実地棚卸（現物確認）をAI画像認識で効率化する方法｜『ハンディ入力と目視』の負担を減らす

「実地棚卸、毎回この時期がつらい」を構造で見る

陶磁器・食器卸、電子部品卸、塗料卸、紙・文具卸のように、扱う品目数が数百〜数千SKU（品目）に及ぶBtoB卸にとって、定期的な実地棚卸（帳簿上の在庫数と、倉庫にある現物の数量を実際に数えて突き合わせる作業）は避けて通れない業務です。理想は「日々の入出庫データが正確で、実地棚卸は年数回の確認作業で済む」状態ですが、実際には棚の奥や高い場所に品目が紛れ込み、似た形状・色違いの商品を数え間違え、気づけば棚卸のたびに残業続きで数日がかりになっている——という状態に心当たりがないでしょうか。

問題は、この現物確認の精度と速度が、ハンディターミナルでのバーコード読み取りと、担当者の目視・記憶に依存していることです。品目数が増えるほど、1点ずつバーコードを読み取る作業自体に時間がかかり、繁忙期には棚卸のためだけに臨時の人員を投入する会社も少なくありません。似た型番・似た色の商品が並ぶ棚では、バーコードが貼り替わっていたり読み取れなかったりする例外対応もその都度発生し、集計の遅れとミスの両方を招きます。これは、日々の在庫の欠品に気づくのが遅れる構造ともよく似ています。実際、欠品も「気づいたときには販売機会を逃している」という同型の課題であり、在庫の予兆管理入門で整理した予兆管理の考え方は、実地棚卸の負担そのものを減らす日々の在庫精度向上という観点でも参考になります。

この記事では、実地棚卸がなぜ時間とミスを生みやすいのか、AIによる画像認識でどこまで現物確認を効率化できるのか、そして進め方と費用の目安を解説します。

ハンディ入力・目視だけの実地棚卸は、どこで限界を迎えるか

実地棚卸に時間がかかり、ミスも減らないのは、現物を確認する手段がバーコード1点読みと人の目視・記憶に限られているためです。

• 数百〜数千SKUの品目を1点ずつハンディターミナルでバーコード読み取りするため、棚卸のたびに丸1〜2日、繁忙期には臨時人員を投入してようやく終わる
• バーコードラベルの貼り替わり・かすれ・破損があると、その都度手作業での品番特定が必要になり、担当者の経験に頼った目視確認が発生する
• 似た形状・色違い・型番違いの商品が同じ棚に混在していると、目視だけでは数え間違いや品目の取り違えが起きやすく、棚卸差異の原因究明にさらに時間を取られる
• 集計結果を台帳やExcelと突き合わせて差異を確認するのは棚卸終了後になるため、数え間違いに気づくのが数日後になり、再カウントの手戻りが発生しやすい

これらは、現物確認の手段を人の目視と1点読みのバーコードだけに頼っている限り、人員を増やしても解消しにくい構造的な問題です。EC商品の画像をAIでタグ付けし検索性を高める取り組み（EC商品画像をAIで認識・タグ付けする方法｜「似ている商品が探せない」を画像から解決する）とは異なり、実地棚卸では「オンラインでの検索性」ではなく「倉庫にある現物の数量・品目を早く正確に確認する」ことが目的になるため、業務文脈が異なる別の設計が必要です。

AIで実地棚卸の「現物確認」を支援するとは

ここで押さえておきたいのは、awaiがご提供するのは「棚卸を全自動で完結させる専用ロボット・専用機器」という単体製品ではなく、LLM（大規模言語モデル。文章など非定型のデータを扱えるAI）を活用したデータ構造化コンサルティングの一環として、棚を撮影した画像から品目・数量の見立てをAIが支援し、台帳データとの差分候補を洗い出しやすくするという支援です。

すでに近い取り組みとして、商品画像に写っている色・柄・形状・カテゴリをAIで認識しタグ・属性データとして整理する支援や、紙・PDFカタログの画像をOCR（画像の中の文字を読み取る技術）でテキスト化したうえでLLMが構造化する支援を行っており、本記事のテーマはその延長線上にあります。「棚の画像から品目・数量の候補をAIが提示し、台帳との差分を人が確認しやすい形に整える」ところまでがawaiの役割で、実際の再カウント・確定判断や、ハンディターミナルでの正式な棚卸処理は既存の運用と組み合わせて設計します。

なお、商品の陳列密度や、似た商品が重なって置かれている状態では、画像からの数量把握の精度はどうしても下がります。「精度◯◯%」という数字を鵜呑みにするのは危険で、awai自身が自社の認識精度を数値で保証することはしません。実務では、精度そのものよりも「どこまで画像から候補を絞り込み、どこは人が現物を確認する運用にするか」という切り分けの設計のほうが、導入後の実用性を左右します。

進め方（4フェーズ）

全品目・全倉庫を一気に対象にするのではなく、段階を踏んで進めるのが実務的です。

①診断では、対象品目・保管レイアウト・現状の棚卸手順（ハンディ運用・所要時間・差異発生の傾向）を洗い出し、AIでどこまで画像から候補を絞り込め、どこに人の確認が必要かを見立てます。

②PoC（概念実証。小規模に試して効果を確認する工程）では、一部の棚・カテゴリに絞り、実際の棚の画像を使ってAIによる品目・数量候補の抽出を試し、認識精度と人による確認・再カウントがどの程度必要になるかを確認します。

③実装では、PoCで見えた精度・運用範囲を踏まえて対象棚・カテゴリを広げ、画像から得られた候補データを既存の棚卸手順・台帳照合フローに連携できる形で整えます。

④運用は、商品構成・棚レイアウトの変化に応じて、認識の対象・確認ルールを見直し続ける工程です。

費用の目安

費用は対象品目数・保管棚数・撮影運用の複雑さによって変わりますが、市場の一般的な目安として、awaiがご案内している水準は次のとおりです（相場感の参考としてご覧ください）。

• 初期診断・設計：20〜30万円（現在の棚卸手順・保管レイアウトの実態把握・画像認識の対象設計・ROI試算）
• 実装：50〜200万円（対象品目数・保管棚数・撮影運用の複雑さによる）
• 保守・運用：5〜15万円／月（棚レイアウト変更時の認識対象の見直し・確認ルールの更新）

awaiでは、この初期診断そのものを入口としてご提供しています。有償の診断で「どこまで画像認識で候補を絞り込め、費用はどれくらいか」を先に見える化し、その後に実装をご発注いただいた場合は診断費を全額実装費に充当します。「診断だけで終わってもレポートは残り、進めれば診断費は実質無料になる」形なので、いきなり大きな開発費をかける前に、費用対効果を確かめてから判断していただけます。手作業でのバーコード1点読みと目視確認に費やしていた工数が減れば、一般的な目安として月30〜100時間程度の削減が見込め、年間45〜150万円相当の人件費削減に相当し、投資回収は一般的に6〜12ヶ月が目安です（数値はいずれも一般的な目安であり、実際の効果は貴社の品目数・保管棚数・撮影運用の複雑さにより異なります）。

まとめ——実地棚卸は「現物確認の手段を増やす」ところから効率化する

実地棚卸のたびに残業続きになる、数え間違いの原因究明に時間を取られる、と感じているなら、原因は担当者の作業スピード不足ではなく、現物確認の手段がバーコード1点読みと目視だけに限られていることにある可能性があります。

awaiは、LLMを使って棚の画像から品目・数量の候補をAIが支援し、台帳データとの差分を人が確認しやすい形に整えるところまでをご支援します。ECサイト（Shopify）の構築・改修や、商品画像のタグ付け・紙カタログの構造化と同じ体制で行っているため、「候補の絞り込みは自動化するが、最終確認・確定は人が行う」という現実的な線引きを保ったまま、実地棚卸の負担を軽くする設計が可能です。日々の在庫精度向上は在庫の予兆管理入門、商品画像のデータ活用はEC商品画像をAIで認識・タグ付けする方法｜「似ている商品が探せない」を画像から解決するであわせて扱っています。「実地棚卸、毎回同じ時期に同じ苦労をしている気がする」と感じたら、まずは現状をお聞かせください。

※本記事の費用・ROIは市場の一般的な目安であり、対象範囲・品目数・保管棚数によって変動します。正確なお見積りは診断にて算出します。

実地棚卸の費用目安や進め方はよくあるご質問でも回答しています。