卸売の需要予測はAIで｜自社の欠品と在庫のムダ1日20分の比較表

卸売や専門商社の仕入・在庫の現場では、「先月は欠品で3件断ったのに、今月は倉庫に6ヶ月分の在庫が残っている」という状態が同じ1ヶ月のなかで同居しています。発注量を決めているのは、10年以上その商品を見てきた担当者の勘と、前年同月の出荷実績を並べたExcelです。担当者が2日休むと発注が止まり、月末には帳尻を合わせるための追加発注が5件、10件と積み上がる。欠品と過剰在庫はまったく別の問題に見えて、どちらも「明日から3ヶ月先に何がどれだけ動くかを、誰も数字で説明できていない」という1つの原因から生まれています。

結論から言えば、卸売の需要予測はAIで「集める・並べる・候補を出す」までは任せられ、発注数量の確定と例外の判断は人に残ります。この記事では、AIが届く範囲と自前で入れたときに踏みやすい危うさを、1人1日20分・年間約80時間という探す時間の実数と、手作業のままとAI併用の比較表で整理します。

卸売の需要予測が勘に寄ったまま起きている欠品と在庫のムダ

卸売は、仕入と販売の間に在庫という緩衝材を置くことで成り立つ商売です。だからこそ需要の読み違いは、2つの方向に損失を出します。読みが小さければ欠品して、1件の失注と取引先の信用が同時に削れる。読みが大きければ3ヶ月、6ヶ月と滞留する在庫が資金を縛る。それでいて判断材料は、前年同月の出荷実績と、直近3ヶ月の動きと、営業からの「たぶん動きます」という感触しかなく、そのどれもが1つの画面に揃っていません。月に1度の発注会議で30分議論しても、最後は10年見てきた担当者の勘が決め手になる。卸売の需要予測では、この構造が定番です。

欠品と過剰在庫は、同じ1つの穴から生まれている

現場では、欠品は営業から責められ、過剰在庫は経理から責められます。挟まれた仕入担当は、安全在庫を積み増したり絞ったりを6ヶ月ごとに繰り返すことになる。けれど原因は1つで、「どの品番が、いつ、どれだけ動くか」を数字で説明できる状態になっていないことに尽きます。月に3件しか出ない品番と、月に300件出る品番を、同じ発注ルールで回していないでしょうか。前者は3ヶ月に1度まとめて発注すれば足り、後者は1週間ごとの見直しが要ります。粒度と更新頻度を品番ごとに分けられないと、全体を安全側に倒すしかなくなり、その結果として在庫が2ヶ月分、3ヶ月分と積み上がる。取扱品番が3,000件を超えてくると、この作業を人の目だけで毎月回すのは現実的ではありません。

発注を決める前の「探す時間」が1人1日20分・年間約80時間

需要予測というと分析の精度の話に見えますが、実際に時間を食っているのはその手前です。BoostXの試算では、社内のファイルや資料を探す時間を1人1日20分と置くと、240営業日で1人あたり年間約80時間になります。5人の仕入・在庫チームなら年間400時間、金額に換算して約100万円相当です。卸売の場合、探す対象は出荷実績のCSV、倉庫からの在庫報告、仕入先とやり取りした納期のメール、去年の特売の案内と、置き場所が分かれています。1回の発注判断のために3ヶ所を横断し、5分、10分と足していけば、1日20分はむしろ控えめな数字です。年間400時間は、正社員1人の年間労働時間のおよそ5分の1にあたります。この時間を新規の仕入先開拓や粗利改善に回せていたら、という比較で見ると重さが変わります。

自社の読み違いを景気の動きと切り分ける外部のものさしがない

もう1つ抜けやすいのが、外部のものさしです。ある品番の出荷が前月比で落ちたとき、それが自社の営業活動の問題なのか、市場そのものが縮んでいるのかを切り分けられないと、翌月の発注は必ず勘に戻ります。経済産業省が公表している商業動態統計では、卸売業・小売業の販売額の動向が毎月調査・公表されています。自社の出荷実績を12ヶ月並べたグラフの横に、こうした公的統計の動きを1本置くだけで、「うちだけが落ちた月」と「市場全体が落ちた月」を分けて見られるようになります。この切り分けができていない会社では、市場要因で落ちた1ヶ月に営業へ発破をかけ、翌月に反動で在庫を積むという往復が起きがちです。

需要予測をAIでどこまで任せられ、どこから人が決めるか

AIを入れれば需要予測が当たるようになるという期待は、半分だけ正しく、半分は危険です。AIが縮めるのは予測の当たり外れそのものではなく、予測を立てるまでの手作業と、外れたあとの対応にかかる時間です。この線引きを間違えたまま導入すると、3ヶ月後には「面白かったけれど誰も見ていないダッシュボード」が1枚残ります。

AIが安定して効くのは「集める・並べる・下書きする」の3領域

1つ目は集めること。3つのシステムに分かれた出荷実績と在庫データを、毎月6時間かけて手で突き合わせている作業は、AIを組み込んだ集計で月1時間規模まで落とせる領域です。これはBoostXがAI伴走顧問で実現している月30時間の効率化の内訳の1つで、データ集計は6時間から1時間、ナレッジ検索は5時間から1時間という水準です。2つ目は並べること。品番ごとの直近12ヶ月の出荷推移、在庫回転、欠品が起きた月を1つの表に整え、動きが変わった品番を上位20件だけ抜き出す。人が3日かけていた棚卸しが、数分の確認に変わります。3つ目は下書き。仕入先への納期確認メールは、BoostX自身の実践では1通5〜10分から30秒になり、1日10通で30分以上が浮きました。営業リスト100社の作成を2時間で終えた実績もあり、集めて整えるところはまとめて短縮できます。

発注数量の確定と例外の判断は人に残る

一方で、来月この品番を何件仕入れるか、欠品が見えたときに代替品を出すか納期を待ってもらうか、特売の話に乗るかどうか——こうした最終判断は人に残ります。理屈は単純で、AIは社内にある数字からしか答えを作れず、社内にない事情については「それらしい答え」を作ってしまうからです。取引先が来月から棚を2倍に広げるという情報は、営業の頭の中にしかありません。私は、AI導入では最終判断を人に残す前提を先に決めてから、集める時間の削減に手をつけるべきだと考えています。実務では、AIの出力は必ず「発注候補」であって「発注確定」ではない、という運用の線を最初の1ヶ月で引いておくことが要点です。BoostXが生成AI伴走顧問として中小企業のAI導入を支援するなかで実感しているのは、ツール選定より先にこの線を引いた会社ほど、6ヶ月後も使い続けているということです。なお、発注そのものの自動化については、BoostXが顧客企業で実装した仕組みで発注ミスをゼロにした実績があります。判断は人、転記と実行は仕組み、という切り分けが効く領域です。

精度は「出荷実績がどれだけ数字で残っているか」で決まる

同じAIを入れても、到達点が大きく変わるのはこの一点です。過去3年分の出荷明細が品番・数量・日付の粒度で残っている会社と、月次の合計金額しか残っていない会社では、初月に出せる答えの解像度が違います。中小企業庁「2025年版 中小企業白書」でも、デジタル化の段階3は売上高・顧客情報や在庫情報などをシステムで管理しながら業務フローの見直しを行っている状態、段階4はシステム上で蓄積したデータを活用して販路拡大や新商品開発を実践している状態として整理されています。需要予測は段階4の話で、在庫情報が数字で残る段階3を飛ばして着地することはできません。確認の順番は、①出荷実績が品番と日付の単位で3年分あるか、②在庫数が1日1回以上の頻度で更新されているか、③欠品と特売の記録が残っているか、の3点です。ここが弱いまま始めると、AIは平均値をなぞるだけの答えを返します。整備に2〜3ヶ月かかることは珍しくありませんが、この工程を飛ばした導入は、ほぼ確実に6ヶ月後にやり直しになります。

手作業のままとAIを併用した発注運用の比較表

効果は削減率ではなく、絶対数で見るほうが判断を誤りません。以下は、手作業のまま続けた場合とAIを併用した場合を、1件あたり・月あたり・年間あたりの時間で並べたものです。BoostXの実績として確認できている数値、BoostXの試算、一般的な目安の3つを区別して記載しています。

時間差は「1件あたり」ではなく「年間の総量」で見る

1件15分の短縮と言われてもピンときませんが、仕入担当3人が1日10件の発注判断を240営業日こなせば、年間7,200件です。1件15分なら年間1,800時間に相当します。ここまで積み上げて初めて、AI導入の話が投資判断として経営の議題に乗ります。逆に言えば、年に4件しか発生しない作業を自動化しても、年間で数時間しか変わりません。卸売でまず狙うべきは、金額の大きい年1回の交渉ではなく、1日に何度も繰り返している小さな確認と転記のほうです。見積書の作成が月20時間から15分になったBoostXの業務自動化ツール開発の事例も、頻度の高い定型部分だけを切り出したことで成立しています。発注業務でミスをゼロにした実装も同じ考え方で、判断ではなく転記と実行を仕組みに寄せた結果です。

比較表を自社に置き換えるときの3つの見方

この表をそのまま自社の効果予測に使うのは危険です。見るべきは3点あります。1つ目は品番数と回転で、取扱いが300件なのか3,000件なのか、そのうち月に1件以上動く品番が何件あるかを実数で数えること。動かない品番が7割を占めるなら、予測より先に在庫の整理で効果が出ます。2つ目はリードタイムで、発注から入荷まで3日の商品と、45日かかる輸入品では、必要な予測の先読み期間がまるで違います。45日先を読む商品ほどAIを併用する価値が大きく、3日で届く商品は発注点の見直しだけで足りることもあります。3つ目は例外率で、10件のうち8件が定型の補充発注なら効果は出やすく、10件すべてが個別交渉なら効果は限定的です。この3点を5営業日ほどかけて実測するだけで、投資回収の見立ての精度は大きく変わります。

ビフォーアフター：卸売の需要予測と発注まわりがここまで変わる

違いを生んでいるのはツールではなく運用設計

BeforeとAfterを分けたのは、高価な需要予測パッケージでも最新モデルでもありません。①出荷実績と在庫を1箇所に集める場所を決めた、②誰がどの頻度で更新するかを決めた、③AIの出力は発注候補であり確定は人が行うという線を引いた、この3点だけです。同じAIを導入しても、データが3つのシステムに分かれたままなら、探す時間は1人1日20分から1分も減りません。逆にこの3点さえ設計できていれば、最初の1〜2ヶ月で集計と探す時間の削減は体感でき、3〜6ヶ月で欠品と滞留在庫の傾向が数字で見えるようになります。「うちはまだBefore寄りだ」と感じた方は、次のセクションで自前導入の落とし穴を先に確認してください。

自前でAIを入れるときに卸売が踏みやすい落とし穴

ここまで読んで「自社でもできそうだ」と感じたなら、その手前で確認しておきたい罠が3つあります。いずれも技術の問題ではなく設計の問題で、後から気づくと戻すのに3〜6ヶ月かかります。

出荷データが3つのシステムに分かれたまま予測を始めてしまう

最も多いつまずきがこれです。受注は基幹システム、在庫は倉庫のExcel、仕入は会計ソフトと、3ヶ所に分かれた数字を毎月6時間かけて手で合わせている状態のまま、その上にAIを乗せても、出てくるのは合っていない数字の平均です。品番コードが2つのシステムで1文字違う、返品の扱いが月次と日次で異なる、といった不一致は必ず出ます。着手前に確認したいのは、①品番コードが全システムで一致しているか、②在庫が1日1回以上更新されているか、③返品と特売が実績から分離できるか、の3点。ここを整えるだけで2〜3ヶ月かかることもありますが、この2〜3ヶ月を惜しむと、6ヶ月後に全部やり直すことになります。データの連携や集計の自動化まで含めて社内に仕組みを持ちたい場合は、Claude Code構築サービスのように、開発環境ごと社内に置いて内製で回す進め方もあります。

それらしい予測値が、そのまま発注数量として通ってしまう

AIは分からないときに黙りません。データが足りない品番でも、体裁の整った数量を返します。前年の特売の300件が平常月の実力として学習されている、3ヶ月前に終売した品番が候補に残っている——見慣れた担当者ほど「まあこんなものか」と通してしまい、そのまま1件の発注で数十万円の在庫が積み上がります。避ける考え方は難しくありません。「その数量の根拠になった過去データを必ず一緒に出させる」「上位20件と、前月比で2倍以上ぶれた品番は人が原本と突き合わせる」という2つのルールを最初から運用に入れておくことです。この2行を省くと、AI導入が在庫削減どころか滞留在庫の入口になります。

3ヶ月で使われなくなり、更新する人が決まっていない

自前導入で最も多い終わり方は、事故ではなく静かな消滅です。導入から1〜2ヶ月は物珍しさで見られ、3ヶ月目には元のExcelと勘に戻っている。原因は、データを更新する担当と頻度が決まっていないことに尽きます。さらに厄介なのは、社内で1人だけ詳しい人が設定を抱え、その人が3日休むと予測が止まる状態です。仕入担当の属人化が、そのままAI設定係の属人化に移っただけで、止まるリスクの総量は変わっていません。決めておきたいのは、更新する人を2人以上にすること、更新の頻度を1週間ごとなど具体的な間隔で書くこと、そして毎月30分でよいので予測と実績のズレを振り返る場を1回置くことです。ツール選定ではなく、誰が何をいつ更新するかという運用の設計まで決めきれるかどうかが、6ヶ月後の生死を分けます。

よくある質問

公開日：2026年8月