三年前,仓库 AI 的发布会几乎每个月都有新说法:拣货不用人了,预测准到按小时排班,质检一台相机全包。仓库 AI 落地现实检验这个题目,意思就是把当时的承诺一张一张拿出来,对照今天仓库里的真实样子,看看哪些兑现了,哪些只兑现了一半,哪些到现在还停留在演示视频里。这不是要否定 AI,而是要把判断的依据从发布会拉回到仓库地面。

根据 MHI 的年度行业调查,截至 2024 年底,已经在用 AI 的受访企业大约占 28%,另有 54% 表示计划在五年内采用。换句话说,大部分仓库到现在仍然处在观望或者试点阶段。PitchBook 2026 年的一份报告也给出了一个值得留意的背景数字:全球只有大约四分之一的仓库实现了某种程度的自动化。市场对 AI 机器人的热情很高,融资数字也很好看,但仓库里真正跑起来的系统,比例远没有热闹程度那么高。这两个数字放在一起,基本就是过去三年仓库 AI 的真实处境:方向没有错,速度被高估了。

视觉质检和需求预测:兑现的那一档

先说兑现得比较扎实的两类。第一类是视觉质检。相机读托盘条码、核对箱唛、发现包装破损,这类任务的边界很清楚:输入是一张图,输出是一个判断,对错当场就能验证。一家我长期跟踪的电商仓,质检环节原来靠人工抽检,出错往往要等到客户投诉才发现;上视觉系统之后,异常件在出库前就被拦下来,复核的人手并没有完全省掉,但责任从"事后救火"变成了"事前拦截"。这就是兑现的典型形态:AI 没有把人换掉,而是把人从重复判断里抽出来,去处理机器判断不了的例外。

第二类是需求预测和库位优化。需求预测从来不是算命,它真正的价值在于把波动收窄到一个可以排班、可以备货的范围。根据 MHI 调查中受访专家的看法,AI 在预测需求波动、辅助库位决策上已经能帮上忙,尤其是在季节性明显的品类里。道理也好理解:预测用的历史数据本来就躺在 WMS 里,数据越干净,预测越有用;反过来,数据一团糟的仓库,上再贵的预测模型也预测不出什么。这一档的共同点是:任务边界清晰,效果可以按周复核,失败的代价可控。

AMR 调度:半兑现,卡在规模和例外上

AMR 调度属于半兑现。单台 AMR 跑起来并不难,难的是几十台、上百台车在同一个场地里不堵车、不抢充电桩、不在旺季高峰互相等。一份 2026 年的行业分析指出,车队规模上到几百台之后,真正决定吞吐的已经不是单台车的性能,而是路径规划和拥堵规避的质量。换句话说,AMR 的 AI 价值不在车上,而在调度软件里,而调度软件的好坏,演示里是看不出来的,只有旺季满负荷跑两周才见分晓。

我跟踪过一个中型 3PL 的案例:试点区十几台车跑得很顺,拣选员走动距离明显缩短,管理层据此决定扩到全仓;扩到上百台之后,充电排队和交叉路口的等待时间反而吃掉了省下来的人效,项目组花了好几个月调参数、改动线,才把吞吐稳住。这个案例的教训不是 AMR 不行,而是规模会改变问题本身:小规模验证通过的方案,放大之后要重新验证。凡是厂商只给你看十台车跑顺的视频,却不肯谈上百台时的调度策略和充电规划,都值得多问一句。

还在画饼的那一档:通用拣选和无人仓库

画饼的那一档,集中在通用拣选和"无人仓库"这类叙事上。视觉引导的拣选臂确实在进步,能处理的商品形态比几年前宽得多,但电商仓库的 SKU 形态实在太多,异形件、软包装、反光面仍然大量需要人工兜底。更关键的是经济账:机械臂省下来的人效,要和设备折旧、维护、停机时间一起算,而很多演示只算前者。PitchBook 的报告里还提到一个公开案例:大型零售商在自动化项目上的减值达到数十亿美元量级。这不是说自动化本身错了,而是说,当项目规模大到一定程度,技术风险会直接变成财务风险,决策者不能只看技术演示。

还有一个经常被忽略的维度:安全与认证。概率性的 AI 系统在人机混合作业环境里的安全认证,本身就是一道商业门槛。传统自动化靠确定性规则,出了问题可以追溯到某一行逻辑;AI 系统的判断是统计意义上的,出了问题,责任边界和认证路径都要重新谈。这道门槛不解决,"无人"就只能停留在封闭场景里。

上 AI 之前,先问的清单

综合以上三档,仓库决策者真正需要的不是另一份厂商白皮书,而是一张上 AI 之前的自问清单。做一次仓库 AI 落地现实检验,核心就是把这张清单逐项过一遍,不谈技术名词,只谈可验证的东西。

决策问题 怎么验证 不通过怎么办
数据干净吗 抽查一个月的主数据,错漏率是否低到能支撑模型 先做数据治理,别急着买模型
效果能按周复核吗 有没有明确的对照指标,如拦截率、预测偏差、单均工时 没有对照组就不签大单,先跑试点
规模放大后还成立吗 试点规模的三倍以上有没有跑过旺季 要求厂商给出同等规模的真实案例
例外谁处理 机器判不了的单子,人工兜底的流程和成本是多少 把兜底成本算进 ROI,别只算省下的人
退出成本多高 合同到期或效果不达标,能不能体面地停 优先选能按量付费、能分阶段扩的方案

一个反常识的判断是:过去三年,仓库 AI 最大的赢家可能不是买了最贵系统的人,而是把基础工作做扎实的人。库位准确、主数据干净、流程先标准化,这三件事本身不带任何 AI 标签,却决定了 AI 上线之后是放大收益还是放大混乱。反过来想,一个连 ABC 分类都没做好的仓库,指望 AI 自动把库位排好,相当于指望导航软件替你决定去哪里——路线可以算得很准,目的地错了也没用。

三年回头看,仓库 AI 的承诺兑现了一部分,而且兑现的那部分恰恰是最不性感的部分:质检拦截、预测收窄波动、调度少堵车。任何一次仓库 AI 落地现实检验都会得到类似的结论:半兑现的部分卡在规模和例外处理上,画饼的部分则卡在经济账和安全认证上。这个格局在未来一两年大概率不会有戏剧性的反转,更可能的是缓慢收敛:演示越来越少,复核越来越多。

如果让我留一个开放式的问题,那就是:当 AI 的价格继续往下走、能力继续往上走的时候,仓库的组织方式会不会先变?排班、绩效、异常处理流程,这些比模型本身更难改的东西,恰恰决定了 AI 最后能兑现多少。技术可以买,组织能力只能自己长出来。

作者:陈博士|供应链行业研究员