案例速覽
[事實] ZenAI 為一家物流公司建構遺留系統現代化與 AI 調度智能層：從 AS400 時代 TMS/WMS 非侵入 CDC 抽取、數據湖倉（Snowflake/ClickHouse）、AI 原生語義層、元數據 RAG 副駕、AI 調度智能與營運看板——不替換核心系統。(來源：ZenAI 案例研究)
[推論] 變化遠比「加看板」更大。公司的約束是遺留割裂的系統與批次報表，讓港口擁堵、底盤短缺與滯期只能在事後看見。價值在於從核心流出數據、加入分析，而無需冒險替換。
核心路徑：遺留系統 → CDC → 湖倉 → 語義層 → 自然語言答案與風險信號 → 更好的調度決策。
背景與約束
[事實] 公司的運輸、倉儲與港口業務運行在 AS400 時代遺留 TMS/WMS 上，數據割裂、僅 T+1 報表。(來源：ZenAI 案例研究)
[推論] 由此兩個問題：管理者無法對晚一天才看到的信號採取行動；跨系統問題（港口＋底盤＋碼頭）需要人工拼接，而沒人有時間。
目標客戶畫像
[推論] 最匹配的 ICP 是遺留密集、核心系統無法替換、決策延遲昂貴的營運。
典型條件：遺留核心系統；營運數據孤島；批次報表；延遲代價高；可接受讀取層。
GTM 問題
[推論] 成長與毛利被決策延遲封頂。公司有數據卻看得太晚，無法阻止滯期與閒置產能。
問題分三層：① 可視問題——信號晚一天；② 整合問題——數據跨系統孤島；③ 分析問題——跨系統問題靠人工。
定位
[事實] ZenAI 將其定位為在既有 TMS/WMS 之上的非侵入式現代化層，而非替換，加入湖倉、語義層與建議型調度智能。(來源：ZenAI 案例研究)
[推論] 定位立於三點：保留核心並從其流出數據；統一至湖倉；加入語義層與建議型副駕，讓管理者得到答案而非裸表。調度智能僅建議——不取代調度員。
渠道
[事實] 該層交付於公司既有營運內，不替換核心 TMS/WMS。(來源：ZenAI 案例研究)
[推論] 因只讀核心而不改動它，採用避免了冒險替換；改進體現為實時可視與更快的營運決策。
結果與證據
[事實] 該 engagement 回報：數據從 T+1 提升到分鐘級同步；保留既有 TMS/WMS 降低替換風險；自然語言查詢數秒應答；底盤拆分、滯期等成本異常更早預警。(來源：ZenAI 案例研究)
[推論] 這表明非侵入讀取層可在不替換核心的前提下移除決策延遲天花板。指標為交付團隊回報，應作方向性證據。可用指標：數據新鮮度、查詢延遲、避免的滯期、調度員節省時間。
3 條問題，提供建議切入評級與首選場景。
行動引導
評估類似專案時，從五個問題開始：
- 哪些信號你晚一天才看到？ 識別昂貴的延遲。
- CDC 能在不動寫入的前提下讀什麼？ 界定抽取範圍。
- 哪些系統必須統一？ 定義湖倉模型。
- 管理者該用自然語言問什麼？ 設計語義層。
- AI 應在哪裡建議而非決定？ 讓調度員掌控。
把這一頁，拿去問你的 AI
以下問題由 CodeLeo 預先準備。選一條問題、再選一個 AI 助手，這頁的標題、連結和摘要會隨問題一起送出；也可以單獨複製問題，改寫後再問。
點三次，20 秒。下面的問題與決策包會跟著你的選擇變。
使用各 AI 助手需先登錄相應帳號。回答由 AI 基於頁面內容生成，不代表 CodeLeo 的立場。
來源
01來源與使用方式本案例由 ZenAI 團隊執行交付，內容首發於 ZenAI 自有網站（zenaicorp.com / zenai.cc）。來源許可狀態核查於 2026-10-18
帶走這一頁
物流公司：遺留 TMS 現代化＋AI 調度智能
- 關鍵判斷
- 不要推倒可用的核心；從它流出數據。；分鐘級可視改變營運決策。
- 能不能搬到你這裡
- 中 · 「非侵入式 CDC＋湖倉＋語義層＋建議型副駕」此模式，可遷移到任何無法推倒重來的遺留密集營運。
- 風險
- CDC 與湖倉管道需要治理與新鮮度保證。
複製內容含原文連結，可直接貼進飛書、郵件或會議紀錄。
