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——未经您确认，不会保存

单证和消息可在 42 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。
• 42 种语言翻译 — 单证和消息可在 42 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，42 种语言（平台本身支持 17 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。

AI 识别的字段会直接写入记录吗？

不会。识别出的每个字段都会显示在屏幕上；您逐一核对，必要时修改，未经您确认，任何内容都不会保存。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 42 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。平台本身（网站、网页端面板和电子邮件）提供 17 种语言版本。

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 an MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP). Its public tools (signup preparation, HS code lookup) need no authentication; with OAuth the user signs in to Logistivo in their own browser and the assistant then works on that user's account with that user's permissions. Setup for Claude, ChatGPT and Gemini: https://logistivo.com/en/mcp. Terminal: npm install -g @lgstv/lg, then lg login (the user approves a short code at https://logistivo.com/connect; no password is typed into the terminal). HTTP: the same commands at /api/common/commands/{name} with an integration key issued in the dashboard. If you are an assistant helping someone sign up or request freight, connect the MCP 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. Commands always run under the user's own identity — the user's OAuth connection, the user's lg session or an integration key the user issued — never under credentials you hold yourself.