2026 年,几乎每家仓库软件厂商都在讲 AI 代理。演示视频里,代理像一位不知疲倦的调度员:订单进来,它排波次;库存告急,它发补货单;司机迟到,它改约门档时间。看完演示很容易得出一个印象:仓库的自主执行时代已经到了。但印象和现实之间,往往隔着几道还没跨过去的坎。用公开数据把这几道坎拆开,看看 AI 代理从问答助手走到自主执行,到底还有几步。

先看数据:热闹是真的,落地有多远

根据 Gartner 2025 年 6 月的预测,到 2027 年底,超过 40% 的代理式 AI 项目将被取消,原因集中在成本上升、商业价值不清晰和风险控制不足。这是一个预测,不是既成事实,但它划出了一条分界线:市场对代理的热情,和项目活下来的能力,是两回事。

同一份预测里还有另一组数字值得对照。Gartner 预计,到 2028 年,至少 15% 的日常工作决策将由代理式 AI 自主做出,而今天这个比例接近于零;到 2030 年,使用供应链管理软件的企业中 60% 将采用代理式 AI 功能,而 2025 年这一比例只有 5%。另有分析引用 Gartner 的判断称,到 2026 年底 40% 的企业应用将集成任务型 AI 代理,高于 2025 年的不到 5%。三组数字指向同一个判断:代理会来,但比演示视频慢,比路线图晚。

仓库一侧的采用数据同样呈现这种落差。根据 2025 年 MIT 与 Mecalux 针对 2000 多名供应链专业人士的研究,超过 60% 的仓库已经实施了某种形式的人工智能或机器学习,近 90% 的仓库自动化水平超出基础阶段。但"用上了 AI"和"让代理自主执行"是两个不同的命题:前者大多是预测、识别和建议,后者要求系统在无人批准的情况下改写真实的作业指令。两者的距离,正是本文要讨论的几步。

真实落地案例目前集中在协调层,而非执行核心。DHL 供应链与 HappyRobot 的合作很有代表性:AI 代理通过电话和邮件处理预约排程、司机跟进和优先仓储协调——重复性高、规则清晰的协调工作。UPS 的 ORION 系统每天分析超过 10 亿个数据点来编排包裹递送路线,同样属于"算出最优解、由系统执行既定动作"的范畴。亚马逊则把 AI 代理直接接入履约中心运营,管理库存位置、货架空间优化、拣选和机器人协调。这些案例证明了代理在"有明确规则、可量化目标"的场景里已经能干活;它们没有证明的是,代理可以在规则模糊、责任重大的场景里独自做决定。

AI 代理自主度分级:从 L1 到 L4

要判断"还有几步",先要把"自主"拆成刻度。我参考行业里常见的分级思路,给出一个四级框架:

级别 形态 代理能做什么 人在哪里 仓库里的例子
L1 问答助手 回答问题、查数据、生成报表 人提问,人决策 "上周拣选差错率是多少?"
L2 建议者 分析数据、给出排序后的建议 人选方案,人执行 推荐三套波次方案并说明利弊
L3 执行需确认 起草执行动作,等人点头才落地 人是批准关口 补货单已生成,主管点确认后下发
L4 自主执行带兜底 在规则内自主执行,异常自动升级 人在监督位,只处理例外 夜间自动排波次,超阈值订单自动转人工

框架的关键不在级别本身,而在级别之间的台阶。L1 到 L2 是能力台阶:建议的质量取决于数据质量。L2 到 L3 是信任台阶:人愿不愿意把起草好的动作交给机器,取决于过去建议的准确率。L3 到 L4 是责任台阶:自主执行意味着出错时有人担责,而这个"有人"目前只能是人。多数仓库今天处在 L1 和 L2 之间,少数试点摸到了 L3,L4 只在规则极其清晰、风险极低的窄场景里。

AI 代理落地还有几步:四道坎

第一道坎是技术成熟度。代理要自主执行,必须同时做到三件事:理解目标、调用工具、验证结果。理解目标靠大模型,调用工具靠系统接口,验证结果靠回读与校验。三者里最弱的一环是接口:很多仓库的 WMS、TMS、设备控制系统之间没有统一的机器可调用接口,代理想改一个波次,得先跨过三四个系统的数据孤岛。Opendock 的 MCP 服务器 2026 年 6 月上线后,任何兼容 MCP 的 AI 代理可以直接预约、修改、取消码头预约,这是一个方向性的进展——但它覆盖的是码头预约,还不是仓库内部的执行核心。

第二道坎是权限与兜底。自主执行的代理本质上是在替人花钱、替人改计划:一次错误的自动补货,可能是一卡车的呆滞库存;一次错误的波次重排,可能让整个夜班的拣选节奏乱掉。兜底机制必须先于自主权建立:金额上限、数量上限、时间窗口、黑名单 SKU、自动回滚。没有兜底的自主权不是创新,是失控。Gartner 把"风险控制不足"列为项目取消的三大原因之一,讲的正是这一层。

第三道坎是人的监督位。L4 不是把人赶出仓库,而是把人移到监督位:看仪表盘、处理例外、定期审计代理的决策日志。但监督位本身需要新能力:主管要能看懂代理为什么这样排波次,能在它连续三次判断失误时叫停,能区分"代理错了"和"数据错了"。根据 2025 年底 Gartner 对 782 名基础设施与运营负责人的调查,在报告挫折的受访者中,38% 将数据质量差或数据可用性有限列为直接原因——监督者最先要监督的,往往不是代理,而是喂给代理的数据。

第四道坎是成本账。代理的成本不只是一次性的实施费,还有持续的模型调用费、接口维护费、监督人力和兜底准备金。算笔账(假设算例):一个中型仓让代理接管夜间波次排程,每月模型与接口成本约 8000 元,省下的夜班调度人力约每天 1.5 个工时;按每小时 40 元算,每月省约 1800 元——账面上是亏的。只有当代理同时接管补货建议、异常单处理和预约协调三件事,分摊到每件事上的成本才可能打平。ROI 不吹捧的意思就在这里:单点代理很难算过账,成组代理才有机会。

时间线判断:我的看法

综合以上,我的判断是这样的。2026 年到 2027 年,L2 级别的建议型代理会成为仓库软件的标配,L3 级别的"执行需确认"会在补货、预约、异常单处理这三个场景里陆续进入试点;2027 年底前,Gartner 预测的那 40% 取消率会先兑现一波,活下来的项目大多是目标收窄、兜底做实的那些。到 2028 年,15% 的日常决策自主化更可能发生在协调层而非执行核心——预约、改约、催单、异常通知,而不是自动改写拣选计划。真正的 L4 自主执行,我认为要到 2030 年前后,才会在规则清晰、风险可控的窄场景里成为常规配置,这与 Gartner 关于 2030 年 60% 供应链软件企业采用代理式 AI 功能的预测大体吻合。

这个判断留了一个开放的口子:如果 WMS 与设备系统之间的机器可调用接口在 2027 年前大规模标准化,第一道坎会比预期塌得快,时间线整体前移;反之,如果数据质量继续拖后腿,L3 的普及也会推迟。代理进仓库的故事,最终讲的不是模型有多聪明,而是仓库的底座——数据、接口、兜底规则——有没有准备好。底座没准备好,代理再聪明,也只能站在问答助手的位置上,看着仓库干活。

作者:陈博士|供应链行业研究员