卸売業・商社の在庫管理にAIエージェントを使う：持ちすぎ・欠品の判断材料づくり
卸売業や商社の現場で「在庫の持ちすぎ」と「欠品」が同時に起きているとき、その根本はたいてい「判断材料が手元にない」か「データは揃っているが見えていない」かのどちらかです。売れ行きデータ、残在庫、発注残、入荷予定、得意先別の引き合い状況――これらが各担当者のExcelや頭の中に分散していると、在庫判断のたびに人を呼び止めて確認する作業が発生します。
AIエージェントが在庫管理の文脈で力を発揮するのは、この「材料を集めて定時に並べる」作業です。需要を予測して「最適発注量を自動計算する」という方向性は大手向けの取り組みとして語られることが多いですが、中小の卸売業・商社では「まず判断材料を毎日定刻に揃える」という手前の課題から入るほうが現実的です。
ここでは、卸売・商社業態の在庫問題に絞り、AIエージェントが担える具体的な仕事と、導入前に考えておくべき前提を整理します。
卸売業・商社の在庫管理が難しい理由
卸売業の在庫管理が製造業や小売業と構造的に異なるのは、メーカー側の事情と得意先側の事情を同時に抱える点です。
メーカー側には最低発注単位(ロット)があります。必要な数量が10個でも、最低ロットが50個なら50個買わなければならない。売れ見込みを誤ると倉庫に余剰が積み上がります。さらに、輸入品を扱う商社では発注から入荷まで数週間から数か月かかるケースがあります。このリードタイムの長さが、現時点の在庫数だけを見て判断することを難しくします。
得意先側には、季節需要と突発的な大口引き合いがあります。同じ商品でも、得意先Aは春に集中注文し、得意先Bは年間を通じて分散発注する。得意先ごとの傾向が数字として可視化されていなければ、「全体の在庫は充足しているはずなのに特定の得意先向けが欠品する」という事態が起きます。
こうした問題に共通するのは、「見えれば防げた」という構造です。データはどこかに存在する。ただし分散している、更新が遅れる、担当者が休みのときに引き出せない、という状態が積み重なっています。
業界の前提として押さえること
在庫管理にAIエージェントを持ち込む前に、取り扱い品目の性質を確認しておく必要があります。品目の規制特性によって、AIが担える範囲と、人間が責任を持つ範囲の境界が変わるためです。
食品・食品原材料を扱う卸売業では、賞味期限・消費期限の管理が法令上の義務です。先入先出の徹底と、期限切れ前の在庫アラートが基本要件になります。AIエージェントが期限データを自動集計してアラートを上げる仕組みは実装しやすい領域ですが、前提として在庫システムに期限情報が正確に入力されていることが必要です。「システムに存在しないデータはAIも読めない」という原則は、食品卸では特に意識が要ります。
医薬品・医薬部外品の卸売は医薬品医療機器等法(薬機法)の下で保管・記録義務があります。温度管理の記録、入出庫の追跡可能性など、記録そのものが法的要件です。AIエージェントが自動集計するデータが監査に耐える形式になっているかどうかは、導入前に確認が必要です。
化学品・危険物では消防法上の貯蔵量制限があります。発注した場合に制限量を超えないかという確認を、現状は担当者が手計算していることが多い。ここはルールベースの自動チェックが合います。「AIが判断する」のではなく「入力値に対して閾値を計算して警告する」という設計であり、関数やRPAで実装できる部分です。
日用品・雑貨・アパレルでは法規制の縛りは相対的に緩いですが、季節波動と品番数の多さが管理の複雑さを生みます。1,000品番以上を扱う卸では、担当者が全品番を定期的に確認することは現実的でなく、「異常な動きをしている品番だけ浮き上がらせる」仕組みの需要が高い。この分野こそ、AIエージェントが最も素直に機能する領域です。
AIエージェントが支援できる在庫管理の3シーン
出典: 自社作成
シーン1 複数拠点・システムの在庫データを1か所に集める
複数の倉庫を持つ卸売業では、拠点ごとに異なるシステムが動いていることがあります。基幹システム、倉庫管理システム(WMS)、一部の商品はExcel台帳と、バラバラな形式で在庫数が管理されている状態です。担当者は毎朝それぞれのシステムにログインして数字を確認し、手でコピーして一枚のシートに集約する。この作業に1日30分から1時間をかけているケースは珍しくありません。
AIエージェントは、これらの異なるデータソースから定時に情報を取得し、一つの形式にまとめる集約作業を担えます。毎朝7時に各拠点の在庫数を取得して一覧を作り、担当者に通知するという運用です。
ここでのAIの役割は「情報の結合と整形」であり、需要予測や発注判断ではありません。定型フォーマットのデータ取得はRPAや関数で自動化できる場合が多く、異なるフォーマットの突合や「そもそもデータが取得できなかった場合の検知と報告」にLLMの柔軟性を使うという設計が現実的です。
自社の運用でも、複数のサービスからデータを取得して定型レポートを生成する作業はエージェントに移管しています。担当者が毎朝手動で確認に充てていた時間を、判断や得意先対応に使えるようになるという変化がこの段階で出てきます。数値化しにくい変化ですが、「確認のための確認」に使う時間が減ることの実感は現場で明確に出ます。
シーン2 発注タイミングのアラート材料を自動で用意する
在庫が安全在庫を下回ったときに自動でアラートを出す機能は、基幹システムが標準で持っている場合もあります。ただし「安全在庫の設定値が古いまま放置されている」「リードタイムが変わったのに条件が更新されていない」というケースが現場では起きています。アラートが出ても「いつものことだから」と無視されるようになると、仕組みが形骸化します。
AIエージェントが支援できるのは、「設定値の定期見直し」に必要な材料を自動で作る部分です。過去の発注実績、実際の入荷日、得意先別の出荷実績を集計し、現状の安全在庫設定が実態とずれていないかを確認できる資料を定期的に生成する。最終的に安全在庫の数値を変更する判断は人間が行います。AIは「この品番の直近の出荷ペースが設定時と変わっています」という事実を提示する係です。
発注タイミングの自動化を先に考えるよりも、「判断の材料を定期的に届ける」ステップを先に挟むことを勧めています。自動発注は金銭的なコミットメントを伴う行為であり、AIが不要と判定して何もしなかった場合の欠品リスクも考慮が要ります。進め方でも触れているとおり、「自動化する範囲」と「人間が確認する範囲」の境界を先に決めることが、導入後の混乱を防ぐ鍵です。
シーン3 滞留在庫の定期レポートを自動生成する
動いていない在庫は「見えなければ問題として認識されない」まま倉庫スペースとキャッシュを占有し続けます。〇日以上出荷がない品番を週次で一覧化し、担当者に送付するという作業はルールが明確なため、エージェントが全体を受け持てます。
レポートの精度を上げるには、「なぜ動いていないか」の仮説を添えることです。得意先の引き合い状況(最後の注文からの経過日数)、類似品番との動き比較、季節性のデータがあれば、「この在庫は需要期前の正常ストックか、それとも本当の滞留か」を判断する材料になります。LLMは「テキストとして表現された複数の条件を結合して仮説を文章化する」作業が得意なため、この「材料の解釈文の生成」にAIを活用できます。
ただし「在庫の処分を提案する」「値引き売りを実施する」といった意思決定はAIに委ねません。損失確定を伴う判断には、経営判断と顧客関係の両面が絡みます。AIが「この品番は〇日出荷がありません」と事実を出し、判断は担当者と経営者が行う分担です。
体制と進め方
出典: 自社作成
在庫管理のAIエージェント導入で最初につまずくのは、たいてい「どこから手を付けるか」の絞り込みです。「在庫問題を全部解決する」という目標設定は広すぎて、要件定義のフェーズで止まります。
起点として有効なのは、「今、誰が、どの作業に時間を使っているか」を棚卸しすることです。在庫確認のために毎朝Excelを開いて複数シートをコピーしている担当者がいれば、そのコピー作業がタスク分解の起点になります。その作業を自動化するだけで、判断に使える時間が増えるという手応えが出やすい。AIエージェント構築代行 完全ガイドでも書いていますが、「業務のどこに滞りがあるか」を先に特定することが、ツール選定よりも先の工程です。
体制については、最初から専任チームを作る必要はありません。在庫担当者1人と、仕組みを作れるメンバー(または外部の構築代行)が連携できれば、小さく始められます。
進め方の基本は4段階です。まず「データの棚卸し」として、どの在庫データがどこにあり、フォーマットは何で、更新頻度はどれくらいかを整理します。この段階でAIが手を出すわけではなく、人間が現状を把握する作業です。次に「自動化の対象を1つに絞る」段階として、「毎朝の在庫サマリー生成」や「〇日以上滞留品番のリスト」など、アウトプットのイメージが明確なものを選びます。その後「小さく動かして検証する」段階では、生成されたレポートの内容が実態と合っているかを担当者が週単位で確認し、ずれがあれば仕様を修正します。最後に「効果が確認できたら横展開する」段階として、対象品番を増やす、他の拠点に適用するといった拡張に移ります。
無料AI診断では、現在の業務フローと課題をヒアリングした上で、自動化できる箇所とそうでない箇所を整理してお伝えしています。「どこから手を付けるか」で迷っている場合はここから入るのが近道です。
AIに任せてよいことと、判断は人間が持つこと
AIエージェントが在庫管理に入ったとしても、「最終的にどれだけ持つか」という在庫水準の判断は人間に残ります。これは機能の限界ではなく、設計の問題です。
在庫水準の判断には、財務状況(手元資金とのバランス)、取引先との関係(優先して確保すべき得意先かどうか)、市場の変化(原材料価格の動向、競合の欠品情報)など、定量データに乗らない情報が関わります。AIは「データとして存在するものを処理する」のが強みであり、「データになっていない文脈を読む」のは人間の仕事です。
裏返せば、「毎日同じ手順でデータを集めて一定の条件で仕分けして報告する」という作業は、AIが担うのに最も向いています。担当者が「確認するための確認」に使っていた時間を減らし、実際の判断と取引先との対話に充てられる時間を増やすことが、在庫管理にAIエージェントを入れる本質的な目的です。
「AIが不要だと分かること」も一つの成果です。在庫データを棚卸しした結果、「基幹システムの標準機能を正しく使えば足りる」という結論になるケースもあります。それは導入の失敗ではなく、自社の実態に合った判断を引き出せたということです。料金の考え方にも書いていますが、構築代行の役割はツールを売ることではなく、自社に合った最小の仕組みを特定することにあります。
在庫の滞りは、多くの場合「データがない」のではなく「データが見えていない」から起きています。まずその構造を整理することから、在庫管理の改善は始まります。