コンピュータビジョンが小売の生成AI活用を変える

棚の異常を見逃した瞬間に粗利が削れる現場

あなたの店舗でも、朝の開店準備が終わった直後に「どこで欠品が起きたのか分からない」という場面はないだろうか。売場では商品が並んでいる前提で仕事が回りますが、実際には棚切れ、誤値付け、陳列崩れが毎日積み上がります。今回のニュースは、こうした“見えない損失”を画像認識で直接潰しにいく動きです。私が重要だと見ているのは、AIそのものよりも、現場で起きる失敗を数値化し、そのまま損益に結びつけた点にあります。

Coresight ResearchがSimbe、RELEX Solutionsと組んだ調査では、小売の非効率が粗売上の6.4％を消費すると示されました。6.4％という数字は、売上が伸びても利益が残らない理由が“販促不足”ではなく“運用崩れ”にあることを意味します。しかも2026年の損失見込みは1,964億ドルで、前年比21％増です。21％増は、問題が一過性ではなく、放置すると損失が加速する段階に入ったことを示します。

読者の中には、生成AIの導入議論は進んでも、店頭の実務は別世界だと感じている担当者が多いはずです。しかし売場の欠品や誤値付けは、顧客体験を悪化させるだけでなく、オンライン注文や会員施策の成否にも直結します。店舗を“データの発生源”として扱わない限り、どれだけ上流でAIを賢くしても利益は取り戻せません。

棚をデジタル化してから価格最適化へ進む設計

今回の調査で私が引っかかったのは、多くの企業が価格最適化ソフトに先に投資し、棚の可視化を後回しにしている点です。調査では、テクノロジー投資の43％が価格最適化ソフトに向かい、36％がサプライヤー連携、棚をデジタル化するためのハードウェアに投じる企業は33％にとどまりました。43％と33％の差は10ポイントであり、これは“入力が不正確なまま高性能な分析を回している”構図を意味します。

画像認識やカメラ、棚センサーを使うComputer vision deploymentsは、この入力の穴を埋めます。店頭の棚を定点で把握し、欠品、陳列の乱れ、価格表示の差異を機械的に拾うことで、後段の価格更新や在庫補充に使えるデータを作ります。調査では、全社規模でストアインテリジェンスを展開している企業が60％に達し、前年から18ポイント増えました。18ポイント増は、実験段階から本番運用へ移った企業が明確に増えたことを示します。

さらに売上高50億ドル超の企業では73％がフルスケール導入済みである一方、10億ドル未満の企業では42％にとどまります。この31ポイント差は、大企業ほど“店頭の失敗コスト”を正確に把握し、先に投資回収の筋道を作っていることを示します。BJ’s Wholesale ClubはSimbeのロボティクスを使って在庫と価格精度を監視し、店舗のデジタルツインを構築しました。デジタルツインとは、現実店舗を仮想空間に再現し、運用を再現・分析する仕組みです。

その結果、オンライン注文やカーブサイド受け取りの導線設計に使えたうえ、ピッキング効率は前年比40％改善しました。40％改善は、人を増やさずに処理能力を上げたことを意味し、労働生産性の改善として非常に大きい数値です。Albertsonsも3会計年度で15億ドルの生産性向上を掲げていますが、ここでも鍵は“何を自動化するか”より“何を先にデータ化するか”にあります。

私はこの流れを、単なる小売DXではなく、物理世界の観測精度を上げるPhysical AIの実装として解釈しています。売場を見える化しないままAIに判断を任せるのは、霧の中で自動運転を始めるのと同じです。

日本の小売が先に着手すべき運用の順番

日本の小売や流通でも、明日から考えるべきことは派手なモデル導入ではありません。まず棚の情報を正しく取ること、次にその情報を在庫システムとつなぐこと、最後に値引きや補充の自動化へ進むことです。この順番を飛ばすと、AIが出した提案が現場の実態とずれて、結局は人手での修正が増えます。私の見立てでは、失敗する導入の多くは技術力ではなく、導入順序の設計ミスです。

調査では、89％の事業者が5％超の粗利侵食を抱え、92％が価格と販促の実行を難題と答えています。89％という比率は、困っている企業が例外ではなく業界標準になっていることを示します。日本でも同じ構造はすでに存在し、特売、棚替え、欠品、値札管理が売場ごとに分断されている店舗ほど、改善余地が大きいはずです。

ここで重要なのは、Computer visionを“監視カメラの延長”として扱わないことです。画像認識の本当の価値は、売場で起きた変化を即座に業務フローへ戻し、補充、価格、販促を同じデータで回せる点にあります。現場の担当者にとっては、棚を見に行く回数を減らし、その時間を発注判断や売場改善に振り向けられることが実務上の利点です。

読者が店舗運営、需要予測、商品部門にいるなら、まず確認すべきは「AIが判断する前のデータが信用できるか」です。そこが不十分なら、生成AIの提案も計画系AIの予測も、すべて弱い土台の上に乗ります。

Physical AIは売場の見える化から広がる

今後の焦点は、画像認識の導入件数そのものではありません。棚の状態を常時把握できる企業が、価格設定や在庫配置、会員施策をひとつの運用として束ねられるかどうかです。私は、次の勝負はモデル精度ではなく“物理データをどれだけ営業判断に直結させるか”に移ると見ています。売場を観測できる企業ほど、利益率の下げ止まりが早くなります。