关于"AI 会不会抢走仓库工人的饭碗"，过去几年的讨论大多停留在情绪层面，支持和反对的双方都能找到各自的论据，而真正有信息量的讨论方式，其实是把问题拆细：不是问"会不会"，而是问"哪些岗位、先从哪个环节开始、时间表大概是什么"。根据 2025 年以来的几组公开数据和行业动向，这个问题已经可以给出一个带依据的阶段性判断。
现象
先看发生了什么。根据亚马逊 2025 年 7 月的公开宣布，其全球仓库中部署的机器人总数突破 100 万台；几乎同一时期，亚马逊发布了名为 DeepFleet 的生成式 AI 基础模型，用于协调仓库机器人车队的行进路线，官方称可将机器人车队的行进时间缩短约 10%；而位于路易斯安那州 Shreveport 的新一代履约中心，机器人密度达到常规仓库的约 10 倍。这三件事放在一起看，传递的信号很明确：AI 进入仓库的方式，已经从十年前的"单台设备自动化"，演变为"整场调度智能化"，机器的数量级和协同的复杂度都上了一个台阶。
数据
世界经济论坛 2025 年 1 月发布的《未来就业报告》给出了一个经常被引用的总体判断：到 2030 年，技术变革预计在全球创造约 1.7 亿个新岗位，同时替代约 9200 万个现有岗位，净增约 7800 万个。需要注意的是，这份报告覆盖的是全行业，仓储物流只是其中一个切片；但它的结构性结论对仓库有直接参考意义——被替代最集中的，是"重复性高、规则明确"的任务，而不是某个行业整体。
落到仓库这个场景，还有一个常被忽略的背景数字：行业调研通常估算，人力成本占仓库运营总成本的五成左右，是最大的一块成本。这意味着，任何能实质降低人力依赖的技术，在仓库这个场景里都有最强的经济驱动力，adoption 的阻力主要不在"想不想"，而在"技术到没到、账算不算得过来"。
归因：为什么是这些岗位先被重构
如果把仓库里的岗位按"被 AI 重构的先后顺序"排个序，决定顺序的并不是岗位的薪资高低，而是三条逻辑。
第一条是动作的可结构化程度。拣选、搬运、卸货这些环节，动作高度重复、环境相对可控，是机器人技术最先啃下来的部分。DHL Supply Chain 在 2023 年初与波士顿动力签署多年合作协议，在北美仓库部署 Stretch 集装箱卸货机器人，官方称其每小时可处理数百个纸箱——卸货恰恰是仓库里最脏、最累、招工最难的环节之一，技术优先解决的永远是"人最不愿意干"的活，而不是"人最贵"的活。
第二条是数据的数字化程度。这是容易被忽视的一条：排班、补货、需求预测这些"屏幕里的工作"，数据早已存在于系统之中，生成式 AI 可以直接读取、直接输出决策，不需要先解决物理世界的问题。相比之下，机器人在货架间"看到—抓取—放下"这一串物理动作，仍然受制于抓取技术的可靠性。于是出现了一个反常识的现象，我会在后文单独展开。
第三条是招工难度带来的倒逼。在美国多个仓储集中的区域，一线岗位的流失率长期居高不下，旺季招工难已经成为运营的常态约束。当"招不到人"比"买不起设备"更确定时，自动化的决策逻辑就从"省钱"变成了"保交付"，这大大加速了 adoption。
趋势判断：未来三年的重构时间表
综合技术成熟度和上述三条逻辑，未来三年（2026～2029）仓库岗位的重构大致会按以下节奏展开。需要强调的是，"重构"不等于"消失"，更多时候是"岗位内容被改写"。
| 岗位类别 | 主要被重构的环节 | 关键技术 | 预计实质影响的时间窗 | 转型方向 |
|---|---|---|---|---|
| 拣选员 | 行走找货、重复抓取 | AMR 货到人、机械臂拣选 | 2026～2027 年起加速 | 转为拣选站操作、异常处理 |
| 叉车司机、搬运工 | 点对点托盘搬运 | 无人叉车、AMR | 2027～2028 年起加速 | 转为设备调度与现场安全员 |
| 收货质检员 | 开箱验货、数量核对 | 视觉 AI、自动称重扫码 | 2026～2027 年起 | 转为抽检与索赔判定 |
| 排班与现场主管 | 排班表、任务分配 | 算法排班、任务调度 AI | 已经开始，2027 年前后普及 | 转为异常处理与人员管理 |
| 库存计划、补货分析员 | 补货建议、安全库存测算 | 生成式 AI 决策助手 | 2026～2028 年逐步渗透 | 转为策略制定与模型校验 |
这里有一个值得单独算账的视角。做自动化决策时，行业里常用的粗算是这样的：以美国一线仓储工人年均人力成本约 5 万美元（含福利，此为粗算假设）为基准，一台 AMR 的年均摊销成本（含设备折旧、维护与软件订阅）大致在 1.5 万～2 万美元区间（同样为粗算假设，实际因品牌与部署规模差异很大）。按这个口径，一台承担约 1.5 个人力当量的 AMR，回本周期大约在 2～3 年。这个数字本身不精确，但它解释了为什么 2024～2025 年 AMR 的 adoption 在头部 3PL 和电商仓明显提速：当回本周期进入 3 年以内，自动化就从"战略投入"变成了"财务上可辩护的常规决策"。
一个反常识的判断
回到前面埋下的那个反常识现象：未来三年里，最先被 AI 实质性改写的，可能不是仓库里走路最多的蓝领岗位，而是办公室里做计划、做分析的白领岗位。
逻辑并不复杂。需求预测、补货计划、排班优化这些工作，输入和输出都是数据，生成式 AI 不需要等机器人学会抓取，今天就能介入；而拣选员每天走的上万步，恰恰是物理世界里最难被完整替代的部分——AMR 解决了"走路"，但"从货架上把那件异形商品拿下来放进周转箱"这一步，机械臂的可靠性在复杂 SKU 场景下仍然达不到人工水平。所以未来三年的真实图景很可能是：蓝领岗位"人还在，但干的活变了"（从走路拣选变成守拣选站、处理异常），白领分析岗"人可能变少，但留下来的人决策半径变大"（一个人带着 AI 助手做过去一个团队的计划工作）。这个判断的依据是技术成熟度的不对称：大模型的推理能力已经可用，而通用抓取的可靠性还没有。
留给管理者的开放问题
如果把时间拉长到三年后看，真正值得仓库管理者提前思考的，可能不是"我的岗位会不会消失"，而是另一个问题：当排班、拣选路径、补货建议都由算法给出，并且算法的建议大多数时候是对的时候，管理者的核心能力还剩什么？是更懂设备、更懂数据，还是更懂人——懂怎么在一个人机混编的团队里，让人愿意把算法处理不了的那 10% 异常处理好？
这个问题目前没有标准答案。技术路线的分歧依然很大：有人押注人形机器人进仓，有人认为未来三年还是 AMR 加机械臂的组合更务实；生成式 AI 在排班环节已经落地，但在补货决策这种"错一次就断货"的场景里，大多数企业仍然只敢让它做建议、不敢让它直接下单。唯一相对确定的，是变化的速度：2025 年亚马逊百万机器人这个节点，标志着"要不要自动化"的讨论已经结束，接下来的三年，讨论只会是"先自动哪个环节、节奏怎么排"。而这张时间表，值得每个仓库管理者对照自己的仓库，认真排一遍。
作者：陈博士｜供应链行业研究员
