行業現況：AI 在物流業已經不是實驗，但錢花錯地方的比例很高
物流與運輸是少數 AI 落地速度快過討論速度的行業。2026 年全球供應鏈 AI 市場規模約 198 億美元，早期導入者的物流成本比落後者低約 15%；在維修保養、油耗與路線這三個面向，採用率已達約 65%，早就過了嘗鮮期。但台灣中小型車隊與貨運行的現場是另一回事：多數公司仍然用 LINE 群組派工、Excel 排車、司機打電話回報，然後老闆花整個晚上手動對帳。
差別不在有沒有錢買 AI，而在有沒有把「調度決策」變成可運算的資料。這篇拆的是台灣 30 台車以內的車隊、貨運行與最後一哩配送業者，哪一步先做最快回本。
五個典型 AI 應用場景
- 路線與排車最佳化：把當日訂單、車輛容量、時間窗、駕駛工時一起丟進求解器，產出配送順序。這是投報率最高的單一項目——全面導入 AI 排程的最後一哩業者，油耗成本降低約 15–30%、配送失敗率降低 20–40%。
- 派工訊息自動結構化：客戶用 LINE 或電話下單，內容是「明天下午幫我送三箱到內湖，找王先生」。用語言模型把非結構化訊息轉成有地址、時間窗、聯絡人、件數的訂單物件，省掉人工打單。
- 到貨時間預測與主動通知：用歷史行駛資料預測抵達區間，提前 30 分鐘推播給收件人。這是降低「沒人在家」導致重送的最直接手段——重送一趟的成本是原趟的 100%。
- 異常處理代理：地址查無此人、收件人未接、貨損照片判讀，由 AI 先分類並擬定處理建議，調度員只做確認。
- 行車安全與保養預警：行車紀錄器影像加車輛數據做風險評分，成熟導入的業者可將可預防事故率降低 20–40%。這一項對保費與零工賠付的影響最大，但需要硬體投資。
兩個去識別化的實際案例
案例一｜北部食材配送商，18 台車、日均 420 個配送點。 原本由兩位調度員每天早上花 2.5 小時用 Excel 排線。導入 Google OR-Tools 為核心的排線引擎（考量冷藏車容量、餐廳收貨時間窗、司機熟悉區域），第一個月遇到的坑是「模型排得數學上最短，但司機不肯開」——因為系統不知道哪幾條巷子下午會被市場攤販塞住。第二個月加入「司機否決權」機制：司機可以標記不合理路段，標記會回饋成路網懲罰權重。三個月後排線時間從 2.5 小時降到 20 分鐘，總行駛里程降 14%，準時率從 88% 升到 96%。
案例二｜中部小型貨運行，9 台車、以工廠對工廠的零擔運輸為主。 痛點不是路線，是接單：老闆每天接 40 到 60 通電話與 LINE 訊息，人工打單，晚上還要對帳。導入方案是 LINE 官方帳號串接語言模型，把訊息與語音（先經語音轉文字）解析成訂單草稿，缺欄位就自動回問一次。踩到的坑是初期幻覺——模型會把「三噸半」誤判成件數。解法是加上結構化輸出約束與必填欄位驗證，缺一項就不建單。上線四個月，打單工時每日從 3.5 小時降到 50 分鐘，漏單（客戶說有訂、系統沒有）從每月 6–8 件降到 1 件以內。
工具堆疊建議
- 路線求解：Google OR-Tools（開源、免費）或 Routific／Onfleet（SaaS）。30 台車以內用 OR-Tools 自建完全可行，且沒有每台車的月費。SaaS 的價值在於現成的司機 App 與客戶追蹤頁。
- 訊息解析：Claude API 或 OpenAI API，搭配結構化輸出（JSON schema）。關鍵是「不要讓模型自由發揮」——欄位缺就回問，不要猜。
- 語音轉文字：Whisper。電話與語音訊息下單在台灣貨運業比例極高，這一段不處理，AI 只能吃到一半的訂單。
- 流程串接：n8n（可自架，資料不出境）或 Make。把 LINE、訂單系統、通知、報表串成一條線。
- 客戶通知：LINE Messaging API。台灣的收件人不看 Email，通知走 LINE 的到達率遠高於簡訊。
ROI 模型（以 15 台車的配送商試算）
- 導入成本：排線引擎與司機 App 客製 NT$450,000–700,000；訊息解析與通知 NT$180,000–300,000。合計約 NT$630,000–1,000,000。
- 每月營運成本：模型 API 約 NT$3,000–8,000、主機約 NT$3,000、地圖與路網 API 約 NT$5,000–12,000。合計約 NT$11,000–23,000。
- 省下的成本一：調度工時。 每日 2.5 小時降至 0.5 小時，兩位調度員合計每月省約 88 小時 ≈ NT$33,000。
- 省下的成本二：燃油與里程。 15 台車月燃油約 NT$225,000，降 14% ≈ 每月 NT$31,500。
- 省下的成本三：重送。 日均 350 點、原重送率 4%、降到 1.5%，每趟重送成本以 NT$120 計，每月省約 NT$26,000。
- 每月淨效益：33,000 + 31,500 + 26,000 − 17,000（營運成本中位數）≈ NT$73,500。
- 回本期：以導入成本 NT$800,000 計，約 11 個月。若只先做排線最佳化（成本約 NT$500,000、效益約 NT$64,500），回本約 8 個月。
落地時程 Phase 1–4
- Phase 1（第 1–4 週）｜資料就位。 把過去三個月的配送紀錄整理成標準格式：地址、實際抵達時間、件數、車輛、司機。沒有這份資料，任何模型都是猜的。同時把地址正規化（台灣地址格式混亂是最大工程）。
- Phase 2（第 5–10 週）｜排線引擎上線，人機並行。 系統排一版、調度員排一版，每天比對里程與準時率。這四週不是浪費，是建立司機信任的必要成本。
- Phase 3（第 11–16 週）｜訊息解析與客戶通知。 LINE 下單解析、到貨時間推播。此時排線已穩定，可以把調度員的時間釋放到異常處理。
- Phase 4（第 17–24 週）｜異常代理與報表。 讓 AI 先分類異常並給處理建議，同時建立每週的成本與準時率儀表板，用數字決定下一步投資。
四個常見失敗原因 × 怎麼避開
- 失敗一：司機不用。 系統排出數學最優解，但忽略現場知識（哪條路下午會塞、哪個客戶要走後門）。解法：給司機否決權，並把否決回饋成路網權重。沒有這個機制的排線系統，六個月內一定被繞過。
- 失敗二：地址資料太髒。 台灣地址有全形半形、樓層寫法不一、巷弄別名，直接丟給地圖 API 會有一到兩成解析失敗。解法：Phase 1 先做地址正規化與地理編碼，建立客戶地址主檔，之後只查一次。
- 失敗三：模型幻覺造成錯單。 把噸數當件數、把地標當地址。解法：用結構化輸出約束加必填欄位驗證，缺欄位就自動回問客戶，絕不讓模型自行補值。並保留人工確認關卡直到錯誤率低於 1%。
- 失敗四：只買工具不改流程。 買了排線 SaaS，但接單仍靠口頭、司機仍用紙本簽收，資料進不去系統。解法：導入前先確認「訂單從哪裡進來、簽收怎麼回傳」這兩個閉環，任一環是紙本，先修那一環。
不適合 AI 化的場景
- 車輛少於 5 台、每日配送點少於 40 個：人腦排線的品質不會輸求解器，投資回不來。先做的是訂單數位化，不是最佳化。
- 高度客製的專車運輸（如大型機具、危險品、有特殊押運要求）：約束條件多且變動，模型難以泛化，人工調度仍最可靠。
- 客戶關係高度依賴人情的零擔運輸：誰的貨先送、誰可以插隊，這些決策帶有商業判斷，交給模型會傷客戶關係。
- 沒有任何歷史配送紀錄的新公司：先跑六個月累積資料再談模型。
ScriptWalker 對應方案
我們提供三個層級：物流資料就位包（地址正規化、配送紀錄結構化、地理編碼主檔建立）起價 NT$150,000、4 週交付；排線最佳化系統（OR-Tools 引擎 + 司機 App + 調度後台）起價 NT$500,000、10–12 週；AI 接單與通知模組（LINE 下單解析、語音轉文字、到貨推播）起價 NT$250,000、6–8 週。三個可分開做，建議照順序。
常見問題 FAQ
15 台車的規模，真的需要排線系統嗎？
看每日配送點數而不是車數。每車每日超過 20 個點、且有時間窗限制時，人工排線的品質會明顯落後求解器，導入合理。每車每日 10 個點以內、路線固定，先別做。
司機抗拒怎麼辦？
抗拒幾乎都來自「系統不懂現場」。有效的做法是前四週人機並行、司機保有否決權，並把每週省下的里程與準時率公開給司機看。如果配送獎金與準時率掛鉤，司機會自己開始優化。強制推行而不給否決權的專案，失敗率極高。
用 SaaS 還是自建？
30 台車以內、且有明確的在地約束（冷藏、時間窗、特定客戶規則），自建 OR-Tools 引擎的總成本通常低於三年份的 SaaS 訂閱，且能把現場規則寫進去。純標準配送、想快速上線、不想養工程，SaaS 較合適。
資料要準備到什麼程度才能開始？
最少三個月的配送紀錄，欄位包含地址、預定與實際抵達時間、件數、車輛、司機。地址可以髒，但必須有；抵達時間如果完全沒紀錄，模型無法驗證，那就先花一個月補紀錄再開始。
決策清單
- ☐ 我每台車每日配送點超過 20 個
- ☐ 我的配送有時間窗限制（客戶指定收貨時段）
- ☐ 我有至少三個月的配送紀錄
- ☐ 我的訂單至少有一部分是數位進來的（非純口頭）
- ☐ 我知道自己目前的準時率是多少
- ☐ 我知道自己目前的重送率是多少
- ☐ 我的司機有智慧型手機且願意用 App
- ☐ 我可以接受前四週人機並行的過渡期
- ☐ 我有預算做地址正規化這種「看不見成果」的前置工作
- ☐ 我願意讓司機保有路線否決權
勾選 7 項以上，現在導入的時機是對的。勾不到 5 項，先做訂單數位化與紀錄補齊。
下一步
如果你想知道自己的車隊值不值得做，我們可以先看你三個月的配送紀錄，跑一次「理論最佳里程 vs 實際里程」的落差分析。落差低於 8%，我們會直接告訴你先別花這筆錢。
- Email：[email protected]
- 電話：0916-224-047
- LINE：@ufv9089p