貨物配車の現場では、よく知られたパラドックスが残っている。午前6時に作成されたルート計画は、午前9時の交通状況、ドライバーの病欠、あるいは通信が途絶えた運送事業者といった現実に直面すると、ほとんど維持できない。HERE Technologiesは、より優れた静的な計画を作るのではなく、その計画が配車担当者のオフィスを離れた後に起きることから継続的に学習するシステムを開発することで、この課題に対応しようとしている。

HERE TechnologiesのBart Coppelmans氏は、Home Delivery WorldでFreightWavesのインタビューに応じ、同社の製品ロードマップを説明した。議論では、HEREのツアー計画エンジンのアップグレード、新たに投入されたドライバーフィードバックツール「Last Meter Guidance」、そして判断を単に指示するのではなく説明するよう設計された試作段階のAIルート最適化推論レイヤーが取り上げられた。この焦点は、物流チームにとってより広範な運用上の問題を反映している。すなわち、ルート最適化は、現場の状況が計画から外れたときに配車担当者とドライバーが適応できて初めて価値を生むという点だ。

計画と実行のギャップ

ツアー計画はHEREの中でも最も成熟したサービスの一つで、開発の歴史は10年に及ぶ。Coppelmans氏によると、最近追加された機能が市場での採用拡大を後押ししている。

「We started developing this ten years ago, but it's really picking up in the market now as one of the best performing solvers, especially because of what we added last year,」とCoppelmans氏は述べた。

その追加機能の中で最も重要なのが、1日を通じて変動する交通状況が配送能力に与える影響を考慮する時間依存型最適化だ。

「At nine o'clock in the morning you can deliver fewer orders than at one o'clock in the afternoon because of traffic jams,」とCoppelmans氏は述べた。

HEREはまた、ドライバーに配慮した重複ツアーも導入した。これは、ドライバーがルート上で不満を抱きやすい担当エリアの競合を減らすものだ。さらに、徒歩クラスタリング機能は、ドライバーが車両に何度も乗り降りする代わりに、一度駐車して複数の配送を徒歩で完了すべき場合を検出する。

「From one parking spot you can then deliver by walking to multiple different deliveries in a certain area, which might be more efficient than driving in and out of your vehicle,」とCoppelmans氏は述べた。

Last Meter Guidanceがループを閉じる

こうした計画面の改善だけでは、Coppelmans氏が中核的な課題として挙げた問題は解決しない。朝に配車担当者が計画した内容と、ドライバーが実際に現場で直面する状況との間にある断絶だ。

「If you have a perfect plan by six in the morning, by nine it can already be different because of unexpected events — a driver getting sick, a carrier going dark or last-minute order changes,」とCoppelmans氏は述べた。「You need to be really dynamic and flexible, taking that into account.」

HEREの対応策がLast Meter Guidanceだ。これは、携帯端末またはドライバー向けアプリ上で動作するクライアント側サービスで、現場からセンサーおよび測位データを収集する。配送密度の高い環境では、停車地点への最終アプローチは単に住所までナビゲーションすることとは大きく異なる場合がある。特に、駐車場所、建物入口、徒歩経路が実際の配送所要時間を左右する場合はそうだ。

「We're automatically collecting sensor and probe positioning points, we have our own positioning stack,」とCoppelmans氏は述べた。「This service builds on top of that, really making sure we're learning from the field. We're collecting traces data from where the vehicle is parking, the walk path toward the building, flagging the building entrance and the final delivery end-point location.」

そのデータは双方向に流れる。配車担当者はより正確な配送時間枠を受け取り、ドライバーは、地図上で建物入口とされている場所だけに頼るのではなく、過去のドライバーが実際に配送を完了できた場所に基づく駐車および入口案内を得る。

「There's no disconnect anymore,」とCoppelmans氏は述べた。「Drivers are more comfortable trusting what is being planned and can say, 'Okay, this makes sense.'」

AIルート最適化は自らを説明するようになる

これら2つのサービスの上に重ねられるのが、HEREがルート最適化のコグニティブレイヤーと表現するものだ。同社が2026年後半にクローズドベータへ移行する見込みの、試作段階のエージェント型機能である。基盤となるツアー計画APIが配車担当者に取るべき行動を指示するのに対し、この推論レイヤーは、なぜその判断が下されたのかを説明するよう設計されている。この違いは配車業務において重要だ。一見非効率に見える推奨が、ユーザーにはすぐ見えない制約に結び付いている可能性があるためだ。

「Why are these orders unassigned? Why are these two trucks going down the same street on the same day?」とCoppelmans氏は述べた。「It might be because of actual constraints, driving skills, or certain priorities.」

このレイヤーは説明にとどまらない。経験豊富な配車担当者が直感的に行うような調整、つまり是正措置を提案するようにも設計されている。

「Maybe loosen certain constraints, move some orders to tomorrow, or add two vehicles into the capacity,」とCoppelmans氏は述べた。「That's the domain-specific reasoning layer.」

Coppelmans氏は、すでにテレマティクス分野で進んでいる動きとの類似点を示した。そこでは、フリートが生成AIを導入し、タイヤの空気圧が低下している理由や資産が行方不明になった理由を調査している。同じ手法を配車業務に適用すれば、管理者はサービス障害の下流にあるあらゆる原因を自力で推測する必要がなくなる。

「It gives you proactive responses in terms of what you can do to further improve your plan and make it even better,」とCoppelmans氏は述べた。

AIがハルシネーションを起こす前に根拠付ける

推論レイヤーに加え、HEREは別のロケーション推論レイヤーも発表した。これは、地理に関する問い合わせを受けた際に大規模言語モデルが情報を捏造するのを防ぐために設計されたものだ。

トラックルートの中間地点にあるレストランを探すよう求めると、汎用LLMはしばしば信頼性の低い結果を出すとCoppelmans氏は指摘した。

「If you now ask generic LLMs about a certain geo location, you get really random results, totally off, wrong geometry or wrong location,」とCoppelmans氏は述べた。「You get a wrong POI that isn't nearby the river but somewhere else. You can get fooled easily, and these LLMs hallucinate based on geo-location queries.」

HERE Location Reasoningは、AIエージェントがそのような質問に正確に答えるために必要な空間的根拠を提供するよう設計されている。これには、車両が道路上のどこにいるかを理解すること、中間地点の周囲に境界を描くこと、あるいは特定のルート上に実際に存在する関心地点を絞り込むことが含まれる。輸送アプリケーションにおいては、この根拠付けが重要だ。地理的な誤りは、ルーティング、停車地点の選定、ドライバーに渡される指示に影響し得るためである。

「That's the journey we're on, further supporting different agents being built in the market,」とCoppelmans氏は述べた。「We're feeding them with a correspondent layer so they can really understand the context of location and ground it.」

エージェント間連携の未来

Coppelmans氏は、推論レイヤーが企業独自の運用判断に取って代わるとは考えていない。各運送事業者のKPIやサービスレベル契約はあまりに多様であり、単一の共有モデルだけで個別に対応することは難しいと同氏は指摘した。

「You need to have your own agentic operations agent running, but feeding that with learnings from others is super crucial, otherwise you're siloed,」とCoppelmans氏は述べた。

同氏が示した長期的な見通しは、1社が1つのAIモデルを所有するというよりも、複数のエージェントが互いに問い合わせるネットワークに近い。運送事業者の配車エージェントが、同僚にセカンドオピニオンを求めるようにルーティングエージェントへ相談する形だ。当面注目すべき指標は、クローズドベータが、説明可能なルート推奨によって配車担当者が運用ルールの管理を失わずに例外対応を行えることを示せるかどうかである。

「You might think more in terms of agent-to-agent communications connecting certain things,」とCoppelmans氏は述べた。「It doesn't necessarily have to be fully integrated into your own system, you can call different agents to pull other data sets to verify and qualify. But that's not something we're at yet, it's a little bit further down the road.」