配車最適化AIはなぜ現場で使われなくなるのか｜アルゴリズムより「例外処理と運用定着」を設計する

配車最適化AIを導入しても「いつの間にかベテランの手配車に戻る」――その原因はアルゴリズムの精度ではなく、例外処理と運用定着の設計にあります。本記事では、目的・KPI設計からデータ、例外処理、運用定着までを一気通貫で解説します。

「最適なはずの配車」が、なぜ現場で使われなくなるのか

物流業界では、配車最適化AIの導入が急速に進んでいます。背景にあるのは、物流2024年問題です。トラックドライバーの時間外労働に上限規制が導入され、限られた人員と労働時間で、これまでと同等以上の輸送量をこなす必要に迫られています。配車を人の経験と勘だけに頼る運用は、もはや限界を迎えつつあります。

ところが、配車最適化AIを導入した現場で、よく聞かれる声があります。「最初は使っていたが、いつの間にかベテランの手配車に戻った」というものです。AIが理論上は最適な配車計画を出しても、当日の急な変更に対応できなかったり、現場の事情を反映できなかったりして、結局は使われなくなる。これは、配車最適化プロジェクトで最も起きやすい失敗です。

原因は、多くの場合アルゴリズムの精度ではありません。むしろ「例外処理」と「運用定着」の設計が抜け落ちていることにあります。配車という業務は、理想的な計画を立てる部分よりも、計画どおりにいかない現実にどう対応するかの部分に、現場の知恵が詰まっているからです。

本記事では、配車最適化AIを「現場で使われ続ける」状態にするための設計を、目的・KPI設計からデータ、アルゴリズムの考え方、そして核心となる例外処理と運用定着まで、一気通貫で解説します。配車最適化の導入を検討する物流企画・配車担当・物流コンサル・データ分析担当が、製品選定の前に押さえるべき設計の起点として活用いただける内容を目指します。

設計の出発点：何を最適化するのか（目的とKPI）

配車最適化で最初に決めるべきは、アルゴリズムでもツールでもなく、「何を最適化したいのか」です。ここが曖昧なまま導入すると、AIが出す答えと現場が求める答えがずれ、信頼されなくなります。

配車最適化の目的は単一ではなく、複数のKPIのバランスで成り立ちます。重要なのは、これらがしばしばトレードオフの関係にあることを理解し、自社にとっての優先順位を決めることです。

実務では「拘束時間の上限は絶対に守る制約、その範囲で積載率とコストを最適化する」のように、守るべき制約（ハード制約）と、できる限り良くしたい目的（ソフト制約）を切り分けて設計します。この優先順位を現場と合意することが、後の納得感の土台になります。

KPIは「改善したい」という意気込みではなく、数値の目標と許容ラインに落とすと、設計判断がぶれにくくなります。たとえば積載率は、現状の平均が65%であれば「75%まで引き上げる」と具体的な目標値を置きます。その際、容量いっぱいに詰め込むほど配送順の自由度が下がるため、「時間指定遵守を犠牲にしない範囲で」という条件を必ず併記します。遅延率も同様に、「時間指定便の遅延を5%以内に抑える」といった許容ラインを先に決めておくと、最適化が時間指定を軽視した解を出していないかを後から検証できます。

拘束時間は、目的（できるだけ短くしたい）ではなく制約（絶対に超えてはいけない）として組み込むのが、物流2024年問題下での基本です。たとえば、改善基準告示が定める拘束時間（原則1日13時間以内、延長する場合も上限15時間まで）や連続運転時間（4時間以内・運転の中断は合計30分以上）を守るべき制約値として組み込み、その範囲内で積載率・コストを最適化します。制約を超える配車案は、たとえ積載率やコストが優れていても採用しない――この優先順位を数値で固定しておくことが、現場が「これなら任せられる」と感じるための前提になります。逆に、目標値や許容ラインを決めないまま導入すると、AIが出す解の良し悪しを誰も判断できず、結局はベテランの感覚に戻ってしまいます。

成否を分けるデータ ― 揃えるべき情報と整備の壁

配車最適化AIの精度は、アルゴリズム以前に、入力データの質で大きく決まります。必要なデータと、現場で直面しやすい整備の壁を整理します。

特に見落とされやすいのが、最後の「顧客・現場制約」です。「この顧客は午前中しか荷受けできない」「この納品先は大型車が入れない」といった制約は、配車担当の経験として蓄積されていることが多く、データ化されていません。これらを洗い出してデータに落とす作業が、配車最適化プロジェクトの実質的な第一歩になります。

データ整備でつまずく典型は、入口の受注情報がデジタル化されていないことです。受注がFAXや電話で入っている現場では、その日の配送先・数量・時間指定が紙やホワイトボードに手書きで残るだけで、最適化に渡せる形になっていません。この状態では、毎朝の配車をAIに乗せる前に「FAXを読んで入力する」工程が必要になり、入力の手間と誤りが定着の足かせになります。受注の受け取り方そのものを見直す、あるいは入力を担う役割と締め切りを業務フローに組み込む、といった運用設計まで踏み込まないと、データは安定して揃いません。

もう一つよくあるのが、所要時間の理論値と実態のずれです。地図サービスが返す区間所要時間は、平常時の標準的な速度をもとにした理論値で、実際の納品先での待機時間、荷下ろしや付帯作業の時間、時間帯ごとの渋滞などは反映されません。理論値のまま最適化すると、計画上は回れるはずの配車が現場では回らず、「AIの計画は甘い」と受け取られます。走行実績のログを蓄積し、区間や納品先ごとに理論値と実態の差を補正していく仕組みが、精度を実用域に乗せるうえで欠かせません。

アルゴリズムの考え方 ― ブラックボックスにしないために

配車最適化は、数学的には配送経路問題（VRP：Vehicle Routing Problem）として定式化されます。車両の容量制約を加えたものをCVRP、時間枠の制約を加えたものをVRPTWと呼びます。ここでは技術的な詳細よりも、導入判断に必要な「考え方」を整理します。

VRP・CVRP・VRPTWは、扱う制約の数で段階的に複雑になっていく、いわば兄弟のような関係です。VRPは「複数の車両で全配送先を回り、総移動距離を最小にする」という最も基本的な形です。これに「各車両には積める量の上限がある」という容量制約を足したものがCVRP（Capacity付き）で、現実の配送はほぼこの形になります。さらに「この納品先は午前中だけ」「この顧客は14時〜16時」という時間枠の制約を足したものがVRPTW（Time Windows付き）です。自社の配送が時間指定をどれだけ含むかで、解くべき問題がCVRPで足りるのか、VRPTWまで必要なのかが変わります。制約が増えるほど現実に近づきますが、その分だけ解を求める難しさも上がる、という関係を押さえておくと、ツールの説明を理解しやすくなります。

厳密解とメタヒューリスティクスの使い分け

配送先が少なければ、数理最適化（混合整数計画法など）で厳密な最適解を求められます。しかし、配送先が数十〜数百になると、厳密解を求めるのは計算量的に現実的でなくなります。そこで、実務の多くは、十分に良い解を高速に見つけるメタヒューリスティクス（局所探索・タブーサーチ・遺伝的アルゴリズムなど）や、商用の最適化ソルバーを用います。

両者は「正しさ」と「速さ」のどちらを取るかで使い分けます。厳密解は理論上の最適を保証しますが、配送先が増えると計算時間が爆発的に伸び、毎朝の配車には間に合いません。メタヒューリスティクスは最適である保証はないものの、最適に十分近い解を実務で許される時間内（たとえば数分）で返せます。配車は「完璧な解を翌週もらう」より「十分に良い解を今朝もらう」ことに価値がある業務です。そのため、配送先が数十を超える現場では、メタヒューリスティクスや商用ソルバーが現実的な選択肢になります。導入時には「どれくらいの計算時間で、どの程度の品質の解を返すのか」を確認しておくと、現場の朝の運用に乗るかを判断できます。

機械学習との組み合わせ

近年は、最適化と機械学習を組み合わせる構成も広がっています。たとえば、過去の走行実績から区間ごとの所要時間を機械学習で予測し、その予測値を最適化の入力に使う。あるいは需要を予測して翌日の配車を前倒しで設計する。最適化が「与えられた条件で最良の配車を組む」のに対し、機械学習は「条件そのものの精度を上げる」役割を担います。

両者の役割分担を整理すると、関係がつかみやすくなります。機械学習は「明日はどれくらいの量が、どこに、どんな所要時間で発生しそうか」という入力の精度を高めるパートです。最適化は「その条件のもとで、どの車両がどの順で回るのが最良か」を決めるパートです。所要時間予測が実態に近づけば、最適化が出す計画も現場で回りやすくなり、需要予測が当たれば、当日の追加に振り回されにくい配車を前倒しで組めます。つまり機械学習は最適化の代わりではなく、最適化に渡す前提条件の質を底上げする補助輪だと捉えると、過度な期待も過小評価もせずに使えます。

説明性 ― なぜこの配車なのかを示せるか

実務で軽視されがちですが、極めて重要なのが説明性です。配車担当が「なぜAIはこの順番を選んだのか」を理解できなければ、提案は信頼されません。最適解の数値だけでなく、「この制約を優先した結果こうなった」という理由を提示できる設計が、現場での採用を左右します。アルゴリズムをブラックボックスにしないことが、定着の前提条件です。

核心は「例外処理」 ― 計画どおりにいかない現実への設計

配車最適化AIが現場で使われなくなる最大の理由が、例外への対応力不足です。配車は、立てた計画どおりに進むことの方が少ない業務です。当日になって発生する変化に、AIがどう追従できるかが、使い続けられるかどうかを決めます。

例外がいかに計画を揺らすかは、当日朝の大口追加注文を例にすると具体的に見えてきます。前夜に確定したはずの配車計画に、出発間際の朝に大口の追加注文が1件入ったとします。この1件は、特定の方面の車両の積載量を超えてしまい、そのままでは積みきれません。すると、別の車両に振り替えるか、もう一台を追加で立てるか、一部の配送先を別便に移すかの判断が要ります。ところが、ここで安易に全体を組み直してしまうと、すでにドライバーに伝えてある他の便の順番まで変わり、現場は混乱します。求められるのは、すでに動き出した便や伝達済みの便は確定分としてロックし、影響を受ける範囲だけを部分的に組み直す、という挙動です。当日朝のこの数分間に、AIが「触ってよい部分」と「触ってはいけない部分」を区別して再最適化できるかどうかが、現場が頼れるツールになるかの分かれ目になります。

リアルタイム再最適化と手動オーバーライドの両立

例外対応の鍵は、「リアルタイム再最適化」と「手動オーバーライド」を両立させることです。状況が変わったら全体を組み直す再最適化の仕組みと、配車担当が個別の便を手で修正できる余地の両方を用意します。AIに全てを委ねるのでも、人が全てを抱えるのでもなく、AIが大枠を組み、人が現場判断で微修正する。この協働の設計ができているシステムだけが、現場で生き残ります。

運用定着 ― ベテランの暗黙知をどう取り込むか

もう一つの落とし穴が、運用定着です。配車最適化AIは、導入して終わりではなく、現場の業務に溶け込んではじめて効果を生みます。定着を左右する3つの観点を整理します。

暗黙知のルール化

ベテラン配車担当は、「この顧客とこのドライバーは相性が良い」「この荷物は段積みできない」といった知恵を多数持っています。これらを制約やパラメータとしてシステムに取り込めるかが、AIの提案が現場感覚と一致するかを決めます。暗黙知の言語化は手間がかかりますが、これを怠るとAIの提案は「机上の空論」と受け取られます。

暗黙知を取り込む際は、それが「絶対に守るべき制約」なのか「できれば優先したい選好」なのかを切り分けると、システムに落としやすくなります。たとえば「顧客とドライバーの相性」は、多くの場合は選好です。「この納品先は通路が狭く、勝手を知ったAさんが望ましい」というのは、AさんでないとNGなわけではないので、Aさんを割り当てると評価が高くなる重み（ソフト制約）として表現します。一方、「この顧客はセキュリティの都合で登録済みのドライバーしか入構できない」のように違反が許されないものは、ハード制約として「対象ドライバー以外は割り当て不可」と設定します。

荷物の積み合わせも同じ要領で分解します。「常温品と冷凍品は同じ車に積めない」は物理的に違反できないハード制約、「重い荷物は下、軽い荷物は上」という段積みの順序は積載可否に関わるハード制約として扱います。一方、「この2社の荷物は届け先が近いので同じ便にまとめると効率が良い」というのは選好なので、同一便にまとめたときに評価が上がる重みとして組み込みます。こうして一つひとつの暗黙知を「制約か選好か」「ハードかソフトか」に分類していく作業を、ベテランへのヒアリングと並走させることで、AIの提案が現場感覚に近づき、「自分の判断が反映されている」という納得につながります。

現場の納得と段階導入

最初から完全自動化を目指すと、現場の抵抗で頓挫しがちです。現実的なのは段階導入です。まずは配車担当の「支援ツール」として提案を出し、担当が修正しながら使う。精度と信頼が高まった段階で、自動化の範囲を広げる。現場が「AIに仕事を奪われる」ではなく「AIに楽をさせてもらう」と感じられる導入の順序が重要です。

効果のモニタリングと改善ループ

導入後は、設計したKPI（積載率・拘束時間・遅延率など）を継続的にモニタリングし、改善につなげます。AIの提案と実際の運行の差分を分析し、制約やパラメータを調整していく。この改善ループを回す体制まで設計してはじめて、配車最適化は一過性の施策ではなく、継続的に効く仕組みになります。

導入判断とまとめ ― 配車最適化を「使われる仕組み」にする

配車最適化AIは、すべての物流現場に一律で効くわけではありません。配送先数が多く、制約が複雑で、日々の配車設計に多くの工数がかかっている現場ほど、効果が大きく出ます。一方、配送パターンが固定的で単純な現場では、投資対効果が見合わないこともあります。自社の配送構造を踏まえた導入判断が出発点です。

まとめ：配車最適化AI導入の要点

• 配車最適化AIが現場で使われなくなる原因は、アルゴリズムの精度ではなく『例外処理』と『運用定着』の設計不足にあることが多い
• 出発点は『何を最適化するか』。積載率・拘束時間・遅延・コストのトレードオフを理解し、守る制約と高めたい目的を切り分ける
• 精度はアルゴリズム以前にデータの質で決まる。特に顧客・現場制約の暗黙知をデータ化する作業が実質的な第一歩
• アルゴリズムはブラックボックスにせず、『なぜこの配車か』を説明できる設計が現場の信頼を生む
• 核心は例外処理。リアルタイム再最適化と手動オーバーライドを両立させ、AIが大枠を組み人が微修正する協働を設計する
• 定着には暗黙知のルール化・段階導入・KPIモニタリングの改善ループが要る

配車最適化は、最適なルートを計算する技術の問題に見えて、その実態は業務プロセスと現場運用をどう作り変えるかという問題です。AIを業務の前提として組み込み、BPR起点で戦略から実装・運用まで一気通貫で設計するアプローチは、こうした「ツールを入れただけでは動かない」現場のAI実装で特に力を発揮します。モデルやルートの精度を追うだけでなく、例外処理と運用定着を現場の業務に落とし込み、使われ続ける仕組みにできるかが、配車最適化を成果に変える分かれ目になります。