2024 年秋天，一家美国中西部的汽配 3PL 上了一套视觉分拣 AI，合同签了一年，项目在第 5 个月停了。不是算法不行——供应商的模型在演示环境里跑得很漂亮。真正的问题是：同一颗螺丝钉，在这家公司的系统里有 4 个 SKU 编码，对应 3 个不同的重量标注。AI 每给出一个分拣建议，现场操作员就驳回一个。三个月后，试点仓悄悄恢复了纯人工分拣，设备还留在那里吃灰。
这几乎是过去两年我听到的仓库 AI 落地故事的固定剧本：演示惊艳，上线拉胯。而每一次复盘，都会指向同一个地方——仓库的 AI 数据准备（warehouse AI data preparation）没做。
仓库 AI 项目的失败方式，惊人地相似
根据 Gartner 近年连续发布的 AI 成熟度相关研究，"数据与分析治理"长期被列为企业扩展 AI 应用的最大障碍之一，排名在算法和算力之前。这个结论在仓储行业尤其成立，因为仓库的数据质量天然比别的行业更差。
原因并不复杂。仓库是供应链上数据产生最密集、但治理投入最薄弱的一环：一线操作是体力活，系统录入是附带动作；SKU 主数据靠 Excel 表格在部门之间传来传去，库位编码十年前定下之后就再没人动过；拣选异常靠口头交接，退货原因写的是"客户不要了"。这些在人工运营时代只是"效率损耗"，到了 AI 时代就变成了"系统性毒素"——因为 AI 没有人类的容错能力。操作员看到"螺丝 M6×20 黑色"和"螺丝钉 M6 20mm"能认出是同一个东西，模型认不出。
归因链条在这里是完整的：仓库的数据是为"人能看懂"而组织的，AI 需要的是为"机器能对齐"而组织的数据。两者之间隔着整整一套数据治理工程，而大多数企业在签 AI 合同之前，根本不知道这套工程的存在。
AI 数据准备：决定上限的三类数据
把问题拆开看，AI 在仓库里真正吃的数据只有三类。每一类对应 AI 的一个能力边界，缺一类，AI 就少一块拼图。
第一类：主数据（master data）——AI 的身份证系统。
SKU 属性、库位编码、供应商档案、客户档案。这是全部数据里最枯燥、也最致命的一类。一个典型的体检指标是：随机抽 100 个 SKU，看有多少个存在"一物多码"或"一码多物"。如果超过 10 个，这个仓库的主数据就不具备喂给 AI 的资格。另一类常见病是库位编码没有层级逻辑——同一条巷道里，编码顺序和物理顺序对不上，AI 做的路径优化从第一天起就是错的。
第二类：运营事件数据（operational event data）——AI 的行为记录。
入库、上架、拣选、复核、盘点、出库，每一条记录的时间戳、数量、操作人、库位。这一类数据的杀手是"事后补录"：忙的时候先干活，闲下来凭记忆补系统，导致时间戳和真实作业时间相差几个小时。预测类 AI（比如需求预测、波次优化）吃的就是时间序列里的节奏，时间戳错了，模型学到的全是噪声。2023 年旺季，一家美东的服装电商仓上了需求预测模型，想提前两周备人力，结果预测和实际到货量天天打架。复盘发现，收货组忙起来先卸货、晚上凭记忆补录，时间戳普遍比真实到货晚 4 到 8 小时——模型学到的"到货节奏"，学的其实是"补录节奏"。项目组最后花了六周，先给收货流程加上扫码即时确认，才把预测救回来。还有一个隐形坑是"系统外作业"——用对讲机调度的临时任务根本没进系统，AI 看到的仓库永远是不完整的仓库。
第三类：反馈数据（feedback data）——AI 的纠错信号。
拣选差异、退货原因、人工干预记录、异常处理记录。这是三类里最被忽视、但对 AI 价值最大的一类。监督学习本质上是在学"正确答案"，而仓库里最接近正确答案的东西，就是每一次人工纠错的记录。可现实是，大部分仓库的异常处理靠经验传承：老员工知道哪个 SKU 容易拿错、哪个季节哪个品类退货率高，但这些知识从来没有变成结构化数据。没有反馈数据，AI 只能学到"正常流程"，学不会"异常处理"——而仓库运营成本的大头，恰恰藏在异常里。
三类数据可以做一张自测表。建议仓库管理者打印出来，逐项打勾：
| 数据类别 | 检查项 | 通过标准 |
|---|---|---|
| 主数据 | 抽查 100 个 SKU | 一物多码/一码多物少于 10 个 |
| 主数据 | 库位编码与物理布局 | 编码顺序与巷道物理顺序一致 |
| 运营事件 | 拣选记录时间戳 | 与真实作业时间偏差在 15 分钟内 |
| 运营事件 | 系统外作业占比 | 临时调度任务 100% 补录进系统 |
| 反馈数据 | 拣选差异记录 | 有结构化的差异原因分类，非自由文本 |
| 反馈数据 | 退货原因 | 可统计到 SKU 级别的原因分布 |
六项里有两项以上不通过，AI 项目就应该先暂停，先做数据治理。
一笔账：数据准备花三个月，到底值不值
算账是必要的，因为"先做 AI 数据准备"这句话在管理层听来很像拖延。下面是一个假想的中型电商仓的估算框架，数字是示意量级，用于说明结构而非精确报价。
假设这家仓库月均处理 20 万行订单，正在评估一套 AI 波次优化方案，供应商报价的实施周期是 2 个月。两种路径对比：
路径 A：直接上 AI。 2 个月实施，数据问题在上线后暴露，再用 3 个月边修数据边调模型，期间 AI 给出的波次建议被现场驳回约三分之一（这是这类项目的常见现象），相当于 5 个月里 AI 的实际贡献接近于零，还消耗了 IT 和运营团队的大量救火时间。
路径 B：先做 3 个月数据准备，再上 AI。 数据准备的投入主要是人力：1 名数据专员全职 3 个月做主数据清洗，运营团队配合补录流程规范。3 个月后 AI 上线，实施周期反而可能缩短到 1 个月，因为供应商不需要再为脏数据反复返工。
把两条路径的时间线拉平到 8 个月看：路径 A 的前 5 个月基本是沉没成本，路径 B 的前 3 个月是确定性投入。关键的 trade-off 在于——数据准备的投入是可控、可验收的（上面的自测表就是验收标准），而"上线后修数据"的成本是不可控的，它以"AI 建议被驳回"的形式持续发生，而且每一次驳回都在消耗一线员工对系统的信任。信任一旦丢掉，后面花多少钱都买不回来。
这里还有一个反常识的判断，值得单独说：把数据治理做到位之后，你可能会发现，很多场景根本不需要 AI。 干净的 ABC 分类加上规则引擎，就能解决大部分波次和补货问题；准确的库位主数据，能让传统路径优化算法跑出接近 AI 的效果。数据越干净，AI 的适用边界反而越收敛——它只适合解决"规则写不完"的场景：需求波动预测、动态人力排班、异常模式识别。换句话说，数据准备不仅是在为 AI 铺路，也是在帮你看清：哪些钱本来就不该花在 AI 上。
趋势判断：到 2027 年，数据准备会变成供应商的准入门槛
给出判断需要依据和时间线。依据有三条：第一，头部 AI 供应商这两年已经开始在签约前做 data readiness assessment（数据就绪度评估），评估不通过的项目他们现在宁愿不接，因为失败案例会反噬口碑；第二，数据质量工具的成本在快速下降，自动化的主数据清洗和异常检测已经从"咨询项目"变成了"软件功能"；第三，3PL 行业的客户招标里，"数据接口与数据质量承诺"条款出现的频率在明显上升。
基于这三条，我的判断是：2026 到 2027 年，"AI 数据准备"会从甲方的自我修养，变成 AI 项目招投标的硬性条款。 没有数据治理能力的 3PL，在 AI 方案竞标里会先输一轮——不是输在报价上，是输在"供应商不敢接你的项目"上。而对于品牌方自营仓，数据准备度会成为选择 3PL 合作伙伴的新维度，就像十年前大家开始看 WMS 系统一样。
最后留一个开放式的问题。把你家仓库过去三年的拣选异常记录全部导出来——你觉得 AI 能从里面学到什么？还是说，你连"哪一单曾经被驳回过"都查不出来？这个问题的答案，基本就决定了你们家 AI 项目的起点在哪里。
作者：陈博士｜供应链行业研究员
