飲食チェーンの「AI発注」最前線——需要予測の難しさを超えて、調達から経理までつなぐ自動化のリアル

はじめに——発注業務が「店長の仕事」でなくなる日

飲食チェーンの現場で、最も属人化しやすい業務は何か。多くの関係者が挙げるのが「食材の発注」です。

明日の来客数を読み、メニューごとの出数を予測し、冷蔵庫の在庫を確認し、納品のリードタイムを逆算して、サプライヤーごとに発注をかける。この一連の作業には、その店舗の売れ筋や客層に対する肌感覚、天候や近隣イベントへの嗅覚、さらには「この食材は足りなくなるとメニューが欠品して客単価が下がる」「この食材は余ると廃棄コストが跳ね上がる」という優先順位の判断が求められます。

結果として、発注業務は店長に集中します。新任の店長や異動直後の店長は、この業務を習得するまでに数ヶ月を要することも珍しくありません。牛たん専門チェーン「利久」では、まさにこの属人化が課題となっていました。

ところが今、この「店長の職人芸」とも言える発注業務が、AIによって大きく変わりつつあります。2025年末時点で、AI自動発注サービス「HANZO」（株式会社Goals）の導入店舗数は4,000店舗を超えました。ロイヤルホスト、天丼てんや、串カツ田中、肉汁餃子のダンダダン、そして利久——業態もメニュー構成もまったく異なるチェーンが、次々とAI発注を導入しています。丸亀製麺を運営するトリドールHDも、富士通のAI需要予測サービスを全823店舗に展開済みです。

AIによる自動発注は、もはや「先進的な取り組み」ではありません。大手チェーンにとっては「導入しない理由を説明する方が難しい」フェーズに入っています。

しかし、「AIを入れれば発注が自動化される」という理解では、本質を見誤ります。AI発注の中核にあるのは「需要予測」であり、これは飲食ビジネスにおいて最も難しいテーマの一つです。

本記事では、AI発注の仕組みを3つのレイヤーに分解し、その「難しさ」と「それでも導入が進む理由」、そして「自社の規模や状況に応じてどう取り組むべきか」までを掘り下げます。

レイヤー1：需要予測——なぜ難しく、AIはどう挑んでいるか

AI自動発注のすべての起点は、「明日（あるいは数日後）、この店舗で何がどれだけ売れるか」という需要予測です。そしてこれは、直感的に思われるよりもはるかに複雑な問題です。

売上の「成長期」と「安定期」で予測の性質が変わる

新規出店から1〜2年の成長期にある店舗は、売上のトレンド自体が動いています。先月のデータで来月を予測しても、店舗の認知拡大やリピーターの定着によって実績が予測を上回り続けるケースもあれば、逆に開店景気が剥落して下振れするケースもあります。成長率そのものを推定しなければならず、使えるデータの蓄積も浅いため、予測の不確実性が高くなります。

一方、出店から数年が経ち売上が安定期に入った店舗では、曜日、季節、天候、近隣イベントといった外部要因がパターンとして定着しているため、AIが学習しやすい構造になります。

つまり、同じチェーン内でも店舗のライフステージによって、予測モデルのアプローチを変える必要があるのです。

立地の個別性が「他店比較」を難しくする

飲食店の売上は立地に強く規定されます。ロードサイド店、駅前店、ショッピングセンター内のフードコート店では、来客の動機もパターンもまったく異なります。

ロードサイド店は天候の影響を大きく受けますが、SC内の店舗は天候よりもSC全体の集客施策に左右されます。駅前店は通勤・通学の流動に依存するため、祝日の影響が他の立地タイプとは逆方向に出ることもあります。

このため、「A店のデータで学習したモデルをB店にそのまま適用する」ことが難しく、店舗ごとに個別のモデルを育てるか、類似した立地特性を持つ店舗群（クラスター）を作ってグループ単位で学習させるといった工夫が求められます。

だからこそ「10店舗」が一つの分水嶺になる

ここまで読むと、「AIの需要予測は本当に使えるのか」と疑問に思うかもしれません。正直に言えば、類似メニューを提供する店舗が10店舗に満たない段階では、AIが学習に使えるデータ量が限られるため、予測精度を実用レベルに引き上げるのは容易ではありません。

HANZOの導入企業リストを見ると、大手・中堅チェーンが中心であることにも、この背景があります。1店舗ごとのデータだけでは季節性や外部要因のパターンを十分に学習できませんが、同一チェーンの数十〜数百店舗のデータを束ねることで、「天候の影響」「曜日パターン」「イベント効果」といった共通要因をチェーン全体で学習し、そこに各店舗の個別特性を上乗せするという二層構造の予測が可能になるのです。

現在のAIはこの難しさにどうアプローチしているか

最新のAI需要予測サービスは、こうした課題に対していくつかの手法で精度を高めています。

一つは、天候データ、カレンダー情報（曜日・祝日）、近隣イベント情報などの外部変数を自動で取り込み、予測モデルに反映する仕組みです。HANZOでは「天候に左右される売上増減や、直近の注文傾向なども加味した売上予測を店舗ごとにAIが行う」とされており、単純な時系列予測ではなく多変量の予測モデルが使われていることがうかがえます。

もう一つは、直近の注文傾向への動的適応です。モデルが過去の長期データだけでなく、直近数日〜数週間の実績を重く見ることで、急なトレンド変化——新メニューの投入や近隣への競合出店——にも追従できるようにしています。

富士通がトリドールHDに提供しているAI需要予測サービスでは、POSデータと気象データを組み合わせて、店舗ごと・日別・時間帯別の客数と販売数を予測しています。この「時間帯別」の粒度は重要です。ランチとディナーで客層も注文傾向もまったく異なる飲食業態では、日単位の予測だけでは不十分だからです。

レイヤー2：食材所要量の算出と自動発注——予測を「発注アクション」に変える

需要予測が「明日は何がどれだけ売れるか」を示すのに対し、このレイヤーは「では何をどれだけ発注すべきか」を算出するプロセスです。

BOM（レシピデータ）を起点にした自動算出の仕組み

仕組みの中核にあるのは、メニューごとのレシピデータです。製造業の用語を借りればBOM（Bill of Materials：部品表）に相当します。たとえば「牛たん定食」1人前に必要な牛たん、麦飯、テールスープの材料、漬物などの食材とその分量が定義されたデータです。

需要予測が「明日は牛たん定食がX食出る」と示し、BOMが「1食あたり牛たんがYグラム必要」と定義していれば、必要な牛たんの総量はX × Yで算出できます。これを全メニュー・全食材について積み上げ、現在の在庫量を差し引き、さらに各食材の納品リードタイム（発注から届くまでの日数）を考慮して、「今日発注すべき品目と数量」を自動算出します。

予測が完璧でなくても、発注精度は上がる

ここで重要なのは、予測の精度が完璧でなくても、発注の精度は従来より大幅に改善するという点です。

人間の発注担当者は、100品目以上の食材それぞれについて、需要予測・在庫確認・リードタイム計算を頭の中で同時処理しています。一つ一つの判断は経験に裏打ちされた合理的なものであっても、品目数が多くなると「注意の配分」にばらつきが出ます。AIは注意力が落ちることなく全品目を均一に処理できるため、全体としての発注精度が安定するのです。

導入企業の実績データがこれを裏付けています。HANZOの導入効果として、発注にかかる時間が83.3%削減されたという数字があります。ある14店舗規模のチェーンでは、1時間程度かかっていた発注作業が約10分に短縮されました。時間の削減だけでなく、発注精度の属人差がなくなることによる食材ロスの削減と品切れの防止が、コスト面での実質的な効果を生んでいます。

見落とされがちな「BOMの属人性」問題

ただし、ここには現場のリアルとして見過ごせない課題があります。BOMはあくまで「レシピ通りに調理された場合」の理論値です。

実際の店舗では、調理スタッフの経験や癖によって盛り付けの分量にばらつきが出ます。ベテランの料理長がいる店舗ではポーションが安定していても、スタッフの入れ替わりが激しい店舗では同じメニューでも使用食材量にかなりの差が生じることがあります。

さらに、店舗ごとの客層や売れ筋の違いが、実質的なBOMのズレを生むこともあります。たとえば、ある店舗ではサイドメニューの注文率が高く、別の店舗ではドリンク比率が高いといった違いがあれば、同じ「客数100人」でも必要な食材の構成は異なります。

AI自動発注の精度を本当の意味で高めるには、理論上のBOMだけでなく、店舗ごとの実績消費データを蓄積し、「この店舗では理論値よりも牛肉の消費が5%多い」といった実績ベースの補正を加えていく必要があります。これは一朝一夕にはできず、数ヶ月単位のデータ蓄積と検証が求められるプロセスです。

だからこそ、AI発注の導入は「ツールを入れた日から完璧に動く」ものではなく、「運用しながら精度を育てていく」ものだという認識が重要になります。

レイヤー3：経理データへの自動接続——発注が「経営の見える化」につながる

発注のAI化がもたらす価値は、現場の業務効率化にとどまりません。真のインパクトは、発注データが経理システムとリアルタイムでつながることで生まれます。

月次バッチからリアルタイムへ

従来の飲食チェーンでは、月次の棚卸を行い、その結果をもとに仕入原価を計算し、経理部門がP/L（損益計算書）を作成するというバッチ処理が一般的でした。このプロセスでは、「先月の原価率が想定より高かった」という事実がわかるのは、早くても翌月の中旬です。問題が発生してから認識するまでに数週間のタイムラグがあり、対策を打つ頃には状況がさらに変わっています。

AI自動発注が導入されると、発注→納品→消費のデータがデジタルで記録されるため、日次、場合によってはリアルタイムで仕入原価の推移を追えるようになります。「今週は牛肉の原価率が想定を2ポイント上回っている」という異常を即座に検知し、メニューの出数調整やポーション管理の見直しといった対策をすぐに打てる。経理処理が「過去の振り返り」から「リアルタイムの経営ダッシュボード」へと質的に変わるのです。

まだ道半ばだが、方向は明確

このレイヤー3は、現時点ではまだすべてのチェーンで実現しているわけではありません。発注システムとPOSシステム、経理システムの連携が必要であり、既存システムとの統合に課題を抱えるケースも多いです。

しかし、方向性として「発注のデジタル化が経理のリアルタイム化を可能にする」という構造は明確です。ここまで見据えて発注のAI化に取り組むチェーンとそうでないチェーンでは、数年後に経営判断の精度とスピードに大きな差がつくことになります。

あなたの会社はどこから始めるべきか——規模別ロードマップ

AI自動発注の全体像を見てきましたが、「うちの会社でもすぐに導入すべきか」はケースバイケースです。規模と現状に応じた段階的なアプローチを整理します。

10店舗未満の場合：AIの前にデータの土台を作る

この段階では、フルAI自動発注の導入は費用対効果が見合わない可能性が高いです。まず取り組むべきは、POSデータの精度向上と、メニューごとのレシピデータ（BOM）の整備です。AIが将来活躍するための「燃料」を蓄えるフェーズと考えてください。

もしAIの恩恵を早期に得たい場合は、Goals社が2024年にリリースした「HANZO 発注AIアシスト」のような、完全自動化ではなくAIが推奨発注量を提案し最終判断は人が行うハイブリッド型のサービスを検討する価値があります。

10〜30店舗の場合：段階的にAI発注を導入する

同一メニュー体系の店舗が10店舗を超えてくると、チェーン全体のデータを束ねることでAIの予測精度が実用水準に達しやすくなります。

まずは安定期に入っている既存店から導入を開始し、成功パターンが確立されたら新店にも展開するという段階的アプローチが現実的です。この規模では、発注業務の効率化だけでなく、食材ロスの削減効果がP/Lに明確に表れ始めるため、投資回収を数字で実感できるはずです。

30店舗以上の場合：段階展開の設計とFC問題が成否を分ける

この規模であれば、フルAI自動発注の導入は積極的に推進すべきです。ただし、全店一斉導入ではなく、段階的な展開設計が不可欠です。

実務的に最も堅い進め方は、3つのフェーズに分けることです。

フェーズ1：直営・安定軌道の少数店舗で実験する。 直営店の中から売上が安定軌道に入っている3〜5店舗を選び、パイロット導入します。ここでAIの予測精度、BOMとの実績ギャップ、現場オペレーションとの整合性を検証します。重要なのは、この段階で明確なKPI——発注時間の削減率、食材ロス率の変化、品切れ発生頻度など——を設定し、定量的に効果を測定することです。「なんとなくうまくいっている気がする」では、次のフェーズに進む根拠になりません。

フェーズ2：エリアを絞って拡大する。 パイロットの結果を踏まえて、特定エリアの直営店に展開します。たとえば「関東エリアの直営20店舗」といった区切りで、エリア内の店舗間比較ができる規模まで広げます。ここでは、立地タイプ別の予測精度の差異や、店舗ごとのBOM補正値の安定化を確認します。パイロット段階では見えなかった「店舗数が増えたときに初めて顕在化する問題」——たとえばサプライヤーの対応能力や、本部のモニタリング体制の負荷——を洗い出すフェーズでもあります。フェーズ1の結果との比較を通じた振り返りを丁寧に行い、全面展開に向けた運用ルールを固めていきます。

フェーズ3：安定軌道の全直営店に全面展開する。 ここまで来て初めて、チェーン全体のデータが一元化され、レイヤー3で述べた経理データのリアルタイム接続が経営上の意味を持ち始めます。

FC店舗への展開——技術ではなく権限設計の問題

直営店への展開とは別に検討が必要なのが、FC（フランチャイズ）店舗への導入です。ここは純粋な技術やオペレーションの問題ではなく、本部とFC加盟店の間の権限設計の問題になります。

直営店であれば、本部が「このシステムを使う」と決めれば導入できます。しかしFC店舗は独立した事業者であり、仕入れ先の選定に一定の裁量を持っている場合があります。地場のサプライヤーと長年の取引関係がある加盟店に対して、本部主導のAI発注システムへの全面移行を求めることは、契約上も関係性上もデリケートな問題です。

AI発注の導入は、「どの業務プロセスを本部がコントロールし、どこをFC加盟店の裁量に委ねるか」という、チェーン経営における本質的なテーマを改めて突きつけます。技術的にはAIで全店統一の発注を実現できても、経営的にそれが最適かどうかは別の判断です。発注データの共有範囲、推奨発注量に対する加盟店側の修正権限、仕入れ先の選択肢など、FC契約の枠組みの中でAI発注をどう位置づけるかを、導入前に設計しておく必要があります。

この点を曖昧にしたまま導入を進めると、直営店では順調に効果が出ているのにFC店舗では活用されないという「二重構造」が生まれ、チェーン全体のデータ一元化——AI発注の最大の果実——が実現しないリスクがあります。

おわりに——発注の先に広がる「AI×飲食チェーン」の全体像

AI自動発注は、飲食チェーンのAI活用における「最も手を付けやすく、最も効果を実感しやすい」入口です。しかし、入口であると同時に、ここから先に広がる変革の全体像を見ておくことには大きな意味があります。

需要予測の精度が上がれば、そのデータはそのままシフトの最適化に直結します。「明日のランチタイムは何人体制が最適か」という問いに、AIが根拠のある答えを出せるようになります。

食材消費データの蓄積は、メニューエンジニアリングの基盤になります。「どのメニューが利益貢献度が高いか」「原価率を維持しながら顧客満足度を上げるメニュー構成はどうあるべきか」——こうした問いに、データに基づいた答えを導き出せるようになります。

そしてこれらのデータが店舗横断で標準化されれば、出退店判断やFC展開の精度向上、さらにはM&Aにおける企業価値評価の精緻化にまでつながっていきます。

AIServe Labでは今後、これらのテーマを一つずつ掘り下げていきます。次回は、飲食チェーンにおけるAI活用のもう一つの大きなテーマ——「集客とコンバージョンの高度化」——を取り上げる予定です。

AIServe Labは、AI×サービス産業の変革を探求する専門メディアです。新着記事の通知を受け取りたい方は、メールアドレスをご登録ください。