卸売・商社でAIがうまくいかない11の困りごとと解決策Q&A（2026年版）

「AIを入れてみたけど、うちの商品を全然わかってない」。卸売や商社でこの声が出るのは、ほぼ例外なく同じ理由です。AIの頭が悪いのではなく、AIに渡している自社データが人間の暗黙知に頼りきっているから。

型番のゆれ、単位のゆれ、得意先ごとの呼び名。この3つを人間の担当者が頭の中で吸収してきた会社ほど、AIは的を外します。

ここでは現場でよく出る困りごとを11個に絞り、原因と手の打ちどころを整理します。

卸売・商社でAIが「困った」になるのはどこ？

卸売・商社のAI活用とは、仕入れから受注、請求までの流れの中で「人が毎回ほぼ同じ判断をしている作業」をAIに肩代わりさせることです。逆に言うと、毎回判断が変わる仕事は向いていません。

つまずきポイントは業種を問わず似ていますが、卸売には固有の重さがあります。取扱SKUが数千から数万、得意先が100社から2000社という規模だと、例外処理の数がそのまま掛け算で効いてくるからです。

現場で出る症状と、その裏にある本当の原因を並べます。

つまり、7つの症状のうち5つはAIの設定ではなく自社データと置き場所の問題です。ここを飛ばしてツールを比べても答えは出ません。

商品マスタの話から入ります。

商品マスタが粗いとAIは必ず間違える

AIは商品マスタに書いてあることしか知りません。担当者の頭にしかない「この品番はあの得意先だけ旧番で通っている」といった知識は、渡さない限り存在しないのと同じです。

卸売の商品マスタでよく崩れているのは4か所です。

• 型番ゆれ：全角半角、ハイフンあり・なし、末尾のリビジョン記号
• 単位ゆれ：ケース、ボール、バラが同じ列に混在している
• 旧品番：廃番と現行が両方生きていて、どちらが正か列に書かれていない
• 得意先呼称：先方の呼び名が備考欄に自由記述で入っている

この状態でAIに「A社向けの見積を作って」と頼むと、廃番の型番を平気で拾ってきます。AIが悪いというより、人間がやっても同じ資料からは同じ間違いが出ます。

整備は全部やろうとすると終わりません。段階で切るのが現実的です。

つまり、第1段階の100SKUだけでも体感はガラッと変わります。全部揃うまで待つ必要はありません。

ここで出てくるのが「社内資料を読ませて答えさせる仕組み」です。専門的にはRAGと呼ばれますが、やっていることは単純で、AIが答える前に自社のファイルを検索させて、その中身だけを根拠に答えさせる仕掛けのこと。マスタが整っていれば、この仕組みは驚くほど素直に効きます。

整ったマスタは、次の見積スピードにそのまま跳ね返ります。

見積依頼の回答スピードはAIでどこまで縮まる？

見積依頼の回答は、卸売でAIの効果がいちばん出やすい場所です。理由は、作業の8割が「過去の似た見積を探して数字を差し替える」という定型だから。

ただし縮むのは作成時間であって、決裁時間ではありません。ここを混同すると「結局早くならなかった」になります。

分解するとこうなります。

• 依頼メールから条件を拾う（AIが得意）
• 過去の類似見積を探す（AIが得意）
• 見積書のたたき台を作る（AIが得意）
• 価格を決める（人が担当）
• 上長の承認を取る（人が担当）

前半3つで30分かかっていたなら、5分前後まで落ちます。後半は変わりません。日次で20件の見積依頼をさばく部署なら、それでも1日8時間分の作業が2時間台になる計算です。

注意点をひとつ。AIに価格そのものを提案させるのは、社内の値付けルールが明文化されている場合に限ります。担当者ごとに掛け率の裁量があるなら、AIは平均を取りにいって粗利を削ります。

たたき台の精度を上げたいなら、過去1年分の見積PDFを読み込ませて質問できる状態にしておくのが手っ取り早いやり方です。資料を読ませて答えさせる用途ならNotebookLMのような資料特化型が扱いやすく、文章のトーンまで整えたいならClaudeやChatGPTが向きます。

数字の裏取りが絡む調べものでは、日本語の出典を並べてくれるツールが重宝します。仕入先の企業情報や相場の確認をよくやるなら、Feloの使い方をまとめた記事を先に読んでおくと、この後の与信の話が早いです。

見積の次は、もっと当たり外れが大きい領域の話。

需要予測と在庫回転はなぜ外れる？

需要予測でAIが外れるのは、平常時のパターンを学んだAIに、例外月の答えを求めているからです。ここは期待値を先に下げておくのが正解。

卸売の出荷数量が動く要因を並べると、AIが読めるものと読めないものがはっきり分かれます。

つまり、AIに任せるのは「平常時の8割」で、残り2割は人間が上書きする前提で設計します。全部当てさせようとすると、担当者が予測を信用しなくなって使われなくなります。

在庫回転の改善で効くのは、実は予測精度そのものより「異常の早期発見」です。回転日数が急に伸びたSKUを毎朝リストにして担当へ投げる。この地味な仕組みが、予測モデルを凝るよりよほど効きます。

数字の集計と異常検知はAIデータ分析ツールの得意分野で、Excelの表を貼って質問するだけでも十分に始められます。

予測が外れたときのダメージが直接効いてくるのが、掛け売りの世界です。

掛け売りと与信管理にAIを使ってよい範囲

与信管理でAIに判断そのものをさせるのは、現時点では避けるべきです。理由は精度ではなく、根拠を説明できないと社内決裁も対外説明も通らないから。

では何に使えるのか。情報を集めて整理するところまでです。

• 得意先の公開情報（決算公告、登記情報、報道）を集めて要約する
• 過去の入金遅延の履歴を時系列で並べる
• 与信限度額の申請書の下書きを作る
• 稟議に必要な項目の抜けをチェックする

この4つは、担当者が半日かけていた資料集めを1時間以下に縮めます。判断そのものは人が持つ。この線引きを守れば、決裁のスピードだけが上がります。

もうひとつ実務的な注意。AIが集めてきた企業情報には、古い記事や別会社の情報が混じります。特に社名が似ている会社は取り違えが起きやすい。法人番号や登記上の所在地で必ず突き合わせてください。

社内の統制やチェック体制まで含めて考えるなら、内部監査向けAIツールの整理記事が参考になります。与信の承認フローを見直すタイミングで一緒に読むと、二度手間になりません。

与信の話で必ず出るのが「AIの言うことをどこまで信じるか」。

AIがそれっぽい嘘をつくのを防ぐ3つの仕掛け

AIがそれっぽい嘘をつくこと（専門的にはハルシネーションと呼びます）は、性能が上がっても完全にはなくなりません。卸売では納期と型番でこれが出ると、そのまま誤出荷につながります。

防ぎ方は3つです。

1. 数字は必ず原本を参照させる

「在庫はいくつ？」とAIに素で聞くのが最悪のパターン。在庫データのファイルを渡して「この表のB列から拾って」と指示すれば、AIは推測をやめます。AIへの指示文（プロンプト）で参照先を固定するだけの話です。

2. 出典を必ず出させる

「答えの根拠になった行番号とファイル名を必ず添えて」と一文足すだけで、嘘は激減します。根拠を出せない質問には「わからない」と返るようになるからです。

3. 逆質問させる

「情報が足りない場合は答えずに質問を返して」と指示しておく。見積の条件が曖昧なとき、AIが勝手に埋めるのを止められます。

つまり、最初の3つは今日15分で入ります。仕組みの構築は、その効果を確かめてから判断すれば十分。

ここまでの整理：商品マスタを上位100SKUだけ整える、見積の下書きをAIに任せる、数字は原本を参照させる。この3つで卸売のAI活用は8割方立ち上がります。予測モデルや与信の自動化は、それが回ってからの話です。

嘘の次は、もっと重い法律の話をします。

取引先との価格交渉にAIを使うときの法律の線引き

ここは慎重に扱う領域です。仕入先への価格交渉文をAIに書かせるとき、独占禁止法の優越的地位の濫用に触れる表現が混ざるリスクがあります。

AIは「強く出る文面」を頼まれると、実務上アウトの言い回しを平気で作ります。取引の継続をほのめかす、一方的な期限を切る、根拠のない値下げ幅を提示する。こうした文面は、公正取引委員会が示す優越的地位の濫用の考え方に照らして問題になり得ます。

実務での線引きを整理します。

• 任せてよい：自社の値上げ通知文の下書き、コスト構造の説明資料
• 任せてよい：交渉の論点整理、想定問答の作成
• 注意が要る：仕入先への値下げ要請文（必ず法務・上長が確認）
• 避けるべき：交渉文面を自動送信する仕組み

得意先への価格提示も同じです。得意先ごとに掛け率が違うのは卸売では当たり前ですが、その差の根拠を説明できない状態でAIに自動生成させると、後から整合が取れなくなります。

社内ルールとして、価格に関わる対外文書はAI生成でも人の承認を必須にする。これを最初に決めておけば、現場は安心してAIを使えます。判断が割れる案件は、自社の顧問弁護士や法務部門の確認を取ってください。

法律の話が固まったら、次は人の話。

社内にAIに詳しい人がいない。誰が旗を振る？

情報システム部門に投げるのが自然に見えますが、卸売では業務部門が持ったほうが早く進みます。理由は、効果が出る場所が業務の例外処理の中にあり、そこは業務担当者しか知らないからです。

推奨する体制はシンプルです。

• 業務部門から1人、旗振り役を出す（兼務でよい）
• 対象業務は最初1つだけに絞る（見積か問い合わせ返信）
• 情シスはセキュリティ設定とアカウント管理だけ担当
• 経営は「1件あたり何分」の数字だけ見る

AIに詳しい人が社内にいる必要はありません。必要なのは、自部署の業務のどこに無駄があるか説明できる人です。ツールの操作は、無料枠を1週間触れば覚えられる程度のもの。

外部のコンサルに設計から任せると、汎用的な仕組みが出てきて現場の例外処理に負けます。詳しい人を雇うより、業務を知っている人にツールを触らせるほうが速い。

旗振り役が決まっても、現場が動かないという次の壁が来ます。

現場が使ってくれないときの直し方

使われない理由は「AIが難しいから」ではありません。今の作業の外に置いてあるからです。

営業担当は基幹システムとExcelとメールの3画面で1日を終えます。そこにブラウザのタブがもう1つ増えると、忙しい日は開かれません。

つまり、4つとも運用設計の問題であってツール選びではありません。特に効くのは最後の「定型の指示文を配る」で、これだけで利用率が跳ねる部署が多い。

配る指示文の例を挙げます。「このメールから見積に必要な条件（品番・数量・希望納期・納入先）を箇条書きで抜き出して。書かれていない項目は『記載なし』と書いて」。この1文をコピペするだけで、AIに慣れていない人でも初日から結果が出ます。

社内チャットとの連携は業務自動化カテゴリのツールでつなぐのが定番で、AI業務効率化ツールのランキングから自社の環境に合うものを選ぶのが早道です。

定着したら、周辺業務にも広げたくなります。

カタログ画像と英文メールをAIに任せる境目

商品カタログや販促物の制作、海外仕入れの英文メール。この2つは卸売でAIを広げるときの定番の次の一手です。ただし境目があります。

画像で任せてよいもの・だめなもの

商品そのものの写真をAIに生成させるのは危険です。実物と違う色や形が出ると、景品表示法の観点で問題になります。実物写真は撮影が原則。

一方で、カタログの背景素材、説明用の図解、社内資料のイラストはAI生成が向きます。撮影を外注していた部分のコストがそのまま浮きます。どのツールが向くかはAIイラスト生成ツールの比較記事にまとまっているので、社内で使うイメージが湧かないならそこから見るのが早いです。

商品点数が多くて自社サーバーで大量に生成したい、という段階まで来たらComfyUIとStable Diffusionの違いを解説した記事が判断材料になります。数千SKU分の背景差し替えを外注するとコストが跳ねるので、内製の検討価値はあります。

翻訳で任せてよいもの・だめなもの

日常の問い合わせメール、仕様確認、納期督促。この辺りはDeepLのような翻訳特化ツールでほぼ実用になります。

契約書、L/C関連書類、品質保証に関わる文面は人の確認を必須に。誤訳1か所の損害が翻訳料の何百倍にもなる領域です。

無料で試せる範囲から始めたいなら、Meta AIの使い方をまとめた記事のように無料枠の広いサービスを触ってみて、自社の文書で精度を確かめるのが安全な入り口になります。

そして誰もが最後に気にするお金の話。

費用はいくらから始められる？

無料枠から始められます。最初の3か月は追加投資ゼロで検証できると考えて構いません。

段階を踏むとこうなります。

つまり、最初にまとまった予算を取る必要はありません。検証段階で「1件あたり何分縮んだか」の数字が出れば、稟議は通りやすくなります。

見落としがちなコストが2つあります。ひとつは商品マスタ整備の人件費で、これは外注しても内製しても発生します。もうひとつは教育の時間。1人あたり2時間の研修を全員に入れると、それだけで規模によっては数十万円相当の工数になります。

ツール費より、この2つのほうが実は大きい。予算を組むときはここを忘れないでください。

なお主要な対話AIの上位プランは、法人向けだと月額が跳ね上がる構成が一般的です。全員に上位プランを配るのは無駄で、ヘビーユーザー数人だけ上位、残りは標準プランという配分が現実的です。

用途別の当たりをつけるなら、AI業務効率化カテゴリやAI営業支援カテゴリから絞り込むと迷いにくくなります。

AI PICKS編集部の判定

卸売・商社でAIを入れるなら、見積依頼の回答下書きから始めるのが一択です。効果が数字で出やすく、失敗しても実害が小さく、現場の理解も早い。ここで成功体験を作らずに需要予測や与信の自動化から入る会社は、ほぼ例外なく止まります。

正直イマイチなのは、いきなり基幹システムと連携させる大型プロジェクトです。商品マスタが整っていない状態で連携しても、間違った答えが速く出るだけ。手戻りの規模が大きく、社内のAI不信を招く点でも割に合いません。

逆に破格に効くのは、商品マスタの上位100SKUを整える作業です。地味で、誰もやりたがらず、予算もつきにくい。それでもここに2週間かけた会社と、かけずにツールを比べ続けた会社では、半年後の差が圧倒的につきます。

もうひとつ重宝するのが、定型の指示文を5つ作って配ること。工数はほぼゼロで、利用率だけが上がります。AI導入というと仕組みの話になりがちですが、実際に効いているのはこういう運用の細部です。

判断に迷ったら、「これは毎回同じ判断か」を基準にしてください。同じならAI、違うなら人。この一本で切ると、投資先を外しません。

よくある質問（FAQ）

Q. 商品マスタが整っていなくてもAIは使えますか？

使えますが、精度は期待しないでください。マスタを参照しない業務（メールの要約、英文の下書き、議事録の整理）なら今日から効果が出ます。商品を特定する業務は、上位SKUの整理が終わってからにしてください。全部やる必要はなく、売上上位100件で体感は変わります。

Q. 社内の商品情報をAIに入れて漏れませんか？

法人向けプランでは、入力したデータをAIの学習に使わない設定が標準で提供されています。無料プランや個人プランは条件が異なるため、業務データを入れる前に各社の公式ページで利用規約と学習設定を確認してください。判断が難しければ、まず顧客名や単価を伏せたダミーデータで検証するのが安全です。

Q. 見積の価格までAIに決めさせてもいいですか？

社内の値付けルールが明文化されている場合に限り、たたき台としてなら可能です。担当者ごとに掛け率の裁量がある会社では、AIは平均に寄せて粗利を削ります。価格の最終決定は人が持ってください。得意先ごとに条件が違う卸売では、特にここを緩めないほうがいい。

Q. 需要予測はどのくらいの精度が出ますか？

平常時の出荷であれば実用に足ります。ただし得意先の特売企画、新規の大口採用、天候の急変は予測に含まれません。実務では「平常時はAI、例外月は人が上書き」という運用が現実的です。予測を信じきる設計にすると、一度大きく外れた時点で現場が使わなくなります。

Q. 仕入先への値下げ要請文をAIに書かせても問題ないですか？

下書きまでは可能ですが、必ず人の確認を通してください。AIは「強く出る文面」を求められると、取引継続をほのめかす表現や一方的な期限設定を生成することがあります。これらは独占禁止法の優越的地位の濫用に該当する恐れがあります。価格に関わる対外文書は人の承認を必須にするルールを、導入前に決めておくのが安全です。

Q. 現場が使ってくれません。どうすればいいですか？

置き場所と指示文の2つを疑ってください。ブラウザの別タブにあると忙しい日は開かれないので、社内チャットから呼べるようにする。そして白紙の入力欄で固まる人が多いため、定型の指示文を5つ作って配る。この2つで利用率が変わる部署が多く、追加の投資もほぼ不要です。

Q. 費用対効果はどう測ればいいですか？

「1件あたり何分」で測ってください。見積作成が1件30分から10分になったなら、月間件数を掛けるだけで効果が出ます。売上や粗利で測ろうとすると要因が多すぎて説明できず、稟議で止まります。時間の削減幅が明確なら、費用の議論はほぼ通ります。

Q. 中小規模の卸でも意味がありますか？

得意先100社規模でも十分に効果は出ます。むしろ担当者1人が抱える業務の幅が広いぶん、下書き作成の恩恵は大きい。大規模なシステム投資が難しくても、無料枠と定型指示文だけで始められるのがいまのAIの強みです。

あわせて見たいツール・カテゴリ

• ChatGPT：見積やメールの下書き作成に。社内でいちばん最初に配りやすい一本
• Claude：長い仕様書や契約書の読み込みに強く、文面のトーンが落ち着いています
• NotebookLM：過去の見積や商品資料を読ませて質問する用途に特化
• DeepL：海外仕入れの英文メールと仕様書の翻訳に
• Gemini：Googleスプレッドシートで在庫表を扱っているなら相性がいい
• AI業務効率化カテゴリ：部署展開のときの選択肢を横並びで確認
• AIデータ分析カテゴリ：在庫回転や売上の異常検知に使うツール群
• AI営業支援ランキング：得意先フォローや商談準備の自動化を検討するなら

次に読むなら内部監査向けAIツールの整理記事を勧めます。与信と価格の承認フローをAIに合わせて設計し直すとき、チェック体制の作り方がそのまま参考になります。

各ツールの公式サイト（一次情報）

料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。

• ChatGPT — 公式サイト（AI PICKSの詳細）
• Claude — 公式サイト（AI PICKSの詳細）
• Gemini — 公式サイト（AI PICKSの詳細）
• NotebookLM — 公式サイト（AI PICKSの詳細）
• Felo — 公式サイト（AI PICKSの詳細）