプリを開発、三井倉庫ロジスティクスの人材育成モデル

物流業界では労働力不足が深刻さを増し、地政学リスクの高まりや災害の激甚化といった外部環境の変化も重なって、多様化する顧客ニーズへの対応やサプライチェーン管理の高度化が求められるようになっています。業務は複雑さを増し、先行きも読みにくい。経験や属人的な判断だけで回し続けるには限界があり、データにもとづく意思決定を支えるデジタル技術が欠かせない、というのがこの取り組みの出発点です。

目を引くのは、両社が「デジタル技術を導入するだけでは現場の変革は進まない」という認識を前提に置いたことです。編集部の見立てでは、ここでの困りごとの本質は、使えるAIがなかったことではなく、現場の課題を要件の形に翻訳できる人が現場側にいなかったことにあります。倉庫や配送の作業には、その拠点でしか通じない段取りや例外処理が幾重にも積み重なっています。外部の担当者が要件を書き起こそうとすれば、その機微はどうしても抜け落ちる。ツールの調達ではなく人の育成が主題に据えられた理由は、そこにあると考えられます。

課題の特定と定義を現場社員の手元に残したことが、この育成モデルの骨格になっています。日常業務のなかから社員自身が課題を発見し、現場視点で要件を整理するところからサイクルが始まる設計で、最初の一歩が「与えられたテーマを解く」ではなく「解くべきテーマを決める」に置かれている。要件定義を外に出さない切り分けは、現場固有の例外を仕様から取りこぼさないための現実的な選択だったのではないでしょうか。

対象者を物流現場および関連部門で業務に精通した社員から選抜し、日常業務と並行して取り組む形にした点も効いていると考えられます。研修室で完結する座学ではなく、実際に困っている業務をそのまま題材にするOJT（実務を通じた訓練）の形をとることで、学んだ内容の使いどころを探す手間が最初から発生しません。業務知識を持つ人にAIの扱い方を足すという順序は、AIに詳しい人に業務知識を覚えてもらう順序よりも、立ち上がりが速い構えです。

開発して終わりにせず、実際の業務に導入して効果検証と改善を繰り返す工程までをサイクルに含めた設計も見逃せません。この一巡があることで、参加者は自分が書いた要件の当たり外れを現場の反応から確かめられ、育成と業務改善が同じ活動のなかで進みます。日本IBMは課題整理からユースケース設計、アプリケーション開発、運用定着までを伴走する役回りに徹しており、成果物を納品するのではなく進め方そのものを渡す分担になっている。この役割分担があるからこそ、開発経験のない現場社員が企画から運用までを主導するという、本来はハードルの高い構図が成り立っていると見られます。

本格展開に先立って実施されたトライアルには、現場社員8名が参加しました。過去の入出荷実績などのデータから物量を予測し、最適な作業計画の立案を支援する「AI物量予測アシスタント」や、物流品質上の課題が発生した際に商品の画像データから原因の特定と再発防止策の提示を行う「物流品質解析ツール」などが生まれ、いずれもすでに現場で運用が始まっています。両社はこの結果をもって、DX推進人材の育成と継続的な業務改善を両立するモデルとしての有効性を実証したと位置づけており、三井倉庫ロジスティクスは今後3年間で50名規模への拡大を方針として掲げています。