物流業 AI 導入完整指南:排程、路徑、文件自動化、客服四大落地場景

上週我坐在一家中型第三方物流(3PL)的調度室裡,牆上四塊螢幕,一位資深調度員同時開著 Excel、LINE 群組、車隊 App 和一疊紙本簽收單。早上七點,一通電話進來說某台車拋錨,他花了二十分鐘手動把那條路線上的十二個點重新塞進其他車。那二十分鐘裡,客戶已經打了三通催貨電話。

這就是物流業 AI 導入真正要解決的地方——不是「讓 AI 幫我們變聰明」,而是把調度員腦子裡那套算了十年的隱性經驗,變成系統能在三秒內給出的建議。物流的毛利本來就薄,一趟空駛、一張填錯的報關單、一次漏接的客服,全都是直接從淨利裡扣。所以物流的 AI 不該從「炫技」切入,要從最痛、最高頻的場景切入。

我們把物流現場的落地機會收斂成四大場景。這篇當作一個總覽,每個場景後面我們都會另外展開更深的做法。

四大高意圖場景一次看懂

場景	現場痛點	AI 能扛的事	上線後看什麼指標
智慧排程	訂單量波動、人力班表靠經驗、臨時異常重排慢	需求預測 + 自動派工建議、異常即時重排	準時出車率、單人日均處理單量
路徑優化	多點配送靠老手記路、塞車與時窗沒算進去	動態路徑規劃、即時交通與時窗約束求解	空駛里程、每趟平均點數、燃油成本
文件自動化	報關、提單、簽收單大量人工鍵入與核對	OCR + 抽取 + 規則校驗、異常件標記給人	單據處理工時、錯單率、結關前置時間
智慧客服	「我的貨到哪」佔線七成、跨系統查件慢	RAG 查件助理、自動回覆狀態、專員只接例外	首次回應時間、自助解決率、客服人力

排程:先讓 AI 給建議,別急著讓它決策

排程是物流 AI 最值得先做的一塊,因為它高頻、可量化、而且錯了看得見。但我要先潑一盆冷水:別一開始就讓演算法直接派工。

我們的做法是先做「建議層」。系統根據歷史單量、天氣、節慶、司機熟悉區域,給出一份派工草稿,調度員審核、微調、放行。跑兩到三個月,等調度員發現「它給的跟我想的八成一樣,而且它想到我漏掉的」,信任才建立起來。這時候再談自動化程度。跳過這一步硬上全自動,通常兩週內就被現場關掉。

路徑:魔鬼在時窗與現場約束

很多人以為路徑優化是 Google Maps 算最短路。不是。真正難的是約束:客戶只收上午、冷鏈不能斷、這台車過不了那條巷、這個司機跑那區會迷路。

一套只算里程最短的系統,現場一定不買單,因為它給的路線「理論上最優、實際上不能跑」。我們踩過這個雷。後來的關鍵是把老司機腦裡的隱性規則,一條一條變成模型能吃的約束條件。導入路徑優化,先花時間跟三位跑最久的司機喝咖啡,比先買軟體重要。

文件自動化:別追求 100%,追求「把人從鍵盤解放」

報關單、提單、簽收單,是物流最吃人力也最容易出錯的環節。OCR 加上大型語言模型的抽取能力,現在確實能把一張掃描提單裡的收貨人、品名、數量、重量準確拉出來。

但重點不是追求 100% 全自動。合理的設計是:系統處理八成的標準件,把兩成看不懂、金額異常、格式怪的,自動標記出來給人看。人只處理例外,產能就翻倍。有家客戶結關前置作業從平均四小時降到一小時,靠的不是「AI 全包」,是「AI 分流、人管例外」。

客服:查件問題該被系統自己消化掉

物流客服七成的話務是同一句:「我的貨到哪了?」這種問題根本不該佔用專員。用 RAG 把 WMS、TMS、車隊系統的即時狀態串起來,做一個查件助理,客戶自己問、系統直接答,專員只接理賠、客訴、異常這類真的需要判斷的案子。

自助解決率能拉到多少,取決於你的系統資料多即時、多乾淨。這也是為什麼客服 AI 不能孤立做,它是前面三個場景的資料出海口。

從哪一塊先開始

不用四塊一起上。選一個「最痛、資料最現成、成效最好量」的場景先打穿,做出一個現場真的天天在用的成果,再往外擴。順序通常是文件或客服先(見效快、風險低),排程與路徑後(牽動營運、需要信任累積)。

我們在 Tenten 做物流 AI,習慣讓工程師直接進到調度室和報關組坐一陣子,先搞懂那套沒寫在 SOP 裡的隱性規則,再談模型。Demo 那天全場點頭不算數,三個月後調度員還在用、而且不想關掉,那才算真的上線。