実地棚卸（現物確認）をAI画像認識で効率化する方法｜手順と費用

AI画像認識による実地棚卸の効率化は、棚を撮影した画像から品目・数量の候補を出し、台帳との差異が疑われる箇所を絞り込む方法です。数量の最終確認は人が行い、ハンディターミナルの運用は残したまま組み合わせます。進め方は現状の把握・PoC・実装・運用の4段階で、画像認識の費用は対象品目数と棚数で変わる個別見積もりです。バーコードやスマートフォンの棚卸アプリなど、既製の手段と比べて選びます。

「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、棚卸のたびに残業が出て、丸1〜2日がかりになる状態が起きます。

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に臨時の人員を投入する会社もあります。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。欠品も「気づいたときには販売機会を逃している」という同じ型の課題です。在庫の予兆管理入門にある予兆管理の考え方は、日々の在庫精度を上げて実地棚卸の負担を減らすという観点でも参考になります。

実地棚卸で判明する数量のズレの一部は、入荷した時点で現物・ラベルと納品書の突き合わせが甘く、入庫の段階で数量が違っていたことが原因の場合もあります。入荷時の現物確認を自動化する方法は入荷検品（現物とラベル・納品書の照合）を自動化する方法を参照してください。

以降は、実地棚卸で時間とミスが生まれる理由を確かめたうえで、AIによる画像認識で現物確認をどこまで効率化できるか、進め方と費用の目安を順に書きます。

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（商品画像のAIタグ付け方法｜画像認識で属性を整理し検索に使う）とは目的が異なり、実地棚卸では「倉庫にある現物の数量・品目を早く正確に確認する」ための設計が必要です。

AIによる支援は、「棚卸を全自動で完結させる専用ロボット」を入れる話とは違います。倉庫で成立するのは、棚の画像や読み取ったデータから品目・数量の候補を挙げ、台帳との差異が疑われる箇所を絞り込む形です。現物の最終確認と差異の原因究明は引き続き人が行い、「どこを見に行けばよいか」を短時間で示すことが仕組み側の役割になります。

差異が出たときの扱いも同時に決めます。誤差の許容範囲、再カウントの担当、帳簿を修正する権限の3つが決まっていないと、差異の一覧が出ても作業が止まります。

商品の陳列密度が高い棚や、似た商品が重なって置かれている棚では、画像からの数量把握の精度が下がります。「精度◯◯%」という数字は、自社の棚の条件で同じ結果が出るとは限りません。導入後に使えるかどうかは、精度の数字より「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か」という切り分けの設計で決まります。

画像認識AIの検出精度を確かめた公開データとして、岐阜県生活技術研究所が木製家具メーカーの部材棚卸支援アプリ向けに検証した研究報告（令和3年度研究報告No.24）があります。学習に使っていない棚の画像でテストしたところ、丸棒部材262本の棚で未検出1件・誤検出1件など、各パターンでほぼ全数を正しく検出できたと報告されています。比較対象にした画像処理のみの手法（Hough変換）では同じ画像で見落としが多く、ある棚では262本中約7割が未検出だったともされています。対象は形状が単純な丸棒部材のため、陶磁器や電子部品のように形状・色が多様な商品棚で同じ精度になるとは限りませんが、学習済みモデルを使った画像認識が、単純な画像処理よりも見落としを減らせることを示す公開データの一つです（出典: 岐阜県生活技術研究所 令和3年度研究報告No.24「家具製造現場におけるトレーサビリティ基盤技術の開発（第3報）棚卸支援Webアプリケーションへの機械学習による画像認識の適用」）。

進め方（4フェーズ）

全品目・全倉庫を一度に対象にせず、段階を踏んで進めます。

①現状の把握では、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・撮影運用の複雑さで変わります。以下は市場の一般的な目安で、特定サービスの確定価格ではありません。

効果は、棚卸にかかった延べ時間（人数×時間）と、棚卸後に判明した帳簿との差異の件数・金額の2つで測ります。差異が大きい場合は原因が日々の入出庫記録にあることが多く、棚卸の方法を変える前に記録の手順を直すほうが差異は減ります。

棚卸の前日までに終わらせておく準備

棚卸当日の時間の多くは、数える作業より、探す・待つ・確認するに消えています。前日までの準備で、当日の所要時間は大きく変わります。

• 棚を「数えやすい状態」にする：同じ品番が複数の場所に散っていると、二重計上と数え漏れが同時に起きます。前日までに同一品番を1か所に寄せると、精度も速度も上がります。
• 締めを明確にする：棚卸の基準時点をいつにするか（前日終業時点か、当日朝か）を決め、その時点以降の入出庫は別に記録します。ここが曖昧だと、差異の原因を特定できません。
• 仕掛かり・預け在庫・返品保留を洗い出す：倉庫にない在庫（得意先に預けている分、仕入先から未入荷の分、検品待ちの返品）をリスト化します。差異の多くはここから出ます。
• 数える単位を決める：ケース・ボール・バラのどの単位で数え、どう換算するかを紙に書いて全員に配ります。入数の換算ミスは頻度が高く、金額も大きくなりやすい差異です。
• 担当と範囲を割り振る：誰がどの棚を担当し、迷ったとき誰に聞くかを決めます。「手が空いた人が数える」運用は、抜けと重複を生みます。

この5点を前日に済ませると、当日の作業は数えることに集中でき、差異の原因究明も短時間で終わります。仕組みへの投資は、この準備を標準化しても時間がかかりすぎる場合に検討します。

差異が出たときの、原因の切り分け順

棚卸で差異が出たとき、いきなり全件を数え直すのは非効率です。次の順で切り分けると、多くは短時間で説明がつきます。

• ① 単位の換算ミスを疑う：差異がケース入数の倍数になっていないかを確認します。該当すれば換算ミスです。
• ② 締めのまたぎを疑う：基準時点の前後で入出庫がなかったかを確認します。出荷済みで伝票が未処理、入荷済みで検品前、のいずれかが典型です。
• ③ 場所の見落としを疑う：同一品番が別の棚や別倉庫にないかを確認します。
• ④ 記録の誤りを疑う：過去の入出庫記録に、同じ品番で不自然な数量がないかを遡ります。
• ⑤ ここまでで説明がつかない差異に限って、実物の再カウント対象にします。

この順序を決めると、差異1件あたりの調査時間が短くなります。あわせて原因の区分ごとに件数を記録すると、翌期は「どの工程を直せば差異が減るか」がデータで分かります。

実地棚卸の効率化、バーコード・RFID・画像認識AIをどう比較するか

実地棚卸の効率化を検討すると、画像認識AI以外にも「ハンディ端末でのバーコード1点読みを今のまま続ける」「RFID（無線ICタグ）を導入する」という選択肢が挙がることがあります。自社に合わない方式を選ぶと、想定した工数削減が得られなかったり、タグ貼付という新たな作業が増えたりします。3方式の特徴を次の表で比べます。

RFIDは複数のタグをまとめて読み取れるため、同じ品目を繰り返し棚卸する会社や、品目単価が比較的高く投資回収を見込みやすい会社では時短効果が出やすい方式です。一方で、すでに流通している在庫へ後からタグを貼る手間を含め、全品目・全ロットへのタグ貼付という新しい運用が発生し、金属製の什器や液体の近くではタグの読み取り精度が落ちやすいという制約もあります。画像認識AIは、既存のハンディ端末での運用を残したまま、棚の撮影で品目・数量の候補を絞り込める点が異なり、タグ貼付のような新しい現場作業を増やさずに導入できることが特徴です。ただし、陳列密度が高い棚や商品同士が重なっている棚では認識精度が下がりやすいため、他の2方式と同様に「どこまで機械に任せ、どこを人が確認するか」という設計が欠かせません。

どの方式を選んでも、入荷の段階で発注書・納品書・請求書の数量がずれていれば、その差異は棚卸まで持ち越されます。書類同士を突き合わせる三点照合を自動化する方法と費用は、請求書・納品書のAI照合（三点照合）を自動化する方法と費用に詳しく書いています。

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が続く、数え間違いの原因究明に時間を取られる場合、原因は担当者の作業スピードより、現物確認の手段がバーコード1点読みと目視に限られていることにある可能性があります。前日までの準備と差異の切り分け順をそろえたうえで、画像認識を試す棚を一部に絞って始めます。

棚卸手順と差異の傾向を書き出した段階で、awaiが画像認識を試す棚の範囲と、バーコードや棚卸アプリで足りるかどうかの見立てを出します。