“90%的客服問題，交給AI就足夠了。”談及大模型在公司快遞業務的首個落地嘗試-AI客服，快遞100產研中心負責人李朝明表示。

被利潤下跌折磨的快遞行業，打響的第一戰是“反內卷”，而大模型成為了其中的關鍵一環。

10000000000，這是“三通一達”每一家在2024年上半年達成的百億業務量。由“買買買”帶動的快遞行業，帶動各大快遞公司的單量增長。

但在快遞行業單量大幅擴張的同時，“爆單”並沒有讓快遞公司們賺的盆滿缽滿，而是賠掉了底牌。財報顯示，今年11月，韻達、申通和圓通單票收入分別為2.03元/件、2.08元/件和2.29元/件，同比分別下降14.71%、5.45%和6.96%。

“快遞行業已經進入，從卷低價到卷高品質服務的階段。”快遞100總經理陳登坤給出了判斷。

2023年，快遞行業瞄上AI。從早期的觀望、試水，到2024年大模型開始在快遞行業初步結果。雖然應用能力仍然有限，但大模型首先覆蓋了快遞行業中，一批最基礎、也最有效的可降本增效的業務：AI客服、AI行銷和AI助手。

而在2024年，除去常規運轉之外，大模型正在深入快遞行業的腹地。

從簡單的寄件、查件入手，到面向快遞小哥打造“知識庫”、再到幫助完成業務資訊的彙總整理，甚至到供應鏈的智慧控制，大模型在快遞行業的能力正在被逐步釋放。

選擇私有化部署模型、自研大模型的快遞公司們都相信一點：大模型是值得的長期投資，它在快遞行業的應用上限仍然有一個廣闊空間等待發掘。

單量大、競爭卷，快遞行業擁抱AI增效

2023年 8月8日，李朝明清楚地記得，這是快遞100決定接入大模型最開端的日子。彼時，孵化了快遞100的金蝶集團剛剛在三十周年大會上發佈了“蒼穹GPT”，集團戰略資源開始傾向大模型投入，促使快遞100開始嘗試將AI能力應用到自身業務中。

當作為基座的大模型能力得以突破，AI+快遞的實際應用也打開了更多場景。

李朝明回憶，2023年10月，百度發佈文心一言4.0大模型後，在合作的測試中，快遞100發現，過往一些無法交給AI完成的場景在新模型能力的加持下，實現了能力突破。

兩年時間內，多家企業均交出了自己的答卷：順豐自研物流決策大模型“豐知”和聚焦物流行業垂直領域的“豐語”大模型、韻達推出AI快遞助手、快遞100選擇了將公有雲和私有雲模型混合的“百遞雲GPT”模型。

然而，從快遞業務的幾個核心環節“攬收、分揀、運輸、派送”來看，大模型能力的應用仍然有限。李朝明指出，當前，快遞行業的落地更多還停留在“一頭一尾”兩個環節，即攬收和派送。

最早在快遞行業落地的是AI客服類產品。它聚焦售後環節，幫助節省人力的同時，處理了大量重複的簡單問題。談及AI客服帶來的效益，李朝明表示，雖然寄快遞業務保持快速增長，但在AI能力應用到客服環節之後，快遞100能夠有效控制人員增長的速度。

李朝明透露，目前快遞100實現了90%的客訴問題由大模型處理，問題一次性解決率高達99.4% 。

AI助手類產品則更多用於幫助快遞行業的工作者服務，包括快遞小哥、企業內部使用者都是大模型的受益者。攬件環節，AI助手能夠幫助快遞行業的服務人員解決問題，比如違禁物品查詢、快遞時效性等需求。

順豐科技大模型技術總監江生沛向光錐智能舉了一個例子：在國際快遞場景下，D197（貓山王榴蓮的編號）、貓山王、榴蓮糖、凍干榴蓮，它們屬於同一類別的托寄物嗎？它們各自走陸運、航空寄往不同國家的寄送規則如何、使用那種服務更合適？

過往這些細節，需要快遞小哥在各個國家的海關網站上查詢，需要跨越多語言、規則常變動等障礙，現在開始移交給搭載了物流知識庫的AI助手。只需要拿出手機，順豐的快遞小哥就能在公司內部的AI助手上查詢到不同件的國際寄送規則，當下處理客戶的需求。

實際上，AI不僅僅可以為快遞小哥賦能，在國際業務寄送的服務中，AI助手也能通過搭載相應知識庫，為使用者提升效率。AI助手可以呼叫全球各地的海關郵寄政策，再同步生成一份最新的郵寄指南，幫助使用者掌握海外政策變動情況。

從降本增效抓起，以AI客服為切口，到面向員工的AI應用，2024年，大模型逐漸進入快遞業務的腹地，已經嵌入到“寄、管、查”的快遞服務核心全流程。

在下單、接單、上門取件、出帳、支付、運輸、簽收等全流程服務體系，AI都能為各個環節提供能力支援。以快遞100的“自動改派單”功能為例，在退貨場景中，通過系統預設的規則，AI可以即時判斷訂單狀態，按需調配運力資源。

比如，如果使用者下單後快遞員接單超時，AI將立即向使用者推送通知詢問是否接受改派，確認後，系統將調配運力資源接管；在上門取件中，如果快遞員未能準時到達，AI也會為使用者重新安排取件方案。

AI對快遞行業的爆改，無論從快遞員還是使用者端，體感上都不是非常劇烈，但卻恰到好處在提供著許多主動式、自然語言互動的體驗，正如春雨潤物細無聲。表面上雖然雲淡風輕，底層的技術層卻正在發生著翻天覆地的變化。

大模型深入產業腹地的艱難一年

為什麼過去兩年，能夠將大模型深入應用的快遞企業還是“少數派”？

快遞行業涉及人員龐大、快件海量、環節也相當複雜，對效率要求卻極致的高。所以，當大模型想要深入改造這樣一個傳統行業時，第一步先要打造一個屬於快遞行業自己的大模型底座。

目前，快遞行業公司接入大模型大多選擇了兩種方式：一種是完全基於自研大模型服務企業，另一種則通過呼叫公有雲模型+私有部署模型，共同配合使用。

順豐、韻達等公司選擇自研大模型。談及為何選擇自研這條路，江生沛表示，在使用開源模型進行私有化部署的過程中，由於其不具備物流行業相關知識，它在實際落地的效果並不理想，順豐有資料有算力，自研行業大模型是必經之路。

“比如‘小哥’這個詞，拿給通用大模型，它的理解肯定和訓練過的垂類大模型不一樣。”江生沛舉例道。

出於對效果和成本平衡的考慮，快遞100則選擇公有雲+私有雲部署的方式，按照不同場景的側重需求呼叫。

談及為何選擇放棄自研大模型，快遞100的想法是，通過部署能力不斷進化的多個大模型，加上以自有海量資料訓練並部署在私有雲的大模型，既能發揮各種模型的能力優勢，又能使用私有化部署的大模型控製成本。

李朝明表示，每個模型都有自己的強項，比如文心一言4.0在意圖理解和內容生成、提取方面表現更好，多模態理解和識別上，通義千問VL模型更佳，智譜模型則在客戶意圖識別上效果理想。多種模型結合，更能發揮各自的長板。

選擇完部署方式，才是萬里長征第一步。要想訓練一個垂類領域的大模型，針對特有資料的訓練上就是一大難題。

中交協物流技術裝備委員會指出，在訓練和最佳化大模型的過程中，高品質資料是核心生產要素，想要訓練出精度極高的行業大模型，所需的不是簡單公開的資料，而是行業特定的場景資料，而物流產業所需的真實互動資料，樣本少、分佈不均，極難獲得。

江生沛舉了一個例子，“做一個行業模型，首先需要針對各種具體的場景去採集對應的資料，但物流行業的很多知識資訊是高度碎片化的，很多資料可能在某台電腦、記帳本中儲存，所以需要借助大模型完成全面數位化的過程，讓大模型去處理富媒體資訊，經過知識抽取、清洗等一系列操作，轉化成可以被訓練的語料。”

其次，要想將大模型能力和快遞業務結合起來，如何讓大模型精準地理解問題中的所有元素，比如“地址”、“時間”等資訊，並根據需求精準呼叫對應的時效性、價格等資訊，這對於大模型來說仍然是個挑戰。

李朝明表示，雖然目前行業中更多討論的是如何以AI為主導推動業務，但當應用到真正的業務流程中，大模型仍然出現了很多問題。

在快遞100的業務中，可以歸結為兩點：

第一，在和AI互動的過程中，必須保證它全程在業務流程中。比如“寄快遞”，無論使用者如何對話，AI必須要把使用者最終引導到寄快遞上。

“一個東西能不能寄、這個東西要怎麼包裝？如果你沒有業務流程設定的話，大模型就會和使用者一直解釋這些問題，他不會引導使用者接下來繼續去寄快遞。”李朝明說，“大模型本來應該要引導使用者把聯絡方式和寄送地給到。”

第二，在處理使用者需求時，大模型需要用到企業內部沉澱的業務知識，比如當使用者來寄快遞時，AI需要知道寄的東西是什麼、各快遞公司單價等知識並精準呼叫，才能精準估算出一單快遞的價格。

但在呼叫過程中，大模型經常出現錯亂的情況，要麼不知道應該呼叫什麼樣的參數，要麼呼叫了錯誤的資訊，從而導致結果錯誤。

此外，要想面向快遞行業訓練一個可供商用的大模型，需要讓大模型能夠同時兼顧通用模型的理解能力，也要讓它充分理解垂類領域模型應有的專業知識，完成對內容的呼叫。

對於需求更加精準的快遞行業來說，需要給出能夠保證可商用的產品，才能真正應用到業務場景中。

對此，快遞100的選擇是，先由公司為大模型編排好一套業務流程，在這個過程中控制大模型的呼叫需求。

回到“寄快遞”來說，在做好業務流程編排的情況下，大模型會不斷“Push”使用者給到所需寄件資訊。除此之外，它還能根據需求查詢到不同快遞品牌的寄件價格，並在整理好後重新生成一個回覆，幫使用者找到更加便宜划算的寄件選擇。

而在今年的大模型能力落地快遞行業過程中，在大模型能力逐漸提升的過程中，企業也開始試圖讓AI作為主導者。

通過和大廠智能體平台合作，快遞公司也開始上線各式各樣的智能體。針對查詢快遞需求，快遞100在百度、騰訊、MiniMax上線了“查寄管”同名智能體應用，將主導權讓給了大模型。

通過這種合作方式，智能體既能記住和使用者互動的上下文，也能通過大模型能力解決一些業務流程中的問題。比如，查詢快遞不需要瞭解具體找到對應快遞公司平台查詢，只要給個單號就能查到資訊；智能體還能根據輸入的地址資訊進行“補全”，自動識別殘缺資訊並糾正成可以被寄快遞識別的正確地址。

隨著大模型能力的進一步解鎖，快遞行業接下來還能交給AI主導更多複雜的任務。

要降本更要增量，AI爆改快遞業

當快遞行業的各方都在應用大模型能力，企業和個人使用者使用快遞的服務體驗已經“質變”。

比起過往寄送快遞，往往需要人來親自填寫表單，逐步完成資訊填寫；如今，只需要使用者用語音、文字或是圖片的方式把相關資訊給到大模型，李朝明以快遞100的AI 寄快遞為例，“告訴大模型‘我需要給張三寄一個快遞’，再拍張圖告訴它寄的是什麼物品，就能實現真正的“一句話/一張圖寄快遞”。”

此外，通過和寄件需求高的大型企業對接，企業當下寄件主要有兩個痛點：一是員工寄件沒有登記在系統中，存在管理混亂的情況；二是在企業需要對帳時，郵寄快遞的費用需要一單一單計算，給財務帶來巨大的工作量。

對此，李朝明表示，快遞100目前正在嘗試結合大模型能力，面向企業端開發一個類似“攜程商旅”式的寄快遞業務服務，植入到企業內部辦公平台，幫助企業提升管理效率。

歷經兩年的探索期，大模型落地快遞行業的優勢正在體現，一個最直接的結果就是節約成本。

除了上面提及的AI客服能降低快遞行業自己的服務成本，AI也能幫寄快遞的企業客戶降低行政費用。

“很多企業都有降本的訴求，”李朝明說，“比如員工寄一張紙就需要10-20塊錢，但是如果能通過我們的‘寄快遞’聚合服務，根據不同物品智能選擇不同的快遞品牌，企業可能節省好幾倍的快遞費用。”

對於急需提升收益和服務質量的快遞公司來說，它們不僅需要AI幫助企業內部完成降本增效， 更需要進一步提升快遞服務的效率和質量，讓收入實現增長。

G7易流開發了可以智能接單的智能助手，將接單時間從2小時縮短至30分鐘，效率提升高達75%；貨拉拉則利用AI能力為司機上線“違禁品識別”功能，最快1秒就能識別出違禁物品；順豐給快遞小哥開發的AI助手平均每次對話可節省3分鐘。

效率提升後，大模型就能夠成為快遞企業增收的“利器”。

在AI能力的輔佐下，當查件、寄件的效率提升，快遞100運轉單量的能力也隨之提升：從2023年一開始的每天30萬單，到2024年的每天50萬單，李朝明預計，在大模型能力的輔助下，大模型能夠在未來一年實現每天100萬單的突破。

將多家快遞公司服務接入平台，快遞100又成為了一個集合“查寄管”服務的快遞生態入口：

基於百遞雲領域知識庫，使用者不僅可以查快遞，更可以一句話對比價格，幫助企業和個人使用者找到更具性價比的價格；AI還能自動幫助使用者補全資訊地址，避免快遞運轉出現問題。陳登坤分享，通過MiniMax大模型，快遞100解決了98%的地址補全難題。

當下，大模型能力仍然沒有被完全釋放，比如，在供應鏈端，大模型還有充足的發揮空間。

“實際在快遞的運輸環節，大模型現在能參與的部分較少，”李朝明告訴光錐智能，“但在整個快遞物流行業裡面，其實最需要最佳化的還是在於產業鏈的深入融合，所以大模型在快遞行業的應用仍然有較大空間。”

在大模型能力充分應用到快遞行業的每個角落之前，快遞行業的企業們還需要繼續為這場漫長的攻堅戰補充彈藥。 (AIGC新智界)

#金蝶集團 你可以在這裡找到鉅亨號中所有使用「金蝶集團」為關鍵字所發布的內容