那天的复盘数据证实了这个判断——拣货员日均走了两万多步，但真正"取货"的动作只占很小一部分，大部分时间，他们走在路上。
这是我做仓储 IT 这些年最深的一个体会：AI 在仓库里要解决的，从来不是"让人更快地走路"，而是"让人少走冤枉路"。这篇文章，就把这套实战复盘拆给你看。
多走的路是隐性成本，算出来才能改掉
一、先算清账：钱到底烧在哪里
很多老板一上来就问："我们要不要上 AGV？要不要上机械臂？"我的回答通常是：先别谈设备，先算账。
仓储的成本结构，比大多数人想象得要集中得多：订单拣货这一个环节，大约占仓储总运营成本的 55%；劳动力本身占仓储运营开支的 50% 到 70%；而在拣货作业中，行走时间往往占到劳动时间的一半左右。
也就是说，你付给拣货员的工资里，有相当一部分，是在为"走路"买单。这不是管理问题，是结构问题。
上海星力云仓，服务厨房用品这类 SKU 破万的复杂品类。改造的第一步不是买设备，是让系统接管"找货"：每个 SKU 有唯一编码和精准储位，订单生成后系统自动规划最短路径，拣货员拿 PDA 按提示走、按指示取，取错货 PDA 直接报警拦截。结果：拣货路径缩短 40% 以上，单均拣货时间从 5 分钟压到 2 分钟以内，日均步数从两万多降到一万出头。再叠加波次拣货和分区作业，有商家入驻后拣货效率提升 1.8 倍，错误率下降 90%。
另一个样本是苏汽集团：日均吞吐峰值突破 8 万单出库，引入智能 WMS 后，拣货人员平均行走位移缩减约 50%，日均吞吐处理单量提升 2 倍以上。
请注意这里的因果关系：不是人变勤快了，是路变短了。
所以，AI 在仓储的第一个价值，是把隐性成本显性化。在算法介入之前，"多走的路"是看不见的——它藏在每个人的鞋底里，藏在加班时长里。只有当系统把它算出来，它才变成一个可以被优化的数字。
二、AI 落地的三层：真正赚钱的是第一层
仓储 AI 不是一整个东西，它是三层：
- 第一层：库位优化（Slotting）
——把货放在对的地方。 - 第二层：波次与路径优化
——把订单组合对、把路线排对。 - 第三层：劳动力与异常调度
——把人和设备在对的时间放到对的位置。
绝大多数团队会从第二层甚至第三层开始，因为那看起来更"智能"。但数据和实战经验都指向同一个结论：第一层才是真正赚钱的地方。
一个 40 万平方英尺、日处理 25000 订单行的仓库，SKU 从 8000 涨到 15000 之后，拣货效率掉了 20%——原因不是人不行，是快流品被散落在仓库各处。项目组做了一件极其朴素的事：把销量最高的前 500 个 SKU，重新安置到打包台附近、齐腰高度的最优货位。就这一件事，拣货平均行走距离下降 28%，贡献了整个项目 60% 的收益。第二件事是"共现分析"：把常一起下单的品放进相邻货位，多品订单平均拣货时间下降 18%。整体下来，生产力提升 32%，加班时长减少 55%，平均订单履约时间从 4.2 小时降到 2.8 小时，拣货错误率从 0.8% 降到 0.4%，年度人力成本节省超过 180 万美元。
第二层也有真实收益：FM Logistic 把"16 个订单怎么分组让行走总距离最短"当成旅行商问题来解，引入 AlphaEvolve 方案后拣货距离减少 10.4%，相当于每年省下超过 15000 公里的行走。Grid Dynamics 用可解释 AI 动态重分配货位，平均订单拣货时间下降 23%；DHL 在多个仓库部署 AI 路径与资源分配后，报告过最高 50% 的行走距离削减和 30% 的拣货生产力提升。
第三层同样有清晰对照：库位优化从"季度性工作、每次 2 到 5 天、还得有专家参与"，变成"持续自动再优化、零人工投入"，高流速 SKU 自动迁移到打包台附近，平均拣货行走距离减少 34%。
三层加起来，才是完整的仓储 AI。但如果你只有一笔预算、一个季度，我的建议很明确：先做第一层。改动最小，收益最高。
先做第一层：库位优化，是收益最高的一层
三、一个 IT 人的八周落地路径
讲完价值，讲落地。怎么在不动大手术的前提下，把 AI 跑起来？拆成八周，四个阶段。
- 第 1-2 周：数据地基。
用只读 API 把 AI 系统接到现有 WMS 和 ERP，库存水平、库位映射、订单状态自动同步，并校验两边数据一致性。大多数 AI 项目死在这里——不是算法不行，是数据对不上。 - 第 3-4 周：库存自动化。
跑通库存实时同步，配置预测性补货点。告警从"库存偏低"变成"按当前需求趋势，SKU-12345 需在周四前补 240 件以避免缺货"。AI 真正的能力：把提示变成建议，把建议变成可执行动作。 - 第 5-6 周：智能订单履约——价值兑现的核心。
订单进来后自动排优先级，基于拣货员实时位置、设备可用性、巷道拥堵动态生成最优路径。典型收益：拣货行走时间减少 25%-35%，拣货准确率提升到 99.7% 以上。 - 第 7-8 周：高级工作流。
月台自动分配（按车型、货类、装卸设备需求匹配）、质检自动化（自动安排抽检、失败自动路由并留证）。
跑完这八周，前后对比通常是这样的：日常行政工作从每天 3-4 小时的报表、录入、系统更新，降到 30-45 分钟审阅 AI 洞察并批准动作，行政开销下降 75%-80%；订单处理速度从接单到生成拣货单的 45-60 分钟，压缩到 3-5 分钟，提速约 90%；库存准确率从 92%-94% 提升到 99.5% 以上，差异减少 85%；管理性人力成本，90 天内通常下降 20%-30%。
最后这个数字要特别解释一句：它不意味着裁员。它意味着把熟练员工从数据录入里解放出来，去做流程改善和异常处理——这些是真正产生增量价值的工作。
还有一条建议，来自我的教训：先不要买机器人。设备是放大器，不是发动机。库位逻辑是乱的、数据是脏的，AGV 只会让错误跑得更快。先把算法和数据跑通，再让设备放大收益。
八周四阶段：先数据，再自动化，最后跑高级工作流
四、三个最容易翻车的坑
教科书里不太写、实战中一定会遇到的三个坑。
第一个坑：数据质量。阻碍仓储 AI 价值实现的因素排序：数据质量差、遗留系统限制、技术能力不足、预算有限。排在第一位的永远是数据。所以八周里哪两周最重要？前两周。
第二个坑：人的公平感。这是我们印象最深的一次翻车。
上线 AI 波次分配后，算法按效率最优给拣货员派活——逻辑上无懈可击，但它忽略了一件事：有的波次走得短，有的波次走得长。拣货员很快察觉了，他们不认为这是"优化"，他们认为这是"偏心"。投诉出现，配合度下降，甚至有人故意放慢节奏。最后我们加了一个约束：同一个班次内，保证各拣货员的步行距离大致均等。结果是：整体生产力下降 3%，但满意度回来了，系统真正跑起来了。这 3% 是我做过最划算的一笔交易。算法解决效率问题，落地解决人的问题——你不可能在一个让人觉得不公平的系统里，拿到可持续的效率。
第三个坑：规模门槛。AI 仓储优化不是万能的。行业经验是：SKU 少于 5000、或订单结构单一的仓库，往往收不回实施成本。算法的价值来自"组合复杂度"——SKU 越多、订单越杂、巷道越密，人工经验越不够用，算法的边际收益才越高。
另外，波次策略高度敏感。有仿真研究发现，把订单合并成最优规模的波次，最多可实现 4 倍的拣货距离缩减，但效果对波次大小和订单聚类参数极其敏感。参数是要调的，不是配好就一劳永逸。这也是领先做法让模型按天重训、持续自适应的原因——比如 Kurly 的订单分批方案，把线性回归模型嵌入整数规划预测周转箱用量，最终把输送线上的箱体拥堵降低了 92%。
总结：回到那个凌晨两点的电话
后来我们没有加那二十个人。我们花了八周，把库位重排了一遍，把波次规则交给算法，把路径规划接到 PDA 上。
三个月后，同样的订单量，仓库不再需要那二十个人。
这篇文章如果只能留下一句话：AI 在仓储里的价值，不是让机器替人干活，而是让人少走冤枉路。
衡量 AI 的，是拣货员今天少走了多少步
如果你正准备在自己的仓库里做这件事，三条建议：
- 先做数据与基线诊断。
采 30 到 90 天的历史出库明细，算清订单结构，测出现状的人效基线。没有基线，你无法证明任何改善。 - 从库位优化切入，而不是从设备切入。
单点收益最高、改动最小、不需要停机。前 500 个快流品的位置，往往藏着你 60% 的收益。 - 把人的公平感设计进算法。
一个让一线觉得偏心的最优解，落地那天就是失效那天。宁可牺牲 3% 的效率，换一套能真正跑起来的系统。
AI 不是目的，而是手段。衡量它的，从来不是模型有多先进，而是你的拣货员今天少走了多少步。
你的仓库现在最大的浪费在哪里？欢迎评论区聊聊。
觉得有用，点个"在看"，转发给正在做仓储改造的同行。