倉儲導入 AI 揀貨，最先卡住的不是演算法，是你的品項主檔

揀貨路徑最佳化是作業研究教科書上的題目，演算法成熟了幾十年。所以當倉儲業者問「AI 能不能幫我們優化揀貨」，技術上的答案永遠是能。

但實際走進倉庫看過之後，卡住的地方通常完全不在演算法。

第一個撞牆點：品項主檔是錯的

路徑最佳化需要知道每個品項的尺寸、重量、儲位。這些資料理論上都在 WMS 裡，實際上經常是這樣：

• 尺寸欄位從建檔以來沒填過，或填的是外箱不是單品。
• 重量是估的，而且是好幾年前估的。
• 儲位資料跟現場對不上，因為現場為了作業方便自己挪過。

最佳化演算法對錯誤輸入沒有免疫力。用錯的尺寸算出來的裝箱方案，到現場就是裝不進去；用錯的儲位算出來的路徑，到現場就是要多走兩趟。

更麻煩的是，這種錯誤不會讓系統報錯，它只會讓現場人員覺得「這個系統很笨」，然後回去用自己的方法——專案就這樣死掉了。

第二個撞牆點：現場的隱藏規則

倉庫裡有很多沒被寫下來的規則：重的不能疊在輕的上面、冷藏品要最後撿、某個客戶的貨一定要獨立棧板、走道 C 的推車過不去。

這些規則老師傅都知道，系統不知道。演算法算出一條「最短路徑」，違反了其中三條規則，現場當然不會照做。

這與我們在工具機廠隱性知識談到的是同一類問題：關鍵資訊存在人的腦子裡，沒有進到系統。

投報率更高的切入點

如果品項主檔還沒整理好，與其做路徑最佳化，不如先做這三件事：

一、用影像自動補齊品項尺寸與重量。入庫時過一次量測站，尺寸重量自動寫回主檔。這件事現在的視覺方案做得很成熟，而且它是後面所有最佳化的基礎。

二、揀錯偵測，而不是揀貨加速。在包裝台加一組視覺比對，出貨前確認品項與數量。揀錯的成本（退貨、重寄、客訴）通常遠高於揀慢一點的成本，但很多廠把資源放在加速上。

三、需求預測驅動的儲位調整。把高頻品項移到靠近出貨口。這件事不需要即時演算法，一個月調一次就有效果，而且不依賴精確的尺寸資料。

什麼時候才適合做路徑最佳化

三個條件同時成立時：品項主檔的尺寸重量正確率夠高、儲位資料與現場一致、現場的隱藏規則已經被整理成明確的限制條件。

在那之前，導入只會得到一個沒人使用的系統。

需要保留的懷疑

本文為顧問現場觀察的歸納，不含實測數字。「揀錯成本高於揀慢成本」是就多數電商與 B2B 出貨情境的一般性判斷，若你的業態是高頻低值的大宗配送，結論可能相反，建議以自家實際成本結構試算為準。

常見問題

倉儲導入 AI 揀貨最佳化，最常卡在哪裡？

不是演算法，而是品項主檔的資料品質。常見狀況包括尺寸欄位從未填寫或填的是外箱而非單品、重量是多年前估算的、儲位資料與現場不一致。最佳化演算法對錯誤輸入沒有免疫力，而這類錯誤不會讓系統報錯，只會讓現場覺得系統不好用而回到舊方法。

品項主檔還沒整理好，可以先做什麼？

三件投報率更高的事：一是入庫時設置影像量測站，自動補齊尺寸與重量寫回主檔，這是後續所有最佳化的基礎；二是做揀錯偵測而非揀貨加速，在包裝台加視覺比對確認品項與數量；三是依需求頻率做儲位調整，把高頻品項移近出貨口，一個月調一次即有效果且不依賴精確尺寸資料。

什麼時候才適合做路徑最佳化？

三個條件同時成立時：品項主檔的尺寸重量正確率夠高、儲位資料與現場一致、現場的隱藏規則（重物不疊輕物、冷藏品最後撿、特定客戶獨立棧板、特定走道推車不通行）已整理成明確的限制條件。在那之前導入，只會得到一個沒人使用的系統。

下一步

品項主檔的資料品質檢核表，我們整理在白皮書專區。