商船三井のAI航路最適化、試験運用で燃料6%減 全社データ基盤も構築

AIを使う以前の段階で、データは個別システムごとに管理され、定義やコード体系も揃っていませんでした。そのため部門や用途をまたいだ分析には、そのつど調整と手作業が発生していました。経営判断に必要な情報も社内のあちこちに分散し、全体像をつかむまでに時間を要する状態が続きます。運航の現場では、安全を確保しながら燃費効率を高めるために、気海象や船舶性能をふまえて航路や運航条件を判断できる仕組みの整備が課題でした。

編集部の見立てでは、ここでの本質的な困りごとはデータの量や種類の不足ではなく、同じ言葉が部門をまたぐと同じ意味で通じない、という点にあったのではないでしょうか。数字は存在するのに、突き合わせるたびに解釈のすり合わせが要る。この状態のままAIを載せても、出てくる答えの根拠を誰も信用できません。

データの調達・加工・結合・名寄せを基盤側で完結させるという切り分けが、この取り組みの土台になっています。前処理を利用する側に委ねると、部門ごとに独自の加工ルールが積み上がり、同じ指標が別々の数字で語られる状態へ逆戻りします。共通データの整備を基盤の責務として固定した設計は、分析の再利用性とデータの信頼性を同時に引き上げる狙いを持っていたと読み取れます。扱うデータ領域を一度に広げず段階的に拡張している点も、基盤を作り切ってから使うのではなく、使いながら育てる構えの表れです。

AIより先に業務プロセスを定義し直した順序も見逃せません。BPMを共通の方法論に据え、チャータリング業務や運航業務の流れと判断ポイントを可視化して標準手順としてデジタル化する進め方は、データが自然に溜まる業務の形を先に用意する工夫にあたります。「AI-ready（AIを使える状態）な業務基盤」という言葉が示すのは、自動化できそうな作業を後から探すのではなく、ボトルネックを特定できる設計図を先に持つ考え方です。国内外のIT部門や海外拠点、RPA・AI関連のチームと連携し、設計から自動化、モニタリングまでを一貫して支える体制を敷いたことで、この設計図がグローバルに展開できる共通言語になっています。

外から買う領域と自分たちで作り込む領域を分けた判断も効いています。海洋観測ブイ「Spotter Buoy」による観測網や波高の予測技術のように、蓄積そのものが競争力になる部分は既存のツールに委ね、自社は運航船への展開と現場での使い勝手の確認に集中しました。運航船40隻でのトライアルを挟んでから本格導入へ進む段取りは、船上と陸上の双方が同じ算出結果を使う運用に切り替えるうえで、現場の納得を得る手順として機能しています。

運航船40隻によるトライアルでは、1航海あたり平均で約6%の燃料消費とGHG排出の削減効果が確認され、参加した船長の80%以上が利便性と気海象予測の精度を高く評価しました。これを受けて本格導入が進み、2025年12月時点では約330隻が利用しています。気海象の予測精度は、衛星データのみを用いる従来手法と比べ、波高を含めて最大50%向上（欧州中期予報センターとの短期的な波予測比較に基づく）。業務プロセスの取り組みは、一般社団法人IIBA日本支部の「ビジネスアナリシス賞2025」で奨励賞を受けています。