※本記事は、国際電気通信連合（ITU）が主催するAI for Goodウェビナー「A New Era for Retail with Intelligent Robots」の内容を基に作成されています。本ウェビナーはAI for Goodロボティクス・プログラミング・トラックの一環として開催されました。動画はhttps://www.youtube.com/watch?v=8WkpOvd4BFw でご覧いただけます。
登壇者は、Adapta RoboticsのDiana Baicu氏、Ocado TechnologyのMyrna Macgregor氏、ShopifyのKosmas Karadimitriou氏、ZippediのAriel Schilkrut氏の4名で、モデレーターはオックスフォード大学のMichael Osborne教授が務めました。本記事ではウェビナーの内容を要約しております。なお、本記事の内容は登壇者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈についてはオリジナルの動画をご視聴いただくことをお勧めいたします。
1. セッション概要と登壇者紹介
1-1. AI for Goodウェビナーの趣旨・背景と進行概要
本セッションは、国際電気通信連合（ITU）が主催し、40の国連関連機関との連携および スイスとの共同開催のもとで運営される「AI for Good」プラットフォームの一環として開催されました。AI for Goodは、AIの実践的な応用を特定し、国連の持続可能な開発目標（SDGs）の達成に向けてそのソリューションをグローバルに展開することを目的とした、行動志向型のグローバルプラットフォームです。
Guillaume Martinez Rora： 本日は「A New Era for Retail with Intelligent Robots（インテリジェント・ロボットによる小売業の新時代）」と題したAI for Goodウェビナーへようこそいただきました。本セッションは、AIを搭載したロボットがいかにして人間の可能性を引き出し、国連のSDGs達成を後押しするかを探るロボティクス・プログラミング・トラックの一部として位置づけられています。本日は優れた登壇者の皆様にご参加いただいていますが、いつものとおり、参加者の皆様による活発なインタラクションが本セッションを豊かにすると考えています。それでは、本日のモデレーターをご紹介します。オックスフォード大学で機械学習を研究するMichael Osborne教授です。
Michael Osborne： ありがとうございます、Guillaume。皆さん、このウェビナーへようこそ。AIとロボティクスは、ここ最近、とりわけ直近の数週間でも目覚ましい進化を遂げています。今日のセッションでは、そうした進展が小売業にどのような影響をもたらすのかについて、各登壇者の皆様のお考えを伺えることを大変楽しみにしています。
1-2. モデレーターおよび4名の登壇者プロフィール
本セッションには、ロボティクス・AI・小売・責任あるAIの各分野を代表する4名の登壇者が参加しました。
Michael Osborne： まず最初の登壇者としてご紹介するのは、Diana Baicuさんです。彼女はAdapter Roboticsの共同創業者であり、主任ロボティクスエンジニアとして、MattやIrisといったロボット製品の開発を中心的に担っています。技術的な卓越性を追求するだけでなく、Adapterの理念を業界全体に広め、意欲あるチームを育てるという使命も担っています。
2人目は、Cosmosさんです。ShopifyのロボティクスDivisionでData Insightsのディレクターを務め、1999年以来、CRM・旅行・水・バイオテクなど多岐にわたる分野で機械学習とAIを実世界に応用してきたパイオニアです。コンピュータサイエンスの博士号を持ち、11件の登録特許と25年におよぶR&Dおよびリーダーシップのキャリアをお持ちです。
3人目は、Myrna McGregrorさんです。Ocado TechnologyのPrincipal Data Strategist、そして責任あるAI・ロボティクスのリードとして、データと機械学習を活用してOcadoをeコマースやロボティクスの最前線に立たせるとともに、公正で透明性があり信頼できる技術開発を推進しています。BBCで責任ある機械学習の標準を初めて体系化した人物でもあり、元英国外交官として国際経済・気候交渉に携わった経歴も持ちます。
4人目は、Arielさんです。Zippityの共同創業者として、AIを通じて小売業の在り方を変革するというビジョンのもと、米国・中南米・オーストラリア・欧州の大手小売企業に数百台のロボットを展開してきました。scopicsの共同創業者を経て、Matrix Consulting、ベイン、チリ大学産業工学部での教鞭、そしてAdolfo Ibáñez大学でのEMBAの指導など、学術・実務両面にわたる豊富な経歴をお持ちです。
2. 小売業の歴史的変遷と現代の運用課題（Diana Baicu / Adapter Robotics）
2-1. カウンターサービスからセルフサービスへ：Piggly Wigglyが起こした革命とその後の100年
Diana Baicu： 私はエンジニアですので、今日のテーマである小売業とインテリジェント・ロボットについて話せることをとても楽しみにしています。ただ、その前提として、まず小売業の現場がどのような姿をしていて、どのように変化してきたかを振り返ることが重要だと思います。
約100年以上前、小売店の主流モデルは「カウンターサービス」でした。店員がカウンター越しに客の買い物リストを受け取り、店の奥に入って商品を揃えて渡すというものです。ところが20世紀初頭、米国でPiggly Wigglyというスーパーマーケットが「セルフサービス」モデルを導入し、これが革命的な変化をもたらしました。顧客自身が売り場を歩いて商品を選ぶこの形式は、今日の小売業の原型を作り上げました。店舗のレイアウトは顧客が商品を見つけやすいように設計し直され、価格や商品情報を伝えるラベルの導入が必要になりました。同時に、顧客が自ら商品を選ぶ以上、パッケージデザインやブランド表示がより重要になり、マーケティングの在り方も大きく変わりました。
そして次の大きな転換点となったのがパンデミックです。オンラインショッピング自体は20世紀初頭から存在していましたが、2020年には世界全体でオンライン購買の利用が40%増加するという急激な変化が起きました。この数字を目にしたとき、多くの人が「ついにリアル店舗の時代が終わるのではないか」と感じたことでしょう。それは十分に合理的な見方でした。しかし実際に状況が落ち着いてみると、消費者は再び実店舗に戻ってきたのです。その理由を調査すると、デジタル画面から離れてリフレッシュしたい、スクロールではなく実際に商品を手に取りながら新しいものを発見したいという欲求が浮かび上がりました。
2-2. パンデミック後の実店舗回帰とオムニチャネル戦略がもたらす運用上のプレッシャー
Diana Baicu： 実店舗に戻ってきた消費者は、以前とは少し変わっていました。単に商品を買うだけでなく、店舗が提供する「体験」や「エンゲージメント」により高い関心を持つようになったのです。と同時に、以前よりもエラーや問題に対して敏感になっており、不満を感じやすくなっていると言えます。
こうした消費者の変化を背景に、今や小売業において非常に重要な概念となっているのが「オムニチャネル」です。小売業者はアプリ、ウェブサイト、そして物理的な店舗を組み合わせ、顧客にできるだけ多くの購買オプションを提供しようとしています。たとえば、店内でスマートフォンアプリを使って商品をスキャンしながら買い物を進め、最後にスキャンした内容でそのまま支払いを完了できる仕組みなども登場しています。
ところが、ここで深刻な運用上の問題が生じます。たとえば、あなたが店内でアプリを使って商品をスキャンしたとき、アプリ上の価格と棚に表示されている価格が異なっていたとしたらどうでしょうか。それは単なる混乱にとどまらず、その小売業者への不信感につながりかねません。「結局、どちらの価格が正しいのか」と感じた顧客が次回から別の店を選ぶ可能性は十分にあります。
つまり、オムニチャネルを実現するためには、すべてのチャネルにわたって情報の正確性が担保されていなければなりません。顧客の期待値は高まる一方ですが、その期待に応えるための作業は現在も主に人手に頼っています。店員は売り場を歩き回り、棚の価格を一つひとつ目視で確認し、欠品の有無をチェックし、在庫との突き合わせを行います。スキャナーなどのデバイスで補助されることはあるものの、基本的には人間が棚の前に立って手作業で確認するという流れは変わっていません。
この作業は膨大な時間を要するうえ、非常に単調で疲弊しやすいものです。そして人間である以上、どれだけ丁寧に確認しても同じミスが繰り返されることは避けられません。ここにこそ、ロボティクスとAIが輝く余地があります。これが、私たちAdapter Roboticsが取り組んでいる課題の出発点です。
3. インストア・オペレーション・ロボットの技術と実証成果（Diana Baicu / Adapter Robotics）
3-1. 価格検証・在庫スキャン・プラノグラム適合確認の技術的仕組み
Diana Baicu： ロボティクスとAIが活躍できる小売業の領域は多岐にわたります。倉庫・物流における梱包・開梱作業、通路の異物や液体の検知・清掃、セキュリティ巡回などさまざまな用途が考えられますが、私がここ数年Adapterで取り組んできた経験に基づいてお話しするのは「インストア・オペレーション・ロボット」、つまり店舗内の日常業務を支援するロボットです。
このカテゴリのロボットが担うタスクの第一は、棚に表示されている価格の正確性検証です。コンピュータビジョンと画像認識システムを使って棚をスキャンし、バーコードや価格タグを検出します。バーコードから商品を特定し、そこに表示されている価格が実際にレジで請求される価格と一致しているかどうかを確認します。誤りが見つかれば、その場で修正対応を促すことができます。電子棚札（ESL）についても同様に、表示内容の正確性を検証する対象となります。
第二のタスクは在庫スキャンです。お気に入りの飲料が棚から消えていたとき、顧客はその店に留まって代替品を探すのではなく、別の店に行ってしまうことがほとんどです。これは小売業者にとって直接的な機会損失です。インストア・オペレーション・ロボットは棚を走査することで欠品を検知するだけでなく、「棚上在庫量（On-Shelf Availability）」、すなわちある商品が棚にどれだけ残っているかを定量的に推定することができます。この数値が一定の閾値を下回った場合、補充が必要であることを店員に通知する仕組みです。顧客が棚の前で失望する前に手を打てるという点で、この機能は非常に大きな価値を持ちます。
第三のタスクがプラノグラム・コンプライアンスの確認です。プラノグラムとは、棚にどの商品をどの位置に並べるかを定めた配置マップのことです。このマップは小売業者が取引先との契約や店舗ポリシーに基づいて策定しており、すべての商品が所定の場所に置かれている必要があります。しかし現実には、顧客や店員が商品を手に取って別の場所に戻してしまうことは日常的に起きています。ロボットが棚に沿って走行しながら連続的に画像を撮影し、それらをつなぎ合わせて棚全体のパノラマビューを生成します。このパノラマ画像を事前に登録されたプラノグラムの参照マップと比較することで、商品が正しい位置に配置されているかどうかを自動的に検証できます。
3-2. 毎分56GBのデータ処理基盤と協働モデルの実験結果：人手比50倍の効率化を達成
Diana Baicu： これらのタスクを実現するための技術基盤についても説明しておきたいと思います。私たちのロボットは複数のカメラを搭載しており、棚を走行しながら毎分56ギガビットを超える膨大な映像データを生成します。これほどの量のデータを従来的な方法で処理することは不可能です。重要なのは、このようなシステムが5年前、いや10年前には技術的に実現できなかっただろうという点です。現在私たちは非常に恵まれた時代にいます。このデータをロボット上に搭載されたニューラルネットワーク、すなわちAIシステムによってリアルタイムで処理しています。画像・映像といった視覚データを扱うAIをオンボードで稼働させることで、クラウドへの転送遅延なしに即時判断が可能になっています。検出された価格エラーや欠品・プラノグラム逸脱の情報は、統合されたネットワーク接続を通じて管理者や担当店員にレポートとして送信されます。
また、私たちが特に重視したのは、このシステムが店員の「代替」ではなく「協働ツール」であるという設計思想です。店員の働きやすさと安全性を確保するために、ロボットを人間オペレーターが操作しながらスキャンを行う協働モデルを採用しています。スキャン中、オペレーターはリアルタイムのガイダンスを受け取ります。「もう少し速く進んでください」「少し遅くしてください」「棚との距離をこれだけ保ってください」といった指示がシステムから提示されることで、常に最適なスキャン品質が維持されます。
この協働モデルの効果を実際に測定したテストでは、ロボットと人間オペレーターが協力して棚をスキャンした場合、手作業による棚確認と比較して50倍以上の速度向上が確認されました。具体的には55倍という数値が記録されています。つまり、人間が1時間かけて行っていた棚確認作業を、ロボット協働により約1分強で完了できるということです。これはエラーの削減だけでなく、店員が本来注力すべき業務に使える時間を劇的に増やすことを意味します。
3-3. 従業員の役割変化とスキル移行の展望
Diana Baicu： こうした効率化を聞いて、「店員の仕事が奪われるのではないか」と感じる方もいるかもしれません。しかし私はそうは考えていません。セクション2でお話しした歴史的な変遷と同じ構造がここにも見えます。Piggly Wigglyがセルフサービスを導入したとき、店員の役割は「客の代わりに商品を取ってくる人」から「レジを操作する人」へと変わりました。仕事がなくなったのではなく、仕事の内容が変わったのです。
今まさに同じことが起きようとしています。店員は単調で時間のかかる棚の目視確認作業から解放され、ロボットオペレーターとしての役割を担うようになります。膨大な時間を手作業に費やすのではなく、ロボットが生成したデータをもとに判断を下し、より付加価値の高いタスクに集中できるようになります。仕事の質が上がることで、店員はより高度なスキルを身につける機会を得ます。そして最終的には、顧客も恩恵を受けます。店員が時間的余裕を持つことで、顧客対応のクオリティが高まり、より迅速かつ正確なサービスが提供できるようになるからです。テクノロジーの進歩は、人間をより創造的で意味のある仕事へと押し上げる力を持っていると、私は強く信じています。
4. AIとロボティクスの進化：統計学からLLMまで（Cosmos / Shopify Robotics）
4-1. 統計学・機械学習・AIの階層的発展とニューラルネットワークの歴史
Cosmos： 私はもともと物理学者として研究を始め、その後コンピュータサイエンスに転じてデータサイエンスのキャリアを歩んできました。1999年以来、さまざまな業界でAIと機械学習を実世界の問題に応用してきた経験から、今日はロボティクスとAIの進化について話したいと思います。
まずロボティクスの定義から始めましょう。ロボティクスとは機械による物理的な自動化のことであり、単純な単機能マシンから、皆さんもご覧になったことがあるかと思いますが、Boston Dynamicsのバック転をするロボットまで、長い進化の道のりを歩んできました。そしてこの進化の中核にあるのが、ロボットの「頭脳」を提供する人工知能です。
コンピュータの知能がどのように発展してきたかを整理すると、まず土台となるのが統計学です。統計学は確立された学問分野であり、データの単純な関係性を発見することができます。しかしその限界もあります。過去50年ほどのあいだに機械学習が生まれ、複雑なデータのパターンを学習し、特定の課題に対応したモデルを構築できるようになりました。そして機械学習を基盤として、複数のモデルを統合することで汎用的な知能を実現しようとするのが人工知能です。その人工知能の中で近年とりわけ注目を集めているのが、数十億から数兆のパラメータを持つ大規模言語モデル（LLM）です。
ニューラルネットワークの概念自体は1950年代にさかのぼります。人間の脳の働きをコンピュータ上でシミュレートしようという発想です。当初のモデルはわずか10から100程度のニューロンしか持っていませんでしたが、現在の大規模言語モデルは1兆ものニューロンを持つまでに至っています。この規模の拡大が、予想もしなかった能力の出現をもたらしました。
4-2. 大規模言語モデルの「創発的能力」：スケールアップ実験で確認された算数・翻訳・詩作などの突発的出現
Cosmos： このスケールアップによって生じる現象こそが、「創発的能力（Emergent Abilities）」と呼ばれるものです。非常に興味深いのは、こうした能力がモデルのサイズが一定の閾値を超えた瞬間に突然出現するという点です。たとえば算数・数学の能力を見てみましょう。ニューラルネットワークはある一定の規模に達するまでは数学をまったく理解できません。ところがモデルのサイズが、たとえば100億ニューロンという規模に達した瞬間、突然数学が「わかる」ようになるのです。同様の現象が、言語間の翻訳、ユーモアの理解、詩の創作といった能力においても観察されています。あるサイズまでは何もできないのに、閾値を超えた途端にその能力が開花する。このグラフを見ると、能力の出現が非常に急激であることがわかります。
この現象をより視覚的に理解していただくために、私たちはひとつの実験を行いました。「オレンジ色のパーカーを着て、青いサングラスをかけ、シドニー・オペラハウスの前に立ち、『Welcome Friends』と書かれた看板を持っているカンガルー」という文章プロンプトを与えて、画像を生成させたのです。比較的小さなモデルに試してみると、カンガルーらしき形は見えるものの、とても精度が高いとは言えません。モデルのサイズを2倍にすると、明らかにカンガルーらしくなります。さらにサイズを増やすと、背景にシドニー・オペラハウスらしき建物が現れ始めます。文字の表現はまだ完全ではありませんが、かなり近づいています。そして最大規模のモデルになると、プロンプトが求めるすべての要素が正確に描写された画像が生成されます。このシンプルな実験が、スケールと能力の関係を非常に直感的に示していると思います。
大規模言語モデルは最新のテストにおいて、人間の知能の約90%に相当する能力を発揮しているという結果も出ています。そしてこの数値は急速に上昇し続けています。
4-3. 倉庫・物流における協働ロボティクスの実装と生産性・安全性の向上事例
Cosmos： では、こうしたAIの進化が物流・倉庫の現場にどう活かされているかをお話しします。物流におけるAIとロボティクスの応用領域は非常に広く、自動運転トラック、自律型船舶やドローン、AIと機械ビジョンを組み合わせた品質検査、物理的な安全・セキュリティの監視、需要予測、ルート最適化など多岐にわたります。私の近所のスーパーマーケットにもすでに巡回ロボットが導入されています。
倉庫における自動化の類型としては、商品を作業員のもとに運んでくる「グッズ・トゥ・パーソン」方式、自律走行ロボット（AMR）、そして近年注目を集めているヒューマノイド型ロボットなどがありますが、私が最も優れた応用だと考えているのは「協働ロボティクス」です。人間が得意なことと、ロボットが得意なことはそれぞれ異なります。この両者をどう組み合わせるかを考えることが、最良の結果をもたらします。
私たちShopifyが取り組んでいる自律走行カートを例に挙げましょう。このロボットは倉庫内のどこに何があるかを把握しており、作業員はロボットの後をついて歩くだけでよいのです。ロボットはピッキングが必要な場所で止まり、ビデオスクリーンに取り出すべき商品を表示します。この仕組みにより、新しい作業員が倉庫に入ってから15分以内に高い生産性を発揮できるようになります。従来であれば倉庫のレイアウトや商品の場所を覚えるだけで相当な時間が必要でしたが、それが不要になるのです。
また安全性の面でも大きな改善があります。作業員が重い荷物を積んだカートを自分で押し回す必要がなくなるため、腰や膝への負担が大幅に軽減されます。倉庫での労働災害の多くが重量物の運搬に起因することを考えると、これは単なる利便性の向上ではなく、働く人の健康を守るという意味で本質的な価値があります。生産性のデータを見ると、人間だけで作業している場合、生産性には波があり、高い時間帯と低い時間帯が生じます。ところが人間とロボットが協働する場合、全員が即座に高い生産性を維持できるようになります。倉庫で私たちのソリューションを導入した現場の作業員からは、仕事への満足度が上がったという声を実際に聞いています。
AIと機械学習の将来を見渡すと、仮想のボットがパソコンやスマートフォン上で動き、さらに物理的なロボットとして私たちの身の回りに存在するようになる時代が来ます。特にLLMは今後、小型のコンピュータやスマートフォン上でも動作するようになり、あらゆるロボットの頭脳として搭載される可能性があります。さらに近年登場してきた「生成エージェント」は、ゴールや使命を与えるだけで自律的にタスクを完遂する能力を持ちます。これらの技術が社会にもたらす変化は計り知れません。仕事の性質は変わり、単純な繰り返し作業から解放されることで、人間はよりクリエイティブかつマネジメント的な役割に集中できるようになります。AIはすでに知識労働者の生産性を10倍に高めることが示されており、これは世界全体のGDPを急速に押し上げる可能性を秘めています。一方でミスインフォメーションの拡散や超高度AIの出現といったリスクにも、社会として真剣に向き合う必要があります。
5. オンライン食料品小売とOcadoの責任あるAI（Myrna McGregor / Ocado Technology）
5-1. オンライン食料品特有の複合課題とAI・ロボティクスによる解決策（ピッキング自動化・需要予測・自律配送）
Myrna McGregor： 今日は、オンライン食料品小売という特定の領域における課題と、Ocado TechnologyがAIおよびロボティクスを使ってそれらをどう解決しているかをお話しします。またその一部として、私のポートフォリオである「責任あるAI・ロボティクス」の取り組みについてもご紹介します。
まずOcado Technologyとはどのような会社かを説明します。私たちはひとつの会社でありながら、実質的に5つの事業が一体化したような組織です。eコマースから物流・サプライチェーン・フルフィルメント、高度な技術までを一気通貫で提供し、米国のKroger、日本・アジアのAEON、カナダのSobeysといった世界各地の小売パートナーにそのケイパビリティを提供しています。AIやIoT、ビッグデータ、ロボティクスを組み合わせることで、パートナー企業が直面する課題の解決と収益化を支援することが私たちのミッションです。
オンライン食料品小売には、他の小売領域とは質的に異なる複合的な課題があります。まず顧客ごとのバスケットサイズが大きく異なります。夕食の材料を数品だけ追加したい人から、一家族分の一週間分の食料をまとめて注文したい人まで、ニーズはさまざまです。リードタイムの面でも「今すぐ欲しい」という即時性の要求から、クリスマスの数週間・数ヶ月前からの予約注文まで、幅広い対応が求められます。また注文した後も顧客は頻繁に内容を変更したがります。さらに食料品には常温・冷蔵・冷凍という3つの温度帯があり、それぞれ異なる管理が必要です。多くの商品が短い賞味期限を持ち、廃棄リスクを常にはらんでいます。そして何より、サービスコストが高く、マージンが非常に薄いという構造的問題があります。こうした複合的な制約の中で効率を最大化し、できる限り広い品揃えを最低限のコストで提供することが、私たちの技術的な挑戦の核心にあります。
これらの課題に対して、私たちはいくつかの方向からアプローチしています。まずロボティクス以外の領域として、eコマースにおけるパーソナライゼーションがあります。多くの顧客は毎週同じような商品を購入する傾向があります。そこで私たちはAIを活用した「スマートショップ」機能を開発しました。ワンクリックで過去の注文履歴に基づいて最適な商品をバスケットに自動で追加する機能です。需要予測においてはディープラーニングを用いて、いつ・何を・どれだけ仕入れるべきかの在庫補充判断を自動化しています。その結果、パートナー企業は在庫補充に関する意思決定の98%以上をこのシステムに委ねられるようになっています。また食品廃棄率の面でも業界標準を大きく下回る0.4%という廃棄率を実現しており、これはビジネス上の効率だけでなく環境への貢献という観点からも重要な成果です。
ロボティクスの中核となるのが「ハイブ（Hive）」と呼ぶシステムです。グリッド状の構造物の上を数千台のボットが高速で走り回り、注文に必要な商品を協調してピッキングします。従来、スーパーマーケットの店員が50品目の注文をピッキングするには売り場を歩き回りながら1時間半ほどかかっていました。ハイブでは複数のボットが同時並行で協力し合うことで、同じ作業をわずか5分で完了できます。このシステムが生み出す膨大なデータを機械学習で分析し、グリッド全体の健全性をモニタリングすることで、安定稼働を維持しています。
最近導入した新しいロボティクスの応用として、フレームローダーの自動化があります。倉庫内のコンベヤーから配送トートを取り出し、配送バンに積み込むフレームに載せる作業で、これは倉庫内で最も肉体的に過酷な仕事のひとつです。重いトートを繰り返し持ち上げなければならないため、作業員への身体的負担が大きい。ここにロボットを導入することは、単なる効率化にとどまらず、働く人の身体を守るという意味でも理にかなっています。この作業でAIが特に重要な役割を果たしているのは、トートの寸法は規格上同一であっても、実際には使い込まれているためそれぞれに微妙な変形や傷みがあるためです。リアルタイムのコンピュータビジョンによってこれらの個体差を瞬時に検知し、ロボットアームの動作をその場で調整することで、正確なハンドリングを実現しています。
現在開発中の応用のひとつが「オングリッド・ロボティック・ピック」です。これは人間の代わりにロボットアームが直接グリッドの中で商品をピッキングするというものです。この挑戦の規模を想像してください。ロボットが認識し、ピッキングし、適切にパッキングしなければならない商品の種類は5万点以上に及びます。それぞれ形状・サイズ・重量・壊れやすさ・「つぶれやすさ」（これは私の非技術的な表現ですが）がまったく異なります。液体が漏れて他の商品を汚す可能性も考慮しながら、できる限り効率よく詰め込まなければなりません。これを実現するために、機械ビジョン・強化学習・高度なセンシングを組み合わせ、次に何が来るかを事前に知ることなく、その場でリアルタイムに判断できるピッキングアームを開発しています。
さらに将来の構想として、自律配送にも取り組んでいます。WaymoやOxboticaと提携してオンロードの自律走行実験と試験走行を行っており、そのような形で顧客が食料品を受け取ることへの受容性についても検討しています。使用するのはEV（電気自動車）であり、自律走行の利便性に加えて環境負荷の大幅な低減という利点もあります。
5-2. 責任あるAI導入の必要性とOcadoが策定した5領域のコミットメント・実装方法論
Myrna McGregor： 次に、私が特に情熱を注いでいる「責任あるAI」の領域についてお話しします。なぜAIシステムには特別な注意が必要なのでしょうか。AIは従来のソフトウェアとは本質的に異なる性質を持っているからです。従来のソフトウェアであれば「A＋B＝C」という形でアウトプットの追跡が可能です。しかしAIシステムは不透明であり、異なるインプットに応じて動的に変化し、出力の根拠が見えにくい。これほど大規模に展開されるシステムにおいて、この不透明性は単なる技術的問題ではなく、社会的なリスクになり得ます。
私が責任あるAI設計を「あれば望ましいもの」ではなく「なくてはならないもの」だと考える理由は三つあります。第一に、適切に設計することで後から問題が発覚して作り直しを迫られるリスクを減らせます。公正性・安全性・堅牢性・透明性といった原則を最初から組み込んでおくことで、一度だけ正しく構築すればよいのです。第二に、システムを利用する・利用される人々の信頼を獲得するためです。どのような設計思想に基づいているか、何が考慮されていて何がガードレールとして設けられているかを、モデルレベルで説明できることが、人々がシステムを受け入れ協力する上で不可欠です。第三に、規制への対応です。特にEUを中心にAI規制の整備が進んでいます。今のうちにこの取り組みを進めておくことが、将来のコンプライアンスへの備えになります。
こうした認識のもと、Ocadoは最近、AIとロボティクスの設計・展開を導くハイレベルなコミットメントを発表しました。このコミットメントは5つの領域から構成されています。第一が「公正性」です。不公平なアウトプットを生まないよう、代表性があり高品質なデータを使うことへのコミットメントです。第二が「透明性と説明可能性」です。システムがどのように設計され、何を考慮に入れているかを、適切な粒度の明確な言葉で説明できるようにし、必要に応じて精査できる技術文書・プロジェクト文書を整備します。第三が「ガバナンス」です。社内で開発するプロジェクトだけでなく、外部から調達するAIツールについても登録するレジストリを維持します。第四が「堅牢性と安全性」です。パフォーマンスのモニタリング、ロボティクスAIにおける物理的安全の確保、そしてシステム展開が現場に与えるインパクトを明示的に考慮することを含みます。第五が「インパクト」です。自動化が従業員の仕事にどのような影響を与えるかについて、誠実に向き合うことへのコミットメントです。
これらのコミットメントをどのように実装するかについても申し上げます。重要なのは、責任あるAIを「組織全体に一律に課すポリシー」として押しつけるのではなく、実際にシステムを開発・調達しているチームに権限を委譲することです。AIは汎用技術であり、用途ごとにリスクや要件がまったく異なります。そのため、組織全体に共通する問いかけのフレームワークは提供しつつも、各チームが自分たちのユースケースに即した形でそれを解釈・適用することが重要です。ただしその取り組みを中央で記録・集約する仕組みも必要です。規制が施行された際や問題が生じた際に、どのような判断をしてきたかを説明できる状態を保つためです。
またコミットメント策定のプロセスそのものについても申し上げます。私はこれを学際的な対話として進めることが重要だと強く感じています。組織横断的に、このテーマに情熱を持つ人々を集め、業界のベストプラクティスと自社ビジネスの文脈の両方を踏まえたコミットメントを、集合的に構築していくことが鍵です。さらに責任あるAIは一度作れば終わりというものではありません。それはひとつの「働き方」です。既存の業務プロセスにできるだけ自然に組み込み、余計な摩擦を生まないようにすることが、継続的な実践につながります。Ocadoでは「Recode」というプログラムを通じたエンジニアリングスキルの習得支援もその一環です。私が倉庫で出会ったある従業員は、倉庫内のあらゆる仕事を経験した後、今ではロボット安全監督者として、ロボット同士を意図的に衝突させてその耐久性を検証するという仕事をしていました。それは新しい時代の新しい職業の姿だと、私は思っています。
6. デジタルツイン型店舗ロボットの展開と多用途化（Ariel / Zippity）
6-1. 店舗内オペレーションの不透明性と年間1兆ドル超の損失構造：Zippityが解決する問題
Ariel： 他の登壇者の皆さんがすでに触れている部分もありますが、私からはZippityが実際に現場でどのような問題を解決しているか、より実践的な視点からお話しします。
Dianaも言及していましたが、最初のセルフサービス型スーパーマーケットであるPiggly Wigglyが登場したのは1916年のことです。それから100年以上が経った今、スーパーマーケットの店舗内オペレーションは驚くほど変わっていません。倉庫・物流の領域ではバーコードの発明やPOSデータの活用など大きな進歩がありました。しかし実際の店舗の中で何が起きているかという点については、いまだに非常に限られた情報しか得られていないのが現実です。数千店舗を展開する大手小売チェーンでさえ、個々の店舗内で商品がどのような状態にあるかをリアルタイムで把握する手段を持っていません。各店舗には平均で3万から4万品目の商品が並んでおり、食料品に限っても、ホームインプルーブメント業界でも、年間500億点以上の物理的な商品が動いています。これほどの規模の物流が、ほとんど構造化された情報なしに動いているのです。
なぜこれほど店舗内の透明性が欠如しているのでしょうか。一見すると単純な算数の問題に思えます。入荷した商品数から、レジで売れた商品数を引けば、在庫がいくら残っているかわかるはずです。ところが現実はそう簡単ではありません。顧客が商品を手に取って別の場所に置いてしまう、誰かが商品を破損する、万引きが起きる。こうしたことが3万から4万品目すべてにわたって日々積み重なることで、帳簿上の在庫と実際の棚の状態は徐々にずれていきます。自動在庫管理システムが存在していても、それが正確なデータに基づいていなければ意味をなしません。結果として業界全体の欠品率は約10%にのぼり、プラノグラム違反、販促物の撤去、価格表示の誤りといった問題が日常的に発生しています。Dianaが述べていた価格不整合の問題も、この構造的な情報欠如から来ています。
こうした問題の累積的なコストは甚大です。米国だけで年間1兆ドルを超える機会損失が発生していると業界では試算されています。これは単に商品が売れないということではなく、顧客の離反、ブランド毀損、労働コストの非効率な使用、サプライチェーン全体の最適化機会の喪失など、多層的な損失を含んでいます。また店舗での棚確認や価格チェックといった作業は、労働市場の逼迫が続く中でますます人手を確保しにくくなっており、単調で満足感の得にくいこれらの業務に人を充てることへのコストも上昇しています。AIの進歩によって、ようやくこの長年の問題に技術的に対応できる時代が来たというのが、私たちZippityの出発点です。
6-2. 200台超の自律走行ロボットによるデジタルツイン構築と棚実行・eコマース・レジレス店舗への応用展開
Ariel： Zippityが開発したのは、店舗内を自律走行しながらデータを収集するロボットです。現在、米国・中南米・オーストラリア・欧州の大手小売業者に200台以上を展開しています。これらのロボットはカメラを搭載して店内を巡回し、棚の状態を継続的にスキャンします。1台のロボットが年間約30万キロメートルを走行し、年間30億枚以上のラベルをスキャンするという規模のデータが蓄積されます。こうして収集されたデータはロボット上で処理されるとともに、ディープラーニングモデルが必要とする高い処理能力のために一部はクラウドにも送られます。
このデータが最終的に生成するのが「デジタルツイン」です。単に商品の状態をトラッキングするだけでなく、店舗全体の3Dビジョンを構築することができます。このデジタルツインを通じて、店舗マネージャー・売り場担当者・本社の経営陣など、さまざまな立場の人々にAPIやアプリを介してリアルタイムのデータを届けます。
最初の主要な応用が「棚実行（Shelf Execution）」です。価格は正しいか、商品は正しい場所にあるか、棚に欠品はないか、穴が開いていないかを統合的にモニタリングします。このデータが現場の作業員に届くことで、問題箇所に直接向かって対処できるようになり、非効率な全棚巡回が不要になります。私たちの実地経験では、このシステムを導入した小売業者において棚上在庫の可用性が10%向上し、売上が2〜3%増加するという成果が出ています。これは決して小さな数字ではありません。数百億ドル規模の売上を持つ大手小売チェーンにとって、2〜3%の売上増は数十億ドルに相当します。
デジタルツインが持つデータは棚実行にとどまらず、幅広い応用を可能にします。eコマースとの連携はその代表例です。オンラインショッピングや店舗受け取りサービスにおいて、アプリが欠品商品を「在庫あり」として表示してしまうことは顧客体験を著しく損ないます。注文が完全に履行されないリスクが高まるほど、顧客が購入をあきらめる確率は急激に上昇します。店舗のリアルタイム在庫情報をeコマースシステムと連携させることで、この問題を根本から解消できます。
ラストマイル配送の最適化においても、このデータは価値を発揮します。正確な在庫情報はOcadoのようなeコマース事業者だけでなく、UnileverやCoca-Colaといった消費財メーカー（CPG企業）にとっても非常に重要です。自分たちの商品が実際にどの店舗のどの棚にどれだけあるかをリアルタイムで把握できれば、サプライチェーン全体の計画精度が大幅に向上します。
商品位置案内も興味深い応用です。大型の家電量販店やホームインプルーブメントストアでは、商品が高さ2〜6メートルの棚の上部に積まれていることが多く、どこに何があるかを見つけること自体が大きな課題です。ある大手ホームインプルーブメントチェーンでは、作業員がこれを「首が折れるような作業」と表現していましたが、私たちのロボットが提供する商品位置情報を画面で確認できるようになってから、作業員は目的の商品をすぐに見つけられるようになりました。顧客から「この商品はありますか」と聞かれたとき、以前は「システムには在庫ありと出ているのですが…」と言いながら店内を歩き回る必要がありましたが、今はその必要がありません。
レジレス店舗への応用も進めています。Amazonのゴーストア（Amazon Go）のようなレジなし店舗はすでに存在しますが、それらは現状では非常に小規模な店舗に限られています。私たちのデジタルツインが提供するボリュームと精度のデータがあれば、より大規模なフォーマットの店舗においてもコスト効率の高いレジレスソリューションが実現可能だと考えています。
パンデミック期に注目を集めたメタバースやVR技術との組み合わせも、まだ可能性を秘めていると私たちは考えています。本社の管理者が実際に店舗を訪問しなくても、デジタルツインを通じて店舗の状態を仮想的に「視察」できる仕組みは、パンデミック中に実際に需要が高まった応用例でした。
そして最後に、GPT系の大規模生成モデルとの統合です。ロボットが収集する膨大な構造化データは、言語モデルやその他の生成AIモデルの学習に非常に適したデータです。これらを統合することで、顧客や店舗マネージャーがデータと対話できるインターフェースが生まれます。「今この店で一番欠品が多い商品カテゴリはどれか」「今週のプロモーションの棚実行率はどうか」といった問いに、自然言語で即座に答えられる環境が実現します。これは単なる便利さではなく、意思決定の質と速度を根本から変える可能性を持っています。
私たちが確信しているのは、近い将来、すべての店舗に少なくとも1台のロボットが配備される時代が来るということです。デジタルツインが整備されれば、そのデータを活用してさらに多くの種類のロボットが店舗内で機能できるようになります。これまで非構造化データしかなかった店舗という環境が、構造化されたデータ基盤の上に成り立つ新しいフィールドへと変わっていく。そのトランジションが今まさに始まっています。
7. パネルディスカッション：雇用・技術採用速度・SDGs・LLMの将来像
7-1. ロボット導入と雇用への影響：各登壇者の見解と実地経験（棚可用性10%向上・売上2〜3%増、再スキル化事例）
Michael Osborne： ロボットや自動化について議論するとき、多くの人が最初に気になるのは雇用への影響だと思います。ロボットが人間の仕事を奪うのか、それとも新しい仕事を生み出すのか。各登壇者の皆さんに順番にお考えを聞かせてください。まずDianaさんからお願いします。
Diana Baicu： 私たちAdapter Roboticsはこの問題を深刻に受け止めています。だからこそ、私たちのソリューションは最初から人間の代替を目指したものではありません。私たちは人間がロボットと協働することで大きな恩恵を受けられると強く信じています。私たちのモデルは自律性から始めるのではなく、まず従業員が自分の時間をより有効に使えるようにすることから出発しています。棚を手作業で確認するのに1時間から1時間半かかっていた作業が、ロボットとの協働で5分程度に短縮されます。この時間的余裕が、より価値の高い仕事への移行を可能にします。仕事がなくなるのではなく、より良い仕事が生まれると考えています。
Cosmos： 私も楽観的な見方をしています。ロボティクスの影響と、AIの影響は分けて考える必要があります。ロボティクスについては、私たちが倉庫で実際に見てきたことがあります。人間とロボットの協働は安全性を高め、精度を向上させ、生産性を上げます。そして何より、現場の作業員から「仕事が楽しくなった」という声を実際に聞いています。重い荷物を押し回す必要がなくなり、どこに何があるかをロボットが案内してくれる。倉庫のレイアウトをすべて記憶する必要もなくなります。AI側の影響については、知識労働者の生産性がすでに10倍に高まっているという事実があります。長期的には仕事の性質が変わっていくでしょうが、それはより創造的でマネジメント的な役割への移行であり、全体としては良い方向に向かうと思います。
Myrna McGregor： 私は少し現実的な視点を加えたいと思います。責任あるAIとロボティクスのコミットメントを策定する際、チームの中から「自動化が雇用に与えるインパクトについて明確なスタンスを示すべきだ」という強い声が上がりました。私たちは正直に認めています。たとえばオングリッド・ロボティック・ピックのような自動化によって、一部のタスクは確実に機械に移行します。だからこそ私たちは、計画している自動化についてできるだけ早く従業員に伝えること、そして変化によって生じる業務内容の変化についても率直に話し合うことをコミットメントとして掲げています。自動化によって時間が生まれるなら、その時間を何に使うかを一緒に考える。再スキル化が必要なら、その機会を提供する。私たちの「Recode」プログラムはその一環です。倉庫内のあらゆる仕事を経験した後にロボット安全監督者になった従業員のように、新しい時代の新しい職業へのキャリアパスを作ることが、企業としての責任だと考えています。
Ariel： 私たちが実際に現場で見てきたことをお話しします。ロボットが行うデータ収集は、以前は人間が担っていた作業ですが、正確には「誰も実際にはやれていなかった作業」と言う方が正確です。1つの通路をくまなくチェックするのに1時間半かかるとしたら、現実には誰もそれを完全にはやっていませんでした。ロボットがその作業をやり始めると、今まで見えていなかった問題が大量に可視化されます。棚の穴を埋める、プラノグラムを直す、価格表示を修正するといったタスクが次々と発生し、それをこなすために人手が必要になります。私たちの経験では、ロボットを導入した小売業者の多くが、むしろ従業員を増やしています。ロボットが仕事を「発見」することで、人間が対処すべき新しい業務が生まれるのです。棚可用性が10%向上し、売上が2〜3%増加するという成果も、それを実行する人間の労働があってこそ実現するものです。ただし中長期的に見れば、特に大規模言語モデルの普及によって、不要になる職種も出てくるでしょう。そこで生まれる生産性向上と富をどのように社会全体に還元するかという問いには、私たちは真剣に向き合う必要があります。
7-2. 技術採用速度の二速構造とAI導入の前提条件としてのデータ整備
Michael Osborne： 次に、これらの技術がどのくらいのスピードで実際の現場に浸透していくかについて聞かせてください。雇用への影響は変化の速度によって大きく異なります。1年で100万人分の仕事が変わるのと、10年でそれが起きるのとでは、社会の適応能力がまったく違います。Dianaさんから順番にお聞きします。
Diana Baicu： ここで重要な区別があります。技術の革新そのものと、産業への採用速度は別物です。消費者向けの技術であれば採用は非常に速く進むことがあります。しかし今日私たちが話しているのは企業・産業向けの技術です。小売業は100年以上ほとんど変わらずに続いてきた業界であり、プロセスや慣行に大きな慣性があります。パンデミックは変化を加速させた大きな要因でしたが、それでも新しいソリューションを導入するには、信頼を築き、各小売業者の要件を満たすことを実証するための時間が必要です。技術を作る側としての私たちの使命は、それをしっかりと果たすことです。最終的な受益者である顧客のために良い結果をもたらすことを確認しながら、段階的に信頼を積み上げていく。それが現実的な採用速度だと思っています。
Cosmos： ロボティクスとAIでは採用速度がまったく異なります。ロボティクスは物理的にロボットを設計・製造・展開するプロセスが必要であり、変化は必然的にゆっくりです。現時点でさえ、自動化されている倉庫はごく一部に過ぎません。それが全体に広がるには、まだ数年かかるでしょう。一方AIは、ほぼ一夜にして変化が起きます。毎週のように新しいレベルのAIが展開され、即座に世界中で使われ始めます。そしてAIが影響を与えるのは知識労働者です。弁護士になるには何年もロースクールで学ぶ必要がありますが、AIは今やすでに契約書のレビューができます。長年のトレーニングを積んだ専門職への影響は、倉庫作業員への影響よりもはるかに大きく、かつ速く訪れます。ロボティクスには適応する時間がありますが、AIに対しては私たち全員がより機敏に対応できる能力を身につける必要があります。
Myrna McGregor： 私からは少し異なる視点をお伝えします。すべての問題がAIを必要としているわけではないということです。最も責任ある選択は、まずその問題にAIが本当に必要かどうかを問うことです。そしてAIや自動化が有効だと判断された場合でも、すぐに導入できる状態にある組織ばかりではありません。技術的なブレークスルーのニュースと、日々の地道なデータ整備作業は、いわば二速で進んでいます。正確なデータを収集し、それが代表性を持っているか確認し、パイプラインを整備する。こうした準備なしにAIを導入しても、期待した成果は得られません。この「AI対応可能な状態」を作ることが、実際の採用速度を決定する最大の要因のひとつだと思います。
Ariel： 私たちが見ているのは、大型フォーマットの店舗から先に導入が進むという流れです。インベントリーロボットが影響するのは、全体の労働量から見ればまだ一部に過ぎません。小規模フォーマットの店舗への浸透には、さらに時間がかかるでしょう。ただ一つ確かなことは、AIによって知識労働が効率化され、自由になった時間を持つ消費者が、より豊かな体験を求めて店舗を訪れるようになるということです。小売業は体験の場としてますます重要になっていく。そのためにも、店舗内の運用品質を高めることへの投資は、採用速度に関わらず正当化されると思います。
7-3. SDGsへの貢献領域：精密農業・核融合エネルギー制御・栄養個別化・ディーセントワーク
Michael Osborne： ここで会場から質問が来ています。食品廃棄の削減以外に、今日お話しいただいたソリューションがSDGsにどのように貢献できるかを教えてください。
Cosmos： いくつかの目標を挙げられます。まず「飢餓ゼロ」です。AIはここで巨大なインパクトをもたらせます。センサー・ドローン・機械学習を組み合わせた精密農業によって、作物の収量を最適化し、水の使用量を削減することができます。次に「クリーンエネルギー」です。私のプレゼンテーションでも触れましたが、GoogleのDeepMindが開発した大規模機械学習モデルが核融合炉の制御に成功しました。もしこれが数年のうちに製品化されれば、ほぼ無限のエネルギーを手にできます。それは気候変動対策にも直結します。化石燃料への依存を根本から断ち切ることができるからです。
Diana Baicu： 「働きがいも経済成長も」という目標にも貢献できます。今日私たちが議論してきたように、仕事の性質は変化しており、人間はより創造的でマネジメント的な役割に移行していきます。これはディーセントワークの実現に直接つながります。テクノロジーが人間をより本質的な能力を発揮できる仕事へと押し上げる力は、経済成長の質そのものを変える可能性があります。
Myrna McGregor： 私が働くオンライン食料品の領域では、「すべての人に健康と福祉を」という目標に貢献できる機会があります。食の個別化・パーソナライゼーションは非常に可能性のある領域です。食の嗜好やアレルギー・栄養上の要件に基づいてサプリメントやレシピボックスを個別に提案する企業が登場しています。これはより健康的でパーソナライズされた食生活の実現につながり、ひいては医療コストの削減にも寄与します。
7-4. LLMが物理ロボットと統合される未来：大規模フリート管理・オンデバイス化の可能性と課題
Michael Osborne： 最後の議題として、大規模言語モデルが小売業や物流における雇用に与えるインパクトについて、会場から質問が来ています。ロボティクスの進歩とはまた異なる速度で進化しているLLMが、この領域にどう影響するかについて、皆さんのお考えを聞かせてください。
Cosmos： LLMについて語るとき、よく話題にされる「人間の知能の90%相当の能力」という数字だけが注目されますが、私はもうひとつの重要な特性に注目しています。LLMは同時に1億人のユーザーと1億通りの会話を並行して行えるという点です。これは人間には到底不可能なことです。LLMが物理ロボットと統合される方法には大きく二つあります。第一は、LLMが巨大なロボットフリートの統合管理者として機能するという形です。LLMが各ロボットに個別の指示を与え、状況に応じたガイダンスを提供する。これは店舗や倉庫の運用を根本から変える可能性があります。第二は、LLMをロボット自体の頭脳として搭載するという形です。現在すでにLLMはラップトップ上で動作するようになっており、近い将来スマートフォン上でも動くようになります。つまりすべてのロボットがLLMを内蔵した頭脳を持てるようになります。倉庫や店舗の現場で想定外の状況に遭遇したとき、人間の知能の90%相当の判断力を持つロボットが自律的に対処できるとしたら、その可能性は計り知れません。ただしこれを実現するためには、AI倫理スコアの整備を社会として真剣に進める必要があります。
Ariel： Cosmosの言う大規模フリート管理のビジョンには私も同意します。ただ一点強調したいのは、物理的なロボットにおけるエラーのコストは、テキスト上での会話でのエラーとはまったく次元が違うということです。会話の中でAIが間違いを犯しても、人間はすぐに気づいて修正できます。しかし物理的に顧客と接触するロボットや、倉庫内を走行する自律車両がエラーを起こした場合、そのコストは非常に大きくなり得ます。LLMの進化のペースを考えれば、時間の問題でその精度は十分なレベルに達するでしょう。しかし現時点では、フリート管理や物理的インタラクションにLLMを全面的に適用するには、まだ精度と信頼性の面で改善が必要だと考えています。技術の進歩には期待しつつも、実装には慎重さが求められます。
Michael Osborne： 今日は非常に豊かな議論ができました。ロボティクスにおける変化の速度と、LLMに代表されるデジタルAIの変化の速度が大きく異なること、そして採用速度は技術の進歩だけでなく、組織の準備状況や社会的な信頼形成にも大きく依存するということが、今日の議論の重要な気づきだったと思います。ロボティクスと手作業が求められるタスクについては、変化に適応するための時間が相対的にあります。しかしAIが影響を与えるデジタルの世界では、私たち全員がより機敏に対応できる能力を持つことが、これからの時代を生き抜く上で最も重要なスキルになるのではないでしょうか。本日ご参加いただいたすべての登壇者の皆さん、そして参加者の皆さんに心より感謝申し上げます。