【導入事例】大手物流企業様 ― 配車計画AIエージェントを3ヶ月で構築。ドライバー不足時代の最適配車を実現

プロジェクト概要

背景と課題

物流業界は、2024年問題（ドライバーの時間外労働規制）以降、深刻な人手不足に直面している。同社も例外ではなく、毎日の配車計画の策定に多大な労力を費やしていた。

同社が抱えていた課題:

• 属人的な配車計画: ベテラン配車担当者3名の経験と勘に依存。担当者が休むと、配車効率が大幅に低下
• 計画策定に4時間/日: 毎朝4時から、当日の配車を手作業で組み立て。200台超の車両を15名の担当者でカバー
• 車両稼働率の低迷: 空車率が高く、車両稼働率は68%にとどまっていた
• ドライバーの不満: 非効率なルート設計により、不必要な長時間運転が発生

> 「毎朝4時起きで配車を組んでいるが、ベテランが引退したらどうなるのか。この属人的なやり方は限界に来ている」── 同社 運行管理部長

Wizitのアプローチ

なぜWizitが選ばれたか

同社は当初、大手SIerに配車最適化システムの開発を相談していた。しかし、提示された見積もりは1.5億円、開発期間は18ヶ月。同社の経営陣は「そこまでの投資をする前に、まずAIで何ができるか検証したい」と考えた。

GX社経由でWizitに相談が入り、代表の立道が「AIエージェントを使えば、既存データの活用で短期間にプロトタイプが作れる」と提案。4ヶ月・数百万円規模での実現可能性を示し、プロジェクトが開始された。

Phase 1: データ分析と要件定義（1ヶ月目）

まず、同社の過去2年分の配車データ（約15万件）を分析し、ベテラン担当者の「暗黙知」を構造化した。

分析で判明した配車の「暗黙ルール」:

• 特定顧客への配送は、指名ドライバーが暗黙的に決まっている
• 道路状況の季節変動（冬期の山間部回避等）が頭の中だけにある
• ドライバーの得意・不得意（大型車両の運転スキル、夜間配送の可否等）を考慮

これらのルールを体系化し、AIエージェントの「知識ベース」として構築した。

Phase 2: AIエージェント構築（2ヶ月目）

アーキテクチャ設計:

• 配車最適化エンジン: 過去の配車パターンと制約条件（車両サイズ、ドライバースキル、配送時間枠）を学習
• LLMベースの対話インターフェース: 配車担当者が自然言語で条件を指定（「明日の午前中に冷蔵車3台を横浜エリアに」等）
• リアルタイム調整機能: 当日の急な変更（キャンセル、追加配送、ドライバー欠勤）にAIが代替案を提示

Wizitならではのアプローチ:

立道は外資コンサル時代、大企業のシステム導入で「現場が使わないシステム」を何度も見てきた。その経験から、E社プロジェクトでは配車担当者が毎日のワークフローの中で自然に使えるUIを最優先で設計した。

具体的には、配車担当者が従来使っていたExcelの配車表と同じレイアウトをベースに、AIの提案をオーバーレイ表示する形にした。新しいツールの学習コストを最小化し、「いつものExcelに、AIアシスタントがついた」感覚で使えるようにした。

Phase 3: パイロット運用（3ヶ月目）

関東エリアの配送（全体の約30%）を対象にパイロット運用を開始。

パイロット中の改善サイクル:

• 毎朝：AIが配車案を生成 → 配車担当者が確認・修正 → 修正内容をAIにフィードバック
• 週次：修正率の推移を分析。初週は修正率35%だったが、4週目には12%まで低下
• 月次：ベテラン担当者がAIの配車案を「及第点」と評価

Phase 4: 全社展開と安定化（4ヶ月目）

パイロットの成功を受け、全国5エリアに一斉展開。

成果

定量成果

定性成果

• 属人化の解消: ベテラン担当者の暗黙知がAIに移転され、誰が配車を組んでも同等の品質に
• ドライバーの満足度向上: 非効率なルートが解消され、ドライバーからの苦情が激減
• 経営の意思決定支援: 配車データの可視化により、車両の増減やエリア再編の判断材料が揃った

Wizitの支援で重視したこと

このプロジェクトで最も重視したのは、「ベテランの知恵を否定しない」ことだ。

AIを導入すると聞いて、ベテラン配車担当者は当然警戒する。「自分たちの30年の経験が、機械に置き換えられるのか」と。

Wizitのアプローチは、その逆だ。ベテランの暗黙知をAIの知識ベースの核に据え、「あなたたちの経験がAIの先生になる」と位置づけた。結果として、ベテラン担当者はAIの「トレーナー」として積極的にプロジェクトに参加し、AIの精度向上に貢献してくれた。

「現場のプロフェッショナルを味方につける」——これが、大企業のAI導入を成功させる最大の鍵だと、代表の立道は考えている。