夜雨聆风
上周翻 FreightWaves——物流行业最大的垂直媒体——有篇报道让我停下来看了很久。
CSCMP，美国供应链管理专业协会，刚发布了第34届年度《物流状况报告》。这报告每年出一次，全行业引用，地位大致相当于汽车圈的 J.D. Power。
这句话，让我稍稍停顿了下：
"AI has made the crossover from a technology to try, to one that delivers measurable commercial returns."
——AI 已经从"试试看的技术"，变成了"能赚钱的应用"。
一直关注的同学可能会知道这句话，其实是一个质变了，CSCMP头一回不再说"潜力巨大"，直接说"已经能赚钱了"。
报告还把 AI 在供应链里的价值拆成了四个能力层次：解读、预测、推荐、执行。
我看完第一反应：这四层，可以做AI 体检表哈哈哈哈。
所以今天想干一件事——拿这四层框架，帮你给自己的团队做个自测。看看你到底在第几层，以及，离"能赚钱"还差几步。
先做个测试：你的团队在第几层？
四道题，凭直觉选，别想太多。
算算你在哪层
计分很简单：A = 1 分，B = 2 分，C = 3 分，D = 4 分。四道题加起来：
总分你的层级一句话诊断
4—6分第一层·解读：能看到发生了什么，还在用人力消化数据
7—9分第二层·预测：能提前预判趋势，离自动行动还差两步
10—12分第三层·推荐：到了报告说的"能赚钱"门槛
13—16分第四层·执行：极少数。但别高兴太早，风险也最大
先记住你的分数。接下来逐层拆开讲，看完你就知道——你的下一步在哪。
第一层 解读：AI 告诉你"发生了什么"
测试里多数选 B 的朋友，你们在这一层。
这是 AI 入场的起点。系统帮你把海量数据梳理成"人能看懂的样子"——异常标红、趋势画线、关键指标自动提取。
听起来不性感。但别小看它。
报告里有个数据。深圳目前有 778 台无人物流车在跑，3 月份完成了 315 万单配送，环比增长 57%。每台车实时回传位置、电量、路况。没有 AI 帮你解读这些数据，778 台车的调度信息就是一面数字墙，没人看得过来。
解读层的价值就这一个：让海量数据变成人能用的信息。
但问题也摆在这儿——你知道发生了什么，然后呢？还是得自己判断要不要管、怎么管。天气预报告诉你"明天有雨"，但带不带伞、走哪条路，还得自己想。
大部分企业在这一层做得不错了。报告也承认这一点。但说得直白：光知道发生了什么，离"赚钱"还差得远。
--如果你在这一层，下一步该干什么？ 别急着上模型。先把数据采集的覆盖面补齐——你的仓、线、车、人的数据是不是都接上来了？有没有盲区？解读层的天花板不在算法，在数据源。
第二层 预测：AI 告诉你"要发生什么"
到这一层，有意思了。
系统不只告诉你"现在怎么了"，还能告诉你"接下来会怎样"。
但先说一个让人清醒的数字：报告引用 BCG 的调查，仅 10% 的物流公司全面拥抱了生成式 AI。
也就是说，九成的公司连这一层都还没站稳。
预测层能干什么？美团 6 月底刚发布了 LongCat-2.0 万亿参数大模型。美团不是传统 AI 公司，但它手里有日均千万级的订单数据和百万骑手的调度轨迹。这些数据训练出来的模型能干一件事：提前预测某个区域未来两小时的订单波动，提前给骑手排班。
以前这种活儿靠"老师傅经验 + 一张 Excel"。
但预测层有个坑——准不准？
说实话，大部分预测模型在"正常日子"里表现不错，一到极端事件就拉胯。618 备货预测准了，突然一场暴雨整条线路瘫痪，模型不会告诉你怎么办。
知道要发生什么，不等于知道该怎么办。
所以报告说，大部分"早期采用者"卡在了这一层和下一层之间。
--如果你在这一层，下一步该干什么？ 两件事。第一，给你的预测模型建一个"准确率档案"——哪些场景准、哪些场景经常偏，心里有数。第二，开始小范围试"预测转行动"：比如某个 SKU 预测偏差超过 15%，系统自动触发一条补货提醒。不用 AI 做决定，让 AI 做"提醒"。
第三层 推荐：AI 告诉你"该怎么办"
到这一层，AI 的角色变了。从"预报员"变成了"参谋"。
它给你具体的行动方案——不是一个，是好几个，标好了每条的成本、风险和收益。
MIT 和 Symbotic 联合发了一项研究。他们在自动化仓库里用深度强化学习来调度机器人交通。以前几百台机器人在仓库里跑，经常堵。瓶颈在哪？不是单台机器人不够聪明，是车队之间的协调出了问题。AI 介入后，吞吐量提升 25%。
注意，这里 AI 做的是"推荐"——告诉哪些机器人该让路、哪些该先走。最终调度指令还是经过人的确认。
推荐层是当前最有商业价值的阶段。因为风险可控：AI 出方案，人做决策。错了有兜底，对了效率翻倍。
报告说，能稳定走到这一层的企业，已经在拿到 "measurable commercial returns" 了。翻译成人话：真的省钱了。
--如果你在这一层，下一步该干什么？ 重点不再是"AI 能不能给好方案"，而是"业务方敢不敢用"。把 AI 的推荐结果做一次"透明化改造"——每个方案旁边附上理由（"建议走路线 B，因为 A 线路预计拥堵 40 分钟，B 只多跑 3 公里但省 25 分钟"）。信任不是靠说服，靠的是透明。
第四层 执行：AI 自己干了
最后一层。也是最刺激的一层。
AI 不再问你"要不要这样做"。它直接做了。
PepsiCo 和 Gatik 的合作是个标志性案例。Gatik 的无人驾驶货车已经在德州、亚利桑那州和阿肯色州为百事做端到端运营了——高速公路和城市街道上跑，中间多站点调拨产品，没有安全驾驶员。
这是迄今为止最大规模的商业无人货运部署。
到这一层，AI 从"工具"变成了"同事"。它自己感知环境、做判断、执行操作。人只在事后看结果。
听起来很酷。但报告也说了：能走到这一层的公司极少。而且报告的定调也不是"大家赶紧上"，是"AI 的采用在不同企业之间极度不均衡"。
原因很简单：执行层最大的障碍不是技术。是信任。
你敢不敢让 AI 直接调你的运力？敢不敢让它自动下补货单？敢不敢让它改线路、重新分配仓位？
大部分管理者的诚实回答是：不太敢。
--如果你在这一层，下一步该干什么？ 先别庆祝。执行层最大的风险是"静默失败"——AI 做了决定但没人知道它为什么那么决定。建一套"事后审计"机制：每天抽 5% 的 AI 决策做人工复核，记录偏差。三个月后你会知道 AI 在哪些场景靠谱、哪些场景需要收权。
到底谁在赚钱？
前面一直在说"已经有公司赚钱了"。如果你卡在第二层，听到这话肯定想问：到底谁在赚？怎么赚的？凭什么是他们？
说实话。报告里提到的那些"已经在赚钱"的公司，没有一个是靠"全面 AI 化"赚的。它们都是在一个很窄的场景里，把一件事跑通了。
我让云青去网上交叉验证了三个例子，可以看下：
亿滋（Mondelēz，就是奥利奥的母公司）。
他们的 DSD 网络——直接把货从配送中心送到门店——是所有配送模式里成本最高、最复杂的之一。亿滋在 5 个配送中心部署了 AI 和自动化，干什么？用 AI 接管仓储分拣和配送调度，同时把部分制造和包装环节收回自营。不是整个供应链 AI 化，就是仓储分拣这一个环节。MIT Sloan Review 2026 年夏季刊专门做了案例追踪，AWS 也发布了亿滋的云转型案例。DSD 这种高成本场景里，基数大，每一个效率百分点的提升都意味着真金白银。
SupplyChainDive · 2026-06 · 4 ；源交叉验证（SupplyChainDive / Yahoo Finance / MIT Sloan Review 2026夏季刊 / AWS Case Study）
PepsiCo 和 Gatik
无人货运听起来很科幻，但仔细看它的场景：在区域运输网络中做多站点间的产品调拨，覆盖高速公路和城市街道，没有安全驾驶员。这不是"AI 随便开到哪"，是在明确的路线上反复跑。干线运输里司机成本占比高是行业常识，去掉驾驶员意味着这条线路的成本结构被根本性改变了。PepsiCo 的做法很务实：没有一上来就让 AI 跑全国，而是在德州、亚利桑那州和阿肯色州三个州先跑通。
PepsiCo 官方公告 · 2026 · 3 ；源交叉验证 （PepsiCo 官网 / ACT News / FreightWaves）
深圳的无人配送车
26年4月时，共计778 台车，月配送 315 万单，节约约 195 万/月，商业化价值达 1652 万元。这不是实验室数据，是商业化运营数据。为什么深圳能跑通？因为它拿了"全国唯一的自动配送货运标准化试点"——政策开了口子。全国超 100 个城市开放了无人车路权，但深圳是唯一拿到标准化试点的城市。路权才是那把钥匙。
深圳市发改委 · 2026 · 4 ；源交叉验证 （深圳市发改委 / 21财经 / 证券时报 / 深圳新闻网）
这些"赚钱"的公司有个共同点：
不是技术最强，是场景选得准。
固定路线的干线运输、高成本的 DSD 分拣、政策开绿灯的末端配送——每个都是"约束条件最清晰"的场景。约束越清晰，AI 出错的概率越低，人就越敢放手。
反过来，那些"卡在第二层"的公司，往往不是预测模型不行，是找不到一个足够窄、足够安全的场景来做第一步闭环。什么都想优化，结果什么都做不成。
报告里 BCG 的数据其实给了个提示：仅 10% 的公司全面拥抱了 AI。但注意，这 10% 不是"什么都用 AI"，是"在至少一个核心场景里用 AI 用到了推荐层或执行层"。 少而精，比多而全值钱得多。
四层之间，隔着两道坎
回头看四层台阶，真正难跨的坎有两个：
第一道坎在解读到预测之间。这坎是技术性的——数据治理。数据不干净、口径不统一、历史数据缺失，你的预测模型就是空中楼阁。这坎靠投入能过，花时间花力气把数据底座补齐就行。
第二道坎在推荐到执行之间。这坎不是技术问题，是人的问题。
报告里有个数据点值得反复读：同一个公司内部，不同环节的 AI 成熟度可能差两个层级。你的仓储团队可能在推荐层跑着 AI 调度，但你的运输团队还在靠 Excel 手排线路。
不均匀是常态。但不均匀也意味着：你可以挑一个局部场景先跑通闭环，拿到战果，再去推下一个。
所以，怎么办？
报告传递的核心信号是：已经有公司在第三、四层赚钱了。差距在拉大，不是缩小。
但站在原地不动的原因，往往不是没看到机会。是不敢迈步。
这一点我之前自己想过——从推荐到执行，中间缺的不是模型能力，是"人敢不敢用"。现在 CSCMP 发了34年的报告也这么说了。不是我一个人的感觉。
"The greater risk now lies in standing still."——现在最大的风险，是站在原地不动。
但站在原地不动有两种。一种是不知道该往哪走——这篇文章就是帮你定位的。另一种是知道该走但不敢迈——那解法不在技术里，在你的组织里。
搞清楚自己在第几层，比急着往上爬更重要。
每一层有每一层的活法。硬跳层，只会摔跟头。
----
我是在瓶，一个在配送网络规划一线的从业者。正在探索 AI 时代供应链的正确打开方式。
如果觉得有用，点个在看或者转发给同样在探索的朋友。