AI正在重塑物流行业，从单点优化到智能体重构，京东物流等企业已走在变革前沿。本文通过UPS、FedEx、DHL及京东物流的实践案例，解析AI在物流中的四级演进，揭示产品经理如何应对AI带来的挑战与机遇。

物流系统连接生产、采购、仓储、运输、配送与逆向处置，单量高、节点多、变化快。AI进入物流之后，变化已经从某个环节的提效，走向网络、运营和执行系统的重新组织。在 2026 AI产品大会现场，京东物流李亚曼老师结合四家企业的实践，分享了AI在物流中的四级演进，也讲述了自己作为一名老产品人的焦虑与转变。

以下内容根据现场音频和演示材料整理，Enjoy：

我在物流行业深耕了大概18年。我想带大家到物流这个偏实体的行业里看看：AI进入物流业务后经历了哪些阶段，这些变化对2B产品经理、对实体行业的产品经理有什么启示。

今天，快递已经进入到我们每个人的日常。我整理材料时看到，现在中国人均每年的快递量大约是141个，五年前大约是82个，几乎翻了一番。

再看整个网络，每秒大约产生6000件快递。每个人眨一下眼大约是0.3秒，也就是说，一眨眼的时间，中国可能就产生了1800个快递。这样的体量，不通过整体的智能化分拨和调度，任何一张大网都很难处理。

规模之外，还有成本。中国物流成本占GDP约13.9%，美国约7.8%。这个差距有一部分来自效率，也和两个国家的产业结构、制造业占比等因素有关。我当时拿19.5万亿元的GDP规模做了一个粗略换算，如果真有一天能把其中相当一部分效率空间释放出来，可能是8万亿元的量级，差不多可以给14亿人每人买一部iPhone。

物流省下来的每一分钱，最后都会进入整个社会的价值分配，影响生活质量和生活水平。中国物流体量足够大，哪怕只改变一个百分点，落到现实中也会是很大的空间。

中国物流也经历了很长的演进。早期很多事情靠Excel手工处理，后来有库存管理系统，再往后开始做预测。有些进销存系统已经能结合周边GPS和热力信息，给销售建议，物流也是一样。工具一层层进化，费用降下来以后，影响的不只是企业报表，也包括社会总成本和每个人的生活水平。

我们常说物流就是搬箱子。用户看到的可能只是快递员把一瓶水送上门，但这瓶水在成为商品之前，生产制造已经需要物流；成为成品以后，要进仓储；从仓库到电商仓，再从电商仓到用户手里，中间还有采购、库存、干线和配送。商品坏了、发错了，还会进入逆向物流，退回仓库，或者流转到二手处置平台。

一件商品要走到用户身边，先要预测需求，决定仓库建在哪里；再根据用户买什么制定采购计划。仓库空间有限，高频商品放在哪个储位，库存和缺货怎么平衡，都要计算。到了运输环节，要考虑公路、铁路和其他联运方式；到了最后一公里，要让配送员用尽可能短的距离把包裹送到用户手里。退货时，检测、翻新、再出售和处置又是一套流程。

需求会波动，供应会变化，交通和天气不确定，成本、时效、服务和碳排放还可能互相冲突。一个局部选择，经常会影响后面一串节点。这种复杂性给了AI很大的空间。

早期，我们会在每个环节里找一个可以加AI的点，把它当成效率杠杆；现在有些企业已经开始重做整个流程。

我把看到的实践分成四个阶段：单点优化、流程重构、运营层重构，以及智能体重构。

第一阶段：在一个局部节点把价值做实

第一阶段很容易理解：把AI当成工具，先解决一个明确的单点问题。需求预测、运价优化、异常检测、智能客服、单据识别，都属于这一类。它们嵌在已有流程里，投入相对小，见效快，回报也比较容易算清楚。

局限是，局部问题解决了，整个网络的结构并没有变化。

UPS的ORION是我举的第一个案例。它关注的是配送最后一公里：司机从仓库出来以后，面对多个地址，路线怎么排，怎样少走无效里程。系统利用运筹算法做路径优化，在已有配送方式里，把这一个节点做到极致。

这个局部优化带来了约3亿美元的成本节省。公司体量足够大时，局部杠杆同样有很高的价值。第一阶段不需要一开始就改造全部系统，先找到一个结果清楚、数据可用、能验证回报的点，把它做扎实。

可物流不会停在这一步。

仓库放在哪里、货放在哪一层、车辆怎么排、包裹如何交到用户手上，本来就是连在一起的。一个节点更快，不代表整张网已经最优。

当企业开始跨出单点，AI就进入第二阶段。

第二阶段：不是在旧网络上加AI，而是重做网络

第二个案例是FedEx。很多物流公司发展过程中形成了不同网络，FedEx也有快递、地面运输和货运等网络。只要有网络，就会有站点、有线路，也会有车辆空载。每一张网单独运行，层级多、线路复杂，运力和仓储资源很容易割裂，协同成本也会越来越高。

第一阶段的思路，是在某一个工作点上用AI提效。FedEx Network 2.0往前走了一步：把原有网络放在一起测算。天气怎么变、交通怎么样、货量是多少、航空和地面运力如何平衡，都进入同一套计算。系统还会结合空载率做定价和配载。某条线路有剩余运力，就可以考虑怎样把它给到客户，而不是让资源空着走。

网络整合以后，要处理的不只是系统接口。站点是否关停，线路要不要拉直，货运和快递能不能共用一个站，都需要大量仿真和运筹。不能拍脑袋决定关哪一个站，也不能只优化航空、把问题留给地面。AI在这里承担的是类似中枢的工作，把多源数据放在一起，反复计算不同方案。

FedEx还在持续整合站点和网络。货运和快递是否能用一个站来完成，不是凭经验拍板，而要经过大量仿真和运筹。第二阶段和UPS的差异就很明显了：UPS在一个配送节点里降本，FedEx开始改变跨网络的流程。

我很喜欢一句话：AI不是副业，是主业。

三四年前，我会觉得自己做过很多物流系统，知道在原有系统哪里加一个AI能力就够了。而现在，如果还只在存量系统里找几个AI点，思路可能已经落伍。应该先想，如果从AI原生的视角重新解决这件事，系统会长成什么样，答案可能根本不是原来那套系统。

第三阶段：把不确定的运营交给AI持续处理

第二阶段做完仿真和运筹，人还要根据方案关站点、拉线路。而第三阶段再往前一步，AI不只给方案，还要面对每天不断发生的变化。

物流里的不确定性太多了。618或双十一，单量可能突然冲上来；雷雨天气会让航班和线路变化；同时，无论用户在城市、乡村还是海岛，收货上门都是需要兑现的服务。过去即使AI算出方案，最后还要人判断和下指令，时效可能跟不上。

DHL的Agentic AI案例，就是把运营中枢交给AI。系统感知天气变化、单量变化和运营状态，接着做决策、执行，再根据结果继续学习。它从工具层、辅助决策层走向独立运行的AI运营层，处理的不是一个静态任务，而是不断变化的运营网络。

我当天上午查到的目标是，下一阶段希望约40%的单量由AI托管运营规划。人眨一下眼，网络里已经新产生1800单。人的经验再丰富，也很难实时覆盖所有变化。AI多出来的是计算能力和仿真能力，它可以在同一时间处理更多约束。

第三阶段形成了一条连续链路：自主感知、自主决策、自主执行，再反向学习。

这个阶段和第二阶段的区别是，不是简单地把算法名字换了，而在于AI开始承担持续运营。产品设计也不能只交付一个能算出答案的页面，还要把决策边界、异常情况和执行反馈接起来。

第四阶段：让大脑接上手脚

第四个案例是我所在的京东物流。

当年7月公布的全球数字经济灯塔案例一共13席，京东物流是其中的物流行业案例。我关心的是：它为什么会被当成一个完整案例。

京东物流在前一年9月发布了超脑大模型2.0和异狼具身智能机械臂系统。大促和日常最大的差别，是单量峰值会突然到来。系统需要从需求预测开始，决定分拨仓建在哪里、网络怎样布点、怎样用更低成本承接单量，同时不能降低用户体验。超脑2.0把物流全环节的数据整合起来做统筹。原来可能需要两三天的计算，被缩短到两个小时，有些任务还在向半小时迭代。

有了大脑的计算，还缺真实世界的执行。异狼机械臂通过视觉和触觉感知，判断一个物品怎么抓、能不能抓稳。它只是狼族设备的一部分。人工成本在提高，单量也在增加，重复劳动可以交给机器，人去做更有价值的工作。

这套链路从顶层仓网规划开始，决定仓建在哪里；再进入仓内仿真，决定需要多少分拣台、人员如何行走；接着选择仓内设备，是用穿梭车还是其他机器人；包裹出仓以后，还要连接末端设备，把货送到用户手中。超脑负责计算和决策，设备负责感知和执行，才形成从大脑到手脚的闭环。

UPS解决一个点，FedEx重做流程，DHL把AI放到运营层，京东物流继续接上实体执行。四个阶段不是每家公司只能选一个，也不是四家公司各自独有。它们更像物流行业在不同位置上的实践：从局部突破，到网络重构，再到自主托管和自主执行。

AI在物流里并不是虚拟的。它面对的就是仓库、车辆、包裹、天气和时间。它先帮人决策，再自己做决策，最后自己动手执行。未来物流和供应链可能会越来越接近这种闭环。

产品经理不能只靠拆流程证明价值

我早些年做2B，现在也做2C，两种产品的工作感觉很不一样。

做2B产品时，我们经常面对一个特别纷繁复杂的业务。能从里面拎出一条主线，把别人理不清的逻辑理清，把业务说不清的需求翻译成系统，再落地实现，是很让人兴奋的事。

但四个案例讲完，我相信很多人都会有一点触动。产品经理可以依赖的，可能不再只是拆逻辑和翻译需求。

前不久，我和一个AI产品同学聊天。他说，两周前业务方提了一个需求：当某一类客户出现流失风险时，希望在合适的时机触达一条消息。因为手上还有其他项目，这个需求放了两周。等他再去找业务方时，业务方说，自己已经搞定了。

这件事放在三年前很难发生。业务同学碰不到系统，碰不到数据，也碰不到开发工具。现在，他在京东内部的多个AI工具之间做了组合，把需要的能力自己搭了出来。

那个产品同学很受触动：如果一个产品不能真实解决业务痛点，产品经理的价值到底在哪里？

准备这次分享之前，我还是习惯拆快递流程。我可以把它拆成三四十道工序，再找哪些工序可以由AI替代，而且会为这种拆解感到自豪。整理完这些案例后，我发现已经不能再这么想了。

如果没有今天这套存量系统，我们只是要解决一个业务结果，比如增长10%，或者降本5%，那就应该从结果出发。把目标、约束和业务知识交给AI，让它参与找方案，可能比先拆出三十个步骤、再告诉AI其中二十五步该怎么做更有效。产品经理不能一直困在存量逻辑里，先把结果定清楚，再看流程应该如何变化。

这个转变我自己也还没有完全完成。过去引以为傲的能力不会一下失效，但价值落点已经在变。我们还是要懂业务、会判断、能落地，只是不能把执行完一张需求清单当作工作的终点。业务结果有没有发生，方案是否正确，风险能不能承受，都需要产品经理继续负责。

焦虑可以有，但路也没有被堵死

大家有焦虑，我也有。

我也会想，AI会不会替代我。但在梳理完这些案例以后，我的看法是：AI未必能替代所有产品经理，但不能使用AI的产品经理会越来越被动。

我不觉得自己对AI的理解比前面几位老师深，但当AI和物流场景放在一起时，我的感触很深。有位老师和我说，AI对各个行业最大的冲击可能就在这两三年。我也觉得自己掉队了两三年，那就补回来。先承认它每天都在变化，再去学它能做什么。现在能获得的知识很多，只要打开自己，想学的东西总能找到。

打好AI认知和实践基础以后，我看到三条路。

第一条是继续做垂直行业专家。我从毕业后写代码开始，在物流行业做了18年，最擅长的还是行业里的知识和判断。AI可以接到一个课题，帮我拆步骤，但最后判断是否正确、逻辑是否成立，还要靠行业经验。深耕物流、消费品或其他行业的人，可以把多年积累和AI结合起来，重新思考系统应该怎么变。这些经验不是包袱，是很难被替代的底座。

第二条是转向AI产品经理。我准备分享时，还找了两位在物流行业做了十多年、从运筹走向产品的AI产品经理帮我看材料。他们告诉我，AI产品经理和原来的工程产品经理并没有想象中那么遥远。我身边也有软件开发转算法的人，技术路径离得很近，差别常常在于自己愿不愿意改变、愿不愿意补足模型和工具的理解。

第三条是FDE或类似解决方案、实施顾问的工作。一个很强的2B AI产品，如果不接企业自己的知识库和数据，就没有办法在现场运行。有人需要理解行业问题，也懂AI，帮助客户做模型调优、整理本地知识、接入真实流程，让方案得到能用的结果。这类工作和过去的解决方案专家、实施顾问有相通之处，只是工具和交付对象变了。

行业专家、AI产品经理、FDE，三条路并没有把过去全部推翻。需要补的是AI知识和新的工作方式。那些PPT里看起来很炫的内容，我也用AI生成过，做出来确实比我自己好，那就用好它。

最后再回顾一次：第一阶段，在派送等局部环节节省成本；第二阶段，整合多张网络，调整站点和流程，减少空载；第三阶段，把不确定条件交给AI持续做运营决策；第四阶段，把决策连接到无人化设备，让系统既有头脑也有手脚。

第五阶段是什么，我现在没有答案。下一个现象级产品，也许就会出现在今天在场、愿意继续做创新的产品人手里。这个期待送给大家，也送给我自己。