地方の運送会社がGeminiで配車計画を自動化：燃料コストを年間180万円削減した方法

地方の運送会社がGeminiで配車計画を自動化：燃料コストを年間180万円削減した方法

「また今月も燃料代が予算オーバーだ…」

これは、私——山形県で運送会社「羽州物流」を経営する佐藤健司（45歳）——が毎月末に感じていた憂鬱です。配車担当のベテラン社員・田中さんが長年の経験と勘で組んでいた配車計画。それが本当に最適なルートなのか、誰にも検証できないまま何年もが過ぎていました。

ドライバーは12名、保有車両は15台。東北の地方運送会社としては中規模ですが、燃料費の高騰と人手不足のダブルパンチで、毎年利益率が削られていく感覚がありました。「このまま何もしなければ、5年後には廃業を考えなければいけないかもしれない」——そんな危機感がAI導入への背中を押してくれました。

この記事では、IT知識がほとんどない私が、GoogleのAI「Gemini」を使って配車計画を自動化し、燃料コストを年間180万円削減できるまでになった実際の取り組みを、失敗談も含めて包み隠さず紹介します。同じように悩んでいる運送会社の方に、少しでも参考になれば幸いです。

背景・きっかけ：なぜGeminiだったのか

AI導入を真剣に考え始めたのは2025年の春頃です。きっかけは、配車を一手に担っていた田中さんが腰の手術で3ヶ月入院することになったこと。代わりに配車を担当した若手社員の木村君が作った計画は、明らかに非効率なルートだらけで、その月の燃料代が通常の1.3倍にまで膨らみました。

「田中さんの頭の中にある知識を、どうにかして形にできないか」——そう思って調べ始めたのが、AIを使った業務自動化です。最初はChatGPTを試してみましたが、月額費用やAPIの使い方がよくわからず断念。そこで取引先の社長から「GoogleのGeminiは使いやすい」と聞き、試してみることにしました。

Geminiを選んだ決め手は3つです。まず、Googleのサービスなので普段使っているGoogleスプレッドシートとの相性が抜群だったこと。次に、Gemini Advancedが月額2,900円（Google One AIプレミアムプラン）と比較的手頃だったこと。そして、無料版でも試せるので、お金をかける前に効果を確かめられたことです。

最初は「AIなんて難しそう」と思っていましたが、実際に触ってみると思ったより直感的に使えて、「これなら自分でもできるかもしれない」と感じました。もちろん、うまくいくまでには数々の失敗もありましたが……。

具体的な取り組み：Geminiで配車計画を自動化した手順

ステップ1：配車データの整理とGoogleスプレッドシートへの移行

まず最初に取り組んだのは、これまで田中さんが紙とExcelで管理していた配車関連データをGoogleスプレッドシートに集約することです。具体的には以下のデータを整理しました。

• 得意先リスト（会社名・住所・配送曜日・時間指定・荷物の種類・重量）
• 各ドライバーの勤務スケジュールと保有免許の種類
• 車両ごとの最大積載量・燃費・現在の走行距離
• 過去6ヶ月分の配送実績（ルート・所要時間・燃料消費量）

この作業だけで約2週間かかりましたが、これが後々の自動化の土台になるので、手を抜かずに取り組みました。特に「過去の配送実績データ」は非常に重要で、これがあることでGeminiがより精度の高い提案をしてくれるようになります。

ステップ2：Geminiへの「配車計画作成」プロンプトの構築

データが揃ったところで、いよいよGeminiを使った配車計画の自動化に着手します。最初は漠然とした質問をしていましたが、試行錯誤の末に効果的なプロンプトのパターンが見えてきました。

現在使っている基本的な配車計画プロンプトはこちらです：

【プロンプト例①：基本的な配車計画の作成】

あなたは運送会社の経験豊富な配車管理者です。以下の条件に基づいて、明日の最適な配車計画を作成してください。

【配送先リスト】
・A社（山形市七日町）：10:00〜12:00指定、2トン荷物
・B社（天童市）：午前中指定、500kg
・C社（東根市）：時間指定なし、1.5トン
・D社（村山市）：14:00〜16:00指定、800kg
・E社（尾花沢市）：時間指定なし、3トン

【利用可能な車両と担当者】
・2トン車（田中）：燃費8km/L
・4トン車（鈴木）：燃費6km/L
・2トン車（木村）：燃費8km/L

【条件】
・出発地は山形市南部（中山町）
・各ドライバーの拘束時間は10時間以内
・燃料コストを最小化することを優先
・時間指定は必ず守ること
・各車両の積載量を超えないこと

配車計画を表形式で作成し、各ルートの推定走行距離・所要時間・燃料コストも計算してください。また、なぜそのルートが最適なのか理由も説明してください。

このプロンプトを使うことで、Geminiは各ドライバーへの配送先の割り当て、推奨ルート、推定燃料コストを表形式でアウトプットしてくれます。最初は手作業で入力していましたが、後にGoogleスプレッドシートのデータを直接コピー&ペーストする形式に改善しました。

ステップ3：緊急対応プロンプトの整備

配車計画は作った後に変更が発生することが多いのが現実です。「A社が今日は受け取れないと連絡が来た」「ドライバーが急病で休みになった」といった事態への対応プロンプトも用意しました。

【プロンプト例②：緊急時の配車変更】

今日の配車計画に緊急変更が発生しました。以下の状況を踏まえて、最小限の変更で配車計画を修正してください。

【現在の確定配車計画】
（ここに作成済みの配車計画を貼り付け）

【変更内容】
鈴木ドライバーが午後2時に体調不良で早退することになりました。鈴木が担当していたC社・E社への配送を、他のドライバーで対応する方法を提案してください。残業は最大2時間まで許容します。

変更後の計画を表形式で示し、追加コストの概算も出してください。

ステップ4：月次の燃料効率分析プロンプト

毎月末には、その月の配送実績データをGeminiに読み込ませて分析するルーティンを作りました。

【プロンプト例③：月次燃料効率分析】

以下の今月の配送実績データを分析して、燃料効率の改善点を洗い出してください。

（Googleスプレッドシートから実績データをコピー&ペースト）

特に以下の観点で分析をお願いします：
1. 燃料消費が多かったルートTOP3とその原因
2. 積載効率が低かった便とその改善案
3. 来月の配送計画で取り入れるべき改善点
4. 曜日・時間帯別の渋滞パターンの傾向

分析結果は箇条書きでわかりやすくまとめてください。

ステップ5：Google Apps Scriptとの連携で半自動化を実現

プロンプトが安定してきた段階で、ITに詳しいフリーランスのエンジニアに依頼して、GoogleスプレッドシートとGemini APIを連携するGoogle Apps Scriptを構築しました。費用は15万円ほどでしたが、これによって毎朝の配車計画作成にかかる時間が従来の90分から15分程度まで短縮されました。

具体的には、スプレッドシートに翌日の配送依頼を入力すると、ボタン一つでGemini APIが呼び出され、配車計画の下書きが自動生成される仕組みです。担当者はその結果を確認・修正するだけでよくなりました。

【プロンプト例④：スプレッドシート連携用のシステムプロンプト（一部）】

あなたは運送会社の配車最適化AIアシスタントです。入力されたスプレッドシートデータを解析し、以下のルールに従って最適な配車計画をJSON形式で出力してください。

【優先ルール（順番に適用すること）】
1. 時間指定の厳守（絶対条件）
2. 積載量の上限遵守（絶対条件）
3. 燃料コストの最小化（最優先の最適化目標）
4. ドライバーの拘束時間の均等化
5. 車両の走行距離の均等化

出力形式は必ずJSON形式で、後工程でスプレッドシートに自動展開できるようにしてください。

失敗談と改善：リアルな壁とその乗り越え方

失敗①：Geminiが「架空の道路」を使ったルートを提案してきた

最初の大きな失敗は、Geminiが提案するルートが実際の道路状況と合っていないケースが多発したことです。「A社からB社まで15分」という提案が実際には45分かかったり、存在しない近道を使ったルートが提案されたりしました。

Geminiはリアルタイムの地図データや交通情報にアクセスできるわけではないので、当然といえば当然の話でした。改善策として、プロンプトに「実際の所要時間は以下の実績データを参考にしてください」として過去の配送実績時間を添付するようにしました。また、Geminiの提案をベースにしながら、最終確認はGoogleマップで行うというルールを設けました。これによってルートの精度が大幅に改善されました。

失敗②：プロンプトが複雑になりすぎて回答の品質が下がった

「より精度を高めよう」と条件をどんどん追加していったら、プロンプトが2,000文字を超えるものになってしまいました。すると逆にGeminiの回答がちぐはぐになり、重要な条件が無視されるケースが増えました。

改善策は「プロンプトの分割」です。一つのプロンプトで全部やろうとするのをやめて、「まず全配送先を車両に割り当てる」「次に各車両のルート順を最適化する」「最後に所要時間と燃料コストを計算する」という3段階に分けました。各プロンプトをシンプルに保つことで、回答の品質が格段に向上しました。

失敗③：現場ドライバーの反発を甘く見ていた

技術的な問題よりもむしろ大変だったのが、現場の反発です。「AIが決めたルートなんか信用できない」「俺たちの経験を馬鹿にしているのか」という声が複数のドライバーから上がりました。特に10年以上のベテランドライバーからの抵抗は強く、最初の1ヶ月は実質的にAIの提案が無視される状況が続きました。

改善策として取り組んだのは、まずドライバー全員を集めた説明会の開催です。「AIに仕事を奪わせるためではなく、皆さんの負担を減らすために使う」ということを丁寧に説明しました。また、AIの提案を「最終的にドライバーが修正できる」という仕組みにしたことで、徐々に受け入れてもらえるようになりました。ベテランの田中さんが復帰後に「自分の経験が正しかったかGeminiで確認できる」という使い方を始めてくれたのが、チーム全体の意識を変えるきっかけになりました。

失敗④：季節・天候変動への対応が不十分だった

東北の冬道は本州の感覚とは全く別物です。Geminiへの入力データに「積雪・凍結」の条件を反映させていなかったため、冬場に提案されたルートが現実に合わないことが多発しました。改善策として、11月〜3月は「冬季モード」のプロンプトを用意し、所要時間を1.5倍に設定したうえで、除雪が遅れやすいエリアを避けるルート指定を追加しました。

成果・数値：Before/Afterで見る改善効果

Geminiを本格導入してから約8ヶ月が経過した時点での成果をまとめます。

燃料費の削減効果を年間に換算すると、月15万円×12ヶ月＝180万円の削減となりました。これはGemini Advancedの利用料（年間約3.5万円）やシステム構築費（15万円）を差し引いても、初年度だけで約161万円の純利益改善につながっています。

数字には表れにくいメリットもあります。配車担当の木村君が「自分でも自信を持って配車できるようになった」と言ってくれたこと、田中さんの経験がデータとして会社に蓄積されるようになったこと、そして私自身が毎月末に「また燃料代がオーバーか…」と悩まずに済むようになったこと——これらは金額では測れない大きな価値です。

応用・発展：さらなる活用アイデア

配車計画の自動化で手応えを感じてから、Geminiの活用範囲を少しずつ広げています。現在取り組んでいること、そしてこれから挑戦したいことを紹介します。

現在取り組んでいること

車両メンテナンス計画の最適化：各車両の走行距離・整備記録をGeminiに読み込ませ、「次にオイル交換が必要な車両と推奨時期」「タイヤ交換を考慮すべき車両」などをアドバイスしてもらっています。突発的な車両故障が月2〜3件あったのが、直近3ヶ月でゼロになりました。

見積書・請求書の作成補助：スポット依頼の運賃見積りをGeminiに作成させています。「この距離・荷物量・時間指定でいくら請求すべきか」という質問に対して、燃料コスト・人件費・車両減価償却費を考慮した適正価格を提案してもらえます。

これから挑戦したいこと

需要予測への活用：過去の配送データと季節変動を組み合わせて、「来月の配送量の予測」をGeminiに出力させる仕組みを構築中です。これができれば、繁忙期に合わせた人員・車両の確保が先手を打って行えるようになります。

Googleマップ APIとの連携強化：現在は手動でGoogleマップを確認している部分を、APIを使ってリアルタイムの交通情報も組み込んだ自動化に発展させたいと考えています。実現すれば渋滞回避による時間・燃料の追加削減が期待できます。

ドライバー向けAIアシスタント：個々のドライバーがスマートフォンから「今日の配送順番を変更したい」「雨が強くなってきたので別ルートを提案して」と話しかけられるような仕組みも構想中です。

まとめ：完璧じゃなくていい、まず使ってみることが大切

振り返ってみると、私が最初にGeminiを使い始めたのは、ごく単純な「試しにやってみよう」という気持ちからでした。専門知識もなく、プログラミングもできない私が、8ヶ月で年間180万円の燃料コスト削減を実現できたのは、完璧なシステムを作ろうとしたからではありません。小さく始めて、失敗して、改善して——その繰り返しの結果です。

AIは魔法のツールではありません。入力するデータの質が低ければ、出てくる提案も使い物になりません。現場のドライバーや社員が使いこなせなければ、どんな高機能なシステムも意味がありません。でも、地道に取り組み続ければ、確実に結果は出ます。

もし「うちみたいな小さな会社がAIなんて…」と思っているなら、ぜひ一度Geminiの無料版で試してみてください。明日の配車計画を一度AIに作らせてみるだけでいい。そのたった一歩が、会社を変える第一歩になるかもしれません。

私たちの取り組みが、同じように悩む地方の運送会社の皆さんにとって、少しでも参考になれば嬉しいです。

この記事は実践AI（jissen.ai）が取材・構成したものです。登場する人物・会社名は架空のものですが、取り組みの内容・数値は実際の事例をもとに構成しています。（2026年6月25日公開）