先说结论：立项会上算不清三年回本的 AI 项目，最后都死在第二年。过去两年我旁观过十几个仓库的 AI 项目，能把 ROI 先算明白再动手的没几个——多数人是先买了技术，再倒推账怎么算才好看。顺序一反，结局都差不多：系统上线了，数据跟不上，人照样养着，钱烧完悄无声息。
麦肯锡 2025 年的全球 AI 调研里有个扎心的数据：承认 AI 对公司利润产生可归因影响的企业，只有 39%；但天天用 AI 的员工里，八成觉得自己效率变高了。两组数字放一起，结论很清楚：个人觉得好用，和公司赚到钱，是两回事。仓库立项 AI，赌的必须是后者。
钱到底花在哪了
算 ROI 先算全投入。很多人做预算只写软件许可和硬件采购，漏掉的三块才是大头。
数据准备。AI 吃的是干净数据，仓库的数据质量我太了解了：库位码十年没统一、盘点差异靠人工调、波次记录散在三个系统里。2024 年我在一家南加的电商仓看过，一个视觉分拣试点，光给摄像头标注历史订单图片，就养了两个临时工干了大半年。这笔钱，立项书里一个字没提。
人力。不是省掉的人，是新增的人：要有人懂业务、有人调模型、有人跟供应商扯皮。一个 AI 项目通常需要一个内部牵头人接近全职跟几个月，这几个月的工资，加上他手里被耽误的活，都是成本。
试错期。任何 AI 系统上线头几个月都在学走路，错误率可能比人工还高。这段时间的差错、返工、加急发货，都要算进去。供应商演示时给你看的是调好的版本，你仓库里跑的是第一天上线的版本。
还有一块经常被低估的：现有系统的改造。AI 很少独立跑，它要读 WMS 的库存、TMS 的预约、考勤系统的工时，接口一接就是几周的开发和测试。老系统没有开放接口的，还得加一层中间件。这笔钱供应商的报价单里通常没有，实施时才冒出来，专治预算做得太乐观的人。
试点范围也要算进去。聪明的做法是先拿一个库区、一条线做试点，投入可控，失败了也不伤筋动骨。一上来就全仓铺开的，基本都是被供应商的演示忽悠了。
产出那头也有讲究。省人这笔账最容易算虚——多数仓库省下来的人并没有离职，只是被调去干别的活，工资一分没少。提效这笔账只在一种情况下成立：你的产能真的是瓶颈，效率提升能直接变成多接的单。最实在的是降错账：错发、漏检、赔款，这些都是有发票的数字，骗不了人。
这三类 AI 项目，我劝你先别碰
长尾 SKU 的需求预测。大厂拿它做几万个 SKU 的补货很香，但你的仓库如果日均单量只有几千、干净的历史数据不到两年，模型根本喂不饱，预测精度还不如老师傅拍脑袋。数据量不够，AI 就是玄学。
万能客服机器人。仓储是 B2B 生意，问题都具体得扎手：一个托盘的异常、一次预约的改期。客户要的是能拍板的人，不是话术漂亮的机器。B2B 客户打电话来，十次有九次是异常件，异常件的处理需要查系统、做判断、给承诺，机器人在这三步上步步掉链子。我见过一家 3PL 上了智能客服，三个月后又默默把电话转回了人工。
为 AI 而 AI 的设备替换。AGV、视觉检测，单看技术都很酷。但如果你的拣选错误率本来就控制得很低，花大钱把错误率再降一个小数点，ROI 根本算不过来。先把流程里的浪费干掉，再谈设备升级，顺序不能反。
至于 2026 年最火的人形机器人进仓库，我的判断是：演示视频看看就好。实验室里叠箱子很丝滑，真实仓库的地面、光线、各种异常情况，能把它难住的地方太多了。让子弹再飞几年，等价格掉下来、故障率有公开数据再说。
立项前，把这张清单过一遍。
值得做的 AI 项目长什么样？我列了个清单，立项会之前一条条打勾。
基线数据张口就来。今天的拣选效率、错误率、单位人工成本，三个数随口能报，说明数据底子够。报不出来，先做数据治理，别谈 AI。数据治理不用搞大工程，先把三个数跑顺：昨天的拣选量、错误率、人工工时。
痛点够大够具体。不要写提升效率，要写退货质检每天吃掉几个人工、漏检每月赔多少钱这种颗粒度。
回报路径单一。一个项目只解决一个问题。承诺解决三个问题的项目，最后哪个都解决不了。
有退出机制。合同里写清楚：试点几个月达不到约定指标，无条件退款或终止。敢签对赌的供应商，技术通常不虚。
算过三年总账。软件、硬件、数据、人力、试错期的成本全加进去，除以每年的净收益，三年回不了本就缓一缓。
内部有人真正负责。AI 项目最怕成为大家的事——指定一个对结果负责的人，试点期间他的考核里写清楚这一项。没人背锅的项目，注定烂尾。
速算的方法不复杂：把上面所有投入按年折算，加总，除以每年的净收益，得出回本年限。超过三年就先放一放——技术每年都在降价，今年算不过来的项目，十八个月后可能就划算了，而且那时你的数据底子也更厚了。技术本身很少是问题，问题永远是账和人。
最后问一句：连昨天的拣选错误率都调不出来的仓库，凭什么觉得 AI 一来数据就变干净了？
