每年大促前，仓库经理们都在做同一件事：猜。猜今年的单量涨多少，猜每天要排多少人，猜临时工什么时候进场。根据 AI 排人力厂商 LaborAI 的一项调研口径，高达 99% 的公司承认自己缺少精准的用工预测工具——也就是说，几乎整个行业都在靠经验和直觉安排人力。这两年，"AI 用工预测"成了供应商口中的高频词：预测需求、自动排班、动态调人力。听起来很美，但它到底在预测什么、需要什么数据、以及厂商宣传的降本数字有多少水分，是这篇文章要回答的三个问题。
AI 用工预测，到底在预测什么
先厘清一个概念：AI 用工预测不是排班软件。它算的是"未来 X 天、每天每个时段、每个作业区需要多少人"，排班只是把结果落成表。这个预测依赖三类数据，缺一类都不成立。
第一类是需求侧数据：订单量预测，要分到日、再分到时段。注意，不是财务口径的销售额预测，而是作业量预测——订单行数、件数、波次结构。同样 1 万单，全是大件和小件混拣，工时能差出一倍。
第二类是供给侧数据：每个作业动作的标准工时。这就是行业里的 engineered labor standards（工程化劳动定额）：拣选一行多少秒、打包一单多少秒、行走一米多少秒，通常来自方法研究或时间研究。它是整个预测的地基。很多仓库没有这套定额，直接拿厂商给的 UPH（每小时处理单位数）当输入——这是第一个坑：UPH 是结果，不是定额；不同仓的货架高度、动线、货品结构完全不同，别人的 UPH 到你这儿大概率不准。
第三类是波动项：缺勤率、新老员工比例、技能矩阵。旺季临时工占比 30% 的仓，人均效率天然比淡季低一大截——新人熟练度爬坡是客观规律。如果预测模型不吃这三类数据，只拿历史单量做回归，那它预测的不是人力需求，是去年的影子。
预测错了，怎么兜底：一个加州仓的亲历
2024 年黑五前，我跟进过一家位于加州安大略附近的 3PL 仓：8 万平方英尺，专做服装电商的退货处理。2023 年他们吃过大亏——经理拍脑袋按"去年单量涨 40%"招了 50 个临时工，结果实际单量只涨了 18%，11 月的人工成本直接超预算三成，临时工在那儿站着没活干。
2024 年他们上了一套用工预测工具，逻辑就是上面说的三类数据：过去三年的分时单量、自己花两个月测出来的定额（拣选、质检、上架分开测）、临时工比例和缺勤率。预测结果是：黑五当周日均需要 86 人，上下浮动 15%。实际呢？周二爆到了预测值的 118%——因为一个大客户临时提前了促销。
但这一次他们没乱。原因在于兜底结构：正式工只按预测下限排（72 人），中间 15% 的波动用排班弹性吸收（错峰上下班、跨区支援），超过预测上限的部分才触发临时工——而且临时工是提前签好的柔性劳务池，按天结算，不是一签签俩月。最后黑五周的人工成本比 2023 年降了约两成（该仓内部口径）。预测误差本身并没有消失，消失的是"误差的代价"。
这个案例说明一个关键判断：**用工预测的价值不在预测本身有多准，而在它把"不确定性"变成了可以分层管理的结构。**拍脑袋的问题不是不准，而是把所有人都押在一个数字上。
算一笔账：AI 排人力的降本数字，怎么读
厂商 RaftLabs 公开的口径是：AI 排人力可以降低加班 15～25%、降低闲置工时 10～15%、人均产出（UPH）提升 5～8%。它给的示例基数是一个 200 人的配送中心、年人工费 1200 万美元（以上均为 RaftLabs 厂商口径，非独立验证数据）。
我们按这个基数算两档：
| 降本项 | 保守档（取下限） | 乐观档（取上限） | 备注 |
|---|---|---|---|
| 加班减少 | 年省约 45 万美元 | 年省约 75 万美元 | 假设加班占人工费 25% |
| 闲置工时减少 | 年省约 18 万美元 | 年省约 27 万美元 | 假设闲置占人工费 15% |
| UPH 提升折算 | 相当于少雇约 10 人 | 相当于少雇约 16 人 | 按人均成本 6 万美元/年 |
算下来，一年省 60 万到 100 万美元出头，听起来很香。但读厂商数字要打三个折。
第一，这是厂商自己挑的样本——通常是配合度最高、数据基础最好的客户，磨合一年之后的结果。你的仓如果连 engineered labor standards 都没有，第一年的收益大概率只有这个数的零头，因为前半年都在补数据。
第二，"加班下降"这个数字里，真正的功臣是"预测准了"，不是 AI 本身。用表格把预测做细、把排班弹性做出来，也能吃掉一半以上的加班。AI 的增量价值在剩下的那部分。
第三，单一厂商口径永远不采信。任何厂商的降本数字，都要问三个问题：样本是谁、基线怎么定的、磨合了多久。答不上来的，一律按营销文案处理。
还有一个厂商营销页不会讲的收益，来自美国中西部一家约 150 人的零售配送中心：他们做了两年定额加预测排班，加班降幅只有约 8%（厂商宣称下限的一半），但员工缺勤率从 9% 降到了 6%（该仓内部口径）——因为排班更透明、更可预期，员工对"被针对"的抱怨少了。排人力做得好，省的不只是钱，还有人心。
一个反常识的判断：用工预测，淡季比旺季更值得算
多数人以为用工预测是为旺季准备的。恰恰相反：排人力真正的价值在淡季。
旺季缺人是偶发损失——爆单那几天加班顶一顶、临时工救一救，疼是疼，但疼得短。淡季的人力冗余是天天在烧的固定成本：一个 200 人的仓，淡季多留 10% 的人，一年就是 120 万美元的人工费里多出十几万的纯浪费（按前述 1200 万美元基数、10% 冗余估算）。而且淡季冗余还有个隐性代价：人闲下来，离职率反而上升——忙的时候没人想走，闲的时候人开始看外面。
所以反常识的结论是：先拿淡季开刀。用预测模型回答"2 月份我到底需要多少人"，敢把编制压到数据支持的下限，再配柔性劳务池应对波动。旺季只是把这套机制放大用。
还有第二个反常识，关于风险本身：AI 排人力最大的风险不是算错，而是"AI 说的"取代了经理的判断。当排班表第一次由算法生成而不是经理拍板，预测就从决策工具变成了免责工具——排错了，是模型的锅；排对了，是我的功。一个健康的用法是：模型给建议，经理做拍板，并且每次拍板都要留下理由。否则三年后，你的仓库里将没有人再会排人力了。
到这里，三个问题都有了答案：AI 用工预测预测的是分时段、分作业区的人力需求，吃的是需求、定额、波动三类数据；厂商的降本数字要按"样本、基线、磨合期"三问打折后再看；真正的价值在淡季敢减人，不在旺季敢加人。
留一个开放式的问题收尾：当算法开始决定"明天谁上班、谁休息"，仓库里"对人负责"的，到底是写模型的工程师，还是签排班表的经理？厂商的营销页上没有这个答案。你的仓库里，最好有。
作者：陈博士｜供应链行业研究员
