今年上半年，有三家仓库的负责人前后找我聊，问的几乎是同一个问题：仓库 AI 这块，我们是自己组团队做，还是直接买现成的？一家在华东，做电商仓；一家在华南，做 3PL；一家在华北，做跨境中转仓。巧的是，半年之后三家的答案各不相同——有人自研了，有人买了，有人两边都试了一遍。
这个现象本身值得琢磨。根据 Gartner 的供应链技术成熟度曲线，AI 在供应链场景的应用，这些年一直在“期望膨胀期”和“幻灭低谷期”之间来回摆动。而我自己跟踪下来的一个判断是：2024 到 2025 年，仓库场景 AI 产品的采购量确实起来了，但企业自研 AI 项目的存活率并没有同步上升。多家咨询机构的调研也指向同一个结论：能从试点走到规模化生产的 AI 项目，始终是少数。为什么？先看两个真实的故事。
第一个故事在华东。2024 年秋天，一家日均 8 万单的电商仓决定自研一套“审单 AI”，自动识别异常订单、拦截错发漏发。团队 5 个人：两个算法、两个后端、一个产品。一年的人力成本，按市场价算是几百万人民币的量级（不同城市差异很大，这里只给量级）。半年后模型上线，拦截准确率看着不错。但问题出在第二年：仓库上了新的波次策略，订单结构变了，模型效果掉了 12 个百分点；负责调参的算法同学离职，接手的人花了三个月才把数据管道理顺。一年半下来，这套系统的总投入早就超过了当初直接采购一套现成审单模块、交三年订阅费的总和。负责人后来跟我说了一句话，我印象很深：“自研最大的成本不是工资，是维护。”
第二个故事在华南，一家 3PL。2025 年初，他们直接采购了一套带 AI 排班功能的 WMS 插件，按仓库数量收年费。三个月上线，效果立竿见影：旺季临时工的排班时间从每天 2 小时压缩到 20 分钟。但他们也交了“学费”：这套排班模型是按标准仓库流程训练出来的，他们家有一类异形件需要特殊工位，模型排出来的班次在这条线上天天出错，最后只能把这条线排除在 AI 排班之外，改回人工排。买系统的代价不在订阅费，而在“削足适履”——你的流程得向软件靠拢，靠不拢的部分，AI 就用不上。
一张决策表：build vs buy
两个故事指向同一个决策框架。我把它整理成一张对比表，决策时可以逐项给自己的仓库打分：
| 维度 | 自研 Build | 采购 Buy |
|---|---|---|
| 成本结构 | 前期人力投入大，长期维护成本更高；5 人团队一年是几百万量级 | 订阅费可预测；但定制开发、系统集成、未来换供应商的迁移成本常被低估 |
| 上线时间 | 6～18 个月，取决于数据基础 | 1～3 个月上线，但流程适配和人员培训的时间要另算 |
| 数据门槛 | 需要自有、干净、带标注的历史数据；数据量不够一切免谈 | 供应商用行业数据预训练，开箱有基线效果，但对你家的特殊场景可能水土不服 |
| 风险 | 人员流失等于知识流失；技术路线走错就是沉没成本 | 供应商锁定；产品路线图不由你定；数据合规风险自己扛 |
| 适用场景 | 流程高度独特、有数据资产、AI 是长期核心竞争力 | 标准场景、要快、团队小 |
反常识：自研最贵的不是工资，采购最贵的不是订阅费
很多人算 build vs buy 只算第一年的账。自研第一年看起来“就是几个人的工资”，采购第一年“订阅费好贵”。但把时间拉到三年，曲线会反转：自研的成本曲线越往后越陡——模型要定期重新训练、数据管道要有人值守、业务一变模型就掉线，每一次掉线都是一次抢修；采购的曲线反而相对平，贵，但是可预测。ROI 的分水岭不在第一年，在第三年。这是第一个反常识。
第二个反常识：买系统最大的坑不是功能不够，而是“没人喂数据”。AI 排班、视觉检测这类功能，上线第一天的效果取决于你给它喂了什么。很多仓库买了 AI 模块，历史数据导不进去、标注没人做，最后模型一直跑在供应商的通用基线上，效果平平，然后得出结论“AI 没用”。这个结论下得太早了——不是 AI 没用，是数据没跟上。采购模式下，数据工作一点不比自研少，只是从“训练模型”变成了“喂养模型”。
数据门槛：争论中最被低估的一环
自研派常说“我们数据多的是”。但仓库的数据多，不等于 AI 可用的数据多。WMS 里的出入库记录是写给人看的：时间戳对不齐、异常没有标注、统计口径三变两变——这种数据喂给模型，效果可想而知。我的建议是，在决定自研之前，先做一次数据审计：随机抽三个月的历史数据，看看时间戳对齐率、异常标注覆盖率、口径一致性能不能过 80% 这条线。过不了，先补数据工程，再谈 AI。
采购派也别高兴太早。供应商说“我们有行业大数据”，你要追问的是：有没有我们这个品类、我们这种作业模式的数据？一家做服装电商仓的数据，喂不出 3PL 异形件仓的排班模型。没有对口数据的话，开箱的基线效果，可能还不如你自己攒三个月数据做微调。
什么场景适合自研，什么场景适合买
综合上面的框架，结论其实比较清晰。三个条件同时满足，再考虑自研：第一，你的流程真的独特，市面产品覆盖不了七成以上；第二，你有持续产生的高质量数据资产，而且数据的所有权、使用权是干净的；第三，你愿意为这件事投入至少三年的团队编制，而不是“立个项目”。缺一个，自研大概率变成沉没成本。
反过来，场景标准化程度高（纸箱破损视觉检测、通用的人效排班、异常预警），市面上有两家以上成熟供应商，你的团队没有算法背景，或者你要在三个月内看到效果——买。
还有一条中间路线值得单独说：买底座、自己做上层。采购带开放 API 的视觉平台，检测模型用自己的标注数据微调；或者买预测引擎，自己写业务规则层。这条路兼顾了速度和独特性，但它有个前提：你的团队至少有一两个懂数据的人，能把供应商的黑盒子“打开一条缝”。完全不懂数据的人，走不了中间路线。
最后留一个开放式的问题。这两年大模型把 AI 的门槛又往下砸了一截：以前要五个人干一年的事，现在可能两个人调用 API 加微调就能跑出 demo。这会改变 build vs buy 的天平吗？我的观察是：它改变的是“做出 demo 的成本”，没有改变“跑成生产系统的成本”。从 demo 跑通到 7×24 小时稳定运行，中间隔着数据工程、异常兜底、业务变更适配三道坎，这三道坎无论买还是自研都绕不过去。所以问题可能根本不是“自研还是买”，而是：在你们家仓库，AI 到底是拿来降本的工具，还是未来三年的竞争力？答案不同，账本完全不同。这个问题，留给各位结合自己家的情况，慢慢想。
作者：陈博士｜供应链行业研究员
