开篇：AI 很热，但账要算得清

「我们仓库要不要搞 AI？」过去一年至少被问了二十次。我的回答永远是先问三个问题：解决什么具体问题？投入多少？多久回本？答不上来，就先别谈大模型。仓库是成本中心，AI 项目必须经得起 ROI 的拷问。下面四个场景，是我见过真实跑通、账算得清的。

四个场景：做法、投入、回报

传送带上方的高清相机对包裹做视觉质检

场景一：AI 需求预测

做法见本系列《AI 需求预测》一篇。投入 30~80 万（含数据治理和模型实施），核心收益是缺货率下降 2~3 个点、库存周转提升。回本周期 8~14 个月。适合 SKU 过千、季节性明显的仓。

场景二：视觉盘点与质检

固定机位 + 巡检 AGV 做库位核查和异常检测（详见《视觉 AI》一篇）。投入 50~120 万，收益是库存准确率提到 99%+、盘点人力下降 80%。回本周期 10~16 个月。适合库存准确率长期卡在 97% 以下的仓。

场景三：智能排班与人力预测

用历史单量预测未来 14 天的人力需求，自动生成排班建议。某 3PL 上线后，排班偏差从 ±20% 收窄到 ±8%，旺季临时工费用下降 25%。投入最小，20~40 万，回本 6~10 个月。适合人力波动大、临时工占比高的仓。

场景四：库位优化（Slotting）

ABC 动态分析 + 关联性分析（经常一起下单的 SKU 放相邻库位），每季度自动给出库位调整建议。实测拣选行走距离下降 15~25%。投入 15~30 万，回本最快，4~8 个月。适合 SKU 结构稳定、拣选占比高的仓。

一览表

| 场景 | 投入区间 | 核心收益指标 | 回本周期 | |---|---|---|---| | 需求预测 | 30~80 万 | 缺货率 -2~3pt，周转 +0.8 次 | 8~14 个月 | | 视觉盘点/质检 | 50~120 万 | 库存准确率 99%+，盘点人力 -80% | 10~16 个月 | | 智能排班 | 20~40 万 | 排班偏差 ±8%，临时工费 -25% | 6~10 个月 | | 库位优化 | 15~30 万 | 拣选行走 -15~25% | 4~8 个月 |

实战案例：分两年落地，年化收益 400 万

华东某综合仓，分两年上了四个场景：第一年先做库位优化和智能排班（投入小、回本快，建立信心），第二年上需求预测和视觉盘点。累计年化收益约 400 万，其中大头来自缺货减少带来的销售挽回和加班费下降。

这个顺序值得借鉴：先易后难，先用小胜利换大投入的门票。

避坑提醒

  • ROI 别把「人力节省」全算成裁员。 仓库很少真裁员，先算加班减少、临时工减少和产能提升，这些才是确定性的收益。
  • 数据基础差的项目先补数据。 历史数据缺失、主数据混乱的仓，AI 项目前 3 个月基本在补数据——把这部分成本算进预算，别让项目「意外」延期。
  • 一个场景跑通再铺下一个。 四个一起上，IT 和业务都会被拖垮。跑通一个，团队有了体感和方法论，后面都是复制。

ROI 测算模板：五步算清账

给管理层看的 ROI，一页纸就够：

  1. 列收益（分三类）： 直接收益（加班费下降、临时工减少）、间接收益（缺货减少挽回的销售）、战略收益（客户满意度，暂不折现）。
  2. 列成本： 软件/硬件、实施、数据治理人力、年运维。
  3. 定基线： 上线前连续 3 个月的指标均值，白纸黑字，避免事后扯皮。
  4. 算回本： 月均净收益 = 月收益 − 月均摊成本，回本月数 = 总投入 ÷ 月均净收益。
  5. 设对赌： 和供应商签效果条款，核心指标未达标尾款打折——敢签的供应商，方案通常靠谱。

模板虽小，作用大：测算过程本身就是一次业务梳理，很多仓算完才发现，真正的瓶颈根本不在 AI 能解决的地方——这同样值回票价。

反面教材：AI 项目死在哪

看过三个死掉的 AI 项目，死法各不相同，病根就三个：

  1. 数据不行硬上。 历史数据缺失一半，主数据一团糟，供应商说「先上线再补数据」。结果模型天天输出离谱预测，业务三个月后弃用。诊断：数据质量报告都没看过就立项。
  2. 没有业务 owner。 IT 部门牵头，业务部门配合——配合的意思就是不投入。模型上线没人用，半年后下线。诊断：立项书上没有业务负责人的名字和 KPI。
  3. 贪多求全。 四个场景一起上，IT 和业务同时被拖垮，每个都浅尝辄止。诊断：没有「一个场景跑通再铺下一个」的纪律。

三个病根，一个药方：数据先行、业务挂帅、单点突破。药方不值钱，值钱的是开工前就认账。

先做哪个：决策矩阵

四个场景都好，但资源有限。按两个维度打分：

| 场景 | 投入 | 回本速度 | 数据要求 | 推荐度 | |---|---|---|---|---| | 库位优化 | 低 | 最快 | 低 | ★★★★★ | | 智能排班 | 低 | 快 | 中 | ★★★★ | | 需求预测 | 中 | 中 | 高 | ★★★★ | | 视觉盘点 | 高 | 慢 | 中 | ★★★ |

通用顺序：库位优化 → 智能排班 → 需求预测 → 视觉盘点。但有个例外：如果你的仓库存准确率已经 <95%，视觉盘点提到第一位——账都算不清，别的优化都是沙上建塔。

最后补一个时间预期：四个场景从立项到见到第一笔可量化的收益，平均 4~6 个月。管理层如果要求「三个月回本」，那就只做库位优化——把预期和场景匹配好，项目才能活下来。AI 项目很多不是死在技术上，是死在预期上。

一句话收尾：AI 在仓库不是选择题，是排序题——按 ROI 从高到低，一个一个落地。

总结

仓库 AI 的四个靠谱场景：需求预测、视觉盘点、智能排班、库位优化，投入 15~120 万，回本 4~16 个月。顺序建议：库位优化 → 智能排班 → 需求预测 → 视觉盘点。账算清了，AI 就不再是概念，是利润。