人手不足や物流費の上昇、消費者ニーズの多様化が重なり、小売業では限られた人員で複雑な判断を迫られる場面が増えました。その打開策として関心を集めているのがAIです。

ただし、導入すれば自動的に成果が出るわけではありません。この記事では、小売業でAI活用が求められる背景から、具体的な活用方法、期待できるメリット、そして導入時に直面しやすい課題までを順に整理します。

小売業でAI活用が求められる背景

小売業がAIに注目する理由は、技術が新しいからではありません。従業員の減少、発注業務の属人化、在庫と廃棄の管理という、従来のやり方では対応しきれなくなった課題が背景にあります。

人手不足が続き、店舗業務に十分な人員を割けない

店舗ではレジ対応や品出し、発注、棚卸し、清掃、問い合わせ対応まで、多岐にわたる作業が日々発生します。しかし、その担い手は減る一方です。

総務省統計局の労働力調査によると、2025年平均の卸売業・小売業の就業者数は1,029万人となり、前年から16万人減少しました。産業別で見ると、減少幅は製造業を上回ります。

出典：総務省統計局「労働力調査（基本集計）2025年平均結果の要約」

人員を増やすことが難しい以上、一人あたりの生産性を高めるしかありません。発注量の計算や問い合わせへの回答といった定型作業をAIに任せられれば、接客や売場づくりなど、人でなければ担えない業務に時間を振り向けやすくなります。

発注が担当者の経験に依存し、判断にばらつきが出る

店舗の発注は、経験の差が結果に表れやすい業務です。熟練した担当者は、曜日や天候、地域の行事、前週の売れ行き、販促計画までを頭の中で組み合わせて数量を決めています。

問題は、その判断基準が個人の中にしか存在しない点にあります。異動や退職が起きると、同じ店舗でも欠品や廃棄が増えるという事態になりかねません。

AIを使えば、過去の販売傾向と外部要因を共通の基準で分析でき、担当者による差を抑えられます。熟練者の判断を否定するのではなく、AIが作った基本案を人が地域事情に応じて修正する形が現実的でしょう。

欠品・過剰在庫・食品ロスを同時に抑える必要がある

在庫を絞りすぎれば販売機会を失い、増やしすぎれば保管費用や値引き、廃棄が発生します。相反する二つのリスクを同時に管理しなければならない点が、小売業の在庫管理の難しさです。

農林水産省の推計では、2024年度の事業系食品ロス量は237万トンで、このうち食品小売業から発生した量は48万トンでした。

出典：農林水産省「事業系食品ロス量（2024年度推計値）を公表」

食品ロスは環境課題であると同時に、仕入原価や廃棄作業のコストに直結する経営課題でもあります。商品別・店舗別に需要を予測できれば、売り切れる数量を見極めやすくなります。

小売業におけるAIの主な活用方法

ひとくちにAIといっても、担う役割は領域ごとに異なります。ここでは代表的な活用方法を、どの業務判断を支えるのかという視点から整理し、大手小売企業が公表している取り組みもあわせて紹介します。

小売業のAIは「予測するAI」と「生成するAI」に分かれる

小売業で使われるAIは、大きく二種類に分けて考えると理解しやすくなります。

一つは予測AIです。過去のデータから将来の数値や確率を推定し、明日の販売数量、欠品の発生確率、来週の来店客数といった問いに答えます。需要予測や自動発注、来店客数予測が代表的な用途にあたるでしょう。

もう一つが生成AIで、入力された指示をもとに商品説明文や販促コピー、問い合わせへの回答案といった新しい文章や画像を作り出します。

発注や在庫の領域では予測AIが中心となり、マニュアル検索や販促制作では生成AIが力を発揮します。両者は競合するものではなく、目的に応じて使い分けるものだと捉えてください。

需要予測と自動発注で発注業務を支援する

需要予測は、過去の販売実績に加えて、売価や値引率、販促、曜日、天候、地域の行事といった要因から将来の販売数量を推定する仕組みです。

もっとも、予測結果だけで発注量は決まりません。翌日に10個売れると予測されても、在庫が8個あり入荷予定が5個あるなら追加発注は不要です。そのため自動発注では、現在庫や発注残、納品リードタイム、最小発注単位、安全在庫といった条件を組み込んで数量を算出します。

セブン‐イレブン・ジャパンは、天候や曜日特性、過去の販売実績から需要を予測して適正な在庫数を算出するAI発注システムを、2023年に全店舗へ導入しました。同社によれば、在庫が減ってから発注する従来方式と違って品切れ前に発注できるようになり、発注業務にかかる時間を約40%削減できたとしています。

出典：セブン‐イレブン・ジャパン「店内作業効率化の取り組み」

在庫配分や値引きのタイミングを最適化する

全社では十分な在庫があっても、需要の少ない店舗に偏り、売れる店舗で欠品する事態は珍しくありません。店舗ごとの需要を予測できれば、物流センターからの配分を見直せます。

値引きの判断にもAIは使えます。従来は決まった時刻に一定率を引く運用が一般的でしたが、残在庫や販売速度、閉店までの時間を踏まえれば、開始時刻と値引率をより細かく調整できるためです。

値引きが早すぎれば粗利益が減り、遅すぎれば廃棄が増えます。廃棄削減だけを目的にせず、粗利益を確保しながら売り切ることを狙うべきでしょう。

ローソンは2015年からAIによるセミオート発注を導入し、2021年6月には、消費期限が短い弁当やおにぎり、調理パンを対象に、店舗ごとの在庫状況に応じた値引き額をAIが推奨する実証を東北地区の一部店舗で始めました。値引きの時間や額を経験に頼る状態からの転換を狙った取り組みです。

出典：ローソン「食品ロス削減に向けた新たな取り組み AIを活用した値引き販売の推奨の実験」

顧客分析・接客・販促物の作成に活用する

購買履歴や来店頻度、属性を分析すれば、会員アプリやレシートクーポンを通じて関心を持たれやすい商品を提示できます。ただし、値引きしなくても買う顧客にクーポンを配れば、売上は伸びても利益は減ります。施策を実施した場合としない場合の差を確かめる姿勢が欠かせません。

店舗運営の面では、ファミリーマートが約7,000店舗（2024年7月末時点）に導入している人型AIアシスタントに生成AIを搭載し、業務マニュアルの音声検索を可能にしました。レジ操作やスタッフ育成、緊急時の対応方法などを、店長が言葉で尋ねて確認できます。

出典：ファミリーマート「店長業務をサポートする人型AIアシスタント 生成AI搭載により業務マニュアルの音声検索が可能に」

販促領域では、パルコが2023年冬のホリデーシーズン広告で、モデル撮影を行わずに人物も背景も画像生成AIで制作し、ナレーションと音楽まで生成AIで作成した事例を公表しています。

出典：株式会社パルコ「『HAPPY HOLIDAYS広告』が、AMDアワードで『優秀賞』を受賞」

小売業でAIを活用するメリット

AI活用の効果は、作業時間の短縮だけにとどまりません。在庫と粗利益、業務品質、顧客体験という四つの側面から、期待できる成果を確認します。

発注や在庫管理にかかる作業時間を削減できる

取扱商品数が多く、毎日発注を行う業態ほど、削減できる時間は大きくなります。AIが販売実績や在庫、天候を踏まえて数量の候補を示せば、担当者が一品ずつ計算する負担は軽くなるからです。

イトーヨーカドーは2020年9月、価格や気温、降水確率、曜日特性をAIが分析して販売予測数を提案する発注システムを全136店舗に導入しました。対象はカップ麺や菓子、冷凍食品、牛乳など約8,000品目で、同社の公表資料では発注作業にかける時間が導入以前と比べて平均約3割短縮されたとしています。発注数量の確定は担当者が行う仕組みです。

出典：セブン＆アイ・ホールディングス「セブン＆アイの挑戦 セブン&アイグループが目指すニューノーマル」

すべての商品を一度に自動化する必要はありません。売上が安定した定番商品から始め、季節商品や新商品は人が確認する進め方が現実的です。

欠品と廃棄を抑え、粗利益の改善につながる

欠品を減らす意味は、その日の売上を守ることだけではありません。欲しい商品が買えない経験が重なれば、顧客は競合店へ流れます。安定した品揃えは、店舗への信頼と再来店に関わる要素だと考えてください。

一方で、欠品を恐れて在庫を増やせば廃棄や値引きが膨らみます。欠品率と廃棄率、粗利益を同時に見て評価する姿勢が求められるところです。

なお、AI導入の効果を売上の増減だけで判断するのは適切ではありません。クーポンや値引きで売上が伸びても粗利益が減る場合があるため、粗利益額や値引額、廃棄原価まで分けて確認しましょう。

熟練者の判断を共通の基準にして属人化を防げる

熟練者が経験で行ってきた判断をデータとルールに置き換えられれば、新任者でも一定水準の発注を行えるようになります。

ここで重要なのは、熟練者を不要にすることではありません。むしろ、AIの提案値と人が変更した数量、その理由、実際の販売実績を記録することに価値があります。

蓄積された修正理由は、予測モデルの改善材料になると同時に、教育用の資料としても使えます。個人の経験を組織の知識へ変える仕組みとして捉えると、導入の意義がはっきりするはずです。

顧客体験の向上と意思決定の迅速化を両立できる

レジ待ちの短縮や商品案内の充実は、顧客満足度に直結します。トライアルが展開するスマートショッピングカートについて、同社の2023年の公表資料では、店全体のレジ通過客数が導入前の1.7倍に向上し、必要なレジ人員を20%削減できたとしています。あわせて、利用者の来店頻度が13.8%ほど上昇したという結果も示されました。

出典：トライアルホールディングス「『スマートショッピングカート』開発秘話 #4 ―店舗での効果と外部展開について」

本部の意思決定も速くなります。売上が急減した商品や欠品リスクの高い店舗をAIが抽出すれば、担当者は全商品を同じ深さで確認せずに済むためです。完全な自動化ではなく、人が見るべき対象を絞り込む使い方だと考えると導入しやすいでしょう。

小売業でAIを活用するデメリットと導入時の課題

期待できる効果がある一方で、費用やデータ、現場の受け入れ体制など、事前に把握しておきたい論点もあります。ここでは代表的な五つを取り上げます。

導入費用は総保有コストで判断する必要がある

AI導入で発生するのは、サービス利用料だけではありません。データの抽出と加工、商品マスターの整備、既存システムとの連携、従業員教育、導入後の再学習まで含めると、費用の内訳は幅広くなります。

サービスの月額料金だけを比較すると、総額を見誤ります。初期導入費、連携費、運用にかかる社内人件費まで含めた総保有コストで判断してください。

中小企業庁の2025年版小規模企業白書でも、DXに向けた取り組みを進めるうえでの問題点として、デジタル化のどの段階にある事業者でも「費用の負担が大きい」「DXを推進する人材が足りない」の回答割合が高いと報告されています。

出典：中小企業庁「2025年版 小規模企業白書 第5節 デジタル化・DX」

POSの販売数は「需要」と同じではない

見落とされやすい論点が、販売実績と需要の違いです。商品が欠品していれば、その日の販売数はゼロと記録されます。しかし、買いたかった顧客がいなかったとは限りません。

この状態を考慮せずに学習させると、AIは需要を実際より小さく見積もります。少なく発注した結果さらに欠品が起こり、予測がいっそう下振れするという悪循環に陥る恐れもあるでしょう。

対策としては、在庫が切れていた時間帯や陳列状況、代替商品の動きをあわせて確認する方法が有効です。加えて、天候や地域の行事といった外部データを取り入れ、相関分析で影響要因を絞り込んだり、バスケット分析で併売関係を把握したりすれば、販売実績だけでは見えない需要の輪郭をつかみやすくなります。

データの分断と既存システムとの連携が壁になる

POS、在庫、発注、EC、会員情報が別々のシステムで管理され、商品コードや顧客IDが統一されていない企業は少なくありません。同じ商品を同一と判定できなければ、データを結合できないままです。

必要なのは、データを一か所に集めることだけではなく、意味をそろえる作業です。POSでは単品コード、物流ではケースコードを使っているなら、両者を対応づける変換表が求められます。

連携の頻度も検討課題になります。翌日分の発注であれば1日1回の連携で足りる場合もあり、必要以上にリアルタイム性を求めると費用と開発期間が膨らみます。

現場がAIの提案を信用せず、定着しないことがある

本部主導で導入が進み、店舗が目的を理解しないまま運用が始まると、提案値が使われないまま終わります。現場から見れば、AIは自分の経験を否定する存在に映ることもあるからです。

導入時には、なぜ必要なのか、どの作業が変わるのか、AIが決める範囲と人が判断する範囲はどこかを丁寧に説明しましょう。実証の段階から店舗担当者に加わってもらい、画面や操作方法を一緒に検討する進め方も効果的です。

情報処理推進機構の「DX動向2025」によると、生成AIを個人や部署で試験利用している企業の割合は日米独とも高い一方、「部署の業務プロセスに組み込まれている」という回答は日本で低く、全社的な活用には至っていません。技術の導入と業務への定着は、まったく別の課題だと分かります。

出典：情報処理推進機構「DX動向2025」

個人情報への配慮と導入後の精度低下にも備える

カメラ画像や会員情報を扱う場合は、個人情報保護法への対応が欠かせません。個人情報保護委員会は、防犯目的で取得したカメラ画像やそこから得た顔特徴データをマーケティングなどの商業目的に利用するには、あらかじめ本人の同意を得る必要があるとの考え方を示しています。

出典：個人情報保護委員会「カメラに関するQ&A」

先行企業もこの点には慎重です。ファミリーマートが2026年1月中旬から首都圏の一部店舗で始めた「AI売場スコアリング」の実証でも、防犯カメラの映像から売場を点数化する一方、個人情報が含まれる売場画像は利用しないと明示されています。

出典：ファミリーマート「AIを活用した新たな店舗運営支援『AI売場スコアリング』の実証を開始」

もう一つ備えたいのが、精度の劣化です。AIは過去のパターンを学習するため、値上げや競合店の出店、客層の変化が起きれば予測は当たりにくくなります。定期的に予測誤差を確認し、必要に応じて再学習する体制を導入前から決めておいてください。

まとめ：小売業のAI活用は小さく始めて業務に定着させることが重要

小売業のAI活用は、人の仕事を置き換えるものではなく、販売や在庫、顧客、外部環境のデータを結び付けて店舗と本部の判断を支える取り組みです。成果を左右するのは、モデルの性能よりも課題設定とデータ整備、そして現場での定着でした。

• 人手不足と発注の属人化、在庫と廃棄の管理という課題がAI活用の出発点になる
• 予測AIは需要予測や自動発注、生成AIはマニュアル検索や販促制作で力を発揮する
• 効果は作業時間だけでなく、欠品率や廃棄率、粗利益といった事業指標で確認する
• POSの販売数は真の需要と一致せず、欠品期間の扱いが予測の精度を左右する
• 費用は総保有コストで判断し、導入後の再学習と精度監視まで含めて計画する

まず取り組むべきは、解決したい業務課題と目標値を具体的に決めることです。対象を絞って効果を検証し、現場の意見を反映しながら範囲を広げる進め方が、結果として近道になります。

小売業向けのCC-Dash AIは、相関分析や外部データの活用、バスケット分析を通じて需要を予測し、販売計画と適正在庫の実現を支援するサービスです。自社のデータと業務に合う形でAI活用を検討したい場合は、小売業向けCC-Dash AIの内容もあわせてご確認ください。