2025 年下半年开始，仓储外包市场的招标文件里多了一行新问题："请描述贵司在 AI 调度、需求预测方面的应用情况。"三年前，同样的招标问的是"有没有 WMS""库位准确率多少"。问题的变化，本身就是一种信号：甲方已经开始把技术能力当成 3PL 的入场券来审。
先看现象：头部 3PL 在往三个方向砸钱
过去两年，头部 3PL 的技术投入集中在三个环节，路径高度一致。第一是调度智能化：用算法替代人工排班和波次规划，系统根据订单结构自动组波、自动分配拣选路径；第二是需求预测：把历史出货数据、促销日历、季节性因子喂给模型，提前两到四周预判各 SKU 的出库量，指导备货和人力排班；第三是智能客服：用大模型做一线客服，回答"我的货到哪了""这票账单怎么算"这类高频问题。
我梳理了几家上市 3PL 近两年的公开财报和投资者交流纪要，技术与数字化投入的口径不一、无法直接横向对比，但趋势一致：头部企业的技术投入增速明显跑赢营收增速。换句话说，他们在用利润换技术壁垒。
再看数据：技术投入到底转化成了什么
一个关键问题是：这些投入有没有变成报价竞争力？根据几家头部企业的公开披露，AI 调度上线后，单仓拣选人效提升的区间大致在 15～30%。这个数字听起来不算夸张，但放在成本结构里看就不一样了。
仓储运营的成本结构里，人力长期是大头，行业里一个常用的粗略口径是占运营成本的五到六成。我按一个 10 万平方英尺、日均出货 8000 单的仓粗算一笔账：假设拣选环节人力成本一年 240 万美元，人效提升 20% 意味着省下约 48 万美元一年的人力开支；一套 AI 调度模块的年投入（软件订阅加实施摊销）按 15～25 万美元估，回收期在一年以内。这个账算得下来，头部 3PL 就有动力把省出来的成本一部分让利给报价，一部分继续投技术——于是报价和技术投入之间形成了一个正循环。
这里要打一个重要的补丁：上面的测算只在"订单结构稳定、SKU 集中"的仓里成立。SKU 极度分散、日均单量波动大的仓，算法优化的空间会被长尾订单吃掉，实际人效提升可能只有个位数。这也是为什么头部 3PL 优先把 AI 用在自己的旗舰大仓，而不是全网铺开。
2025 年秋天我旁观过一次华南地区的 3PL 招标：甲方是一个年出货 300 万单左右的家居电商，入围的三家报价里，技术投入最大的那家比最低报价贵了约 8%，但最终中标。甲方的采购负责人私下说，这笔差价他们内部测算过——对方承诺的拣选时效和异常响应 SLA，换算成客服人力和赔付成本，一年下来能把这 8% 的差价 cover 掉。技术投入正在改变招标的决策逻辑：从"谁报价便宜"变成"谁的总拥有成本低"。而这个逻辑一旦被甲方接受，没有技术故事可讲的 3PL，连比价的资格都会慢慢失去。
归因：AI 真正降本的是三个环节
把技术投入拆开看，AI 在 3PL 场景里真正产生降本效果的，是三个具体环节。
第一个环节是人力调度。传统仓的排班靠班长经验：明天大概多少单、安排多少人，全凭感觉。AI 排班的价值不在于"更准"，而在于"更快试错"——系统每天根据预测单量给出人力建议，班长只做微调。某华东 3PL 的运营总监跟我交流时提到，他们 2025 年旺季用预测排班后，临时工调用量下降了约两成，临时工的单位成本本来就比正式工高两到三成，这一块省得最实在。
第二个环节是库位优化。ABC 分类是老生常谈，但人工做 ABC 一年调一两次，SKU 的动销结构早就变了。算法可以每周重算一次库位热度，把高频 SKU 往黄金拣选区挪。这事的降本不体现在报表上，体现在拣选员每天少走的路上——一个 8 万平方英尺的仓，拣选路径优化 10%，一年省下来的人力工时相当可观。
第三个环节是客服。一个中等规模 3PL 的客服团队，一天要处理几百个"查货态""对账单"的重复问题。大模型客服上线后，这类标准化问题的自动解决率能做到七成以上。一家做服装代发的华东 3PL，2025 年 618 大促期间咨询量是平时的 4 倍，往年要临时加 6 个客服，今年大模型扛住了八成以上的标准咨询，临时客服只加了 2 个。省下的不只是工资，更是大促期间根本招不到人的风险。客服省下来的人不是被裁掉，而是转去做异常处理和客户成功——这是头部 3PL 敢在报价里让利的底气之一：服务成本结构变了。
趋势判断：分化会发生，但不是"大吃小"
基于以上，我的判断是：分化一定会发生，但形态不是"头部吃掉中小"，而是"市场按技术能力重新分层"。时间线大概是这样：2026～2027 年，AI 调度会成为大型招标的标配项，没有的 3PL 连入围短名单都难；2027～2028 年，技术投入会传导到报价上，头部在标准化大单上的报价优势拉开 5～10 个点；但与此同时，中小 3PL 并不会消失——他们会退守到三个头部不愿意啃的阵地。
第一个阵地是垂直深耕。做冷链药品、做危险品、做高货值电子产品——这些品类的 know-how 在合规和操作细节里，不在算法里。第二个阵地是区域密度。在一个都市圈里布三四个小仓、做到"同城当日达"的密度，拼的是本地资源和响应速度，头部全国一张网的优势在这里不明显。第三个阵地是专线和特殊场景：大件入户安装、展会物流、退货逆向——非标程度越高，AI 的标准化红利越小，人的经验价值越大。
反常识的一点是：中小 3PL 最大的风险不是"没钱投 AI"，而是"跟风投错 AI"。我见过一家年营收不到 2000 万美元的区域 3PL，花大价钱上了一套需求预测系统，结果发现自己 70% 的订单来自三个大客户的临时加单——预测模型对这种"脉冲式"订单毫无办法，最后系统闲置。AI 是放大器，放大的是你已有的订单结构优势；如果你的优势本来就不在规模和标准化上，放大器对你没用。
留给行业的三个开放问题
第一，技术投入的"军备竞赛"会不会推高行业整体的固定成本，反而让 3PL 的利润率更薄？历史上 WMS 普及的时候就发生过一次：系统成了标配，但并没有带来整体利润率的提升，只是抬高了入场门槛。
第二，当头部 3PL 的调度、预测、客服都高度依赖同一类算法时，差异化会不会消失？如果大家的 AI 都是同一个底座模型微调出来的，竞争会不会退回到拼价格的老路上？
第三，对甲方来说，一个值得提前思考的问题是：当你的 3PL 把核心运营能力外包给算法之后，换供应商的切换成本是变高了还是变低了？数据和模型沉淀在谁手里，决定了下一轮谈判桌上谁占上风。
技术分化是进行时，不是将来时。但历史的经验是：每一次技术浪潮，赢家都不只是技术最强的那一个，而是最清楚自己"不靠什么赢"的那一个。
作者：陈博士｜供应链行业研究员
