ワークマンが商品撮影の代替として生成aiを静かに実装し、アプリ通知の開封率を1.5倍に押し上げた。派手なDX宣言ではなく、撮影が間に合わないという現場のボトルネックを埋める形で導入したこの事例は、生成ai活用の設計思想として極めて示唆的だ。エンジニア視点でこの運用を分解し、なぜ効いたのかを読み解く。
何が起きたか
ワークマンは、新商品の入荷ラッシュに対して人間による商品撮影が物理的に追いつかない工程で、画像生成aiを導入していたことが明らかになった。モデル着用写真やイメージ画像をaiに生成させ、アプリのお知らせバナーとして配信する運用だ。結果として、アプリ通知の開封率は従来比1.5倍に伸びたという。
注目すべきは、ワークマンがこれを「AI活用の全社プロジェクト」として大々的にアナウンスしていなかった点である。担当者レベルでの現場運用が先行し、成果指標が積み上がってから外部に露出した。日本企業が陥りがちな「PoC止まりの生成ai」ではなく、実運用KPIで語れる形にまで到達した数少ない小売事例といえる。
生成aiは現場業務で何が変わるか
エンジニア視点で見ると、この事例は「生成aiのユースケース選定」の教科書だ。多くの企業は生成aiを「新しい何か」として捉え、社内チャットボットや議事録要約に投入して息切れする。しかしワークマンが選んだのは、入力（新商品SKU情報）と出力（バナー画像）の仕様が明確に閉じている工程だった。
商品撮影というタスクは、スタジオ手配・モデル手配・レタッチという直列プロセスで、リードタイムが物理制約に縛られる。ここに生成aiを差し込むと、SKU追加に対して画像生成が線形どころかほぼ定数時間で応答する。ボトルネック解消のインパクトは、業務改善というよりアーキテクチャの書き換えに近い。
さらに重要なのは、開封率1.5倍という数字が示す意味だ。これは「aiで作った画像でも見られる」という消極的な合格点ではない。むしろ、撮影が間に合わずバナー掲載自体を諦めていた商品にも画像が付いた結果、通知の情報密度が上がった、と解釈するのが自然だ。生成aiの真価は、これまで人手不足で「やっていなかった仕事」を可視化することにある。
技術的な深掘り
画像生成aiをEC・アプリバナーに組み込む際、技術的に効くのはモデル選定よりもパイプライン設計である。推定だが、ワークマンの運用は次の構造だろう。第一に、商品マスタから素材写真・カラー・カテゴリを取得し、プロンプトテンプレートに流し込む。第二に、モデル着用イメージや背景の生成を、ブランドトーンを固定したLoRAやリファレンス画像で制御する。第三に、生成物を人間がQAゲートで最終確認し、アプリの配信スロットに投入する。
ここで生成aiが「作品」ではなく「量産部材」として振る舞える理由は、アプリ通知バナーという用途が要求品質を絞っているからだ。印刷物や大判広告と違い、スマホ画面の小さなサムネイルで機能すればよい。解像度・視認性・ブランド一致さえ担保できれば、指の6本目や背景の微妙な破綻は問題にならない。用途と品質要件のマッチングを見切った点が、この事例の技術判断として最も鋭い。
一方で懸念もある。モデル着用イメージを生成aiで作る運用は、実在のモデルの肖像権や、商品の実寸感との乖離という論点を抱える。ワークマンがどこまでガードレールを設けているかは開示されておらず、ここは今後追跡すべきポイントだ。
経営者として次に取るべき動き
第一に、生成ai導入は「全社DX」から「間に合っていない工程の穴埋め」へ発想を切り替えることだ。撮影・翻訳・原稿作成・カスタマー応答一次受けなど、人手が構造的に不足している業務をリストアップし、そこにピンポイント投入する。ROIが計測しやすく、社内の抵抗も少ない。
第二に、KPIを「生成枚数」や「導入部署数」で語らない設計にすることだ。ワークマンが評価軸に据えたのは開封率という顧客側指標であり、コンバージョンや売上に接続する数字だった。生成aiプロジェクトのゴール指標は、ビジネス成果指標と直結させる。
第三に、派手な発表を急がず、現場運用で数字を積み上げてから対外発信する順序を守ることだ。先にPR、後で実装というプロジェクトは、生成ai領域では特に空中分解しやすい。実装先行・発表後追いのワークマン型が、当面の勝ちパターンになる。