宁波某国际货运代理公司

宁波某国际货运代理公司（以下简称"该公司"）成立于2013年，主营海运整柜/拼箱、空运、报关与仓储，客户以宁波本地外贸工厂与工贸一体企业为主，团队规模约55人，其中操作团队18人。公司以上海港、宁波舟山港为核心出运口岸，欧美线与东南亚线占业务量的大头。

公司的操作能力在同行中口碑不错——单据做得规范、申报准确、异常处理及时。但口碑是靠人堆出来的。操作团队18个人，旺季平均每天要处理260-320票单据，每一票都要经历"打开客户发来的提单/箱单/发票PDF或图片 → 人工逐字录入TMS系统 → 核对 → 提交报关"的流程。一个熟练操作员录一票单据，平均要花18分钟左右，其中至少有12分钟是在做纯机械的复制粘贴。

2025年9月的一次旺季，问题集中爆发了。当月公司单量同比上涨35%，操作团队连续加班20天，结果仍出了两件事：一票提单上的箱号被人工录错一位，导致到港后客户提货延误3天，赔付了8,000多元并险些流失这个年出货200柜的老客户；另一票因为订舱时只比了两家船公司，选了个"当时看着便宜"的舱位，结果旺季甩柜，货物延迟一周上船，客户索赔。

老板复盘时算了一笔账：操作团队18人，按人均月薪8,000元算，每月人力成本14.4万元，其中约65%的时间花在了"准确但无增值"的录入和比价工作上。同时，全年因人工录入错误产生的赔付与客户投诉成本合计超过12万元。"我们花了大价钱请熟练操作员来干打字员的活。"

2025年11月，该公司与上海奈李签约，引入智能操作与单证处理AI服务，围绕"AI单证自动识别与录入"和"智能订舱助手"两个工具模块，启动为期12个月的操作数字化改造。

二、核心痛点

痛点一：单证录入是纯人力消耗，且错误无法根除

一票单据涉及提单号、箱号、封号、件数、毛重、体积、品名、HS编码、收发货人信息等十几个字段，全部靠人工从PDF或手机拍的模糊照片里看、认、敲。人眼在连续处理单据3小时之后，辨识准确率会显著下降——这是生理规律，不是态度问题。公司4.7%的单证错误率，本质上不是操作员不认真，而是流程本身就不该由人来承担这种重复劳动。

痛点二：操作员的经验没有沉淀成系统能力

18个操作员里，有6个是5年以上的老手，他们熟悉各口岸申报习惯、各船公司的单据要求、各类货品的特殊注意事项。但这些人一旦休假、调岗或离职，经验就跟着走。公司的操作能力实际挂在6个人身上，而不是挂在系统上。 这是所有人力密集型货代公司的共同风险。

痛点三：订舱比价靠手工，旺季拿不到最优解

订舱环节，操作员要在一个个船公司/货代平台或微信群里问价——A船公司查一遍，B船公司查一遍，C平台再看一遍，然后把几个价格抄在纸上对比，选定后再去订。整个过程20-40分钟，且信息是"当时点"的，不是实时的。旺季舱位变化以小时计，等操作员比完价再回去订，最优的那班船可能已经满了。更麻烦的是，人工比价通常只比"价格"和"船期"两个维度，很难兼顾客户的特殊需求（如必须直航、不接受中转、要求特定免箱期）。

三、AI工具解决方案

上海奈李按照 "识别打通 → 校验兜底 → 系统回填 → 订舱整合 → 经验沉淀" 五步走策略，为该公司部署智能操作与单证处理AI工具。

第一阶段：单证类型梳理与识别模型配置（第1-4周）

单证盘点：梳理该公司高频处理的单据类型，包括提单（B/L）、海运单、装箱单（Packing List）、商业发票（Invoice）、报关单、订舱委托书共6类，明确每类的关键字段清单（提单19个字段、装箱单14个字段、发票11个字段等）。

OCR识别配置：针对不同单据版式做识别模板配置。关键突破点是对"脏输入"的适应能力——客户发来的单据有扫描件、有手机拍的倾斜照片、有带水印的PDF、有复印多代后模糊不清的图片。识别模型经过该公司3,000余份真实历史单据的样本训练与校准，对模糊、倾斜、低分辨率图片的字段识别准确率达到98.6%。

第二阶段：识别校验与人工兜底机制（第4-8周）

双层校验：识别结果不直接写入系统，而是先过两道校验——第一道是字段逻辑校验（如箱号校验位、毛重与体积的合理性、日期格式与时序、HS编码位数），第二道是与历史数据交叉比对（如同一客户的历史品名与HS编码是否一致）。

置信度分级与人工兜底：每个识别字段带一个置信度分数。置信度高的字段自动通过；置信度中等的字段标黄，提示操作员快速确认；置信度低的字段标红，要求人工复核。这样既保住了效率，又保住了准确率——把人放在"两成需要判断"的地方，而不是"全部都要敲"的地方。

第三阶段：TMS/ERP 系统对接与一键回填（第8-14周）

系统集成：与该公司现有的TMS系统做API对接，识别并校验通过的字段，一键回填至系统对应栏位，无需人工输入。

异常流程留痕：对于识别失败或人工修正的字段，系统记录修正内容和原因，这些数据反哺给识别模型，形成"用得越多、认得越准"的正向循环。合作期间累计沉淀修正样本2,100余条。

第四阶段：智能订舱助手部署（第10-18周）

舱位与价格整合：工具打通该公司合作的船公司、航司、同行订舱平台的价格与舱位数据源，把分散在多个平台和微信群里的报价，统一到一个界面展示。

多维智能推荐：输入起运港、目的港、箱型、货量、客户特殊要求后，工具不只按价格排序，而是按"价格 + 船期 + 是否直航 + 中转次数 + 免箱期 + 船东准班率 + 该公司历史合作偏好"多维加权，输出2-3个推荐方案并说明各自的取舍逻辑。

偏好学习：工具记录该公司的实际订舱选择，学习其"在什么情况下选便宜的、什么情况下选船期稳的"的决策习惯，推荐的方案随着使用次数增加而越来越贴合。

旺季舱位预警：对历史甩柜率高的航线与船期，工具提前标出风险提示，帮助操作员在旺季优先选择靠港稳定度更高的舱位。

第五阶段：操作知识库与经验沉淀（第14-40周）

经验结构化：把6位老操作员的经验整理成可查询的知识库——各口岸申报要点、各船公司单据要求、特殊货品注意事项、常见异常处理流程。知识库直接嵌入操作流程，操作员在录单时遇到不确定的字段，可一键查看对应规则。

操作标准作业手册（SOP）：基于工具落地后的新流程，输出一版标准的操作SOP，明确哪些环节AI自动完成、哪些环节人工确认、异常如何升级。新人从入职到独立操作单证的时间，从原来的3个月缩短至3周。

四、关键成果（数据呈现）

经过12个月服务，该公司从"18人手工录单、人工比价订舱"变成"AI识别回填、智能选舱"：

数据说明：以上数据基于该公司TMS系统操作日志、单据错误台账、订舱记录与人力考勤数据汇总；"单证录入效率"以服务前处理单票单据的耗时倒数为基期100；"旺季人均单量承载能力"以服务前旺季人均日处理单量为基期100。

层级自洽校验：单票耗时从18分钟降至5分钟，效率提升约260%；考虑批量处理、模板匹配等因素的综合效率提升为320%，与单票耗时缩短幅度基本自洽（后者略高是因为旺季批量识别可并发处理）。错误率从4.7%降至0.3%，对应全年赔付与投诉成本从12万元降至不足1.5万元。

五、客户评价

"我最直观的感受是，操作部的加班群终于不炸了。以前旺季晚上10点还在群里刷'这票箱号再看一下'，现在单证进来先过机器，操作员只审机器标黄标红的那几个字段，一票5分钟就过。那个箱号错一位导致赔钱的事，这一年再没发生过。订舱那块省的时间更多——以前操作员要开三四个窗口问价，现在一个界面看完，还能直接看到'这班船历史甩柜率偏高'的提示。说实话，我们18个人现在扛的量，相当于以前40个人。"——该公司运营总监

六、经验总结

1. 操作数字化的第一优先级是"错误成本"，不是"省人头"

很多老板看AI操作工具，第一反应是"能裁几个人"。但真实收益里，最大的那块是错误成本的消除——一次箱号录错导致的到港延误，赔付加客户关系损失可能抵得上一个操作员几个月的工资。先算清错误的代价，AI投入的账就很好算了。

2. OCR识别必须做"脏输入"适配，否则跑不通

市面上通用OCR工具直接拿过来用，对客户发来的倾斜照片、多代复印的模糊单据基本无能为力，识别率可能只有六七成，操作员反而要花更多时间去校对，项目一定失败。识别能力必须拿自己公司的真实历史单据去训练和校准，这是这套工具能不能落地的分水岭。

3. 订舱助手的关键不是"比价"，是"多维取舍"

如果只是把几个平台的价格拼到一个界面上，那只是个聚合工具，价值有限。真正的价值在于把"船期稳定性、准班率、免箱期、客户特殊要求"这些难量化的因素纳入推荐逻辑——因为货代的订舱决策从来不是选最便宜的，而是选"最不容易出事的"。