物流のAI導入｜報告義務が始まったいま、データをどう活かすか

物流でのAI活用は、大きく4つの領域に分かれます。まず全体像を確認してください。

2026年4月、報告が義務になった

これまでとの違いは、法律がデータの把握を求めるようになったことです。

2024年5月に公布された改正物流効率化法は、2025年4月に第一段階が施行され、荷主・物流事業者等に努力義務が課されました。そして2026年4月に第二段階が施行され、一定規模以上の事業者が「特定事業者」として指定される仕組みが始まっています。

経済産業省の資料によると、特定事業者に指定される基準と義務は次のとおりです。

2026年度の中長期計画は、10月末が期限

問題は、この義務にいつまでという期限がついていることです。特定事業者の届出は2026年5月末までとされ、中長期計画の提出は、通常は指定を受けた年度の7月末日ですが、2026年度については10月末日が期限とされています。

中長期計画には、次の3項目について実施する措置と目標、実施時期を記載することになります。

• 運転者一人当たりの1回の運送ごとの貨物の重量を増加させること
• 運転者の待ち時間を短縮すること
• 運転者の荷役時間を短縮すること

計画は基本的に毎年度の提出ですが、内容に変更がなければ5年に一度で足りるとされています。規定どおりに提出しなかった場合の罰則も定められているため、該当する事業者は期限を確認してください。

そしてこの3項目は、いずれも数字で示すことが前提になっています。荷待ち時間がどれだけ発生しているか、積載率がどうなっているか。測っていなければ、計画も報告も書けません。

なお指定は、指定基準を満たす事業者が所定の届出を行い、特定事業者として指定される仕組みです。届出・指定等の手続きは、原則として「e-Gov電子申請」でのオンライン申請とされています。自社が対象かどうかと手続きの詳細は、国土交通省の「物流効率化法ポータルサイト」でご確認ください。

何をすればよいか迷う場合、各省庁が実務向けの資料を公開しています。ポータルサイトの「判断基準解説書」や、立場ごとに取り組むべき措置を整理した「パターン集」、経済産業省・農林水産省などの対応の手引きです。まずこれらを確認するのが、実務的な出発点になります。

法対応とAI導入を、別々にやらない

多くの事業者が、いま「測る仕組み」を作っている最中だと思います。ここが重要な分岐点です。

報告のためだけにデータを集めると、報告書を出して終わりになります。一方、同じデータは配車の最適化にも需要予測にも使えます。集め方を少し設計するだけで、法対応の副産物として改善の材料が手に入ります。

この記事では4領域を順に見ていきますが、最後のブロックで「法対応で集めるデータをどう活かすか」を整理します。いま報告体制を作っている段階なら、そこから読んでも構いません。

この記事の情報は2026年8月時点のものです。制度は改定されるため、実際の対応は各省庁の最新情報でご確認ください。

配送先の順番と担当車両を組む作業を、AIで支援する領域です。効果は大きい一方、物流のなかで最も難易度が高いのもここです。

なぜ難しいのか

ベテランの配車担当者は、システムに入っていない条件を大量に踏まえて組んでいます。

• この荷主は、午前指定を守らないと次から発注が来ない
• この納品先は、大型車が入れない。前面道路が狭い
• この2社は、同じ便に載せてはいけない（競合関係）
• このドライバーは、この地域の抜け道を知っている
• この時間帯は、あの交差点で必ず詰まる

これらは配車担当者の頭の中にあり、どこにも書かれていません。この洗い出しが、実際の作業量の大半を占めます。

洗い出しのやり方

「制約条件を書き出してください」と依頼しても出てきません。本人にとっては当たり前すぎて、条件だと認識していないためです。

実務で有効なのは、過去の配車表を見ながら「なぜこうしたのか」を聞いていく方法です。

• 「この順番にしたのは、何か理由がありますか」
• 「この2軒を入れ替えると、何が困りますか」
• 「配車を組むとき、最初に決めるのはどれですか」
• 「新人がやると、たいていどこで失敗しますか」

1〜2週間分の配車表を題材にすると、主要な条件を洗い出しやすくなります。最後の質問が特に効きます。失敗の型を聞くと、重要な制約が逆から見えてきます。

洗い出しそのものに価値がある

この作業は、AIを導入しない場合でもやる意味があります。配車業務が属人化している範囲が可視化されるためです。

配車担当者が休むと止まる、退職されたら回らない。この状態から抜け出す第一歩になります。条件を書き出しただけで、他の人でも組めるようになったという結果もありえます。

全自動を目指さない

配車をAIが完全に自動生成する形は、条件が多い事業者ほど成立しません。AIがたたき台を出し、担当者が調整する形が現実的です。

そして、修正された箇所を記録してください。「AIの案をどこで直したか」が、次に学習させるべき条件そのものです。この記録がないと、いつまでも同じ修正を繰り返すことになります。

出荷量を予測し、拠点ごとの在庫を調整する領域です。4領域のなかで、比較的着手しやすいのがここです。

なぜ着手しやすいのか

使うデータがすでに社内にあるためです。出荷実績、受注データ、在庫データ。基幹システムや倉庫管理システムに蓄積されています。新たにセンサーやカメラを設置する必要がありません。

効果も金額に換算しやすい領域です。緊急輸送の費用、拠点間の横持ち、欠品による機会損失、過剰在庫の保管費用。いずれも現在いくら発生しているかを把握できます。

物流特有の効き方

需要予測というと小売や製造の話に聞こえますが、物流では別の効き方をします。

• 車両の手配が前倒しできる — 繁忙が読めれば、傭車の確保を早く動ける
• 拠点間の横持ちが減る — 在庫の置き場所が適切なら、緊急の移動が減る
• 人員シフトが組みやすくなる — 倉庫作業の山谷が読めれば、前もって人を配置できる

とくに1つ目は、ドライバー不足の状況では直接効きます。直前に傭車を探すより、早い段階で確保に動けるほうが、選択肢を持ちやすくなります。

拠点をまたぐと、効果が大きくなる

複数拠点を持つ事業者では、「どこに置くか」の判断が加わります。ここが物流での需要予測の本領です。

同じ在庫量でも、置き場所が需要と合っていなければ、緊急の横持ちが発生します。逆に配置が適切なら、同じ在庫量でも欠品が減ります。

判断に使うのは、拠点ごとの出荷実績と、拠点間の輸送リードタイムです。どちらも既存のデータで揃うことが多く、新たな設備投資を抑えやすいです。

効果の測り方も明確です。緊急輸送の発生回数と費用、拠点間横持ちの件数。これらの現在値を先に押さえておけば、導入後の比較ができます。

精度は100%にならない、という前提で使う

よくある失敗が、「予測が外れたから使えない」と結論づけることです。比較すべき相手は100%ではなく、いまのやり方です。

多くの現場では、担当者の経験で見込みを立てています。その精度が何%なのかを、まず測ってください。それより高ければ使う価値があります。

また、予測を「決定」ではなく「たたき台」として扱う設計にすると、現場の受け入れが変わります。判断を奪わない形のほうが定着します。

倉庫の話になると、すぐにロボットや自動搬送機の導入が検討されがちです。ただその前に、費用をかけずに効く手があります。

ロケーション最適化から入る

ピッキング作業の時間の多くは、歩行に費やされています。出荷頻度の高い商品が奥にあれば、そのぶん毎回歩くことになります。

入出庫履歴を分析すれば、どの商品をどこに置くべきかを組み直せます。大規模な設備投資をせず、棚の配置変更から始められます。効果も歩行距離という形で測れます。

あわせて、同時に出荷されやすい商品の組み合わせも見えてきます。近くに置けば、1回のピッキングで完結する割合が増えます。

ピッキング順の最適化

次の段階が、ピッキングの回り方です。複数の注文をまとめて、効率のよい順路で回る。これも既存データで組めます。

ただし注意点があります。システムが示す最短経路が、現場の実感と合わないことがあります。通路の混雑、フォークリフトの動線、重量物の積み方。こうした条件が反映されていないと、机上では最短でも実際は遅くなります。

導入時は、現場の作業者に「この順番でやりにくい理由」を聞いてください。それが不足している条件です。

倉庫管理システムがあるかで、前提が変わる

ロケーション最適化もピッキング順の最適化も、入出庫の履歴が電子で残っていることが前提です。

倉庫管理システム（WMS）が入っていれば、必要なデータはそこにあります。一方、ハンディ端末を使っておらず紙で運用している倉庫では、まず記録の仕組みから始まります。

この場合、AI導入ではなくWMSの導入そのものが先の課題になります。順序を飛ばすと、分析するデータが存在しないという状態になります。

着手前に、次を確認してください。

• 入出庫の履歴が、どこまでさかのぼって残っているか
• ロケーション（棚番）の情報が管理されているか
• 作業者ごとの実績が取れているか

自動化を検討するのは、その後

ロケーションと順路を整えたうえで、まだ人手が足りない場合に、自動化の検討に進みます。この順序を逆にすると、効率の悪い配置のまま高価な設備を入れることになります。

物流ロボットは投資額が大きく、倉庫のレイアウト変更を伴うこともあります。まず費用のかからない改善で効果を確かめてから判断してください。

入荷検品や出荷検品を、画像で判定する領域です。数量の照合、品目の確認、破損の検知などが対象になります。

何が変わるか

• 検品工数が減る — 全数を目視していた工程で、一次判定を機械が担う
• 誤出荷が減る — 人の見落としによる品違い・数量違いを抑える
• 記録が残る — 検品時の画像が自動で保存され、クレーム対応の根拠になる

3つ目は見落とされがちですが、実務では効きます。「出荷時は正常だった」を証明できる材料が自動でたまります。

精度より、撮影環境

検品AIの精度を大きく左右するのが、撮影の条件です。照明の当たり方、カメラの角度、対象物の置かれ方。これらが安定していないと、同じ商品でも画像が変わり、判定がぶれます。

投資額も、AIそのものより撮影環境の整備にかかることが珍しくありません。カメラ、照明、治具、コンベアとの連動。見積もりを取る際は、この部分が範囲に含まれているかを確認してください。

取扱品目の幅が壁になる

物流特有の難しさがここです。製造業なら扱う製品が限られますが、物流事業者は荷主ごとに商品が違います。品目数が数万点になることも珍しくありません。

全品目をAIに学習させるのは現実的でないため、対象の絞り込みが要ります。

• 出荷頻度の高い品目に限定する — まずは出荷量の多い品目から対象にする
• 誤出荷が起きやすい品目に限定する — 見た目が似ている、サイズ違いが多いもの
• 数量の照合だけに絞る — 品目判定より難易度が下がる

3つ目が現実的な入り口になります。「何個あるか」の確認は、「何の商品か」の判定より安定します。

ドライバー不足は採用だけでは解決しません。限られた人数で運べる量を増やすか、無駄な時間を減らすかのどちらかになります。

2024年問題から2年。いまの論点は「どう運ぶか」

トラックドライバーへの時間外労働の上限規制が適用されたのは2024年4月で、すでに2年以上が経ちました。いまの論点は「これから来る規制への備え」ではなく、その条件下でどう運ぶかです。

そして改正物流効率化法により、荷主には荷待ち時間等の短縮と積載効率の向上等に取り組む努力義務が課されています。国土交通省のポータルサイトでは、荷主が2つの区分に分けて整理されています。

いずれも「荷待ち時間の短縮」「荷役等時間の短縮」「積載効率の向上等」という3つの目的に紐づいて定められています。着荷主にも協力する努力義務があると明記されている点が、従来との大きな違いです。

正確な条文と、自社がどちらに該当するかは、国土交通省の「改正物流効率化法ポータルサイト」でご確認ください。

荷待ち時間を減らすには、まず測る

荷待ちは、ドライバーの拘束時間を押し上げる要因のひとつです。ただし多くの現場で、実際に何分待っているかが記録されていません。

ここは高度なAIより先に、記録の仕組みが要ります。

• 到着時刻と荷役開始時刻を記録する（車両の位置情報でも代替できる）
• どの荷主の、どの拠点で、何分待っているかを集計する
• 曜日・時間帯ごとの傾向を出す

この3つができれば、「この拠点の月曜午前が突出している」といった事実が数字で言えるようになります。荷主との交渉は、この材料がなければ始まりません。

そのうえで、予約受付の仕組みや到着時刻の調整にAIを使う余地が出てきます。順序としては、測る → 事実を共有する → 調整するです。

積載率は、配車や出荷量の見通しを改善することで高められる

もう一方の「積載率の向上」は、それ単独で取り組む項目ではありません。配車の組み方と、出荷量の見通しの精度が上がった結果として改善します。

前述の配車最適化と需要予測は、法が求める方向と一致していることになります。

「到着が集中しないようにする」は、荷主の側に書かれている

ここは運送事業者にとって重要な変化です。前掲のとおり、「荷役をすることができる車両台数を上回り、一時に多数のトラックが到着しないようにすること」は、第一種荷主・第二種荷主の双方の努力義務として示されています。

つまり荷待ちの削減は、運送事業者だけが工夫して吸収する話ではなくなりました。加えて第二種荷主には、受渡しの日時について協議を申し出られたらこれに応じて必要な協力を行うことが求められています。

協議を申し出る根拠ができたということです。ただし、申し出るには材料が要ります。「待たされている」という実感ではなく、「この拠点の月曜午前は平均◯分、他の曜日は◯分」という数字があれば、話の性質が変わります。

データを取ることは、報告義務への対応であると同時に、交渉の材料をつくる作業でもあります。

ここまでの4領域を、着手しやすい順に並べます。

上2つはいま持っているデータだけで着手できます。ここで効果を確認してから、投資が必要な下2つに進む順序が安全です。

法対応で集めるデータを、二度手間にしない

冒頭で触れたとおり、特定事業者には中長期計画の作成と定期報告が義務づけられています。そして計画に記載する3項目は、積載効率の向上、荷待ち時間の短縮、荷役時間の短縮でした。

この3項目を並べると分かるとおり、法が求めている方向と、この記事で挙げた4領域の目的は一致しています。配車最適化と需要予測は積載効率に、荷待ちの可視化は待ち時間の短縮に、倉庫内作業の改善は荷役時間の短縮につながります。

ここで集め方を少し設計しておくと、同じデータが改善にも使えます。

逆に、報告書を作ることだけを目的に集計すると、年に一度の作業として終わります。同じ手間をかけるなら、日常的に見られる形にしておいてください。

着手前に確認しておく5項目

支援会社に相談する前に、次を押さえておくと会話が具体的になります。

• 対象業務の現状 — 配車なら1日何件、1回の作成に何分、担当は何人か
• いま何が記録されているか — 運行実績、荷待ち時間、入出庫履歴。それぞれ電子か紙か
• 使っているシステム — 基幹、配車、倉庫管理。連携が必要になる相手
• 特定事業者に該当するか — 該当するなら、報告項目と整合させる
• 誰が推進するか — 専任でなくてよいが、月に数時間を確保できる人

2番目が最も重要です。記録が残っていない領域では、AI以前にその仕組みづくりから始まります。ここを見落とすと、想定より数ヶ月遅れます。

補助金が使える場合がある

中小企業の場合、システム導入や設備投資に補助金を使える可能性があります。ただし交付決定の前に発注すると対象外になるため、導入時期が制度のスケジュールに縛られます。各制度の対象範囲はAI導入で使える補助金にまとめています。

費用の考え方はAI導入の費用相場、つまずきの型はAI導入でよくある失敗、他業種の事例はAI導入事例、全体の進め方はAI導入支援で整理しています。

いま何が記録として残っているかを伺えば、そのデータで何ができるかをお答えできます。中長期計画の提出を控えている場合、その内容とあわせて検討することも可能です。