全球供应链领导者对 AI 经济和劳动力影响的洞察 – 2025
当前 AI/ML 采用现状： 超过 80% 的组织在过去一年中增加了 AI/ML 的使用，并预期预算将进一步增长。AI/ML 已广泛应用于仓库运营的各个方面，包括库存优化、自动拣选、路线优化、需求预测、预测性维护和计算机视觉。AI/ML 采用程度与组织的规模和运营复杂性呈正相关，大型企业和多站点网络通常具有更高的自动化程度和 AI/ML 采用率，但投资回报期也更长。
AI/ML 投资和 ROI： 大多数组织将其仓库技术预算的 11-30% 用于 AI/ML，典型投资回收期为 2-3 年。主要投资目标包括提高效率 (47.9%) 和创新 (31.1%)，主要投资驱动因素包括成本节约、客户需求、劳动力可用性、质量、安全、可持续性和竞争压力。
当前 AI/ML 实施挑战和推动因素： 主要障碍包括技术专长 (48.6%)、系统集成 (47.7%)、数据质量 (46.2%) 和实施成本 (46.1%)。关键推动因素包括更好的工具/平台 (55.5%)、更多的内部专长 (53.7%)、更大的预算 (51.9%)、清晰的路线图 (50%) 和外部顾问 (43%)。
AI/ML 对劳动力的影响： AI 提高了生产力 (77.5%)、工作满意度 (75.4%) 和培训需求 (76.4%)，同时劳动力规模也增加了 (55.8%)。AI 正在创造新的工作岗位，例如 AI/ML 工程师 (60.1%)、自动化专家 (58%)、流程改进专家 (51.9%) 和数据科学家 (40%)。
未来 AI/ML 实施前景和优先事项： 92.1% 的公司在短期内正在实施或计划实施 AI 项目。未来投资的重点将从自动化任务转向实现智能决策和生成能力。主要目标将是提高效率 (47.9%) 和创新 (31.1%)。
主导方法和技术： 目前最有价值的方法包括生成式 AI (70.3%)、预测性 ML (58.4%)、计算机视觉 (49.8%)、强化学习 (45.9%) 和自然语言处理 (42.5%)。生成式 AI 的主要应用包括自动文档/报告 (55%)、仓库布局优化 (53.6%)、流程流设计 (53.3%) 和代码生成 (52.5%)。
跨部门分析： 不同地区的 AI 和自动化采用程度存在差异。例如，巴西、以色列、中国、英国和加拿大等国的自动化程度较高，而西班牙、葡萄牙和日本等国的自动化程度较低。主要障碍因地区而异，例如美洲地区的主要障碍是人员和变革，而欧洲地区的主要障碍是技术和系统集成。
行业差异： Omnichannel 运营商在自动化、AI 采用和支持能力方面领先于 B2B 和 B2C 公司。他们报告了最高的自动化成熟度，并将最大份额的仓库支出用于 AI/ML。B2B 公司通常比 B2C 公司在自动化成熟度和 AI 采用方面表现更好。
