第一个AI试点选什么场景,我的答案很直接:选复核拍照留痕、异常提醒、到货点数这一类场景。它们有一个共同点,AI判断错了,现场马上能发现,马上能改,不会把货发错,也不会把系统拖垮。反过来,自动分拣、自动补货、无人叉车调度这类场景,听起来很先进,第一个试点做它们,等于把最难的仗放在第一场打。
我做 WMS 实施顾问这些年,经手 30 多个上线项目,看过太多仓库在 AI 这件事上栽跟头。栽跟头的原因很少是技术不行,更多是场景选错了。选对场景,老板第二周就能在现场看到变化;选错场景,三个月过去,仓库只多了一套没人用的系统。
第一个AI试点,为什么先做看得见、错得起的场景
判断一个场景适不适合当第一个AI试点,我只看四条。第一,出错成本低。AI 漏报一个异常,人工复核能兜住;AI 判错一张照片,复核员点一下就能纠正。第二,效果看得见。老板不用看报表,走到现场就能看到相机在拍、屏幕在报、问题单在减少。第三,数据现成。拍照、扫码、称重这些动作本来就在做,不用为了 AI 重新搭一套数据采集。第四,改动范围小。只动一个环节,不动主流程,不动计费,不动库存账。
这四条里最容易被忽略的是第一条。很多团队选场景只看收益大不大,不看翻车代价大不大。收益大的场景,往往也是耦合最深的场景。补货预测连着采购、连着库存、连着缺货责任,一旦模型给错建议,责任算谁的,现场扯皮能扯一下午。复核拍照不一样,照片拍下来就是证据,责任边界清清楚楚。
还有一个反常识的判断:第一个AI试点,先做那个不直接赚钱的留痕场景,反而最快拿到下一笔预算。我见过不少仓库长,花了大钱上预测类系统,老板问效果,现场拿不出直观的东西。留痕类场景正好相反,客诉来了,照片一调就清楚,少发多发的争议当场就能了结。这种可见度,比一页漂亮的收益测算管用得多。
| 候选场景 | 出错成本 | 可见度 | 数据准备 | 第一个试点适合度 |
|---|---|---|---|---|
| 复核拍照留痕 | 低,人工可纠正 | 高,照片即证据 | 现成,复核本来就拍照或扫码 | 适合 |
| 异常提醒:重量、数量对不上就报警 | 低,只提醒不拦截 | 高,现场立刻看到 | 现成,称重和扫码数据都有 | 适合 |
| 到货点数辅助清点 | 低,点错可重数 | 中,点数速度看得见 | 一般,要先统一包装单位 | 可以试 |
| 补货预测 | 高,错了影响采购和缺货 | 低,效果要等几周才显现 | 难,历史数据常有缺口 | 先别做 |
| 无人叉车调度 | 高,错了影响安全和时效 | 中,现场看得到但风险大 | 难,要地图、任务、权限全打通 | 先别做 |
这张表不用打分打得太精细。只要有一个场景在出错成本那一栏是高,第一个试点就先把它划掉。低风险不是胆小,是给团队留出学习的时间。
两周跑通第一个AI试点的清单
我拿复核拍照留痕当例子,讲一遍具体怎么做。换成异常提醒,步骤大同小异,时间线也能照着用。
第 1 天到第 2 天,定范围。只选一个复核台,只做一种订单类型,比如只做多品多件的订单。不要一上来就全仓铺开。把范围写下来,贴在复核台边上:做哪个台、做哪类单、谁负责、出了问题找谁。范围不清,后面所有扯皮都从这里来。
第 3 天到第 5 天,跑通最小闭环。相机装好,照片能存,能按订单号查到,复核员能在屏幕上看到照片和订单信息对不对得上。这一步不追求识别多准,先保证链路是通的。照片存不下来,或者查不到,识别再准也没用。我的做法是每天下班前抽十单,人工核对照片和实物,记下来哪里对不上。
第 6 天到第 8 天,让现场真正用起来。复核员每单扫完,顺手看一眼照片,有问题当场标出来。这个标出来的动作很关键,它就是后面改进用的标注。不要让复核员额外填表,就在原来的复核界面上加一个标记按钮,多一步都不要。现场多一步操作,执行就会打折。
第 9 天到第 11 天,对一次账。把这几天标出来的问题单拿出来,看看到底是相机角度不对、光线太暗,还是包装本身容易看错。调整一次相机位置,改一次提醒规则,然后再跑两天。试点期间改规则是正常的,怕的是没人看数据、没人改规则。
第 12 天到第 14 天,写上线前夜清单。清单上只写能执行的东西:相机离线了谁去看、照片查不到先走什么流程、网络断了复核停不停、值班表上有没有写清楚联系人。写完找复核组长读一遍,他读不懂的地方就是写得不清楚的地方,改到他能照着做为止。
两周结束,判断能不能扩大,只看三个结果:照片能不能按单查到,复核员愿不愿意每天用,问题单有没有留下来可追溯的记录。这三条都满足,再谈加复核台、加订单类型。有一条不满足,先把这一条修好,不要急着扩。
AI试点最容易翻车的三个地方
先讲一个救回来的项目。2024 年 10 月,华东一家做日用品的第三方仓,复核环节天天被客诉追着跑,少发多发的单子每周都有七八单。仓库长想上 AI,我建议先不做识别,只做拍照留痕。我们在两个复核台上装了相机,照片按订单号存,客诉来了先调照片。第三周,客诉单降到每周两三单。降下来的原因不是 AI 变聪明了,是责任清楚了,复核员自己也更仔细了。相机不是来替代人的,是来把过程留下来。
再讲一个作死的项目。2025 年 3 月,广东一家电商仓,第一个试点选了 AI 预测补货。想法没错,仓库缺货确实痛。但历史数据里促销、退货、手工调拨混在一起,模型跑出来的建议,采购根本不敢用。两个月过去,系统还在调参数,现场还在靠经验补货。后来我们把试点改成到货点数辅助清点,两周就跑起来了。不是预测没用,是它不该是第一个。
这个坑我见过三次,几乎是同一个剧本:立项会上大家都想做最难、最有面子的场景;做了一个月,发现数据、流程、责任三样都没准备好;项目停在半路,团队对 AI 的信心也没了。第一个试点真正的任务,不是证明 AI 多厉害,是证明这个仓库能把 AI 用起来。
第二个翻车点,是把试点当成采购验收。合同签了,设备装了,验收单签了,项目就结束了。试点不是验收,试点是试用。我的做法是,验收之前先跑两周真实订单,复核员每天用的那套,才是真正要验收的东西。只看演示环境跑得顺不顺,等于只看样板间就买了房。
第三个翻车点,是没人负责日常。相机脏了没人擦,照片查不到没人管,提醒规则误报多了没人调,三个月后系统就荒了。试点启动那天,就要把日常负责人写进值班表,写清楚他每天花多少时间看这些东西。没有日常负责人,再好的试点也会慢慢死掉。
回到开头那句话:第一个AI试点,选那个错得起、看得见、数据现成、改动小的场景。两周跑通一个,再谈下一个。仓库里的 AI 不是百米冲刺,是先把第一步踩稳,再把步子迈大。
作者:林晓|WMS 实施顾问,做过 30+ 上线项目







