今年我听了七八场 WMS 厂商的发布会，有一个细节很有意思：PPT 翻到第三页左右，一定会出现同一个词——agentic。三年前这个位置写的是"云原生"，五年前写的是"微服务"。厂商的叙事永远走在产品前面，这不新鲜；新鲜的是，这一次，买单的人似乎真的开始信了。
根据 MHI 与德勤联合发布的《2024 年度行业报告》，84% 的受访供应链企业计划在未来五年内采用 AI 技术，27% 表示已经在用 AI，只有 15% 明确表示短期内不会碰。与此同时，55% 的企业正在增加供应链技术与创新的投入，其中 42% 计划投入超过 1000 万美元。另一组数据来自 IoT Analytics 的内部物流市场报告：2025 年全球内部物流市场规模达到 960 亿美元，其中软件部分将以 11.4% 的年复合增长率增长，到 2030 年达到 108 亿美元。钱和意愿都在往同一个方向走，这不是营销话术能解释的。
插件式 AI 的天花板：为什么"加个 AI 模块"不够了
要理解 AI-native，先要看清它要替代的东西。今天绝大多数仓库里的 WMS，本质上是一个记录系统（system of record）：它忠实地记录库存、订单和任务，规则引擎按预设逻辑触发波次、分配库位，真正的决策——今天先拣哪个波次、人力往哪个区倾斜、要不要提前补货——仍然长在主管的经验里。过去两年厂商们做的"AI 插件"，大多是 copilot 形态：给你一个推荐，"建议把 SKU 4821 移到 B 区"，点不点执行，看人。
这种形态的天花板很明显。推荐式 AI 不改变执行闭环，它只是在旧流程上加了一层更聪明的建议。而仓库里最贵的东西，恰恰是"建议"和"执行"之间的时间差：旺季时一个波次计划晚两小时发出，整条拣选线的节奏就乱了。插件能优化单点，但它动不了那个把"感知—决策—执行"串起来的总开关。
转折点出现在 2025 年。亚马逊宣布部署了第 100 万台仓库机器人，同时上线了一个叫 DeepFleet 的基础模型来统一调度机器人车队，车队的整体行驶时间因此优化了 10%。10% 听起来不大，但关键在于这个增益的来源：不是更好的机器人，而是对现有机器人"去哪、走哪条路"的更好决策。这是纯粹的软件收益，而且它不认硬件的牌子。几乎同时，Manhattan Associates 在 2026 年 1 月把一批 AI agent 推向商用：Wave Coordinator、Labour agent、Dock agent，外加一个让客户用自然语言自建 agent 的 Agent Foundry。注意这三个 agent 接管的工作：波次计划、人力部署、月台调度——这正是二十年来 WMS 监督屏的核心职能，只不过以前是"显示"，现在是"执行"。
AI-native WMS 的三层架构：大脑长进系统里
综合各家厂商的技术路线和 Gartner 在 2026 年 WMS 魔力象限里点出的三大趋势（云原生可组合、AI 与自动化就绪、WMS 与供应链执行融合），AI-native WMS 的架构正在收敛成三层，和传统 WMS 有本质区别：
第一层是感知与数据层。传统 WMS 的数据是批量的、滞后的，夜里跑批、日里对账；AI-native 要求的是统一的实时事件流——订单、库存、人力签到、设备状态、月台预约全部以事件形式进同一个数据底座。没有这一层，上面的 agent 就是在沙盘上推演，和现场脱节。
第二层是推理与决策层。这是"原生"二字的真正含义：agent 不再按固定规则触发，而是按目标函数持续优化——在时效、成本、人力负荷之间动态求平衡。比如 DeepFleet 干的事，本质上就是把"机器人走哪条路"从一个静态路径规划问题，变成了一个实时学习问题。
第三层是执行与编排层。决策直接下发为任务：给 WES 发指令、给人力发波次、给机器人发路径，并且把执行结果回流给决策层，形成闭环。传统 WMS 里这个闭环是人肉完成的：系统显示异常，主管打电话，现场调整。AI-native 把"人"从闭环里拿掉，放到监督位上。
用一句话概括这个变化：传统 WMS 的大脑长在外面（人的经验加规则引擎），AI-native 的大脑长在系统里。这也是为什么它叫"原生"而不是"增强"——它不是给旧房子加装电梯，而是按电梯房重新设计的户型。
换代 AI-native WMS 的代价：先算清这五笔账
架构很性感，代价很现实。任何一次 WMS 换代，账本都比厂商 deck 里厚得多。我把代价拆成五笔，插件路线和原生路线逐项对比：
| 代价项 | 插件路线（AI 模块叠加） | AI-native 重建 | 说明 |
|---|---|---|---|
| 软件许可 | 增量订阅，低 | 平台替换，高 | 原生路线往往意味着换供应商 |
| 实施周期 | 数周上线 | 数月起步 | 数据层重构是主要耗时项 |
| 集成重写 | 现有接口复用 | 接口与数据模型重构 | ERP、TMS、自动化设备的对接都要动 |
| 数据治理 | 可选 | 必修 | agent 吃的是实时干净数据，脏数据直接放大为错误决策 |
| 组织与流程 | 培训为主 | SOP 重写 | 调度决策权从人转移到系统，管理逻辑要变 |
反常识的判断在这里：五笔账里最贵的不是第一笔 license，而是第四和第五笔。AI-native 对数据质量的要求是刚性的——传统 WMS 里一条错的库存记录，最多导致一次拣选异常；AI-native 里，同一条错记录会被 agent 当成"事实"去优化，可能引发一连串错误决策。数据治理不是 IT 项目，它是 AI-native 的地基，没有它，agent 越聪明，错得越快。
一个趋势判断：AI-native 是船票，不是当期收益
基于以上，我的判断是：AI-native WMS 在未来五到八年会成为主流架构，但它的经济价值曲线和营销话术是反过来的。WMS 历史上每一次架构换代——从主机到 C/S，从 C/S 到云原生——真正普及都用了五到八年，AI-native 不会例外。在未来三年里，插件路线的 ROI 大概率更高：投入小、见效快、风险可控。买 AI-native，买的不是当期的效率提升，而是一张"不被锁死在旧架构里"的船票。
什么时候该换？我的框架是看窗口：新建仓、3PL 接新客户做系统 onboarding，是最佳窗口——反正要从零搭，不如直接搭新的；已经稳定运行的大仓，尤其是数据基础薄弱的，插件路线更划算，强行重建大概率先交学费再谈收益。依据很简单：迁移风险和数据准备度，决定了你是付"船票钱"还是付"学费"。
最后留三个开放式的问题，供各位对照自己的仓库想一想：第一，你的实时数据准备好了吗——不是报表数据，是 agent 能直接吃的事件流数据；第二，你的组织能接受"机器做调度决策、人只做监督"吗，这首先是管理问题，其次才是技术问题；第三，五年之后，你现在的 WMS 供应商还在 AI 这张牌桌上吗？这三个问题的答案，基本就决定了你是该现在换、三年后换，还是继续观望。
作者：陈博士｜供应链行业研究员
