案例速览
[事实] ZenAI 为一家物流公司构建遗留系统现代化与 AI 调度智能层：从 AS400 时代 TMS/WMS 非侵入 CDC 抽取、数据湖仓（Snowflake/ClickHouse）、AI 原生语义层、元数据 RAG 副驾、AI 调度智能与运营看板——不替换核心系统。(来源：ZenAI 案例研究)
[推断] 变化远比"加看板"更大。公司的约束是遗留割裂的系统与批处理报表，让港口拥堵、底盘短缺与滞期只能在事后看见。价值在于从核心流出数据、加入分析，而无需冒险替换。
核心路径：遗留系统 → CDC → 湖仓 → 语义层 → 自然语言答案与风险信号 → 更好的调度决策。
背景与约束
[事实] 公司的运输、仓储与港口业务运行在 AS400 时代遗留 TMS/WMS 上，数据割裂、仅 T+1 报表。(来源：ZenAI 案例研究)
[推断] 由此两个问题：管理者无法对晚一天才看到的信号采取行动；跨系统问题（港口 + 底盘 + 码头）需要人工拼接，而没人有时间。
目标客户画像
[推断] 最匹配的 ICP 是遗留密集、核心系统无法替换、决策延迟昂贵的运营。
典型条件：遗留核心系统；运营数据孤岛；批处理报表；延迟代价高；可接受读取层。
GTM 问题
[推断] 增长与毛利被决策延迟封顶。公司有数据却看得太晚，无法阻止滞期与闲置产能。
问题分三层：① 可视问题——信号晚一天；② 集成问题——数据跨系统孤岛；③ 分析问题——跨系统问题靠人工。
定位
[事实] ZenAI 将其定位为在既有 TMS/WMS 之上的非侵入式现代化层，而非替换，加入湖仓、语义层与建议型调度智能。(来源：ZenAI 案例研究)
[推断] 定位立于三点：保留核心并从其流出数据；统一到湖仓；加入语义层与建议型副驾，让管理者得到答案而非裸表。调度智能仅建议——不取代调度员。
渠道
[事实] 该层交付于公司既有运营内，不替换核心 TMS/WMS。(来源：ZenAI 案例研究)
[推断] 因只读核心而不改动它，采用避免了冒险替换；改进体现为实时可视与更快的运营决策。
结果与证据
[事实] 该 engagement 汇报：数据从 T+1 提升到分钟级同步；保留既有 TMS/WMS 降低替换风险；自然语言查询数秒应答；底盘拆分、滞期等成本异常更早预警。(来源：ZenAI 案例研究)
[推断] 这表明非侵入读取层可在不替换核心的前提下移除决策延迟天花板。指标为交付团队汇报，应作方向性证据。可用指标：数据新鲜度、查询延迟、避免的滞期、调度员节省时间。
3 个问题，给出建议切入评级与首推场景。
行动引导
评估类似项目时，从五个问题开始：
- 哪些信号你晚一天才看到？ 识别昂贵的延迟。
- CDC 能在不动写入的前提下读什么？ 界定抽取范围。
- 哪些系统必须统一？ 定义湖仓模型。
- 管理者该用自然语言问什么？ 设计语义层。
- AI 应在哪里建议而非决定？ 让调度员掌控。
把这一页，拿去问你的 AI
以下问题由 CodeLeo 预先准备。选一条问题、再选一个 AI 助手，这页的标题、链接和摘要会随问题一起送出；也可以单独复制问题，改写后再问。
点三次，20 秒。下面的问题与决策包会跟着你的选择变。
使用各 AI 助手需先登录相应账号。回答由 AI 基于页面内容生成，不代表 CodeLeo 的立场。
来源
01来源与使用方式本案例由 ZenAI 团队执行交付，内容首发于 ZenAI 自有网站（zenaicorp.com / zenai.cc）。来源许可状态核查于 2026-10-18
带走这一页
物流公司：遗留 TMS 现代化 + AI 调度智能
- 关键判断
- 不要推倒可用的核心；从它流出数据。；分钟级可视改变运营决策。
- 能不能搬到你这里
- 中 · 「非侵入式 CDC + 湖仓 + 语义层 + 建议型副驾」这一模式，可迁移到任何无法推倒重来的遗留密集运营。
- 风险
- CDC 与湖仓管道需要治理与新鲜度保证。
复制内容含原文链接，可直接粘进飞书、邮件或会议纪要。
