> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/warehouse-automation-companies.md).

# 2027 仓库自动化公司选型：先选场景，再选供应商

本文整理自 Duaer 文档站，讨论企业在评估仓库自动化公司时，为什么应先明确待解决的业务环节和场景，再进入供应商比较，并给出试点、验证与衡量的实操思路。

## 为什么这类采购比看起来更难，以及常见的起点错误

很多团队开始研究仓库自动化公司时，第一步往往是列一张供应商清单，收集机器人、分拣机和存储系统的演示，然后按速度、价格和宣传页上的功能去比较。几个月后，项目还停留在委员会讨论阶段。真正的问题不在于选项太少，而是买方还没有想清楚仓库流程中究竟是哪个环节在持续烧钱，因此每家供应商听起来都有道理，却没人能说清楚为什么某一家更适合这栋仓库。

「仓库自动化」涵盖的设备和软件差异很大。有的厂商提供需要围绕其设计建筑的自动化立体库系统；有的提供可以在现有地面上搬运货架或周转箱的自主移动机器人；有的专注于分拣，有的专注于机器人拣选，还有的提供决定机器如何工作的仓库执行软件。一家公司可能同时涉足几类业务，而营销页面往往模糊了这些边界。

这一点很重要，因为每一类技术的成本结构、变更影响和失败方式都不同。存储系统属于土建级别的决策，回收周期长；移动机器人车队可以分阶段增加，但高度依赖地面布局、交通调度，以及它所对接的仓库管理系统。如果把这些当成可以互换的「自动化方案」来比较，最后比的很可能是错误的东西。

典型的流程是：先收集一长串公司名单，再让每家提交方案，最后尝试给方案打分。问题在于，每份方案都是围绕该供应商偏好的解决方案来设计的。卖分拣机的会推荐分拣机，卖机器人的会推荐机器人。实际上，你是在让每个卖家给自家产品评分，而需求本身还没有定义清楚。

更好的顺序是反过来。首先梳理仓库究竟在哪些环节损失时间或准确率，例如收货积压、上架延迟、某个区域拣选缓慢、打包出错、月台排程混乱，或者库存盘点总与系统不一致。只有在这之后，才决定哪一类技术可能解决这个具体瓶颈，并在该类别内部筛选公司。

## 先梳理场景，再按价值和难度排序

对大多数运营团队来说，候选场景大致可以归为几类：收货与上架、前置拣货位补货、订单拣选、分拣与打包、月台与堆场调度，以及循环盘点。建议把每个场景写成一张简短的卡片，包含四个字段：当前业务量、用数字描述的现有痛点、可用于描述该场景的数据，以及需要做出的物理改造。

然后从两个维度对场景排序。价值指的是当前痛点的成本，例如返工消耗的人工工时、错拣导致的订单流失、高峰期的加班费，或拥堵造成的空间浪费。难度则综合考虑物理环境需要改变的程度、与现有系统的集成深度，以及决策在表现不佳时的可逆程度。最具吸引力的第一个场景通常是价值高、难度适中、并且有清晰回退路径的场景，而不是设备看起来最炫的那个。如果需要一种中立的排序方法，[如何按价值和难度为企业 AI 用例排序](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)中的思路，在实体运营场景中同样比较适用。

## 如何选择第一个试点

试点应当小到失败时代价可控，又大到能够产生真实的信号。实践中，这意味着选择一个区域、一个产品族或一组明确定义的 SKU、一种固定的班次模式，以及一个固定的测量周期。应避免需要重建整栋建筑或对全部库存重新做货位规划的试点，因为这样的项目无法评估，太多变量同时在变化。

在试点开始之前就要写清楚成功标准。例如：相对于基线期，测试区域的平均订单周期时间降低到约定幅度；拣选准确率维持在或高于当前水平；异常处理时间在团队可承受的人力范围内。同时，也要提前约定什么情况下应当叫停。没有预先约定停止标准的试点，往往会因为惯性持续推进，即使数据已经很差。

关于从场景清单到第一次测试的完整流程，[供应链 AI 用例选择指南](https://doc.duaer.com/zh/guides/supply-chain-ai-use-case-selection/)中的逻辑很有参考价值，尤其是其中关于不要从最显眼的功能入手的提醒。

## 向供应商提问与核实要点

场景确定之后，与供应商的沟通会变得具体得多。要求每家公司基于同一份书面需求说明书作答，内容包括你的基线数据、区域布局、SKU 特征和集成要求。他们回答之间的差异，才会真实反映适配度的差别。

重点关注五个方面。第一是集成：系统如何接收任务、如何向你的仓库管理系统或 ERP 回传状态，接口由谁来开发，上游系统变更时会发生什么。第二是证据：要求提供可比现场的客户参考，并且在与你的条件相近的环境下验证性能声明，而不是理想测试环境下的峰值数字。第三是总变更成本：包括电力、地面改造、培训、备件，以及新旧流程并行运行的成本。第四是服务模式：响应时间、现场支持，以及软件升级由谁负责。第五是退出条款：数据归属、合同期限，以及如果更换供应商，你能带走什么。

这一步更完整的检查清单可参考[AI 供应商评估清单（用于签约决策）](https://doc.duaer.com/zh/guides/ai-vendor-evaluation-checklist/)，其中很多问题可以直接用于自动化合同的审查。

## 如何衡量效果，以及需要避免的常见误读

衡量环节是许多仓库项目悄悄失败的地方。试点前至少建立两到四周的基线。需要跟踪的指标包括：每工时拣选行数、订单周期时间、拣选准确率、异常率、每位员工处理的单位数，以及设备停机时间。同时也要记录背景信息，如订单量、SKU 结构和人员配置水平。

有两种常见的偏差需要警惕。第一是新鲜感效应：新系统上线的最初几周，团队会更努力、更谨慎，因此早期数据会比稳定状态好看。应当跨越几个正常周次进行测量，而不只看上线初期。第二是季节性偏差：把旺季的试点期与淡季的基线相比（或反过来），会得出误导性的结论。能按业务量归一化的，尽量归一化。

最后，如果条件允许，应将自动化区域与同时运行的可比人工区域进行对照。没有对照组，就无法区分技术本身的效果与需求、人员或流程纪律变化带来的影响。

还需避免一种误读：供应商公布的吞吐量数字通常是在理想假设下得出的，例如产品尺寸一致、设备满负荷运转、人工干预极少。真实的仓库存在形状不规则的箱子、退货、破损标签，以及每周都在变化的班次安排。宣传页上看起来很出色的数字，在这些现实因素加入后，收益可能大幅缩水。应把宣传中的性能指标视为上限，并基于自身基线重新推算预期结果。

## 本周可以做的一件事

选出你最痛的那一个瓶颈，为它写一张一页纸的场景卡片。内容包括当前业务量、已测量的延迟或错误率、你已经拥有的数据，以及你认为需要的物理改造。同时为该指标收集两周的基线数据。然后把同一份需求说明发给相关类别中的三家供应商，并且对照你的场景卡片而不是彼此之间的营销话术来比较他们的回答。

如果你希望在一个地方完成这种从场景到短名单的结构化流程，可以前往 Duaer（https://www.duaer.com）注册，并使用自己的数据体验该工作流。它不能替代现场考察、客户背景核实和你自己的测量，但能让决策始终围绕你的瓶颈展开，而不是被声量最大的演示牵着走。

适合你运营场景的仓库自动化公司，通常是那些能在你的流程中解决一个明确问题，并且拿得出可以核实证据的公司。先选场景，供应商名单自然会缩短很多。

告诉我们你的场景，我们会回复一份针对该场景的书面推进路线。表单链接：https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### 选择仓库自动化公司时，应该先看哪些指标？

建议先建立至少两到四周的基线，记录每工时拣选行数、订单周期时间、拣选准确率、异常率、人均处理量和设备停机时间，并同时记录订单量、SKU 结构和人员配置。有了这些基线，才能判断供应商的方案是否真正改善了你的瓶颈。

### AMR 移动机器人和自动化立体库应该怎么选？

两者的成本结构和变更影响差异很大。自动化立体库通常属于需要围绕设备设计建筑的土建级决策，回收周期较长；AMR 车队可以分阶段增加，但高度依赖地面布局、交通调度和与仓库管理系统的对接。选择前应先明确你的瓶颈属于存储、搬运还是拣选环节，再决定技术类别。

### 仓库自动化试点通常应该做多久，范围怎么定？

试点应选择一个区域、一个产品族或一组明确的 SKU、一种固定班次模式，并设定固定的测量周期，同时覆盖几个正常周次，避免只看上线初期的新鲜感数据。试点开始前就应写清成功标准和停止标准。具体周期需结合你的业务量季节性来确定。

