レンゴーとUnityStep AI、製品置場の配置を実証　積み込み時間の短縮へ

ニュースの要点

レンゴーとUnityStep AIは2026年10月23日、レンゴー利根川事業所で、段ボール原紙の製品置場を見直す実証を開始したと発表しました。積み込み作業を効率化するため、出荷実績データから需要を予測し、数理最適化によって製品配置の案を作ります。現場で実際に運用し、トラックへの積み込み時間を短くできるかを確かめます。

レンゴーの現場知見と、UnityStep AIの需要予測・最適化技術を組み合わせ、ドライバーの負担軽減と、データに基づく配置の判断基準づくりを目指します。結果を踏まえて対象製品を広げ、将来は生産計画や配車との連動、他拠点への展開も検討する方針です。実証の期間、費用、目標短縮率、導入済みの効果は公表していません。

ニュース出典：UnityStep AI「UnityStep AIとレンゴー、出荷実績データを活用した製品置場の最適化に向けた実証を開始」（2026年10月23日）

イノベーション総研の考察

需要予測の精度ではなく、積み込みの仕事が変わるかを見る

発表が背景に置くのは、荷主側での荷待ち・荷役時間の短縮です。工場内で製品をどこに置くかは、工場の都合だけでなく、引き取りに来るトラックの作業にも影響します。今回は予測結果を画面に表示するだけではなく、実際の配置へ反映して効果を確かめる計画になっています。

予測技術の価値は、当たる割合だけでなく、その予測を使って作業がどれだけ変わるかで評価できます。

例えば、よく出荷される製品を取り出しやすい場所へ置く案が得られても、置き直す作業が多くなれば、全体の負担が減らない可能性があります。これは今回の現場で起きた問題ではなく、配置を変える実証で検討したい点です。積み込み時間だけを測り、その前段の作業が増えていないかを見落とすと、改善を過大評価するおそれがあります。

自社でAIを使う事業を考える担当者は、予測、配置案の作成、現場の実行、結果の測定を一つの流れにできます。まず、何の作業時間を短くしたいのか、誰の負担を減らしたいのかを定めることが重要です。予測精度が高くても現場で使えない案と、精度は同程度でも実行しやすい案を分けて評価できるようになります。

現場の制約を入れる作業が、共同開発の中心になる

両社は、レンゴーの現場知見とUnityStep AIの技術を組み合わせると説明しています。過去の出荷実績だけでは、置場の使い方や、実際に守るべき作業上の条件まで分からないためです。最適化の計算で良い結果が出ても、現場の判断を置き換えられるとは限りません。

実行できる配置案をつくるには、現場が守っている条件を計算へ反映する必要があります。

例えば、製品の取り扱い方、通路、設備との関係、例外的な出荷などは、自社の現場で確認すべき条件になり得ます。本稿は利根川事業所の個別の制約を把握しているわけではありません。重要なのは、計算に入っていない条件で案が使えなかった場合、その理由を残して次の案へ反映することです。

新規事業として外部へ提供するなら、データを受け取って計算する範囲と、現場の条件を整理する範囲を分けて見積もれます。共同開発先が変わるたびに聞き取りや修正が大きく増えるなら、その負担は事業の採算に関わります。現場知見を無償の前提にせず、誰が更新し、どこまでサービスとして引き受けるかを決めることが必要です。

他拠点への展開は、短縮率より運用条件の再現性が鍵になる

今回の発表は、他事業所への展開を今後の検討としています。一つの拠点で効果を確認してから広げる方針ですが、同じ会社の工場でも製品構成や設備、出荷の傾向は同じとは限りません。ある拠点の配置をそのままコピーすることと、配置を決める方法を使い回すことは別です。

横展開するのは配置の答えではなく、条件を集めて判断する手順です。

評価では、通常時だけでなく、出荷が集中する日や予測と実績がずれた日も分けて確認できます。平均時間が改善しても、一部の日の作業が大きく悪化するなら、現場では採用しにくい可能性があります。例外時に誰が配置を変更できるか、変更後の結果をどう学習や設定へ戻すかも、継続運用の検討点になります。

次に注目したいのは、比較条件をそろえた積み込み時間、置き直しなど周辺作業の負担、対象製品の拡大後の結果です。担当者の方が判断基準を設けるなら、積み込みと周辺作業の合計時間が改善し、安全や品質を維持できた場合に対象を広げる、といった条件を現場と合意できます。条件を満たさなければ配置案を修正し、それでも効果が出なければ拡大を保留する方法もあります。これは両社の公表済み基準ではなく、自社での検討例です。

今の発表から短縮効果を数値で断定することはできません。生産計画や配車との連動も構想段階であり、導入済み機能には数えません。未検証点を残したまま次の判断を設計することが、実証を事業へつなげるために重要です。

まとめ

今回の実証は、出荷予測を現場の製品配置へ反映し、積み込みの改善を確かめるものです。AIの精度、実行可能な案、周辺作業を含む効果、他拠点へ再現できる手順を分けて確認すると、自社の検証計画にも使いやすい事例になります。

関連記事：

実証の結果を事業判断へつなげる方法