下一场 AI 分水岭：为何中型物流公司必须先完善基础设施才能利用 AI

围绕 AI 的讨论常常 专注于获取，假设一旦公司获得了合适的模型和工具，接下来的挑战就是弄清如何使用它们。对于中型物流公司来说，问题并不一定从这里开始。

在众多仓库和第三方物流供应商（3PL）中，差距很少是系统缺失。大多数已经拥有 仓库管理系统（WMS）、企业资源规划软件（ERP）或会计套件、承运商连接以及与大型客户的 EDI。问题在于这些系统之间发生了什么。

点对点的连接会随时间累积。一个客户或交易伙伴以一种方式连接，另一个伙伴以另一种方式连接，最终没有人能完整地了解各系统之间的通信情况。集成还取决于人员，例如有人需要从客户门户重新录入订单，或每天早晨在电子表格中对昨日的发货进行对账。3PL 可能直到客户打电话询问订单位置时才发现交易失败。

这些都不会出现在 IT 资产清单上，这也是人们容易低估问题的原因。

问题出在交接环节

最大的运营问题往往发生在交接环节，即订单、收货或发货从一个系统或公司转移到另一个系统或公司时：

• 迟到或格式错误的入库订单可能导致错过拣货波次和发货日期。
• 提前发货通知与实际到货不符时，员工需检查每个托盘，可能导致收货中止。
• 如果发货确认未到达客户系统，可能导致账单延迟，并引发退款扣款，即零售商因合规失误而扣除罚金。

对于 3PL 来说，这些问题会成倍增加，因为每个客户都有各自的格式、规则和期望。仓库现场通常运转良好，但信息流通却出现中断。

随着企业在运营中引入 AI，这一点变得更加重要，因为 AI 只能使用可获取的信息。将聊天机器人或副驾驶连接到单一系统或许能做演示，但并未让该系统了解跨多个系统的整体运营。

在物流领域，有价值的问题常常跨越这些边界，因此关于订单的答案可能需要来自 WMS、ERP 以及运输或客户系统的信息。只能看到流程一部分的 AI 工具只能基于不完整的图景工作。

在基础设施能够 允许 AI 使用所需的信息的公司与系统仍然脱节的公司之间，差距正在扩大，这正是下一场 AI 分水岭出现的所在。

AI 需要一个实际可用的基础

真正的 AI 就绪基础设施应以运营层面而非技术层面来描述。每个重要事件，如订单、收货、库存移动或发货，应该通过一个公共枢纽而不是一堆独立的连接。交易伙伴发送的格式不应再成为仓库的问题。X12、EDIFACT、XML 或 JSON 应在下游处理之前统一规范为相同的订单格式。

团队需要在问题影响到客户之前的几分钟内获知故障。员工用于识别和解决这些问题的同样信息，也应通过保持现有权限的简洁 API 供软件和 AI 代理访问。同时还需保留事件记录，以便在 AI 提出建议时，人员能够核查原因。

当这些条件具备后，加入 AI 将变得更加简便。这并不意味着中型公司必须更换整个技术堆栈。事实上，中型 3PL 几乎不需要全新 WMS 或 ERP 就能实现 AI 就绪。更实际的做法是保持核心系统不变，修复它们之间的连接。

所有系统和合作伙伴都连接到的单一枢纽，要比一堆一次性链接的网络更易管理。

AI 可以帮助构建基础设施

这也是 AI 对中型公司特别有用的地方。传统上，集成需要人员阅读合作伙伴规范、手动映射字段并逐个合作伙伴进行测试。为单一合作伙伴制作映射可能需要数周的动手工作、测试以及与合作伙伴的反复沟通。

当前的 AI 模型能够读取规范和示例文件，提出映射方案并在真实交易中进行测试。随后由人员审查并批准结果。

AI 可以减少生成 EDI 映射首个版本所需的人工工作。专家可以先从草稿开始，然后在将其提交给合作伙伴现有的审查流程之前进行审查和纠正，使专家能够在逐字段构建映射时花费更少时间，同时保持对最终输出的控制。

但在将 AI 用于集成与信任 AI 完成集成之间存在重要区别。

在这样做时，我使用一种称为“提议、落地、验证、确认”的方法。

AI 提出合作伙伴的设置和字段映射。它基于实际的规范和示例文件，而不是凭空创造字段或代码。一个独立的验证过程将映射逐字段与真实文档进行比较。随后有人在其进入真实客户流程之前确认结果。

我们通过将 AI 生成的映射与真实生产文档进行测试，了解了这种纪律为何重要。

在一次测试中，AI 生成的映射读取了仓库转移文档，零错误，却仍然遗漏了全部 15 条项目。另一次测试中，它保留了装运单上的全部六方信息，但丢失了标识收货方的代码以及街道地址。我们的自动检查认为该映射是干净的，但一位 EDI 专家发现了这一缺口。

即使是参考数据也可能出错。一个声称已交叉检查的标准文件在我们测试的每个有争议的段落上都与已发布的标准不符。

经验表明，部分结果比缺失的结果更难被发现。验证必须将真实文档中的每个字段与映射捕获的内容进行比较。仅确认文档能够解析是不够的。

可信的结果取决于围绕模型的纪律，包括模型的使用方式以及其输出的审查方式。

价值在 AI 做出决策之前就已开始

基础设施工作在 AI 代理提供运营建议之前就已经具有价值。我们合作的一家 3PL 同时运行 SAP 与其仓库系统。每张入库收据需要三到五分钟的人工录入，SAP 中的库存比码头落后约 20 分钟。

一旦两套系统直接连接，该延迟几乎实现实时。该运营每年节省了超过 980 小时的人工，其中包括 775 小时的出库工作。电子表格追踪不再需要，标签、提单和装箱单开始自动生成。仓库保留了原有的工作流程，现场人员无需重新培训。

我们从该项目中得到的经验远超劳动力节省。一旦两套系统共享同一实时视图，AI 代理就能利用该视图发挥作用。

将它们连接起来是实现后续所有工作的关键步骤。

AI 准备度始于集成

对于决定从何处入手的公司，集成应当放在首位，AI 负责大量的集成工作。运营方常犯的错误是把 AI 仅视为过程最后的环节。它可以在初期帮助加快并降低集成工作的成本，然后帮助决策一旦该基础就位。

中型物流公司并不一定需要更多技术。它们多数已经拥有所需的系统。机会在于让这些系统协同工作。这正是 AI 能发挥超越屏幕上生成答案的作用之处。