六百万件日常与七百万件峰值之间：2026 双 11 物流智能体落地复盘

背景：为什么双 11 是智能体的压力测试

物流行业是国内最早把 AI 落到物理世界的行业之一，但此前的应用多数在后台：需求预测、报表、客服问答、异常识别的告警。这些应用有一个共同特征——产出的是「建议」或「数字」，真正干活的是人。

2026 年双 11 出现的变化，是 AI 开始直接参与快件流转的执行环节：替客服回答查件、替调度规划干线路由、替快递员外呼与排路线、替质控盯住生鲜件。用申通双 11 服务保障负责人罗坚的话说，今年变化的核心是用 AI 算力分担一线体力，用前置服务化解峰值压力。

为什么是双 11 而不是别的时点？因为大促把三个变量同时推到极端：订单量在短时间内集中释放、链路环节之间的耦合变强（一个转运中心积压会迅速传导到干线）、以及人力在两周内无法线性扩张。这三件事恰好对应智能体的三项能力：并发处理、跨环节协同、以及不需要休息的执行。这也是为什么快递行业这一年成为观察智能体落地成色的合适窗口——它有明确的物理约束、可计量的产出，以及一个所有人都能看懂的失败形态：爆仓。

中物联的渗透率：37%、78%、52.73% 与 47.27%

在拆样本之前，先把行业的整体水位定清楚。中国物流与采购联合会发布的《中国供应链发展报告（2025—2026）》给出了一组分环节渗透率：

环节	AI 应用渗透率	在已披露环节中的位次
物流供应链领域整体	超过 37%	—
运输环节	78%	居首
安全合规	52.73%	次之
智能仓储	47.27%	再次

中物联副会长胡大剑给出的判断是：人工智能正从单点应用向全链协同迈进，从单一企业应用向整个产业链协同发展；智慧供应链的价值逐步凸显。这个判断与渗透率的结构是吻合的——运输环节之所以最高，是因为它的对象最规整（车辆、线路、时间窗），数据最容易拿到，也最容易形成闭环；仓储次之，因为涉及设备与作业现场；而越靠近末端与客服的环节，数据越碎、变量越多。

本文推算：未被列出的环节渗透率必然低于 37%

把上表当成一个整体来读，可以推出一条报告没有直说的结论。整体渗透率超过 37%，而三个被单独列出的环节分别是 78%、52.73% 与 47.27%，三者都高于 37%。

若整体值是各环节渗透率的加权平均，那么当所有已列出的环节都高于平均值时，未被列出的那些环节（客服、末端派送、采购、关务等）的加权平均必然低于 37%——否则整体不可能被拉到 37% 以下。这是加权平均的算术性质，不需要知道各环节的权重就能成立。

这条推算的用处在于它给三个样本定了位置：申通与圆通本轮做的客服、末端派送与质控，恰恰属于那部分被整体数字掩盖的薄环节；而运输环节 78% 的高渗透率，是过去几年路径优化与车辆调度积累的结果，不是本轮智能体上线带来的。读者在看到「物流 AI 渗透率超过 37%」时，应当意识到这个数字里有一部分是历史存量，还有一部分被摊薄了。

需要说明两点边界：其一，各环节权重未在公开报道中披露，因此无法算出未列出环节的具体百分比，只能确定其上界为 37%；其二，37% 是「超过 37%」的下限表述，真实值略高会使这条推算略微放松，但不改变方向。

申通 SClaw：四个环节与一个 700 万件的峰值

申通是本轮动作最直接的样本。它依托自研的 SClaw 智能体平台（公开报道中也称为智能快递调度平台），把 AI 作为数字员工投入一线运营，落点有四处：

环节	智能体承担的工作	产出形态
前端客服	秒级响应查件、提前拦截异常快件	直接对客应答，降低人工客服压力
中转调度	实时测算全网货量，动态规划最优干线路由	路由方案，目标是减少中转积压
末端派送	协助快递员外呼通知、智能规划派送路线	外呼与路线，由快递员执行
数字质控	监控生鲜等高时效高敏感快件，滞留或错发自动预警	预警，触发人工介入

物理侧的配套给出了可核算的规模：位于上海青浦重固镇的申通上海转运中心，旺季期间日均处理量预计达 600 万件，峰值预计突破 700 万件，全流程自动化。网络侧则采用申通与丹鸟双网协同：智能分仓加就近发货缩短运输距离，丹鸟的末端上门能力补齐上门环节，双网互备以实现削峰填谷，在单网压力过大时快速分流。

前置服务的做法也值得单列：旺季前摸排超过 1 万家商家的备货与营销计划，向超过 100 家重点品牌派驻专员，从源头锁定车辆与揽收人力，把压力在揽收端化解。安全侧则推行 AI 加人工的 7×24 小时巡检机制，大促前完成 5 大类隐患排查，网点车辆升级倒车影像与安全提示喇叭，全网安全培训 100% 覆盖。另外，申通已在浙江、江苏等核心转运中心完成具身智能分拣场景的落地，可 24 小时不间断作业。

本文推算：峰值只比日常高约 17%，价值不在洪峰

把 600 万件与 700 万件放在一起，会得到一个不太符合直觉的数：峰值系数约为 700 ÷ 600 ≈ 1.167，也就是说大促峰值只比旺季日常高出约 16.7%。

这个数为什么重要？因为「用 AI 扛过洪峰」是一个很自然的叙事，但如果洪峰相对日常的增量只有约 17%，那么靠智能体去吸收这部分增量的空间就很有限——它更像是压舱石而不是救火队。真正改变今年作战形态的，是另外两件事：大促周期拉长，以及订单分波段释放。罗坚的表述也印证了这一点：面对战线拉长、波段增多的大促新趋势，物流大考必须从被动响应转向前置驱动。

由此可以得到一条对同行有用的判断：如果你的网络日常已经接近饱和，那么智能体的价值在平峰期的边际改善上，而不是在峰值那几天；如果你的网络日常有富余，那么智能体在峰值期能换来的是平滑而非扩容。两种情况下，ROI 的核算口径应该不同——前者看单位成本下降，后者看峰值期的加班与临时人力减少。

需要说明的是，600 万与 700 万是该转运中心的旺季预计口径，不等于申通全网日均，也不等于非旺季水平；本条推算只对这两个公开数字之间的比例关系负责。

圆通：一百多个智能体与二十八位数字员工

圆通的做法与申通不同，它更像是在做体系。公开报道显示，圆通已形成六大应用体系：数字孪生、机器视觉、智能体、AI 助手、数字员工与 AI 编程。落到具体数字上：

能力	覆盖情况	作用位置
数字孪生	覆盖全网集运中心	场内作业与流转的可视化底座
机器视觉	覆盖 24 个业务场景	识别类任务
智能体	超过 100 个嵌入流程	线路优化、派件质量分析、客服工单流转
数字员工	28 位已投入使用	营运与客服岗位
AI 机器人加人工座席	双 11 期间协同服务	工单处理与异常响应

这里有一个容易被误读的结构：一百多个智能体与二十八位数字员工并不是同一个东西的两档，而是两种部署形态。智能体嵌在流程里，处理的是「线路怎么排、派件质量怎么分析、工单怎么流转」这类需要判断但不形成岗位的活；数字员工则落在营运与客服这两个有明确岗位职责的位置上，以人岗的形态长期在岗。

把两者相除，比例约为 3.6 比 1。这个比例提示了一件事：智能体的部署粒度是按流程而非按网点。参照中通公开的 6,000 个一级网点口径，如果按网点部署，一百多个智能体连覆盖的零头都不到；按流程部署，则一套线路优化智能体可以服务成百上千个网点。对想复制的企业，这条决定了投入的形态——先梳理流程而不是先铺网点。

圆通的另一条经验是顺序：数字孪生先把全网集运中心变成可计算的，机器视觉再把 24 个业务场景变成可识别的，智能体才有东西可调度。这个顺序与本文后面要讲的共性是一致的。

京东物流：90.2% 的采纳率意味着什么

京东物流的做法是把大模型放在决策中枢的位置。全新升级的超脑大模型 3.0 在本次双 11 全面投入实战，与狼族机器人集群协同。作为整个物流网络的智能决策中枢，它基于历史数据、预售订单与区域消费特征提前预判各地单量走势，动态调配全国仓储、车辆与人力等运力资源。

指标	数值	口径
AI 推荐配送最优路径的采纳率	突破 90.2%	一线采纳比例
仓网端快递线路件量预测准确率	突破 94.2%	预测口径
异狼灵巧臂包裹全链路跟踪准确率	99.9%	分拣环节
智狼货到人机器人	投用近百个仓，冷链场景作业效率提升 200%	仓内作业
飞狼无人机	在四川、贵州多地常态化开展快递进村	末端补位

这些数字里最值得细读的是 90.2% 与 99.9% 这两个看上去很接近、含义却完全不同的百分数。90.2% 是采纳率，即人接受模型建议的比例；99.9% 是设备识别准确率，即机器做对的比例。前者衡量的是人机协作中的信任水位，后者衡量的是单点技术的可靠性。把它们当成同一类指标来汇报，是智能体项目里最常见的口径混淆。

还有一处容易被读错的表述：冷链场景作业效率提升 200%。按中文语境的常规用法，提升 200% 意味着变成原来的三倍，而不是两倍。类似的还有提升 50%、提升 120%，都应按「原值乘以（1 加提升比例）」来还原。读者在比较各家数字之前，值得先把这些百分数还原成倍数。

顺丰与中通：一条向上游延伸，一条押注规模

顺丰把智能体放到了更靠前的位置。它依托数智供应链能力，面向品牌商家提供分仓布局与库存前置的智能建议：AI 销量预测模型提前预判商品热度，指导商家把货品提前调拨至靠近消费人群的前置仓，压缩履约距离，缩短消费者等待时长。这个动作的意义在于把决策点从「订单产生之后」移到了「订单产生之前」——库存放在哪里，决定了后续所有环节的成本。公开报道还提到顺丰把干支线调度交给陆网规划智能体，并结合数字孪生系统实时监控发运动态，动态加密高峰班次。

中通则押注规模。截至 10 月 15 日的公开口径：全网配备 92 个分拣中心、782 套自动化分拣设备、6,000 个一级网点，依托万余台自有干线车辆与 3,600 余条干线线路保障运输；末端布局 10 万家驿站、超过 2,500 个万格口快递柜，并拥有规模居前的无人配送车队，3,515 台无人车在 268 个城市日均派送 400 万件包裹。旺季期间投入 2 亿元服务奖金激励一线员工，同时以 AI 赋能揽派规划与智能客服。

同场的其他企业也各有侧重：韵达新投入超过 50 家集包仓，郑州、上海等核心转运枢纽迁入自建场地，地区枢纽全面配置自动化分拣设备，并储备近百名机动驾驶员、增加数百台牵引车与超过千辆挂车；极兔改造升级 49 个转运中心，81 个转运中心完成设备保养与备件储备，全国 81 个转运中心投用自动化分拣线 346 套并试点 AI 视觉识别，3,113 家网点配备自动化设备，另上线自研安全监控平台对连续驾驶 4 小时的驾驶员强制休息 20 分钟。

把这些数字摆在一起，能看出这一轮竞争的实质不是谁上了多少智能体，而是谁的网络更可计算。自动化设备、数字孪生与标准化场地是智能体得以发挥作用的前提，它们本身不产生智能，但决定了智能体能作用在多大的范围内。

本文推算：9.8% 的人工否决与无人车的单台日均

其之一：90.2% 的采纳率反过来读，是约 9.8% 的推荐被一线否决。按一万次路径推荐折算，约 980 次需要由人另作处理。这个数字不大，但它有两个含义：其一，它说明模型建议尚未达到可直接闭环执行的程度，人的判断仍是流程的一部分；其二，它给出了人机协作成本的量化口径——如果每次否决平均耗费若干分钟，乘以旺季的推荐总量，就是一笔可核算的人工成本，应当被计入智能体项目的成本侧而不只是收益侧。

其之二：中通的无人车队可以折算到单城与单台口径。3,515 台无人车分布在 268 个城市，平均每城约 13.1 台；日均派送 400 万件，折合每城日均约 1.49 万件，每台车日均约 1,138 件。把绝对值折算成密度之后，会发现无人车在这一阶段的角色是补位而非主力——按每台日均约 1,100 件计，它承担的仍是末端最后一段的规模化替代，且高度依赖城市层面的路权与场景条件。

其之三：把异狼 99.9% 的跟踪准确率放到申通上海转运中心的日均 600 万件上，0.1% 的偏差对应约 6,000 件需要人工介入。必须说明这是一次假设性的量级估算：两个数字来自不同企业、不同口径（前者是京东的分拣设备指标，后者是申通的转运中心处理量），相乘只为说明数量级，不能作为任何一家企业的实际指标。它的用处在于提醒：在百万件量级的场地上，即便是小数点后一位的准确率差异，落地后也是数千件的处理量。

其之四：三家的自动化密度差异明显。极兔 81 个转运中心投用 346 套自动化分拣线，平均每个中心约 4.3 套；中通 92 个分拣中心配备 782 套，平均每个约 8.5 套。两个平均数相差约一倍，说明同一时期的自动化水位在不同企业之间并不齐平，这直接决定了它们的智能体能作用在多大的物理范围内。

其之五：峰值期的人力安排仍然重要。中通旺季投入 2 亿元服务奖金，韵达储备近百名机动驾驶员与超千辆挂车，这类非技术投入与智能体项目并行存在。把它单列出来的意义是：在计算智能体带来的收益时，需要把这部分因周期拉长而新增的人力成本作为对照项，否则容易把「投入更多总成本换来的产能」记成「智能体省下来的成本」。

三样本的共性：先有可计算的网络，再有能干活的智能体

把三个样本放在一起，共同点比差异更明显，而且共同点都不在智能体本身。

申通的前置动作是双网协同与前置摸排：先把分仓、就近发货与末端上门能力配齐，再把智能体放进客服、路由、末端与质控。圆通的前置动作是数字孪生覆盖全网集运中心：先把场内的状态变成可计算的数据，再让智能体去调度线路与工单。京东的前置动作是超脑 3.0 作为中枢：先有基于历史数据、预售订单与区域消费特征的预测能力，再谈路径推荐与运力调配。顺丰的前置动作则是分仓与库存前置的预测能力：先把库存位置这个最上游的决策点算清楚。

换句话说，四家都不是先买一个智能体再找场景，而是先把一部分业务变成可计算、可预测、可闭环的，再让智能体接管其中重复且可回退的动作。这个顺序对想复制的企业有直接含义：如果你的业务还没有数字化底座，智能体上线之后能做的上限被底座决定，而不是被模型决定。

第二个共性是落点选择。四家的智能体都落在三类动作上：应答（客服查件）、排序（路由与派送路线）、预警（生鲜滞留与异常）。这三类动作的共同特征是高频、可回退、错了代价可控。没有一家把智能体直接放在终局决策上——比如自动改单、自动赔付、自动改派。这与同期企业侧调研里「多数组织只允许有限自主」的观察是一致的。

第三个共性是外部变量被刻意留在了人的手里。天气、交通管制、客户是否在家、合作方临时变更，这些变量在四个样本里都未被交给智能体单独处理。智能体的作用是把这些变量纳入排序时的权重，而不是替人做判断。

ROI 归因难度：三个样本分属三档

样本	主要落点	产出计量方式	归因难度	理由
申通	客服应答、干线路由、末端外呼与排线、生鲜质控	响应时长、拦截量、预警条数、转运中心处理量	中等	客服与质控可做前后对比，但路由与末端的收益与路网结构变化难以分离
圆通	线路优化、派件质量分析、工单流转、营运与客服岗位	工单处理时长、异常响应效率、岗位在岗情况	中等偏低	流程型指标较多，可用同期对照；但六大体系同时推进，单项贡献不易剥离
京东物流	单量预测、路径推荐、运力调配、仓内机器人	预测准确率、采纳率、仓内作业效率	较高	采纳率与准确率是过程指标，最终收益取决于运力成本与时效，中间环节多

这张表指向一个通用建议：物流智能体项目的 ROI 表至少应有四列——时长节省、质量变化、频率改变与复核成本。前三列是收益侧，第四列是成本侧，而第三项与第四项最常被漏掉：智能体让某个动作可以做得更频繁（比如质控从抽检变成全量），频率改变带来的价值往往大于单次的时长节省；而每一次人工复核与否决，都要计入成本。

还有一个建议是单独计量一项指标：从异常发生到被发现的滞后时间。三个样本都涉及预警，但公开材料里没有给出这一项。它比「处理时长」更能反映智能体的实际价值——多数损失不是因为处理慢，而是因为发现晚。

六步落地清单

其一，先把要交给智能体的那一环变成可计算的。判断标准是：这个环节的状态能不能被结构化地取出来，并且有一个可检验的正确答案。申通的分仓与就近发货、圆通的数字孪生、京东的预测能力，做的都是这件事。

其二，从高频、可回退、错了代价可控的动作开始。四家的落点都是应答、排序与预警，没有一家直接进入终局决策。选场景时可以用一句话检验：如果它这次错了，最坏的结果是什么，能不能撤回。

其三，把峰值与平峰分开核算。按本文其之二，峰值相对日常的增量只有约 17%，那么智能体在峰值期的收益应按加班与临时人力的减少来算，在平峰期则按单位成本下降来算，两者不要混在一个口径里。

其四，建立采纳率与否决率的成对记录。90.2% 的采纳率对应约 9.8% 的否决，后者不应被当成噪声丢弃，而应按原因分类——是信息不足、场景不符还是建议本身不合理。这个分类是后续优化的直接输入。

其五，把外部变量留在人的手里。天气、交通、客户是否在场、合作方变更，这些变量让智能体参与权重计算，但不交给它单独决策。双 11 这类周期里，外部变量的分布与平时不同，模型的经验分布可能失效。

其六，把自动化底座与智能体项目分开立项。自动化设备、数字孪生与标准化场地的作用范围决定了智能体的上限，把它们混在智能体项目里，会让 ROI 归因变得更加困难；分开之后，也能看出哪一部分的收益其实来自前几年的存量投入。

三条红线

其一，不要让智能体直接触碰不可逆动作。自动改单、自动赔付、自动改派这类动作一旦执行难以撤回，且涉及外部主体。三个样本里没有任何一家把它们交出去，这不是保守，而是当前能力水位下的合理选择。

其二，不要把采纳率当成效果指标。采纳率衡量的是人与模型的一致程度，采纳之后再发生的问题（比如采纳了一条当时合理、事后被证明拥堵的路线）不会被计入。效果指标应当是最终结果指标——时效、成本、破损率与客诉率，而不是过程一致率。

其三，不要把峰值当作常态来验收。峰值期的路网、人力与订单结构都与平时不同，在峰值期跑出的指标不能直接外推到平峰，反之亦然。验收应当按平时、旺季前、峰值、返程四个阶段分别记录。

冷静判断

这一轮双 11 的物流智能体，整体上走的是一条务实的路：不做终局决策、不追求无人化、把外部变量留在人手里，落点集中在高频且可回退的三类动作。这与前两年「智能体将重构行业」的叙事相比显得平淡，但正是这种平淡让它更可信。

需要提醒的是口径问题。公开报道里各类百分比的基数并不统一：有的是采纳率，有的是准确率，有的是效率提升幅度；效率提升的百分比又需要按倍数还原。加上各家企业披露的环节不同、时点不同、样本不同，直接横向比较这些数字意义有限。本文的推算只在公开数字内部进行，且不跨企业做因果推断。

还有一个行业层面的变量值得提及：有行业分析人士指出，从过去一周看，快递业务量并未出现暴涨，基本与消费增长一致。如果订单总量增速放缓成为常态，那么「用智能体扛过更高峰值」这个价值主张会进一步弱化，而「用智能体降低长周期运营成本」的重要性会上升。这与本文其之二的推算在方向上是一致的。

对想复制的企业，可操作的结论是三条：先把网络变成可计算的，再从高频可回退的动作切入，最后把采纳率与复核成本成对记账。至于这些智能体在平峰期的真实收益、各家企业具体的成本口径，以及采纳率背后的否决原因分布，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。