这两年，"AI 排班优化"在仓储圈被提得越来越多。但多数仓库的排班，依然靠班长周日晚上在 Excel 里填格子：看一眼下周的订单预估，翻一翻群里谁请了假，把名字填进去。旺季来的时候，这个办法的极限暴露得很直接——爆单那几天人手永远不够，加班费烧掉利润；淡季的时候，人闲在现场，工资照发，管理层看报表只觉得肉疼。根据行业里的普遍口径，人力是仓库运营成本里占比最高的一项，排班如果能把人力需求压下来 5%～10%，对一个中型仓来说就是一年几十万量级的差额。这笔算得清的账，才是这个词热起来的根本原因。
排班难，难在约束太多
排班本质上是一个带约束的匹配问题，约束越多，人工排班的崩溃点来得越早。第一层约束是技能矩阵：谁有叉车证、谁会开高位叉车、谁只能做轻拣选，班长心里有一本账，但这本账没法在表格里自动生效，一旦排错，现场就得临时调人。第二层是法规工时上限：连续工作时长、每周上限、加班倍率，各国各地的规定不同，排超了就是合规风险。第三层最微妙，是人的偏好与离职率：夜班没人愿意上是常态，长期把没人要的班次塞给同一个人，换来的是离职——而招一个新人的培训成本，往往超过排班省下的那点钱。这三层约束叠加，排班就从"填格子"变成了"多目标优化"，这正是算法的用武之地。
AI 排班优化的三条算法路线
目前落地的方案，大致分三条路线。第一条是规则启发式：把班长的经验写成规则（比如"拣选岗每 8 人配 1 名复核""连续夜班不超过 3 天"），再叠加一个订单量预测，按小时波次算出每个岗位需要多少人。优点是透明、可解释、好调试，缺点是规则写多了会互相打架，规模一大就顾此失彼。第二条是数学规划，主要是整数规划：把技能、工时、偏好全部写成约束和目标函数，让求解器算出全局最优解。排班质量最高，但需要干净的输入数据，而且求解时间随规模快速增长，几百人以上的仓往往要做分解或近似。第三条是强化学习：让智能体在模拟环境里反复试排，学会应对缺勤、爆单这类突发扰动。上限最高，代价也最高——需要大量历史数据做仿真，调参周期以月计，目前基本是头部企业的自研项目。
两条路线，两个仓库，取舍完全不同。2021 年，美国加州安大略的一家 3PL 仓，约 70 名一线员工，订单波动极大，旺季是淡季的三倍。他们上了整数规划排班：淡季把全职比例压到 55% 左右，用模型精确算出每个波次的最少人力，旺季则按模型提前两周锁定临时工需求。一个季度的测算显示，加班费用下降了约 14%，但代价是排班表一旦发布就很难改——临时有三个人请假，系统要重算 40 分钟，现场班长最后还是靠手工调。这个案例的教训很典型：算法精度上去了，响应速度没跟上。
2023 年，华东一家美妆电商的自营仓，约 120 名员工，走的是另一条路：规则引擎加简单的销量预测，按小时波次排班，规则只有 40 多条，全部是班长们自己参与制定的。双 11 预售尾款日那天，系统提前 48 小时预警人力缺口，建议增加 12 个临时工班次，实际到岗后当天的人均拣选单量比去年同期高了约 6%，编制没有增加。负责人后来说了一句实在话：这套系统最值钱的地方不是算得准，而是班长们愿意用——因为规则是他们自己定的，排出来的班表他们认。
反常识：班表没人执行，算法等于零
这是排班算法方案里最容易被技术厂商回避的一点：算法排出的"最优班表"，如果员工不执行，它的价值就是零。仓库一线员工对排班的敏感点从来不是"全局最优"，而是两件事：公平感和换班灵活性。同样是夜班，为什么他上三天我上五天；我想跟人换个班，系统让不让换、换了会不会被扣分。这些"人的问题"不解决，再精确的算法也会在执行层被架空——缺勤和离职会把省下的成本全部吃回去。所以一个冷静的判断是：排班系统的回报，一半来自算法精度，另一半来自员工接受度设计（透明的换班机制、看得见的公平规则）。选型时只看求解器性能的，都是在为后一半买单时才发现预算不够。更直接的验证办法是看试点数据：同一套算法，换班机制顺畅的仓，缺勤率往往明显低于卡得死的仓——差的正是这"人的另一半"。
按规模选型：AI 排班的决策框架与趋势判断
| 仓库规模 | 推荐路线 | 为什么 |
|---|---|---|
| 30 人以下 | 表格模板 + 固定规则 | 约束少，班长经验足够，算法投入产出比为负 |
| 30～150 人 | 需求预测 + 规则引擎 | 波动超过人工心算能力，规则透明好落地 |
| 150～500 人（单仓） | 整数规划 + 人工复核 | 规模效应显现，值得为求解质量付数据治理的成本 |
| 500 人以上 / 多仓协同 | 规划 + 强化学习（或多目标启发式） | 跨仓调拨、共享临时工池，只有算法能算清 |
选型的核心逻辑只有一条：算法复杂度必须和"约束的真实复杂度"匹配，而不是和"预算"匹配。30 人的小仓上强化学习，和 500 人的大仓只用表格，错得一样离谱。
再给出几个带时间线的趋势判断，依据是这两年厂商的动向和头部仓的试点节奏。第一，2024 到 2026 年，规则引擎加需求预测会成为 30～150 人规模仓库的标配，以模块形式长在人力系统或 WMS 里，而不是独立产品。第二，2026 到 2028 年，整数规划会通过云求解器下沉，中型仓不需要自建算法团队也能用上接近最优的排班。第三，强化学习在 2028 年之前大概率还是头部玩家的自研项目，因为它的门槛不在算法，在高质量仿真数据。这三条时间线有一个共同指向：排班优化的竞争，很快会从"算法谁更准"变成"谁更懂现场"。更长远地看，排班这个独立功能可能会消失——当 WMS 的任务编排精细到小时级，排班和任务分配会合并成同一个优化问题，"排班系统"这个品类会被吃掉。
排班优化从来不是技术问题，而是"在约束、成本和人性之间找平衡点"的问题。算法能把这个平衡点算得更准，但它算不出来员工愿不愿意接受——而后者，往往决定了前者有没有意义。下次有厂商跟你谈 AI 排班，别先问算法多先进，先问两个问题：换班流程怎么做，公平规则员工看不看得懂。答不上来的，精度再高也可以先放一放。
作者：陈博士｜供应链行业研究员
