概要
- Amazon が配備した 100 万台のロボットは、製造およびフリート運用の規模を示す説得力ある証拠だが、100 万台の互換性ある自律型作業員がいることの証拠ではない。資産の大部分は構造化された施設内で棚、ポッド、パッケージを移動している。困難なアイテムレベルのピッキングと収納では、依然として適格フィルターやリトライ、人手への引き継ぎ、限定的な配備が用いられている。
- 最も優れた公開タスク証拠は、発表の発表ではなく生産研究から得られる。Robin の学習済みピック順位付けは、大規模フリートテストでヒューリスティックベースラインに対する失敗を削減した。Vulcan Pick の試験では、抽出試行の 90.9%で成功したが、割り当てられた 6,561 リクエストのうち 4,690 件、約 71.5%が、計画の延期やその他の失敗を含めた後にロボットによる抽出に成功したに過ぎなかった。
- 建物全体の主張は有望だが、まだクリーンなロボティクス経済学ではない。Amazon は Shreveport 設計でサービスコストの 25%改善を目標としているが、提出書類ではロボティクスの資本的支出、減価償却、エネルギー、保守、復旧作業、個別の節約額を個別に開示していない。Amazon 自身が開発者であり主要顧客でもあるため、独立した生産比較は依然として少ない。
- 労働の話は単なる削減ではなく、作業の移転である。ロボットは何マイルもの歩行と一部の持ち上げを排除するが、保守、フロア監視、例外処理、エンジニアリング業務を生み出し、人間のステーションでのペースを潜在的に引き上げる。安全性の主張にも同様の規律が必要である。人間工学的メカニズムは信頼できるが、ロボティクスサイトと非ロボティクスサイトの企業比較は観察によるものであり、規制当局は依然として広範な人間工学的管理を要求している。
2025 年 6 月、日本の Amazon フルフィルメントセンターは、同社の 100 万台目のロボットを受領した。これは Amazon が Kiva Systems を買収してから 13 年後の節目であり、軽視することは難しい。300 以上の施設に配備された 100 万台の物理的な機械は、研究室の話ではない。それは調達、製造、充電、スペア、無線カバレッジ、フリートソフトウェア、フロア準備、保守、日常運用のすべてが、異常に大規模なネットワークとの接触を乗り越えたことを意味する。この節目に関する Amazon の発表は、倉庫ロボティクスが社内で通常のインフラとなったことの信用できる証拠である。
それは、100 万台のロボットが 100 万件の注文を単独で処理できるという証拠ではない。
この区別は重要だ。なぜなら Amazon の数字は、非常に異なるジョブと自律性のレベルを持つマシンを一つにまとめているからだ。成熟した Hercules ドライブユニットは構造化されたグリッドを移動し、ポッドを持ち上げて作業者に届ける。Proteus は人がいる空間で車輪付きカートを移動する。Robin は山積みのパッケージを取り、モバイルドライブに載せる。Sparrow は個別の在庫を扱う。Cardinal はより重い小包を仕分ける。Sequoia は 1 台のロボットではなく、統合された在庫システムである。Vulcan は力覚センシングを用いて、混雑した布製棚の中で作業する。大規模に展開されているものもあれば、1 つの建物や少数のワークセルにとどまっているものもあり、一部はまだ拡大配備の予定である。
Amazon Robotics を正直に評価する方法は、したがって、名前ではなく作業を追うことだ。どのタスクが入力されるか？ どの状態を保持すべきか？ 通常のケースのうちどの割合が完了するか？ マシンが拒否、落下、詰まり、キャリブレーション喪失、停止したとき、アイテム、注文、その他の建物部分に何が起こるか？ そして、操作が正常に戻るまでにどれだけの人間の関与が必要か？
内部顧客向けに作られた子会社
Amazon Robotics LLC は、2012 年 3 月に Amazon が約 7 億 7500 万ドルの現金で買収することに合意した、マサチューセッツ州ノースリーディングのマテリアルハンドリング企業 Kiva Systems の後継法人である。Amazon の当初の買収発表は、その魅力を端的に述べていた：Kiva はピッキング、パッキング、収納のために従業員に製品を届けた。後の Amazon 提出書類には、買収が 2012 年 5 月に完了したと記録され、Kiva は買収からその年末までに 6100 万ドルの売上高と 6200 万ドルの営業損失を計上した。これは、有用なシステムと収益性の高い独立ベンダーが同じではないことを早期に示すものだった。
法的および製品の境界は曖昧になる可能性がある。なぜなら Amazon は、Amazon 全体のニュースルーム、研究ページ、求人サイトを通じてロボティクス事業を説明しているからだ。ここで関連するビジネスは、マサチューセッツ州の研究と製造を基盤とし、Amazon オペレーションに配備されている、Kiva 由来のフルフィルメント技術である。それは AWS ではない。たとえ Amazon が、AWS インフラがロボットセンサー、カメラ、マシンによって生成されたデータを保存・処理すると言っていてもだ。また、Zoox の自動運転車、Prime Air の配送ドローン、Astro 家庭用ロボット、あるいは Amazon が投資しているあらゆるロボティクス企業でもない。それらの取り組みは人材、サービス、研究を交換するかもしれないが、倉庫フリートを単一の商用製品に変えるものではない。
顧客の境界も同様に重要である。歴史的に、Kiva は外部企業に倉庫システムを販売していた。Amazon の下では、意味のある配備顧客は主に Amazon 自身である。ドライブあたりの価格、ソフトウェアサブスクリプション、サービスレベル契約、顧客維持率を掲載した公開の Amazon Robotics カタログは存在しない。Andy Jassy 氏の2025 年株主宛て書簡は、Amazon が規模と運用フィードバックを活用できる産業および消費者顧客向けにロボティクスソリューションを模索すると述べている。未来形が重要だ。それは確立された外部ロボティクスビジネスではなく、選択肢を述べているのだ。
この構造は、Amazon Robotics にほとんどのベンダーがうらやむ優位性を与えている。同社のエンジニアは膨大な量を観察し、建物を変更し、上流のソフトウェアを改変し、障害データを収集し、節約分を親会社内に留めることができる。それはまた、従来の証明を弱める。サプライヤーとバイヤーは経営陣を共有し、テストサイトは同じ企業グループに属し、いずれの側も独立した投資収益率を公表する必要がない。Amazon は、たとえ子会社が独立した機器会社として魅力的に見えなくても、小売ネットワーク全体を改善するシステムに合理的に資金を提供できる。外部の倉庫オペレーターは同じ経済性を想定できない。
重要な単位は注文である
顧客は 1 つの注文を見る。倉庫は一連の状態遷移を見る。
入荷在庫は識別され、販売可能にされなければならない。アイテムは保管場所に置かれ、その場所が記録され、十分なコピーがネットワーク全体に分散される。注文が到着すると、ソフトウェアはフルフィルメントサイトを選択し、在庫を割り当てる。保管ポッドまたはコンテナがステーションへ移動する。正しいアイテムが取り出され、検証され、トートに入れられる。梱包され、ラベル付けされ、仕分けられ、他の作業と統合され、適切なドックへ送られる。カートは積み込みエリアに移動し、トラックは定刻に出発する。すべての転送で、同一性、数量、宛先、物理的状態が保持されなければならない。
Amazon のマシンは、このチェーンの一部を自動化する。最も古く最も広範な部分は、商品対人輸送である。駆動ユニットはモバイルポッドの下に入り、それらを持ち上げ、固定ステーションに運ぶ。人間はもはやアイテムを探して通路を歩き回らない。これは移動の大幅な削減だが、ワークステーションでは依然として、製品を識別し、つかみ、スキャンするために人が必要である。システムは歩行作業を定置型のピッキングまたは収納作業に変え、ソフトウェアが待ち行列を制御する。
次の部分はパッケージの移動である。Robin と Cardinal は、視覚、吸引、産業用アームを使用して、既に包装された商品を移動する。Proteus は積載されたカートを移動する。これらは、ぎっしり詰まった棚から特定の柔らかい、反射性、壊れやすい小売アイテムを見つけるよりも、より制約されたタスクである。小包には既に包装形状とラベルが与えられている。カートは標準的な機械インターフェースを提供する。標準化はトリックではない。これは信頼性の高い産業オートメーションの作り方である。しかしそれは、高いパッケージ数がアイテムレベルの器用さに読み替えられないことを意味する。
最も難しい部分は、小売在庫そのものの操作である。Amazon は、歯磨き粉、本、袋入りのおもちゃ、ケーブル、ボトル、軽い箱、変形しやすい衣類を隣接するビンに保管するかもしれない。オブジェクトは新しい包装で到着し、互いに重なり合い、有用な表面を隠し、接触により移動する。人間の手は、明示的な 3 次元モデルを構築することなく、触覚、両手の協調、常識的な即興を使用する。ロボットには、知覚、エンドエフェクタ、衝突のない動作、力制限、回復動作、そしていつ試みないかの判断が必要である。
これが、ロボットが顧客注文の 75%の処理に関与しているという Amazon の声明が、75%の自律率ではない理由である。駆動ユニットは、人が依然としてピッキング、確認、梱包を行う注文を支援できる。この主張は、ネットワークを通じた到達範囲を示しているのであって、削減された労働や意思決定の割合ではない。バイヤー、オペレーター、政策立案者にとって有用な分母は、完了したタスク、タスクあたりの介入回数、破損したアイテム、回復時間、労働分数、正しい注文あたりの総コストである。
輸送は成熟しているが、フロアはシステムである
モバイル駆動フリートは、Amazon Robotics の最も明確な生産上の成功である。2022 年までに Amazon は 52 万台以上の駆動ユニットを報告し、2025 年半ばまでに広範なロボット数は 100 万台を超えた。この規模では、関連する能力は 1 台のロボットがルートを追従できるかどうかではない。何千台ものロボット、ポッド、ステーションが、局所的な混乱を建物全体の遅延に変えることなく動き続けるかどうかである。
現代の駆動ユニットは、中央計画ソフトウェアから作業を受け取りつつ、局所的なセンシングと制御を保持する。Amazon の現在のフリート説明によると、Hercules は 3 次元カメラを使用して人、ポッド、ロボット、その他の物体を区別し、位置のためにエンコードされた床マーカーを読み取り、全体的な指示を中央計画から受け取る。制限された保管フロアでは、環境が信頼性の大部分を担っている。経路はグラフとして表現され、ポッドとステーションは既知の役割を持ち、床マーカーが位置特定を固定し、アクセスは厳密に制御される。Proteus は、人の周囲を感知してナビゲートしながらカートを移動することで動作ドメインを拡大するが、最初の本番ジョブは出庫ドックエリアに限定されていた。
規模は、単一ロボットのデモでは示せない相互作用をもたらす。ロボットは狭い経路や需要の高いステーションを奪い合う。塞がれた移動セルは、多くのルートを長く強制する可能性がある。ピッカーがアイドルにならないようにポッドが待機する。充電、フロアアクセス、保守はキャパシティをサービスから外す。小さな遅延が交通波を形成しうる。
2019 年に Amazon Robotics と共に行われた MIT のプロジェクトは、復旧負担を異例なほど具体的にしている。そのロボットフロア健全性の研究は、落下した製品、こぼれ、無効化された駆動装置、汚れた床マーカーを説明している。駆動装置が故障したり障害物の上を走行すると、従業員は安全に入るためにかなり広いエリアを制限しなければならない場合がある。その制限は貴重な移動レーンを塞ぎ、混雑を悪化させ、ステーションのアイドル時間を増加させる。このプロジェクトは、事後対応のサポートや非公式のベストプラクティスが規模に対応しなかったために存在した。オペレーターは、介入の早期検出と優先順位付けの向上を必要としていた。正確な割合とコストは秘匿されているため、これは現在のアップタイムレポートではない。それでもなお、フリート自律性がそれ自身の通常の監督作業を生み出すという貴重な証拠である。
Amazon は、ますます学習ベースのソフトウェアで混雑に取り組んでいる。2023 年のシステムは、ロボットの履歴と計画軌道から遅延を予測した。研究者らは、シミュレーションにおいて、経路計画スループットが生産方式より 4.4%高く、移動時間推定誤差が 30%から 40%低いと報告した。これらは有望な結果だが、シミュレーションという言葉には重みがある。リプレイでのより良い経路選択は、実際のピークトラフィック下で同じ利益を自動的に確立するわけではない。
DeepFleet は、より野心的な後継である。Amazon はこれを移動ロボットの協調のための基盤モデルと呼び、フリートの移動効率を 10%改善すると述べている。テクニカルペーパーは充実している。4 つのモデルファミリーが実際の生産データでトレーニングされ、最大の例は約 70 万から 500 万ロボット時間を使用した。ホールドアウトテストは 7 日間、7 つの倉庫フロアで行われ、モデルは未来の 60 秒間の軌跡を展開した。最良のアーキテクチャはメトリックに依存した。9700 万パラメータのロボット中心モデルはほとんどの軌跡測定で最良を記録し、はるかに小さなグラフモデルも競争力を維持した。
しかし、この論文は予測を評価しており、公表されている 10%の運用上の主張ではない。予測された軌道と混雑が、ホールドアウトされた振る舞いにどれだけ似ているかを測定している。DeepFleet 導入前後の移動時間、注文スループット、介入、コストを示すサイト無作為化比較は公表されていない。Amazon はその証拠を持っているかもしれない。公衆は持っていない。したがって、モデル能力はフリート全体の顧客成果よりも強く確立されている。
この区別は回復力にとっても重要である。DeepFleet はタスク割り当て、ルーティング、シミュレーションに情報を提供できるが、各ロボットの低レベル安全コントローラとして安易に説明されるべきではない。学習された予測が誤っているか、インフラが利用不可能な場合でも、リアルタイム停止、力制限、機器インターロックは安全に動作し続けなければならない。Amazon は AWS が豊富なマシンデータの保存と処理に役立っていると述べているが、どの制御ループがクラウド可用性を必要とするかを推論するのに十分なアーキテクチャを公開していない。責任ある結論は、クラウドとフリートデータが分析とモデル開発の上流依存関係である一方で、正確な故障境界は未開示のままであるということだ。
Robin は優れた生産証拠がどのようなものかを示している
Robin、荷物単体化アームは、Amazon Robotics が生産において繰り返し操作タスクを改善できることを示す、最も強力な公的証拠を提供する。役割は、コンベア上の非構造化された山から 1 つの小包を取り出し、スキャンし、仕分けのためにモバイル駆動装置に置くことである。小包は材質、質量分布、視認性が異なり、ワークセルもアームと吸着ツールの構成が異なる。
Amazon の研究者は、浅層機械学習モデルを訓練し、成功予測に基づいて候補ピックをランク付けした。彼らの2023 年生産論文は、関連する失敗を挙げている：実行可能な計画がない、把持後の小包の喪失、誤って複数のアイテムを取る。これは、失敗したタスクが何を意味するかを示しているため、総パッケージ数よりも優れた開示である。
評価にはいくつかの有用な層があった。モデルは 394,000 回以上のピックで訓練された。約 179,000 回のランダムな生産インダクトに対する検証比較の 1 つでは、学習済みランキングがピック成功率を 95.02%から 96.20%に引き上げた。この 1.18 パーセントポイントの変化は失敗を 23.7%削減した。これは、なぜ見かけ上小さな信頼性の向上が、1 日あたり数百万回の繰り返しで重要であるかの良い例である。より大規模なフリート A/B テストでは、約 116 万ピックを 6 つのランキングアプローチにそれぞれ割り当てた。最も強力な学習構成は、中心ピックヒューリスティックの 92.28%に対して 93.73%の成功率を達成した。配備済みの手法は、論文の評価期間中に 2 億回以上のインダクトを報告された 98%の成功率で処理していた。
この証拠は完璧ではない。Amazon が論文を執筆し、フリートを運用した。98%という見出しには、完全なコスト、リトライ、介入の台帳が伴っておらず、異なるテーブルが異なる手法とサンプルをカバーしている。成功したピックは顧客注文全体ではない。しかし、この論文はタスク定義、ベースライン、サンプルサイズ、実際の生産比較を提供している。これは狭く強い主張を裏付ける。学習されたピック選択により、既に成熟したパッケージハンドリングシステムの失敗頻度が低下した。
Robin はまた、信頼性がいかに複利化するかを示している。2%の失敗率は、1 日に 500 万回の試行に適用されるまでは素晴らしく聞こえる。各失敗が直接 1 回の試行にマッピングされれば、10 万回の初回試行失敗を意味する。実際には、一部の失敗はリトライされたり別のプロセスに回されるため、その計算は遅延した顧客パッケージの数ではない。これは、高ボリュームのオートメーションは平均的なケースが機能する時点で称賛されるのではなく、回復を中心に設計されなければならないことを思い出させる。
2024 年までに、Amazon は Associated Press に対し、Robin が数十の倉庫で稼働しており、30 億回のピックを行ったと述べた。同じ独立して報告されたインタビューでは、他の名前付きシステムは依然としてテスト中か広く展開されていないとされた。したがって、フリートの成熟度は同じポートフォリオ内でも不均一である。
アイテムハンドリングが自律性のギャップを露わにする
Sparrow はコンテナ間で個別の製品を移動するように設計されている。Cardinal は最大 50 ポンドのパッケージを持ち上げて仕分ける。Sequoia はモバイルロボット、ガントリー、アーム、コンテナ化在庫、人間を組み合わせている。これらのシステムは、自動化を輸送の範囲を超えて拡張する。各システムの公的証拠には異なる強みがある。
Amazon は、現在の Sparrow バージョンが 2 億種類以上のユニークな製品を処理できると述べている。これはカバレッジの主張であり、成功率ではない。要求された移動をどれほど頻繁に完了するか、どの程度の割合を拒否するか、製品ミックスがどのようにサンプリングされるか、何回のリトライが許可されるか、あるいはどのくらいの頻度で人が在庫状態を解決するかは述べていない。Sparrow の認識が広範なカタログ対象範囲を持つというのはもっともらしい。Amazon の公開 ARMBench データは、19 万以上のユニークなオブジェクトにわたる 23 万 5 千以上のピックアンドプレイス活動から構築された。しかし ARMBench は未解決のエッジも明らかにしている。そのベースライン欠陥検出器は、5%の誤検出率でマルチピック画像欠陥のわずか 34%しか想起しなかった。一方、パッケージ欠陥の想起率は 73%だった。そのベンチマークはモデルを測定したもので、現在の Sparrow 製品ではない。しかし、まれな悪い結果を検出することが通常の移動を行うよりも難しい理由を示している。
Cardinal は理解しやすい。シュートから小包を選び、ラベルを読み取り、正しいカートに入れる。空気吸引とラベル付けされた箱がこれを扱いやすくしており、50 ポンドの取り扱い制限は明らかな人間工学的価値のある作業を対象としている。それでも Amazon は、Cardinal のタスク成功率、アップタイム、千個あたりの介入回数、比較コストを公開していない。プロトタイプの発表と指名された配備は、動作するシステムの証拠ではあるが、その生産信頼性を評価するには不十分である。
Sequoia は、主張をロボットから建物プロセスへと移行させる。最初のヒューストン配備で、Amazon は入荷在庫が最大 75%速く識別・保管され、注文が最大 25%速くフルフィルメントセンターを通過できると述べた。Shreveport 施設はこの設計を拡大する：300 万平方フィート以上、3000 万点以上の保管能力、数千台のモバイルロボット、ロボットアーム、完全稼働時には 2500 人の従業員。Amazon のShreveport の説明では、ピーク期間のサービスコストを 25%改善することを目指しているとしている。
これらの声明は、コンポーネントの速度だけでなく、在庫とコストに関するものであるため意味がある。それらはまた目標であり、ベンダー報告の比較である。Amazon は、ベースライン施設、測定期間、稼働率、減価償却、あるいは地域在庫配置、ソフトウェア、梱包、労働スケジューリング、ロボティクスの貢献を個別に公開していない。Sequoia がまさに価値があるのは、これらの部分が連携して機能するからだが、その統合が帰属を困難にしている。正しい主張は、Amazon が明示的な運用目標を持つ本格的なサイト全体自動化設計を持っていることであり、ロボットだけで既に全ての注文コストを 4 分の 1 削減したということではない。
Associated Press が訪れたナッシュビルサイトは、1 つの有用な配備測定値を提供する。Cardinal と Proteus の作業が始まってから 2 年足らずで、Amazon は建物のアイテムの 70%がそのロボティクスシステムを介して出荷されていると述べた。繰り返すが、「介して」は「人に触れられていない」ではない。それは、すべてのアイテムハンドリング問題を解決しなくても、生産パスがサイトのボリュームの大部分を運べることを示している。
Vulcan の拒否はその成功と同じくらい重要である
Vulcan は、モデル能力と製品信頼性の間のギャップを検証するのに最適な場所だ。なぜなら Amazon は、混雑した布製ポッドからの収納とピッキングの両方について、異例に詳細な研究を発表しているからだ。
ストウシステムは、ステレオビジョン、学習セグメンテーション、力覚センシング、タスク固有のハードウェアを組み合わせている。1 つのメカニズムが伸縮性保持バンドを動かす。グリッパーが投入アイテムを保持する。伸縮可能なブレードがビン内の物体を移動して空間を作る。この分解は重要だ。汎用の手にすべての人間の動きを模倣させる代わりに、システムは 1 つの器用な行為を制御されたサブタスクに変換する。
2025 年の配備論文によると、システムは 50 万回以上のストウを実施した。研究者らは最近の 10 万回の試行を詳細に分析し、結果を人間のアノテーターが検証した。全体の成功率は 85%を超えた。2025 年 3 月、ロボットの平均は同じフロアで作業する人の 243 ユニットに対して 224 ユニット/時間で、約 7.8%低かった。1 つのワークセルでの別の A/B テストでは、学習されたリスク選択が頻度主義的対照に対して生産性を約 7%改善したが、処理群は 227 ポッドに対して対照群は 695 ポッドだった。システムの目標はさらに厳しいものだった：1 時間あたり 300 ユニット、品目の 80%、1 日 20 時間以上、週 7 日。
失敗の詳細は見出しよりも多くのことを明らかにする。失敗したサイクルでは、アイテムがグリッパー内に安全に保持されたまま別の試行が可能な場合があり、時間を浪費する。より悪い結果は、アイテムを落下させたり、人間の修正を必要とする損傷を生じさせる。論文は、剛性アイテムがブレードをブロックすること、変形可能な製品が力をうまく伝達しないこと、アイテムがビンのエッジに引っかかること、本が隣接品に折れ曲がること、軽い箱が固定クランプ力によって押しつぶされること、物体や保持バンドが安全でない位置に残されることを説明している。知覚のみの推定は、平均で利用可能な空間を 36 ミリメートル過小評価し、標準偏差は 40 ミリメートルだった。接触は有用な情報を提供したが、接触だけでは対象空間の外に曲がった柔らかいおもちゃを見逃す可能性がある。研究者らは、欠陥が単にサイクルを無駄にするのではなく、復旧作業を生み出すため、不釣り合いな注意を払うべきだと結論付けている。
Vulcan Pick は、分母についてさらに明確な教訓を提供する。要求されたアイテムを混雑したポッドから取り出す際、画像を使用してアイテムが識別可能か、遮られていないか、移動可能か、吸引に適しているかを判断する。あまりにも多くの物体が遮っていたり、安全なピックが存在しない場合、リクエストは手動ステーションに送られる。試みられたピックが繰り返し失敗した場合、人が引き継ぐ。
フィールド配備論文は、1 つの稼働倉庫を対象とし、当初は 1 つの抽出システム、後に 2 つで、2024 年 10 月から 2025 年 3 月まで平日約 6 時間稼働した。より広い期間で 12,000 回以上のリクエストがステーションを通過した。1 月から 3 月の詳細な統計は、6,561 件の割り当てリクエストをカバーしている。ロボットは 5,157 回のアイテム抽出を試み、4,690 回で成功し、報告された 90.9%の抽出成功率となった。しかし、1,246 件のリクエストでは計画の失敗により抽出試行がなく、論文によるとリクエストの 19.4%がバンドまたはピック計画の失敗のためにステーションで拒否され、手動ステーションに送られた。割り当てられた全リクエストに対して測定すると、ロボット抽出の成功は約 71.5%であった。
どちらの分母も不正ではない。試行成功は、選択された動作が機能するかどうかをエンジニアに教える。割り当てリクエスト完了は、セルが実際にどれだけの作業を吸収するかをオペレーターに伝える。生産バイヤーには両方が必要であり、さらにサイクルタイム、損傷、人工、ピークパフォーマンス、可用性も必要である。「90%以上の成功」はカバレッジなしでは自律性を過大評価し、「71.5%のエンドツーエンド」は意図的な安全性延期を注記しなければ、リスクの高い作業を拒否する価値を過小評価するだろう。
システムの復旧設計は理にかなっている。それは成功または失敗を倉庫ソフトウェアに報告し、作業を再割り当てできるようにする。その失敗は具体的である。吸引力不足、不適切な抽出軌道、バンドやビン縁、金属棒との衝突、誤ったまたは複数のアイテム、落下製品、キャリブレーションエラー、ソフトウェア通信障害、吸盤の損傷である。エンジニアは 6 ヶ月間で可用性を向上させたが、最終的なアップタイムパーセンテージは開示されていない。
Amazon の 2025 年 5 月の公開展開説明では、スポケーンで 6 台の Vulcan Stow ロボットによるパイロットが行われ、さらに 30 台のベータとドイツでの大規模配備が計画されているとされた。最新の声明では、欧州および米国でのより広範な拡大が来るとしている。これは 1 つのセルからの真の進歩だが、依然として駆動フリートより桁違いに小さい。Vulcan は、接触の多いアイテムハンドリングが生産に入ったことを証明している。一般的なアイテム操作が無人ネットワーク規模に達したことを証明してはいない。
監督は消えない。形を変えるのだ。
自動化は作業を塊で取り除き、断片で追加する。駆動フリートは歩行と手動棚輸送を排除する。Proteus は重量カートのプッシュを排除できる。Robin と Cardinal は繰り返しの小包持ち上げを排除する。Sequoia は在庫を大腿中央から胸中央の高さに提示し、通常のしゃがみや頭上へのリーチを減らす。Vulcan は意図的にポッドの高列と低列を対象とし、より簡単な中段と難しいアイテムを人間に任せる。
追加される作業は、信頼性保守、制御エンジニアリング、清掃、フロア監視、キャリブレーション、データアノテーション、例外処理、在庫照合、品質チェックに分散される。一部の役割は高度なスキルを要し、より高給である。Amazon の Shreveport 設計では、以前の施設より信頼性、保守、エンジニアリングの役割で 30%多くの従業員が必要とされる。また見習い制度は、教室での学習と 2,000 時間の OJT を組み合わせている。これらは有用な経路だ。しかし、すべての置き換えられたピッカーがそれらに移行できるか、あるいは移行するだろうことを確立するものではなく、追加された技術職が数、場所、アクセス可能性において削減された定型業務と一致するわけでもない。
測定の陰に隠れた作業もある。人間のアノテーターが 10 万回の Vulcan Stow の結果を検証した。オペレーターは機械が識別できないアイテムを捕捉する。手動ステーションが Vulcan Pick の延期を吸収する。保守チームは吸盤とキャリブレーションを修理する。フロアモニターは制限エリアに入り、無効化された駆動装置や落下製品を復旧させる。在庫問題解決者は、不良転送後に物理的アイテムをソフトウェア記録と照合する。システムは直接的な接触を減らす一方で、残された接触の重要性を高めることができる。
人間の作業ペースも変わりうる。商品対人は歩行を取り除くが、定置型ピッカーに継続的に作業を供給する。これは生産時間を増やし、物理的な移動を減らす一方で、反復を集中させる。2024 年の上院 HELP 委員会の調査は、ロボット棚ユニットからピッキングする作業者に関する Amazon の内部研究が、反復回数の増加と背中の怪我の可能性を関連付け、10 時間シフトで 1,940 回の動作を上限と特定したと報告した。Amazon は委員会の解釈に異議を唱え、提案された介入は効果がないとし、同社の安全記録は配送が加速する中で改善されたと主張した。Associated Press の報道は双方の主張を伝えている。
この論争は、ロボットが職場を安全にするか危険にするかの単純な主張を妨げる。Amazon は、2022 年にロボティクスサイトの記録可能および損失時間事故率が非ロボティクスサイトよりも低かったと報告し、2025 年の安全性アップデートでは、世界の記録可能率が 2019 年から 2025 年にかけて 43%低下し、損失時間率が 70%低下したと述べている。しかし、サイト比較は無作為化されていない。ロボティクス建物は、築年数、製品ミックス、レイアウト、人員配置、管理方法が異なる可能性がある。ネットワーク全体の改善には、ロボット以外にも多くの介入が含まれている。
規制記録は、人間工学的リスクが依然として重要であることを示している。2024 年 12 月の OSHA 和解は、10 施設を含む訴訟を解決し、連邦管轄下の施設全体での企業とサイトレベルのリスク評価、訓練、エンジニアリング管理パイロット、継続的レビューを要求した。リストされた管理策には、調節可能なワークステーション、コンベア、再設計された梱包ステーション、カート、ジョブローテーションが含まれ、ロボティクス単独ではなかった。したがって実用的な基準は、メカニズムと測定された結果である。機械がリスクの高い動作を取り除くことを示し、次にペースや別のプロセスが他で再現することなく、怪我への曝露が減少することを示すことだ。
Amazon が雇用を続けても、労働需要は曲がりそうだ。内部戦略文書に基づく 2025 年のニューヨーク・タイムズの報道によると、Amazon のロボティクスチームは、量が増える中で自動化が 2033 年までに将来の米国雇用を 60 万人以上回避できると予想していた。これは現在の従業員 60 万人を解雇するのと同じではない。Amazon は、この数字は 1 つのチームの見解を反映したもので、全体的な雇用戦略を表すものではないと回答した。正確な予測は変わるかもしれないが、経済的意図は謎ではない。労働分数を減らすことでアイテムあたりのコストを下げるシステムは、同じ量で自動化されていない代替案よりも少ない人数で済むように意図されている。
経済性は周辺部でしか見えない
Amazon Robotics には公開価格がなく、Amazon は倉庫ロボティクスをセグメントとして報告していない。そのため、公開データから従来のユニットエコノミクス計算は不可能である。
分子には、ロボットハードウェア以外のはるかに多くのものを含めるべきである。真剣な総コストには、建物の再設計、ポッドとトート、ガントリー、コンベア、ワークステーション、床マーカー、無線および計算インフラ、安全システム、在庫および倉庫管理ソフトウェアとの統合、インストレーションダウンタイム、エネルギー、スペアマシン、エンドエフェクタ、キャリブレーション、予防保守、技術者、ソフトウェアエンジニアリング、例外労働、破損在庫、ピーク用に保持されるキャパシティのコストが含まれる。減価償却は重要である。なぜなら、固定システムは技術的に有用でありながら、レイアウトやプロセスが変化するにつれて経済的に陳腐化する可能性があるからだ。
便益側には、削減された労働分数、移動距離、床面積生産性、保管密度、スループット、正確性、怪我の少なさ、在庫利用可能性の向上、注文締切時間の延長、季節雇用の回避を含めるべきである。より速い流れは、費用を削減するだけでなく、収益や顧客維持率を高める可能性がある。数十万台の駆動装置に適用された経路改善は、人員が変わらなくても価値があるかもしれない。アイテムを損傷し在庫状態を破損する勇気ある把握よりも、信頼性の高い拒否の方が安上がりになり得る。
Amazon の提出書類は、周辺の規模のみを明らかにしている。2025 年の Form 10-Kは、現金資本支出が 2024 年の 777 億ドルから 2025 年の 1,283 億ドルに増加し、主にテクノロジーインフラ、主に AWS の成長、および追加フルフィルメント能力によるものと述べている。ロボティクスを分離していない。フルフィルメントコストには、人員、施設、機器、減価償却、賃料、入荷、保管、ピッキング、梱包、支払処理、顧客サービスが含まれる。同社は、2025 年のフルフィルメントコストの上昇は売上成長とネットワーク投資を反映し、一部は運営効率によって相殺されたと述べている。それらのどれもロボットの回収期間を生み出さない。
したがって、Shreveport でのピーク時サービスコスト 25%改善という目標は最も興味深い開示された商業的主張だが、公開されたコスト架け橋のないサイト目標に過ぎない。数十億の将来の節約というアナリスト予測はシナリオであり、観察されたキャッシュフローではない。それらは展開速度、量、回避される労働、稼働率、新システムが信頼性目標を達成するかどうかに依存している。
Amazon は、広大な内部ネットワーク全体で学習を取り込めるため、長い開発曲線に耐えることができる。Blue Jay はポートフォリオリスクを例示する。2025 年 10 月に当日運用のためのマルチアームシステムとして発表されたが、2026 年 2 月までに使用されなくなった。Amazon の自社のページは現在停止を記録し、基盤技術は他で継続されると述べている。プロトタイプの停止はロボティクス戦略全体の失敗ではない。弱いプロジェクトの終了は責任ある開発の一部である。それは、発表の速さ、印象的な外観、フリートへの野望が、持続可能な生産成果の代わりにはならない理由を示している。
なぜほとんどの倉庫は Amazon を模倣すべきでないのか
自動化を選ぶ外部の事業者は異なる決断に直面する。Amazon はハードウェア、ソフトウェア、建物、作業ルールを一体で設計できる。膨大な反復、独自の需要データ、拘束力のある配備ネットワーク、1%の失敗率を改善できるエンジニアリング組織を持っている。地域の小売業者やサードパーティ物流プロバイダーは、顧客が変動し、賃借スペースで、量が少なく、特注のロボティクススタックへの意欲が乏しいかもしれない。
現実的な代替案は「Amazon のロボットかクリップボードを持った人々」ではない。倉庫は、スロッティング、包装、ピック経路を再設計したり、フォークリフト、コンベア、ピックトゥライトを使用したり、シャトルやキューブストレージシステムを設置したり、既存の建物にサードパーティの自律型移動ロボットを配備したり、デパレタイジング、ソーテーション、梱包のみを自動化したり、変動性により資本が魅力を失う場合は手動作業を維持できる。正しい答えは、スループット、製品寸法、需要変動性、建物寿命、労働力の可用性、停止コストに依存する。
商業競合他社は有用な対比を提供する。AutoStoreは、2025 年末までに 65 カ国以上で 1,950 以上のシステムを報告し、パートナーおよびインテグレーターエコシステムを通じて販売された。Symboticは、2025 年年次報告書で約 225 億ドルのバックログを開示し、その大部分は Walmart とその GreenBox ベンチャーに関連しており、長期のソフトウェアサポート義務も伴っている。これらの企業は、自動化を販売することがビジネスであるため、顧客契約と収益を公開している。Amazon Robotics は、Amazon を改善することがビジネスであるため、運用規模を公開している。どちらの証拠形式も自動的に優れた技術を証明するわけではないが、異なる商業的質問に答えている。
より広範な市場は一直線に進むことなく成長している。Interact Analysis は、2025 年の倉庫自動化受注が 7%増加したと推定する一方で、鋼材と労働コストの上昇がプロジェクト価値を膨らませ、基調的な需要は依然として慎重であると警告した。同じ市場アップデートは、活動の多くを Amazon や Walmart を含む小売業者による少数の大規模投資に帰した。これは、自動化が機能する市場と一致するが、非常に大規模な統合プロジェクトは依然として規模と資本を持つ所有者に有利である。
構造化された高ボリュームサイトでのマテリアル輸送には、Amazon の経験が強くその事例を支持する。異種のアイテム操作については、購入者は実際のカタログでピークテストと経年テストを伴う局所的な試行を要求すべきである。受け入れテストでは、選択された試行ではなく割り当てられたタスクを、動作ではなく正しい完了を、ロボットのサイクルタイムだけでなく復旧労働を測定すべきである。安定的な量の 60%を処理し、クリーンに失敗する低コストのモジュール式システムは、後者が在庫を損傷したり、継続的な専門家の注意を必要とする場合、80%のカバレッジを目指す洗練されたアームよりも優れているかもしれない。
判断を変えるものは何か
Amazon Robotics は産業技術にとって最も重要な閾値を既にクリアしている。並外れた規模で生産に有用であるということだ。駆動フリートは倉庫のジオメトリを変え、膨大な移動を削減する。Robin は、パッケージピックの失敗を測定可能に減らす生産学習を示している。Sequoia は、在庫フローを中心に複数のシステムをどのように構成できるかを示している。Vulcan は、かつて非実用的と考えられていた接触の多い作業が、選択された作業において人間並みの速度で実際の建物で試みられるようになったことを示している。
証拠は、完全なアイテムレベルの自律性、無人フルフィルメント、またはクリーンな外部ビジネスケースを支持していない。最も有能な操作システムでさえ、行動する前にタスクを絞り込む。それらは適格性を分類し、低リスク表面を好み、リトライし、困難な要求を延期し、手動ステーションに依存する。これは堅実なエンジニアリングへの批判ではない。それは信頼性の源である。間違いは、成功を説明する際にこれらの境界を省略することだろう。
いくつかの開示が判断を実質的に改善するだろう。第一は、サイトレベルのタスク会計である：割り当てリクエスト、適格リクエスト、初回試行成功、最終成功、人間の介入、損傷、復旧時間をシステムおよび製品クラス別に。第二は、ピーク時の可用性であり、平均復旧時間とワークセルやフロアを健全に保つために必要な労働を含む。第三は、成熟した Sequoia スタイルの建物のコスト架け橋であり、ロボティクス、建物設計、ソフトウェア、在庫配置、労働を分離する。第四は、配備前後の同等のタスクを追跡し、人間工学的曝露と作業ペースの両方を追跡する安全研究である。第五は、Amazon の完全な内部サポート機構なしで運営される外部の有料顧客からの証拠である。
現在の開発は明確なテストを提供する。Amazon は、オリジナルの Proteus が 25 の米国フルフィルメントセンターに配備され、自然言語の割り当てを受け、ドックエリアを超えて作業できる次世代は依然としてラボパイロット中であり、2027 年前半に欧州配備が計画されていると述べている。2026 年 6 月の発表は、それを 100 億ユーロ以上の欧州フルフィルメント投資と結びつけている。有用な将来の報告書は、自然言語タスクがどのくらいの頻度で正しく解釈されるか、どのアクションに確認が必要か、システムがどのように安全に失敗するか、インターフェースがトレーニングを削減するのか、単に設定を新しい形に移すのかを述べるだろう。
Vulcan のより大規模なベータとマルチサイト展開は、測定された成功が異なる在庫、オペレーター、フロア状態でも持続するかを示すはずだ。DeepFleet は、予測を移動、混雑、スループット、復旧に結びつけるライブの制御された結果を最終的に伴うべきである。Sequoia は、コスト目標から監査された運用履歴に移行すべきである。外部の産業顧客にサービスを提供するという Amazon の表明された関心は、それが実際のビジネスになれば、価格、サポート契約、顧客参照を生み出すはずだ。
それまでは、倉庫は解決されたのでも、100 万台の機械が誇大広告なのでもないというのが最も公正な結論である。Amazon Robotics は、自律性の容易な半分を工業化した。構造化された移動、オーケストレーション、ますます制約された操作だ。現在は、アイテムが扱いにくく、棚が混雑し、床が塞がれ、ソフトウェア状態が誤っているか、機械が支援を必要とする、高価な残りの部分に取り組んでいる。次の 100 万台のロボットの価値は、その数よりも、それらのありふれた例外が他人の緊急事態になる頻度の低さにかかっているだろう。