中国物流AI渗透率超37%，运输环节78%居首

详细拆解

公告说了什么，我先摆平。中国物流与采购联合会发布《中国供应链发展报告（2025—2026）》，被转得最多的是37%这个数：物流与供应链的AI渗透率超过37%。运输环节78%居首，安全合规52.73%，智能仓储47.27%。报告把双11当压力测试场：京东物流“超脑”3.0预测区域订单量、动态调配全国运力，推荐路径采纳率突破90.2%；“异狼”灵巧臂全链路跟踪准确率99.9%。圆通的数字孪生覆盖全网集运中心，机器视觉覆盖24个场景。

我干的就是把这套系统装进去的活。看渗透率标题，我早养成了看厂商基准测试PPT的姿势：客客气气，另外开一个窗口把算式摆着。数字几乎从来不错。它几乎总是回答了一个跟标题不一样的问题。所以在你把这37%放进董事会材料之前，我们得先弄清一件事：37%是谁的37%。企业还是货量，站点还是决策，装了还是用了。

我信的框架只有一个：这是个排队问题。什么都是。一个包裹是队列，一个月台门是队列，调度员的屏幕也是队列。渗透率说到底是这么一句话——这条队伍里，有多少段站了机器，还有多少段站着人。钱就在这条分界线上，而标题恰好把这条分界线擦掉了。

我不写“数字化很重要”“AI正在重塑物流”这种话，那种句子不花成本，也不产生价值。我要做的是拿37、78、47.27这三个数，给你看一件几乎没人写出来的事——而这件事实，恰好是整份报告里对2027年合同最有用的一条。

先从两个小数说起，因为小数点是种口供。52.73和47.27。加起来。100.00。正好。两个调查项严丝合缝凑成一百，这种巧合不能一句“碰巧”带过去，因为两个独立测出来的百分比刚好凑整成一百的概率，小到可以忽略。你看到的是同一次二分，被拆成两条结论发表。安全合规52.73和智能仓储47.27是同一张饼切两半，而且这一刀是切在企业数量上的，不是切在货量上的。

接着做报告没替你做的除法。如果基数是55家，那就是29家和26家。如果基数是1100家，那就是580家和520家。算式告不出我到底是哪个，我也不装知道。但它告出了形状：一道二选一的题，一个固定的企业样本，统计完变成两个各带两位小数的百分比。这是一份客户调研。是一份挺像样的客户调研。它不是对“多少货经过了机器”的测量。

这就绕回标题了。超过37%。超过谁的37%。如果基数是企业，那37就是“受访企业里，物流与供应链环节至少有一处跑着AI应用”的占比。把这句话再读一遍，重音放在“至少一处”和“有一处”上。一个事业部里放了一个需求预测模型的公司，过线。客服热线挂了个机器人的公司，如果问卷算它，也过线。而运输环节的78%，不等于78%的货是机器派的。它是说78%的受访者在运输这一侧有东西在跑。这两句话之间的距离，就是一份市场报告和一次运营决策之间的距离，而所有报道都没把这个距离补上。

下面这条我没在别处见过，我是真找过。把两个环节的数乘起来。0.78乘0.4727，等于0.3687。三十六点九。标题说超过37。这个结果跟运输率和仓储率的乘积只差一个四舍五入的台阶。我没法证明报告是这么算出标题的。也许真是巧合，拼装型的报告里巧合常有。但不管它是被算出来的还是碰巧落在那儿的，这个数的行为方式就是一个串联系统，而你也该这么读它。端到端的承诺不是各环节的平均值，它是一条链，链只在每一节都成立的地方成立。运输78%的时候有仪表，仓储47.27%的时候有仪表，两头同时有仪表的概率就是37%左右——而这条链的强度，只到弱的那一端为止。

这个重新框定是带价签的，这一段我会直接放到财务负责人桌上。串联系统里，弱链上提一个点，买回来的比强链上提一个点多。仓储从47.27推到60，乘积从0.369到0.468，投入12.7个点，换回9.9个点。运输从78推到90，乘积从0.369到0.425，投入12个点，换回5.6个点。按每一分投入算，仓储每一点换回0.78点全链覆盖，运输每一点换回0.47点。仓储的钱，买到的全链覆盖大约是运输的1.65倍。这个季度来敲你门的厂商，全都在卖运输这一层，因为那里的数据干净、演示好看。算式说的是另一件事：便宜的那笔赢在难看的地方，在月台门口，在需要靠人手把地面真相一点点装出来的地方。

这就带出报告没问的那个问题：为什么运输是78，仓储是47.27。我的答案是，这个排序不是价值排序，也不是投入排序，是标签延迟排序。运输自己免费生产地面真相。每张运单都带着地址、扫描、出场、到达，承诺和事实之间的差在几小时内闭合。模型周二学完，周三就能变好。仓储的地面真相是一个物理动作。拣货员到底做了什么、按什么顺序、伸了多长的手，在有人把货架、拣选车或者手腕装上的传感器之前，哪儿都没写。

合规卡在52.73是因为卡在中间——单据是文本，而读文本恰好是这一代模型做得最便宜的事。所以78、52.73、47.27这个顺序，画的是一张“哪儿标签免费”的地图，不是一张“哪儿价值高”的地图。反过来读，你的预算就会花进错的那栋楼。

现在看两个带分母的操作数字，整条新闻里只有这两个能算。推荐路径采纳率90.2%。它被当成准确率的奖杯在展示。换成拒绝率读，它就变成完全另一个东西：9.8%的系统建议被人改掉了。问一句，一次改单要花多少。假设四分钟，这已经算宽厚了——改单不是点一下。得有人读那条建议，弄明白机器为什么这么排，判断它错，再把理由敲进去。四分钟是这个动作的地板价。一千条建议里，98次改单乘四分钟，392分钟，六个半小时。这是一个熟练调度员大半个班次的注意力，没花在机器做对的900条上，全花在它做错的98条上，而且是用最贵的方式花的：一条一条来，中间还坐着一个要为这票货负责的人。

那六个半小时，就是没人写进商业论证的集成成本。许可证是一行。模型训练是一行。改单台是一个编制，出现在另一个成本中心、另一个经理名下，所以它永远进不了投资回报表——这就是那张表永远乐观的原因。我见过三次上线，投委会按准确率批的预算，运营总监因为改单量辞的职。同一个项目。两个数字。两个数字中间隔着一个小数位和一张组织架构图。

再看另一个操作数字。99.9%的全链路跟踪准确率，出在“异狼”那条线上。这数字不坏，我不会撇嘴。但该乘还得乘，因为不带量的比率是一种情绪。一天一千万次包裹扫描，99.9%会留下十万件系统读错的包裹。一天十万个异常，全落到一个按平均值配人的客服台上，而不是按尾巴配人。尾巴上有退款，有差评，有这个季度你最在乎的那一个客户。跑99.9%系统的老实办法，是按“异常随量线性增长”来配异常队列的人，并且承认最后那零点九是成本项，不是一个该被工程消灭的缺陷。没人这么卖。但它是真的。

数字孪生那句话，也得照同样的刀法切。“覆盖全网集运中心”——覆盖是站点数。保真度是另一条轴，而保真度才决定这东西能不能拿来跑一个班次。一个孪生体如果照着一个枢纽的布局建起来，但每十五分钟批处理刷一次，那它是一张地图，不是孪生，而地图没法在21:40支线船迟到的时候重排一次分拣。刷新间隔就是全部产品，而它不在新闻稿里，因为它是全场最不体面的一个数字，也是操作者唯一在乎的数字。有人给你看孪生，先问两句再看屏：刷新间隔是多少；这个孪生能改的哪个决策，是仓储管理系统本来就改不了的。第二个问题如果答不上来，你买的是一块带平面图的屏保。

场景数也该这么算，因为24这个数字是靠采购长出来的，不是靠科学长出来的。加一个场景，通常就是加一路相机、一套灯光、一份标注好的训练集，所以场景越多，单场景边际成本越低，放到演示稿上看着像能力在加速。价值不跟这条曲线走。前五个场景——量方、破损、读标签——吃掉了绝大部分量。第十九到第二十四个吃的是尾巴，尾巴装起来贵，错起来便宜。厂商报这个数，报的是目录有多宽，不是那几类真正构成你这个月的货的准确率有多深。

那到底谁在扛，扛多少。按“模型离决策有多远”分堆。第一堆，货代的预计到达时间现在推给你了，以前你根本收不到。预测变好了。决策一寸没动，因为安全库存规则是年初在表格里定死的，而看这个预计时间的计划员，本来就更信船期表，不太信这个接口。价值造出来了，没人接住。第二堆，有自己的运输管理系统、计划周期按小时算的进口商。这里的改善是真的，但前提是预测落进决策窗口里。

预计时间从正负36小时收到正负12小时，在一个每天重排的系统里是真进步；在一个每周重排的系统里，它只是同一个决策上挂了个更精确的数，说白了是装饰。第三堆，现在要用一个模型给出的数字去回答客户“我的货在哪”的进口商。这一堆跑得最快，讨论得最少，因为收益是一句更好听的回答，负债是一个承诺。模型没接这个风险。你接了。

这里有个不花钱、这周就能做的诊断。把最近三十天的改单记录拉出来，数一数“人改掉机器答案、原因栏留空”的行数。用空原因数除以改单总数，这个比值是判断系统到底在被使用还是被容忍的最好单一指标。比值低，说明操作员在跟模型书面争论，这正是你要的——书面争论同时是训练信号和审计轨迹。比值高，说明输出被一路点过去，那报告里所有的准确率，描述的都是一套没人读的系统。

然后是时点，时点才是这类报告最容易悄悄误导人的地方。渗透率是存量。落到你损益表上的是流量，而流量只在合同续签那一刻才开始。双11的复盘12月落地。2027年的服务协议在1月到3月之间谈。峰值复盘到招标之间那六个星期，是这一年里这份报告的数字唯一能改一条条款的窗口；如果那之前你这边没人读过改单日志，条款就会跟去年一字不差。船公司和平台比你熟这个窗口。他们会带着一套旺季叙事和一个服务指标来招标，而那套叙事，就是在这六个星期里现搭的。

再说一个让我保持清醒的反事实。如果渗透率是零，这个旺季会崩吗。不会。没有这些东西之前，旺季一样过了，靠纸、靠电话、靠一个记得每个司机名字的调度员。所以AI不是这张网的承重墙。它是减震器。这点很重要，因为减震器失效的方式很具体：它在行程顶端失效，也就是在你买它的那个工况下失效，而且是安静地失效——不是断掉，是压到底。于是风险不是模型缺席，是模型在场、自信、且错。一个被告知“14:20到”的计划员不会去核。一个被告知“没有预计时间”的计划员会拿起电话。自信的错答案严格劣于诚实的空白，而报告测的是“有没有”，它看不见这两者的区别。

徐澄有个相关的判断，我同意一半，不同意的另一半值得写下来。他的说法是，报关那一侧真正的约束从来不是预测，是异常——凌晨三点被挂起、连个原因代码都没有的那票货，什么模型都救不了，因为缺的是单证，不是预测。痛点在哪儿，他说对了。把它当成另一个问题，他说错了。异常台也是个队列，它有到达率、有服务时间、有排班人数；一个把到达预测改善四成、而服务时间原地不动的模型，只是把堆从台子前面挪到了台子后面。预测不配套提升台子的吞吐，等于在生产更精确的抱怨。

所以实操上的指令不是多买AI。是像测串联系统那样测这条链，把下一块钱放到弱链上。纯做算术，假设你的运输段按报告那个78%有仪表，仓储段47.27%，你的端到端承诺大约37%的时候成立。仓储推到60，12.7个点的投入换9.9个点的全链覆盖。运输推到90，12个点换5.6个。这个季度桌上就这两笔买卖，而只有一笔在被人推销。

↑ 返回核心要点

— 作者 拉维