人工智能，贯穿业务运营的每一个环节

读取单证、填写字段、查找税则与关税、识别发票——AI 在每一步都在工作。

AI 读取货运单证并自动填写字段——准确率 98.6%

单证和消息可在 36 种语言之间自动翻译

拍照自动填表、税则查询与发票识别

单证交给系统来读——一个数据都不用您录入

AI 读取您的 CMR、发票、T1/T2、装箱单和提单；连同置信度一起提取 HS 编码、重量、发货人等字段，并自动填好表单。

数据无需您亲手录入。

拍一张商品照片，目录信息自动填好

AI 分析商品或托盘照片，自动建议名称、类别、品牌、尺寸等目录字段——数秒即可建立一条库存记录。

建议内容均可修改，经您确认后才会保存。

AI 揪出单证之间的不一致

比对 CMR、发票和装箱单上的件数、重量和当事方名称；标出不一致之处，校验单证类型，并对无效文件发出提醒。

人眼容易漏掉的差异，AI 能帮您发现。

AI 触达业务运营的每一个环节

不是单一的助手，而是贯穿单证、税则、商品目录、校验和发票的一整层 AI 能力。

税则与反倾销查询结果仅供参考。

• 单证识别与字段提取 — 读取 CMR、发票、T1/T2、装箱单和提单，并连同置信度一起自动填写字段。
• 36 种语言翻译 — 单证和消息可在 36 种语言之间自动翻译，让您用自己的语言与各方沟通。
• 拍照自动填表 — 根据商品或托盘照片自动建议目录字段，经您确认后保存。
• 税则与反倾销查询 — 从土耳其/英国/欧盟/美国官方来源获取 HS 编码、进口关税和现行反倾销措施，必要时借助 AI 补充。
• 一致性校验 — 发现单证之间件数、重量和当事方名称的不一致；校验单证类型，并标出无效文件。
• 运费发票识别 — AI 读取收到的运费发票，提取总金额和开票对象，并将其关联到运输记录。

用 AI 驱动您的业务运营

单证识别、翻译、税则、一致性校验和发票识别——从第一天起，全部运行在同一核心上。

物流与供应链 AI 软件究竟能做什么？

AI 在物流领域已有四项能力趋于成熟：从单证中提取字段、单证之间的交叉核对、多语言翻译，以及将照片转为结构化数据。另有五项仍在发展中：税则归类辅助、货损评估、费用票据采集、预计到达时间（ETA），以及从自由文本生成记录。这些全都属于数据录入和核对工作。AI 不决定归类、申报或定价；其输出是概率性的，需要人工审批。价值高低取决于它所替代的人工步骤重复的频率，而不是功能清单的长短。

如今 AI 在物流中实际能做的事，可归为九项能力：四项已成熟，五项仍在发展中。成熟的能力只需将输出与来源对照，几秒钟就能验证：从单证中提取字段、将单证相互比对以标出偏差、翻译往来信函和单证，以及将照片转为结构化数据。仍在发展中的能力则需要专业判断、依赖外部条件，或者依赖一线作业的规范程度：税则归类辅助、设备货损评估、费用票据采集、预计到达时间，以及从自由文本生成记录。

它们不能做什么，同样一清二楚。它们不承担归类、申报或定价决策；这些决策涉及法律责任，仍由人来负责。它们无法预见海关排队、渡轮舱位或边境查验。最重要的是，AI 的输出是一种概率，而不是确定的结果：每个字段都有出错的可能，因此任何没有审批关口的工作流程都不安全。

本页为九项能力逐一标注成熟度，并说明各自如何衡量、在哪里失效、需要哪些数据。随后介绍：如何在演示中检验厂商“我们有 AI”的说法。

• AI 在物流中的真正工作是读取，而不是预测：从纸质单证、照片和自由文本中提取结构化数据。
• 评判每项能力都要问两个问题——如何衡量？在哪里会出错？两个问题都答不上来的 AI 宣传，根本无从衡量。
• 准确率百分比本身毫无意义：要问清是基于哪套单证、是字段级还是单证级，以及由谁进行的测量。
• 演示时请用您自己手头最糟糕的扫描件，而不是厂商准备好的样本。AI 恰恰就在这里出问题。
• 如果提取结果未经审批就进入记录，系统就会产生隐性的纠错工作量，把节省下来的时间又吞了回去。
• 没有数据，就没有 AI：历史数据缺失、业务伙伴名录空白、扫描件分辨率低，都会直接拉低输出质量。

AI 在物流中究竟能做什么？

• 单证字段提取 / 单证识别（成熟） — 识别单证类型——商业发票、CMR 运单、装箱单、车辆行驶证、护照——并将其内容转为结构化数据：当事方名称、日期、件数、毛重和净重、金额、单证编号、有效期。在设计良好的系统中，提取出的数据以建议形式进入表单，经审批后才会保存。这并非行业标准，而是一种设计选择，需要您单独向厂商询问。 阅读纸质单证并将内容输入屏幕的数据录入工作。在大多数公司，这并不是一个专职岗位，而是分散在调度员和记账员日常工作中的负担。 两项指标结合使用：字段级准确率（正确提取的字段数除以应读取的字段总数）和人工干预率（需要人工更正的单证数除以单证总数）。单证级数字——无需任何更正即可通过的单证——总是更低，因为只要有一个字段出错，整份单证就不算通过。 手写内容、与印章或签名重叠的文字、传真质量或低分辨率的扫描件、斜拍的手机照片、挤在一页上的多栏表格，以及从未见过的模板。在系统依据页面位置而非字段标签读取内容的版式中，错误率会急剧上升。 分辨率足以辨认的电子副本——最好是原生电子 PDF——以及完整、未经裁剪的页面。为了进行校验，字段需要在系统中有对应项，例如在您的业务伙伴名录中登记的公司正式名称。
• 跨单证一致性核对（成熟） — 将属于同一票运输的单证相互比对，标出偏差：发票上的重量与装箱单上的重量、件数、当事方名称、原产地和货值。不一致之处会在卡车出发或报关单提交之前暴露出来——而不是到了边境才发现。 把两三份单证并排摆开、用肉眼逐一比对的那个人。业务繁忙时，这是最先被放弃的任务，而它被放弃的那一天，往往正是代价最大的那一天。 检出率（已知的不一致中有多少被标出）和误报率（一套完全一致的单证会产生多少条警告）。如果从不衡量后者，团队就会养成忽略警告的习惯，几周之内，这项核对就会形同虚设。 凡是同一事实以不同但合法的形式书写之处：毛重与净重、不同的计量单位、四舍五入的金额、简写的商号、同一公司的两个地址。如果某份单证从未上传，核对就是不完整的；除非系统明确提示“没有可供比对的第二份记录”，否则就会出现一个无声的缺口，而团队还以为核对已经完成。 至少两份单证，且都附在同一条运输记录上。还必须定义要比对的字段清单和容差阈值——相差多少公斤以内不触发警告。
• 税则归类辅助——HS 编码与各国编码（发展中） — 根据商品描述和发票行建议候选税则编码，匹配相似的描述，并调出该编码对应的进口关税和现行贸易措施。在土耳其，国家编码为 GTİP，它在国际通用的六位 HS 编码基础上增加了若干国家级位数；其他市场也各自以自己的方式扩展 HS 编码。建议只是一份候选清单——申报哪个编码，仍由人来决定。 贸易合规专员逐行翻查税则表、在旧档案里搜寻类似商品，或者发邮件给专家后等待回复。 正确编码出现在第一条建议中的频率，以及出现在前三条建议中的频率；请以您自己已结案的历史报关单作为参照集。还要留意工具直接表示自己没有把握的频率——一个从不犹豫的工具是无法衡量的。 混合材质的商品、成套销售的物品、按功能拆分归类的机器零部件，以及商业名称过于笼统的行项目（“配件”“备件”）。由于六位 HS 编码以下的国家级子目因国而异，同一商品在进口和出口时可能归入不同的编码；当税则目录在年度更新中调整时，旧档案中的编码可能在今天已找不到对应项。如果屏幕上不显示工具读取的是哪一年的税则目录，您就无法核实其建议。 技术描述、材料成分、用途、原产国，并尽可能提供照片。如果只提供发票行上简短的商业名称，建议质量会明显下降。
• 多语言往来沟通与单证翻译（成熟） — 即时翻译运输相关的往来信息和外文单证；各方都用自己的语言书写和阅读。在物流中，真正的收益不在于逐字翻译，而在于确保包含地址、包装说明、付款条件和交付指示的句子被正确理解。 在翻译页面上耗费的大量时间、外包翻译，以及“这里只有一个人会说这门语言”的瓶颈。 衡量的是它造成的错误，而不是译文本身：因误解引发的事故（地址错误、包装错误、错过交付日期），以及档案因等待翻译而停滞的时间。 行业俚语和缩写、当地海关术语、一句话中夹杂两种语言、不同的计量单位和日期格式，以及法律上的细微差别。合同或申报文本的机器翻译不具法律效力；把当事方名称和地名误译出来，也是一种常见错误。 文本本身；对于单证，首先需要清晰可读的扫描件。在名录中正确拼写的公司名、人名和地名，可以避免名称被错误翻译。
• 照片数据提取与测量——托盘、货物、车辆（成熟） — 从照片中提取商品类别、包装类型、车牌号或托盘尺寸等字段。在设计良好的系统中，这些字段以建议形式进入表单，未经审批不会保存；这并非标准，而是一种设计选择，需要单独向厂商询问。如果手机配备深度传感器，测得的长宽高误差范围远小于基于照片的估算；误差范围因设备、距离和表面而异，并与照片一起保留在记录中。 用卷尺测量后记在本子上、把行驶证信息抄到屏幕上，以及从一张空白表单开始定义新商品。 建议字段中有多少被原样批准，以及填表时间的差异。测量方面，以用卷尺测量同一托盘的结果为参照，偏差以厘米为单位报告。 光线不足、缠绕膜包裹和反光的表面、堆放不规则或超出托盘边缘的货物、背景中的其他托盘，以及无法从单帧画面推算出的深度。传感器测量也并非毫无误差；在反光和缠膜表面上，偏差会增大。根据照片推算的体积只是估算值：发生体积重量争议时，以哪份记录为准属于合同问题——请事先以书面形式约定测量方法。 一张正面拍摄、光线充足、能框住整批货物的照片。测量需要配备深度传感器的设备，以及足够绕托盘走动的空间。
• 设备货损与状况评估——交接照片（发展中） — 读取挂车、集装箱或货物交接时拍摄的照片；标出可见的损坏、缺失部件和污染，并列出两次交接之间的差异。结果是一条带时间戳的记录；决定责任归属的不是照片本身，而是照片拍摄于哪一段保管时段。 在没有证据的情况下把损坏归咎于最后一位司机的习惯，以及凭各方记忆争执扣款的扯皮。 照片齐全的交接所占比例，以及凭证据了结的货损争议所占比例。检测能力单独衡量：在已知存在损坏的照片集上的检出率，以及在无损坏照片集上的误报率。 硬性限制在于：新旧损坏无法可靠区分。因此系统不判定责任；它只展示两个时间点之间的差异，至于这一差异落在谁的保管时段内，仍由人来决定。夜间或雨中拍摄的画面、满是泥污的表面、因拍摄角度狭窄而始终拍不到的车顶和底盘，以及藏在封闭厢体内的货物，都会进一步削弱检测效果。 每次交接时从相同角度拍摄的一组照片，附带拍摄时间和地点，以及当时由谁保管该设备的记录。这项能力完全取决于现场作业纪律：如果照片从未拍摄，就没有任何记录可供读取。
• 费用票据与成本发票采集及成本入账（发展中） — 读取燃油、过路费、停车、维修和检验票据；提取金额、日期、币种、商户和成本类别，并记入相应的车辆、行程或司机账户。读取环节已与单证提取一样成熟；仍在发展中的是将票据对应到正确的车辆、正确的成本科目和正确的汇率。外币票据按公司规定的汇率政策折算——多数情况下采用费用发生当天的汇率——所用汇率及其来源都应在记录中可见。 会计人员在月底把一袋票据逐张录入电子表格，以及与司机为数字争执不休。 每张票据的处理时间、人工更正的字段比例，以及月末结账时未匹配票据的数量。还要追踪每辆车的总成本中有多少能够按类别细分——无法细分的部分都会消失在管理费用里。 褪色的热敏纸、折叠和撕破的票据、仅以当地语言打印的明细名称、无法辨认的卡号后四位、一张票据涵盖多辆车，以及根本无法从票据推断出的支付渠道。如果日期无法辨认，就无法可靠地确定币种折算。 一张显示完整票据的清晰照片、费用日期、当天由哪位司机驾驶哪辆车，以及支付渠道——现金、公司卡和燃油卡的入账方式各不相同——此外还需要公司的汇率政策和所采用的汇率来源。
• 预计到达时间与停靠顺序（发展中） — 根据距离、路线和路况得出预计到达时间；在多点停靠的行程中，按总距离最短排定停靠顺序。这其中大部分是计算而非学习；只有当您自己的历史行程时长和等待时间进入数据之后，真正的学习才会开始。 调度计划员对着地图在脑子里排停靠顺序，以及在电话里告诉客户“大概明天傍晚吧”。 预测的平均绝对误差（预计与实际到达时间之差），以及对所承诺交付时间窗口的遵守情况。停靠排序的衡量标准，是系统路线与人工路线之间的总公里数之差。 海关和边境排队、渡轮开航时间和满舱航次、罢工、天气、收货人的非营业时间，以及在装卸月台的等待。大部分延误都发生在这些环节，而且大多不在预测范围之内。没有您自己的历史数据，系统永远学不到您各条线路上真实的等待时间。 正确的地址和坐标、实时位置数据、每个停靠点的营业时间和预约时间，以及车型限制。学习需要同一线路上的过往行程时长和实际记录的等待时间。
• 从自由文本和语音指令生成记录（发展中） — 将订单邮件、消息或语音指令转为结构化记录：当事方、地址、明细行、重量和日期都会落入相应字段。诸如“把收货人地址改成这个”或“删除第三行”这样的句子会更新相应字段，因此即使不熟悉各个界面的人，只要把工作描述出来，也能把事情办完。 文员把邮件里的同一信息抄进表单，以及新员工花时间去弄清某条信息该填在哪个界面上。 每条记录的字段填充比例、人工更正次数，以及无差错地开立第一条记录所需的时间。另外单独追踪：未经培训的用户首次尝试即独立完成任务的频率。 含糊或自相矛盾的指令（“按老规矩发”）、留在邮件往来前文中的上下文、在嘈杂驾驶室里录下的语音、在名称相近的两家公司或同一公司的两个地址之间做选择，以及从未说明的币种或交货条件。对于关键字段，系统应当发问，而不是自行推断。 指令的完整文本或清晰的录音，以及已填充好的公司、地址和商品名录。名录为空时，提取结果无从匹配，系统就会开始创建新的错误记录。

如何在演示中检验厂商的 AI 宣传？

• “我们的 AI 会自动读取您的单证——数据录入从此消失。” — 连续上传同一供应商的三个版本：一份旧抬头的单证、一份新抬头的单证，以及一份原生电子 PDF。逐个字段清点——多少字段识别正确、多少留空、多少填了却填错。然后区分出错的原因：是模板变了，还是扫描质量问题？两者的解决办法不同，而厂商通常只谈后者。填了却填错的字段最危险，因为没有人觉得有必要去核对。 只展示一个模板，其余一概以“上线时再配置”搪塞；签约后才得知每个新供应商模板都要付费配置；对于模板变化后准确率会下降多少，也拿不出任何数字。
• “我们的单证识别准确率在百分之九十几。” — 先问一个问题：基于哪套单证、多少样本、字段级还是单证级，以及由谁进行的测量？然后用您自己的二十份单证重复同样的测量，得出两个独立的数字——字段级和单证级。两者之间的差距，就是您的团队将要承担的真实纠错工作量。 只给出一个没有任何定义支撑的百分比、搬出“行业标准”之类的说法，或者抗拒用您自己的单证重复测量。
• “AI 没把握时会告诉您。” — 上传一份故意损坏的单证：划掉一个字段，或者裁掉半页。低置信度字段在屏幕上是否有明显区分，还是每个字段看起来都同样确定？然后尝试保存——系统是未经审批就把不确定的字段写入，还是将其转交人工处理？ 所有字段都以同样的确定程度呈现，系统永远说不出“我不确定”，提取结果没有任何审批关口就直接写入记录。
• “系统会在使用中不断学习——您需要更正的会越来越少。” — 更正一个提取错误的字段，然后上传同一供应商、同一模板的第二份单证。同样的错误是否再次出现？如果再次出现，就问三个问题：我的更正存储在哪里？是否存在模板级或供应商级的记忆？效果要多久才能显现？ 只说“是的，它会学习”，却讲不出背后的机制，也不愿承认这次更正实际上只写入了那一条记录。如果真的发生了学习，第二个风险则恰恰相反：除非合同写明您的数据会如何用于其他客户，否则您可能正在用自己的内容为这种学习买单。
• “我们的 AI 能为您的商品找到海关税则编码。” — 给它一个不易归类的商品：混纺纺织品、连同配件一起销售的成套商品，或按功能拆分归类的机器零部件。然后用两种不同的描述查询同一商品——一种是发票行上简短的商业名称，另一种是包含材料成分和用途的完整技术描述。如果编码发生变化，您就知道了工具对什么敏感；如果编码始终不变，它很可能只是在匹配关键词，而不是在理解描述。还要看屏幕上显示的是单一编码，还是附有理由的候选清单。 只给出一个没有理由的编码；对两个截然不同的描述给出置信度相同的同一答案；在任何一行上都说不出“我不确定”；以及任何暗示“您可以按这个编码申报”的说法。
• “我们的 AI 能发现单证之间的不一致。” — 分别尝试三件事。第一，把偏差放在非数字字段中——让收货人名称或原产国不一致；系统是只看重量和件数，还是也比对文本字段？第二，把整套单证中的一份完全拿掉；系统会提示“没有可供比对的第二份记录”，还是把档案显示为已核对？第三，上传一套完全一致的单证，数一数它会产生多少条警告。然后索要书面的核对字段清单，并了解容差阈值如何配置。 拿不出核对字段清单、缺少单证的档案被显示为“已核对”、一致的单证集也会触发警告，以及除了关闭警告之外别无其他管理警告的办法。
• “您的数据很安全——AI 这方面交给我们。” — 以书面形式提出三个问题：单证在处理过程中会被传送到哪个国家？会保留多久，删除请求如何处理？谁在何时把提取结果更正成了什么值，是否有日志记录？要求在合同附件中看到这些答案，并在演示中请对方打开某条记录的变更历史，由您亲自查看。 只有口头保证、没有书面附件，回避处理地点的问题，以及根本不保留更正记录。

三种方案：规则引擎、外挂式 AI、AI 原生平台

• 基于规则的自动化（无 AI） — 输入格式固定的重复性工作：导入总是以同一模板到达的文件、单证到期时发出提醒、按最短距离排定停靠顺序、根据运输数据生成发票。格式固定时，规则总是更便宜、更快，也更容易审计。 结果可重复、可解释：相同的输入总是产生相同的输出 排查问题简单直接——可以准确指出是哪条规则导致了错误结果 经得起审计，因为推理依据就是规则文本本身 模板一变就失效；每多一个新供应商的单证，就要新增一条规则 完全无法处理非结构化输入——自由文本、照片、手写内容 随着规则数量增加，会变成一堆没有任何人能从头到尾理解的东西
• 在现有软件上外挂 AI — 运营已经成型、只有一个明确瓶颈的公司：只需识别收到的发票，或只需翻译往来信函。如果您想在不更换核心系统的情况下加快某个特定步骤，这是一个合理的起点。 加快单一步骤，迁移风险低，培训负担小 由于范围窄，衡量时很快就能看到成效 如果不满意，只需移除这个附加组件，不必迁移整个业务 提取的数据通常无法关联到主记录；它显示在屏幕上，却从不流入运输记录、发票和账簿 无法交叉核对：它只读取眼前的单证，对可供比对的第二份记录一无所知 审批、更正和审计轨迹都在别处，责任链因此断裂
• AI 原生平台（提取功能内置于记录本身） — 同样的数据一天要重复录入多次、单证和语言负担都很重的业务。检验标准是重复程度，而不是所属行业：数一数一天之内，您要在多少个不同地方填写同样的重量、件数和当事方信息。数字高，这种方案就划算；数字低，就不划算。 同样的数据只录入一次；第二次、第三次重复录入根本不会发生 可以进行比对，因为单证和记录处于同一上下文中 容差阈值和审批规则在一处设置，而不是每个步骤分别维护 一个错误字段污染的不只是表单，还有与之关联的运输、发票和会计分录；纠正起来比单个附加组件代价更高 会形成对单一厂商的依赖；如果合同中没有保证可将档案库和历史记录连同附件一并导出，就不要贸然进入 只有数据进入系统后，收益才会开始显现；对于一个月只结几份档案的办公室，搭建投入可能超过回报

行业误区与真相

• AI 能完美读取单证——再也不需要人工核对了。 — 提取是概率性的；每个字段都附带置信度。正确的做法是设置审批关口：放行高置信度字段，把不确定的字段转交给人工。责任永远不会转移给软件：提交报关单、开具发票、承诺交付日期的，依然是您。
• AI 能确定商品的海关税则编码。 — AI 建议候选编码并调出相似的描述；归类是需要专业判断并承担责任的事。反倾销和保障措施通常要依据措施的文字表述来判断，而不是靠编码匹配，具有约束力的来源是官方公告。一个只给出单一编码、却不显示来源和更新日期的工具，是在把风险转嫁给您。
• 只要是自动的，就是 AI。 — 物流软件中的大多数自动化是规则引擎和优化算法：单证到期提醒是日期规则，停靠排序是最短路径计算，需求匹配是筛选条件。这些都很有价值，但它们不是 AI。正确地称呼它们很重要，因为您应当要求它们各自提供的证据并不相同。
• 系统用得越多，就会自己变得越聪明。 — 在大多数产品中，您所做的更正只写入那一条记录，下一份单证上同样的错误还会重复出现。只有当更正被收集起来、转化为模板级或供应商级的记忆时，学习才会发生。请向厂商询问具体机制；单单一句“它会学习”算不上承诺。
• AI 能提前知道会发生延误。 — 预测基于距离、路线和过往时长得出，而物流中的大多数延误来自外部——海关排队、渡轮舱位、查验、罢工、在装卸月台的等待。再好的预测也无法避免其中任何一项；它能做的，是如实说明自己的误差范围。一个从不报告平均预测误差的系统，不应被用来向客户做出承诺。
• 只要打开 AI 就行——我们已经有数据了。 — AI 输出的质量不可能超过其输入的质量。低分辨率扫描件让识别无从进行，空白的公司和商品名录让匹配无从进行，只有一份单证的运输记录让交叉核对无从进行，未记录的过往行程时长让预测无从进行。这类项目通常卡在数据上，而不是模型上，换模型也解决不了问题。

在这九项能力中，Logistivo 处于什么位置？

Logistivo 属于第三种方案：提取功能内置于记录之中，而不是外挂组件。九项能力逐一来看——单证字段提取：支持，设有审批关口。跨单证核对：支持；重量、件数和当事方的差异会在申报之前暴露出来。税则归类：辅助级别，尚未成熟；候选编码标注来源，并按当天的原样存档。翻译：支持，36 种语言。照片提取与测量：支持，以表单建议的形式提供。货损评估：支持，可按公司选择启用，默认关闭。费用票据：支持，多币种。ETA 学习：不支持。自由文本和语音生成记录：支持，设有审批关口。我们不公布单一的准确率数字；演示时会用您自己的 20 份单证测量字段级和单证级准确率，并以书面形式给出结果。

在 Logistivo 中，AI 不做任何决定：提取出的字段以建议形式呈现，未经审批不会写入记录；候选税则编码不具约束力——报关单本身在海关当局自己的系统中登记，数据在那里由人工录入。税则和贸易措施查询会从您账户的点数中扣除；对于查询量非常大的办公室，这是一项单独的成本。ETA 不会从过往行程时长中学习，停靠顺序采用的是最短路径计算。系统不生成需求量、运价或市场预测。位置数据来自司机的手机；不读取车载追踪设备、行驶记录仪和油耗传感器的遥测数据。对于手写单证、被印章遮挡的文字或低分辨率扫描件，识别准确率会下降，部分工作量仍需由您承担。如果一家公司无法让司机用上 App，就永远不会产生现场数据，所有基于照片和位置的能力都将闲置。

常见问题

AI 能读取哪些单证？

它能读取 CMR、商业发票、T1/T2 过境申报单、装箱单和提单等常见物流单证，并提取其中的字段。支持 PDF 和照片。

准确率是多少？

字段提取准确率为 98.6%。每个字段都附带置信度，在您确认之前均可修改——AI 负责建议，您来做决定。

支持多少种语言的翻译？

单证和消息可在 36 种语言之间自动翻译，您可以用自己的语言与各方沟通，并以母语阅读收到的各类单证。

可以通过照片添加商品吗？

可以。拍下商品或托盘照片后，AI 会建议名称、类别、品牌、尺寸等目录字段；经您确认，库存记录即告建立。

AI 会保障我的数据安全吗？

您的数据归您所有，企业之间相互隔离；浏览器或移动 App 与我们服务器之间的所有通信均通过 TLS（HTTPS）加密，单证存储位于欧盟境内，您的账户还受双重验证保护。您的数据始终保留在您自己的业务范围之内。

如何判断一项功能是真正的 AI，还是只是规则引擎？

一个行为上的差异就能见分晓：如果相同的输入总是返回完全相同的输出，那就是规则；如果输出附带置信度，会随相似但不同的输入而变化，并且能说“我不确定”，那就是推断。单证到期提醒是日期规则，停靠排序是最短路径计算，需求匹配是筛选条件——它们都有价值，但都不是 AI。这一区分关系到证据：规则应当向您出示其规则文本；推断则应当向您提供准确率测量、置信度指示和审批关口。如果厂商用同一个词同时推销这两者，请在合同中明确您购买的是哪一种。关于报关档案方面的对应问题，请参阅我们的报关软件指南。

AI 赋能的物流软件与普通物流软件有什么区别？

区别不在功能清单上，而在于数据如何进入系统。在普通软件中，由人来填写字段；在 AI 赋能的软件中，字段根据单证、照片或自由文本自动建议，人只需审批。第二个区别在于核对：由于负责提取的系统同时能看到同一票运输所附的其他记录，它可以标出单证之间的偏差。缺少这两点，“AI”标签描述的通常只是规则引擎，或是一个从不与主记录连通的独立识别插件——它带不来任何可衡量的差别。

AI 单证识别应当达到多高的准确率？公布的准确率可信吗？

单看一个百分比说明不了任何问题。同一款产品的字段级准确率和单证级准确率会相差很大；单证级数字总是更低，因为只要有一个字段出错，整份单证就不算通过。请向厂商询问三件事：测量使用了哪套单证、多少样本；是字段级还是单证级；由谁进行的测量。然后用您自己的二十份单证重复同样的测量。一个无法在您自己的单证上复现的准确率，是营销文案，而不是测量结果。

AI 在海关业务中能做什么——它能确定税则编码吗？

在海关业务中，AI 负责读取和比对：它从发票和装箱单中提取明细行、金额和重量，然后将单证相互比对，在提交报关单之前标出重量、件数、当事方和货值方面的差异。在税则方面，它建议候选编码，并调出相关的关税和现行贸易措施。确定编码和提交报关单是人的工作，法律责任产生于代理关系之中。任何决定都不应建立在不显示来源和更新日期的结果之上；具有约束力的依据是官方公告。

在公路运输中，AI 究竟在哪些环节节省时间？

对承运商而言，收益集中在四个方面：从运输单证（CMR 运单、发票、装箱单）中读取字段，从司机和车辆证件中提取号码和有效期，采集费用票据并记入正确的车辆和成本科目，以及翻译外文往来信函。这四项的共同点在于，它们都是分散在调度员和记账员日常工作中的重复性任务。有一个简单的估算方法：用一周时间，数一数您要在多少个不同地方填写同样的重量、件数和当事方信息。收益恰恰就在这些地方积累。

AI 真的能知道预计到达时间吗？

在大多数产品中，ETA 是计算而非学习：它来自距离、路线和交通数据。只有当您自己的过往行程时长和等待时间进入系统之后，真正的学习才会开始。在国际公路运输中，大多数延误来自外部——边境排队、渡轮舱位、海关查验、在装卸月台的等待。因此评估一项预测时，只需问一个问题：平均预测误差是否经过测量并予以报告？一个不肯说明自身误差范围的预测，不应被用来向客户做出承诺。

AI 需要哪些数据才能发挥作用？

四类数据起决定作用。可读的单证：低分辨率或歪斜的扫描件，或被印章遮挡的文字，会直接导致识别失败。已填充的名录：如果公司、地址和商品记录为空，提取结果就无从匹配。同一记录上不止一份单证：只有存在第二份可供比对的单证，交叉一致性核对才能发挥作用。历史数据：预测和学习需要系统中有已完成的行程和已结案的档案。如果缺少这四类数据，问题出在数据而非模型上，更换模型也无济于事。

单证交给 AI 处理时在哪里处理？我的商业机密能得到保护吗？

请在签订合同之前以书面形式提出这个问题；事后再问，您就没有任何筹码了。要弄清三件事：单证在处理过程中会被传送到哪个国家、会保留多久、删除请求如何处理；您的内容是否会被用于使其他客户受益的用途；以及是否有日志记录谁在何时更正了哪个字段。要求在合同附件中看到这些答案。根据土耳其的 KVKK 和欧盟的 GDPR，关键不在于屏幕上的功能，而在于书面的数据处理法律依据、保存期限和跨境传输条款；如需了解完整范围，请咨询您自己的法律顾问。

AI 赋能的软件适合小公司吗？

门槛在于重复程度，而不是公司规模。对于一个月只发几票货的公司，单证识别带来的收益抵不上搭建投入；而在一个每天要处理十张发票和装箱单的三人办公室里，第一周就能看到收益。实用的衡量方法是：一天之内，您要在多少个不同地方填写同样的重量、件数和当事方信息？一个月要读多少份单证？如果两个数字都很低，简化流程比引入 AI 更划算。

AI 会取代物流行业的从业者吗？

如今已经成熟的各项能力，没有一项承担决策或责任；它们都只是加快读取、比对和翻译。改变的是工作的性质：花在数据录入上的时间减少，花在审批和异常处理上的时间增加。正因如此，引入 AI 的团队中会出现一个新角色——负责审核提取结果、调整容差阈值、清理误报的人。在没有人承担这一角色的团队里，警告会被成批关闭，系统在几个月内就会沉寂下来。

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.