朝食ビュッフェの廃棄をAI需要予測で3割減らした事例

結論：予約データとAIで仕込みの「勘」を数値化し、廃棄費用を月15万円削減した

長野県内の客室50室・温泉旅館「某旅館」では、朝食ビュッフェの食材廃棄費用が繁忙期を中心に月間20万円前後に達していた。2025年春にAI需要予測ツールを導入してから6か月後、廃棄量は導入前比で32%減少し、コストは月約15万円の削減に落ち着いた。本稿ではその具体的な取り組みを、データ整備から運用定着まで順を追って解説する。

---

なぜ旅館のビュッフェは廃棄が多くなるのか

ビュッフェ形式の朝食は、「常に豊富に並んでいる状態」が前提のサービスだ。品切れはクレームになるが、廃棄は見えにくいコストとして放置されがちである。

この旅館では仕込み量を「前日の予約人数×1.3」という経験則で決めていた。しかし実態は、団体客とビジネス利用客では喫食率が大きく異なる。団体旅行のシニア層は朝食をほぼ全員が食べるが、研修利用の企業グループは半数しかビュッフェに来ないケースもある。一律の係数では対応できない多変量の問題だった。

食材別に廃棄コストを集計すると、上位3品目はサラダ野菜・惣菜系おかず・デザートのフルーツで、この3品だけで廃棄全体の55%を占めていた。これは鮮度が短く、前日仕込みが必要な食材ほど過剰調理になりやすいという構造的な問題を示している。

---

AI需要予測の仕組み：何を入力して何が出力されるか

導入したツールは、予約管理システムと連携してリアルタイムで翌日の予測喫食人数を算出するSaaSだ。入力データは以下の5項目である。

入力項目	内容
予約人数	チェックイン予定の実人数
プラン種別	朝食付き・素泊まり・会議利用など
過去の喫食率	同プラン・同曜日・同季節の実績
天候予報	翌日の降水確率・気温
イベント情報	地域の祭り・連休・学校行事

これらを組み合わせて「翌朝のビュッフェ利用人数」を予測し、品目ごとの仕込み推奨量を出力する。出力は「野菜サラダ：3.2kg」といった具体的な重量で表示される。

ポイントは天候と気温の組み込みだ。夏の猛暑日には朝食会場への来場が増え、冬の寒波では洋食系より和食系の摂取量が増える傾向がある。過去データからこの相関を自動学習するため、季節が進むほど精度が上がる。

---

導入前の準備：データ整備に3か月かけた

ツールを契約してもすぐには使えなかった。精度の高い予測を出すには、過去の実績データが必要だからだ。この旅館が整備したのは以下の記録である。

最低限必要だったデータ

• 過去12か月分の日別予約人数とプラン内訳
• 同期間の朝食実際利用者数（PMS上の食事管理記録）
• 月別・品目別の食材仕入れ量と廃棄量の記録

問題は廃棄量の記録がなかったことだ。仕入れ量は発注書から遡れたが、実際に何キロ廃棄したかは数字として残っていなかった。そこで3か月間、調理スタッフに廃棄食材の計量と記録を依頼し、同時に喫食者数のカウントも始めた。

この記録作業自体が副次的な効果をもたらした。「今週だけで野菜を18kg廃棄した。金額にして約2万円分」という事実をスタッフが数字で把握したことで、「廃棄を減らしたい」という動機が生まれた。AIツールへの抵抗感が薄れたのはこの体験が大きかったと、料理長は振り返る。

---

導入後の運用フロー：誰がいつ何をするか

現在の運用フローはシンプルだ。

1. 前日16時: AIが翌日の予測喫食人数と品目別仕込み推奨量を出力する
2. 前日17時: 料理長が予測値を確認し、自分の経験で±10%の範囲で調整する
3. 当日6時: 実際の来場者数を確認し、中盤補充のタイミングと量を微調整する
4. 当日10時: 廃棄量を計量・記録してシステムにフィードバックする

重要なのはステップ2の「料理長による最終調整」を残したことだ。AIの予測値を強制せず、あくまで参考値として提示する運用にした。最初の2か月は料理長がAIの推奨量を大きく上振れさせることが多かったが、3か月目から徐々に信頼するようになり、調整幅が±5%程度に収まってきた。

調理スタッフ全体への浸透には「廃棄コストの見える化ボード」を厨房に設置したことが効いた。週次で品目別廃棄量と金額を貼り出す。「今週は先週より3,500円改善」という表示が具体的なフィードバックになり、ゲーム感覚で廃棄削減に取り組む雰囲気が生まれた。

---

6か月間の定量結果

指標	導入前（月平均）	導入後6か月平均	変化
廃棄食材量	約280kg	約190kg	-32%
廃棄コスト	約20万円	約5万円	-75%
ビュッフェ品切れ発生回数	月3〜4回	月1回以下	-70%
予測精度（±10%以内の達成率）	—	78%	—

廃棄コストが32%の廃棄量削減に対して75%削減になっているのは、廃棄していた食材が高単価のものに偏っていたためだ。フルーツや刺身系の仕込みを適正化したことで金額効果が大きく出た。

品切れ回数も減った。これは過剰仕込みを減らした結果として品切れが増えるはずが、逆の結果になったことを示す。予測精度が上がったことで「多く作りすぎて品質が落ちた料理を使いきれず廃棄」という連鎖が断ち切られ、適量を新鮮な状態で提供できるようになったためだ。

---

導入コストと回収期間

ツールの月額費用は3万円、初期設定費用が5万円だった。データ整備期間中の調理スタッフの計量・記録作業は既存業務に追加した形だが、1日あたり30分程度で収まった。

月15万円の廃棄コスト削減に対して、ツール費用は月3万円なので、純削減効果は月12万円。初期費用5万円を含む投資回収は導入から1か月以内で完了した計算になる。

ただし、データ整備の3か月間はツール費用だけが発生し効果がない。「初月から劇的に改善する」という期待で導入すると挫折しやすい。最低でも半年後の効果で判断することを前提に計画を立てるべきだ。

---

失敗したこと・想定外だったこと

全てが順調だったわけではない。導入初月に起きた問題を正直に記しておく。

連休明けの精度低下: GW明け初日は宿泊者の7割がチェックアウト後すぐに帰る傾向があり、朝食来場率が通常の55%程度に落ちた。しかしシステムはその前後の予約人数から標準的な喫食率を予測したため、大量の廃棄が発生した。この問題は「特殊イベント日フラグ」を手動で設定する機能を使い、翌年のGW明けには対処できた。

仕入れ先との調整: 仕込み量が減ったことで週次の発注量が変動するようになり、仕入れ先との関係調整が必要になった。特に野菜農家との直接取引では、「今週は少なめ」という連絡を頻繁に入れることへの心理的ハードルがあった。最終的には週次ではなく月単位での概算を共有する形に変更し、関係を維持した。

調理スタッフ間の温度差: 廃棄削減に積極的なスタッフとそうでないスタッフの間で、仕込み量判断の認識がずれることがあった。料理長が最終決定権を持つことを明確にした上で、週次の振り返りミーティングを設けることで共通認識を作っていった。

---

同様の取り組みを検討する施設へのポイント

この事例から導き出せる実践的な要点を整理する。

データ整備を先行させる: ツールを契約する前に、少なくとも3か月分の廃棄量・喫食人数の記録を始める。このデータがあることで、ツール選定時の比較精度も上がる。

料理長の納得を最優先に: 調理現場のトップが「AIに仕込みを決められる」と感じると運用が止まる。あくまでAIは参考値を出す道具であり、最終判断はスタッフが持つという設計にする。

廃棄コストを金額で見せる: 廃棄量をキロで語っても人は動きにくい。「1か月で〇〇万円分を捨てていた」という金額の可視化が動機を作る。

投資回収の計算を事前にする: 月額コスト・廃棄コスト削減期待値・データ整備期間を含めた回収シミュレーションを経営者と共有してから導入を決める。感覚ではなく数字で判断する環境を作ることが継続につながる。

需要予測AIは朝食ビュッフェ以外にも応用できる。夕食コースの食材仕込み、スタッフシフト調整、清掃チームの配置など、「人数と行動パターンで需要が決まる業務」全般に同じ考え方が使える。朝食ビュッフェへの適用を最初の一歩として、データ整備の文化を施設全体に広げていくことが次のステップになるだろう。

AIで稼働率を改善した取り組みについては客室30室の温泉旅館がAI需要予測で稼働率を12%上げた話も参考になる。また、朝礼や引き継ぎの効率化を同時に進めたい場合はAI議事録で朝礼・引き継ぎ時間を半減した旅館の取り組みが具体的な手順を示している。DXをどこから始めるかで迷っている施設には旅館DXの始め方と優先順位も合わせて読んでほしい。

---

まとめ

朝食ビュッフェの廃棄削減は、調理スタッフの技術の問題ではなく情報の問題だ。「明日何人が何を食べるか」を精度よく予測できれば、仕込み量の最適化は自ずとついてくる。

この旅館が達成した32%の廃棄削減と月15万円のコスト圧縮は、ツールへの過剰な依存ではなく、データ整備とスタッフへの丁寧な説明、そしてAIを補助ツールとして使う運用設計から生まれた。AI需要予測ツールの費用対効果は計算しやすい。まず自施設の月次廃棄コストを金額で出すことが、最初の一歩になる。