凌晨两点，仓库主管在群里发了一张照片：A 仓某款热销 SKU 货架空了，门店上午十点开门就要补，调拨单还没人审；同一时间，B 仓堆着六十多箱去年冬款，临期还有四个月。老板第二天看到群消息，第一反应不是骂人，是问一句：「我们不是上了进销存吗？怎么还是这样？」
这是几乎所有做制造、批发、连锁的老板都遇到过的场景。系统上了，数据有了，但缺货和积压两头夹的现象一点没缓解。问题不在系统，在于「没人持续盯」——而这正是 AI 库存管理真正能介入的位置。这篇文章不讲概念，只讲：AI 数字员工每天到底做什么、补货建议怎么算出来、多仓多门店怎么协同、上线前数据要打通到什么程度，以及怎么用几个硬指标算账。
一、为什么缺货和积压会同时发生
很多人以为缺货和积压是两个问题，其实是同一个问题的两面：库存决策跟不上业务节奏。拆开看有三个根因。
第一是数据滞后。销售在前端，库存在后端，中间隔着进销存、ERP、门店 POS、电商平台几套系统。日报最快也要 T+1，月报往往要到下旬才出。等数据汇总完，市场已经变了。第二是靠经验拍脑袋。采购员凭手感下单，门店店长凭印象要货，老板凭直觉调拨。经验在稳定品类里能用，但季节性、促销、爆款长尾这些场景一上来就失灵。第三是没人持续盯。中小厂没有专职库存分析师，老板和仓库主管兼着，白天处理订单和发货，晚上才有空看库存，呆滞和断货往往是出了问题才被发现。
这三个根因里，前两个其实是老问题，但传统进销存能解决的有限。真正能补上「持续盯」这个角色的，是一个不下班的 AI 数字员工。
二、AI 库存数字员工每天到底做什么
把 AI 库存说成「智能预测」太抽象，落到地面它其实就是一个 7×24 在线的库存助理，每天反复做几件具体的事。
| 时间段 | 数字员工做的事 | 输出形式 |
|---|---|---|
| 早 8 点 | 盘点昨日实时库存与销售，识别 A 类 SKU 的库存覆盖天数 | 库存日报推送到群 |
| 上午 10 点 | 检查在途订单、生产入库计划，预测未来 7 天可用库存 | 风险 SKU 清单 |
| 下午 2 点 | 计算周转天数变化、识别呆滞临期风险 | 呆滞预警卡片 |
| 下午 5 点 | 综合销售趋势、提前期、安全库存，生成次日补货建议 | 补货建议清单 |
| 全天 | 监听销售突变、退货异常、调拨失败等事件 | 实时报警推送 |
这张表不是理论，是开沿在鞋服、制造、连锁进销存项目里反复打磨出来的最小可用动作集。每一行背后都对应一段业务规则：A 类 SKU 的覆盖天数低于阈值就预警；呆滞金额占比超过设定比例就推送给采购总监；销售突然连续三天异常波动就单独标红。规则可以调，但「持续盯」这件事是数字员工的核心价值。
跟传统报表系统比，它的差别在于三点：主动推而不是被动查、带建议而不是只给数据、有上下文而不是孤立指标。一条「某 SKU 库存覆盖天数 5 天，低于阈值」的预警，会附带「过去 30 天日均销 28 件、在途 0、上一批到货提前期 12 天，建议立即补 400 件」这样的可执行建议。
三、补货建议是怎么算出来的
很多老板担心 AI 建议「拍脑袋」，其实落地的补货模型并不神秘，核心就是三块数据组合：销售趋势、在途与生产计划、采购提前期。再叠加安全库存策略和服务水平目标，就能算出一个建议补货量。
可以把决策逻辑简化成下面这条链路：
- 算日均销：取近 30 天、近 7 天、同期去年三个口径，加权得到一个稳定的日均销基准
- 看趋势：识别上行、下行、稳定三种状态，对应不同的调整系数
- 扣在途：把已下单未到货、生产中未入库的数量扣掉
- 加安全库存：根据品类波动性和服务水平目标计算
- 对齐起订量与提前期：考虑供应商最小起订量、批次、提前期
- 给出建议：建议补货量 + 建议下单时间 + 信心等级
这里的关键是**「AI 给建议，人定夺」**。开沿做项目时一贯坚持这条边界：补货建议从系统推到人，人在钉钉或飞书的卡片上一键确认或修改，然后才落到 ERP 走采购流程。绝大多数客户头三个月都是这个模式，等积累了几千条建议-实际的对比数据，再把高置信度、低金额的建议升级成自动通过。
这个边界很重要。补货决策牵扯钱、牵扯供应商关系、牵扯库存周转，AI 不应该越权。真正成熟的落地是参考 AI Agent 落地路线图 里讲的那套节奏：先观察、再建议、最后才是自动执行。
四、多仓多门店：调拨建议和库存可视
单仓单店的场景其实不复杂，真正难的是多仓多门店。一个连锁品牌可能有 200-3000+ 门店，每家门店每天的销售结构都不一样；一个区域批发商可能有 4-8 个分仓，跨仓调拨的运输成本、时效、操作人力都要考虑。
AI 库存在多仓多门店场景下做的核心动作有两个：跨点库存可视和调拨建议。
跨点可视是基础，把所有仓和门店的实时库存、在途、销售、覆盖天数放在一张视图里，按品类、按区域、按渠道任意切。看起来不难，但实际项目里光是把不同系统、不同口径的库存对齐就要花两三周。开沿做过的多门店项目里，最棘手的是同一个 SKU 在总部 ERP、门店 POS、电商后台是三个编码，要先把 SKU 口径治理到位，可视才能成立。
调拨建议则是 AI 的发挥空间。判断逻辑大致是：
| 维度 | 触发调拨的条件 | 建议优先级 |
|---|---|---|
| 缺货风险 | A 门店覆盖天数 < 7 天，B 仓库存充裕 | 高 |
| 呆滞转移 | A 门店滞销 SKU，B 门店同 SKU 仍在卖 | 中 |
| 季末清货 | 季末前 60 天，主销区集中 | 中 |
| 区域品类调整 | 销售结构变化导致仓位错配 | 低 |
| 临期处理 | 距离临期 90 天内 | 高 |
调拨建议比补货建议更敏感，因为牵扯到内部多个仓位负责人和门店店长的 KPI。所以开沿的做法一般是：调拨建议先汇总成日清单，由区域经理或仓配负责人审一遍，再走调拨流程；急单可以走快速通道，但仍要留人工确认环节。
五、上线前数据要打通到什么程度
这是一个绕不开的问题。很多老板看完上面的能力描述很兴奋，下一句就问：「我们数据这么乱，能上吗？」
老实说：数据完全打通了再上 AI 是个伪命题，但完全没打通就上也会翻车。比较务实的判断标准是下面这张自检清单。
| 数据项 | 最低要求 | 理想要求 |
|---|---|---|
| 实时库存 | 当日 T+1 可拿到准确数 | 分钟级实时同步 |
| 销售数据 | 按 SKU、按门店日粒度 | 含渠道、含订单类型 |
| 在途订单 | 采购单+预计到货日 | 含批次、含合同 |
| SKU 主数据 | 同一物料口径统一 | 含品类、季节、生命周期 |
| 提前期 | 按供应商按品类有历史值 | 含季节性波动 |
| 仓位关系 | 仓库与门店归属清晰 | 含运输时效与成本 |
达不到「最低要求」这一列的话建议先做数据治理再上 AI；达到最低就可以小范围跑预警和建议；要让 AI 做自动补货或大金额自动调拨，建议做到「理想要求」这一列。
SKU 口径治理是最头疼的一步。一家做了十几年的鞋服批发企业，历史 SKU 累计能到几万个，里面有重复编码、停用未清、单位混乱、规格描述不规范各种问题。这步如果跳过，AI 算出来的覆盖天数都不可信。这跟 数据迁移那些坑 里讲的逻辑是一致的：底盘不干净，上面跑什么都漂。
六、从「报警」到「自动发起补货流程」的进阶
报警只是第一步。开沿在做了几十个进销存与 AI 库存结合的项目后，看到客户的成熟度其实是分四个阶段递进的。
第一阶段：被动查询。库存日报每天发到群，老板和采购总监看。痛点是没人持续看，重要预警常常被淹没。 第二阶段：主动预警。AI 数字员工把异常主动推送到具体负责人，附带原因和建议。这一步价值最大、上线最快。 第三阶段：建议+人审。AI 给出补货量、调拨量建议，相关负责人在卡片上一键确认，确认后系统自动生成采购单或调拨单写回 ERP。 第四阶段：分级自动。按金额、SKU 等级、信心度分级，低风险建议走自动通过+事后审计，高风险建议仍走人审。
从第二阶段到第三阶段是一个跳跃，需要把 AI 系统和 ERP/进销存深度打通。技术上不复杂，但要解决回写权限、流程编排、异常回滚这些工程问题。开沿这几年沉淀下来一个判断：用 AI Coding 把这种深度集成的成本控制下来，让定制不再像过去那样按工时等比例贵，是中小企业能跑通第三阶段的关键前提。这也是为什么我们一直在讲 企业 AI Agent 真实成本 这件事——成本结构不变，再好的能力也只有头部企业用得起。
从第三阶段到第四阶段则是一个长期治理过程，需要数据底盘、规则迭代、组织流程三者协同。一般客户跑到第四阶段都是上线一年以上的成熟期。
七、用三个硬指标算账，不靠感觉
AI 库存到底值不值得做，最后还是要看几个能算清的硬指标。
| 指标 | 计算口径 | 改善信号 |
|---|---|---|
| 库存周转天数 | 期末库存金额 / 日均销售成本 | 持续下降且不影响交付 |
| 呆滞金额占比 | 90+ 天未动销 SKU 金额 / 总库存金额 | 占比稳定下降 |
| 缺货率 | 缺货 SKU 数 / 应有 SKU 数 | 持续下降 |
| A 类 SKU 服务水平 | 按时满足率 | 维持高位 |
| 建议命中率 | AI 建议与实际下单偏差 | 越来越接近 |
这五个指标里，前三个是给老板算账的，后两个是给 AI 团队迭代用的。开沿的经验是，上线前先把这五个指标的基线值测出来，写在合同附件里，每个月评估一次。三个月看预警和建议是否被有效采纳，半年看周转和呆滞是否有结构性改善，一年看缺货率和服务水平是否稳定。
如果三个月连预警都没人看、半年指标毫无变化，多半是组织没接住，而不是 AI 不行。这种情况要回去查：是数据没打通，是建议太多没人筛，还是 KPI 没绑定相关角色。这也是 为什么很多 AI 项目卡在 POC 阶段 这篇里反复强调的——技术只是其中一环。
八、一份决策清单，判断你现在能不能上 AI 库存
给读者一个能直接带走的判断工具，按下面这张表打分，每条满足得 1 分，总分 7-9 分可以全面铺开，4-6 分建议先小范围试点，0-3 分先做数据治理再说。
| 自检项 | 是否满足 |
|---|---|
| 库存数据能做到 T+1 准确，账实差异在可控范围 | |
| 销售数据按 SKU、门店、日粒度可拿到 | |
| 至少 80% 的 SKU 有统一主数据口径 | |
| 采购在途与生产计划已电子化，能写入系统 | |
| 公司里有一个能为库存周转负责的角色（不只是仓库主管） | |
| 老板或采购总监愿意每周花 1 小时看 AI 推送 | |
| 已经有钉钉、飞书或类似平台承接 AI 的预警和建议卡片 | |
| 财务能把库存金额按品类拆得清楚 | |
| 公司预算允许做一次 SKU 口径治理 |
这张表的逻辑是：技术从来不是瓶颈，数据底盘、组织承接、预算意愿才是。短板补齐了，AI 库存就是水到渠成的事；短板没补齐，再先进的算法也救不了。
九、写在最后
AI 库存管理不是新概念，过去十几年从安全库存模型到 S&OP 计划，工业界一直在做。这两年真正变化的是两件事：一是 AI 数字员工能 7×24 持续盯，弥补了中小企业没有专职分析师的缺口；二是大模型加 AI Coding 让深度集成的成本结构发生了变化，过去只有头部企业能上的能力，现在中等规模的制造、批发、连锁也开始用得起。
但落地从来不是买套软件那么简单。SKU 口径要治、数据要通、人要接住、KPI 要绑定。这些事说起来普通，做起来比写算法难得多。开沿在鞋服、制造、多门店连锁这些场景里趟过的坑，最后总结成一句话：先把「持续盯」这件事用 AI 补上，再谈优化和自动化。顺序对了，半年内周转和呆滞就能看到结构性变化；顺序反了，再贵的系统也只是又多了一个没人看的报表入口。
