AI在庫管理を整えることは、欠品や過剰在庫を減らすだけでなく、購入者へ安定して商品を届け、オンラインショップのブランド価値を守るうえでも重要です。
たとえば、在庫確認に1日30分。
発注判断に1日30分。
さらに、欠品確認や入荷日の問い合わせ対応へ1日20分使っているとします。
合計は1日80分です。
月20営業日なら、約26時間40分になります。
担当者の作業単価を時給2,000円と仮定すると、月約53,000円分です。
しかも、この時間は「在庫を数える」「表を照合する」「発注数を考える」といった繰り返し業務に消えています。
一方で、本当に判断が必要なのは別の部分です。
「この商品は来月も売れるのか」
「発注数量を増やすべきか」
「値下げして在庫を動かすべきか」
といった経営判断です。
今後のAIエージェントは、単に予測値を表示するだけではありません。
在庫、販売、発注、広告、入荷予定などを確認し、次に必要な処理まで提案する方向へ進むと考えられます。
ただし、すべてをAIへ任せるのは危険です。
AI在庫管理では、「自動化できる作業」と「人が承認すべき判断」を分けることが最初の仕事です。
現在の在庫管理そのものに課題がある方は、「EC在庫管理の方法｜欠品・売り越しを防ぐ実務手順」も先に確認してください。
AIを入れる前に在庫データを整えると、導入後の誤判断を減らしやすくなります。
AIエージェントでEC在庫管理は「予測」から「実行支援」へ変わる
大きな変化は、AIが数字を見るだけでなく、次の行動まで提案する点です。
従来の在庫管理では、担当者が管理画面を開きます。
そのうえで販売数を確認し、在庫数を見ます。
さらに、発注点を下回っている商品を探します。
最後に、自分で発注数量を決めます。
これに対して、AIエージェント型の運用では流れが変わります。
たとえば、毎朝9時に次の処理を行うイメージです。
・前日までの販売数を確認
・現在庫を確認
・入荷予定数を確認
・直近の販売傾向を確認
・欠品予定日を計算
・必要発注数を提案
・担当者へ承認依頼
つまり、人が数字を探しに行くのではありません。
AI側から「今日判断すべき在庫」が届く形です。
たとえば、商品Aが次の状態だったとします。
現在庫：120個
1日平均販売数：15個
入荷予定：なし
発注リードタイム：7日
単純計算では、在庫は8日分です。
そこでAIが、
「8日後に在庫切れ見込み。仕入先の納期は7日。安全在庫を含め180個の発注を推奨」
と提示するイメージです。
担当者は、数字を集める作業ではなく、提案内容の確認に集中できます。
ただし、実務では平均販売数だけで発注してはいけません。
テレビ紹介、SNS投稿、広告出稿、セールなどがあると需要は急変します。
よくある失敗は、過去7日間の販売平均だけを使うことです。
キャンペーン終了直後なら、その平均値は高すぎる可能性があります。
そのまま発注すると、過剰在庫になります。
実務者としては、販売実績だけでなく「販売予定」をAIへ渡せる設計を優先します。
AI在庫管理で最初に自動化しやすい5つの作業
最初から発注を完全自動化する必要はありません。
まず、判断ミスの損失が小さい作業から自動化します。
実務で取り組みやすいのは次の5つです。
・在庫数の監視
・発注点到達の通知
・欠品予定日の計算
・滞留在庫の抽出
・発注数量の下書き
たとえば、SKUが500件あるショップを考えます。
SKUとは、色やサイズまで分けた在庫管理単位です。
担当者が毎日500SKUを確認する必要はありません。
AIや自動処理で、問題がある30SKUだけを抽出します。
その30件を人が確認すればよいわけです。
たとえば条件を次のようにします。
在庫日数7日未満
→ 発注候補
在庫日数30〜90日
→ 通常
在庫日数120日超
→ 滞留在庫候補
前週比販売数＋50％
→ 急増商品として通知
前週比販売数－50％
→ 販売鈍化として通知
こうした条件を設定すれば、毎朝見る画面を絞れます。
実務では、まず500SKUすべてをAIへ判断させるより、異常値を見つける役割から任せるほうが安全です。
よくある失敗は、AI導入直後から自動発注を有効にすることです。
在庫データに誤差があれば、その誤差を前提に発注されます。
たとえばシステム上100個でも、実在庫が80個なら20個ずれています。
この状態で予測精度だけ高めても意味がありません。
まずは通知と提案。
次に承認付き発注。
その後、自動発注。
この順番で進めます。
欠品予測は「販売数÷在庫数」だけでは足りない
欠品予測では、最低でも5種類のデータを使います。
理由は、在庫切れが販売速度だけで決まらないからです。
最低限確認したいのは次の情報です。
・現在庫
・販売速度
・入荷予定数
・仕入先の納期
・安全在庫
さらに余裕があれば、
・曜日
・季節
・広告予定
・セール予定
・返品率
・キャンセル率
も加えます。
たとえば、商品Bの現在庫が200個。
通常は1日10個売れるとします。
単純計算では20日分あります。
しかし、5日後からセールを予定している。
過去のセールでは販売数が通常の2.5倍になった。
この条件なら、「20日分あるから安心」とは判断できません。
AIが販促予定まで参照できれば、
「セール開始後8日程度で欠品する可能性がある」
といった警告を出せます。
ここが、単純な発注点管理との差です。
ただし、将来予測は必ず外れます。
そのため、AIが表示する予測値を確定値として扱ってはいけません。
実務では、
「最も可能性が高いケース」
「販売が20％増えた場合」
「販売が20％減った場合」
のように複数シナリオを見るほうが使いやすいです。
よくある失敗は、「AI予測だから正しい」と思い込むことです。
AIが使う元データにセール情報がなければ、通常販売として予測します。
AIの予測精度より、AIが何のデータを見て判断したかを確認できることのほうが重要です。
予測だけでなく日々の在庫ルールも整理したい方は、「EC在庫管理チェックリスト｜毎日・毎週・毎月の確認項目」も参考にしてください。
AIへ任せる前に、人が行っている判断を可視化できます。
発注は「AI提案＋人間承認」から始める
最初の運用は、AIが発注案を作り、人が承認する形が現実的です。
発注は、誤ると直接お金が動くからです。
たとえば1個2,000円の商品を500個余計に仕入れるとします。
仕入額は100万円です。
予測ミス1回で、資金繰りに影響する規模です。
そこで、発注金額によって承認条件を変えます。
想定例は次のとおりです。
発注額3万円未満
→ 担当者承認
3万円以上20万円未満
→ EC責任者承認
20万円以上
→ 経営者または仕入責任者承認
過去平均から30％以上増える発注
→ 金額に関係なく確認
新商品
→ 自動発注対象外
季節商品
→ 必ず有人判断
このように決めます。
AIエージェントには、
「発注するかどうか」
だけではなく、
「なぜこの数量を提案したか」
も出させることが重要です。
たとえば、
「過去28日平均15個/日」
「次回入荷まで14日」
「安全在庫70個」
「推奨発注280個」
という根拠を表示します。
現場ではよく、この部分でトラブルにつながるケースが多いです。
数量だけが表示されると、担当者は理由を確認できません。
その結果、AIの数字をそのまま承認する作業になります。
これでは、人を残している意味が薄れます。
改善するなら、数字と根拠をセットで承認画面へ出す設計にしてください。
AIエージェントに発注を任せるときの危険な例
AIが処理できることと、任せてよいことは別です。
たとえば、次のような商品があります。
通常価格：5,000円
通常販売：1日8個
キャンペーン時：1日30個
仕入単価：2,500円
発注ロット：100個
直近7日がキャンペーン期間だったとします。
販売実績は210個です。
AIが単純に、
「1日平均30個売れている」
と判断するとします。
30日分なら900個必要です。
しかし、キャンペーンは昨日終了しました。
通常販売へ戻れば、30日で240個程度です。
ここで900個を発注すると、660個程度が余る可能性があります。
仕入単価2,500円なら、165万円分です。
もちろん実際の売れ方は変動します。
ただし、この例だけでも「平均値だけの自動発注」が危険だと分かります。
改善方法は明確です。
・販促期間をデータ化する
・通常日とセール日を分ける
・前回キャンペーン後の販売推移を見る
・大幅な発注増加は有人承認にする
実務者としては、通常時の30％を超える数量変化には警告を出すところから始めます。
何％が適切かは商材次第です。
回転が速い食品と、高単価家具では同じ基準を使えません。
過剰在庫もAIエージェントが早期に見つけやすくなる
AI在庫管理は、欠品防止だけでなく「売れなくなった商品」の発見にも向いています。
在庫担当者は、欠品商品を優先して見がちです。
在庫切れは目立つからです。
一方、倉庫に残り続ける商品は目立ちません。
しかし、在庫には資金が寝ています。
商品Cが300個残っているとします。
仕入原価が1,500円なら、45万円です。
月10個しか売れないなら、単純計算で30か月分あります。
この状態を毎月確認できれば、
・広告を止める
・追加発注を止める
・セット販売へ回す
・商品ページを改善する
・販売計画を見直す
といった判断ができます。
AIエージェントなら、販売速度の低下を検知し、
「過去4週間で販売数が40％低下」
「現在庫は推定18か月分」
「追加発注を停止候補」
といった通知を作れます。
よくある失敗は、滞留在庫を見つけた直後に値下げすることです。
売れない原因が価格とは限りません。
商品写真が分かりにくい。
検索流入が落ちた。
サイズ説明が不足している。
広告を停止した。
こうした理由もあります。
そのため、AIには在庫だけでなくアクセスや販売データも合わせて見せると判断しやすくなります。
実務では、在庫日数が90日、120日、180日を超えた段階で段階的に警告する方法が管理しやすいです。
AIエージェント導入前に整えるべき在庫データ
AI導入より先に、商品データを整える必要があります。
AIは、存在しない正しい在庫数を推測できません。
最低限、次の情報をSKU単位で持ちます。
・SKUコード
・商品名
・現在庫
・発注残
・販売数
・仕入単価
・仕入先
・発注ロット
・リードタイム
・安全在庫
・販売停止予定
・季節性の有無
たとえば、同じ商品でも、
黒・M
黒・L
白・M
白・L
があるなら、4SKUとして管理します。
商品全体では在庫が100個あっても、黒Mだけ欠品している場合があります。
AIが商品単位しか見ていなければ、
「在庫は十分」
と判断してしまいます。
実務で在庫管理を整理するとき、まず問題になるのはSKUコードの不統一です。
ショップ側では「ABC-01」。
倉庫では「abc01」。
仕入先では「A-001」。
この状態では連携時に商品を正しく結び付けられません。
よくある失敗は、AIツールを契約してからデータ整備を始めることです。
すると、導入期間が長くなります。
まず100SKU程度を抽出し、
「同じ商品を各システムで同じIDとして扱えるか」
を確認してください。
EC在庫管理とAIエージェントをつなぐシステム構成
将来的な自動化では、AI単体より「データ連携」が重要になります。
EC在庫は、1か所だけに存在しません。
たとえば、
ECカート
↓
受注管理
↓
在庫管理
↓
倉庫管理
↓
仕入・発注
という流れがあります。
ShopifyなどのEC基盤を使っていても、倉庫や基幹システムは別サービスというケースがあります。
そこでAIエージェントが在庫判断するには、必要な情報へアクセスできる状態が必要です。
実務上は、
ECプラットフォーム
在庫管理システム
WMS
ERP
スプレッドシート
BI・分析ツール
などが対象になります。
WMSとは、倉庫管理システムです。
ERPは、販売、在庫、会計などを統合して管理する基幹システムです。
ただし、すべてを最初から連携する必要はありません。
小規模ECなら、
販売数
現在庫
発注予定
の3つからでも始められます。
月300件程度の受注しかない段階で、巨大な基幹システムを入れる必要はありません。
一方、複数店舗、複数倉庫、数千SKUを扱うなら、手作業のスプレッドシート連携には限界があります。
システムは「AIがあるか」ではなく、在庫データを一貫して扱えるかで選びます。
自社の規模に合う在庫管理サービスを判断できない場合は、「EC在庫管理ツール比較」も参考にしてください。
料金だけでなく、SKU上限、倉庫連携、発注管理、API連携、作業時間まで比較すると、導入後の失敗を減らしやすくなります。
AIエージェントへ与える権限は3段階に分ける
AIには、最初から発注権限を渡さないほうが安全です。
おすすめは3段階です。
レベル1：閲覧
AIは在庫、販売、発注データを見るだけです。
欠品リスクや滞留在庫を通知します。
レベル2：提案
AIが発注数量を作ります。
ただし、実行には人の承認が必要です。
レベル3：実行
一定条件を満たした発注だけ自動処理します。
たとえば、
定番商品
発注額3万円未満
過去90日以内に安定販売
数量変化20％以内
といった条件を満たす場合のみです。
新商品や高額商品はレベル2に残します。
これなら、AIのメリットを使いながらリスクを抑えられます。
よくある失敗は、担当者の手間を減らすために承認工程を全部外すことです。
しかし、承認時間が1件1分なら、50件でも50分です。
100万円単位の誤発注を防げるなら、残す価値があります。
実務者としては、「人が1分で確認できる承認画面」を作る方向を優先します。
人をゼロにするより、人の確認を短くするほうが現実的です。
AI在庫管理の効果は「予測精度」だけで評価しない
導入効果は、在庫・時間・欠品の3方向で測ります。
AIツールを導入すると、予測精度だけを見たくなります。
しかし、経営に必要なのは結果です。
最低でも次を確認します。
・欠品発生日数
・欠品SKU数
・在庫回転日数
・滞留在庫金額
・発注作業時間
・緊急発注件数
・廃棄・値下げ金額
たとえば、導入前の発注業務が次の状態だとします。
1日60分
月20営業日
月20時間
AI導入後、
確認対象が100SKUから20SKUへ減った。
1日20分で終わる。
この場合は月6時間40分です。
月13時間20分削減した計算になります。
時給2,000円相当なら、約26,600円です。
ただし、AIツールに月3万円かかるなら、時間削減だけでは費用を回収できません。
そこで、
欠品による販売機会損失
過剰在庫削減
緊急配送費削減
まで含めて評価します。
よくある失敗は、「AIで作業時間が半分になった」だけで成功と判断することです。
在庫金額が増えていれば、本当に改善したとは言えません。
明日90分で始めるAI在庫管理の準備
AIツールを探す前に、90分で自社の在庫判断を可視化してください。
最初の30分で、売上上位20SKUを抽出します。
最低限、次を並べます。
・現在庫
・直近30日の販売数
・1日平均販売数
・発注リードタイム
・発注ロット
次の30分で、欠品リスクを確認します。
簡単な目安なら、
現在庫 ÷ 1日平均販売数
で在庫日数を出します。
たとえば在庫70個。
1日平均10個なら7日です。
仕入先の納期が10日なら、すでに発注判断が必要です。
最後の30分で、AIに任せたい仕事を3つ決めます。
たとえば、
・在庫7日未満の商品を毎日抽出
・在庫120日超の商品を毎週抽出
・推奨発注数を毎週作成
この3つで十分です。
最初から「AIが在庫管理を全部やる」と考えないでください。
実務では、1作業ずつ置き換えたほうが問題を見つけやすくなります。
よくある失敗は、作業内容を整理せずツール比較へ進むことです。
すると、機能表を見ても必要性を判断できません。
先に自社の判断ルールを作り、その後でツールを選ぶ。
この順番が重要です。
実際の準備を一覧で進めたい方は、「AI在庫管理導入チェックリスト」もあわせて確認してください。
商品データ、権限、承認、テスト項目を順番に確認すれば、導入時の抜け漏れを減らせます。
AIエージェント時代にEC担当者の仕事はなくなるのか
在庫担当者の仕事は、なくなるより「確認作業から例外判断へ移る」と考えるほうが現実的です。
これまで担当者は、
数字を集める
表へ入力する
在庫を並べ替える
発注点を確認する
という作業に多くの時間を使っていました。
この部分は、自動化しやすい領域です。
一方で、
新商品の初回発注
季節商品の終了判断
仕入先変更
キャンペーン前の在庫判断
不良在庫の処分
資金繰りを考えた仕入れ
は、単純な数値だけでは決まりません。
AIエージェントが普及しても、人間には事業全体を見た判断が残ります。
むしろ、AIが日常処理を担当すると、人は例外対応へ集中できます。
実務者として重要なのは、
「AIに仕事を取られるか」
ではありません。
どの判断を人間の仕事として残すかを、今のうちに決めることです。
まとめ｜AI在庫管理は「自動発注」よりデータと承認設計が先
AIエージェント時代の在庫管理では、予測精度より運用設計が重要になります。
AIが在庫を確認する。
欠品時期を予測する。
発注数量を提案する。
条件によっては、発注処理まで行う。
こうした運用は今後さらに現実的になっていくと考えられます。
ただし、AIに渡すデータが間違っていれば、判断も間違います。
また、発注権限を広げすぎれば、誤発注による損失も大きくなります。
そのため、AI在庫管理は次の順番で進めてください。
・SKUデータを整理する
・在庫と販売実績を一致させる
・欠品条件を決める
・滞留在庫条件を決める
・AIは最初に通知だけ行う
・次に発注案を作らせる
・人が承認する
・安定した処理だけ自動化する
明日は、売上上位20SKUだけで構いません。
在庫日数と発注リードタイムを並べてください。
この作業だけでも、「AIに任せられる判断」と「人が残すべき判断」が見え始めます。
また、AI機能やサービスは変化が速いため、実際に導入する段階では各サービスの最新仕様を公式情報で確認してください。
比較段階へ進んだら、「EC在庫管理ツール比較」も確認してください。
現在のSKU数、倉庫数、発注件数、連携先を基準に比較すると、必要以上に高機能なシステムを導入する失敗を減らせます。
AIエージェントの価値は、人を在庫確認から解放し、本当に判断すべき商品の判断へ時間を戻すことにあります。