过去一年，物流行业最不缺的就是 AI 新闻。缺的是有人愿意坐下来，把下面这几组数字放在一起看。
一、一边在暴涨，一边在退场
Gartner 2026 年 4 月给出了一组被反复引用的数字：供应链管理软件中的 Agentic AI 支出，将从 2025 年的不到 20 亿美元，增长到 2030 年的 530 亿美元，五年复合增速 93.5%。 同期，企业采用率会从 5% 冲到 60%。
同一份预测里，还藏着另一半：超过 40% 的 Agentic AI 项目，将在 2027 年底前被取消——不是因为技术不行，而是因为成本失控、价值说不清、风险控制不足。Gartner还顺手捅破了一层窗户纸：在市场上数千家把自己包装成"Agentic"的厂商里，它认为真正算得上的，大约只有 130 家。
预算增速是 93.5%，项目死亡率是 40%。这两个数字放在一起，其实是一道很具体的题：
当一项技术的供给增长速度，远远超过企业消化它的速度时，最后被淘汰的不是技术，是那些只会讲技术的人。
二、钱为什么没留下
Descartes 第十届《全球运输管理基准调研》（2026 年 9 月，600 位运输决策者）给出了投入端的曲线：计划增加运输技术投入的北美企业，从 2017 年的 53% 上升到 2026 年的 78%。 认知已经到位——85% 的企业把运输视为竞争武器或客户服务差异化手段，十年前这个比例是 65%。
但落到"用起来"这一层，曲线断崖式下跌：只有 19% 的货主、15% 的物流服务商，把 AI 用到了规模化。 绝大多数还停在探索、试点或局部部署。
拦住他们的第一道墙是什么？不是算法，是数据质量。 45% 的物流服务商、33% 的货主把它列为最大障碍；紧随其后的是系统集成复杂度，分别是 38% 和 39%。
德勤《2026货运未来：欧洲物流业高管简报》从另一个方向确认了红利是真实的——AI路线优化工具通过纳入天气、交通和载重特征，可以把燃料消耗降低 5% 到 10%；AI 驱动的维护系统能把设备停机时间减少最多 35%。 报告把 AI 定位为"核心决策引擎"，而不是效率工具。
红利是真的，门槛也是真的。它挂在"数据与集成"这根柱子上——而这根柱子，是工程问题，不是 AI 问题。
还有一层更硬的限制，来自 FreightWaves 报道中 HERE Technologies 的实测：通用大语言模型对基础空间方向问题的正确率只有约55%。低净空桥梁、货车禁行路段、专用停车资源、港口拥堵——这些不是语言问题，是空间问题。HERE 的地图数据里塞了 80 多万个卡车专用数据点才敢让 AI 开口。
换句话说：把一个大模型套在路径优化上，它不是在给你规划路线，它是在给你编路线。
所以物流 AI 项目的失败，几乎都不是算法失败，是工程失败。
三、连头部 3PL，也拿不出干净的归因
要看这个行业最成熟的一次尝试，C.H. Robinson 是最好的样本。
这家全球头部货代的公开数据足够漂亮：Lean AI 战略推行至今，人均毛利自 2022 年底提升超过 60%，北美陆运板块人数减少约 30%，而每年花在 AI 算力上的支出不足 120 万美元——公司自述，这换来了"数亿美元级别的营业利润价值"。它部署了 30 多个 AI agents、300 万次以上运输任务，2026 年二季度调整后营业利润同比增长 19.5%、摊薄 EPS 增长 23.8%，北美陆运货量连续 13 个季度跑赢大盘。
这是目前公开数据里，AI 投入产出比最漂亮的一份成绩单。但它同时暴露了一个更根本的问题：
这 60% 的每人毛利提升里，有多少来自 AI，有多少来自裁员，有多少来自更严格的定价纪律和更快的份额获取？
同一时期，它的员工减少了约 12.3% 到 30%。市场上已有分析师直接提出质疑：这到底是筑起了一道技术护城河，还是换了一种更高效的裁员方式？公司自己的表述是"复合结果"——复合，就是不可分离。
这不是 C.H. Robinson 的能力问题。这是整个行业至今没有建立"可隔离 ROI 基线"的标准。
而这件事对采购方意味着什么，其实很清楚：当连头部 3PL 都拿不出干净归因的时候，"要求供应商提供可隔离的 ROI 基线"，就是采购方手里最强的一张议价牌。
四、把 AI 故事，换回算法问题
如果要给"路径优化"这件事祛一次魅，最有效的方式是问一句：它究竟是什么问题？
它是组合优化问题。是 VRP、是带时间窗的提送货调度（PDP）、是多点提货合并运输、是循环取货（milk run）、是多式联运的路径与承运方式选择、是越库与直发之间的取舍。学术上它们大多属于 NP 难——人工在多项式时间内求不到最优解，这不是经验不足，是数学结论。
要让这类问题真的落地，有三件事决定结果，而三件都是工程问题：
第一，路况是不是动态可预测的。 调度通常是 T+0.5 甚至 T+1，而同一路段在不同时段的行驶速度差异极大。如果路况只能靠调用第三方 API 取一个静态快照，算出来的时长就是错的——时长错了，时间窗就是错的，整个方案就是错的。真正能用的方案，需要一层自研的动态电子路网：采集全天路况、建模、基于历史数据预测未来时段与路线的行驶时长和里程，自动更新。
第二，约束是不是装得下。 真实的调度约束不是三五条。收货时间窗、客户个性化要求、城市限行规则、多温区混配、载重与体积、车型准入、承运商份额、报价结构、司机对线路的熟悉度、撤单加急车损等突发情况——逗号科技的 C-ROS 里，这类业务约束分了 10 个大类、90+ 种，且可以自由组合；优化目标支持 20 多种（成本优先、装载率优先、时效优先……）。约束装不下，算法算出来的"最优解"就是不可执行的解。
第三，求解能不能在分钟级稳定收敛。 工业级调度要的不是"某一次算得好"，而是"每一次都算得好"。这背后是大规模自适应邻域搜索（ALNS）框架，加上遗传算法、模拟退火、禁忌搜索等启发式算法的组合，以及支持并行计算、在线扩容的工程架构。路径规划与三维装载必须深度集成——装载方案要基于车辆行驶顺序生成，否则装得下和送得到会互相打架。
那么 AI 在这件事里的位置是什么？
AI 不该去"决定路线"，而该去解决那些让算法用不起来的问题。
地址写错了、写得不规范，AI 来纠偏；老师傅脑子里的隐性规则没人写下来，AI 来分析历史人工调度结果、主动把规则挖出来；90 条约束怎么配、参数怎么调，AI 来做那件原本需要专家驻场几周的事；两套策略到底哪个更好，AI 来跑 PK 自动优选；业务模式悄悄变了没人发现，AI 周期性生成诊断报告、主动把价值点指出来。
这也是逗号科技 Agentic ROS 智能体应用平台里那五个 Agent 的分工逻辑：地址鉴定官、规则分析师、策略设计师、策略优选师、物流分析师——AI 承接的是人的工作，算法承接的才是决策的工作。
一句话：Agentic 的正确用法，不是让 AI 替你做决策，而是让 AI 把决策所需的条件准备好。
五、六个把账算清楚的项目
路径优化最难的部分，从来不是让数字变好，而是让数字可以被归因——这一批订单用算法排一遍、用人排一遍，差多少；这一条线路改了算法，省下来的钱落在哪张报表上。
过去十年，逗号科技在制造业、零售、冷链、汽车、医药、物流等场景里做的，本质上都是这件事。挑几个结果可以逐项拆开的：
某国内领先大件综合物流服务商 · 全国智能运输调度平台。 137 个城市、500 多名调度人员。这里最有意思的是它把价值拆成了三笔账：效率账（调度效率提升 80%）、成本账（运输成本节省 8.4%）、安全账（支持循环取货等新业务、规避业务风险）。三笔账在可量化收益中的比重约为 4 : 4 : 2——安全账虽然不直接产生节省，却决定了新业务能不能接。同时交付了定性指标：功能可用率 99.7%、13 个接口稳定运行、主操作页面响应 2 秒内。
某世界 500 强汽车物流集团 · 入场物流决策优化。 整车直送、先进库再配送、循环取货拼载、公路零担四种模式并行，一单一策略。POC 用真实业务数据验证：平均车次数降低 5.3%，车辆装载率提升 6.3%，分钟级求解、多版方案对比。
某大型商用车企 · 取货计划与运输优化。 这个项目的价值在于它把"人工做不到"量化了：主机厂每日滚动下达 7 天要货需求，要同时考虑上百个供应商、多可用车型、复杂路由组合、品类安全库存、提货量、仓储与运输成本。算法5 分钟内给出最优解，三维装柜与路径规划引擎深度集成、装箱算法可执行率近 100%，整体仓配总成本节约 11%–41%；求解取货计划的同时，同步解决内部嵌套的三维装箱与路由优化子问题。
某央企合同物流企业 · 运输智能排线。 4.5 万个营业网点、通达 200 多个国家和地区、六大行业调度规则差异极大。这个项目最能说明 Agentic 的价值在哪：售前诊断从 1–2 周缩短到 5 分钟，数据治理压缩到 1–2 周，整体上线提速到 1–2 个月。 六大行业的差异化规则改为图形化配置，不需要大量二次开发。
六、给采购方的一把尺子
回到开头那个矛盾：一边是 93.5% 的市场增速，一边是 40% 的项目取消率。
对大型企业物流负责人和物流企业决策者来说，这两组数字的实操含义只有一个：你需要的不是一份更炫的 AI 方案，而是一把能验证方案的尺子。
这把尺子至少要有五格：
第一，基线可隔离。 要求做对照测试——同线路、同时段、同货量，算法组对人工组，而不是"上线后成本降了"。
第二，归因可复现。 同一个订单池，今天跑和下周跑，结论要稳定。不可复现的结果，前端排产和调度不敢采信。
第三，约束可枚举。 让对方把约束库摊开：有多少条、能不能自由组合、能不能按场景切换策略（淡旺季、恶劣天气、时效优先、成本优先）。装不下的约束，等于不存在。
第四，结果可解释。 为什么这么排？是哪条约束起了作用？哪几单是被牺牲的？调度的承认与追责都依赖这一点。
第五，异常可接管。 人工必须在环。撤单、加急、车辆损坏这类突发情况，系统要能重算，也要允许人改。
在 40% 的取消率面前，采购方最该问的，不是"你们有没有 AI"，而是"你们能不能把 AI 的价值单独算给我看"。
七、把 AI 放回它该在的位置
路径优化这件事，本质上不是"AI能做什么"的问题，而是"你敢不敢把决策交给算法"的问题。
而敢不敢，取决于三件事：路况是不是动态可预测的，约束是不是装得下的，结果是不是稳定可复现的。三件事都成立，AI 才有发挥空间——它让这套系统更好上手、更好配置、更好解释、更少依赖专家驻场。
三件事有一件不成立，AI就只是给一个错的答案，套上了一个更流畅的对话框。
德勤说，AI 必须从效率工具进化成核心决策引擎。这句话的前提是：得先有一个引擎。
而路径优化的引擎，是运筹学，不是大语言模型。