第一个 AI 试点选什么场景：低风险高可见度清单

去年有个客户的老板找到我，张口就是："老米，我们要上大模型，做智能排产、做需求预测，一步到位。"我让他先别急，问了他三个问题：你们的历史订单数据干净吗？现场主管信系统还是信经验？如果这个项目三个月没出结果，董事会还给不给钱？三个问题，他一个都答不上来。

先说结论：第一个 AI 试点，必须同时满足两个条件——低风险（搞砸了不伤筋动骨）和高可见度（搞成了全公司都看得见）。只占一个的，都不值得当第一个。

这两年我看过太多仓库的 AI 项目死法：要么一上来就啃最硬的骨头，半年没水花被砍掉；要么选了个没人关心的角落，做成了也没人知道，预算照样被收走。第一个试点的真正任务不是"验证 AI 行不行"，是"让公司相信 AI 值得继续投钱"。

什么叫"好试点"：四个筛选条件

我帮客户筛试点场景时，用四个条件一张一张过。四个全过的，才能进候选：

第一，数据已经在手里。 AI 是吃数据的。视觉质检需要的是摄像头拍下来的历史图片，单证识别需要的是堆成山的提单扫描件。如果一个场景还要先花三个月"采集数据"，它就不配当第一个试点。好试点的数据是现成的、带标签的（至少能分出对错），脏一点没关系，完全没有不行。

第二，失败成本封顶。 试点嘛，允许失败，但失败的代价必须是可承受的。视觉数托盘数错了，最坏就是人工复核一遍；但自动调度的 AMR 如果撞了货架，代价就不是钱的事了。第一个试点只碰"错了可以人工兜底"的场景，不碰"错了会出安全事故"的场景。

第三，成功看得见、算得清。 老板们不为"准确率 97%"买单，他们为"省了两个人"买单。试点场景的收益必须能翻译成钱或者时间：每天省多少人工小时、差错率从多少降到多少、复核环节砍掉了几个。选场景的时候先把这笔账写出来，写不出来的就别选。

第四，不动现有流程的筋骨。 第一个试点应该是"插件式"的——接在现有流程旁边，成了是加分，败了拔掉就行，不影响主流程运转。要是试点要求全仓换流程、换系统、换考核方式，那它就不是试点，是变革项目，别挂着试点的名头干变革的事。

候选场景对比：这笔投入产出账

按上面四个条件，我把仓库里常见的 AI 场景排了个序。从最适合当第一个试点往下：

单证识别（OCR 读提单、装箱单）。 我的首选推荐。数据现成（每天进来的单证就是数据），失败可兜底（识别错了人工改一下），收益好算（原来 3 个人录单，现在 1 个人复核），不动主流程（识别结果先并行跑，对上了再切换）。投入也小，一台扫描仪加一套成品软件，几万美金搞定。ROI 测算思路：按每天单证量 × 单张人工处理时间 × 人工成本，算出月省金额，一般 4～8 个月回本。

视觉质检（退货成色判定、包装破损识别）。 排第二。退货仓每天经手大量"这件还能不能卖"的判断，人的标准飘忽不定，AI 反而稳定。数据也好攒——质检员每判一件、拍一张，几个月就是几万张带标签的图。收益看两块：质检人力省多少，以及误判导致的"好货当废品扔了"挽回多少。后者经常比前者大，我见过一家 3PL 靠这个一年多挽回了 40 多万美金的货值。

传送带异常检测（卡件、倒包识别）。 硬件投入稍大，要在关键点位布摄像头，但逻辑简单、见效快。卡住一次传送带，整条线停 20 分钟，这个账现场的人都算得清。适合已经有摄像头基础的仓。

语音拣选升级（AI 语音助手）。 谨慎推荐。语音拣选本身是成熟技术，AI 助手的增量收益没那么显性，而且涉及到一线员工的使用习惯改变——"第四个条件"（不动流程筋骨）上要打折扣。除非你们的拣选差错率已经高到肉疼，否则别把它当第一个。

需求预测、智能排产。 直接判死刑——至少不当第一个。这类场景数据要求最高（要干净的多年历史数据，还要外部变量），失败不可兜底（预测错了就是备错货，真金白银），收益最难算清（"预测准了"省的钱说不清道不明）。等前面的小试点跑顺了、数据治理跟上了，再碰不迟。

AMR 机器人在仓库巷道中搬运货架

POC 验收指标：写进合同里

试点做到 POC（概念验证）阶段，最关键的一件事：验收指标必须在签合同之前写死，写进合同。我见过太多 POC 做完，供应商说"效果挺好的"，客户说"感觉没啥用"，两边扯皮三个月不了了之。根子就是一开始没约定什么叫"成"。

一份能用的 POC 验收条款，至少包括这四项：

基线：现在人工做，这项指标是多少（比如单证录入差错率 2%、每单处理 4 分钟）。没有基线，一切免谈，POC 第一天先测两周基线。
目标值：AI 要做到多少算过（比如差错率降到 0.5% 以下、处理时间降到 1 分钟以内）。目标要具体到数字，不接受"显著提升"这种词。
测试集：拿哪批数据验收，提前封存，双方签字。绝不能拿供应商调优过的那批数据当考卷。
退出条款：没达标怎么办——是免费延长调优期，还是按比例扣款，还是直接终止不付尾款。丑话说前面，比事后扯皮便宜得多。

另外，POC 的周期别超过 8～12 周。拖过三个月的 POC，十个有九个最后都不了了之——不是技术不行，是组织耐心耗完了。

两个最常见的坑

坑一：数据准备被严重低估。 几乎每个 AI 项目的时间表都是这么崩的：计划里"数据准备 2 周"，实际干了 3 个月。历史图片没标注、单证扫描件缺页、WMS 里的商品主数据一物多码……AI 落地前必须收拾好的数据就三类：带标签的样本数据（知道对错）、干净的主数据（一个 SKU 只对应一个身份）、完整的流程记录（谁在什么时候干了什么）。我的建议：POC 启动前，先花两周做一次数据体检，样本量、标注质量、缺失率都量化出来。体检不过，POC 不开工。

坑二：现场员工抵触，试点被"软抵制"。 质检员听说 AI 要来判定成色，第一反应不是"太好了"，是"这玩意儿是不是要让我失业"。然后你就会看到：摄像头被"不小心"挡住、系统判的"通过"被人工默默改成"不通过"、试点数据莫名其妙变差。对策三条，缺一不可：第一，试点启动会上就把话说透——这个试点的目标是"让人干更有价值的活"，被省下来的人去向要明确（比如转去做异常处理，工资不降）；第二，让一线员工参与标注和验收，他们标的数据、他们定的标准，抵触情绪少一半；第三，试点成果的功劳分一半给现场团队，别让"AI 项目组"把彩都领了。