物流 AI 導入要花多少錢?自建 vs 顧問導入的成本結構與 ROI 拆解

去年底我們接了一家中型三方物流(3PL)的案子。他們前一年花了四百多萬自建一套 AI 排車與到貨預估系統,工程團隊很拚,模型也跑得出來。問題是,我到現場時,調度員還是用 Excel 手排,那套系統一天被打開不到三次。錢花了,人沒在用。

這不是特例。物流 AI 導入費用之所以難估,是因為報價單上寫的數字,通常只佔真實總成本的一半。另一半藏在資料、串接和上線之後。

檯面上的價格:兩條路的起跑線

先講大家看得到的部分。物流場景常見的 AI 導入(排車優化、需求預測、倉儲揀貨路徑、單據自動化、AI 客服)在台灣市場,粗略分成兩條路:

自建團隊,意思是你自己招 ML 工程師、資料工程師、後端,從零開始。光是一個能真正交付的三人小隊,年薪加勞健保、設備、雲端資源,一年燒掉三百到六百萬跑不掉,而且第一個能用的版本通常要六到九個月。

顧問導入,則是找外部團隊帶著方法論和現成元件進場。單一場景(例如需求預測)的專案報價,台灣市場大致落在八十萬到兩百五十萬之間,週期六到十六週。看起來顧問比較貴?先別急,重點在下面那些沒寫進報價單的東西。

沒人幫你標價的隱藏成本

資料整備是第一個黑洞。物流資料散在 TMS、WMS、ERP、司機 App、還有一堆手 key 的 Excel。欄位定義不一致、地址沒正規化、歷史單據缺漏——把這些清乾淨,往往就吃掉整個專案三到五成的工時。自建團隊很容易低估這塊,因為工程師預設「資料會是乾淨的」。它從來不是。

系統串接是第二個。模型再準,不接進調度員每天用的那個畫面,就等於不存在。與現有 TMS/WMS 的 API 對接、權限、單一登入,這些工不性感,但少了它,使用率就是我開頭講的那個 4%。

上線後維運是最常被整包忘記的。模型會漂移——油價、旺季、新路線一變,預測就失準。沒有人負責重新訓練與監控,系統半年後就退化成一個沒人信任的黑盒子。自建的維運成本會一路跟著你,顧問導入則要在合約裡看清楚:交付後誰來顧。

採用成本最隱形也最致命。要讓現場老師傅放下用了十年的手感去信任演算法,需要培訓、需要陪跑、需要把介面改到他願意用。這是純技術報價從不計入,卻決定專案生死的一塊。

把兩條路攤在同一張表上

沒有絕對答案。如果 AI 是你的核心競爭力、要長期做很多場景,自建的長期單位成本會攤薄,值得。如果你要的是三到六個月內先讓一個場景上線見效、驗證 ROI,顧問導入的速度與確定性通常更划算。

一條可以直接套的 ROI 公式

別用「感覺會省」來做決策。把它算出來:

年化 ROI =(年度可量化效益 − 年度總持有成本)÷ 導入總投入 × 100%

其中,年度可量化效益要拆成三塊具體的錢:

• 人力節省 = 每月省下的工時 × 時薪 × 12。例如自動化單據處理省下 2 名人力,一年約 100–140 萬。
• 成本下降 = 里程或空車率改善 × 每公里成本 × 全年趟次。排車優化把空駛降 8%,對一個中型車隊常是數百萬級。
• 損失避免 = 缺貨、逾期、退運的減少。需求預測把缺貨率從 5% 壓到 2%,直接反映在營收。

年度總持有成本則別只填授權費,要加上維運人力、雲端與重新訓練的費用。分母的導入總投入,自建要含招募與機會成本,顧問要含內部配合的窗口工時。

我們的經驗是:一個範圍界定清楚的物流 AI 場景,健康的回本週期落在 8 到 14 個月。如果算出來要超過兩年,通常不是 AI 不行,而是場景選錯——你挑了一個效益薄、資料又爛的題目。

我們怎麼做

在 Tenten,我們不從「幫你建一套系統」開始,而是先陪你用上面那條公式,篩出第一個回本最快的場景,再派工程師進駐你的現場,把它接進調度員每天真正在用的畫面,盯到使用率長出來為止。Demo 很美不算數,系統被人用、ROI 算得回來,才算數。