見積査定をAIに委ねる。アクティオ×日本IBM事例が示す調達自動化の設計思想

2026年7月、建設機械レンタル大手のアクティオが日本IBMとの協業内容を公表しました。

年間23万件に及ぶ間接材調達業務を対象に、AIによるエンドツーエンド自動化を推進するという内容です。

この事例が注目されるのは、規模の大きさだけではありません。見積書の内容確認から発注システムへの登録まで、査定と判断を含めてAIが担う設計を選んだ点にあります。

この記事の対象読者

• 製造・建設・レンタル業で調達業務のAI化を検討している調達責任者・購買部門のマネージャー
• 「OCRや転記の自動化は済んだが、次のステップが見えない」と感じているIT推進担当者
• AI導入のPoC段階を終え、本番設計の判断基準を探しているCTO・情報システム部門のリーダー
• 調達業務の属人化・ブラックボックス化をガバナンス上の課題として認識している経営企画担当者

課題：「転記は自動化できた。では査定は？」

調達業務のAI活用は、OCRによる請求書読み取りや購買データの自動入力から始まることが多いものです。

これは「転記の自動化」にあたります。ルールが明確なため、AI適用の難易度は比較的低いといえるでしょう。

問題はその先にあります。見積査定は「この単価は相場と比べて妥当か」「この数量は過去の傾向から異常ではないか」といった複合的な判断を含む作業です。

• 単価が相場と比べて妥当かどうかの見極め
• 数量が過去の発注傾向から外れていないかの確認
• 契約条件の変更が例年と整合するかどうかの照合

長年の経験を持つバイヤーが暗黙のうちに行っているこのプロセスは、ルール化されていないことが多いのです。

アクティオが設定した課題は、まさにこの「属人化しやすい見積査定業務の標準化・透明化」でした。

サプライチェーンの最適化とガバナンス強化を主目的に据え、判断基準を組織全体で共有できる形に変えることを目指しています。

みっちゃくんを見る

取り組み：「判断の委譲」を選んだアーキテクチャ

本プロジェクトでは、日本IBMのAI・自動化技術基盤を活用しています。見積書の内容確認から発注システムへの登録までの一連のフローを、AIが担う設計です。

フローを分解すると、次の三層構造が浮かび上がります。

• データ抽出層：見積書・請求書のOCR処理と構造化データへの変換
• 査定・判断層：過去の発注実績・相場データをもとにした単価・数量・条件の妥当性評価
• 例外処理層：AIが「判断困難」と判定した案件を人間のレビューキューに回す振り分け

従来型の自動化は第一層で止まることが多いものでした。本事例は第二層の査定プロセスをAIに委譲している点が設計上の特徴です。

IBMはエンタープライズ向け調達自動化の実績をプロジェクト設計に反映させています。

汎用的なAIモデルをそのまま当てはめるのではありません。アクティオの業務ルールと判断基準を組み込む形でシステムを構築しているとみられます。

成果：2026年9月の本番適用へ

本取り組みは2026年7月13日に発表された段階です。2026年9月を目標に本番適用を開始する計画が示されています。

現時点でのアウトカム数値(処理時間削減率・エラー率等)は公表されていません。定量的な成果の評価は本番稼働後になるでしょう。

ただ、発表の段階でも設計の成果として読み取れる点があります。年間23万件という規模に対し、エンドツーエンドの自動化設計を本番適用まで引き通したことです。

主目的に掲げるガバナンス強化の観点では、属人的な査定基準を組織として可視化・共有できる状態にすること自体が成果といえます。これは本番稼働前の段階で達成されつつあります。

学び・再現のポイント：中堅企業がこの設計から何を持ち帰るか

「23万件は自社には関係ない」と思った読者にこそ、設計思想を持ち帰ってほしいと考えています。

アクティオ事例が示すパターンは、年間数万件規模の中堅製造・建設・レンタル業にも横展開できます。

ポイント1：判断の委譲範囲を最初に決める

「AIに何をやらせるか」より先に「AIに何をやらせないか」を決めます。

見積査定であれば、金額の上限・仕入れ先の信用状態・契約条件の変更は「必ず人間が判断する」とルールを定めます。それ以外をAIに委ねる境界線を引くわけです。

この境界線の設計を後回しにすると、例外処理が溢れてAI自動化の恩恵がほぼなくなります。

ポイント2：暗黙知の明文化をプロジェクトの工程に組み込む

査定基準がベテランの頭の中にしかない状態でAI開発を始めると、設計が途中で止まります。

「ワークショップ何回・ドキュメント何枚」という形でこのステップを計画に明示し、工数を確保する必要があるでしょう。

ポイント3：ガバナンスを初期設計に組み込む

AIが誤判断した場合の責任所在・是正フロー・監査ログの設計は、本番後の後付けにしません。

誰が何を根拠に承認し、どの履歴が残るか。これを設計段階で定めることで、ガバナンス上のリスクを抑えられます。

アクティオ事例でガバナンス強化が明示的な目的に据えられているのも、このアーキテクチャ上の判断を示しています。

ポイント4：小さく始めて判断精度を計測する

中堅企業であれば、全調達品目を対象にするのではなく、品目カテゴリを絞って先行運用するアプローチが現実的でしょう。

先行カテゴリで判断精度・例外発生率・処理時間を計測し、拡張の判断材料にします。

• 先行カテゴリの選び方：件数が多く、査定基準が比較的均質なもの(消耗品・汎用部品等)から始める
• 計測指標の例：AI判断の承認率、例外としてエスカレートされた案件の割合、処理時間の変化
• 拡張の判断基準：例外発生率が事前に合意した閾値を下回ったら次カテゴリへ展開

調達AI自動化の設計相談はこちら

よくある質問

年間処理件数が少ない中堅企業でも同じ設計は成り立ちますか？

設計パターン自体は成立します。年間数万件規模であれば、むしろカテゴリを絞った先行運用がしやすく、判断精度の検証期間を短くできる利点もあるでしょう。

規模が小さいほど、暗黙知の明文化にかかる工数も比例して少なくなることが多いです。

見積査定のAI化で「AIの誤判断による発注ミス」のリスクはどう管理しますか？

誤判断リスクの管理は、例外処理層の設計で担います。AIが「判断の確信度が低い」と判定した案件を、自動的に人間のレビューキューに回す仕組みが基本でしょう。

加えて、金額上限や新規仕入れ先との取引など、リスクの高い条件を「必ず人間が確認する」ルールとして明示的に定義しておきます。これにより誤判断の影響範囲を制御できます。

「暗黙知の明文化」はどれくらいの期間・工数がかかりますか？

私たちが見てきた範囲では、対象カテゴリを絞っても4〜8週間のヒアリング・整理期間が必要なケースが多いです。

ベテランバイヤーへのインタビュー、過去案件のデータ分析、判断基準の文書化。この三つのステップを並行して進めると期間を圧縮できます。

この工数を計画に組み込まずに着手すると、AI開発フェーズで手戻りが生じるでしょう。

日本IBMのような大手ベンダーでないと、このような実装は難しいですか？

大手ベンダーの強みは実績と技術基盤の組み合わせにあります。ただ、設計思想自体は規模に依存しません。

中堅企業の場合、全体を一度に構築するより、判断委譲の範囲を絞り段階的に拡張する進め方の方が、むしろリスクを管理しやすいのです。

大切なのは、ベンダー選びよりも「自社の判断基準を先に整理できているか」という準備状態でしょう。

ガバナンス設計で最低限おさえるべき要素は何ですか？

最低限として、次の三点をシステム設計段階で合意しておくことをお勧めします。

• AIが承認した判断の監査ログを何年分保持するか
• 誤判断が発覚した場合の是正フローと通知先は誰か
• 四半期・半期ごとにAIの判断精度をレビューする担当と基準を誰が持つか

この三点が文書化されているかどうか。それによって、内部監査や取引先からの問い合わせへの対応力が大きく変わります。

アクティオ×日本IBM事例が示すのは、調達AIの次の段階です。

「転記を自動化する」から「判断を委譲する」への移行は、技術的な飛躍より先に、業務設計上の覚悟を必要とします。

判断基準の明文化、委譲範囲の合意、ガバナンスの初期組み込み。この三つを最初に揃えられた組織が、本番稼働まで引き通せるでしょう。規模は関係ありません。