【2026年最新】AIで在庫・発注管理を最適化｜欠品と過剰在庫を防ぐ5プロンプト

「この商品、また切らした…」「倉庫の奥に1年前に仕入れた在庫がまだ眠ってる…」

在庫を持つ商売をしていると、この2つの悩みは永遠についてまわります。発注を多めにすれば欠品は減るけど、今度はキャッシュが在庫に化けて手元のお金が回らなくなる。かといって絞りすぎると、せっかくお客さんが来てるのに「売るものがない」という最悪の機会損失が起きる。さじ加減が本当に難しいんですよね。

事例区分：想定シナリオ
以下は100社以上のAI研修・導入支援の経験をもとに構成した典型的なシナリオです。特定の実在企業の数値ではありません。

先日、ある研修先の小売チェーン（食品系・3店舗）の仕入担当の方から、こんな相談を受けました。「発注はベテランの私の感覚でやってます。でも私が休むと、若手が何をどれだけ頼めばいいか分からなくてパニックになる。欠品も増えるし、逆に頼みすぎて廃棄も出る」と。属人化した発注ノウハウが、紙のメモと頭の中にしかない状態でした。

そこで一緒にやったのが、過去の販売データをAIに読ませて「この担当者が頭の中でやっている計算」を言語化・数式化することでした。専用の需要予測システムは一切使っていません。使ったのは、お店のPOSからダウンロードしたCSVと、ChatGPT（有料版）だけ。これだけで「発注の考え方の8割」は再現できてしまうんです。この記事では、そのとき実際に使ったプロンプトを、コピペできる形で全公開します。5分で試せるものから順に紹介していくので、ぜひ手元の販売データで試してみてください。

先に正直なところをお伝えしておくと、AIは「魔法の需要予測マシン」ではありません。過去の数字から傾向を読むのは得意ですが、来月の天気や、SNSで突然バズること、近所に競合が出店することは予測できません。だからこの記事で目指すのは「AIに発注を丸投げする」ことではなく、「ベテランの頭の中にしかなかった発注ロジックを、誰でも使える形に翻訳する」こと。ここを取り違えると、後で紹介する失敗パターンにそのままハマります。この前提だけは、最初に握っておいてください。

もう一つ大事なのは、これは大企業の話ではないということ。むしろ専用の在庫管理システムを入れる予算も人手もない中小企業ほど、効果が出やすい領域です。なぜなら、これまで「ベテランの勘」一本でやってきた発注を、低コストで標準化・見える化できるから。高価なシステムを導入済みの大企業より、Excelと勘でやってきた中小の現場のほうが、AI活用の伸びしろは圧倒的に大きいんです。

まず試したい「5分即効」プロンプト3選

難しい理論は後回しにして、まずは手を動かしましょう。ここで紹介する3つは、ExcelやPOSからエクスポートした販売データをコピペするだけで、その日のうちに結果が出ます。AIエージェントを使った業務改善の全体像や、自社のどこから着手すべきかの判断軸については、AI導入戦略の完全ガイドで体系的に整理しているので、合わせて読むと「在庫管理だけでなく全社でどう広げるか」が見えてきます。

即効プロンプト1：過去の販売データから需要予測する

最初にやるべきは「次の期間、何がどれだけ売れそうか」をAIに予測させることです。これが発注のすべての土台になります。研修先で最初にこれを試したとき、担当者が「あ、私が感覚でやってたのと近い数字が出てきた」と驚いていたのが印象的でした。逆に言うと、AIの予測は「ベテランの勘の代わり」ではなく「勘の答え合わせ」として使うのがちょうどいいんです。

あなたは小売・流通の需要予測アナリストです。
以下は当店の過去の日次（または週次）販売データです。

【データ】
（ここに日付・商品名・販売数量・売上をコピペ。
 例: 2025-11-01, からあげ弁当, 42, 25200 …）

【前提条件】
- 業種：[弁当・惣菜の物販]
- 予測したい期間：[次の4週間]
- 営業日：[週7日 / 定休日なし]
- 直近の特記事項：[11月に近隣でイベントあり、12月は年末需要増]

【お願い】
1. 商品ごとに、次の期間の需要を「最低・中央・最大」の3パターンで予測してください
2. 予測の根拠（トレンド・季節性・曜日変動）を箇条書きで説明してください
3. データが少なくて予測の信頼度が低い商品は、その旨を明記してください

※ この予測はあくまで仮説です。実際の発注前に、直近の実売数と必ず突き合わせて検算します。

効果（想定シナリオ）：上記の研修先では、勘だけで決めていた発注の「考え方」を数字で見える化でき、若手でも「中央値で発注して、欠品が怖い商品だけ最大値に寄せる」という判断ができるようになりました。予測そのものより、判断の基準が言語化されたことの価値が大きかったです。

ポイントは、プロンプトの中で「最低・中央・最大」の3パターンを出させること。1つの数字だけ出させると、それを盲信してしまいます。幅で出させることで「どこまでブレるか」が見えて、攻め（最大値発注）と守り（最低値発注）を商品ごとに選べるようになります。たとえば「切らすと致命的な看板商品」は最大値寄りで発注し、「切れても代替が効く商品」は中央値で抑える、といった判断が数字ベースでできるようになるわけです。

もう一つの小ワザは、データを貼るときに「商品名・日付・数量・売上」を最低限そろえること。完璧な形式じゃなくても、AIはかなり柔軟に読み取ってくれます。ただし日付の表記（2025/11/01 と 11月1日 が混ざっている等）がバラバラだと誤読の原因になるので、コピペ前にざっと統一しておくと精度が上がります。逆に、ここで時間をかけすぎて「データ整備が終わらないから始められない」となるのが一番もったいない。3か月ぶんのCSVがあれば、もう今日始められます。

即効プロンプト2：適正在庫と発注点を試算する

需要予測ができたら、次は「常にどれだけ在庫を持っておくべきか（適正在庫）」と「在庫がいくつになったら発注すべきか（発注点）」を計算します。ここを感覚でやっていると、欠品と過剰在庫の両方が起きます。発注点の考え方は「リードタイム中に売れる量＋安全在庫」というシンプルな式なんですが、これを商品ごとに手計算するのは現実的じゃない。AIに任せるとラクです。

あなたは在庫管理の専門家です。
以下のデータをもとに、商品ごとの「適正在庫」と「発注点」を計算してください。

【データ】
- 商品名 / 1日あたり平均販売数 / 販売数の標準偏差（または最大-最小）
（例: ペットボトル茶 / 30本 / 10本 …）

【前提条件】
- 発注リードタイム：[発注してから入荷まで3日]
- 発注サイクル：[週2回発注]
- 許容する欠品率：[5%以内に抑えたい]
- 保管スペースの制約：[特になし / バックヤード○○ケースまで]

【計算してほしいこと】
1. 安全在庫＝需要のばらつき×リードタイムを考慮した余裕分
2. 発注点＝リードタイム中の予想販売数＋安全在庫
3. 適正在庫の上限（過剰在庫を防ぐライン）
4. 各数値の計算式と前提を必ず明記してください

※ リードタイムや欠品許容率は私の入力値です。実際の納品実績とずれがある場合は指摘してください。
※ 計算結果は発注の目安です。導入初月は実数で検証し、数値を調整します。

活用例：飲料や日用品のように「毎日コンスタントに売れる定番品」ほど、この計算が効きます。発注点をシステムやホワイトボードに書いておけば、誰でも「ここまで減ったら頼む」が判断できるようになります。

注意したいのは、リードタイム（発注から入荷までの日数）を必ず正確に入れること。ここを「だいたい2日くらいかな」と曖昧にすると、計算結果が全部ずれます。仕入先ごとに実際の納品実績を1か月ぶん記録して、平均と最大のリードタイムを把握しておくと精度が一気に上がります。とくに見落としがちなのが「最大リードタイム」です。普段は3日で入荷する仕入先でも、繁忙期や物流の乱れで稀に7日かかることがある。安全在庫は、この「最悪のケース」をどこまで織り込むかで決まります。欠品が絶対に許されない看板商品なら最大リードタイムで、多少切れても困らない商品なら平均リードタイムで——と、商品の重要度に応じて使い分けるのがコツです。

ちなみに「安全在庫」という言葉に身構える必要はありません。要は「予想外に売れたときや、入荷が遅れたときのための予備の在庫」のこと。これがゼロだと、ちょっとした需要のブレですぐ欠品します。逆に多すぎると過剰在庫になる。AIにこの安全在庫を計算させて、人間が「うちの場合はもう少し余裕を持ちたい」と微調整する。この役割分担がしっくりきます。

即効プロンプト3：欠品リスクが高い商品を抽出する

「全商品を最適化するのは大変。まずは危ない商品だけ知りたい」という方には、このプロンプトが一番おすすめです。現状の在庫数と直近の販売ペースを渡すだけで、「このままだと何日後に切れる」をAIがランキングしてくれます。

以下は現在の在庫数と直近2週間の平均販売数です。
「在庫切れリスク」が高い順に並べ替えてください。

【データ】
- 商品名 / 現在の在庫数 / 直近2週間の1日平均販売数
（例: 人気の限定パン / 在庫12個 / 1日8個 …）

【前提条件】
- 発注リードタイム：[3日]
- 次の発注予定日：[3日後の月曜]

【お願い】
1. 「在庫が何日でなくなるか（在庫日数）」を計算
2. 次の入荷までに欠品しそうな商品を赤信号としてリストアップ
3. 各商品の推奨追加発注数を、欠品を防ぐ最小量で提案
4. 在庫日数の計算式を明記してください

※ 平均販売数は直近2週間の実績です。急なトレンド変化（SNSでバズった等）は反映されていない点に留意してください。

効果（想定シナリオ）：別の研修先（雑貨の小売）では、これを毎朝のルーティンにしたところ、「気づいたら売れ筋が棚から消えていた」という機会損失が目に見えて減りました。担当者いわく「全部見るのは無理でも、赤信号の5〜10商品だけ毎朝チェックするなら続けられる」とのこと。完璧を目指さず、危険なものから潰すのがコツです。

在庫・発注の最適化は「3つの問い」で考える

個別のプロンプトを紹介してきましたが、在庫管理を体系的に捉えるには、次の3つの問いに分解すると分かりやすいです。AIに何を計算させるか迷ったら、この表に立ち返ってください。

多くの中小企業がいきなり①の需要予測から完璧にやろうとして挫折します。でも実は、ビジネスへのインパクトが一番大きくて着手しやすいのは③なんです。発注点を決めるだけで「減ったら頼む」の判断が標準化され、属人化が解消される。だから僕は研修では「③→②→①」の逆順で着手することをすすめています。

この3つの問いは、実は順番に積み上がっています。③の発注点を決めるには②の適正在庫が要るし、②を精緻にするには①の需要予測が要る。だから「いきなり①の高精度な予測」を目指すと、土台がないまま屋根から建てるようなことになって挫折する。まず③で「減ったら頼む」のルールを荒くでも作り、運用しながら②②①へと精度を上げていく。この順番なら、最初の1週間で目に見える効果（欠品の減少）が出るので、現場も「続けてみよう」という気持ちになります。改善は、最初の小さな成功体験が燃料になるんです。

どのAIを使えばいい？ツールの選び方

「で、結局どのAIを使えばいいの？」という質問は、研修でも毎回出ます。結論から言うと、在庫分析に関してはChatGPT・Claude・Geminiのどれでもこの記事のプロンプトは動きます。最初は今すでにアカウントを持っているもの、なければ無料版から始めて構いません。そのうえで、用途別の使い分けをざっくり挙げておきます。

大事なのは「最高のツールを選ぶこと」より「とにかく一度試すこと」です。研修先でも、ツール選定で何週間も悩んで結局始められなかった企業より、手元のChatGPT無料版でとりあえずデータを貼ってみた企業のほうが、はるかに早く成果を出しています。ツールは後からいくらでも乗り換えられます。まずは1つで始めましょう。

なお、CSVファイルをそのまま添付できる機能（ファイルアップロード）は、データ量が多いときに便利です。プロンプトに直接コピペするより読み取りミスが減るので、商品数が多い場合はファイル添付に対応した有料プランを検討する価値があります。

業務別・もう一歩進んだ活用プロンプト

基本の3つに慣れたら、次はもう少し踏み込んだ分析に挑戦しましょう。ここからは仕入・販促・経理など、部署をまたいだ活用例です。

仕入・購買：季節変動と曜日変動を分析する

需要予測の精度を上げる最大の鍵は「季節性」と「曜日変動」を織り込むことです。お弁当屋さんなら月曜と金曜で売れ方が違うし、アパレルなら衣替えの時期で需要が激変する。これを人間が全商品ぶん頭で管理するのは無理ですが、AIにデータを渡せば一発でパターンを見つけてくれます。

以下は当店の過去13か月の週次（または日次）販売データです。
季節変動・曜日変動・トレンドを分析してください。

【データ】
（日付・商品カテゴリ・販売数をコピペ）

【お願い】
1. カテゴリごとに「最も売れる月・曜日」「最も売れない月・曜日」を特定
2. 前年同月比でトレンド（伸びている/落ちている）を判定
3. 来月の発注で「強化すべきカテゴリ」「絞るべきカテゴリ」を提案
4. 分析に使った期間とデータ件数を明記し、サンプルが少ない箇所は信頼度が低いと注記してください

※ 13か月分あれば季節性を見られますが、これより短い場合は季節分析の精度が下がる点を踏まえて回答してください。

活用例：「なんとなく夏に売れる気がする」という曖昧な感覚を、「7〜8月は前年比130%、特に土日に集中」という具体的な数字に変えられます。発注の根拠を社内で共有しやすくなるのが大きいです。

注記：季節変動を見るには最低でも13か月（1年＋1か月）のデータが理想です。半年しかない場合は「曜日変動」だけに絞って分析させたほうが、誤った季節パターンを掴むリスクが減ります。

発注担当：1回あたりの発注量（発注ロット）を最適化する

「いつ頼むか（発注点）」が決まったら、次は「1回でいくつ頼むか（発注量）」です。ここを最適化しないと、こまめに少量発注して送料・手間がかさんだり、逆にまとめ買いしすぎて保管スペースを圧迫したりします。発注の頻度・最小ロット・保管制約をAIに渡して、バランスの取れた発注量を出させましょう。

以下の条件で、商品ごとの「1回あたりの推奨発注量」を提案してください。

【データ】
- 商品名 / 発注点 / 1日平均販売数 / 仕入の最小ロット / 1ケースの入数
（例: 缶コーヒー / 発注点48本 / 1日16本 / 最小ロット1ケース / 24本入 …）

【前提条件】
- 発注サイクル：[週2回]
- 1回の発注送料・手数料：[1回○円かかる / かからない]
- 保管スペースの制約：[バックヤードに○ケースまで]
- 商品の消費期限：[あり：○日 / なし]

【お願い】
1. 発注頻度と保管制約のバランスを取った1回あたりの発注量を提案
2. 「少量こまめ」と「まとめ買い」のどちらが有利かを、送料と保管コストの観点で比較
3. 消費期限がある商品は、期限内に売り切れる量を上限とする
4. 提案の前提と計算の考え方を必ず明記してください

※ 発注ロットや送料は私の入力した実際の取引条件です。条件が変われば結果も変わる点を踏まえて回答してください。
※ 提案は目安です。実際の発注は在庫スペースと資金繰りを見て人間が最終判断します。

活用例：消費期限のある食品では「期限内に売り切れる量」という上限を入れるのが肝心です。これを入れないと、AIが「まとめ買いのほうが送料的に得」と判断して、結果的に廃棄を増やす提案を出すことがあります。前提条件で歯止めをかけてあげるイメージです。

事例区分：想定シナリオ
以下は研修・導入支援の経験をもとに構成した典型的なシナリオで、特定企業の実数値ではありません。

飲食店（カフェ業態）の研修先で、ある食材を「念のため」と毎回多めに発注していたケースがありました。発注ロットと消費期限をこのプロンプトに入れてみたところ、AIから「現在の発注量だと期限内に約15%が消費しきれない計算になる」と指摘が出たんです。担当者の方は「廃棄が出てるのは知ってたけど、発注量を減らせばいいだけだったとは」と。多くの場合、過剰在庫の原因は複雑な計算ミスではなく、「念のため多めに」という一言の積み重ねなんですよね。それを数字で突きつけてくれるのがAIの良さです。

経理・経営：過剰在庫の処分プランを作る

欠品対策と並んで重要なのが、すでに積み上がってしまった過剰在庫・滞留在庫の処分です。在庫はバランスシート上は資産ですが、売れない在庫は実質的に「現金が凍結された状態」。これをAIに棚卸しさせて、処分の優先順位とアクションを出させます。

以下は現在の在庫リストです。滞留在庫を特定し、処分プランを作ってください。

【データ】
- 商品名 / 在庫数 / 最終販売日 / 仕入原価 / 直近3か月の販売数
（例: 旧パッケージの調味料 / 80個 / 60日前 / 仕入1個400円 / 3か月で2個 …）

【判定基準】
- 滞留在庫：直近3か月の販売数が在庫数の○割未満、または最終販売日から○日以上経過

【お願い】
1. 滞留度（売れ残りリスク）が高い順にランキング
2. 各商品に「値下げ販売 / セット販売 / 返品交渉 / 廃棄」のいずれかを推奨し理由を説明
3. 凍結されている在庫金額（在庫数×仕入原価）の合計を算出
4. 最初に着手すべき上位5商品を提案

※ 値下げ率や処分方法は最終的に人間が判断します。AIの提案は意思決定のたたき台として扱います。
※ 廃棄を推奨する場合も、まず値下げ・転用の可能性を検討するよう優先順位をつけてください。

実績（想定シナリオ）：ある卸売の研修先でこの棚卸しをやったところ、「倉庫に眠っている在庫金額が想像の2倍だった」という気づきがありました。経営者の方が「漠然と『多いな』とは思ってたけど、金額で見ると一気に危機感が変わる」と。数字で可視化することの威力を改めて感じた瞬間でした。処分プラン自体はAIに作らせ、最終的な値下げ判断は人間がやる、という役割分担がうまくいきました。

専門システムなしで始める「3ステップ」

「ツールを入れないと無理でしょ？」とよく聞かれますが、最初の一歩に必要なのは新しいシステムではなく、すでに手元にあるデータとAIだけです。次の3ステップで始められます。

ステップ1：今あるデータを集める（所要：半日）

まずは販売データを1か所に集めます。POSレジがあればCSVエクスポート、なければExcelやスプレッドシートの売上記録、最悪は手書きの売上日報でもOKです。最低限「いつ・何が・いくつ売れたか」さえあれば始められます。完璧なデータを待つ必要はありません。直近3か月ぶんでもAIは十分に傾向を読みます（ただし季節分析には1年以上必要、と前述のとおり）。

ここで「データがバラバラで集められない」と止まってしまう人が多いのですが、最初から全部そろえる必要はありません。まずは「欠品が一番困っているカテゴリ」の販売データだけでいい。むしろ少ない商品数のほうがAIも読みやすく、結果を検証しやすいです。手書きの売上日報しかない場合は、直近2週間ぶんだけスプレッドシートに打ち込んでみる。それでも即効プロンプト3（欠品リスク抽出）は十分に動きます。データ整備の完璧主義は、AI活用が始まらない最大の敵です。

ステップ2：1つの商品カテゴリで試す（所要：1〜2日）

いきなり全商品をやろうとすると挫折します。まずは「欠品が多くて困っている定番カテゴリ」を1つ選び、即効プロンプト1〜3を順番に試してください。需要予測→発注点計算→欠品リスク抽出、の流れです。1カテゴリで型ができれば、あとは他カテゴリに横展開するだけです。

ステップ3：発注ルールとして運用に乗せる（所要：継続）

AIが出した発注点や適正在庫を、実際の発注ルールとしてホワイトボードや共有スプレッドシートに書き出します。そして毎週、AIの予測と実際の販売数を突き合わせて検証する。ここが一番大事です。予測がずれていたら前提条件（リードタイム、季節要因）を修正して、また予測させる。この「予測→実行→検証→修正」のサイクルを回すほど、自社専用の発注ノウハウがAIのプロンプトの中に蓄積されていきます。

運用に乗せるときのコツは、「最初から全自動を目指さない」ことです。AIが出した発注点を、人間が見て「これは攻めすぎ」「これは妥当」と判断する余地を必ず残す。AIは計算と提案、判断は人間。この境界線を引いておくと、現場も安心して使えますし、おかしな提案が出たときに気づけます。3か月も回せば、「この商品はAIの予測どおりでいい」「この商品は現場の感覚を足したほうがいい」という勘所が見えてきます。そうなれば、もう立派な「AI×人間のハイブリッド発注」の完成です。

【要注意】よくある失敗パターンと回避策

ここまで「AIで在庫管理がラクになる」という話をしてきましたが、使い方を間違えると逆に在庫を悪化させます。研修現場で実際に見てきた典型的な失敗を4つ紹介します。

失敗1：AIの予測を検算せず、そのまま発注する

❌ AIが「来月この商品は500個売れる」と出したから、何も考えず500個発注する
⭕ AIの予測を「仮説」として受け取り、直近の実売数・現場の感覚と突き合わせてから発注を決める

なぜ重要か：AIの需要予測は、あくまで過去データの延長線上の計算です。「来週から近所で大型工事が始まって客足が減る」「競合が閉店して客が流れてくる」といったデータに表れていない要因は予測できません。AIの数字を鵜呑みにして大量発注し、過剰在庫を作ってしまうのが一番ありがちな失敗です。予測はたたき台、最終判断は人間。この原則を崩さないでください。

失敗2：前提条件を入れずに「これ予測して」と丸投げする

❌ 販売データだけ貼り付けて「在庫管理を最適化して」とだけ書く
⭕ リードタイム・発注サイクル・許容欠品率・季節要因などの前提条件を必ず明記する

なぜ重要か：在庫計算は前提条件で答えが180度変わります。リードタイムが3日か10日かで発注点はまるで違うし、欠品をどこまで許容するかで安全在庫の量も変わる。前提を入れずに丸投げすると、AIは勝手に一般的な前提を仮定して、自社に合わない数字を出してきます。実際に研修で「AIの言うとおりにしたのに合わない」という相談の9割は、前提条件の入力漏れが原因でした。

失敗3：季節要因・イベント要因を無視する

❌ 過去1か月の平均販売数だけで通年の発注量を決める
⭕ 季節変動・連休・地域イベント・天候など、需要を動かす外部要因をプロンプトに含める

なぜ重要か：直近のデータだけで予測すると、季節の変わり目で必ず外します。たとえば冷たい飲料を真冬の販売実績ベースで発注したら、夏に大量欠品します。逆もしかり。AIに「来月は◯◯のシーズン」「△日に地域の祭りがある」と教えてあげるだけで、予測は格段に現実的になります。データに無い情報は、現場の人間が補足してあげるのが役割分担です。

失敗4：在庫データの精度が低いまま分析する

❌ 実地棚卸しと帳簿在庫がずれたまま、帳簿の数字でAIに発注量を計算させる
⭕ まず実在庫と帳簿を一致させ、正確なデータを土台にしてからAI分析を始める

なぜ重要か：「Garbage In, Garbage Out（ゴミを入れればゴミが出る）」という言葉のとおり、元の在庫データが不正確だと、AIがどれだけ高度な計算をしても結果は使えません。帳簿では「在庫50個」なのに実際は30個しかなければ、発注点の計算は全部ずれます。AI導入の前に、まず棚卸しの精度を上げる。地味ですが、これが在庫最適化の本当のスタート地点です。研修先でも「AIより先に、まず正確な数を数えましょう」とお伝えすることが多いです。完璧な棚卸しを毎日やる必要はありませんが、月1回の実地棚卸しと、入出庫をその都度記録する習慣があるだけで、データの信頼度はぐっと上がります。

4つの失敗に共通するのは、どれも「AIのせい」ではなく「使い方のせい」だということ。AIは指示どおりに計算する道具なので、前提が雑なら雑な答えを、データが汚ければ汚い答えを返してきます。逆に言えば、前提とデータさえ整えれば、中小企業でも大企業並みの在庫管理ロジックが手に入る。失敗パターンは裏を返せば、そのまま「成功のチェックリスト」になります。

導入を続けるためのポイント

在庫管理のAI活用は、一度やって終わりではなく「習慣」にできるかどうかがすべてです。長く続けている企業に共通するポイントを挙げておきます。

• 毎朝5分の「欠品リスク確認」だけ続ける：完璧を目指さず、即効プロンプト3を朝のルーティンにする。これだけで機会損失は大きく減ります。
• プロンプトをチームで共有する：うまくいったプロンプトはテキストファイルやスプレッドシートに保存して、誰でも同じ品質で使えるようにする。属人化の解消こそが最大のメリットです。
• 月1回、前提条件を見直す：リードタイムが変わった、新商品が増えた、仕入先が変わった——こうした変化のたびにプロンプトの前提を更新する。
• データの扱いに注意する：販売データに顧客の個人情報（氏名・連絡先など）が含まれる場合は、AIに渡す前に必ず削除する。商品名と数量だけなら問題ありませんが、機密性の高いデータは社内ルールを決めてから扱いましょう。

まとめ：今日から始める3つのアクション

在庫・発注管理の最適化は、大げさなシステム投資ではなく、手元のデータとAIで「今日から」始められます。専用システムの導入には数十万円から数百万円かかることもありますが、この記事で紹介した方法なら、月数千円のAI利用料と、手元の販売データだけで始められる。中小企業にとって、これほど費用対効果の高いAI活用の入口は、なかなかありません。

そして繰り返しになりますが、目指すのは「AIに発注を丸投げ」ではなく「ベテランの勘を、誰でも使える数字とルールに翻訳すること」です。AIが計算し、人間が判断する。この役割分担さえ守れば、欠品による機会損失と、過剰在庫で凍結されたキャッシュを、同時に減らしていけます。最後に、すぐ動ける3ステップにまとめます。

1. 今日やること：直近2週間ぶんの販売データと現在の在庫数を用意して、即効プロンプト3（欠品リスク抽出）を試す。危ない商品トップ5を洗い出すだけでも価値があります。
2. 今週中：欠品で困っているカテゴリを1つ選び、即効プロンプト1・2で需要予測と発注点を計算。出てきた発注点を、共有スプレッドシートやホワイトボードに書き出してチームに共有する。
3. 今月中：AIの予測と実際の販売数を週1回つき合わせる「検証ルーティン」を始める。ずれた原因（前提条件・季節要因）を特定して、プロンプトを少しずつ自社仕様に育てていく。

あわせて読みたい：

• 中小企業のためのAIデータ分析入門 — 販売データの整え方や分析の基礎から知りたい方へ
• AIでシフト・人員配置を最適化する方法 — 在庫と同じく「需要予測」が効く現場運用の話

次回予告：次の記事では「AIで仕入価格・原価を分析してコスト削減する方法」をテーマに、複数の仕入先の見積もりを比較したり、原価率の高い商品を特定したりする実践プロンプトをお届けします。

著者：佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談はお問い合わせフォームからお気軽にどうぞ。

参考・出典

• 中小企業白書・小規模企業白書 — 中小企業庁（参照日：2026-05-24）
• 電子商取引に関する市場調査 — 経済産業省（参照日：2026-05-24）
• 経済センサス — 総務省統計局（参照日: 2026-05-24）