週32時間の手作業を4.5時間に：マルチチャネルEC運営のAI業務自動化

このクライアントは、家電・電子機器を4つのチャネルで販売しています。Shopify Plus（売上の55%）、Amazon（25%）、Walmart Marketplace（12%）、法人向けの卸売（8%）です。8名の運用チームが、すべてのチャネルの出荷、返品、在庫、仕入先との連絡、レポート作成を担っていました。致命的に壊れているものはありませんでした。ただ、あらゆる作業が本来より10分ずつ余計に手間がかかり、それが1日300件の注文の分だけ積み重なっていました。

診断で数字にすると、次のとおりでした。返品処理は1件あたり12〜18分で、週9時間。4つのシステム間で毎日行う在庫照合に週7時間。仕入先への確認連絡に週5時間。手作業のレポート作成に週6時間（しかも、届く時点で2時間前のデータでした）。注文例外の対応に週5時間。合計で週32時間以上の自動化できる作業があり、直接人件費にして年間約$78,000に相当していました。

1週間、$6,000のAI導入診断で、4つのチャネルにまたがるすべての業務フローを整理し、チームの5名に聞き取りを行い、投資対効果の高い順に自動化の優先順位を付けました。最初が返品（件数が最も多く、最も定型化されている）で、続いてレポート、在庫照合、仕入先への確認連絡、注文例外の振り分けの順です。

システムは、全体を制御する基盤としてセルフホストのn8n、複雑なロジックにはPythonの独自コード、分類と文面作成にはGPT-4o-miniを使って構築しました。返品の自動化（3週目に稼働）は、返品条件を確認し、NetSuiteにレコードを作成し、ShipStationで配送ラベルを発行し、Klaviyoで確認メールを送り、商品の到着時に返金を自動で処理します。GPT-4o-miniは自由記述の返品理由を分類し、SKUごとに不良の可能性を検知します。レポート機能（4週目）は、AIが作成した分析コメント付きの4種類のレポートを、チームが出社する前に自動で届けます。

毎晩の在庫照合（5週目）は、原因がわかっている差異を自動で修正し、本当の例外だけを担当者に示します。仕入先への確認連絡の自動化（6週目）は、発注書を送り、書式がまちまちな仕入先からの返信メールをAIが読み取って、出荷日と追跡番号を構造化データにします。遅延があれば自動で催促します。例外の振り分け（7週目）は、注文例外を分類し、ワンクリックで実行できる解決操作を準備します。ここでは意図的に、担当者の承認を残しました。完全に自律させるには、影響が大きすぎるためです。

全面導入後の最初の60日間の結果です。自動化した業務にかかる時間は、週32時間から4.5時間に減りました（-86%）。返品1件あたり12〜18分かかっていた処理時間は、自動で処理される85%の返品ではゼロになりました。日次レポートの配信は、午前10時30分から午前7時に早まりました。在庫精度は94.2%から99.1%に上がりました。仕入先への発注書の確認連絡は週5時間から45分に、例外対応の所要時間は25分から6分に短縮しました。

金額に換算した効果は、年間約$87,000です。内訳は、直接人件費の削減が$40,040（週27.5時間分）、在庫精度の向上による効果が推定$35,000、例外対応の迅速化による効果が推定$12,000です。初年度の投資額$74,000（診断$6,000、構築$38,000、運用月額$2,500）に対して、投資回収期間は10.2か月で、2年目にはROIがさらに高まります。

残る週4.5時間は、高度な判断が必要な仕事です。例外の確認、品薄時の在庫配分の判断、仕入先との交渉がこれにあたります。チームの役割は、データの処理から運用上の意思決定へと変わりました。