業務のあらゆる場面で働く人工知能

書類を読み、項目を入力し、関税率や税額を調べ、請求書を読み取る——AIがすべてのステップで働きます。

AIが輸送書類を読み取り、項目を入力——精度98.6%

書類とメッセージを36言語に自動翻訳

写真からのフォーム自動入力、関税率検索、請求書の読み取り

書類はシステムが読み取る——データ入力は一度も不要

CMR、インボイス、T1/T2、パッキングリスト、船荷証券をAIが読み取ります。HSコード、重量、荷送人などの項目を信頼度スコア付きで抽出し、フォームを自動で入力します。

データを自分で入力する必要はありません。

商品写真を撮れば、カタログが自動で埋まる

AIが商品やパレットの写真を解析し、商品名、カテゴリー、ブランド、寸法などのカタログ項目を自動で提案します。在庫レコードを数秒で作成できます。

提案は編集でき、承認すると保存されます。

書類間の不一致を、AIが見つけます

CMR、インボイス、パッキングリストの間で個数、重量、関係者名を照合し、不一致を検出します。書類の種類も検証し、無効なファイルについては警告します。

人の目では見落としがちな違いを、AIが捉えます。

業務のあらゆる場面に関わるAI

単一のアシスタントではなく、書類、関税、カタログ、チェック、請求書を横断して働くAIレイヤーです。

関税率およびアンチダンピングの結果は、参考情報としてのみご利用ください。

• 書類読み取り・項目抽出 — CMR、インボイス、T1/T2、パッキングリスト、船荷証券を読み取り、信頼度スコア付きで項目を入力します。
• 36言語への翻訳 — 書類とメッセージを36言語に自動翻訳するので、自分の言語でやり取りできます。
• 写真からのフォーム自動入力 — 商品やパレットの写真からカタログ項目を自動で提案し、承認すると保存されます。
• 関税率・アンチダンピング検索 — HSコード、輸入関税、発動中のアンチダンピング措置を、TR/UK/EU/USの公式情報源から取得し、必要に応じてAIで補完します。
• 整合性チェック — 書類間の個数・重量・関係者名の不一致を検出し、書類の種類を検証して、無効なファイルにフラグを付けます。
• 運賃請求書の読み取り — 届いた運賃請求書をAIが読み取り、合計金額と請求先を抽出して、輸送レコードにひも付けます。

AIで業務を動かしましょう

書類読み取り、翻訳、関税、整合性チェック、請求書の読み取り——すべてをひとつのコアで、初日から。

物流・サプライチェーン向けのAIソフトウェアは、実際に何をするのですか？

物流分野で成熟しているAI機能は4つあります。書類からの項目抽出、書類同士の相互照合、多言語翻訳、写真の構造化データへの変換です。発展途上の機能はさらに5つあります。関税分類の支援、損傷評価、経費領収書の取り込み、到着予定時刻（ETA）、自由記述テキストからのレコード作成です。いずれもデータ入力と確認の作業です。品目分類、申告、価格設定を決めるものではなく、出力は確率的であり、人による承認が必要です。価値を左右するのは機能一覧ではなく、置き換える手作業がどれだけ頻繁に繰り返されるかです。

物流で今日AIが実際に行っていることは、9つの機能に分けられます。成熟した4つと、まだ発展途上の5つです。成熟した機能は、出力を元の情報と照らし合わせれば数秒で検証できます。書類からの項目抽出、書類同士を突き合わせて差異を検出すること、やり取りや書類の翻訳、そして写真を構造化データに変換することです。発展途上の機能は、判断を必要とするか、外部の条件に左右されるか、現場での運用規律に依存します。関税分類の支援、機材の損傷評価、経費領収書の取り込み、到着予定時刻、自由記述テキストからのレコード作成です。

一方で、AIにできないことも同じくらい明確です。品目分類、申告、価格の決定は引き受けません。これらには責任が伴い、人の手に残ります。税関の待ち行列、フェリーの積載枠、国境での検査を予見することもできません。そして何より重要なのは、AIの出力は確実なものではなく確率だということです。どの項目にも誤っている可能性があるため、承認のゲートを設けずに構築したワークフローは安全とは言えません。

このページでは、9つの機能それぞれに成熟度のラベルを付け、どのように測定されるのか、どこで破綻するのか、どんなデータが必要なのかを整理します。続いて、ベンダーの「AIを搭載しています」という主張をデモでどう検証するかを解説します。

• 物流におけるAIの本当の仕事は、予測ではなく読み取りです。書類、写真、自由記述テキストから構造化データを取り出すことです。
• すべての機能を2つの問いで評価してください。どのように測定されるのか、そしてどこで間違えるのか。どちらにも答えられないAIの主張は、測定のしようがありません。
• 精度の数値は、それだけでは何の意味もありません。どの書類セットで測ったのか、項目単位か書類単位か、誰が測定したのかを確認してください。
• デモは、ベンダーが用意したサンプルではなく、自社で最も状態の悪いスキャン書類で行ってください。AIが破綻するのは、まさにそこです。
• 抽出結果が承認なしにレコードへ書き込まれる場合、システムは見えない修正作業を生み出しており、節約した時間をその作業で失うことになります。
• データがなければAIは働きません。履歴の欠落、空の取引先ディレクトリ、低解像度のスキャンは、出力の質を直接下げます。

物流でAIは実際に何をしているのか？

• 書類の項目抽出／書類読み取り（成熟） — 書類の種類——商業送り状、CMR運送状、パッキングリスト、車両登録証、パスポート——を識別し、その内容を構造化データに変換します。関係者名、日付、個数、総重量と正味重量、金額、書類番号、有効期限などです。よく設計されたシステムでは、抽出されたデータは提案としてフォームに入り、承認されてから保存されます。これは業界標準ではなく設計上の選択であり、ベンダーに個別に確認する必要があります。 書類を読み、画面に打ち込むデータ入力作業です。ほとんどの企業では専任の担当者がいるわけではなく、配車担当者や経理担当者の一日に分散している負荷です。 2つの指標を組み合わせます。項目単位の精度（正しく抽出された項目数を、読み取るべき項目の総数で割ったもの）と、タッチ率（人による修正が必要だった書類数を、書類の総数で割ったもの）です。書類単位の数値——一切修正なしで通過した書類の割合——は常に低くなります。項目がひとつ間違っているだけで、書類全体が不合格になるためです。 手書きの記入、印影や署名に重なった文字、ファクス品質や低解像度のスキャン、斜めから撮影したスマートフォンの写真、1ページに詰め込まれた多段組みの表、そして初めて見るテンプレートです。システムが項目ラベルではなくページ上の位置をもとに読み取るレイアウトでは、誤りが急増します。 読み取れる解像度のデジタルコピー——理想的には最初からデジタルで作成されたPDF——と、切り取られていないページ全体です。検証のためには、その項目に対応するデータがシステム内に必要です。たとえば、取引先ディレクトリに登録されている企業の正式名称などです。
• 書類間の整合性チェック（成熟） — 同じ輸送に属する書類同士を突き合わせ、差異を検出します。インボイスの重量とパッキングリストの重量、個数、関係者名、原産地、金額などです。不一致は、国境ではなく、トラックが出発する前、あるいは申告が提出される前に表面化します。 2〜3枚の書類を並べて目で比較する担当者の作業です。忙しい日には真っ先に省かれる作業であり、省かれたその日こそ最も高くつきます。 検出率（既知の不一致のうちいくつを検出したか）と誤警報率（完全に整合した書類セットに対していくつ警告が出るか）です。後者を一度も測定しなければ、チームは警告を無視することを覚え、数週間のうちにチェックは形だけのものになります。 同じ事実が、異なるものの正当な形で書かれている場合です。総重量と正味重量、異なる単位、端数処理された金額、略称の商号、同じ企業の2つの住所などです。書類がひとつアップロードされていなければ、チェックは部分的なものになります。システムが「比較対象となる2つ目の記録がありません」と示さない限り、気づかないうちに抜け穴が生じ、チームはチェックが行われたと思い込みます。 同じ輸送レコードに添付された、少なくとも2つの書類です。比較する項目の一覧と許容しきい値——何キロの差までなら警告なしで通すか——を定義しておく必要があります。
• 関税分類の支援——HSコードと国内コード（発展途上） — 製品の説明とインボイスの明細行から候補となる関税コードを提案し、類似した品名と照合して、そのコードに対する輸入関税と発動中の貿易措置を呼び出します。トルコでは国内コードはGTİPと呼ばれ、国際的な6桁のHSコードに国内独自の桁を追加したものです。ほかの市場も、それぞれの方法でHSを細分化しています。提案はあくまで候補リストであり、どのコードで申告するかの判断は人に委ねられます。 貿易コンプライアンス担当者が関税率表を1行ずつ調べたり、類似製品を探して過去のファイルを掘り返したり、専門家にメールで問い合わせて返信を待ったりする作業です。 正しいコードが最初の提案に含まれる頻度と、上位3件に含まれる頻度です。参照データには、自社の完了済みの過去の申告を使います。また、ツールが「自信がない」と明言する頻度にも注目してください。決してためらわないツールは、測定のしようがありません。 複数の素材からなる商品、セットで販売される品目、機能によって分類が分かれる機械部品、そして商品名が汎用的な明細行（「付属品」「スペアパーツ」）です。6桁のHSより下の国内細分は国によって異なるため、同じ製品でも輸入時と輸出時で異なるコードに分類されることがあります。また、年次改正で品目表が変わると、古いファイルのコードに現在の対応コードが存在しない場合もあります。ツールがどの年度の品目表を参照しているかが画面に表示されなければ、提案を検証することはできません。 技術的な説明、素材の構成、用途、原産国、そして可能であれば写真です。インボイスの明細行にある短い商品名だけを入力すると、提案の質は目に見えて下がります。
• 多言語のやり取りと書類の翻訳（成熟） — 輸送に関するやり取りや外国語の書類をその場で翻訳し、それぞれが自分の言語で書き、読むことができます。物流における本当のメリットは逐語訳ではなく、住所、梱包に関する注意事項、支払条件、配送指示を含む文が正しく理解されるようにすることです。 翻訳タブで失われる時間、外部への翻訳委託、そして「この言語を話せるのは社内で一人だけ」というボトルネックです。 翻訳そのものではなく、翻訳が生み出す誤りを測定します。誤解によって起きたインシデント（誤った住所、誤った梱包、守られなかった配送日）と、翻訳待ちでファイルが止まっている時間です。 業界のスラングや略語、各国の税関用語、1つの文に2つの言語が混在する場合、異なる単位や日付形式、そして法的なニュアンスです。契約書や申告書の文面を機械翻訳しても法的な効力はありません。また、関係者名や地名を誤って翻訳してしまうのもよくある失敗です。 テキストそのもの。書類の場合は、まず読み取れるスキャンが必要です。ディレクトリに企業名、人名、地名が正しく登録されていれば、名前が翻訳されて別物になるのを防げます。
• 写真からのデータ抽出と計測——パレット、商品、車両（成熟） — 商品カテゴリー、梱包形態、ナンバープレート、パレット寸法などの項目を写真から抽出します。よく設計されたシステムでは、これらは提案としてフォームに入り、承認なしには保存されません。これは標準ではなく設計上の選択であり、ベンダーに個別に確認すべき点です。スマートフォンに深度センサーがある場合、長さ・幅・高さは写真による推定よりはるかに小さい誤差で取得できます。誤差は端末、距離、表面によって変わり、写真とともにレコードに残ります。 メジャーで測ってノートに書き留めること、車両登録の情報を画面に書き写すこと、空白のフォームから新しい商品を登録することです。 提案された項目のうち修正なしで承認された数と、フォーム入力にかかる時間の差です。計測については、同じパレットをメジャーで測った値を基準とし、偏差をセンチメートル単位で報告します。 暗い照明、ストレッチフィルムで巻かれた面や反射する面、不規則に積まれた荷やはみ出した荷、背景に写り込んだ別のパレット、そして1枚の画像からは導き出せない奥行きです。センサーによる計測も誤差がないわけではなく、反射面やラップされた面では偏差が大きくなります。写真から算出した容積は推定値です。容積重量をめぐる紛争でどの記録が優先されるかは契約の問題なので、計測方法は事前に書面で合意しておきましょう。 荷全体を収め、正面から十分な明るさで撮影した写真です。計測には、深度センサーを備えた端末と、パレットの周りを歩けるだけのスペースが必要です。
• 機材の損傷・状態評価——引き渡し時の写真（発展途上） — トレーラー、コンテナ、貨物が引き渡される際に撮影された写真を読み取り、目に見える損傷、部品の欠落、汚れを検出して、2回の引き渡しの間の違いを示します。結果はタイムスタンプ付きの記録になります。責任を決めるのは写真そのものではなく、その写真がどの管理期間に撮影されたかです。 証拠もなく最後のドライバーに損傷の責任を押しつける慣行と、互いの記憶だけを頼りに続く控除をめぐる言い争いです。 写真が完全にそろった引き渡しの割合と、証拠をもって解決した損傷紛争の割合です。検出性能は別に測定します。損傷があるとわかっているセットでの検出率と、損傷のないセットでの誤警報です。 決定的な限界はこうです。古い損傷と新しい損傷を確実に見分けることはできません。そのためシステムは責任を割り当てず、2つの時点の違いを示すだけで、その違いが誰の管理期間に生じたかの判断は人に委ねられます。夜間や雨天に撮影された画像、泥で汚れた表面、撮影角度が狭いために一度も写らない屋根や下回り、閉じた箱型荷台の中に隠れた貨物は、検出の精度をさらに下げます。 毎回の引き渡しで同じ角度から撮影した写真一式と、撮影日時・場所、そしてその時点で誰が機材を管理していたかの記録です。この機能は現場の運用規律に完全に依存します。写真が撮られていなければ、読み取る記録は存在しません。
• 経費領収書・費用請求書の取り込みと費用計上（発展途上） — 燃料、通行料、駐車場、修理、検査の領収書を読み取り、金額、日付、通貨、支払先、費用区分を抽出して、正しい車両、運行、ドライバーの勘定に計上します。読み取りの部分は書類抽出と同じくらい成熟していますが、まだ発展途上なのは、領収書を正しい車両、正しい費用項目、正しい為替レートに結びつける部分です。外貨建ての領収書は、企業が定めた為替レート方針——多くの場合は経費発生日のレート——に従って換算され、使用したレートとその出典の両方がレコード上で確認できるべきです。 月末に経理担当者が袋いっぱいの領収書をスプレッドシートに打ち込む作業と、数字をめぐるドライバーとの言い争いです。 領収書1枚あたりの処理時間、手作業で修正された項目の割合、月次締め時点で照合できていない領収書の数です。また、車両ごとの総費用のうち、どれだけを区分別に分解できるかも追跡してください。分解できない分は、間接費の中に埋もれてしまいます。 色あせた感熱紙、折れたり破れたりした領収書、現地語だけで印字された明細名、読み取れないカード番号の下4桁、1枚の領収書が複数の車両にまたがる場合、そして領収書からはまったく推測できない支払手段です。日付が読み取れなければ、通貨換算を確実に行うことはできません。 領収書全体が写った鮮明な写真、経費発生日、その日にどのドライバーとどの車両が組み合わされていたか、そして支払手段——現金、法人カード、燃料カードでは計上方法が異なります——に加えて、企業の為替レート方針と使用するレートの出典です。
• 到着予定時刻と立ち寄り順の決定（発展途上） — 距離、ルート、道路状況から到着予定時刻を算出します。複数の立ち寄り先がある運行では、総距離が最短になるように立ち寄り順を並べます。その大部分は学習ではなく計算です。本当の学習が始まるのは、自社の過去の運行時間と待機時間がデータに蓄積されてからです。 地図を見ながら頭の中で立ち寄り順を組み立てる計画担当者と、電話で顧客に伝える「明日の夕方ごろ」という返答です。 推定値の平均絶対誤差（予測した到着時刻と実際の到着時刻の差）と、約束した配送時間帯の順守率です。立ち寄り順については、システムのルートと手作業で組んだルートの総走行距離の差が基準になります。 税関や国境の待ち行列、フェリーの出航時刻と満船、ストライキ、天候、荷受人が営業していない時間帯、そして荷役ドックでの待機です。遅延の大半はここで生じ、その大部分は推定の対象外にあります。自社の履歴がなければ、システムが自社のレーンにおける実際の待機時間を学ぶことはありません。 正確な住所と座標、リアルタイムの位置情報、各立ち寄り先の営業時間と予約時間、車種による制限です。学習には、同じレーンでの過去の運行時間と、記録された実際の待機時間が必要です。
• 自由記述テキストと音声指示からのレコード作成（発展途上） — 注文メール、メッセージ、音声による指示を構造化されたレコードに変換します。関係者、住所、明細、重量、日付が各項目に入ります。「荷受人の住所をこれに変更して」や「3行目を削除して」といった一文で該当する項目が更新されるため、画面の操作を知らない人でも、やりたいことを説明するだけで作業を済ませられます。 同じ情報をメールからフォームに書き写す事務作業と、新入社員がどの情報をどの画面に入力すべきかを覚えるのにかかる時間です。 レコードあたりの項目入力率、人による修正の回数、誤りのない最初のレコードを作成するまでの時間です。別の指標として、研修を受けていないユーザーが初回の試行で一人で作業を完了できる頻度も追跡してください。 曖昧な指示や矛盾した指示（「いつもの方法で送って」）、メールスレッドの冒頭に残された文脈、騒がしい運転席で録音された音声、似た名前の2社や同じ企業の2つの住所からの選択、そして一度も明示されなかった通貨や引渡条件です。重要な項目については、システムは推測するのではなく、確認を求めるべきです。 指示の全文または鮮明な音声記録に加え、データが登録された企業・住所・製品のディレクトリです。ディレクトリが空だと、抽出結果を照合する相手がなく、システムは新しいけれど誤ったレコードを作り始めます。

ベンダーのAIに関する主張を、デモでどう検証するか？

• 「当社のAIが書類を自動で読み取るので、データ入力はなくなります。」 — 同じ仕入先から3つのバージョンを続けてアップロードします。旧レターヘッドの書類、新レターヘッドの書類、そして最初からデジタルで作成されたPDFです。項目ごとに数えてください。いくつが正しく取り込まれ、いくつが空欄のまま残り、いくつが誤った内容で埋められたか。次に、破綻の原因を切り分けます。テンプレートの変更によるものか、スキャン品質によるものか。対処法は異なり、ベンダーが話題にするのはたいてい後者だけです。危険なのは、誤った内容で埋められた項目です。誰も確認する必要を感じないからです。 テンプレートを1種類だけ見せ、残りは「導入時に設定します」とかわすこと。新しい仕入先のテンプレートごとに有償の設定作業が必要だと、契約後になって初めて知らされること。そして、テンプレートが変わったときに精度がどれだけ下がるのか、数字がまったく示されないことです。
• 「当社の書類読み取り精度は90%台です。」 — まず1つの質問から始めます。どの書類セットで、サンプル数はいくつか、項目単位か書類単位か、誰が測定したのか。次に、同じ測定を自社の書類20件で繰り返し、項目単位と書類単位の2つの数値を別々に出します。その差が、チームが実際に背負うことになる修正作業の量です。 定義の裏付けがない単一の割合、「業界標準」という言葉、あるいは自社の書類で測定を繰り返すことへの抵抗です。
• 「AIは自信がないときに知らせてくれます。」 — わざと破損させた書類をアップロードします。1つの項目を線で消したり、ページの半分を切り取ったりしてください。信頼度の低い項目は画面上で視覚的に区別されていますか。それとも、すべての項目が同じように確実そうに見えますか。次に保存を試してください。システムは不確かな項目を承認なしに書き込みますか。それとも人の確認に回しますか。 すべての項目が同じ確実さで表示されること、「自信がありません」と決して言えないシステム、そして承認のゲートなしにレコードへ直接書き込まれる抽出結果です。
• 「システムは使うほど学習するので、修正は次第に減っていきます。」 — 誤って抽出された項目を修正し、同じ仕入先の同じテンプレートの書類をもう1件アップロードします。同じ誤りが繰り返されますか。繰り返される場合は、3つの質問をしてください。修正内容はどこに保存されるのか、テンプレート単位や仕入先単位の記憶はあるのか、効果が表れるまでにどれくらいかかるのか。 仕組みの裏付けがない「はい、学習します」という答えと、修正が実際にはその1件のレコードにしか書き込まれなかったことを認めようとしない態度です。学習が本当に行われる場合は、逆方向の2つ目のリスクが生じます。データがほかの顧客のためにどう使われるかが契約に明記されていなければ、自社のコンテンツでその学習の代価を支払っている可能性があります。
• 「当社のAIが、製品の関税コードを見つけます。」 — 分類が簡単ではないものを与えてください。混紡の繊維製品、付属品とセットで販売される商品、機能によって分類が分かれる機械部品などです。次に、同じ製品を2つの異なる説明で検索します。1つはインボイスの明細行にある短い商品名、もう1つは素材の構成と用途を含む完全な技術的説明です。コードが変われば、ツールが何に反応するのかがわかります。まったく変わらなければ、説明を読んでいるのではなく、キーワードを照合しているだけの可能性が高いでしょう。画面に表示されるのが1つのコードなのか、根拠付きの候補リストなのかも確認してください。 根拠のない単一のコード、まったく異なる2つの説明に対して同じ信頼度で同じ答えが返ること、どの行についても「自信がありません」と決して言えないシステム、そして「このコードで申告できます」とほのめかすあらゆる表現です。
• 「当社のAIは、書類間の不整合を検出します。」 — 3つのことを別々に試してください。1つ目は、数値以外の項目に差異を入れることです。荷受人名や原産国を食い違わせてみましょう。システムは重量と個数だけを見ているのか、テキスト項目も比較しているのか。2つ目は、セットの書類を1つ丸ごと外すことです。システムは「比較対象となる2つ目の記録がありません」と示すのか、それともファイルをチェック済みとして表示するのか。3つ目は、完全に整合したセットをアップロードし、警告がいくつ出るかを数えることです。そのうえで、チェック対象の項目の一覧を書面で求め、許容しきい値がどのように設定されるかを確認してください。 チェック対象項目の一覧が出てこないこと、書類が欠けたファイルが「チェック済み」と表示されること、整合したセットで警告が出ること、そして警告をオフにする以外に管理する方法がないことです。
• 「データは安全です。AIまわりは当社にお任せください。」 — 書面で3つの質問をしてください。処理中、書類はどの国に送られるのか。どのくらいの期間保存され、削除依頼はどのように扱われるのか。誰が、いつ、どの値に抽出結果を修正したかが記録されるのか。回答は契約書の付属文書で確認し、デモではレコードの変更履歴を開いてもらい、ご自身の目で確かめてください。 書面の付属文書がない口頭での保証、処理場所に関する質問をはぐらかすこと、そして修正の履歴がまったく残されないことです。

3つのアプローチ：ルール、後付けAI、AIネイティブのプラットフォーム

• ルールベースの自動化（AIなし） — 入力形式が決まっている反復作業です。常に同じテンプレートで届くファイルの取り込み、書類の有効期限切れ時のアラート、最短距離による立ち寄り順の決定、輸送データからの請求書作成などです。形式が決まっているなら、ルールのほうが常に安く、速く、監査もしやすいのです。 結果は再現可能で説明できます。同じ入力からは常に同じ出力が得られます デバッグが簡単です。誤った結果を生んだルールを特定できます 判断の根拠がルールの文面そのものなので、監査の場でも説明がつきます テンプレートが変わった瞬間に破綻し、新しい仕入先の書類ごとに新しいルールが必要になります 自由記述テキスト、写真、手書きといった非構造化の入力は一切処理できません ルールの数が増えるにつれ、全体を端から端まで理解している人が誰もいない山になります
• 既存のソフトウェアに後付けしたAI — 業務が安定していて、明確なボトルネックが1つある企業です。届いた請求書の読み取りだけ、あるいはやり取りの翻訳だけ、といったケースです。基幹システムを入れ替えずに特定のステップを速くしたいなら、ここから始めるのは理にかなっています。 移行リスクが低く研修の負担も小さいまま、1つのステップを速くできます 範囲が狭いので、成果がすぐ測定に表れます 気に入らなければアドオンだけを外せばよく、業務を移す必要はありません 抽出したデータは通常マスターレコードにひも付きません。画面には表示されても、輸送、請求書、帳簿には流れていきません 相互照合ができません。目の前の書類だけを読み、比較対象となる2つ目の記録のことは何も知りません 承認、修正、監査証跡が別の場所にあるため、責任の連鎖が途切れます
• AIネイティブのプラットフォーム（レコード自体の中で抽出） — 同じデータを1日に何度も入力し直していて、書類と言語の負担が大きい業務です。基準は業種ではなく反復です。同じ重量、個数、関係者情報を1日に何か所に書いているかを数えてください。その数が多ければこのアプローチは元が取れ、少なければ取れません。 同じデータの入力は一度だけで、2回目、3回目の再入力は発生しません 書類とレコードが同じ文脈にあるため、比較が可能です 許容しきい値と承認ルールは、ステップごとに別々に持つのではなく、一か所で設定します 誤った項目はフォームだけでなく、ひも付いた輸送、請求書、会計仕訳まで汚染します。元に戻すコストは単体のアドオンより大きくなります 単一ベンダーへの依存が生じます。アーカイブと履歴を添付ファイルごとエクスポートできることが契約で保証されていない限り、導入すべきではありません 効果が出始めるのはデータが入ってからです。月に数件しかファイルを処理しないオフィスでは、導入の手間が見返りを上回ることもあります

業界の通説と実態

• AIは書類を完璧に読み取るので、もう誰も確認する必要はない。 — 抽出は確率的なもので、どの項目にも信頼度が付いてきます。正しい構成とは、信頼度の高い項目は通し、不確かな項目は人に回す承認のゲートです。責任がソフトウェアに移ることは決してありません。申告を提出し、請求書を発行し、配送日を約束するのは、これまでどおり貴社です。
• AIが製品の関税コードを決定する。 — AIは候補となるコードを提案し、類似した品名を提示します。品目分類は判断と責任の問題です。アンチダンピング措置やセーフガード措置は、通常、コードの一致ではなく措置の文言から読み取られるものであり、拘束力のある情報源は公式の公示です。出典と更新日を示さずに単一のコードを提示するツールは、リスクを貴社に転嫁しています。
• 自動であれば、それはAIだ。 — 物流ソフトウェアの自動化の大半は、ルールエンジンと最適化です。書類の有効期限アラートは日付のルール、立ち寄り順の決定は最短経路の計算、需要のマッチングはフィルターです。これらは価値がありますが、AIではありません。正しく呼び分けることが重要なのは、それぞれに求めるべき証拠が異なるからです。
• システムは使えば使うほど、ひとりでに賢くなる。 — ほとんどの製品では、修正内容はその1件のレコードにしか書き込まれず、次の書類で同じ誤りが繰り返されます。学習が起きるのは、修正が収集され、テンプレート単位や仕入先単位の記憶に変換される場合だけです。ベンダーには仕組みを尋ねてください。「学習します」という言葉だけでは、約束とは言えません。
• AIは遅延を事前に知っている。 — 推定値は距離、ルート、過去の所要時間から算出されますが、物流の遅延の大半は外部要因によるものです。税関の待ち行列、フェリーの積載枠、検査、ストライキ、荷役ドックでの待機などです。優れた推定でもそのどれも防ぐことはできず、誤差の幅を正直に示すだけです。平均推定誤差を一度も報告しないシステムを、顧客への約束に使うべきではありません。
• AIをオンにするだけでいい。データはもうそろっている。 — AIの出力が入力の質を超えることはありません。低解像度のスキャンでは読み取りができず、空の企業・製品ディレクトリでは照合ができず、書類が1つしかない輸送レコードでは相互照合ができず、記録されていない過去の運行時間では推定ができません。こうしたプロジェクトが行き詰まる原因はたいていモデルではなくデータであり、モデルを入れ替えても解決しません。

9つの機能において、Logistivoはどこに位置しますか？

Logistivoは3つ目のアプローチに属し、抽出は後付けのアドオンではなくレコードの中で行われます。9つの機能の対応状況は次のとおりです。書類の項目抽出——対応（承認のゲート付き）。書類間のチェック——対応。重量・個数・関係者の差異が申告前に表面化します。関税分類——成熟段階ではなく支援レベル。候補コードには情報源のラベルが付き、その日の状態のままアーカイブされます。翻訳——対応（36言語）。写真からの抽出と計測——対応（フォームへの提案として）。損傷評価——対応（企業ごとに任意、初期設定はオフ）。経費領収書——対応（複数通貨）。ETAの学習——非対応。自由記述テキストと音声からのレコード作成——対応（承認のゲート付き）。単一の精度の数値は公表していません。デモでは、お客様の書類20件で項目単位と書類単位の精度を測定し、その結果を書面でお渡しします。

Logistivoでは、AIは何も決定しません。抽出された項目は提案として届き、承認なしにレコードへ書き込まれることはありません。候補となる関税コードにも拘束力はありません。申告そのものは税関当局のシステムに登録され、データはそこで手入力されます。関税率と貿易措置の検索では、アカウントのクレジットが差し引かれます。検索件数が非常に多いオフィスでは、これが別の費用項目になります。ETAでは過去の運行時間からの学習は行わず、立ち寄り順の決定は最短経路の計算です。需要量、運賃、市場の予測は一切作成しません。位置情報はドライバーのスマートフォンから送られ、車載の追跡装置、タコグラフ、燃料センサーのテレメトリーは読み取りません。手書きの書類、印影の下に隠れた文字、低解像度のスキャンでは読み取り精度が下がり、作業の一部はお客様の手元に残ります。ドライバーにアプリを使ってもらえない企業では現場のデータが生まれないため、写真や位置情報に基づく機能はすべて活用されないままになります。

よくある質問

AIはどの書類を読み取れますか？

CMR、商業送り状（インボイス）、T1/T2通過申告書、パッキングリスト、船荷証券など、一般的な物流書類を読み取り、項目を抽出します。PDFと写真に対応しています。

精度はどのくらいですか？

項目抽出の精度は98.6%です。すべての項目に信頼度スコアが付き、承認するまでは編集できます。AIが提案し、決めるのはお客様です。

何言語に翻訳できますか？

書類とメッセージを36言語に自動翻訳します。自分の言語でやり取りでき、届いた書類も母国語で読めます。

写真から商品を追加できますか？

はい。商品やパレットの写真を撮ると、AIが商品名、カテゴリー、ブランド、寸法などのカタログ項目を提案します。承認すると在庫レコードが作成されます。

AIは私のデータを安全に扱いますか？

データは貴社のものであり、企業間で分離されています。ブラウザやモバイルアプリと当社サーバー間の通信はすべてTLS（HTTPS）で暗号化され、書類は欧州連合（EU）域内に保管されます。アカウントは2要素認証で保護されています。データは貴社の業務の中にとどまります。

ある機能が本当にAIなのか、単なるルールエンジンなのか、どう見分ければよいですか？

1つの挙動の違いで判断できます。同じ入力に対して常にまったく同じ出力が返るなら、それはルールです。出力に信頼度が付き、似ているが異なる入力によって結果が変わり、「自信がありません」と言えるなら、それは推論です。書類の有効期限アラートは日付のルール、立ち寄り順の決定は最短経路の計算、需要のマッチングはフィルターであり、価値はあってもAIではありません。この区別は証拠の面で重要です。ルールであればその文面を示す義務があり、推論であれば精度の測定結果、信頼度の表示、承認のゲートを示す義務があります。ベンダーが両方を1つの言葉でまとめて売っているなら、どちらを購入するのかを契約で確定させてください。通関ファイルにおける同様の論点は、通関業者向けソフトウェアのガイドで取り上げています。

AI対応の物流ソフトウェアと、通常の物流ソフトウェアの違いは何ですか？

違いは機能一覧ではなく、データがシステムに入る方法にあります。通常のソフトウェアでは人が項目を入力しますが、AI対応のソフトウェアでは書類、写真、自由記述テキストから項目が提案され、人は承認するだけです。2つ目の違いはチェックです。抽出を行うシステムが同じ輸送にひも付いたほかのレコードも参照できるため、書類間の差異を検出できます。この2つがなければ、「AI」というラベルはたいてい、ルールエンジンか、マスターレコードに一切つながらない独立した読み取りアドオンを指しているにすぎず、測定できる違いは生まれません。

AIによる書類読み取りの精度はどのくらいであるべきですか？公表されている精度は信頼できますか？

割合だけでは何もわかりません。同じ製品でも、項目単位と書類単位の精度は大きく異なります。項目がひとつ間違っているだけで書類全体が不合格になるため、書類単位の数値は常に低くなります。ベンダーには3つのことを確認してください。測定にどの書類セットとどれだけのサンプルを使ったのか、項目単位か書類単位か、そして誰が測定したのか。そのうえで、同じ測定を自社の書類20件で繰り返してください。自社の書類で再現できない精度は、測定値ではなく宣伝文句です。

通関においてAIは何をしますか？関税コードを決定できますか？

通関においてAIが行うのは、読み取りと比較です。インボイスとパッキングリストから明細、金額、重量を抽出し、書類同士を突き合わせて、申告が提出される前に重量、個数、関係者、金額の差異を検出します。関税の面では、候補となるコードを提案し、関連する関税と発動中の貿易措置を呼び出します。コードの決定と申告の提出は人の仕事であり、責任は代理関係の中で生じます。出典と更新日を示さない結果に基づいて判断を下すべきではありません。拘束力のある参照先は公式の公示です。

陸上輸送で、AIは実際にどこで時間を節約しますか？

運送会社にとっての効果は4つの場面に集中します。輸送書類（CMR運送状、インボイス、パッキングリスト）からの項目の読み取り、ドライバーと車両の書類からの番号と有効期限の抽出、経費領収書の取り込みと正しい車両・費用項目への計上、そして外国語のやり取りの翻訳です。4つに共通するのは、いずれも配車担当者や経理担当者の一日に散らばった反復作業だという点です。規模を見積もる簡単な方法があります。1週間、同じ重量、個数、関係者情報を何か所に書いているかを数えてください。効果が積み上がるのは、まさにそこです。

AIは本当に到着予定時刻を知ることができますか？

ほとんどの製品では、ETAは学習ではなく計算であり、距離、ルート、交通データから算出されます。本当の学習が始まるのは、自社の過去の運行時間と待機時間がシステムに蓄積されてからです。国際陸上輸送では、遅延の大半が外部要因によるものです。国境の待ち行列、フェリーの積載枠、税関検査、荷役ドックでの待機などです。そのため、推定値を評価する際の質問は1つで十分です。平均推定誤差は測定され、報告されているか。誤差の幅を示さない推定値を、顧客への約束に使うべきではありません。

AIが機能するためには、どんなデータが必要ですか？

決め手になるのは4種類のデータです。1つ目は読み取れる書類です。低解像度や傾いたスキャン、印影の下に隠れた文字は、読み取りを直接妨げます。2つ目はデータが登録されたディレクトリです。企業、住所、製品のレコードが空なら、抽出結果を照合する相手がありません。3つ目は同じレコード上の複数の書類です。相互の整合性チェックは、比較する2つ目の書類があって初めて機能します。4つ目は履歴です。推定と学習には、完了した運行と締めたファイルの記録が必要です。この4つが欠けていれば、問題はモデルではなくデータにあり、モデルを変えても解決しません。

書類をAIに送ると、どこで処理されるのですか？商業上の機密は守られますか？

これは契約前に書面で確認してください。契約後に尋ねても交渉の余地はありません。次の3点を明確にしましょう。処理中に書類がどの国に送られ、どのくらいの期間保存され、削除依頼がどのように扱われるのか。自社のコンテンツがほかの顧客の利益になる形で使われるのか。そして、誰がいつどの項目を修正したかが記録されるのか。回答は契約書の付属文書で示してもらいましょう。トルコのKVKKやEUのGDPRのもとで重要なのは、画面上の機能ではなく、書面による処理の法的根拠、保存期間、国外移転の条件です。全体的な範囲については、自社の法律顧問にご相談ください。

AI対応のソフトウェアは、小規模な企業でも役に立ちますか？

基準は企業規模ではなく反復です。月に数件しか貨物を出荷しない企業では、書類読み取りで導入の手間を回収することはできません。一方、1日に10件の請求書やパッキングリストを処理する3人のオフィスなら、最初の1週間で効果が表れます。実務的な目安は、同じ重量、個数、関係者情報を1日に何か所に書いているか、そして1か月に何件の書類を読んでいるかです。どちらの数も少なければ、AIよりも業務プロセスを簡素化するほうが効果的です。

物流の仕事は、AIに取って代わられますか？

現在成熟している機能のうち、意思決定や責任を担うものはひとつもありません。いずれも読み取り、比較、翻訳を速くするものです。変わるのは仕事の性質です。データ入力に費やす時間は減り、承認と例外処理に費やす時間が増えます。そのため、AIを導入したチームには新しい役割が生まれます。抽出結果を監査し、許容しきい値を調整し、誤警報を整理する担当者です。その役割を誰も担わない体制では、警告がまとめてオフにされ、数か月のうちにシステムは沈黙してしまいます。

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.