出光興産は、約70人が1日約5,000件の配送オーダーを手作業で組んでいた配車計画に、AIが案を出し人が確定する「aIDEM（アイデム）」を入れました（出光興産ニュースリリース）。
作成時間は全国平均で約23%減っています（2026年の講演を伝えるMONOist）。
出光興産のAI配車の背景｜燃料輸送の課題と「aIDEM」に踏み切った理由
受注配送管理センターは、製油所から油槽所（燃料を一時的にためておく中継基地）へ運ばれた燃料を、SS（ガソリンスタンド）や工場などの需要家へ届ける陸上輸送の司令塔です。ここで毎日決める配車計画とは、どの車にどの油をどれだけ積み、どのガソリンスタンドへ運ぶかという計画のことです。
製油所からSSまで燃料を止めない供給網
燃料は、製油所から油槽所へ、そこから内航船やタンクローリーでSSや需要家へと流れます。
出光興産の講演資料によると、油槽所は31カ所、内航船は89隻、タンクローリーは1,800台。SSや需要家への販売数量は年間3,400万KL（キロリットル）です。
燃料油の配車は、一般の宅配の配車と大きく違います。違いは次の3点です。
| 比べる点 | 一般的な宅配 | 燃料油の配車 |
|---|---|---|
| 注文の出どころ | 届け先や荷主から注文が入ります | 計画配送では、出光興産側が在庫を予測して注文を作ります |
| 荷物の積み方 | 荷物を荷台に積みます | 油の種類と量を、タンクローリーのタンクに合わせて割り振ります |
| 間違いの重さ | 誤配は再配達で済むことが多いです | 危険物のため、量や届け先の間違いは許されません |
表の内容は、燃料輸送の一般的な特徴を整理したものです。
中心にあるのが「計画配送」です。SSのタンク在庫と売れ行きを出光側が予測し、販売店に代わって注文を作って届ける方式で、注文作りと配車を一体で考える必要があります。
さらにタンクローリーは、区切られたタンクに油種ごとの量を割り振って積みます。届け先のタンクの空き容量にも合わせる必要があり、組み合わせは一気に複雑になります。ガソリンや軽油は危険物です。少しの間違いも許されません。
2024年問題とドライバー不足
出光興産にとって、運び手の減少は他人事ではありませんでした。
国土交通省「持続可能な物流の実現に向けた検討会 最終取りまとめ」（2023年8月）によると、ドライバー数の減少の影響も加味して2030年度の物流需給ギャップを試算した場合、具体的な対応行動がなかった場合には、輸送能力の34.1％（営業用トラックの輸送トン数換算で9.4億トン相当）が不足する可能性があります。
限られたタンクローリーを、1台もむだにできない状況が近づいていました。
約70名の担当者の経験頼みという限界
2024年12月11日の公式リリースによると、約70名の担当者が1日約5,000件のオーダーと最大1,800台のローリーを手作業で組み合わせていました。
時間がかかるうえ、計画の出来は担当者の経験しだいです。特定の人にしかできない状態、つまり属人化が起きていました。
AIに踏み切った理由は、熟練者の頭の中にある組み合わせの技を、誰もが使える形にするためです。
需要予測と2段階の最適化で、aIDEMが配車計画の作成時間を約23%削減
出光興産の代表的なAI活用が、配車計画を支える「aIDEM（アイデム）」です。
AIが案を出し、人が確定します。その形に行き着くまでには、順番がありました。
10年分のデータから需要を当て、車両の組み合わせまで決める仕組み
出光興産はいきなりAIを入れたわけではありません。
DXの第一章は、積み込みを終えてから荷卸しまでの「見えない物流」を可視化することでした。受注から荷卸しまでをデジタルでつなぐ輸送管理プラットフォームを作り、紙や電話で回っていたやりとりをデータとして残せるようにしたのです。
友野寛氏（出光興産 流通業務部 受注配送管理センター配送課 課長）は、ITmedia Virtual EXPO 2026 夏の講演で「AIの前に、AIが学習できる現場でデータをつくる」という考え方を語っています。
ところが、データがそろっても、配車計画そのものは熟練者が頭の中で組み立てる仕事のままでした。つながったのは情報であって、計画づくりではなかったのです。
ここから第二章が始まります。
2024年12月、出光興産はアクセンチュアと共同開発したaIDEMを本格導入しました（出光興産ニュースリリース）。蓄積したデータを土台に、配車計画の案をAIと最適化モデルに作らせる仕組みです。
リリースによると、入れるのは取引先・売上・タンクローリーの情報です。そこから案ができるまでは3段構成で、最後に人の確認が入ります。
需要予測（AI）：
取引先ごとの売れ行きなどから、どこにどれだけ燃料が要るかを当てます。
計画立案（最適化モデル）：
たくさんの条件を満たす最良の組み合わせを計算する仕組みで、配送の計画を立てます。
配車最適化（最適化モデル）：
立てた計画を、どのタンクローリーで運ぶかという車の組み合わせに落とし込みます。
担当者が確定：
結果を見て、手直しする「調整」か、条件を変えてやり直す「再立案」をしたうえで決めます。
aIDEMは配車を全自動にする仕組みではなく、AIと最適化モデルが下書きを作り、担当者が仕上げる仕組みです。
約23%削減の中身と、新任でもベテランに近づく平準化
成果の数字は、時点と性質を分けて読む必要があります。
2024年12月11日のリリースでは、作成時間を25%削減することが「可能」で、担当者全員の利用で25%削減を「目指す」とされていました。これは目標です。
一方、2026年の講演では、実績として全国平均で約23%の削減が報告されています（MONOist）。
25%は2024年12月時点の目標、約23%は2026年の講演で報告された実績です。取り違えないようにしてください。
減ったのは時間だけではありません。講演レポートでは、AIが複数の案を瞬時に比べられるため計画の質がそろう（平準化）点が、効果として挙げられています。担当者の練度にかかわらず、一定の質を保ちやすくなるということです。
これにより──
- 練度の差が計画の質に出にくくなり、熟練者頼みという課題が和らぎます
- ゼロから案を作る手間が減ります
- 浮いた時間を、配送先ごとの事情が絡む例外対応などの判断に回せます
aIDEMを既存の配車画面に組み込み、担当者が微調整して現場に定着
どれだけ賢い仕組みでも、現場が使わなければ成果は出ません。
「AIが決めた計画を人が信じるのか」──そう感じる方もいるでしょう。出光興産がaIDEMで大事にしたのは、人が最終判断する余地を残すことでした。
新しいツールを覚えさせない、既存画面へのビルトイン
配車担当者にとって、計画づくりは毎日の仕事そのものです。そこに別のツールを持ち込めば、覚える負担がそのまま現場の抵抗になります。
出光興産が目指したのは、担当者がふだんの業務の流れの中でAIの案を受け取れる形です。新しい道具を覚えさせるのではなく、いつもの仕事の中にAIの案が出てくるようにしました。
AIの案を人が直す場面と「人とAIの融合」
配車計画には、配送先ごとの個別の事情がつきものです。AIの案はあくまで下書きで、取引先の事情を知る担当者が直して確定します。
講演で語られたaIDEMの考え方は、AIが案を出し、人が最終判断するというものです。友野寛氏は、これを「完全自動化ではなく、人とAIの融合」と位置づけています（MONOist）。
担当者は出てきた案を見て、配送先ごとの個別事情を足します。手直しで足りれば「調整」、条件から変えたければ「再立案」をして、確定します（出光興産ニュースリリース）。
AIと最適化モデルがやること：
需要の予測、配送計画の立案、車の組み合わせの計算。案を短時間で出します。
担当者がやること：
案を確認し、配送先ごとの事情を加えて、調整か再立案で確定します。
AIの案を担当者が直せる余地を残したことが、現場に受け入れられる設計の核です。 ベテランの判断を否定せず、下書き係としてAIを使う形だからです。
こうして人が直せる余地を設計できたのは、開発の段階から現場に入り込んでいたからでした。
aIDEMの開発者がタンクローリーの免許まで考えた現場主義が、使われるシステムを生んだ
「外部の会社に任せて、配車の現場の実情まで分かるのか」──そう感じる方もいるでしょう。
aIDEMが現場に受け入れられた理由は、システムの出来そのものより、作り方にありました。
乗務員の動きとタブレットの置き場所まで見たアジャイル開発
開発チームは、会議室で仕様を固めるやり方を取りませんでした。
アクセンチュアの導入事例ページによると、現場の感覚をつかむために、タンクローリーの運転免許の取得を検討するほど現場に入り込んだとされています。それだけ、運ぶ側の目線に立とうとした姿勢が伝わります。
ローリーの助手席に乗り、乗務員の動きを見ながらタブレットの置き場所を調整したことも、同じ事例ページで紹介されています。
進め方はアジャイル開発、つまり小さく作って、直しながら進める方法です。
試作品の段階から現役の配車担当者に参加してもらい、触ってもらっては意見を反映します。これを繰り返しました。
使われるシステムは、会議室ではなく現場への入り込みから生まれます。
導入後も続く伴走と、判断に専念する「AX」への道
作って終わりではありません。同じ事例ページでは、導入後も開発側が現場に関わり続け、運用中に出てくる課題を拾って改善していく姿が紹介されています。
この進め方の土台には、属人化の捉え方があります。出光興産は、これをベテラン個人の問題ではなく、業務の設定の問題と捉え直しました。だからこそ、熟練者の知恵を否定せず、仕組みに移せたのです。
友野寛氏が講演で今後の論点としたのは、AIを導入するかどうかではなく、AIを前提に仕事をどう組み直すかです。これがAX（AIトランスフォーメーション）、つまりAIを前提に仕事の進め方を作り変えることです。
そのうえで大切にするのが、あえて人の知見で支える領域を残すという考え方です。
AIが下書きを出し、人は配送先ごとの事情を踏まえた判断に専念します。出光興産のDXは、人を減らす方向ではなく、人が判断する場所を決め直す方向へ進んでいます。
なお、約23%の測り方（期間や比較方法）、既存の配車画面の具体的な作り、タンクローリーの免許を実際に取ったかどうかは、確認できた公開資料では示されていません。
まとめ
出光興産は、約70人が1日約5,000件のオーダーと最大1,800台のタンクローリーを手で組み合わせていた配車計画を、AIのaIDEMが案を出し、担当者が確かめて確定する形に変えました。
作成時間の削減は、2024年12月のリリースにあった25%が目標で、実績として報告されたのは全国平均で約23%です。
既存の配車画面に組み込み、担当者が微調整できるようにしたことが、現場で使われ続けた理由として挙げられています。
人の経験に頼る組み合わせの仕事を抱える会社が確かめたいのは、出光の10年分にあたる過去のデータがどれだけあるかと、AIの案を人が直す前提で運用できるかの2点です。