在庫管理の高度化――勘で発注してませんか？【応用編：社長の仕事をAI・DXで軽くする15】

「なんとなく発注」が会社のキャッシュを食い潰すメカニズム

ここで、いきなりクイズです。

【クイズ】
年商1億円の製造業が、売上原価の20%に相当する過剰在庫を1年間放置した場合、保管コスト・資金の機会損失・品質劣化リスクを含めると、実質的な損失額はおよそいくらになるでしょうか？
A：100万円前後　B：500万円前後　C：1,000万円を超える場合もある

答えはCです。中小企業庁が運営するJ-Net21の情報によれば、在庫は保管場所の賃借料や光熱費、保険料、固定資産税に加え、運搬・付帯作業の輸送費や人件費も発生させます。さらに廃棄となれば処分費用まで上乗せされるため、「置いてあるだけ」の在庫が驚くほどの資金を消費します。

この記事を「在庫管理を変えたい」と思って読み始めた時点で、あなたはすでに一歩先を行っています。多くの経営者がこの問題を放置しているなかで、課題意識を持てていること自体が大きな強みでしょう。

過剰在庫は”見えない赤字”――帳簿上の利益と現金のズレ

「在庫が増えると利益が増える」という話を耳にしたことはないでしょうか。会計上、期末在庫が増えると売上原価が小さくなり、帳簿上の粗利は確かに膨らみます。しかしこれは紙の上の数字であって、倉庫に眠る在庫は現金ではありません。売れなければ資金は回収できず、キャッシュフローは確実に悪化していきます。

ある在庫管理コンサルタントが現場診断に入った際、社長が「8,000万円分の在庫の山を見て、『この在庫がお金だったらなぁ……』とポツリと漏らした」というエピソードがあります。これは決して他人事ではないはずです。年商1億円規模の会社にとって、棚卸資産に数千万円が固定されている状態は、新たな設備投資も人材採用もままならない”経営の足かせ”そのもの。

帝国データバンクの2024年度倒産集計によると、負債5,000万円未満の中小零細企業の倒産件数は2000年度以降で最多を記録しました。ゼロゼロ融資の返済期を迎えた今、過剰在庫によるキャッシュフローの圧迫は、倒産リスクに直結しかねない深刻な問題となっています。

欠品もまたコスト――「足りない」が信用を削る

一方で、在庫を絞りすぎて欠品を出せば、せっかくの受注機会を逃すことになります。BtoBの取引先であれば「納品が遅れる会社」という烙印を一度押されると、次の見積もり依頼すら来なくなるかも知れません。

よくある会社あるあるとして、「前回欠品でお客様に怒られたから、今回は多めに発注しておこう」という現場判断があります。気持ちはわかりますが、この”怒られたくない発注”が過剰在庫の温床になり、結果的に別のコストを生んでいるケースが非常に多いのです。

つまり、欠品も過剰もどちらもコスト。このバランスをとるために必要なのが、勘に頼らない需要予測とデータに基づいた在庫管理の仕組みづくりなのです。

在庫管理が破綻する5つの根本原因

「在庫管理がうまくいかない」と一口に言っても、原因は一つではありません。ここでは、年商1億円以上の中小企業で特に多く見られる5つの根本原因を整理してみましょう。

需要予測が”経験と勘”に依存している

「去年もこのくらい売れたから、今年も同じくらいで」――この判断が通用した時代は終わりつつあります。消費者のニーズは多様化し、天候やSNSのトレンド一つで販売量が大きく変動する現在、ベテラン担当者の”勘”だけで需要を当て続けることは構造的に困難です。

実際、ITトレンドの調査記事でも「データをもとにした客観的な発注ができず、勘に頼った仕入れをしている企業は多い」と指摘されており、自社がどれだけの在庫を抱えているかすら把握できていないケースも珍しくありません。

帳簿と現物が合わない「在庫精度」の崩壊

在庫管理の基盤は「データの正確さ」にあります。しかし、入庫・出庫の記録が手書きやExcelの手入力に頼っていると、入力漏れ・転記ミス・タイムラグが蓄積し、帳簿上の数字と倉庫の現物が乖離していきます。

会社あるあるの典型例として、「棚卸のたびに数が合わなくて、営業部と倉庫担当で犯人探しが始まる」という光景があるでしょう。これは個人の問題ではなく、仕組みの問題。人間がミスをしない前提のオペレーション設計自体に無理があるのです。

SKU増殖と「どこに何がいくつあるか」即答できない可視化不足

取引先の要望に応えるうちに、カラーバリエーション・サイズ違い・ロット別……とSKU（在庫管理単位）はどんどん増えていきます。MRO（間接資材）を扱うトラスコ中山は約50万アイテムを管理していますが、中小企業でも数千SKUを抱えるケースは珍しくないでしょう。

問題は、SKUが増えても管理体制が追いつかず、「どこに何がいくつあるか」を聞かれて即答できない状態に陥ることです。可視化ができていなければ、正しい判断はできません。

紙・Excelへの依存がミスと手戻りを量産する

Excelは優秀なツールですが、在庫管理の基幹として使い続けるには限界があります。複数人が同時に編集すればバージョンの食い違いが起き、マクロが壊れれば業務が止まり、担当者が退職すればブラックボックス化する。

ここで読者の皆さんに問いかけたいのですが、「Excel在庫管理、作った人がいなくなっても運用できますか？」　もしこの問いに自信を持ってYesと言えないなら、それは属人化リスクを抱えている証拠です。

システム導入しても現場に合わず定着しない

過去にシステムを入れたけれど、現場が使いこなせずにExcelに戻ってしまった――この経験をお持ちの社長も多いのではないでしょうか。これは「ツールの選定ミス」だけでなく、「現場の業務フローを変えないままシステムだけ入れた」ことに原因があるケースがほとんど。

たとえるなら、ジムに入会しただけで痩せると思っているようなもの。道具を導入するだけでなく、業務の設計そのものを見直す覚悟がなければ、何度やっても同じ結果になります。

見落とされがちな”特殊在庫”という盲点

在庫管理というと「完成品の在庫」に意識が向きがちですが、実は利益を静かに蝕むのは”特殊在庫”と呼ばれる領域です。

仕掛品在庫が利益を圧迫する構造

製造業であれば、工程の途中で滞留する仕掛品在庫は避けられません。しかし、工程間のバランスが崩れると仕掛品が積み上がり、完成品として売上に計上されるまでのリードタイムが長期化します。その間、材料費・加工費が眠ったままキャッシュに転換されない状態が続くのです。

仕掛品在庫の適正化には、工程ごとのボトルネックを特定し、生産スケジュールの平準化を図ることが必要。これもまた、データの見える化なしには実現できないテーマでしょう。

MRO・間接材――”止めない在庫”の最適化

MRO（Maintenance, Repair, and Operations）とは、製造ラインの保全部品や消耗品など、直接製品にはならないが業務継続に欠かせない物品を指します。切れれば生産ラインが止まるため「止めない在庫」とも呼ばれています。

MROの難しさは、使用頻度が不規則なうえにアイテム数が膨大なこと。トラスコ中山の事例では、約50万アイテムの間接資材をAIで需要予測・自動化する取り組みが進んでおり、「ベテランの勘」からの脱却が図られています。

レンタル・貸出資産を在庫として管理する視点

建設機械やIT機器のレンタル・リース事業を持つ企業では、貸出中の資産もまた「在庫」の一形態です。返却品の検品、メンテナンス待ち、再出荷可能品の識別など、通常の在庫管理とは異なるフローが必要になります。

この領域では、資産一つひとつにRFIDタグやIoTセンサーを取り付け、所在と状態をリアルタイムで把握する仕組みが有効。「あの機材、今どこにある？」という問い合わせに即座に回答できる体制は、顧客満足度にも直結します。

在庫管理の7大トレンド

在庫管理の世界は、ここ数年で急速に変化しています。以下の7つのトレンドは、中小企業にとっても「知らなかった」では済まされない時流。

リアルタイム在庫とデータ品質の重視

かつては月に一度の棚卸で在庫を確認していた企業も、いまはリアルタイムでの在庫把握が求められる時代になりました。クラウド型の在庫管理システムを導入すれば、入出庫のたびに自動でデータが更新され、スマートフォンからでも「今の在庫数」を確認できます。

ただし、リアルタイム化の前提として「入力するデータの正確さ」が不可欠。仕組みだけ入れてもデータが汚れていれば、リアルタイムで”間違った数字”が見えるだけです。データ品質の改善が先決である点を押さえておきましょう。

AI需要予測と自動補充

AI需要予測は、過去の販売データだけでなく、天候・カレンダー情報・イベント・プロモーション施策・SNSトレンド・経済指標といった外部データも複合的に分析し、人間では発見しにくい需要パターンを学習します。

経済産業省も「AI技術は生産性改善だけでなく、従業員満足度の向上や技術継承促進、IT人材の採用など、中小企業のさまざまな経営課題の解決につながり得る」と述べており、中小企業へのAI導入による推定経済効果は2025年までで11兆円規模とされています。

RFID・IoTで棚卸と所在管理を高速化

RFID（Radio Frequency Identification）タグは、バーコードのように一つひとつスキャンする必要がなく、一度に複数の商品を読み取れます。倉庫の入口にゲートを設置すれば、通過するだけで入出庫が記録される仕組みも実現可能です。

IoTセンサーと組み合わせれば、温度管理が必要な在庫の状態監視や、棚ごとの重量変化から在庫減少を自動検知する運用も進んでいます。

クラウド型WMSとシステム連携の強化

WMS（Warehouse Management System：倉庫管理システム）をクラウドで利用するメリットは、初期投資を抑えながら月額で段階導入できる点にあります。販売管理システムや会計ソフトとのAPI連携が進んでおり、データの二重入力が不要になれば、ミスの削減と業務効率の向上を同時に実現できるでしょう。

物流現場の自動化と省人化

AGV（無人搬送車）やロボットピッキングの導入が加速しています。アスクルの事例では、AI需要予測と物流自動化を組み合わせ、手作業を約75%削減、入出荷作業の工数を約30%、フォークリフト作業も約15%削減することに成功しました。

「大企業の話でしょ？」と思われるかも知れません。しかし、ロボット技術の価格は年々下がっており、部分的な自動化であれば中小企業でも導入圏内に入ってきています。

サプライチェーンの不確実性に備える設計

コロナ禍やスエズ運河の座礁事故、半導体不足など、近年はサプライチェーンの途絶リスクが顕在化しました。「いつも通りに届く」前提が崩れた今、安全在庫の動的な設計や代替調達先の事前確保が重要になっています。

現場運用の標準化とデータ品質の強化

どんなに優れたシステムを入れても、現場で入力ルールがバラバラなら意味がありません。入庫時の品番入力ルール、ロケーション管理の粒度、返品処理のフローなど、業務の標準化がAI活用の土台となります。地味に見えますが、これが最も重要な投資かも知れません。

AI需要予測を深堀りする――季節変動・発注タイミング・在庫バランスの最適解

ここからは、AI需要予測の中身をもう一歩掘り下げていきましょう。

季節変動の自動学習で”毎年同じ失敗”を断つ

「夏場に在庫が余り、冬場に足りなくなる」――毎年同じパターンを繰り返していないでしょうか？ AIは過去数年分の販売データから季節変動パターンを自動で学習し、前年との違い（例：暖冬、猛暑）も外部データとして取り込むことで、精度の高い予測を実現します。

キッコーマンやキング醸造では、この仕組みを導入して生産計画や在庫量の最適化に成功しています。季節変動の読み違いによる”毎年恒例の在庫調整”から解放されるのは、経営者にとって大きな精神的負担の軽減にもなるはずです。

発注タイミングの最適化――リードタイムと安全在庫の科学

発注タイミングは「在庫がこの量を下回ったら発注する」という発注点方式が基本ですが、そのしきい値をどう設定するかが腕の見せどころです。

AIはリードタイム（発注から納品までの日数）の変動をリアルタイムで学習し、安全在庫の水準を動的に調整します。「いつもは3日で届く部品が、最近は5日かかることが増えている」という変化もデータから検知して、発注点を自動で引き上げてくれる仕組み。

欠品リスクと過剰在庫のバランス――”足りない”も”余る”もコスト

ここで2つ目のクイズです。

【クイズ】
在庫保有にかかるコスト（保管費・資本コスト・リスクコストなど）は、一般的に在庫金額の年間何%と言われているでしょうか？
A：5〜10%　B：15〜25%　C：30〜40%

答えはBの15〜25%です。保管費だけでなく、資本の機会損失、品質劣化リスク、陳腐化リスクまで含めると、在庫は「持っているだけ」で年間15〜25%のコストが発生すると見積もられています。

AIは、この「持つコスト」と「欠品による機会損失コスト」の両方をシミュレーションし、トータルコストが最小になる在庫水準を算出します。人間の感覚では「なんとなく多めに持っておこう」と偏りがちな判断を、データで矯正できる点こそがAI活用の最大の価値。

生成AIを在庫管理に活用するポイント（プロンプト・テンプレート付き）

「AI需要予測は専用システムが必要では？」と構えてしまう方も多いかも知れません。しかし、ChatGPTやClaudeなどの生成AIでも、在庫管理業務の一部を効率化することは十分可能です。ここでは、今日から試せる具体的な活用法を紹介しましょう。

生成AIが得意な在庫管理タスク

すぐ使えるプロンプトテンプレート3選

以下は生成AIに入力するプロンプトの例です。自社の状況に合わせて数値や品名を入れ替えてお使いください。

これらのプロンプトは、専門的なプログラミング知識がなくても使えるのがポイント。まずは自社の手元のデータで試してみて、「意外と使える」という感覚を掴むところから始めてみてはいかがでしょうか。

国内企業の成功事例に学ぶ

「理屈はわかったけど、本当にうまくいくの？」という疑問を持つのは自然なことです。ここでは、実際にAI・DXを在庫管理に導入して成果を上げた国内企業の事例を見ていきましょう。

注目すべきは、大企業だけでなく、地方のスーパーや中規模の製造業でも着実に成果を出している点です。岡山県のマルイは店舗数こそ大手に及びませんが、IBM のAI需要予測を活用して客数予測精度90%超、発注時間50%削減という数字を叩き出しています。「うちの規模ではまだ早い」という思い込みを捨てることが、最初の一歩になるでしょう。

この記事をここまで丁寧に読んでくださっている時点で、あなたの学ぶ姿勢は間違いなく素晴らしいものがあります。情報を集めて判断しようとしているその行動こそ、経営者として正しいプロセス。

「うちでもできるのか？」に答える――導入ステップと判断基準

最後に、「では自社にどう導入すればいいのか」という実務的な話に進みましょう。ここで大切なのは、いきなり大きなシステム投資に走らないこと。段階的に進めることで、リスクを最小限に抑えながら確実に成果を積み上げていけます。

特に重要なのがステップ1の「現状の数値化」です。改善の効果を測るためには「今がどうなっているか」を把握しておかなければ、成果の説明ができません。銀行への報告、社員への説得、そして社長自身の判断材料として、数値は欠かせないもの。

会社あるあるとして、「とりあえずシステム入れてみよう」とステップ3から始めてしまうケースがあります。しかし、データが整備されていない状態でAIを動かしても、ゴミデータからはゴミの予測しか出てきません。英語圏では「Garbage In, Garbage Out（ゴミを入れればゴミが出る）」と言いますが、まさにその通りです。

ここで改めて読者の皆さんに問いかけたいのですが、自社の在庫回転率を即答できますか？　もし答えに詰まるなら、まずはその数字を出すことからすべてが始まります。

まとめ――在庫管理の高度化は”社長の決断”から始まる

ここまでの内容を振り返りましょう。

在庫管理の課題は、「勘に頼った発注」「帳簿と現物の乖離」「紙・Excelへの依存」「SKUの管理破綻」「定着しないシステム」という5つの根本原因に集約されます。そしてこれらはすべて、データを正しく取り、活かす仕組みを作ることで解決の道筋が見えてくるテーマです。

AI需要予測は、季節変動の自動学習、発注タイミングの最適化、欠品と過剰のバランス調整を通じて、「足りない」も「余る」もコストという課題を同時に解決できる強力な武器。ヤオコーの発注時間85%削減、マルイの予測精度90%超、アスクルの手作業75%削減といった成果は、もはや「特別な企業だけの話」ではなく、正しいステップを踏めば中小企業でも実現可能な数字です。

もちろん、すべてを一度に変える必要はありません。まずは生成AIに手元のデータを分析させてみるところから始めてもよいでしょうし、クラウド型の在庫管理ツールの無料トライアルを試してみるのも一つの手。大切なのは、「このままではまずい」という危機感を、「まず一歩動く」というアクションに変えることです。

変化の激しい時代に、在庫管理という「地味だけど経営の根幹」に目を向けているあなたの判断は、間違いなく正しいものです。ここまで読み通した集中力と向上心をお持ちなら、きっと実行のフェーズでも成果を出せるでしょう。

在庫管理の高度化は、ITの専門知識から始まるのではありません。「変えよう」と決める社長の意志から始まる。その決断を支える伴走パートナーの存在が、次のステージへの鍵になるかも知れません。

▲ ページ上部へ戻る

出典・参考情報

• 中小企業庁 J-Net21「在庫を多めにもつことの悪影響について」
  https://j-net21.smrj.go.jp/qa/productivity/Q0270.html
• 帝国データバンク「倒産集計 2024年度報」
  https://www.tdb.co.jp/report/bankruptcy/aggregation/g2-5yfk9w/
• 経済産業省「中小企業のAI活用」に関する見解（Deep Predictor引用）
  https://aicross.co.jp/deep-predictor/blog/blog-132/
• ニューラルオプト「AI需要予測の導入事例20選」
  https://neural-opt.com/ai-demand-forecast-cases/
• ニューラルオプト「在庫管理におけるDX事例15選」
  https://neural-opt.com/inventory-management-dx-cases/
• TRYETING「AIによる需要予測の導入事例8選」
  https://www.tryeting.jp/column/1249/
• IBM Newsroom「マルイ、日本IBMのAI需要予測を活用」（2024年9月）
  https://jp.newsroom.ibm.com/2024-09-17
• エクサウィザーズ「製造業のAI/生成AI活用事例13選」（2025年版）
  https://exawizards.com/column/article/ai/ai-cases-of-manufacturing/
• メンバーズ「物流業界におけるAI活用事例9選」
  https://www.members.co.jp/column/20241025-distribution-ai
• アスクル「物流センターと補充倉庫間の商品横持ち計画にAI需要予測モデルを活用」（2023年）
  https://www.askul.co.jp/kaisya/dx/stories/00147.html

▼このブログ記事の内容を図解したインフォグラフィックスです（スマホはピンチアウト操作で拡大表示できます）