ホームセンター大手のカインズは、人が3年かけて磨いた需要予測(この先どの商品がどれだけ売れるかの見積もり)を、AIに作り直させました。海外生産の自社ブランド商品の長期予測では、従来モデルより誤差が19%縮まっています(Google Cloud Japan 2026年10月30日の事例紹介を、IT Leaders 2026年11月4日が報じたもの)。
カインズの課題と、需要予測にAIを入れた理由
店舗別の予測だけで通常時に約190万SKU(商品の管理単位)あり、人の目と表計算では追いきれない量だったためです(Google Cloud公式ブログ 2023年12月)。店舗数も2023年6月1日時点の234店から、2026年10月時点で281店に増えています。
課題①:納品まで数か月かかる海外生産PB
自社ブランド(PB)には海外で作る商品が多く、発注から店に届くまで数か月かかります。そのため約1万SKUについて、39週先の売れ行きまで読む必要がありました。
この予測は、社内のディストリビューター(発注・需給の担当者)が長年の経験で行っていました(Google Cloud公式ブログ 2023年12月)。ベテランと新人で精度に差が出て、担当が替わればノウハウも消えてしまいます。
先を読む仕事ほど、人の経験に寄りかかっていたのです。
課題②:Excelを分けて発注点を手で直していた
店ごとの予測は、直近数週間の売れ行きを平均する方法(移動平均)でした。過去をならすだけなので、季節商品が急に売れ始めても追いつけず、棚が空く欠品が出ていました(同上)。
予測の後には、発注点(在庫がこの数を下回ったら追加で発注する基準の数)の管理が待っています。2026年4月14日のGoogle Cloud Japanの発表(LOGISTICS TODAY 2026年4月17日掲載)によると、その作業は次の流れでした。
- 約190万行のデータを、表計算ソフトに20万行ずつ6〜7ファイルに分けて書き出す
- 書き出しだけで2日かかる
- 在庫・売上との突き合わせや条件の設定は、すべて手作業

【成功理由その1】カインズがAlphaEvolveに予測の作り方を探させ、海外生産PBの誤差を19%改善
カインズは、予測そのものではなく予測の作り方をAIに探させ、海外生産PBの長期予測で従来モデルより誤差を19%改善しました。使ったのは、Google DeepMindが開発し、Google Cloudがプレビュー版(正式公開前の試用版)として提供した「AlphaEvolve」です。プログラムの改良案を自分で作り、試し、磨いていきます。Google Cloudは2025年12月に限定プレビュー、2026年7月に一般提供を始めています。
仕組み:AIが予測の作り方を自分で探す
AlphaEvolveに渡すのは、過去の販売実績や商品情報です。AIは予測プログラムの案を作り、どれだけ当たるかを測り、良い案を残して改良します。この繰り返しで、予測に使うデータの選び方(特徴量)や調整の設定(ハイパーパラメータ)の組み合わせを、数百〜数千回試しました(Google Cloud Japan 2026年10月、IT Leaders 2026年11月4日)。

19%の比較相手は、人が3年かけて手で調整してきた従来モデルです。素人のモデルではなく、磨き込んだモデルにさらに上乗せしました。3年の手作業が限界に近づいた先で、AIが誤差を19%縮めたのです。
なお、誤差の指標の名前、評価した期間、検証の方法は、確認できた出典では公表されていません。精度が19%上がった、欠品が19%減った、という意味ではありません。対象は海外生産PBの長期予測に限られ、プレビュー版での取り組みです。
現場で何が変わったか:新商品の影響も予測に入った
1つ目の変化は、新商品の影響が予測に入ったことです。新商品が出ると似た既存商品の売れ行きが落ちることがあり、これをカニバリゼーション(共食い)と呼びます。人の手でデータに加工するのは極めて難しかったところ、自動探索でモデルに組み込めました(Google Cloud Japan 2026年10月)。
2つ目は運用の軽さです。カテゴリーごとに分かれていた複数のモデルを一つに統合し、運用の負担とコストを下げました(同上)。
ただし、この19%は3年間の調整の蓄積という土台があって出た数字です。いきなりAIを入れた結果ではありません。
【成功理由その2】長期と短期の予測を281店舗に広げ、Excelでの発注点の手直しをなくした
予測は2021年11月のプロジェクト開始から約4年かけて全281店に広がり、発注点の作業はAIエージェントが受け持つようになりました。2022年6月に運用を開始し、最初は、PBは一部カテゴリー、店舗別は伊勢崎店の一部商品だけでした(Google Cloud公式ブログ 2023年12月、IT Leaders 2026年11月4日)。その後、2023年10月末に48店、2024年9月に約200店、2025年10月に全店へと進んでいます。

仕組み:長期予測と短期予測を使い分ける
予測は、Google CloudのVertex AI Forecasting(過去のデータから将来を予測するサービス)で作っています。使い道の違う2本立てで、予測は週に1度更新されます。結果は基幹システムに戻り、定点発注(在庫が基準を下回ると自動で発注する方式)に使われます(Google Cloud公式ブログ 2023年12月)。
長期予測:海外生産のPB 約1万SKUを39週先まで。納品に数か月かかる商品の仕入れ判断に使う。
短期予測:店舗×SKU別に6週先まで。通常時は約190万SKU、繁忙期は最大500万SKU。店舗の自動発注(定点発注)に使う。
現場で何が変わったか:新人でも一定の精度で発注できる
配属されたばかりの担当者でも、一定の精度で発注できる状態になりました(Google Cloud導入事例)。
190万行の手作業は、2026年4月14日の発表(LOGISTICS TODAY掲載)によると次のように変わりました。データをBigQuery(大量のデータを置いて検索できる基盤)、Vertex AI、Cloud Run Jobs(処理を自動で走らせる仕組み)の1つの基盤にまとめ、担当者が日本語でAIエージェントに指示すると、データの抽出や条件の設定を進めてくれます。SQL(データを取り出す命令文)のメンテナンスも要りません。
トラックの積載量を考えた発注(車建発注)は、数理最適化(条件を満たす最良の組み合わせを計算で求める手法)で自動計算します。2〜3日かかっていた作業は、大幅に効率化されました。短縮後の時間や、最終判断を人がどこまで持つのかは公表されていません。
欠品率や在庫回転が何%変わったのかも公表されておらず、「これから測る」段階です(IT Leaders 2026年11月4日)。
予測を全店に広げ、その後ろの発注点の手間まで同じ基盤に載せたことが、この段階の要点です。
【成功理由その3】カインズが予測を棚割りと在庫移動の最適化へつなげ始めた
カインズは同じ予測データを、棚割り、店舗間の在庫移動、物流センターの計画にも使い始めています。段階は、棚割りが机上検証、在庫移動が実装・検証中、RELEXが導入決定と、それぞれ異なります。

棚割り:ブレインパッドと棚の本数を最適化
カインズはブレインパッドと、店舗・商圏ごとに商品を何本並べるかを決める「棚本数最適化AI」を共同開発しています。需要予測のデータから、棚割り(商品の並べ方と本数)を算出する仕組みです。
約200店舗・1000種類以上のカテゴリを対象にした机上検証(実際の売り場ではなく、データ上での試算)では、約10%前後の売上向上効果が見込まれることを確認しました(IT Leaders、ブレインパッド 2025年11月26日発表)。売り場での実績ではなく見込みで、2026年度中の全店での業務利用開始を目指す段階です。
在庫の偏りとRELEX:次に進める取り組み
「A店では売れ残り、B店では棚が空いている」──。この在庫の偏りへの手も、動き始めています。
- 店舗間の在庫の偏りを見つけて移動を提案するAIエージェントは、実装・検証中です(IT Leaders 2026年11月4日。成果の数字は公表されていません)
- 2026年9月には、店舗の予測を物流センターの発注へつなぐ、サプライチェーン計画基盤RELEX(リレックス)の採用が発表されました。対象は278店・物流センター23か所・8万SKUで、稼働はこれからです(LOGISTICS TODAY)
どれも検証・決定・実装の途中ですが、店の予測が棚と物流の判断にまでつながり始めたことは確かな動きです。
まとめ
カインズの事例が示しているのは、予測をAIに任せて全281店に広げ、次は予測の作り方そのものまでAIに改良させた、その順番です。
- AlphaEvolveで、海外生産PBの長期予測の誤差が19%縮小
- 2022年6月の運用開始から、2025年10月に全281店へ
- 棚割りは机上検証、RELEXは導入決定の段階
19%の出どころはIT Leaders、導入の経緯はGoogle Cloudの公式ブログで確かめられます。