「AI在庫管理ツールを導入したのに、在庫が全然減らない」——Lat91にこういう相談が来るようになったのは、この2年ほどのことだ。AI需要予測のツールがSaaS化・低価格化し、中小企業でも手が届くようになった一方で、「期待した効果が出ない」という声も増えている。
問題は、AIのアルゴリズムにあるのではない。ほとんどのケースで、原因はデータだ。
AIに食わせるデータが正確でなければ、どれほど優れたアルゴリズムを使っても、需要予測は外れ続ける。この記事では、AI需要予測が機能しない本当の理由と、中小企業が最低限揃えるべきデータインフラ、そして段階的に始めるための具体的なアクションを整理する。
AI需要予測の失敗は「アルゴリズムの問題」ではない
AI需要予測のツールをデモで見ると、精度の高さに圧倒される。しかし現場に持ち込んだ瞬間に精度が落ちる、というケースが後を絶たない。その理由は単純だ。デモ環境では、ベンダーが精度よく管理されたサンプルデータを使っている。しかし実際の企業データは、そうではない。
データ品質の問題を具体的に言うと、次のようなことが起きている。
「欠品=需要ゼロ」という致命的な誤認識
在庫がなかった日の売上は、システム上ゼロになる。しかしAIはそれを「その日の需要はゼロだった」と学習してしまう。実際には「需要があったのに在庫がなかった」わけだから、まったく逆の学習をしていることになる。欠品が多いSKU（品番）ほど、AIの需要予測は低くなる——そして在庫補充が少なくなり、また欠品する。この悪循環がAI予測の精度を下げ続ける。
プロモーションの記録漏れ
セールや特売をしたときの急激な売上増は、記録に残っていないことが多い。AIはその急増を「通常の需要変動」として学習し、次の予測に不規則なスパイクを入れてしまう。あるいは逆に、その特異値を外れ値として除外し、プロモーション効果を全く反映しなくなる。
SKUの管理体制の混乱
品番体系が途中で変わった、廃番になったはずの商品が別の品番で再登録されている、複数の仕入先から同じ商品が別のSKUで管理されている——こうした「データの断絶」があると、AIは連続した需要パターンを学習できない。
英国のデータ分析企業が2025年に行った調査では、AI需要予測プロジェクトの63%で「AIに必要なデータ品質・管理体制が整っていなかった」と報告されている（出典: DataClarity, 2025）。アルゴリズムを選ぶ前に、データを整える。この順番を間違えると、どんな高価なAIツールも機能しない。
中小企業での典型的な失敗パターン
中小企業庁が2025年1月に行った調査によると、AI導入を試みた日本の中小企業の42%が「期待した効果が得られなかった」と回答している。Lat91が見てきた典型的な失敗パターンには、二つの型がある。
失敗パターン1: 導入したが誰も使わない
あるメーカーが在庫管理AIシステムを導入した。システム自体は動いており、毎日発注量の提案を出している。しかし導入から3ヶ月後のヒアリングで判明したのは、現場担当者の68%がAIの提案を無視して、自分の経験則で発注していたことだ。理由を聞くと「AIの数字は信用できない」。
なぜ信用できないか。AIが見ている過去データに欠品記録が多く含まれていたため、人間の感覚よりも保守的な（少ない）発注量を提案していた。現場担当者は経験的にそれでは足りないと知っていたから、無視した。AIが正確でないのは当然だ——食わせているデータが正確でないのだから。
失敗パターン2: 複数機能を同時展開してデータが混乱する
需要予測・発注最適化・在庫配置の3機能を同時に展開した別のケースでは、3つの機能が同じデータを参照しているため、一方の機能がデータを補正すると他方の精度が落ちる。データの一貫性が崩れ、2ヶ月で一部機能を停止する事態になった。中小企業では特に、段階的な展開が重要だ。
AI需要予測が機能するためのデータ最低基準
AI需要予測を機能させるには、最低限のデータインフラが必要だ。
図1: AI需要予測に必要な最低データ要件
特に注意が必要なのは「月次集計ではAIは機能しない」という点だ。月次や週次のデータでは、曜日効果や週内の売れ行きパターンが消えてしまう。AIが学習するためには、日次でSKU・拠点別に記録されたデータが必要だ。
もう一つ見落とされがちなのが「新SKUの扱い」だ。販売開始から12〜16週未満の新商品は、過去データがないため時系列モデルが適用できない。新SKUが多い企業は、別のアプローチを組み合わせる必要がある。
海外事例：データ品質から始めた企業の成果
海外では「データインフラ整備→AI導入」の順番を守った企業が成果を出している。
事例1: Amazonの在庫最適化
Amazonは需要予測AIを「アルゴリズムの改善」より先に「データパイプラインの整備」に投資した。全SKU・全拠点でリアルタイムのデータ収集・クリーニングを整えた上でAIを乗せた結果、欠品率が約15%改善した。Amazonほどの規模でも、データ品質への投資を先行させている。
事例2: AI在庫管理で余剰在庫20〜30%削減（海外小売業）
欧米の小売業では、AIを活用した在庫管理システムの導入で余剰在庫を20〜30%削減した事例が複数報告されている（出典: MasterOfCode, 2025）。共通しているのは、導入前の半年間をデータクリーニングと記録体制の整備に費やした点だ。「AIを入れてから考える」ではなく「データを整えてからAIを入れる」。この差が成果の差になっている。
海外では日本より先に「データ品質投資なしのAI導入は失敗する」という認識が広まりつつある。AI需要予測ツールのベンダー自身が「まずデータ診断」をサービスに組み込み始めているのが、その証左だ。
中小企業に使えるAI需要予測ツール3選
データが整った段階で、ツールの選定に入る。中小企業向けに現実的な選択肢を挙げる。
- Prediko（月額$119〜）: Shopify連携に特化。ECサイト向けに最適化された需要予測ツール。データ品質スコアを自動診断する機能がある。Shopify以外には利用不可
- Datup（月額$49〜）: 月商規模に応じたスケール課金。SKU数無制限でERP連携も対応。製造業や卸売業での導入事例が多い
- Netstock（価格要相談）: 既存ERPシステムへの連携が強み。データ品質チェック機能を内蔵しており、導入前の状態診断にも使える
ただし、いずれのツールも「前述のデータ要件が整っているか」の確認は必須だ。ツールを選ぶ前の確認ステップを省略することが、最大の失敗要因になる。
今月から始める3つの準備
AI需要予測を導入する前に、今月から始められる具体的な準備がある。
準備1: 欠品記録の整備（今週から）
欠品があった日・SKU・数量を記録し始める。既存の在庫管理システムに項目を追加するだけでよい。この記録がないと、AIへのデータ投入時に「欠品=ゼロ需要」という誤学習を修正できない。
準備2: プロモーション記録の一元化（今月中）
過去のセール・特売・値引きの記録を、販売データと紐付けた形で一元管理する。Excelでも構わない。日付・対象SKU・値引き率・販促チャネルを記録する。
準備3: データ断絶の棚卸し（今四半期中）
品番体系の変更、システム移行、廃番・新規導入の記録を整理し、SKUの「血統書」を作る。どのSKUのデータが何ヶ月分あり、どこで断絶しているかを把握することが、AI導入の正確な時期判断につながる。
よくある反論への回答
「うちは小規模だから、高精度な予測AIは要らないのでは？」
その通りの側面もある。SKU数が少なく、在庫回転が速く、リードタイムが短い場合、シンプルな移動平均でも十分なケースがある。AIが本当に必要かどうかは、まず現在の予測エラー率と、在庫過剰・欠品によるコスト損失を計測してから判断するべきだ。
「クラウドツールにデータを上げることが心配」
これは正当な懸念だ。対応策として、オンプレミス型のツールも存在する。また、匿名化・集計処理したデータのみをクラウドに送る設計にしているベンダーも増えている。セキュリティポリシーの確認は、ツール選定の前提として必須だ。
まとめ
- AIの精度はアルゴリズムではなくデータ品質で決まる。欠品記録の欠如とプロモーション記録の不整備が最大の障壁
- 日本の中小企業の42%がAI導入で期待した効果を得られていない。多くの場合、原因はツールではなくデータインフラ
- 「今月から始める準備」は高度なシステム投資でなく、記録の習慣化から始まる
AI需要予測を「使えない」と感じたなら、ツールを変える前にデータを疑ってみてほしい。
Lat91では、AI需要予測の導入支援から、導入前のデータインフラ整備のコンサルティングまで対応しています。
「うちのデータでAIは使えるのか？」という段階から相談できます。