去年秋天我去一家集成商的展厅看演示,一台 AMR 驮着料箱在空地上画 8 字,机械臂对着镜头把一只马克杯稳稳放进纸箱,屏幕上的准确率写着 99.9%。销售站在旁边说,这套仓库 AI 系统三个月回本——这就是 warehouse ai hype vs reality 的现场版。同一周,我一个客户的仓里,刚上线的视觉复核系统每天误报 200 多单,复核员比上系统之前还多雇了两个人。同一个"仓库 AI",演示厅里和真实仓库里完全是两个东西。
这篇就聊仓库 AI 宣传与落地之间的落差——热闹是真的,冷账也是真的。分清楚哪边是你的,才轮得到谈选型。
厂商演示里什么都行,仓库 AI 的热闹从哪来
先讲一个基本盘。Mordor Intelligence 的 2026 年数据显示,全球仓库自动化市场规模约 341.7 亿美元,到 2031 年预计接近 657 亿美元。数字不小,展会自然热闹。但同一份口径里还有另一面:全球大约 80% 的仓库至今没有任何自动化,只有约 25% 的仓库用上了某种形式的自动化,真正用上高级自动化的只有约 10%。Interact Analysis 的预测更直接:到 2030 年,全球只有约 13% 的仓库会部署哪怕一台用于履约的 AMR。
这就像汽车展:展台上全是概念车,停车场里还是家用车占多数。市场规模讲的是卖出去的东西,落地率讲的是仓库里真正跑起来的东西,两个数之间差着好几倍。
热闹还有一个来源:头部案例太亮了。亚马逊全球部署的机器人超过 75 万台,视觉引导的机械臂 Sparrow 能处理其目录中约 65% 的商品;Locus 的 AMR 在 350 多个站点跑了 1.3 万多台,累计拣选超过 20 亿件。这些数字都是真的,也都查得到。但它们有一个共同前提:单量密度极高、SKU 结构稳定、IT 团队能自己消化集成。把亚马逊的答案直接抄到一家日均 3000 单的中型仓头上,等于把 F1 赛车的发动机装进送货面包车——参数好看,车架先散了。
仓库 AI 落地的冷账:回本的场景长什么样
设备选型有一条我用了十年的分界线:先算节拍,再谈智能。AI 也不例外。算清这笔账,才算真正看懂了 warehouse ai hype vs reality 的分界线。
先看一组查得到的对比。人工拣选每小时大约 60~100 件,货到人 AMR 模式下拣选员每小时能做到 300~600 件以上。数字差距很大,但它只在一种条件下成立:拣选员不用走路。AMR 真正省掉的不是"拣"这个动作,是拣选员每天在货架之间走的那几公里。你的仓如果拣选员本来就站在固定工位、货到人已经靠传送带解决,那 AMR 省掉的行走时间接近于零,回本模型当场就塌了。
再看回本周期。行业数据给出的口径是:AMR 在标准部署下回本通常不到 24 个月,实地部署的 ROI 能超过 250%;高单量的电商履约中心,回本最短能到 8~14 个月。注意定语——"标准部署""高单量"。我经手过一个场景示意的项目:一家日均 8000 单的美妆仓,上了 40 台 AMR,旺季前三个月确实把拣选人力压下来近三成;另一家日均 1500 单、SKU 不到 2000 的汽配仓,同样的方案算下来回本要四年多,原因很简单:单量撑不起设备的利用率,机器有一半时间在充电区待命。数字是我按公开口径拼的假设算例,结论是真的:回本不看设备多先进,看你的单量密度能不能喂饱它。
下面这张表是我给客户做 AI 选型时用的分界线,横着看,三条线划开真需求和伪需求:
| 场景 | 关键指标 | 真需求的信号 | 伪需求的信号 |
|---|---|---|---|
| 货到人 AMR | 日均单量、拣选行走占比 | 日均 5000 单以上,行走占拣选工时一半以上 | 日均 2000 单以下,拣选员本来就站着不动 |
| 视觉复核/质检 | 错发率、复核人力成本 | 错发赔付每月稳定发生,SKU 外观差异大 | 错发一年碰不上几回,SKU 长得都一样 |
| AI 需求预测/补货 | 缺货率、呆滞库存占比 | 缺货和积压同时存在,人工补货跟不上 | 品类不到 500 个,老师傅凭经验补得挺准 |
| 语音拣选/智能调度 | 订单波次复杂度 | 多波次、多渠道订单每天打架 | 一天一个波次,排班表贴墙上就够 |
这张表背后是一个反常识的判断:仓库 AI 最大的价值往往不在"替代人",而在"消灭无效行走和无效等待"。人力成本占仓库总预算的 50%~70%,但这笔钱的大头不是拣货那个动作,是人在货架间走路、在等待中消耗的时间。凡是冲着"裁掉多少人"去买 AI 的,最后多半失望;冲着"把人的时间还给真正产生价值的动作"去的,反而容易算出正收益。
三个伪需求,见一个拆一个
伪需求一:给小仓上全套视觉识别。SKU 不到 1000 个、条码贴得好好的,视觉识别除了演示好看,没有任何增量。条码扫码的准确率和成本,视觉系统在小规模场景下追不上,维护还贵一个量级。这就像给自行车装自动驾驶——技术没问题,需求不存在。
伪需求二:先买 AI 再补数据。AI 预测、智能补货、动态库位,全都建立在库存数据准的基础上。库位准确率不到 98% 的仓,上预测模型等于在沙地上盖楼,模型输出越漂亮,错得越离谱。我见过一家仓,系统里显示有货、货架上找不到货,盘点差异常年两位数,销售却先签了预测模块的合同。正确顺序永远是:先把数据准确率打上去,再谈智能。
伪需求三:把试点当落地。试点跑两周、挑最好做的 SKU、配最熟练的员工,数字当然好看。真正的分界线是旺季:单量翻两倍、临时工占一半、新 SKU 每天上架,系统还稳不稳。签合同之前问销售一句话:这个方案在你们最差的一个客户现场,旺季 Uptime 是多少?答不上来,或者只给演示数据,合同就先别签。设备的 MTBF 和 Uptime 是集成商最不愿意细聊的两个数,恰恰是落地之后最决定体验的两个数。
还有一个经常被忽略的账:维护。AMR 的电池、轮胎、激光雷达、地面平整度要求,都是持续成本。地面有裂缝、托盘摆放不齐、Wi-Fi 有死角,都会让"智能"退化成"人工干预"。选型的时候把三年维护成本和停机损失一起算进去,很多方案的 ROI 当场缩水一半。
落地之前,先做这四件事
第一,量你的行走。让拣选员戴一周计步器,或者从 WMS 里拉拣选路径数据,算出"行走和等待占拣选工时多少"。这个数不到 30%,AMR 的账基本算不过来。
第二,量你的数据准度。抽 200 个库位实盘,库存准确率不到 98%,先做盘点和流程整改,AI 的钱先别花。
第三,定一个试点退出标准。试点之前白纸黑字写好:达到什么指标继续投,达不到就停。没有退出标准,试点永远"再看一个月",最后变成沉没成本。
第四,问最差现场,不问最好现场。让厂商带你去看他最难看的客户现场,旺季数据、故障记录、维护账单都摆出来。敢带你去的,多少有点底气;只给 PPT 和展厅的,演示厅里的 99.9% 就当没听过。
仓库 AI 不是骗局,也不是万能药。它是一台需要喂单量的机器,需要干净数据的系统,需要有人长期维护的设备。热闹属于展会,冷账属于你的仓库。分清楚这两边,才算看懂了 warehouse ai hype vs reality,钱才花得明白。
这钱花得值不值,看这一个数:上系统之后,每单拣选的人工分钟数降了多少。别的数都可以包装,这个数包装不了。
作者:大刘|自动化设备工程师







