- 人件費削減だけで物流フィジカルAIのROIを計算していませんか？
- 1．FedExは2026年2月、最も過酷な「トレーラーの荷降ろし」に特化したフィジカルAI「Scoop」を発表
- 2．Scoopの特徴は「1箱ずつつかむ」ことより「荷物の流れを止めない」こと
- 3．Berkshire Greyが掲げる「稼働率99％超」「1人で最大5台運用」という経済性
- 4．100％の完全自動化を目指さない。例外対応は人間が担当する
- 5．2026年10月、Berkshire GreyはScoopのAI認識技術をさらに高度化
- 6．FedExは自社だけでロボットを開発せず、Berkshire Greyとの長期協業を選んだ
- 7．FedExとBerkshire Greyの事例から見えてくる、フィジカルAIのROIを高める5つの打ち手
- 12月2日、日刊工業新聞社のセミナーで海外の実装事例を詳しく解説します
人件費削減だけで物流フィジカルAIのROIを計算していませんか？
日本の物流倉庫でフィジカルAIの導入を検討する際、最初に問われるのは「ロボットを導入すると、何人の作業員を減らせるのか？」という問題ではないでしょうか。
例えば、1億円のロボットシステムを導入する場合、何人分の人件費が削減でき、何年間で投資を回収できるのか。こうした計算によって導入の可否を判断します。
しかし、私が欧米の物流倉庫におけるフィジカルAIの実装事例を調査していて気づいたのは、人件費削減だけをROIの効果として計算すると、フィジカルAIが生み出す経済的な価値の相当部分を見落としてしまうということです。
物流倉庫には、作業員の給与以外にも、さまざまな形の経済的損失が存在しています。
- 歩行・探索のムダ：作業員が商品を取りに歩いたり、保管場所を探したりする時間。
- 手待ちのムダ：棚の到着を待つ作業員、前工程の遅れによって停止するコンベヤーやロボット、出荷を待つトラックなど。
- 荷崩れ・商品破損の損失：再梱包、返品、損害補償、作業のやり直しなど。
- 欠品・在庫差異の損失：誤出荷、在庫情報の不一致、販売機会の喪失など。
- 労災・過酷作業の損失：作業員の負傷、欠勤、離職、採用・補充にかかる費用など。
- 教育期間の損失：新人や派遣社員が十分な生産性に達するまでの時間と教育負担。
- 繁忙期の追加費用：年末商戦などの需要増加に対応する派遣、残業、外部委託の割増費用。
- 保管スペースのムダ：保管密度の低さによって発生する増床、外部倉庫、追加輸送などの費用。
日本にも、トヨタ生産方式をはじめとする優れたムダ取りの考え方があります。これらの損失自体は、日本企業にとって未知のものではありません。
しかし、これらの損失を体系的に金額換算し、フィジカルAI導入による経済効果として評価することには、まだ大きな改善の余地があると私は考えています。
例えば、トラックからの荷降ろし時間が短縮され、荷物を待つコンベヤーや仕分け設備の停止時間が減ったとします。
その結果、同じ設備と人数でより多くの荷物を処理できるようになれば、追加的な経済効果が生まれる可能性があります。
トラックバースの占有時間が短くなれば、バースの増設を回避できるかもしれません。
また、コンテナやトレーラー内での重量物の荷降ろしをロボットに任せることによって、作業員の身体的負担や労災リスクの低減にもつながります。
重要なのは、人件費削減だけではなく、従来の倉庫運営で発生していた回避可能な損失を、ROIの分子に加えることです。
もちろん、作業時間の短縮や安全性の改善を、すべてそのまま金銭的利益として計上できるわけではありません。実際に削減できる費用、追加的な利益、回避できる投資額を区別し、二重計上を避ける必要があります。
この視点を持って、米物流大手FedExとBerkshire Greyが共同開発したフィジカルAI「Scoop」を調べると、非常に興味深いことがわかります。
■ 第2部［荷降ろし・荷積み］：Boston Dynamics「Stretch」（Otto/Hermes）、FedEx関連（Berkshire Grey Scoop、Dexterity）の過酷作業代替ROI
■ 第3部［混在ピッキング］：Amazon「Vulcan」（触覚センサー）、Ocado OGRP、欧州Sereact（ゼロショット・返品処理）に見るカバー率向上策
■ 第4部［搬送・群制御×3PL］：GXO×Exotec Skypod、GXO×NVIDIA AIフォーク、Amazon Proteus＋DeepFleetと、既存建屋に適合するRaaS展開
■ 第6部＆締め［日本への持ち込み接点］：GXO×Digitの限定工程RaaSと、Agility・Exotec・Sereact・GXO・NVIDIA等の窓口整理、WMS連携・安全基準など日本側の準備条件
2. Capexを小さくする：複数年RaaS、デジタルツイン先行検証、段階的GTP導入と技術外販モデルの活用
3. 1台の知能より「群と同期」で稼働率向上：DeepFleet（移動時間10%減）、グリッド稼働吸収、日立LogiRiSMのGTP/OTP同期による設備規模抑制
4. 人件費以外の損失を分子に入れる：歩行・探索、労災、教育短縮、保管密度、ピーク外注の算入（※初年度ROIがマイナスになり得る点も正直に検証）
5. 横展開と職の再設計で2拠点目から回収加速：拠点複製モデル（Walmart×Symbotic等）と現場職種の再設計・人材投資
1．FedExは2026年2月、最も過酷な「トレーラーの荷降ろし」に特化したフィジカルAI「Scoop」を発表
2026年2月3日、世界的な物流企業FedExは、米Berkshire Greyと共同開発した新しいフィジカルAIロボット「Scoop」を発表しました。
Berkshire Greyは、ソフトバンクグループ傘下のロボティクス企業です。物流倉庫における商品のピッキング、仕分け、梱包、搬送などの自動化技術を開発しています。
FedExがScoopの開発で着目したのは、物流施設の中でも特に自動化が難しかったトレーラーからの荷降ろし工程です。
FedExのような宅配・小口貨物事業者の物流拠点には、多数のトラックが到着し、大小さまざまな荷物が入ってきます。
しかも、トレーラー内部の荷物は、必ずしも整然と積まれているわけではありません。
大小の段ボール箱が不規則に積み重なり、途中で荷崩れを起こしたり、床に荷物が散乱したりすることもあります。
段ボール箱だけでなく、ポリバッグと呼ばれる袋状の荷物や、柔らかい包装材に包まれた商品も混在しています。
こうした不規則な積み荷を、作業員はトレーラー内部から一つずつ取り出し、コンベヤーに載せていきます。
これは、単調でありながら身体的負担が大きく、しかも予期しない状況への対応を求められる作業です。
FedExは、この荷降ろし工程を自動化するため、Berkshire Greyと複数年にわたって共同開発を進めました。
その成果がScoopです。
2026年2月の発表時点では、FedExの施設でパイロット導入が進んでおり、同年中に最初の商用運用システムを稼働させる計画が示されていました。
ここで私が注目したのは、FedExが物流拠点のすべての作業を自動化しようとしているわけではないことです。
まず、最も過酷で、作業負担が大きく、物流センター全体の処理能力を制約しやすい荷降ろし工程に、フィジカルAIを集中投入しているのです。
これは、フィジカルAIのROIを高めるうえで非常に重要な考え方だと思います。
出典：FedEx、2026年2月3日発表
2．Scoopの特徴は「1箱ずつつかむ」ことより「荷物の流れを止めない」こと
Scoopには、非常に興味深い技術的特徴があります。
従来型のロボットによる荷降ろしでは、カメラなどで一つの箱を認識し、ロボットアームでつかみ、コンベヤーへ移すという作業を繰り返す方式が一般的でした。
しかし、トレーラーの中には、形状も大きさも異なる荷物が大量に積み重なっています。
一つずつ慎重に荷物を処理する方法では、ロボットの認識時間や把持動作が積み重なり、倉庫が必要とする荷降ろし速度を確保できないことがあります。
そこでBerkshire Greyが採用したのが、複数の荷物をまとめて取り扱う「Bulk Handling」というアプローチです。
Scoopは、AIによって荷物の形状や配置を認識し、ロボットによる選択的な把持と、コンベヤーを使った取り込みを組み合わせます。
規則正しく積まれた荷物だけでなく、積み荷の壁が崩れた状態や、床に散乱した荷物、袋状の荷物など、さまざまな状況への対応を想定しています。
重要なのは、ロボットが単に一つの箱を速くつかむことではありません。
トレーラーの内部から搬送コンベヤーへ、荷物をできるだけ連続的に流し続けることです。
Berkshire Greyは、この考え方を「Continuous Flow」として強調しています。
なぜ、この発想が重要なのでしょうか。
それは、荷降ろし工程が、倉庫全体の処理能力を決定するボトルネックになり得るからです。
例えば、高速な仕分け設備を導入していても、トレーラーから荷物が供給されなければ、仕分け設備は待機することになります。
反対に、荷物が短時間に大量に流入しても、搬送コンベヤーや仕分け設備の処理能力を超えれば、今度は荷物の滞留が発生します。
つまり、倉庫全体の生産性を高めるためには、荷降ろし工程と後続工程を同期させることが重要なのです。
フィジカルAIの経済的価値は、ロボット1台の最大処理速度だけでなく、倉庫全体の手待ち時間と滞留時間をどれだけ減らせるかによって決まります。
Scoopが荷物の連続的な流れを重視していることは、こうした物流倉庫全体のROI改善という観点から理解できます。
出典：Berkshire Grey、2026年2月3日発表
3．Berkshire Greyが掲げる「稼働率99％超」「1人で最大5台運用」という経済性
さらに注目したいのが、Berkshire GreyがScoopの製品資料で示している運用性能です。
同社は、Scoopによって達成可能な運用水準として、次の3項目を掲げています。
第1に、人間による荷降ろしと同等以上の安定した処理能力です。
Scoopは、複数荷物の一括処理によって、手作業と同等以上の荷降ろし能力を確保することを目指しています。
第2に、99％を超える高い稼働率です。
ロボットは、作業速度が速いだけでは十分ではありません。
故障やトラブルで頻繁に停止してしまえば、その間は人間が代わりに荷降ろしをしなければならず、かえって運用負担が増えてしまいます。
高い稼働率を維持することは、物流倉庫の投資回収を考えるうえで極めて重要です。
第3に、オペレーター1人で最大5台のScoopを管理する運用モデルです。
これは特に重要な数字です。
人間がトレーラー内で直接荷物を持ち上げるのではなく、複数のロボットを管理し、必要な場合だけ例外対応を担当するという仕組みです。
仮に、1人が複数台を安定的に管理できれば、作業員1人当たりの処理能力を高めることができます。
ただし、ここで注意したいことがあります。
これらの数字はBerkshire Greyが製品ページで示す達成可能な運用水準であり、FedExの実際の拠点において、99％超の稼働率や1人5台の運用を達成したと確認できる公表実績ではありません。
今後、商用稼働が拡大した段階で、実際の稼働率、処理個数、介入頻度、保守費用などを確認する必要があります。
それでも、この設計目標は、フィジカルAIの経済合理性を考えるうえで重要です。
人間が直接荷物を扱う時間を減らし、ロボットの監視と例外対応に仕事を移すことで、一人当たりの生産性を高めようとしているのです。
これは単なる人員削減ではなく、現場の人間の役割を変え、同じ人数でより多くの荷物を処理できる体制を作るという考え方です。
出典：Berkshire Grey「Scoop Trailer Unloader」
4．100％の完全自動化を目指さない。例外対応は人間が担当する
Scoopには、もう一つ重要な特徴があります。
それは、ロボットが対応できない例外的な状況に、人間が介入できるよう設計されていることです。
Scoopは、さまざまな荷物の形状や積み方に対応できるよう開発されています。
しかし、あらゆる荷物を、あらゆる状況で、完全に自律処理できることが商用運用で証明されたわけではありません。
搬送できない荷物や特殊な包装、不規則な積載状況など、ロボットだけでは処理が難しい場合には、人間が介入する必要があります。
Berkshire Greyは、Scoopについて、高度な自律運転と人間による例外対応を組み合わせる運用を想定しています。
ここに、フィジカルAIのROIを高めるための重要な考え方があります。
ロボットにあらゆる例外を自律的に処理させようとすると、センサー、ロボットアーム、制御AIなどの開発費用が膨らむ可能性があります。
一方、自動化できる作業を中心にロボットを投入し、例外的な作業を人間に任せれば、開発費用と運用上の柔軟性のバランスを取ることができます。
私はこれを、フィジカルAI導入における非常に重要な「割り切り」だと考えています。
最初から100％の自動化を目指さず、効果の大きな6〜8割程度の作業を先に自動化し、残りを人間が担当するという方法も考えられます。
これは一般的な導入戦略の例であり、FedExのScoopが実際に6〜8割の作業だけを自動化しているという意味ではありません。
Scoop自身は、できるだけ幅広い種類の荷物に対応することを目指しています。
重要なのは、完全自動化に固執するのではなく、必要な場面で人間が介入できるシステムを構築することです。
ロボットと人間の役割を適切に分担することによって、開発費用を抑えながら、実用化を早められる可能性があります。
5．2026年10月、Berkshire GreyはScoopのAI認識技術をさらに高度化
さらに2026年10月29日、Berkshire Greyは新たな発表を行いました。
同社の統合AIソフトウェア基盤「BG Pilot」の機能を拡張し、Scoopを含む物流ロボット製品群の認識能力や運用制御を高度化するという内容です。
Scoopに関連する重要な進歩は、複数の認識モデルを活用する「Multiheaded AI Model」です。
このAIは、カメラ映像や3Dデータをリアルタイムに処理し、トレーラー内部の壁面、荷物の位置、障害物、そして人間による対応が必要な状況を検出します。
物流倉庫の荷降ろしでは、荷物が常に整然と積まれているわけではありません。
途中で荷崩れが起きたり、予想外の形状の荷物が現れたりします。
そのような状況をAIが正確に認識し、次にどのような動作を取るべきかを判断する能力が重要になります。
Berkshire Greyは、長年にわたる物流倉庫のロボット運用から蓄積した大量の実データを、こうしたAI技術の開発に活用していると説明しています。
ここで注目すべきなのは、フィジカルAIが、単独のロボット製品として完成するものではないという点です。
実際の物流現場で稼働し、例外的な荷物や予期しない状況に遭遇し、その経験をAIの改善へつなげることによって、システムの実用性を高めていくことができます。
こうした学習と改善を複数拠点で共有できれば、2拠点目、3拠点目への展開で、初号機と同じ開発・調整を繰り返す必要が少なくなります。
フィジカルAIのROIを高めるうえでは、個々のロボットの性能だけでなく、運用データを共有し、複数拠点に展開できるソフトウェア基盤も重要なのです。
出典：Berkshire Grey、2026年10月29日発表
6．FedExは自社だけでロボットを開発せず、Berkshire Greyとの長期協業を選んだ
FedExとBerkshire Greyの協業は、Scoopの開発から始まったわけではありません。
2021年、FedExはBerkshire Greyのロボット仕分けシステム「RPSi」を導入しました。
RPSiは、配送拠点に到着した小型の荷物をロボットが取り出し、識別して仕分けるシステムです。
そして2022年、両社は関係を拡大し、新たな物流ロボット技術を共同開発することで合意しました。
この長期的な協業から生まれた新しい技術の一つがScoopです。
ここにも、フィジカルAI導入のROIを考えるうえで重要な示唆があります。
FedExは、すべてのロボット技術を自社だけで開発するのではなく、物流現場を熟知した自社のエンジニアと、ロボティクスを専門とするBerkshire Greyの技術者を組み合わせています。
物流企業が持っているのは、日々の膨大な荷物を処理する現場の知識です。
一方、ロボティクス企業が持っているのは、AI、センサー、ロボットアーム、制御システムなどの開発技術です。
この両者が協力すれば、物流現場の問題に合わせた専用ロボットを設計できます。
実際、Scoopは一般的なロボットアームをそのまま使うことを目的としていません。
トレーラー内部の不規則な荷物を連続的に取り出すという、非常に具体的な作業課題を解決するために設計されています。
つまり、ロボットの機体から考えるのではなく、物流現場の課題から考え、その課題に適したロボットを開発するという発想です。
この点も、日本の物流企業や物流ロボットメーカー、システムインテグレーターにとって、大いに参考になると思います。
出典：FedEx／Berkshire Grey、2022年8月2日発表
7．FedExとBerkshire Greyの事例から見えてくる、フィジカルAIのROIを高める5つの打ち手
ここまで紹介したFedExとBerkshire GreyのScoopには、物流フィジカルAIのROIを高めるための重要な原則があります。
第1の打ち手：自動化する工程を絞り込むことです。
全工程の100％自動化を目指すのではなく、効果の高い工程からロボットを導入します。FedExは、物流倉庫の中でも身体的負担が大きく、処理能力を制約しやすいトレーラーの荷降ろし工程に着目しています。
第2の打ち手：初期投資をできるだけ小さくすることです。
既存の建屋や搬送設備を活用し、必要な工程だけにフィジカルAIを導入します。Scoopは既存のトラックバースやコンベヤーに組み込めるよう設計されており、倉庫全体の大規模な改造を避けられる場合があります。実際の導入では、設備接続や安全対策などの費用を含めて評価する必要があります。
第3の打ち手：ロボット単体ではなく、倉庫全体の稼働率を高めることです。
荷降ろしと後続の搬送・仕分け工程を同期させ、荷物の流れを安定させます。Scoopが重視するContinuous Flowという発想は、倉庫全体の手待ちや滞留を減らすうえで重要です。
第4の打ち手：人件費以外の損失をROIの効果に加えることです。
トレーラー内の過酷作業、労災リスク、繁忙期の追加人員、トラックバースの待ち時間、荷物の滞留、設備の停止などを金額で評価します。FedExの事例では特に、身体的負担の軽減と、入荷工程から後続設備までの処理能力の安定化が重要な論点になります。
第5の打ち手：標準化した工程を複数拠点に横展開することです。
FedExは、Berkshire Greyとの長期協業を通じて物流ロボティクスの導入を進めています。Scoopについても、実証と商用導入の結果を踏まえて標準化を進めれば、別の物流拠点に展開する際の開発・検証費用を抑えられる可能性があります。
ただし、2026年11月時点で、Scoopの全社的な横展開が完了したことや、FedEx固有の投資回収期間が確認できる公表資料は見当たりません。今後は、実際の処理能力、介入頻度、稼働率、保守費用などを検証する必要があります。
私はこの事例を調べて、フィジカルAIの導入では、何でもできるロボットを待つよりも、まず改善効果の大きな工程を選ぶことが重要だと感じました。
「物流倉庫のどの工程で、どの損失が最も大きいのか」を特定することが、フィジカルAI導入の出発点なのです。
12月2日、日刊工業新聞社のセミナーで海外の実装事例を詳しく解説します
私は2026年12月2日（水）、日刊工業新聞社主催のオンラインセミナー「海外の物流・倉庫におけるフィジカルAIの実装事例」で講師を務めます。
今回のセミナーでは、FedExとBerkshire Greyの事例だけではなく、米国・欧州の物流・倉庫におけるさまざまなフィジカルAIの実装事例を取り上げます。
Boston Dynamics Stretchによる荷降ろし、FedExとDexterityによる荷役自動化、Amazon Vulcanの触覚ピッキング、Ocadoの混在ピッキング、GXOとExotecによる倉庫自動化、Amazon DeepFleetの群制御、GXOとAgility RoboticsによるヒューマノイドDigitの商用導入などを詳しく解説します。
各事例では、ロボットの構造や動作、導入工程、現場でどのように使われているかを理解できるよう、海外の公開動画を積極的に活用します。
さらに、単に技術を紹介するのではなく、それぞれの技術が物流倉庫のどの損失を減らし、どのような仕組みでROIを高めるのかを分析します。
特に重視するのは、今回ご紹介した5つの打ち手です。
- 投資回収が速い工程をどう見極めるか
- 初期投資をどう抑えるか
- ロボットと周辺設備の稼働率をどう高めるか
- 人件費以外の損失をどう投資評価に組み込むか
- 一拠点で成功した仕組みをどう横展開するか
さらに、日本企業が海外の先進技術を実際に導入しようとするとき、どのメーカーや技術提供企業と接点を持てばよいのかについても整理します。
私は、英語の技術資料、企業発表、公開情報などをディープリサーチによって調査し、技術的・経営的な意味を分析するリサーチャーとして活動しています。
今回のセミナーでは、海外の最新情報を日本語で整理したA4判50ページ超の資料も配布します。
物流倉庫の自動化・省人化を進める企業、3PL事業者、物流設備メーカー、ロボット開発企業、物流DXや投資評価を担当する管理職・経営企画部門の方々に、ぜひご参加いただきたいと思います。
セミナー開催概要
海外の物流・倉庫におけるフィジカルAIの実装事例
～非付加価値工程の負荷を下げ、ROIを高める海外先行事例～
開催日：2026年12月2日（水）
時間：13:00〜16:00
開催形式：Zoomライブ配信（終了後10日間の録画視聴も可能）
受講料：27,500円（税込・資料代込み）
主催：日刊工業新聞社
講師：今泉大輔
セミナーの詳細・お申し込み
フィジカルAIの導入で何人の作業員を減らせるのか。
それだけを考えていては、物流倉庫の中に存在する大きな改善余地を見落としてしまいます。
倉庫に存在する時間のムダ、空間のムダ、設備の手待ちを、どれだけ経済的な価値に転換できるのか。
そして、最も過酷で身体的負担が大きい工程をロボットに任せ、人間には例外対応や運用管理を担当してもらうには、どのような工程設計が必要なのでしょうか。
FedExとBerkshire GreyのScoopは、物流フィジカルAIの導入を考える日本企業に、大きなヒントを与えてくれます。
