小売のAI在庫管理2026｜需要予測から自動発注まで実務ガイド

欠品と過剰在庫は、現場では正反対の問題として扱われます。しかし帳簿の上では、どちらも「需要を読み違えた」という同じ一つの誤差から生まれる双子の損失です。小売のAI在庫管理が注目されるのは、この二つを別々の対策で潰すのをやめ、需要予測という一点に集約して解こうとするからです。本記事では、タイ・ベトナムに現地法人を持つ日系企業の視点から、AI在庫管理の仕組み、2026年の市場環境、四段階の導入ロードマップ、投資回収の考え方、そして日本本社への稟議と現地スタッフの運用定着という日系固有の壁までを整理します。

小売のAI在庫管理とは何か — 需要予測・補充計画・自動発注の3レイヤー

「AI在庫管理」という言葉は、ベンダーによって指す範囲が大きく異なります。商談を比較するときにまず必要なのは、この言葉を三つのレイヤーに分解して、相手がどこを売っているのかを確定させる作業です。

レイヤー1:需要予測(Demand Forecasting)

「いつ・どこで・何が・いくつ売れるか」を推定する層です。入力はPOS実績、在庫スナップショット、価格・プロモーション履歴、カレンダー(祝日・給料日・学校の長期休暇)、天候、店舗周辺のイベントなど。出力は「店舗×SKU×日次(または週次)」の予測数量です。ここがAI在庫管理の心臓部にあたります。

重要なのは、需要予測の出力は「売上予測」ではなく「需要予測」だという点です。欠品していた日の販売実績はゼロに近づきますが、需要がゼロだったわけではありません。この差を補正する処理(欠品補正、いわゆる lost sales の推定)を持たない予測モデルは、一度欠品した商品を「売れない商品」と学習し、欠品を再生産します。

レイヤー2:補充計画(Replenishment Planning)

需要予測を「在庫をどう持つか」に翻訳する層です。安全在庫の水準、発注点、発注ロット、リードタイム、賞味期限・消費期限、店舗のバックヤード容量、什器の陳列量(フェイス数)といった制約を織り込みます。

同じ予測でも、この層の設計次第で結果は正反対になります。たとえば「サービス率98%を全SKUに一律で設定する」という運用は、動きの遅いSKUに膨大な安全在庫を積み上げます。ABC分析やXYZ分析(需要の変動性による分類)でSKUを層別し、層ごとにサービス率を変えるだけで、総在庫金額を動かさずに欠品率を下げられるケースは珍しくありません。

レイヤー3:自動発注(Automated Replenishment / Ordering)

補充計画の結果を、実際の発注データとしてサプライヤーやDC(物流センター)、ERPに流し込む層です。ここには承認フロー、締め時間、最低発注金額、トラックの積載効率、サプライヤー側のカレンダーといった、極めて泥臭い業務ルールが集中します。

多くのプロジェクトが失速するのは、実はレイヤー1ではなくレイヤー3です。予測精度の議論には皆が熱心に参加しますが、「誰がどの権限で発注を承認するのか」「店長が数字を上書きしたとき、その履歴をどこに残すのか」という設計は、誰の担当でもないまま放置されがちだからです。

3レイヤーで見る「見積比較のチェックリスト」

レイヤー	主な問い	提案書で確認すべき点
需要予測	どの粒度で、どのデータを使うか	店舗×SKU×日次か週次か。欠品補正・新商品の扱いがあるか
補充計画	制約をどこまで表現できるか	賞味期限、什器容量、発注ロット、SKU層別のサービス率
自動発注	業務フローにどう組み込むか	承認権限、手動上書きの記録、ERP/POSへの書き戻し方式

三つとも一社で提供する必要はありません。むしろ、既存のERPやPOSに強い制約がある現地法人では、レイヤー1だけを外部のAIに任せ、レイヤー2・3は既存システムの中で作り込むという分担が現実的な場合もあります。

なぜ2026年なのか — タイ・ベトナム市場データが示す転換点

「まだ早いのでは」という問いに対する答えは、技術の成熟度よりも、市場側の変化速度にあります。

損失の規模:業界推計としての「1.73兆米ドル」

世界の小売における inventory distortion(欠品と過剰在庫を合計した損失)は年間約1.73兆米ドルにのぼる、という数字が業界資料で繰り返し引用されています(Innoflexion、Invent.ai)。ただしこれは複数の業界推計が引用を重ねて広まった数字であり、単一の一次調査に基づくものではありません。桁感の目安として扱い、自社の稟議書にそのまま「根拠」として貼るのは避けるべきです。

タイ:市場は伸び、食品が過半を占める

タイの小売市場は2025年に売上高が約3%増の4兆6,200億バーツとなり、食品・飲料・タバコ部門が55.68%のシェアを占めています(Mordor Intelligence)。市場の過半が「日付管理が必要な商材」だという事実は、そのままAI在庫管理の投資対効果に直結します。賞味期限のある商材では、過剰在庫が単なる資金の寝かせではなく、確定した廃棄損失になるからです。

店舗網の密度も見逃せません。7-Eleven(CP All)はタイ国内で14,800店を超え、全77県をカバーしており、2024年には約700店を新規出店したと報じられています(United Daily)。これは2026年時点で世界第2位の店舗数規模とされます。これだけの店舗数になると、人手による発注判断のばらつきが全社の在庫水準を左右し、逆にわずかな改善率でも絶対額としては大きな効果になります。

タイ:ECの比率は「定義で数字が変わる」

タイのEC市場は、GMV(流通総額)ベースで1兆バーツ(約300億米ドル)を超えています。The Nation(2026年4月29日)は、ECがタイ小売の約30%に相当すると報じています(The Nation)。一方で、ECを小売総額の11%台とする推計も存在します(Anchanto)。

この開きは、どちらかが誤っているという話ではなく、GMVを見るのか小売売上高を見るのか、サービス取引を含めるのかといった定義の違いから生じます。社内資料でEC比率を論じるときは、必ず「どの定義の数字か」を併記してください。定義を揃えないまま議論すると、オムニチャネル在庫一元化の優先順位を誤ります。

プラットフォーム別のシェアは、Shopeeが50%、TikTok Shopが32%、Lazadaが18%とされています(同上)。TikTok Shopの存在感は、在庫計画の観点では「ライブ配信で数時間のうちに特定SKUが跳ねる」という需要の不連続性を意味します。動画コマースの出品者は前年比175%増の85万人に達し、オンライン売上の80%がモバイル経由という調査もあります(Enersys、Sellercraft)。

タイ:AI導入は「先進企業の話」ではなくなりつつある

タイのデジタルトランスフォーメーション市場は2025年の100.6億米ドルから2026年に109.4億米ドル、2031年には166.4億米ドルへ(CAGR 8.75%)拡大すると予測されています。クラウドが2025年時点で55.05%を占め、2024年には約15万社がAIを導入、企業のAI浸透率は24%から32%へ上昇したとされています(同上)。

浸透率が3割を超えたということは、AI活用が「試している会社と試していない会社」の差ではなく、「使いこなしている会社とPoCで止まった会社」の差に移りつつあるということです。

ベトナム:地方への出店ラッシュが在庫計画を難しくする

ベトナムの小売市場規模は2026年に1,714億米ドル、年平均成長率4.87%で2031年には2,174.4億米ドルへ拡大すると予測されています。2026年上半期の小売・サービス売上高は前年同期比で12.9%増加しました(Mordor Intelligence、Vietnam.vn)。

とりわけ在庫管理の難易度を上げているのが、コンビニ・ミニスーパーの拡大です。2026年には9,671店(前年比23.89%増、1,865店増)に達する見込みで、うち地方・非中核省が4,933店(25.12%増)と全国の過半を占めるとされています。チェーン別ではGS25が318店(約35%増)、FamilyMartが172店(約23%増)、7-Elevenが148店(約14%増)、WinCommerceは2026年に1,000〜1,500店の新規出店を計画していると報じられています(Q&Me調査、The Investor、Q&Me)。

新規出店店舗には過去の販売実績がありません。出店が全体の2割を超えるスピードで進むチェーンでは、「実績データから学習する」という需要予測の前提そのものが崩れます。地方展開型のチェーンでAI在庫管理を導入する場合、類似店舗クラスタリング(立地・商圏・既存店の売れ方から新店の初期需要を推定する仕組み)を持っているかどうかが、実質的な選定基準になります。

なお、上記のタイの数値はタイ国内の市場に関するものであり、ベトナムには適用されません。逆も同様です。両国で同じ資料を使い回すと、稟議の場で必ず突かれます。

2026年の技術トレンド

2026年の実務トレンドとして整理されているのは、内部データ(POS実績・在庫)と外部シグナル(天候・イベント・価格・チャネル横断需要)をリアルタイムに統合し、オムニチャネル在庫を店舗単位ではなくネットワーク単位で最適化する方向です(LatentView、7thonline)。

「ネットワーク単位」というのは、A店の余剰在庫をB店の欠品に充てる、あるいはEC受注を在庫のある店舗から出荷する、といった判断を全社最適で行うという意味です。店舗ごとに在庫を閉じて管理していると、全社では在庫が足りているのに個別店舗では欠品する、という状態が常態化します。

AIで解ける課題・解けない課題

期待値を最初に揃えておくことは、プロジェクトの成否を分けます。

AIが得意なこと

大量のSKU×店舗の組み合わせを、毎日休まず計算し続けること。 人間のバイヤーが目を配れるのはせいぜい数百SKUですが、数万の組み合わせを均質な基準で処理できます。
複数の要因が重なった需要の説明。 「給料日」「雨季」「競合の値下げ」「連休前」が同時に来たときの影響を、過去データから分離して推定できます。
曜日・季節・イベントの周期性の抽出。 ここは人間の記憶よりも確実です。
例外の検知。 「この店のこのSKUだけ、説明できない動きをしている」というアラートを出すことは、AIが最も費用対効果を出しやすい使い方の一つです。

ベンダー資料の整理では、AI予測によってサプライチェーンの誤差が20〜50%削減され、倉庫コストは5〜10%、管理コストは25〜40%削減されるとされています(Appinventiv)。また、AIを在庫オペレーションに組み込んだ企業は在庫を平均20〜30%削減したという値が、McKinseyの調査としてベンダー資料に引用されています(Innoflexion)。いずれも二次引用であり、自社の条件で再現される保証はありません。同様に「AI/ML活用企業は非活用企業に比べ売上成長が約2.3倍、利益成長が約2.5倍」という数字もベンダー資料経由の二次引用で、因果関係を示すものではない点に注意が必要です(成長している企業だからAIに投資できた、という逆方向の説明も成り立ちます)。

AIが解けないこと

マスタが間違っている問題。 入数(ケース入数)が実態と違う、JANコードが重複している、店舗マスタに閉店済み店舗が残っている——これらはAIでは検出しきれず、そのまま誤った発注量になります。
記録されていない欠品。 POSには「売れた」記録しか残りません。棚が空だった時間帯にどれだけの客が買わずに帰ったかは、在庫スナップショットの履歴を残していない限り復元できません。多くの現地法人で、この履歴がそもそも保存されていません。
サプライヤー起因の変動。 リードタイムが守られない、納品数が発注数と合わない、といった問題は予測の外側にあります。AIは「守られない前提」で安全在庫を積むしかなく、これはコストとして跳ね返ります。
意思決定の責任。 発注を止める・在庫を捨てる・値下げして売り切るという判断は、最後は人が負います。

つまりAI在庫管理の導入プロジェクトは、実務上その半分以上が「データとオペレーションの整備」であり、モデル選びではありません。この点は、AI-OCRでバックオフィス自動化｜タイ・ASEAN工場2026で扱った伝票処理の自動化と同じ構図です。

需要予測AIの中身 — POS・在庫・外部シグナルとSKU×店舗粒度

入力データの三層構造

区分	具体例	入手難易度	注意点
内部・実績系	POS明細、在庫スナップショット、発注/入荷実績、廃棄・値下げ実績	低〜中	欠品時間帯の記録が残っているかが分岐点
内部・計画系	プロモーション計画、価格改定、チラシ、新商品導入計画、店舗改装	中	部署をまたぐため、データ化されていないことが多い
外部シグナル	天候・降水、祝日カレンダー、学校暦、近隣イベント、競合の価格	中〜高	効果が大きいのは天候と祝日。まずここから

タイの場合、旧正月(トゥルット・チーン)、ソンクラーン、仏教関連の祝日、給料日サイクル、雨季といった要素が需要に強く効きます。ベトナムではテト(旧正月)前後の需要の山と谷が極端で、テトの日付が毎年動くため、グレゴリオ暦のみで学習したモデルは大きく外します。太陰暦ベースの特徴量を持てるかどうかは、両国共通で確認すべき項目です。

粒度をどう決めるか

理想は「店舗×SKU×日次」ですが、販売数が1日1個未満のSKUでは日次予測はノイズになります。実務的には次のように使い分けます。

高回転SKU(日販が安定して1個以上):店舗×SKU×日次
中回転SKU:店舗×SKU×週次、日次配分は曜日係数で按分
低回転SKU:店舗クラスタ×SKU×週次、または発注点方式に切り替え
新商品:類似商品からの転移(カニバリ考慮)、導入後2〜4週で自動的に実績ベースへ移行

「全SKUをAIで日次予測する」という提案を受けたら、低回転SKUの扱いを必ず質問してください。ここを正直に説明できるベンダーは信頼できます。

精度指標(MAPE/WAPE)の使い方と、その限界

需要予測の精度指標としてMAPE(平均絶対パーセント誤差)がよく使われますが、小売の在庫管理では扱いに注意が必要です。MAPEは実績が小さいSKUで誤差率が発散し(実績1個に対して予測2個なら誤差100%)、低回転SKUの多い店舗では数字が悲観的に振れます。

より実務に合うのはWAPE(重み付き絶対パーセント誤差)です。誤差の絶対量を実績の総量で割るため、金額や数量の大きいSKUの影響が正しく反映されます。加えて、予測が上振れしやすいのか下振れしやすいのかを見るBias(偏り)を併せて見るべきです。誤差が同じでも、常に下振れしているモデルは慢性的な欠品を生みます。

ただし、ここで最も強調したいのは次の点です。予測精度そのものをプロジェクトのKPIにしてはいけません。

精度が5ポイント改善しても、補充計画のパラメータが古いままなら在庫は1バーツも減りません。逆に、精度が横ばいでも安全在庫の設定を層別しただけで在庫回転が改善することがあります。評価すべきは、あくまで業務成果です。

評価すべきKPI	定義の例	測定頻度
欠品率(棚欠品)	対象SKU×店舗×日のうち、在庫ゼロだった比率	週次
廃棄率	期限切れ廃棄金額 ÷ 売上原価	月次
在庫回転日数	平均在庫金額 ÷ 1日あたり売上原価	月次
値下げロス率	見切り値下げによる粗利減 ÷ 売上	月次
発注作業時間	1店舗あたりの週次発注作業時間	四半期
予測精度(WAPE)	補助指標として	週次

予測精度は「原因を診断するための補助指標」に置き、経営会議に出す数字は上の5つにする。これだけで、プロジェクトの議論の質が変わります。

小売のAI在庫管理2026｜需要予測から自動発注まで実務ガイド - figure 1

自動発注への接続 — 4段階ロードマップ

いきなり「AIが自動で発注する」状態を目指すと、ほぼ確実に現場の抵抗に遭います。段階を切り、各段階で成果を確定させてから次に進むのが定石です。

第1段階:可視化

何をするか: POS・在庫・発注・廃棄のデータを一箇所に集め、店舗別・SKU別の欠品率と廃棄率をダッシュボードで見えるようにします。AIはまだ使いません。

何が必要か: 各システムからのデータ抽出、商品マスタ・店舗マスタの名寄せ、在庫スナップショットの日次保存の開始。

何が変わるか: 「うちは欠品していない」という思い込みが崩れます。多くの現地法人で、この段階だけで改善余地の所在が特定できます。

どこで止まるか: マスタの不整合が発覚し、その整備を後回しにしたまま次に進もうとして頓挫するパターン。ここは逃げずに片付けるべき工程です。

第2段階:推奨提示(Recommendation)

何をするか: AIが需要予測と推奨発注数を算出し、担当者に提示します。最終判断と発注操作は人が行います。

何が必要か: 需要予測モデル、補充計画ロジック、そして「推奨値」と「実際の発注値」の両方を記録する仕組み。

何が変わるか: 人とAIの判断差分がデータとして蓄積されます。「担当者が推奨を上書きした案件のうち、結果的に人の判断が正しかったのは何%か」を測れるようになり、これが現場の納得を得るための最も強力な材料になります。

どこで止まるか: 推奨が無視され続けるパターン。差分を測っていないと、無視されていること自体に気づけません。

第3段階:セミオート発注

何をするか: 一定条件(定番SKU、変動の小さいカテゴリ、金額が閾値以下)に該当する発注は、担当者が確認だけして承認、または一定時刻に自動確定します。例外SKUのみ人が精査します。

何が必要か: 自動化対象の切り分けルール、例外アラート、承認フロー、上書きの記録と理由コード。

何が変わるか: 作業時間が明確に減ります。参考となる先行事例として、ローソンは全国約14,000店でセミオート発注を展開し、発注作業時間を44分短縮、1店あたり廃棄高を前年比で約1割削減したと報じられています(Magee)。これは日本国内の二次情報であり、タイ・ベトナムの店舗オペレーションにそのまま当てはまるものではありませんが、「セミオートまで進めば作業時間と廃棄の両方が動く」という段階設計の妥当性を示す材料にはなります。

どこで止まるか: 多くの企業がここで止まります。そして、止まっていること自体は必ずしも失敗ではありません。

第4段階:自律発注

何をするか: 例外を除き、発注はシステムが確定します。人はKPIの監視と、モデル・パラメータのチューニング、例外処理に回ります。

何が必要か: サプライヤー側のリードタイム安定、EDIまたはAPIによる発注連携、異常検知とロールバック手順、そして責任の所在を定めた社内規程。

何が変わるか: 発注担当という職務そのものが「在庫プランナー」に変質します。

どこで止まるか: 「システムが発注した在庫が売れ残ったとき、誰が責任を負うのか」が決まらず、無期限に保留になるパターン。これは技術ではなくガバナンスの問題で、日系企業では特に重い論点になります。

段階	人の関与	主な成果	典型的な所要期間の考え方
①可視化	全面	問題箇所の特定	短期。データ整備の状態に依存
②推奨提示	判断・実行	判断品質の平準化	中期。パイロット店舗で検証
③セミオート	確認・例外	作業時間削減・廃棄削減	中期。対象カテゴリを段階拡大
④自律発注	監視・調整	全社最適・人的リソース転換	長期。ガバナンス整備が前提

期間を月数で断定しないのは、既存システムの状態と店舗数によって幅が大きすぎるためです。ベンダーが初回提案で具体的な月数を断言してきた場合、そのスケジュールが何を前提にしているかを必ず確認してください。

小売のAI在庫管理2026｜需要予測から自動発注まで実務ガイド - figure 2

導入費用と投資回収の考え方

金額を断定できるフェーズは、要件が固まったあとです。ここでは「何にお金がかかるか」と「どう回収を計算するか」の枠組みを示します。

コスト構成要素

初期費用

要件定義・業務設計(現状の発注業務の棚卸しを含む)
データ連携開発(POS・ERP・WMS・サプライヤー連携)
マスタ整備(商品マスタのクレンジング、入数・期限情報の補完)
予測モデルの構築・チューニング、パイロット店舗での検証
教育・マニュアル整備(現地語での作成を含む)

継続費用

ライセンス/サブスクリプション(店舗数、SKU数、予測実行回数などで課金体系が異なる)
クラウドインフラ費用
保守・モデル再学習の運用
社内の運用工数(在庫プランナーの人件費)

見落とされやすいのはマスタ整備と現地語での教育です。この二つは提案書の枠外に置かれやすく、しかし実際には初期工数の相当部分を占めます。見積を比較する際は、この二項目が誰の負担で行われるのかを明示的に確認してください。

回収の計算式

投資回収は、次の四つに分解して積み上げます。

“`

年間効果額 =

① 在庫削減による資本コスト削減

= 平均在庫金額 × 削減率 × 資本コスト率

+ ② 廃棄削減額

= 期限切れ廃棄金額 × 削減率

+ ③ 欠品による機会損失の回復

= 推定欠品件数 × 平均粗利額 × 回復率

+ ④ 発注作業時間の削減

= 削減時間 × 対象人数 × 人件費単価

“`

このうち①と②は会計データから比較的正確に測れます。④も勤務実態から推計できます。難しいのは③で、欠品の実数を測るには在庫スナップショットの履歴が必要です。だからこそ、第1段階の可視化フェーズで在庫スナップショットの日次保存を始めておくことが、後々の投資対効果の証明に効いてきます。

削減率については、業界推計として在庫20〜30%削減という二次引用値がありますが、自社の稟議書に置く前提値としては保守的に設定し、感度分析(削減率が半分だった場合の回収年数)を併記することを強く勧めます。日本本社の稟議では、楽観値だけを載せた資料はまず通りません。

タイ固有のコスト要因:人件費

タイでは2025年7月1日から日額400バーツの最低賃金が、適用範囲を限って施行されています。適用される業種・地域は限定的であるため、自社が対象になるかは必ず個別に確認が必要です。人件費が上がる方向にあることは、発注作業時間の削減という効果項目④の単価を押し上げます。ただし、この点を根拠に投資を正当化する場合は、自社が適用対象かどうかを確認したうえで数字を置いてください。

日系現地法人ならではの論点 — 本社稟議とタイ/ベトナム両にらみの運用定着

ここが、日系企業のAI在庫管理プロジェクトで最も時間を取られる領域です。技術的には解決済みの課題が、組織の構造によって止まります。

なぜ日本本社の稟議は通りにくいのか

現地法人がAI在庫管理を検討するとき、投資決裁が本社にある場合がほとんどです。そして本社側は、次の三つの理由で判断を保留しがちです。

第一に、現地の在庫問題の深刻さが伝わっていないこと。本社に上がるのは月次の在庫金額と粗利率であって、「どのSKUがどの店で何日欠品していたか」ではありません。数字の上では在庫は適正に見え、問題が可視化されていません。

第二に、「AI」という言葉が評価不能に見えること。本社の経理・企画部門にとって、生産設備の投資は減価償却と稼働率で語れますが、需要予測モデルの投資は評価軸がありません。

第三に、同種の投資が日本国内で先行していない場合、前例がないという理由で保留されること。逆に、日本国内で先行事例がある場合は一気に話が進みます。

稟議を通すために現地法人側が用意すべきもの

経験上、以下の四点を揃えると議論が前に進みます。

(1) 現状の損失を「金額」で示す

「欠品が多い」ではなく、「対象カテゴリの推定欠品機会損失が年間◯◯バーツ」「期限切れ廃棄が年間◯◯バーツ」と、既存の会計データから金額で提示します。ここでAI在庫管理の話を一切せずに、まず損失の存在だけを認めさせるのが順序です。

(2) 段階投資として設計する

前章の四段階ロードマップは、そのまま稟議の分割単位になります。第1段階(可視化)は投資額が小さく、成果物がダッシュボードという目に見える形で残るため、承認を得やすい。そして第1段階の結果として出てくる欠品率・廃棄率の実測値が、第2段階以降の稟議の根拠になります。「一括で大型投資」ではなく「小さく始めて数字で継続を判断する」という構図にすることが、日系企業の意思決定様式に最も適合します。

(3) 外部の数字は必ず出典と性質を明記する

本社の企画部門は、出典のない数字に敏感です。本記事で紹介した在庫20〜30%削減という値も、「McKinseyの調査としてベンダー資料に引用されている二次引用値」と正確に書いたうえで、自社の前提値は保守的に置く。この誠実さが、かえって信頼を得ます。

(4) 撤退条件を先に書く

「第2段階の6ヶ月後時点で対象カテゴリの廃棄率が改善していなければ、拡大せず現行運用に戻す」という条件を自ら明記します。日系企業の稟議では、失敗時の出口が書かれている案件のほうが通りやすい傾向があります。

タイとベトナムの「両にらみ」をどう設計するか

タイとベトナムの両方に拠点を持つ企業では、「システムを統一するか、国ごとに個別導入するか」が必ず論点になります。結論から言えば、レイヤーによって答えが違います。

レイヤー	統一の推奨度	理由
需要予測エンジン	統一しやすい	モデル自体は国を問わない。特徴量(祝日カレンダー等)を国別に差し替えれば足りる
補充計画ロジック	部分統一	賞味期限運用や配送頻度が国で異なる。パラメータで吸収できる範囲を見極める
自動発注・業務フロー	統一しにくい	承認権限、サプライヤーとの取引慣行、EDIの普及度が大きく異なる
マスタ・データ基盤	構造は統一すべき	将来の比較・統合レポートのために、コード体系と粒度は揃えておく

ここで最も重要な実務上の助言は、データ構造だけは最初に揃えておくことです。商品コード体系、店舗コード、カテゴリ階層、単位(ケース/ボール/バラ)の定義を国ごとにバラバラに作ってしまうと、数年後に地域統括で在庫を横断的に見ようとした瞬間に、莫大な再整備コストが発生します。逆に業務フローは、無理に統一せず国ごとの現実に合わせたほうが定着します。

ベトナムの地方出店ラッシュ(前述のとおり2026年に非中核省のコンビニ・ミニスーパーが25.12%増と見込まれる)を踏まえると、ベトナム側では「新店の初期需要推定」と「物流網が薄い地域でのリードタイム変動」への対応が優先されます。一方タイでは、EC比率の高さとチャネル横断の在庫一元化が先に来ます。同じ「AI在庫管理」でも、優先課題が違うということです。

現地スタッフの運用定着 — 最大の関門

システムが止まる原因の多くは、技術ではなく運用です。日系現地法人では、次の点が特に効きます。

言語の壁を軽視しない。 画面UIとマニュアルは、必ずタイ語・ベトナム語で用意します。英語で十分だという判断は、店舗レベルの担当者には通用しません。特に「なぜこの推奨数量になったのか」という説明文(要因の内訳)を現地語で表示できるかどうかは、現場の納得度を大きく左右します。

上書きを禁止せず、記録する。 現地スタッフに「AIの数字をそのまま使え」と命じると、表向きは従い、裏で在庫を隠し持つといった行動を誘発します。上書きは自由に許可したうえで、理由コード(プロモ予定、来客団体、在庫破損、経験上の判断など)の選択を必須にする。数ヶ月後に「理由コード別の的中率」を集計して現場にフィードバックすると、上書きは自然に減っていきます。命令ではなくデータで納得させるほうが、はるかに速い。

現地のキーパーソンを最初に巻き込む。 ベテランの発注担当者は、AI導入の最大の抵抗勢力にも、最強の推進者にもなります。パイロット段階で「あなたの判断とAIの判断のどちらが当たったか」を一緒に検証する場を作ると、多くの場合、推進側に回ります。彼らの暗黙知は、実は特徴量設計のヒントの宝庫でもあります。

駐在員の任期を前提に引き継ぎを設計する。 日系現地法人では、一般に数年単位で駐在員が交代します。プロジェクトを推進した駐在員が帰任した途端、運用が形骸化するケースは非常に多い。対策は、①パラメータ設定の根拠をドキュメント化して現地法人に残す、②ローカルスタッフをシステムオーナーに任命する、③KPIのレビュー会議を月次の定例業務として組織の仕組みに埋め込む、の三点です。属人化を防ぐこと自体が、投資保護になります。

本社IT部門との役割分担を先に決める。 本社ITがグローバル標準を持っている場合、現地の要件と衝突します。「セキュリティとデータ保管方針は本社基準に従う」「業務ロジックとマスタ運用は現地が決める」といった線引きを、プロジェクト開始前に文書で合意しておくと、後半の手戻りが劇的に減ります。個人データ保護に関する各国の法規制への対応は、店舗の会員データを需要予測に使う場合に必ず論点化するため、具体的な要件は現地の法務・専門家に確認したうえで、早期にプロジェクトへ巻き込んでおくべきです。

よくある失敗5パターン

失敗1:マスタが未整備のまま走り出す

入数の誤り、廃番商品の残存、同一商品の重複登録。これらはAIの出力を静かに壊します。パイロット開始前に、対象カテゴリだけでも商品マスタの棚卸しを済ませておくこと。全社のマスタを完璧にしてから始める必要はありませんが、パイロット範囲は完璧にすべきです。

失敗2:新商品とプロモーションの扱いを決めていない

日用品・食品の小売では、売上の相当部分が新商品と販促に依存します。過去実績のない新商品、通常と全く異なる動きをするプロモ期間を、モデルがどう扱うかを設計していないと、予測は最も重要な局面で外れます。プロモ計画をシステムに入力する運用(誰が、いつまでに、どの粒度で入力するか)も併せて設計が必要です。

失敗3:店舗の手動上書きを放置する

前章で述べたとおり、上書きそのものは悪ではありません。悪いのは、上書きの記録も検証もしないことです。記録がなければ、モデルが悪いのか運用が悪いのかを永久に切り分けられません。

失敗4:KPIを定義せずに始める

「AIを入れる」がゴールになっているプロジェクトは、成果を主張することも撤退することもできません。開始前に、欠品率・廃棄率・在庫回転日数の三つは最低限、測定方法まで含めて定義してください。測定方法の定義とは、「欠品率とは何を分母にし、どのタイミングのデータで測るのか」まで書き切ることです。

失敗5:PoCで止まる

技術検証は成功したが本番展開に進まない、という状態が最も多い終わり方です。原因はたいてい、PoCの設計時点で「成功したら何を意思決定するのか」が決まっていないこと。PoC開始時に、成功基準と、成功した場合の次の投資判断者・判断時期をセットで決めておくべきです。

小売のAI在庫管理2026｜需要予測から自動発注まで実務ガイド - figure 3

データ基盤 — POS・WMS・ERP・生産管理の連携とマスタ整備

必要なデータと、その所在

データ	主な所在	AI在庫管理での用途
POS明細(日時・店舗・SKU・数量・価格)	POS / 本部システム	需要予測の主入力
在庫スナップショット	POS / 店舗在庫管理	欠品検知、欠品補正
入出荷・在庫(DC)	WMS	リードタイム推定、DC在庫配分
発注・入荷・請求	ERP	発注連携、コスト計算
仕入伝票(紙・PDF)	紙/メール	入荷実績の補完
生産・出荷計画	生産管理システム	自社製造品の供給制約

自社工場を持つ食品メーカーの現地法人では、生産管理システムとの接続が効きます。需要予測が生産計画の入力になり、生産の制約が補充計画の制約になる、という双方向の関係を作れると、在庫は流通段階だけでなくサプライチェーン全体で圧縮できます。生産管理システム側の選定についてはタイ工場の生産管理システム選定ガイド2026｜MESとの違いと費用で整理しています。

倉庫側との接続

店舗在庫だけを最適化しても、DCに在庫が積み上がっていれば全社の在庫金額は減りません。DC在庫の配分ロジック(どの店舗に優先的に振り分けるか)と、店舗発注のロジックを同じ需要予測の上で動かすことが、ネットワーク単位の最適化の実体です。倉庫側の自動化やWMS導入の実際については物流DX 東南アジア最新動向2026｜タイ倉庫自動化とWMS導入の実際で詳述しています。

紙の伝票をどう取り込むか

タイ・ベトナムのサプライヤーとの取引では、いまだに紙やPDFの納品書・請求書が多く残ります。入荷実績が正確にデータ化されないと、リードタイムの推定も在庫の理論値も狂います。ここでAI-OCRによる伝票取込が現実的な補完手段になります。EDI化を全サプライヤーに求めるのは非現実的でも、受け取った紙を自動でデータ化する経路を用意することはできます。詳細はAI-OCRでバックオフィス自動化｜タイ・ASEAN工場2026を参照してください。

食品を扱うなら、トレーサビリティと同じ基盤に乗せる

食品・飲料を扱う現地法人では、在庫管理とトレーサビリティは同じマスタ・同じロット情報の上に成り立ちます。ロット・期限情報を在庫データに持たせておけば、AI在庫管理の廃棄削減にも、回収時の追跡にも同じデータが使えます。規制側の要件は食品工場のトレーサビリティシステム｜FSMA 204とタイ規制の実務2026で整理しています。

食品ロスという文脈

タイでは食品廃棄が年間968万トン、1人あたり年146kgに達し、バンコクでは食品廃棄の約2%しかリサイクルされていないと報告されています。タイ政府は有機廃棄物の50%再利用・リサイクルを目標に掲げています(Nature Scientific Reports、TDRI)。

一方でTDRI(タイ開発研究所、2026年4月)は、余剰食品の寄付を安全・実務的・経済合理的にする法制度が未整備であると指摘しています。つまり現時点のタイでは、「売れ残りを寄付に回す」という出口が制度的に整っていません。この状況下では、廃棄を減らす最も確実な手段は「そもそも作りすぎない・仕入れすぎない」ことであり、需要予測の精度向上が直接的に効きます。この制度的背景は、食品を扱う現地法人がAI在庫管理を稟議にかける際の、定性的だが説得力のある根拠になります。

なお、この食品ロスに関する数値と法制度の状況はタイ国内のものであり、ベトナムには適用されません。

導入ステップと社内体制 — 誰が決め、誰が回すか

推奨する進め方

ステップ1:現状の損失把握(社内のみで実施可能)

会計データと在庫データから、廃棄金額、在庫回転、粗利率を対象カテゴリ別に整理します。この段階でベンダーを呼ぶ必要はありません。むしろ、自社で問題を言語化してから呼んだほうが、提案の質が上がります。

ステップ2:データ棚卸しと基盤整備の見積

POS・ERP・WMSから、どのデータが、どの粒度で、どこまで遡って取得できるかを確認します。在庫スナップショットが保存されていない場合は、この時点から保存を開始します。データは貯め始めた日からしか貯まりません。

ステップ3:パイロット設計

対象を絞ります。推奨は「1カテゴリ×5〜10店舗」程度。カテゴリは、廃棄が多く、日販が安定していて、SKU数が管理可能な範囲のものを選びます。同時に、成功基準と評価期間、そして撤退条件を文書化します。

ステップ4:パイロット実行と検証

第2段階(推奨提示)で運用し、AIの推奨と人の判断の差分を記録します。評価期間は、最低でも需要の一巡(季節性を含むなら1四半期以上)を見るべきです。

ステップ5:展開判断と横展開

パイロットの結果をもとに、カテゴリ拡大か店舗拡大かを決めます。同時に拡大するとトラブルシューティングが困難になるため、片方ずつ広げます。

体制

役割	担当	責務
プロジェクトオーナー	現地法人の経営層	投資判断、本社との折衝、撤退判断
業務オーナー	商品部/SCM責任者	KPI定義、パラメータ承認、カテゴリ選定
システムオーナー	現地IT(ローカル人材が望ましい)	データ連携、マスタ品質、ベンダー窓口
現場代表	店舗運営/エリアマネージャー	運用ルール策定、店舗への浸透、上書き運用の設計
本社連携担当	駐在員またはIT	本社IT標準との整合、稟議資料作成

この五つのうち、システムオーナーをローカル人材に置くことが、長期的な定着の鍵です。駐在員が兼務すると、交代時に必ず断絶が起きます。

自律的にデータを見て判断を回す仕組みという意味では、AIエージェント的なアプローチも視野に入ります。周辺動向はAIエージェント最新動向2026｜製造業DXと自律型AIの現在地にまとめています。

FAQ:小売のAI在庫管理でよくある質問

AI需要予測は小売でどのくらいの精度が出ますか?

一律の答えはありません。カテゴリ、SKUの回転率、プロモの頻度によって大きく変わります。重要なのは精度の絶対値ではなく、現行運用(担当者の経験値や単純な移動平均)と比較してどれだけ改善するかです。ベンダー資料ではサプライチェーンの誤差を20〜50%削減する整理も示されていますが(Appinventiv)、これは二次情報であり、自社データでのベンチマークを必ず実施してください。

自動発注システムは何店舗からペイしますか?

店舗数だけでは決まりません。効果額は「在庫金額 × 削減率」「廃棄金額 × 削減率」で決まるため、店舗数が少なくても在庫金額と廃棄額が大きければ回収できます。逆に、多店舗でも1店あたりのSKU数と在庫金額が小さい業態では、発注作業時間の削減が主効果になります。本記事の計算式で自社の数字を当てはめて判断してください。

在庫最適化AIを入れると欠品と過剰在庫は同時に減らせますか?

理論上は可能です。両者は同じ需要予測誤差から生まれるため、誤差が減れば同じ安全在庫水準でサービス率が上がるか、同じサービス率でより少ない在庫で済みます。ただし実務では、経営がどちらを優先するかの方針(欠品を許容しないのか、在庫圧縮を優先するのか)を明示する必要があります。方針が曖昧なままだと、パラメータ設定の判断ができません。

タイの小売DXで、AI在庫管理はどの優先順位に置くべきですか?

タイでは小売市場の55.68%が食品・飲料・タバコであり(Mordor Intelligence)、期限管理商材の比重が高いため、廃棄削減の効果が出やすい環境です。一方でEC比率が高く(定義により推計に幅があります)、オムニチャネル在庫の一元化も競争上の課題になります。自社の商材が期限管理型ならAI在庫管理を先に、チャネルが分散しているなら在庫一元化を先に、という判断が現実的です。

食品ロス削減にAIはどこまで効きますか?

需要予測の改善は、仕入れ・製造の過剰を減らすことで廃棄の発生源を抑えます。日本の事例としては、ローソンがセミオート発注で1店あたり廃棄高を前年比約1割削減したと報じられています(Magee)。ただしこれは日本国内の二次情報です。タイでは余剰食品の寄付に関する法制度が未整備であるとTDRIが指摘しており(TDRI)、発生後の出口が限られる分、発生抑制の重要性が相対的に高いといえます。

オムニチャネルの在庫一元化は、AI導入前に済ませるべきですか?

必ずしも前提ではありませんが、順序としては「データの一元化」が先、「在庫の物理的な一元運用」は後で構いません。まず店舗在庫とEC在庫を同じデータ基盤で見られる状態を作れば、需要予測はチャネル横断で学習できます。物理的な在庫の融通(店舗出荷など)は、オペレーション負荷が大きいため段階的に進めるのが現実的です。

ベトナムの新規出店店舗でも需要予測は機能しますか?

実績のない新店では、既存店の類似クラスタから初期需要を推定する仕組みが必要です。ベトナムのコンビニ・ミニスーパーは2026年に9,671店へ拡大し、うち非中核省が4,933店(25.12%増)を占める見込みとされており(Q&Me調査、The Investor)、新店比率の高いチェーンではこの機能の有無が実質的な選定基準になります。

まとめ

小売のAI在庫管理は、魔法の箱ではなく、需要予測・補充計画・自動発注という三層の業務プロセスをデータで再設計する取り組みです。効果を決めるのはモデルの新しさよりも、マスタの正確さ、KPIの定義、そして現地スタッフが日々それを使い続けるかどうかにあります。タイでは期限管理商材の比重とEC比率の高さが、ベトナムでは地方への出店ラッシュが、それぞれ異なる優先課題を突きつけます。日系現地法人にとっては、これに本社稟議と駐在員交代という構造的な制約が加わります。だからこそ、可視化から始めて段階的に投資を確定させ、撤退条件まで含めて設計するアプローチが有効です。

TOMAS TECH CO., LTD.は、バンコクを拠点に工場・物流・小売向けのシステム構築を手がけており、POS・WMS・ERP・生産管理システムの連携、マスタ整備、AI-OCRによる伝票取込といった、AI在庫管理の土台となる部分を実務として扱っています。「まず自社のデータで何が測れるのかを整理したい」という段階からのご相談も承っています。