2026 年 10 月 5 日，据公开报道，欧洲物流系统集成商 Logistics Reply 发布了一套 AI Agent 权限模型，顺手推出了 5 个能直接写回 WMS 的预建智能体：一个查断货原因，一个算人力怎么调，一个重算 ABC 分类，一个帮承运商约月台，还有一个任务超时了能调摄像头去看是不是有东西挡住了 AMR 的路。
这和我们熟悉的仓库 AI 问答助手已经不是一个物种了。过去两年，仓库里的 AI 大多是 RAG 查 SOP：员工问一句退货流程是什么，它从文档库里捞一段答案。它不碰系统，不改数据，错了最多是答非所问。而 AI Agent 仓库落地的真正分水岭，在于它被允许调用工具——查 WMS 的 API、下补货建议、甚至把 ABC 分类结果写回物料主数据。
AI Agent 和聊天机器人的区别，不在智商，在它能碰什么
现象背后是一组值得细读的数据。根据 ORTEC 在 2025 年 11 月对北美 2000 多位物流高管的调研，42% 的物流组织根本没在探索 Agentic AI；但同时 23% 的受访者说，计划在未来 12 个月内启动试点——2026 年被行业自己定义成了测试年。
另一份更贴近仓库现场的调研来自 Logistics Reply：只有 2.5% 的受访者说 AI 目前能自主做运营决策；82.4% 的人表示，AI 给出建议后通常要人工复核才执行；近四分之三的人说，员工可以推翻 AI 的建议或决定。当出现断货、缺人、设备故障时，47.5% 的人说 AI 只负责发现问题，协调响应还是人来做；只有 3.8% 的人说 AI 能自动跨系统协调响应。
数据连起来看，格局很清晰：仓库 AI Agent 已经从能不能的阶段，进入了敢不敢的阶段。模型能力不是瓶颈，授权才是。
三类真实能落地的仓库 AI Agent 任务
研究视角看落地，关键问题从来不是 AI 能做什么，而是哪类任务的出错代价和人工成本结构允许机器先上。目前公开的真实案例集中在三类。
第一类，查库存并生成补货建议。比如上面提到的断货原因智能体：它区分真缺货和暂时性问题（比如在途未上架），把人工逐一排查的工作前置成机器筛查。这类任务的特点是输入全是结构化数据（库存、在途、历史销量），输出是建议而非指令，人做最后确认，出错代价可控。
第二类，自动处理异常沟通。月台预约智能体让承运商用自然语言对话查空闲月台并预定，背后是按预约规则走的引导式对话。这类任务过去是计划员每天几十封邮件来回确认，高度重复、规则明确，AI 做的是把对话变成结构化预定动作。
第三类，盘点差异初筛和主数据维护。ABC 重算智能体根据出库动销数据重新算 ABC 分类，生成重分类报告，人批准后才写回 WMS 物料主数据；任务超时智能体调摄像头判断延迟原因。这类任务的共性是高频、低单次价值，人工做起来不值得但不得不做。
三类任务可以用一张决策框架表说清：
| 任务类型 | 出错代价 | 单次人工成本 | 适合的授权级别 | | 查库存/补货建议 | 中（建议可被复核拦截） | 高（逐 SKU 排查） | 建议→人批 | | 异常沟通/月台预约 | 低～中（规则内可回滚） | 高（重复沟通） | 半自动执行 | | 差异初筛/主数据 | 高（写回主数据影响全局） | 中（定期批量） | 报告→人批→执行 |
规律是：越靠近写回系统的动作，越需要人批；越靠近筛查和建议，机器越能先行。
为什么 2026 年大部分仓库还用不上 AI Agent
数据也解释了为什么想用的人多、用上的人少。inFlow 在 2026 年 7 月对 400 位库存运营人员的调研显示：81% 的人想要 AI，只有 11% 真正在用；85% 的人还在用电子表格做主要库存工具。
ORTEC 的调研把障碍排了个序：集成成本高（32%）排第一，模型不可解释（26%）第二，数据质量差（22%）第三；42% 的人说，要支持自主决策，企业得先重构业务流程；22% 的人说，缺的是高质量实时数据流。
归因下来，门槛有三个。
一是权限与审计。WMS 里每一次写操作都对应责任归属：谁建的补货单、谁调的 ABC 分类、出了问题找谁。Agent 的自主执行在现有审计体系里找不到责任主体，这是比技术难得多的组织问题。
二是出错代价不对称。问答助手答错了，员工骂一句再查一遍；Agent 下错一张采购单或改错一批主数据，损失是真金白银。仓库是个错一次就可能停线的环境，容错率天然低于办公室场景。
三是 API 与数据底座。很多仓库的 WMS API 要么不全、要么文档陈旧，Agent 调不动；库存准确率本身就不高（inFlow 调研里 49.5% 的人把库存准确率列为最需要改进的项），建立在脏数据上的自动执行只会把错误放大。
反常识的是：决定 AI Agent 进仓库速度的，从来不是大模型又聪明了多少，而是仓库的出错代价结构和 API 成熟度。技术媒体喜欢讲参数和基准测试，仓库经理只关心两件事：它动我的数据之前要不要我点头，以及它错了我能不能撤销。
AI Agent 仓库落地时间线：一个研究者的判断
综合以上，给出带时间线的判断，供参考。
2026 年是试点年（依据：ORTEC 调研中 23% 的企业计划 12 个月内试点）。这一年落地的形态主要是建议型 Agent：筛查、报告、草稿，人批后执行。厂商侧已经开始卖预建 Agent，买方侧以头部 3PL 和零售商自营仓为主。
2027～2028 年进入半自动阶段：高频低风险的环节（月台预约、异常初筛、补货建议生成）开始默认执行、异常转人工，前提是审计链和回滚机制补齐。判断依据是：权限模型和审计工具的成熟速度，通常比模型能力慢 12～18 个月。
真正的自动执行任务成为常态，要等到某一类任务的出错率被证明长期低于人工，并且保险和合同层面明确了责任归属——这个时间点，研究上不轻易给，但大概率不在 2028 年之前。
所以问题可能不是 AI Agent 什么时候进仓库，而是：当机器开始替你下判断，你的仓库里，哪些决策是你愿意签字的，哪些是你连看都不想看就想让它自己办的？这个清单，才是每个仓库自己的 AI 落地路线图。
作者：陈博士｜供应链研究员
