出光興産がAIベンチャーのグリッドと共同で、内航船の配船計画を最適化するAIを開発・導入した、という事例です。
数値だけ見ると「計画立案時間を約60分の1」という派手な話ですが、僕が注目したのは「熟練担当者の経験に依存していた業務を標準化した」という部分です。 削減率よりも、属人化していた判断ロジックを機械化できたことのほうが、他社の目線では再現価値があります。
「重厚長大産業の大企業事例なんて中小には関係ない」と思った方、ちょっと待ってください。 「熟練者の頭の中にしかない判断を、AIで再現する」という構造は、規模を問わず物流・製造の現場でそのまま当てはまります。
内航船配船まわりの課題
一次ソース(AINOW、2026-05-30)で挙げられている課題は、こんな構造です。
- 内航船の配船計画立案に膨大な時間がかかる
- 熟練担当者の経験と判断に強く依存する属人化業務
- 需要変動・港湾状況・船舶稼働率など変数が多く手計算が限界
- 輸送効率にロスが残り、コスト・CO2排出の両面で改善余地がある
「担当者が抜けたら回らない業務」というのは、規模の大きな会社でも小さな会社でも共通の悩みです。 配船に限らず、シフト作成・車両配車・工程計画など、同じ構造の業務は物流・製造の現場に必ずあります。
深層強化学習をどう導入したか
一次ソース(AINOW)で報告されている構成は以下です。
- 対象業務: 内航船の配船計画立案
- 共同開発: 出光興産 × グリッド(AIベンチャー)
- 技術: 深層強化学習(Deep Reinforcement Learning)
- 狙い: 熟練者の判断を機械学習モデルで再現し、計画立案を高速化
深層強化学習は、シミュレーション環境の中でAIが試行錯誤を繰り返して最適な選択を学ぶ手法です。 「正解データを大量に用意する」教師あり学習と違い、「良い結果に近づく行動を自分で学習する」のが特徴で、配船のような組合せ最適化と相性が良い技術です。
一方で、モデル構築には自社データと業務知識をシミュレータに落とし込む工程が必要で、単純に「AIを買ってくれば終わり」ではありません。
60分の1短縮と20%改善の実態
一次ソースで報告されている主要な数値は以下です。
- 計画立案時間: 約60分の1に短縮
- 輸送効率: 最大約20%改善
- 副次効果: 業務標準化(熟練者依存からの脱却)
注意点として、「約60分の1」は計画立案フェーズの時間比較で、船の運航そのものが60倍速くなったわけではありません。 「輸送効率最大約20%改善」も、条件・時期・航路によって幅が出る値だと想像したほうが自然です。 一次記事にはモデル構築期間・投資額の記載はないので、そのまま自社ROIの根拠にするのは避けたい部分です。
中小物流業で再現するなら
ここからが本題です。年商5億規模の物流・製造企業で、同じ「属人化した計画業務のAI化」思想を取り入れるならどう削るか。
構成
| 項目 | 出光興産×グリッド | 中小物流・製造(年商5億・社員30名) |
|---|---|---|
| 対象業務 | 内航船配船計画 | 車両配車・シフト計画・工程計画のいずれか1つ |
| 技術 | 深層強化学習(自社シミュレータ) | 既製の最適化SaaS+ChatGPT/Claudeによる判断支援 |
| 月額費用 | (非公開・大規模投資) | 推定 月3〜10万円(SaaS+AIツール、2026年8月時点。要最新価格確認) |
| 初期費用 | 大規模(自社モデル構築) | 推定 50〜200万円(業務ヒアリング+ルール抽出+SaaS初期設定) |
| 体制 | 開発チーム+現場+ベンダー | 兼務担当1名+外部支援月10〜20時間 |
| 期間 | 段階展開(公表数値なし) | 3〜6ヶ月でPoC→本格運用 |
評価軸スコア
| 評価軸 | スコア |
|---|---|
| ROI(投資対効果) | ★★★★☆ |
| 再現性(中小企業) | ★★☆☆☆ |
| 難易度(低いほど簡単) | ★★★★☆ |
(難易度=数字小さいほど簡単)
スコア根拠は以下です。
- ROIは高め。属人化業務のAI化は「担当者離脱リスク」も同時に減らせるので、時短効果+リスク削減の両取りになる
- 再現性は低め。深層強化学習の自社実装は中小には重すぎるので、既製SaaS+AIによる判断支援に置き換える前提が必要
- 難易度は高め。業務ルールの言語化とデータ整備に、現場と経営の両方の巻き込みが要る
前提条件・必要データ
- 過去1年以上の計画データ(配車・シフト・工程等)がデジタルで残っている
- 熟練担当者が判断ロジックを言語化・数値化することに協力的である
- 対象業務が月間で一定件数以上あり、標準化する意味がある規模である
- 既製の最適化SaaS(配車系・要員計画系)が業界向けに存在している
失敗条件・適用しないケース
- 過去データが紙・手書き・Excel散在で、電子化コストが割に合わない
- 熟練担当者が「AIに仕事を奪われる」と身構え、判断ロジックの言語化に非協力的
- 経営層が「AI導入=即コスト削減」と考え、業務標準化フェーズを軽視する
- 対象業務が「毎回イレギュラー」で、そもそも標準化しづらい構造
「深層強化学習を入れれば計画業務が60倍速くなる」わけではありません。
属人化業務の特定→判断ロジックの言語化→データ整備→ツール選定(SaaS or AI併用)→運用ルール策定、という5ステップを踏んで初めて、中小規模でも再現可能な体制が見えてきます。
出光興産の事例が教えてくれるのは、「熟練者の判断を機械で再現する価値」であって、「同じ技術を真似ろ」という話ではないと思います。
出典・参考
市野
愛知県岡崎市でAI活用支援を手がける一人社長。 中小企業の現場でAIを実装してきた経験から、他社事例を「うちで再現するには」の視点で読み解いて発信中。
愛知県岡崎市を拠点に、中小企業向けのAI活用支援を提供。ChatGPT・Claude Code等を活用した業務自動化やSEO・広告運用の内製化を支援。経営者が自らAIを使いこなせる体制づくりをサポートしている。
＞＞詳細なプロフィールはこちら