多品種・高所・繁忙期の人手依存で負担とミスの温床になりがちな倉庫の棚卸・在庫カウント。目視・手作業の限界を整理し、カメラと画像AIによるケース計数・在庫照合が棚卸をどこまで補助しうるかを、現物検証を前提に解説します。
倉庫の棚卸・在庫カウントは、多くの物流現場・製造業の資材倉庫で「避けて通れないが、できれば軽くしたい」作業として位置づけられています。月次・四半期・期末といった節目で全数あるいは循環棚卸を行い、帳簿上の在庫数と現物の数を突き合わせる——この一見単純な作業が、実際には大きな負担とミスの温床になりやすいのはなぜでしょうか。まずはその構造を分解して捉えることが、対策を考える出発点になると考えます。
近年、製造・流通の現場では多品種少量化が進み、一つの倉庫が扱うSKU（在庫管理単位）の数は増える傾向にあると言われています。品目が増えれば、棚卸で「数える対象」も「取り違える可能性のある似た品目」も増えます。外観がよく似た型番違い・色違い・容量違いが隣り合って保管されているケースでは、人の目視での識別そのものに負担がかかり、計数以前に「どの品目か」を間違えるリスクが生まれます。
これは作業者の注意力の問題というより、識別すべき情報量が人の処理能力に対して過大になりやすい、という構造的な課題として捉えるほうが妥当だと考えられます。
倉庫の保管効率を上げるほど、棚は高くなり、奥行きは深くなり、ケースは段積みされます。保管密度の向上は経営上は望ましい一方で、棚卸の観点では「見えにくく、数えにくく、手が届きにくい」状態を作り出します。高所の在庫を確認するために脚立や高所作業車を使えば、計数作業に安全管理上の負担が上乗せされます。奥に積まれたケースは手前からは数えられず、いったん荷を動かす必要が出ることもあります。
「数える」という行為が、実際には「見える状態にする」「安全に近づく」という前段の作業とセットになっている点が、棚卸の所要時間を押し上げる一因だと考えられます。
棚卸は会計年度や四半期といった節目に集中しがちで、その時期はしばしば出荷の繁忙期とも重なります。日常業務で手一杯の人員を、限られた時間で棚卸に振り向けなければならない——この時間的・人員的なプレッシャーが、急ぎの計数による数え間違いや、確認の省略を誘発しやすくします。残業や休日出勤での対応は、現場の疲労を蓄積させ、さらなるミスを招く悪循環につながる可能性も否定できません。
棚卸の誤差は、単に帳簿と現物が合わないという話にとどまりません。在庫差異は、欠品による販売機会の損失、過剰在庫による保管コストやキャッシュフローの悪化、原価計算の不正確さ、さらには差異原因の調査という追加工数まで、下流に幅広い影響を及ぼしうるものです。だからこそ棚卸の精度と効率は、現場だけの問題ではなく経営課題として議論される価値があると考えます。
では、従来からの目視・手書き、あるいはハンディ端末による棚卸には、具体的にどのような限界があるのでしょうか。ここで重要なのは、これらを「作業者の努力が足りない」と捉えないことです。多くの限界は、人の認知特性や作業環境に由来する構造的なものであり、精神論ではなく仕組みで対応すべき課題だと考えられます。
人がまとまった数のケースや製品を目視で数えるとき、数十を超えるあたりから数え落とし・重複カウントが起きやすくなることは経験的に知られています。段積みされたケースの内部、奥に隠れた在庫、よく似た品目の混在は、いずれも計数の正確さを下げる要因です。「指差し確認」や「二人一組での再カウント」といった工夫は有効ですが、その分だけ工数は増え、繁忙期にはかえって省略されがちというジレンマがあります。
数えた結果を紙に書き、後でシステムに入力する——この転記の過程は、もう一つの誤差の発生源です。手書き数字の読み違い、行のずれ、入力時の打ち間違いは、計数そのものが正しくても最終的な在庫データを狂わせます。ハンディ端末でバーコードを読む方式は転記ミスを減らしますが、バーコードが貼られていない・汚れて読めない・そもそも一点ずつ読む手間が多品種大量では現実的でない、といった別の制約に直面することがあります。
前節で触れたとおり、高所の在庫確認には脚立や高所作業車が伴い、転倒・墜落といったリスクが生じます。安全のために作業を慎重に進めれば時間がかかり、急げばリスクが上がる——安全と効率のトレードオフが、高所棚卸には常につきまといます。フォークリフトと人の検知のような安全領域と同様に、人が危険に近づく作業をいかに減らすかは、棚卸でも検討に値する論点だと考えます。
「この棚はベテランの○○さんが担当」といった属人化は、短期的には効率的に見えても、その人が不在のとき・退職したときに作業品質が大きく揺らぐリスクを抱えます。どの順序で・どの単位で・どう数えるかが個人の経験に依存していると、棚卸結果の再現性や監査対応の説明力が下がりがちです。作業を標準化し、記録として残す仕組みは、品質管理の観点からも重要だと考えられます。
従来の棚卸は、ある時点の在庫を切り取るスナップショットです。次の棚卸までの間、在庫の実態は基本的にシステム上の理論値でしか把握できません。これは、差異が見つかってもその発生原因や発生時期を遡りにくいという課題につながります。在庫の動きを継続的に捉える仕組みがあれば、棚卸は「年に数回の大イベント」から「日常的に薄く確認する作業」へと性質を変えうると考えられます。
ここまで整理した限界に対して、カメラと画像AIはどのような補助ができるのでしょうか。まず強調しておきたいのは、画像AIは棚卸を「全自動で人なしに完結させる魔法」ではないという点です。現実的には、人が担っていた負担の大きい一部——特に計数と照合——を機械が下支えし、人は確認と例外対応に集中する、という協働の形が出発点になると考えます。
パレット上やコンベヤ上に並んだケース・箱・製品を、カメラ画像から数えるケース計数は、画像AIが比較的取り組みやすい領域の一つです。人が数十個を目視で数えるときに生じやすい数え落とし・重複を、画像上で一貫した基準で処理できる可能性があります。当社のケース計数AIやコンベヤ計数は、こうした「並んだものを数える」タスクを想定した取り組みです。計数の精度や条件依存性については、コンベヤ計数AIの精度に関する記事でも考え方を整理していますので、あわせてご覧いただければと思います。
ただし、段積みされて内部が見えないケースの数や、奥に隠れた在庫は、原理的にカメラからは見えません。「見えているものを正確に数える」ことと「見えないものを推定する」ことは別問題であり、後者には保管方法側の工夫（定数梱包・パレット単位管理など）との組み合わせが必要になると考えられます。
計数だけでなく、「何が・いくつあるか」を識別し、システム上の理論在庫と照合する工程も、画像AIが補助しうる領域です。品目のラベルや形状を画像から識別し、数量と組み合わせて在庫データと比較することで、差異のある棚・品目を人に提示する——という流れが考えられます。差異候補を機械が絞り込み、人はそこを重点的に確認する形にできれば、全数を一様に確認するより負担を抑えられる可能性があります。倉庫向けAIは、こうした倉庫業務全般の補助を想定した領域です。
多品種倉庫では「数える」前に「どの品目か」を正しく識別することが負担になりがちです。ケースや棚に貼られた型番・ロット・賞味期限などのラベルを画像から読み取るOCRは、この識別を補助しうる手段です。バーコードが貼られていない・読めない品目でも、印字された文字情報を手がかりにできる場合があります。文字認識の精度は印字品質・照明・フォントに依存するため、ここでも現物での確認が前提になります。
大切なのは、AIという道具から入るのではなく、自社の棚卸のどこに最も負担とミスが集中しているかを先に見極めることだと考えます。計数なのか、識別なのか、高所作業なのか、転記なのか——ボトルネックによって、有効な打ち手も、画像AIが効く度合いも変わります。道具の話に入る前に、自社の棚卸作業を工程ごとに分解して負担を可視化することをおすすめします。
画像AIで棚卸を補助しようとするとき、精度を左右する大半は「アルゴリズム」より前の、撮像・運用設計の段階にあると考えられます。元キーエンス画像処理事業部での経験からも、画像系の成否は照明・配置・対象の見え方をどう作り込むかに強く依存します。ここでは設計上の勘所を整理します。
棚卸を補助する撮像のポイントは、大きく分けて二つの考え方があります。一つは、入出庫の通過点（コンベヤ・ゲート・仕分けライン）で「流れているものを数える」方式。もう一つは、保管棚そのものを撮像して「置かれているものを数える」方式です。前者は照明や背景を安定させやすく計数に向く一方、保管中の在庫差異は捉えにくい。後者は現物在庫に直接アプローチできる反面、高所・奥行き・照明ムラといった倉庫特有の難しさが残ります。どちらが適するかは、棚卸のどの工程を補助したいかによって変わると考えます。
画像で安定して数えるには、対象とその境界がはっきり見えていることが重要です。隣接するケースの境界、影による誤分割、照明ムラによる明暗差は、いずれも計数精度を下げる要因になります。固定設置のカメラであれば照明を設計して安定させやすく、結果として再現性の高い計数が期待できます。逆に、可搬カメラやハンディで現場の様々な棚を撮る場合は、照明条件が一定しないぶん、難易度が上がる傾向があると考えられます。
ケース単位なのか、ケース内の個数なのか、パレット単位なのか——数える粒度は、倉庫の保管・管理単位に合わせて設計する必要があります。定数梱包（1ケース＝必ずN個）が徹底されていれば、ケースを数えるだけで個数を高い確度で推定できます。逆に梱包数がばらつく品目では、見えるケース数から内容数を推定することに無理が生じます。画像AIの設計は、こうした現場の保管ルールと不可分だと考えます。
計数・照合の結果は、最終的にWMS（倉庫管理システム）や在庫管理システムに反映されてはじめて価値を生みます。画像AIを単独のツールとして置くのではなく、既存の在庫データとどう突き合わせ、差異をどう人に提示し、確定をどう記録するか——というデータの流れ全体を設計することが重要です。当社ではハードウェア統合や既存システムとの連携も含めて検討する考え方をとっています。
技術的に数えられることと、現場に定着して棚卸が実際に楽になることの間には、しばしば距離があります。導入の成否を分けるのは、運用をどう設計するかだと考えられます。
画像AIの計数・照合結果には、必ず一定の不確かさが伴います。見えない在庫、判別の難しい類似品、想定外の積み方——こうしたケースでは、AIの出力をそのまま正とするのではなく、人が確認・補正する工程を組み込むことが現実的です。むしろAIの役割を「全数を一様に数える負担を、差異候補の確認という的を絞った作業に変える」ことと位置づけると、現場の納得感を得やすいと考えます。
はじめから倉庫全体・全品目に適用しようとすると、投資も調整負担も大きくなり、効果検証の前に頓挫しがちです。まずは負担とミスが集中している特定のエリア・品目群・工程に絞って試し、どこまで補助できるかを現物で確かめる——というスモールスタートが堅実だと考えます。PoC（実証）コンサルティングは、こうした小さく始めて検証する進め方を支援する取り組みです。
画像で棚卸を補助することの副次的な価値として、「いつ・どの棚を・どう数えたか」が画像とデータで残る点が挙げられます。これは差異が見つかったときの原因調査や、監査・取引先への説明において手がかりになりえます。属人的な記憶や手書きメモに依存していた部分を、再現性のある記録に置き換えられる可能性があると考えます。
一方で、撮像のためにケースを並べ直す・カメラを設置する・結果を確認するといった新たな作業が、削減した負担を上回ってしまっては本末転倒です。導入によって増える作業と減る作業を工程レベルで比較し、トータルで負担が減るかを冷静に見極めることが欠かせません。効果は現場の条件に強く依存するため、ここでも現物での検証が前提になると考えます。
これから検討する方が同じところでつまずかないよう、現場で起こりがちな落とし穴を整理します。いずれも「技術以前」に属する論点が多い点に注目していただければと思います。
最後に、倉庫の棚卸・在庫カウントの負担を段階的に減らしていくための進め方を整理します。一足飛びの無人化ではなく、現場の実態に合わせて少しずつ確かめながら広げる——という姿勢が、結果的に近道になると考えます。
まず、自社の棚卸を工程ごとに分解し、どこに時間・人手・ミスが集中しているかを可視化します。計数なのか、識別なのか、高所作業なのか、転記なのか。ボトルネックが分からなければ、有効な打ち手も選べません。この段階はAIの話に入る前の、最も重要な準備だと考えます。
負担が集中している領域に絞り、カメラと画像AIがどこまで補助できるかを現物で検証します。実際の品目・実際の棚・実際の照明で試すことで、カタログ値では分からない条件依存性が見えてきます。倉庫フィジカルAIのロードマップでも、段階的に確かめながら広げる考え方を整理しています。
検証で手応えのあった領域から、人の確認と組み合わせた運用へ組み込み、効果を確かめながら対象を広げていきます。一度に全体へ広げるのではなく、効果が確認できた範囲を着実に増やすほうが、現場の納得と定着を得やすいと考えます。
当社は、元キーエンス画像処理事業部出身の監修者の知見をもとに、画像・カメラ・AIが棚卸や計数のどこに効きうるか、どこは効きにくいかを、できるだけ率直にお伝えするよう努めています。画像系の成否は照明・配置・対象の見え方という現物条件に強く左右されるため、机上の議論だけで結論は出ません。だからこそ、まずは小さな範囲から、現物・現場での検証を通じて一緒に確かめていくことをおすすめします。倉庫の棚卸という負担の重い作業を、少しでも軽くできる余地があるかどうか——その見極めを、ご一緒できればと考えています。
完全な無人化を初手で狙うことは、現実的には難しいと考えられます。段積みの内部や奥に隠れた在庫はカメラから原理的に見えず、類似品の識別にも限界があるためです。現実的には、計数や照合といった負担の大きい工程を機械が補助し、人が確認と例外対応に集中する協働の形が出発点になると考えます。
計数の精度は、対象品目・棚の構造・照明条件・積み方に強く依存するため、一律の数値をお示しすることは控えています。出典のない精度を前提に投資判断をするのは避けたほうがよいと考えます。実際の品目・棚・照明で試す現物検証を通じて、自社の条件での精度を確かめることをおすすめします。
用途次第だと考えます。バーコードやRFIDは個体識別に強い一方、ラベル未添付・汚れ・一点ずつ読む手間といった制約に直面することがあります。画像AIは並んだものをまとめて数える計数や、印字されたラベルのOCRで補完しうる手段です。どれが適するかは、棚卸のどの工程を補助したいかによって変わります。
可能だと考えます。むしろ、負担とミスが集中している特定のエリアや品目群に絞って試し、現物で効果を確かめるスモールスタートをおすすめしています。PoC（実証）コンサルティングを通じて、小さく始めて検証する進め方をご一緒できます。導入で増える作業と減る作業を工程単位で比較し、トータルで負担が減るかを見極めることが大切です。
撮像方法の設計次第で、補助できる余地はあると考えます。固定設置のカメラで高所の棚を撮る、入出庫の通過点で数えるなど、人が高所に近づく頻度を下げる方向は検討に値します。ただし高所・奥行き・照明ムラは倉庫特有の難しさでもあるため、現物での検証を前提に見極める必要があると考えられます。
計数・識別・高所作業——自社の棚卸のどこに負担が集中しているかを整理し、画像AIがどこまで補助しうるかを現物で検証するところから始められます。元キーエンス画像処理事業部出身の監修者とともに、率直にお話しします。
棚卸・在庫カウントの相談をする