返品の理由を分類する｜AI導入が失敗する順番と止め方

返品の理由を分類するのAI導入は、たいてい同じ順番で失敗します。失敗は突然起きるのではなく、段階を踏んで進みます。この記事では、起きる順に並べて、どこで止められるかを書きます。

順番が分かっていると、いま自分がどの段階にいるかが見えます。早い段階で止めるほど、傷は浅くて済みます。最後まで進んでしまうと、費用を払い続けたうえに「前もやったが駄目だった」という記憶だけが社内に残り、次の提案が通らなくなります。すでに導入が進んでいる場合も、どの段階まで来ているかを確かめてから読み進めてください。手前の段階に戻れることは、思っているより多いです。

この記事でわかること

• この業務でいちばん多い失敗
• 失敗が進む順番と、止められる地点
• 止めるための具体的な手順
• 失敗したあとの立て直し方

起きやすい失敗

この業務でいちばん多いのは、「その他」が半分を占め、何も分からない。という失敗です。

なぜ起きるか

AIの出力は、間違っていても自信のある形で出てきます。人は、迷いのない書き方をされると確かめる気が薄れます。精度が高い道具ほど、この失敗が起きやすくなります。9割合っていると、残りの1割を探す気がなくなるからです。

防ぎ方

先に人が100件を分類し、その分類を機械に真似させる。

防ぎ方を設計するときは、「全項目を同じ厚さで見る」をやめるのが要点です。全部を見ようとすると、時間が足りなくなって結局どれも薄くなります。項目ごとに精度を出し、誤ったときの影響が大きい項目だけを厚く見て、残りは抜き取りにする。この設計ができると、確認の時間が減ったうえで、いちばん危ない誤りは捕まえられます。

失敗が進む順番

次の順で進みます。早い段階で止めるほど、傷が浅くて済みます。

段階	起きること	ここで止める方法
1	目的が「AIを使うこと」になる	測る指標を先に決める。決められないなら着手しない
2	製品を機能の多さで選ぶ	置き換える範囲を先に決める。要らない機能は評価しない
3	カタログの精度で判断する	自社のデータで試す。試せない製品は候補から外す
4	全社に一度に配る	一部門で3ヶ月試す。数字が出てから広げる
5	確認の工程を省く	先に人が100件を分類し、その分類を機械に真似させる
6	誤りが後工程に流れる	誤りが見つかったら必ず原因を記録する。件数を数える
7	誰も使わなくなる	使っていない人に理由を聞く。使いにくさを直す

1段階目が最も重要

「AIを導入する」は目的になりません。同じ理由による返品の再発件数。この数字が改善するかどうかが目的です。指標が決められない業務は、そもそもAIを入れる準備ができていません。

5段階目で起きること

「その他」が半分を占め、何も分からない。これが起きるのは、精度が高いときです。9割合っていると残りの1割を探す気が薄れます。精度が上がるほど、確認は形骸化します。

先に人が100件を分類し、その分類を機械に真似させる。

よくある思い違い

精度が上がれば確認は要らなくなる

逆です。精度が上がるほど確認が形骸化し、まれな誤りが素通りします。精度に関わらず、確認する項目は決めておいてください。

担当者の意識が低いから使われない

使いにくいから使われないことのほうが多いです。使っていない人に理由を聞いてください。使っている人にだけ聞くと、この原因は見つかりません。

一度導入すれば終わり

物流のやり方が変われば、AIの設定も変わります。誰が面倒を見るかを決めていないと、半年で合わなくなります。

安い製品を選べば失敗しても損が小さい

損の大きさは製品費用ではなく、社内の時間で決まります。設定と検証にかけた時間は、安い製品でも同じだけかかります。

いま現場で起きていること

物流では、返品理由が自由記述でたまり、傾向が分からないまま同じ返品が続く。

この状態の何が問題か

問題は作業時間そのものではありません。この形だと、忙しいときほど品質が落ちることです。件数が増えれば確認が薄くなり、担当者が休めば止まります。人を増やしても、増えた人が同じやり方を覚えるまで効果が出ません。

もう一つ厄介なのは、この状態が「困っている」と認識されにくいことです。担当者は毎日それをこなしているので、それが当たり前になります。時間がかかっていること自体を問題として挙げる機会がなく、他部門からも見えません。実際に数えてみて初めて、月に何十時間も使っていたと分かることがよくあります。だからこそ、着手の最初にやるべきは製品探しではなく、いまかかっている時間を数えることです。

放置したときに起きること

• 担当者しかやり方を知らない状態が固定され、異動と退職のたびに品質が落ちる
• 件数が増えても人を増やすしかなく、費用が件数に比例して増え続ける
• 確認を省いた分だけ誤りが後工程に流れ、見つかるのが遅くなる

AIを入れると何が変わるか

理由が分類され、多い型が数で見える。

ここで大事なのは、作業が「なくなる」のではなく「形が変わる」という点です。手で作る作業が、出てきたものを見て確かめる作業に変わります。慣れるまでは、確かめる作業のほうが面倒に感じられます。前のやり方なら手が覚えていたのに、新しいやり方では毎回考えることになるからです。この期間を織り込まずに評価すると、必ず「前のほうが速かった」という結論になります。

ここで使うのは生成AI

文章を書く・要約する・分類する。事実の正しさは保証されないので、確かめる工程が要る。

この道具ができること・気をつける点

	内容
得意	文章を書く・要約する・分類する。
気をつける点	事実の正しさは保証されないので、確かめる工程が要る。
任せ方	出力の誤りが業務を止めない。間違っていても気づける形で使える。

任せてよい範囲

この業務は任せてよい範囲が広いに当たります。出力の誤りが業務を止めない。間違っていても気づける形で使える。

この線引きは、精度の高さで決めるものではありません。誤ったときに何が起きるかで決めます。精度が99%でも、誤りが支払や外部への通知につながるなら人が全件を見る必要がありますし、逆に精度が80%でも、誤りがその場で気づける形なら任せて構いません。製品を選ぶ前に、この線をどこに引くかを決めておいてください。線が決まっていないと、確認の設計ができず、運用の重さも見積もれません。

失敗したあとの立て直し

1. 何が起きたかを記録する。誰が悪かったかではなく、どの段階で止められたかを書く
2. 指標を見直す。測っていた数字が業務と合っていたかを確かめる
3. 範囲を狭めて再開する。全部やめるのではなく、いちばん効いた部分だけ残す
4. 次に提案するときは数字を持つ。失敗した理由と、今回どこを変えるかを書く

効果をどう測るか

測る指標を先に決めないと、導入後に「効果があったか」を聞かれて答えられません。この業務なら同じ理由による返品の再発件数。

導入前に控えておく数字

1. 上の指標を、導入前の1ヶ月ぶん記録する（比べる相手が無いと効果が出せない）
2. 件数の波を控える（月末に集中するのか、通年で平らなのか）
3. いま何人が何時間かけているかを、推測ではなく実測で控える

数字は誰が記録するか

毎月記録する担当を決めてください。誰の仕事でもない状態にすると、3ヶ月で止まります。止まると、効果があったのか無かったのかを誰も言えなくなり、次に契約を見直すときの材料がありません。記録は複雑にしないでください。月に一度、数字を1行足すだけで十分です。凝った集計を作ると、作った人が異動した時点で止まります。

測るときに間違えやすいこと

• 導入直後に測らない。慣れるまでは前より遅くなるのが普通で、そこで打ち切ると必ず「効果なし」になる
• 件数だけを見ない。処理件数が増えても、確認が薄くなっていれば改善ではない
• 平均だけを見ない。いちばん時間がかかった案件がどうなったかを一緒に見る

段階ごとの詳しい話

1段階目：目的がAIを使うことになる

「AIで何かできないか」から始まると、必ずここで詰まります。先にあるのは業務の困りごとで、AIは手段です。同じ理由による返品の再発件数。この数字が言えないなら、まだ着手しないでください。

2段階目：機能の多さで選ぶ

機能が多い製品は、設定も運用も重くなります。使わない機能ぶんの費用も払います。置き換える範囲を先に決めていれば、要らない機能を評価せずに済みます。

3段階目：カタログの精度で判断する

カタログの数字は、その製品がいちばん得意な条件での値です。生成AIは特に、対象データの質で結果が大きく変わります。自社のデータで試させてもらえない製品は、候補から外して構いません。

4段階目：全社に一度に配る

全社導入から始めると、失敗したときに次の提案が通りません。一部門で3ヶ月試して数字を持てば、広げる説得が要らなくなります。

5段階目：確認の工程を省く

「その他」が半分を占め、何も分からない。

先に人が100件を分類し、その分類を機械に真似させる。

6段階目：誤りが後工程に流れる

ここまで来ると、AIのせいなのか元々あった誤りなのかが分からなくなります。誤りが見つかったら、必ず原因を記録して件数を数えてください。数えていないと、AIを止めるべきかどうかも判断できません。

7段階目：誰も使わなくなる

最後は静かに終わります。費用だけが払われ続け、次に同じ提案が出たときに「前もやったが駄目だった」と言われます。止めるなら、契約を解約するところまでやってください。

失敗の兆しを早く見つける

失敗はある日突然起きるのではありません。手前に必ず兆しが出ます。

兆し	何が起きているか	すること
確認にかかる時間が減り続けている	確認が形骸化しつつある	抜き取りで、確認後の誤りを数える
例外の件数が報告されなくなった	報告せず手で処理している	担当者に、報告していない例外を聞く
特定の人だけが使っている	使いにくさがあって広がっていない	使っていない人に理由を聞く
設定を半年以上変えていない	業務の変化に追従できていない	業務のやり方が変わっていないか確かめる
問い合わせの返事が遅くなった	業者側の体制が変わった可能性	契約更新の前に、対応体制を確かめる

数える仕組みを先に作る

兆しは、数えていないと見えません。同じ理由による返品の再発件数を毎月記録する担当を決めてください。誰の仕事でもないと、3ヶ月で止まります。

報告しやすくする

例外や誤りを報告した人を責めると、次から報告されなくなります。報告された誤りの件数が増えるのは、最初は良い兆候です。見えていなかったものが見えるようになった、ということだからです。

この業務で特に注意すること

物流の返品の理由を分類するでは、次の点が特に問題になりやすいです。

元データの質

生成AIは、渡されたものをもとに動きます。元のデータが汚れていると、汚れたまま増幅されます。導入前に、いまのデータを一度点検してください。表記のゆれ、重複、古い記録。ここを直さずに入れると、精度が出ない原因が分からなくなります。

例外がどれくらいあるか

返品理由が自由記述でたまり、傾向が分からないまま同じ返品が続くという作業のうち、何割が「いつもと違う」案件かを数えてください。例外が3割を超えるなら、自動化の効果は限られます。まず例外を減らす取り組みのほうが効くことがあります。

止まったときにどうするか

サービスが止まる日は必ず来ます。止まったときに手作業へ戻せるか、戻すのに誰が何をするかを決めておいてください。手作業のやり方を全員が忘れてしまうと、止まった日に業務が止まります。

うまくいかないときに何を疑うか

「AIが使えない」で片付けると、次も同じことが起きます。原因は次のどれかであることがほとんどです。

症状	疑うこと	確かめ方
精度が出ない	元データの質。対象範囲が広すぎる	例外を除いた案件だけで精度を測り直す
確認に時間がかかる	確認する項目が多すぎる	項目ごとの精度を出し、高い項目の確認を外す
例外が多い	対象の絞り方が粗い	例外の傾向を分類し、除外条件を作る
使われない	使いにくい。場面が来ていない	使っていない人に理由を聞く
効果が数字に出ない	測っている指標が業務と合っていない	担当者に「何が楽になったか」を聞き、指標を選び直す

元データを疑うのが先

生成AIの精度が出ないとき、製品を替える前に元データを見てください。汚れたデータからは、どの製品でも良い結果は出ません。表記のゆれを直すだけで精度が変わることがあります。

範囲を狭めると解決することが多い

「全部やろう」とすると精度が下がります。いちばん件数が多くて、いちばん形の揃った案件だけに絞ってください。そこで結果が出てから、少しずつ広げます。

指標が合っていないこともある

測っている数字が改善していなくても、現場が楽になっていることがあります。逆もあります。数字と現場の実感が食い違ったら、数字のほうを疑ってください。同じ理由による返品の再発件数が本当にこの業務の要点かを、担当者に確かめてください。

記録を残す

失敗も成功も、記録がなければ次に活きません。誰が悪かったかではなく、どこで止められたかを書いてください。

残すもの

• いつ何を決めたか（範囲・指標・製品・期間）
• 試用で測った数字（項目ごとの精度、確認にかかった時間）
• 3社の見積もりと、選んだ理由
• 導入後の指標の推移（月ごと）
• 起きた問題と、そのとき何を変えたか

記録の置き場所

個人のフォルダに置かないでください。担当者が異動したら消えます。部門で共有する場所に置き、次に触る人が読める形にしてください。

次に提案するときに使う

前回うまくいかなかった提案でも、「前回はここで止まった。今回はここを変える」と書けば通ります。記録が無いと、この書き方ができません。

成功も記録する

うまくいったときこそ、何が効いたかを書いてください。成功の理由を書いていないと、他の業務に広げられません。「なんとなくうまくいった」は、二度目がありません。

精度をどう考えるか

「精度95%」という数字を、そのまま信じないでください。何を分母にした95%かで、意味がまったく変わります。

分母の違い

言い方	意味	判断に使えるか
文字単位で95%	100文字中5文字が違う	1項目に1つは誤りがある。使えない
項目単位で95%	20項目に1つが違う	確認する項目を決める材料になる
書類単位で95%	20枚に1枚は誤りを含む	実務に近い。これを聞く

聞くべきは書類単位です。返品の理由を分類するで扱う1件が丸ごと正しかった割合を出してもらってください。

精度が高くても安心できない場合

誤ったときの影響が大きい項目があるなら、精度が99%でも人が全件見る必要があります。「その他」が半分を占め、何も分からないという失敗は、まさにそこで起きます。精度ではなく、誤ったときの被害の大きさで確認の厚さを決めてください。

精度が上がらないときに見るところ

1. 元データの形式がそろっているか（そろっていないなら、そろえるほうが速い）
2. 対象範囲が広すぎないか（狭めると上がる）
3. 例外を含めて測っていないか（例外を除いて測り直す）
4. 自社特有の用語を登録できるか（登録で上がることが多い）

100%にはならない

どの製品を選んでも100%にはなりません。100%を前提にした運用を設計しないでください。誤りが出る前提で、どこで気づくかを決めてください。

AIに任せてはいけない部分

返品の理由を分類するの中にも、任せてよい部分と、任せてはいけない部分があります。

任せてはいけないものの見分け方

• 誤ると取り返しがつかない（支払、契約、外部への通知）
• 法や規則で人の判断が求められている
• 相手との関係に影響する（謝罪、条件の提示）
• 前例のない場面（学習した範囲の外）

この業務は任せてよい範囲が広いに当たります。出力の誤りが業務を止めない。間違っていても気づける形で使える。

材料を出すのと決めるのは別

AIに材料を並べさせるのは問題ありません。問題は、並べられた材料をそのまま決定として使うことです。「候補」と「決定」を画面上でも分けてください。同じ見た目だと、人は候補を決定として扱います。

責任の所在は変わらない

AIが出したから、という説明は社外に通用しません。使うと決めた人が結果に責任を持ちます。この点を、使う人全員が理解しているかを確かめてください。

任せる範囲を書き残す

「ここまではAI、ここからは人」という線を、文書にしてください。口頭で共有された線は、忙しくなると動きます。先に人が100件を分類し、その分類を機械に真似させる

つまずいたところから立て直す

うまくいかなかったとき、全部やめるか続けるかの二択にしないでください。たいていは、範囲か確認の設計を変えれば直ります。

まず範囲を狭める

精度が出ない、例外が多い、確認に時間がかかる。これらの症状のほとんどは、対象範囲が広すぎることが原因です。製品を替える前に、いちばん件数が多くて形のそろった案件だけに絞って測り直してください。それで精度が出るなら、製品の問題ではありません。狭い範囲で回してから、条件を1つずつ緩めて広げます。複数の条件を同時に緩めると、精度が落ちたときにどれが原因か分からなくなります。

次に確認の設計を変える

確認に時間がかかりすぎる場合は、全項目を同じ厚さで見ています。項目ごとに精度を出して、高い項目の確認を外してください。先に人が100件を分類し、その分類を機械に真似させるここだけを厚く見て、他は抜き取りにする。この設計ができると、確認の時間が大きく減ります。全体の精度だけを見ていると、この設計に辿り着けません。

元データを直す

生成AIは、渡されたものをもとに動きます。表記のゆれ、重複した記録、更新されていない古い情報。これらは全部そのまま結果に出ますし、場合によっては増幅されます。精度が出ないときは、製品を疑う前に元データを見てください。表記をそろえるだけで精度が変わることは珍しくありません。この作業は地味ですが、どの製品に替えても必要になるので、やっておいて損はありません。

止めるときは止める

3ヶ月やって指標が改善せず、範囲も確認も元データも見直したなら、止めてください。惰性で続けるのがいちばん高くつきます。費用を払い続けるだけでなく、次に同じ提案が出たときに「前もやったが駄目だった」と言われる材料になります。止めるときは契約の解約まで済ませ、何が原因だったかを記録してください。記録があれば、次は同じところに来る前に手を打てます。

記録は責任追及に使わない

失敗の記録を人の評価に使うと、次から報告されなくなります。記録するのは「どの段階で止められたか」であって、「誰が悪かったか」ではありません。この扱いを最初に宣言しておくと、現場が正直に報告してくれます。隠されるほうが、被害はずっと大きくなります。

いちばん多い失敗を一言で言うと

返品の理由を分類するのAI導入で最も多い失敗は、技術の問題ではありません。始める前の準備を飛ばしたことが、あとから全部の症状として出てくるのです。件数を数えていないから料金の型を誤り、範囲を決めていないから精度が出ず、指標を決めていないから効果を説明できない。導入後に起きる問題のほとんどは、着手の最初の1週間でやるべきだったことの先送りです。

いま進行中なら、戻れる

すでに導入していて、うまくいっていない場合も、手前の段階に戻れます。いまからでも、件数を数えて範囲を狭めることはできます。製品を替える前に、まず範囲を狭めて測り直してください。それで精度が出るなら、製品ではなく使い方の問題だったということです。替えても同じことが起きるので、替える前に確かめる価値があります。

同じ物流・在庫の業務

物流・在庫では、次のような業務でもAIが使われています。まとめて考えると、道具を共通にできることがあります。

業務ごとに別々の製品を入れると、契約も管理も記録もばらばらになります。同じ部門の中で似た技術を使う業務があるなら、まとめて1つの製品でまかなえないかを先に確かめてください。まとめられれば、費用が下がるだけでなく、覚えることも1つで済みます。逆に、無理にまとめようとして、どの業務にも中途半端な製品を選んでしまうこともあります。判断の基準は「置き換えたい部分の作業が同じ形かどうか」です。形が違うなら、別々に選んだほうが結果的に安くつきます。

業務	使う技術	任せ方
<a href=”/gyomu-76-dounyu/”>配送ルートを組む</a>	最適化AI	人が判断する
<a href=”/gyomu-77-dounyu/”>倉庫の入出庫を読み取る</a>	AI-OCR	確かめてから使う
<a href=”/gyomu-78-dounyu/”>需要を予測して発注する</a>	需要予測AI	人が判断する
<a href=”/gyomu-79-dounyu/”>棚卸しの差異原因を探す</a>	生成AI	確かめてから使う
<a href=”/gyomu-80-dounyu/”>積み付けを計画する</a>	最適化AI	人が判断する
<a href=”/gyomu-81-dounyu/”>置き配の可否を判定する</a>	画像認識AI	人が判断する

物流・在庫の一覧を見る

よくある質問

そもそも自社の規模でも効果が出ますか

会社の大きさではなく件数で決まります。同じ理由による返品の再発件数を1ヶ月ぶん数えてみてください。月に数件しかないなら、設定と確認の手間のほうが大きくなるので、人がやったほうが速いことが多いです。逆に、担当者が毎日触っている業務なら、会社の規模に関係なく効きます。判断の目安は「担当者がこの作業に週5時間以上使っているか」です。それを下回るなら、いまは見送って、件数が増えたときにもう一度考えてください。

担当者の仕事がなくなりませんか

この業務でAIが置き換えるのは、返品理由が自由記述でたまり、傾向が分からないまま同じ返品が続くという部分です。判断と例外処理は残りますし、出力を確かめる作業が新しく増えます。実際には、手を動かす時間が減って、確認と改善に回る時間が増えるという形になります。ただし、この説明を先にしておかないと、現場は身構えます。導入を伝えるときは、機能ではなく「あなたの1日がどう変わるか」から話してください。

失敗したときに元に戻せますか

戻せる形で始めてください。既存のやり方を止めずに並行で動かし、指標が改善してから切り替えます。いきなり切り替えると、戻す判断そのものができなくなります。並行で動かす期間は手間が二重になりますが、その期間があるからこそ、精度も確認の時間も実測できます。「3ヶ月試して合わなければ止める」と先に宣言しておくと、現場の抵抗も小さくなります。

どのくらいの期間で効果が出ますか

慣れるまでに1〜2ヶ月、効果が数字に出るまでにさらに1ヶ月ほどを見てください。最初の数週間は、前のやり方より遅くなるのが普通です。手が覚えていた作業を、毎回考えながらやることになるからです。3ヶ月未満で判断すると、この学習期間をそのまま「効果なし」と読み違えます。判断の時期を導入前に決めて、それまでは途中経過で騒がないと決めておいてください。

社内の反対をどう説得すればよいですか

説得より先に、数字を出してください。いまこの業務に月何時間かかっているかを実測し、3社の見積もりを並べ、3年の総額を出す。この3つがそろっていれば、反対の理由が「なんとなく不安」から具体的な論点に変わります。そのうえで、「一部門で3ヶ月試して、数字が出なければ止める」という形にしてください。取り返しがつくと分かれば、反対は大きく減ります。

どの部署が主導すべきですか

物流が主導するのが基本です。業務を分かっている人でないと、置き換える範囲を決められないからです。情報システムは接続と権限を、経理は費用の妥当性を見る役割で入ってもらってください。情報システムが主導すると、業務の実態と合わない範囲が選ばれやすくなります。逆に業務部門だけで進めると、接続とセキュリティで後戻りします。

他社の失敗事例はどこで聞けますか

製品の営業に「導入をやめた会社はどんな理由でしたか」と聞いてください。答えられない営業は、導入後の面倒も見られません。

まとめ

• 目的を「AIを使うこと」にしない。指標を先に決める
• 自社のデータで試す。カタログの精度で判断しない
• 精度が上がるほど確認は形骸化する。項目を決めて残す
• 失敗したらどの段階で止められたかを記録する

この業務は任せてよい範囲が広いに当たります。出力の誤りが業務を止めない。間違っていても気づける形で使える。

最後にもう一度だけ書いておきます。いちばん多い失敗は、道具の選び方ではなく、始める前の準備を飛ばすことです。いまの件数を数える、置き換える範囲を決める、測る指標を決める。この3つが済んでいれば、製品選びで大きく外すことはありません。逆に、この3つを飛ばして製品から入ると、どれだけ良い製品を選んでも「効果があったのか分からない」で終わります。