物流・運輸のAI活用事例

駅の無人化が進んで対面案内が減り、忘れ物や切符の買い方の問い合わせがお客さまセンターに集まって放棄呼が出ていた。

2011年に作った公式サイトは情報を足し続けて分かりにくくなり、旧FAQシステムも操作と更新の手間が大きかった。

1. 公式サイトを作り直し別ドメインの観光情報をまとめた
2. FAQをAIが学習を助けるsmartFAQに入れ替えて公開した
3. 大量に来る決まった質問は定型回答のチャットボットで返す
4. ばらつく質問はサイトを探して答えるAIに任せた
5. 多言語ページにもAI回答を置きサイト修正で追従させた

リリースから約1ヶ月で放棄呼の割合が約2分の1に減り、FAQの稼働率は旧システムの数倍になった。

交通系ICカードやQR乗車券に関する電話はほとんど来なくなり、多言語FAQの個別更新も要らなくなった。

TOBU POINT IDで乗車や買い物のデータが集まり顧客の姿は見えてきたが、その情報を使った販促の精度を上げきれずにいた。

狙う顧客を決めるまでの検討にも時間がかかっていた。

1. 会員データと改札データ、購買データを共通IDでつなぐ
2. AIエージェントに渡し月別や曜日別、時間帯別の属性を設計させる
3. 購入金額のカテゴリ比率から志向や沿線利用のタグを付ける
4. キャンペーン反応確率の予測モデルで反応しそうな人を先に選ぶ
5. 既存のCDPやMAは残し判断する部分だけAIで足す

機械学習で1,000以上のタグが自動で作られ、鉄道と流通をまたいだ顧客像を描けるようになった。

反応が見込める顧客に優先して案内を届け、関係の薄い通知は減らせる見通しになった。

マイナス22度の冷蔵冷凍倉庫での作業は人が集まりにくく、人手頼みのままでは事業が続かない恐れがあった。

倉庫内の物の位置を知るためにセンサーやRFIDを全部に付けるのは手間も費用も見合わなかった。

1. 食品防御用に設置済みの監視カメラ映像を活用対象にした
2. 画像・動画解析エンジンのAMY Insightを選んだ
3. Deep Learningでフォークリフトやカゴ車を追跡する仕組みを作った
4. Amazon EC2上にAWS Deep Learning AMIで土台を組んだ
5. 1対象物あたり最大3,000枚弱で学習させ5ヶ月かけて精度を確かめた

追跡成功率97%を達成し、これまで取れなかった位置と追跡のデータが手に入った。

5ヶ月のうちインフラの準備は約1週間で終わり、残りを学習とモデル調整に回せた。

物流の受発注はいまもFAXで届く帳票が多く、担当者が中身を読んで配車管理システムへ手で打ち込んでいた。

荷主ごとに書式がばらばらで、従来のOCRでは読み取り位置を毎回決める手間もかかっていた。

1. 発注帳票の画像をAIデータコンバーターに読み込ませる
2. 積み地や降ろし地の項目をAIが自分で見つけて割り当てる
3. 数量や日程も拾いCSVに整えて出力する
4. 丸印とV印だけの独自表記も日付として扱う
5. 帳票にない情報はマスタや固定値で補い人がCSVを確認する

運送手配マッチングサービスの社内業務で試したところ、1日あたり約75分かかっていた入力が15分で終わり、作業時間が8割減った。

効果が確かめられたため2026年6月から外部への販売を始める。

RPAで決まった手順の作業は自動化できていたが書式の定まらない情報や判断が要る仕事は人が抱えていた。

運航の乱れに関する記録の入力も滞っていた。

1. AIエージェントに乗務員のホテル予約メールをその場で読ませる
2. 予約の確認と管理表の更新まで任せる
3. 運航の乱れの原因と次の対応を担当チームへ伝える
4. 例外が出たときだけAction Centerで人が判断する
5. Maestroで自動処理と人の流れをまとめて管理する

事務作業の滞りが無くなり法務と顧客対応のチームが必要な情報を早く受け取れるようになった。

団体販売の価格決めも速く一定の基準でできるようになった。

毎月4,000枚を超える請求書が届き、取引先や内容ごとに違う科目と明細を経理担当が1枚ずつ手で入力していた。

年間1,344時間かかるうえ、入力の細かい決まりが口頭で引き継がれ担当者に依存していた。

1. 届いた請求書データをTOKIUM AI明細入力に読ませる
2. 明細と仕訳の入力をAIに代行させる
3. 経理担当が出てきた仕訳を確認し違う所だけ直す
4. 直した内容をAIが覚え入力の決まりが形に残る
5. TOKIUMインボイスとアシスタントと組み合わせて回す

支払完了までの期間が4週間ほどから1週間程度に短くなった。

TOKIUM利用前と比べて年間912時間の工数削減が見込まれ、担当者に頼る状態の解消も進んだ。

協力会社が多く点検記録や作業日報や請求書の様式がばらばらで手入力かそのまま紙で保管していた。

走り書きの手書きは読み解くのに時間がかかり現場から事務所へ戻る移動も加わって残業が出ていた。

1. 各拠点の担当者が紙の帳票をスキャンしPDFにする
2. 決めたフォルダへ入れてボタンを押すとRPAがDX Suiteへ上げる
3. 出てきたCSVはRPAがExcelへ変換した
4. 中身の確認はExcel上でまとめて行う
5. 読み取りにくい文字は担当者の助言をもらって精度を上げた

点検記録や作業日報や請求書や出勤簿を合わせて月間約400時間の業務時間を減らせた。

データが貯まったことで見落としていた結果も残せるようになり業務の分析にも回せるようになった。

担当者が同じ書類を2回から4回さわっても入力の誤りが残り荷主の体験を悪くしていた。

受注の作成も手作業が多く1件に15〜20分かかっていた。

1. UiPath Document Understandingを土台に仕組みを入れた
2. 届いた通関書類をそのまま読み込ませ決まった項目を取り出す
3. 取り出した中身を確かめさせ判断がつかないものだけ担当者に回す
4. 受注はメール本文をAIに読ませて必要な情報を抜き出す
5. 情報がそろえばそのまま受注を作り足りないものは人が確かめる

通関書類の約85%が自動で処理されるようになり受注の作成は15〜20分から約2分に縮んだ。

受注の約30%は人が一切触らずに完結している。

車両輸送の状況の更新が電話やメールや文字メッセージに散らばっていた。

担当者は情報を追いかけて手で入力する作業に時間を取られ人を増やさないと量をさばけない状態だった。

1. 出荷の状態が変わると音声エージェントがドライバーへ自動で電話する
2. 到着予定時刻や担当の確認や遅れの理由を聞き取る
3. 台本を読まず相手の返事に合わせて質問を変える
4. 集めた内容を社内システムへ流し込み作業を自動で閉じる
5. 決めた範囲から外れた返事だけ運用チームが判断する

月あたりの通話は約20%減り手作業のやり取りは約15%減った。

例外の対応や判断が要る仕事に月1000時間近くを回せるようになった。

現場の労働力が足りず働き方を変える必要があった。

生成AIを入れたくても安全に使える基盤と使いこなす人がいなかった。

1. 社内ICT部門が旗振り役となり全社プロジェクトを立ち上げた
2. 自社クラウド上に非エンジニアでも触れる開発環境を用意した
3. 現場社員にハンズオン研修を経営層に事例研修を行った
4. 職場に広げられる人をAIアンバサダーとして認定した
5. 定型資料の自動作成とFAQチャットボットを個別に開発した

現場が日常の仕事の延長でAIを使える環境が整い定型資料作成の自動化やFAQチャットボットが動き出した。

経営層向け研修には会長兼社長執行役員を含む約30名が対面とオンラインで参加した。

人手不足のなかで限られた人員のままサービスの質を保つ必要があった。

仕事の手順が人に付いていて、生成AIは難しそうという気持ちの壁もあった。

1. 若手を中心に研修を行い生成AIの基礎の使い方をそろえた
2. 選んだ3名に月1回の訪問でプロンプト作りとGAS・VBAを教えた
3. 入力や転記といった手のかかる作業を洗い出した
4. ChatGPTのほかNotebookLMや画像生成AIを用途で使い分けた
5. 質問はSlackやメールで随時受けて返した

伴走を始めて4ヶ月で年間約720時間の削減効果になった。

入力・転記の自動化で約185時間、データの引き当ての効率化で約170時間を減らした。

開発ツールが古くばらばらで開発者の作業が滞りリリースが遅れていた。

脆弱性の発覚も終盤になりがちで事業のリスクになっていた。

1. 開発の環境をGitHubの基盤へまとめる
2. IDE上でCopilotの補完を受けて作業した
3. 込み入った変更はエージェントモードに任せる
4. 検査を開発の流れに組み込み書きながら直した
5. Autofixの修正案は開発者が確かめて反映する

技術的負債の修正は前年と比べて40%良くなった。

セキュリティ修正のMTTRは63%減り、開発者の満足度とNPSは4.4/5まで上がった。

鉄道の専門用語や社内だけで通じる言い回しを一般的な機械翻訳は正しく訳せなかった。

訳語がばらつくたびに人が手で直していた。

1. 訳し方を決めたい用語を専門用語データベースで管理する
2. 16言語で3万近い用語をそこに入れている
3. 言語管理部が数週間に一度DeepLの用語集へ反映させる
4. 登録するのは言い換えても意味が変わらない語だけにした
5. 社員は拡張機能や文書ファイルの翻訳から使う

社内用語の訳がそろって手直しにかかる時間と手間が減った。

翻訳まわりの費用も抑えられるようになった。

以前のビジネスフォンには録音が無く通話の中身を後から確かめられなかった。

受注件数はスタッフの自己申告に頼っていて1日の動きもつかめなかった。

1. 電話をMiiTelに切り替えて録音と文字起こしを残す。
2. トーク解析で通電数や保留時間や話速を数値にする。
3. 保留の通話はリアルタイムモニタで理由を確かめる。
4. 分かった詰まりどころはマニュアルへ反映した。
5. 週1回から月1回レポートを出して面談で課題を伝える。

言った言わないのトラブルは録音と文字起こしですぐ確かめられるようになった。

データに沿った指導を続けた結果導入から1年で1人あたりの平均生産性が33％上がった。

生成AIはいずれ取り組むべきものと考えていたが、他に優先する課題があり着手できずにいた。

グループ会社とはクラウド環境が違い、同じやり方をそのまま持ち込めなかった。

1. グループ会社の会議で生成AI導入の方針を決めた
2. 社内で安全に使える法人向けChatGPTを選んだ
3. メール文や報告書の下書きと翻訳に使った
4. ExcelのVBAマクロや複雑な計算式も書かせた
5. 提供元の伴走支援を受けて社内に広げた

文書作成にかかる時間を約5割短くできた例が出た。

コード作成や計算式づくりといった手間のかかる作業まで速くなった。

ChatGPTが広まり業務で使ってよいかという問い合わせがグループ各社から増えた。

安全に使える生成AIの環境が社内に無かった。

1. ガイドラインを作り機密情報の入力を禁止した。
2. exaBase 生成AIをグループ横断で入れる。
3. 希望した約200名にアカウントを配った。
4. 文書作成や議事録づくりや翻訳に使う。
5. どの作業で何分減ったかをシートへ書いて集計した。

導入初月の1か月で約200時間分の効率化になった。

11月末時点で削減時間は800時間まで増え利用者は約300名になり継続して使いたいと答えた人は98%だった。

通関手続きではB/Lやインボイスに書かれた金額や番号をシステムへ打ち直す必要があった。

大口の案件だと書類が何十枚も付くため転記に時間を取られていた。

1. B/LやインボイスをスマートOCRに読み込ませる
2. 読み取る位置を決めず1ページを丸ごとテキストにする
3. 出てきたデータをCSVで受け取る
4. 税関へ出す書類のシステムへ転記する
5. 行数の多いインボイスからこの流れに乗せる

大口顧客1件あたりの申告書類の作成工数が約50%減った。

英数字やハイフンの打ち間違いもほぼなくなり書類処理の速さと正確さが上がった。

介助サービスの依頼が45%増え、現場の人員だけでは応じきれなくなった。

電話やメールでの申し込みは手間と時間がかかり、出発直前の相談には間に合わなかった。

1. AgentforceをAPIでWhatsAppにつないだ
2. Service Cloudのデジタル接客機能と合わせて動かす
3. 回答の元になる記事をData 360から引く
4. 列車の運行情報をDarwinからAPIで取る
5. 介助依頼は聞き取ってケースを作り担当部門へ回す

年間およそ5,000件の会話と介助依頼をAgentforceが受け持つ見通しになった。

介助の行き違いを減らし、NPSを+13にする目標を置いている。

新卒の1次選考は現場の従業員が1対1で担当しており面接官ごとに記録の書き方や細かさがそろわなかった。

面接を2名体制にすると日程調整に時間がかかり選考が長引く心配もあった。

1. 26卒の1次選考をオンラインの1対1で実施する。
2. 面接中はリアルタイム文字起こしを動かす。
3. 終了後に申し送り事項と面接内容の要約を自動で作る。
4. 後日もう1人の面接官が要約を読んで判断に加わる。
5. 要約とコメントを次の面接官へ引き継ぎ最終面接まで共有する。

記録づくりにかかる時間が短くなり面接官と人事の両方の負担が軽くなった。

面接官を地域で割り当てる必要がなくなり全国の従業員へ依頼できるようになったうえ歩留まりに大きな影響は出なかった。

5万7000人が働き24時間止まらない体制のため社員の手間を減らしたかった。

データを守りながら全社で同じ流れで動ける土台も必要だった。

1. 2025年からGoogle WorkspaceのGeminiを社員に開放した
2. 部署ごとに研修を開いて使い方を覚えてもらった
3. 社員はメールや文書の作成と要約をGeminiに任せる
4. Geminiのワークフローで決まった手順の作業も自動で進める

5か月で1万5000人が日々の仕事でGeminiを使うようになった。

全社で作業の速さと効率が上がった。

前に入れたチャットボットは決まった聞き方にしか答えられず会話の流れをくんだ質問に弱かった。

答えが得られない客は電話に回り担当者は何百もの社内資料を横断して調べていた。

1. AgentforceのAIエージェントを自社サイトとアプリに置いた
2. 手荷物やチェックインなど一般的な質問に即答させた
3. 自社サイトの情報と顧客データや予約情報をつないだ
4. 会員情報もつなぎ一人ひとりに合わせた回答を作った
5. 手に負えない件は経緯を渡して担当者へつないだ

チャットでの問い合わせの80%をAIエージェントが解決するようになった。

4か月で一次解決率が2倍になり新人の育成期間も25%短くなった。

会議の資料を上司へ出す前に、論点が足りているか不安を抱える担当者が多かった。

上司の時間を取りにくく、確認と直しのやり取りが重なって前に進まなかった。

1. 上司へ約1〜1.5時間の聞き取りをした
2. 資料を見るときの観点と判断の基準を整理した
3. 会議の目的や資料の前提と合わせてA-BOSSに持たせた
4. 資料を社内チャットへ出す前にA-BOSSへ通す
5. 総評を先に見せて細かい評価は後から開く形に直した

個別の聞き取りでは資料作成からレビューまでが一件当たり約30分減ったという声が出た。

社内チャットでのやり取りは体感で約3分の1減り、試行に参加した人の継続利用意向は96%だった。

配送契約を結んだのに最初の荷物を出さないままの小口顧客が多く残っていた。

顧客の動きを示すデータが別々のシステムに散らばり、営業が手を打つまでにIT部門を挟んで数週間かかっていた。

1. 契約情報と荷物のスキャン記録をData 360でつないだ
2. 開始予定日を過ぎても動かない顧客に休眠の印を自動で付けた
3. 印が付くと割引内容を入れた案内メールが自動で送られる
4. リンクを開いた顧客の関心を担当営業へ知らせて電話につなげた

5か月で契約後に発送を始める割合が25%から40%へ上がった。

眠っていた顧客を呼び戻す取り組みで2,000%を超えるROIになった。

自前で作ったRAGでは手書きメモや図表入りのスキャンPDFをうまく読み取れず、規程の質問に無理な回答が返ることもあった。

部署ごとにフォルダの作りが違い、資料の在りかを知るベテランに聞くしかない状態も続いていた。

1. Alli LLM App Marketを導入し社内規程やマニュアルを読み込ませる
2. データを移さずに済むよう既存のBoxと連携させる
3. 推進部がアプリのひな形を用意し各部署が複製して調整する
4. 回答の対象を部署・系統ごとに絞り精度と速さを上げる
5. 勉強会やハンズオン、社内チャットの相談窓口で作り手を支える

手書きや図表を含む過去の紙資料まで検索の対象になり、フォルダ構成を知らなくても横断で調べられるようになった。

打ち合わせの場で根拠を確かめながら話を決められるようになり、有識者がいなくても情報を確認できるという声が出ている。

新卒採用の面接では話しながらメモを取り、面接後に次の面接担当へ渡す申し送り書を書いていた。

この二つの作業が担当者の重い負担になっていた。

1. 面接の音声と録画をNottaで記録する
2. 文字起こしと要約を自動で作る
3. 面談の種類ごとにプロンプトのテンプレートを使い分ける
4. 要約を担当者が直し所感を書き足して申し送り書にする
5. 閲覧権限を全員用と部門内用に分けて管理する

面接中のメモ取りがほぼ不要になり、申し送り書までの作業時間はおおよそ4分の1に短縮された。

面接官は学生との対話に集中でき、録画から表情や声の調子も後から確認できるようになった。