去年陪一家 Fresno 的 3PL 谈 AI 视觉质检，供应商报价 28 万美元，CTO 问我值不值。
我的答案是先别签。
不是这家供应商不行，是他们连自己的问题都没想清楚：到底要解决什么、数据够不够、买来之后谁运维。AI 这东西，选型选错比不选更贵。我在仓储行业二十年，看过太多钱花出去、东西用不起来的案例。这篇把"买成品还是自研"的账算清楚，附一张我自己用的供应商打分表，拿去就能用。
这笔账到底怎么算
先说我的 verdict：年 IT 预算 50 万美元以下的中小仓，自研基本是烧钱。别不服，算笔账就知道了。
自研一个能落地的仓库 AI 功能（比如视觉质检、智能排班、异常预警），真实成本结构是这样的：1 名算法工程师（年薪 18～25 万美元）+ 1 名数据工程师（15～20 万）+ GPU 算力或云服务（每年 3～8 万）+ 标注数据（外包标注一条数据 0.5～2 美元，一个靠谱的质检模型至少要 5～10 万条标注样本）。第一年光搭团队就要 40～60 万，还没算 6～12 个月的试错周期。最要命的是人走了怎么办——中小仓留不住算法人才，模型没人调，三个月就废了。
买成品呢？表面看贵：SaaS 模式每年 8～20 万美元订阅费，项目制一次性 15～40 万。但人家把标注、训练、迭代都包了，你按年付费，用不好第二年不续就行。风险可控。
那什么时候值得自研？我只认三种情况：第一，你的场景极其特殊，市面上根本没有现成产品，比如某种冷链仓的特殊分拣逻辑；第二，你已经有成熟的工程团队，算法只是其中一块拼图；第三，AI 是你的核心竞争力，不是降本工具——比如你是做 3PL 科技平台的，算法就是你的产品。除此之外，老老实实买成品。
选型之前，先回答这五个问题
很多公司选型失败，不是不懂 AI，是没想清楚自己。签合同之前，先把这五个问题写在纸上：
问题一：你要解决的具体问题是什么，能量化吗？ "提升效率"不算答案。"把出库复核的人工成本从每月 2.4 万降到 1 万"才算。AI 供应商最怕客户说"你们看着办"，因为最后验收标准一定是扯皮。
问题二：数据准备好了吗？ AI 是吃数据的。视觉质检需要历史残次品照片，智能排班需要至少一年的订单波次数据。我见过最离谱的一家，签了合同才发现仓库连 WMS 的历史数据都没留，供应商要数据，两手空空。签合同前先做数据盘点：要什么数据、有多少、质量如何、能不能导出。
问题三：谁来用，谁来管？ 一线主管愿不愿意用？出了误报谁负责？AI 质检把良品判成次品，责任算谁的？这些组织问题不解决，技术再好也落地不了。POC 阶段就让最终用户参与，别等上线了才培训。
问题四：交付周期你能等多久？ 成品 SaaS 一般 4～8 周上线；需要定制的项目 3～6 个月；自研 9～18 个月。你的业务等得起吗？旺季前三个月还在折腾 AI 的，我见一个死一个。
问题五：被锁死了怎么办？ 供应商的模型是黑盒，数据存在人家云上，哪天涨价 50% 你换不换得起？合同里必须写清楚：数据归属、导出格式、终止合作后的过渡期。这一条后面打分表里权重最高。
供应商打分表（直接拿去用）
我陪客户选型时用的就是这张表。每个维度 1～5 分，按权重加权，总分 100。低于 65 分的直接淘汰，65～80 分可谈，80 分以上才进 POC。
| 维度 | 权重 | 5 分长什么样 | 1 分长什么样 |
|---|---|---|---|
| 行业场景匹配度 | 25% | 有 3 家以上同类型仓库/3PL 的落地案例，能说出你的业务术语 | 案例全是零售、制造，仓库只是"也可以用" |
| 数据要求与准备 | 20% | 明确告诉你要什么数据、多少量，帮你做数据盘点 | 说"数据越多越好"，不提具体标准 |
| 交付与集成能力 | 15% | 有标准 API，能对接主流 WMS，4～8 周上线 | 要你改 WMS，交付周期说不清 |
| 总拥有成本透明度 | 15% | 报价单列清订阅费、实施费、超量费、涨价条款 | 只报首年价，续费"到时候再谈" |
| 退出机制与数据归属 | 15% | 合同写明数据归你、可导出、终止后 90 天过渡期 | 数据归供应商，解约即删 |
| 售后与持续迭代 | 10% | 有专属客户成功经理，模型按季度迭代 | 卖完就失联，升级要另收费 |
打分的时候注意：让供应商用书面回答，别信口头承诺。销售嘴里的"我们都能做"，写到合同里试试，十个有九个缩回去。
三个真实的坑（品牌已处理）
坑一：28 万美元的视觉质检，败给了灯光。 就是开头那家 Fresno 的 3PL。供应商 demo 做得极漂亮，准确率 99.2%。POC 进场第一周，准确率掉到 81%。为什么？demo 用的是人家实验室的均匀光源，仓库现场是高棚灯+自然光混合，阴影一变，模型全瞎。整改方案是加装专用灯光+重新标注，又要 9 万美元。最后这家 3PL 砍了项目，28 万首付款打了水漂。教训：POC 必须在你的真实环境、你的真实光线、你的真实货品上做，实验室数据一律不认。
坑二：智能排班系统，败给了老员工。 一家南加的电商仓，花 16 万美元上了 AI 排班，算法算出的班次确实比人工排省 12% 人力。但老员工不认——"机器排的班，我周末凭什么不能休"。三个月内离职率涨了 8 个点，省下来的人力成本全填了招聘培训费。最后系统闲置，排班权交还给主管。教训：AI 改变的是人的工作方式，POC 阶段就让一线参与，规则要留人工 override 的口子。技术问题好解，人心问题无解。
坑三：自研的"省钱"项目，烧了 70 万。 一家中型 3PL 的 CTO 是技术出身，觉得"买不如造"，组了 4 个人自研需求预测。18 个月，烧了 70 万美元（含人力+云资源），模型准确率始终比供应商现成产品低 5 个点。更惨的是，带头的算法工程师被大厂挖走，项目直接烂尾。最后回头买成品，又花 22 万。教训：自研不是省钱，是把确定的采购成本换成了不确定的试错成本。除非 AI 是你的主业，否则别碰。
明天就能动手的三件事
如果你正在考虑给仓库上 AI，别急着见供应商，先做这三件：
第一，用一周时间，把你最痛的那个环节量化出来：现在多少人力、多少成本、出错率多少。写不出来这个数字，说明你还没想清楚，见了供应商也是被牵着走。
第二，盘点数据。找 IT 把过去一年的订单数据、质检记录、设备日志导出来看看：量够不够、字段全不全、能不能用。这是选型的地基，地基不牢，上面盖什么都塌。
第三，拿着上面的打分表，约三家供应商，每家给 4 周做 POC，POC 费用控制在 1～2 万美元以内。记住一个原则：POC 不在你仓库真实环境跑的，一律不算数。
AI 在仓库里是真能创造价值的——视觉质检、智能波次、异常预警，这些场景我都见过 ROI 跑正的案例。但价值只属于想清楚的人。供应商的 PPT 都很好看，你的仓库才是唯一的考场。
