车队如何在AI浪潮中挤出不菲回报

要想从“AI浪潮”中真正榨出价值，车队与货主必须把人工智能当作一项业务挑战来对待，而不是把它当成又一个可以简单丢给IT部门的技术。

JBF Consulting创始人兼管理合伙人Brad Forester表示，企业最常犯的错误之一，就是以为AI能像传统软件那样实施。

“这是一项需要靠业务来推动落地的工程，”他说，“要想从AI中挤出不菲回报，七到八成要靠业务来主导。”

这是因为实施AI要求企业重新审视工作流程、用户交互、业务环节，以及员工长期积累的“隐性经验”——也就是为什么事情要以某种方式去做的那套门道。只有把这些细节先固化下来，AI才能在实际运营中真正发挥作用。

Forester说，数十年的传统软件采购习惯，让企业形成了一种顺序式思维：业务选技术，然后指望IT来交付。

“业务端的参与必须大幅增加，”他说，并补充称这一要求会拖慢实施与落地，在货主企业中尤为明显。

在加州圣地亚哥举行的Trimble Insight大会上，与Forester同台讨论的还有Leonard’s Express的IT副总裁Christopher DeMillo、Trimble应用AI高级经理Lotte Vanden Wyngaert，以及Optym产品总监Danny Zeenberg。

DeMillo表示，Leonard’s Express刻意把AI定位为由业务主导、IT提供支持的举措，而不是一个强加给车队的IT项目。

对数据隐私的掌控

这家承运商今年初先在IT部门内部试水AI，最初聚焦于弄清楚这项技术能做什么、用户该如何与之交互，以及必须防范哪些风险。

公司还购买了面向业务的授权许可，从而在数据隐私、审计和治理上获得更大的掌控权。

在向IT部门以外的员工开放这项技术之前，DeMillo的团队先评估：为技术用户设定的保护机制是否同样适用于销售和运营人员。问题包括：用户是否应该能改动生产数据，还是只能读取信息来辅助决策。

到夏天，Leonard’s Express已经搭建起一套权限受控的内部安全框架，并开始向几位非IT管理者开放。

短短三周内，这些用户就开发出了能降低维保成本、把公司数据转化为可落地决策的运营流程。

“我们走得很慢，但也很快，”DeMillo说。

只是触及表面

他补充说，公司仍处于早期阶段，仅仅是触及了这项技术能达成的成果的表面。

Forester说，即便是相对窄的AI项目，从构思、设计、测试到进入有限的生产试点，货主企业也需要大约六个月。

预约排程就是一个例子。与其试图一次性把整个流程自动化，货主可以把“新预约排程”和“改约”分开，只自动化其中一环。

Forester说，难点在于懂业务的人必须抽出时间来记录、固化这些流程，而不是继续做本职工作。这种业务参与，是把AI应用安全推向生产环境的关键。

这种“先搞懂现有运营”的需求，是几位嘉宾反复提及的主题。

Zeenberg说，为AI梳理流程时，常常能暴露出一家公司真正的“标准作业程序”藏在哪里——而它们未必在手册或共享文件夹里。

企业能发现手工操作究竟发生在哪里，关键运营知识又掌握在哪一个老员工手里。当这个人去休假、问题随之而来时，这一点会格外明显。

规则与护栏

这些知识必须被数字化，并纳入AI生成有用结果所需的语境、规则和护栏之中。否则，员工会花大量时间核对AI的输出，任何效率提升都会化为乌有。

在判断一项工作是否适合上AI时，同样的道理也成立。

Forester建议企业从战略入手，而不是先选工具。第一个问题应该是：业务想改善什么结果，然后才考虑需要什么工具来实现。

“很多时候，AI并不是正确答案，”他说。

Vanden Wyngaert说，Trimble自身的AI历程，恰好说明这场讨论演进得有多快。两年前，它的AI团队主要在问：某项任务在技术上能不能交给AI。

如今，问题围绕“如何重新设计工作流”展开——让AI处理合适的任务，员工则聚焦于人能创造更大价值的环节，包括客户关系。

她还区分了传统自动化与智能体（agentic）AI。

做出契合业务的取舍

自动化擅长确定性流程：某个特定事件应始终产生相同响应。AI智能体则有可能处理需要推理、且响应随语境变化的情形。

但两者都不应被自动套用到每一个流程。

企业应审视自身运营，判断传统自动化、AI智能体或人工，分别在哪个环节能创造最大价值。

这也让投资回报的衡量变得复杂。

Zeenberg说，企业要衡量技术是否带来改善，先得有一个基线。如果一项流程在引入AI之前表现如何企业自己都不清楚，那么事后即便结果再漂亮，也很难量化。

速度不等于价值

单靠速度也立不住价值。如果一个AI工具瞬间给出答案，员工却要花两倍时间去验证它，表面上的效率就消失了。

DeMillo说，Leonard’s Express已经在用AI提升软件开发产出，而不增人手。但好处会溢出到原任务之外，让ROI难以孤立衡量。

Vanden Wyngaert说，因此企业应当看整个工作流，而不是只衡量交给AI的那一个步骤。比如，一名员工在某个具体任务上未必明显更快，但可能腾出更多时间服务客户，从而改善服务与满意度。

信任是另一个考量。

Vanden Wyngaert把引入AI比作给团队招一名新员工。企业一般不会让新人一上来就接最复杂的活，而是从低复杂度、有限自主权的任务起步，随着信心建立再逐步加码。

同样的方法能帮员工了解AI的表现，也给企业识别薄弱环节的机会。

Forester说，在适当护栏内允许员工试用市面上的AI工具，同样能帮组织弄清什么有用、什么会出错，以及在迈向更自主的应用之前需要防范哪些风险。

劳动力必须适应变革

DeMillo强调了安全、受治理、可信数据的重要性。给员工一个能访问可疑数据的AI工具，可能让他们基于未经妥善审核的信息，做出影响营收的业务决策。

随着AI改变工作方式的执行，劳动力也必须随之适应。

Forester说，AI可能减少某些入门级供应链岗位的机会议，但也会催生对新技能的需求，包括提示词工程，以及评估和甄别AI智能体产出内容的能力。

DeMillo说，未来的员工将越来越需要懂得如何与这项技术互动，即便底层的业务职能不变。

Vanden Wyngaert说，人类的判断与批判性思维可能变得更有价值。员工将需要判断：何时该用AI、何时传统自动化或代码更合适、以及何时本该由人来完成的交互就应保持“人性化”。

卡车人点评

这篇文章给国内车队提了个醒——AI不是买套软件就能见效的“魔法”。北美车队把AI当作业务工程来推，先固化流程、再谈工具，这点非常值得借鉴。国内不少物流企业一窝蜂上大模型、智能调度，却忽视了底层SOP（标准作业程序）的梳理，结果花了钱、效率却没起来。笔者认为，车队数字化应先从维保、排班这类确定性强的环节切入，用可量化的基线验证ROI，别被“快”的假象迷惑。对卡友而言，AI短期内不会取代司机，但会用AI的调度员、维修工会更吃香，趁早掌握提示词和数据判断力，才是真正的护城河。