当社区仓的店主在凌晨的灯光下扫码补货时，真正决定货架空空还是满满的，是远在云端的一套需求预测模型。美团与阿里两大平台，正在用 AI 重构近场库存的每一环——从选品、补货到骑手调度，算法已取代直觉成为前置仓的新大脑。
传统便利店靠店长的经验订货——看天气、看周末、看老客户。但前置仓的 SKU 动辄五千，单品生命周期以小时计，人工判断很快触到天花板。
美团与阿里将 AI 嵌入了一条完整的决策链：
每一环都对应一个可测量的优化目标。预测模型读入历史订单、天气、周边活动、促销日历，输出未来几小时各 SKU 的销量分布；补货系统据此决定凌晨的送货量；调度算法则把骑手路线与订单峰谷对齐，减少空驶。
这套系统已经跑在数万个前置仓里。
注：以上链路为依据公开信息整理的典型架构，实际部署因平台而异。
同样是用算法管仓，美团和阿里走了截然不同的路。
以「小象超市」等自营业态作为训练场，测试 SKU 动销、库存深度、损耗模型，再把沉淀的算法封装成工具，输出给外环万级独立仓。
以「淘宝便利」等品牌授权仓为节点，平台提供选品系统、预测模型与流量，经营者承担资产与日常管理，数据回流反哺模型。
两种路线的共同点：AI 决策集中在平台侧，库存风险留在店主侧。平台用算法降低损耗、提升履约率，但订单密度不足时，算法无法变出需求。
AI 带来的改善是可量化的。公开资料显示，接入预测补货后，典型前置仓的损耗率下降约 30%，缺货率下降约 20%，骑手空驶里程减少约 15%。
注：数据为行业公开案例的典型区间，具体数值因仓型、品类与季节波动。
但这些数字没有讲完故事。
凌晨五点，东港的梅姐在几百平的地下仓里扫码。AI 已经替她算好了今天该补哪些货，但她依然焦虑——因为隔壁 500 米外又开了一家新仓。
店主沈先生从房东角度观察：退租电话变多，租期从一年缩短到几个月。AI 预测的补货再准，也救不了没有订单的仓。
AI 擅长在给定约束下做优化——给定需求分布，算出最优库存；给定订单池，规划最短路径。但前置仓的困局恰恰在于约束本身在变：需求被过度供给稀释，平台为了密度不断开源，单个节点的订单量天花板被压低。
预测模型越准，越能减少浪费，却无法创造新的购买力。当两个平台的算法都趋于成熟，竞争最终回到谁的网络更密、谁的补贴更狠——AI 只是让损耗少一点，让扩张快一点。
更深层的问题：效率的收益流向哪里？平台降低了履约成本，提升了用户体验，但承担库存风险的店主并没有自动分到一杯羹。技术进步的果实，可能被系统上层摘走。
即时零售的 AI 竞赛，本质是用算法把「密度」变成「质量」。但若利润分配机制不变，算法越强，独立仓的生存空间反而越窄——技术解决效率，不解决结构。
美团与阿里的开放平台均已上线智能补货与库存预测工具，前置仓经营者可申请接入。
进入平台控制台 → 申请智能补货