丹麦物流巨头DSV正面临巨大压力,被迫加快推进一项规模空前的IT系统整合工程,以确保其庞大的全球计算机系统能够与以AI为驱动核心的竞争对手抗衡——后者的崛起已在整个物流行业引发深远震动。
早在AI浪潮冲击之前,DSV就已身处重压之中。去年,该公司以143亿欧元(约合1067亿丹麦克朗)的价格收购德国DB Schenker,一跃成为全球最大的第三方物流企业。然而,这笔交易也带来了沉重的财务负担——横跨90个国家、高度复杂的货运与IT运营体系,以及为完成收购而背负的巨额债务。
与此同时,货运市场持续低迷。DSV正以"前所未有的速度"推进Schenker全球业务的整合,力图简化IT系统、削减运营成本,并为其330亿欧元规模的业务实现流程自动化铺平道路。
今年2月,AI引发的市场恐慌席卷股票投资者,物流板块股价应声下挫,局面愈发严峻。彼时,DSV正在巡回向股东汇报2025年财务状况,AI有望通过自动化技术颠覆这一劳动密集型行业的讨论,在此时引发广泛关注。CEO延斯·伦德(Jens Lund)在发布会上宣布,来自90个国家的8.5万名Schenker员工正式加入DSV大家庭,公司员工规模近乎翻番。
这场恐慌的导火索,来自一家名为Algorithm Holdings(Algo)的美印合资AI物流初创公司。该公司估值1600万美元,声称"守旧、劳动密集"的物流行业可以通过将现有辅助员工管理货运和仓储网络的计算机系统替换为智能AI系统,将劳动力及相关IT成本降低至原来的四分之一。
Algo迅速崛起,接连与多个知名品牌签署物流合同,与可口可乐启动试点项目,正式进军美国市场,并宣布全球扩张计划。它还援引一项研究,声称其AI系统通过自动化作业,已大幅提升客户物流效率。
Algo的核心论断是:AI正推动物流管理从"劳动密集、人工操作"模式向"高度自动化、智能驱动"模式转型,而现有大型货运企业所做的,不过是将旧有工作流程数字化,只是逐一对单个流程实施AI自动化,而非对整体业务模式进行根本性重构。
Algo的背景并非凭空而来。该公司脱胎于印度软件开发商SemiCab,后者开发的物流AI系统曾被纳入印度政府主导的国家智能货运网络建设项目,后被美国投资者收购,并被引入美国市场,进而谋求全球扩张。
行业的反击
市场观察人士将股价因Algo言论而暴跌的反应称为"过度恐慌"。然而,到了3月份,随着股价持续下滑,DSV高管不得不公开发声,向投资者阐明公司的IT整合计划。他们承诺,DSV确实正在开发AI技术以推动劳动密集型业务流程的自动化,但一再强调,在5月12日的年度战略说明会之前,不会披露更多AI规划细节。
DSV传达的信息与2月份对股东所述基本一致:公司计划在AI领域大展宏图,但前提是必须先完成企业史上规模最大的IT整合之一,将复杂混杂的IT系统统一整合,为AI自动化建立坚实基础。因此,公司正在加快整合进度,不仅是为了让因并购而急剧膨胀的业务恢复良好的财务状态,更是为了让有实质意义的AI自动化成为可能。
这也是DSV CEO延斯·伦德面对金融分析师质询时给出的答案。早在Algo出现之前,分析师们就已就美国公路货运经纪商CH Robinson的案例向DSV施压——后者动用450名软件工程师组成的团队,构建了一支AI"智能体舰队",使生产效率提升40%,裁员约一成,毛利润提高四分之一,而DSV的生产率却在同期走低。伦德承诺,AI自动化将是IT整合完成后的下一阶段目标,届时将为DSV节省"数十亿"丹麦克朗量级的运营成本。此言一出,DSV股价即刻回升。
伦德对DSV战略充满信心。他在回应CH Robinson的成绩时向分析师表示,衡量AI自动化成效的标准,不应只看生产率——如果所需投入巨大,反而侵蚀利润,便得不偿失。而且,大量AI智能体各自为战,对物流带来的也只是渐进式的边际改善。DSV志在构建企业级规模的AI能力,这需要一个坚实的数据与IT系统基础,而这正是该公司通过并购后全球IT系统整合所着力打造的。
伦德承诺推动根本性转型:DSV将通过把全球运营集中纳入自动化AI系统来实现降本增效,并为此组建了一支"铁腕团队"。
变革的阻力
"在90个国家推动这些变革、建立全球统一组织,极具挑战性,"伦德对投资者坦言,"很多人对这类变革心存抗拒,但这是利用这项技术的唯一途径。"
DSV已率先在跨境货运的海关申报流程中启动自动化改造。目前,多达5000名员工日常从事繁琐的报关表格填写工作。该流程将被集中统一管理、实现自动化,再以服务形式反向输出给各部门负责边境业务的国家团队。
与此同时,DSV正加速推进IT整合,以便在所有劳动密集型业务领域全面落地AI自动化。据该公司2025年报告披露,整合工作包括:将各业务部门的商业软件系统分别整合至单一应用,将所有数据汇入统一平台,向客户提供单一服务入口,并通过统一的中间件层实现API与EDI接口的双向对接,全部运行于整合后的统一IT基础设施之上。
并购完成后,DSV任命了各国管理团队负责推进当地的业务与IT整合,并按国家逐一推进,每个国家均遵循该公司在近40年内历经约20次并购后所积累形成的整合"操作手册"。
这份手册涵盖一套32阶段的IT整合计划,已成为DSV并购叙事的重要组成部分。据其2025年报告,并购与整合是公司的核心增长战略。简化后的统一数据、软件应用与IT基础设施,不仅是实现成功的必要条件,更是业务重构与AI自动化的先决基础。而系统、严谨的IT整合计划,则是使这一切成为可能的关键保障。
其核心原则在于:集中治理、责任清晰、分阶段执行,由专职团队负责维护业务连续性并保护客户关系。
业务转型咨询公司Egremont Group副总裁马克·戴维斯(Mark Davis)指出,在物流行业,实时运营高度依赖系统支撑,这是一场风险极高的战略博弈。他表示,大型IT整合在各行各业都以容易出错著称,这种"坏名声"不无道理。
"顺利完成的整合案例,依然是例外而非常态,"戴维斯补充道。
即便管理得当的整合,也难免面临两难抉择。不过,DSV于2019年完成的对瑞士空运及海运货代公司Panalpina(收购价15亿欧元)的整合堪称典范:整个过程有条不紊,在推进任何IT平台整合之前,均优先保障运营连续性。他表示,微软成功整合领英同样源于类似的审慎态度——初期刻意抵制系统整合冲动,保留了一定的运营独立性,所有决策均以业务需求为导向。
"整合失败的案例,往往是在系统整合目标不清晰的情况下强行推进,低估了数据复杂性,并任由并行环境长期共存,"戴维斯说,"大多数失败,归根结底都是决策与实际业务运作脱节的结果。"
整合实绩
DSV接手Panalpina时,后者正处于将全球IT系统迁移至SAP平台的过程中。DSV转而将这家瑞士公司纳入自有物流系统。如今面对Schenker,DSV沿用同一思路,但进展比预期复杂,这在其2025年报告中也有所披露。
Schenker合同物流业务的整合进度已被迫推迟五年;航空及海运部门不得不同时维持两套业务系统并行运作;只有公路货运部门的系统整合进展相对顺利。DSV认为,统一数据层的建立,使得在推进系统统一的过程中维持并行业务系统具有可行性。
伦德在2月份坦承,整合工作已拖累利润陷入低谷。DSV急于完成整合,一方面是为了修复因交易规模过大及Schenker原本财务状况相对欠佳所导致的业绩受损,另一方面也是为了偿还收购德国这家公司所举借的债务。
与此同时,货运市场正经历持续低迷。正如Stax咨询公司近期所指出的,这种环境往往催生并购——因为部分企业在压力下陷入困境。一位分析师在2月指出,DSV自身在Schenker交易完成前的近五年里,成本已持续攀升,而去年这笔并购使公司规模翻了一番。
DSV预计,到年底,整合合并后业务的总投入将达15亿欧元,换取每年12亿欧元的永久性成本节约。DSV寄望于明年完成IT整合后随之推进的AI自动化,来扭转并购前已出现的税前利润下滑趋势,并如伦德在2月所坦承的,重振持续下滑的生产率。
然而,迫使DSV加速推进这场全球最大规模IT整合之一的,并非只有AI竞争压力、高负债、低利润和疲软的市场。DSV的2025年报告还指出,面对日益严峻的网络安全威胁,该公司正争分夺秒地整合计算机系统——因为系统越复杂,漏洞就越多,而在当前局势下,供应链已日益成为攻击目标。
DSV表示,应对上述所有挑战的答案,归根结底只有一个:化繁为简。
Q&A
Q1:DSV为什么要这么急着完成IT系统整合?
A:DSV整合的紧迫性来自多重压力:收购DB Schenker后背负巨额债务,货运市场持续低迷拖累利润,同时面临以AI驱动运营的竞争对手带来的市场冲击。完成整合是DSV实现企业级AI自动化的前提——只有将全球分散、复杂的IT系统统一整合,才能建立起支撑AI自动化的数据与系统基础,进而削减数十亿克朗量级的运营成本。此外,系统复杂性带来的网络安全风险也是推动整合提速的重要原因。
Q2:DSV的AI自动化计划具体要怎么做?
A:DSV计划在完成IT整合后,将AI自动化应用于各类劳动密集型业务流程。目前已率先在跨境货运的海关申报环节启动自动化试点,涉及约5000名员工的表格填写工作将被集中化、自动化处理。DSV的目标不是逐一优化单个流程,而是在统一的数据平台和IT基础设施之上,构建企业级规模的AI能力,实现整体业务模式的根本性重构,最终将运营成本压缩数十亿丹麦克朗。
Q3:Algorithm Holdings(Algo)对物流行业有什么冲击?
A:Algo是一家美印合资AI物流初创公司,其核心主张是:AI可以将传统物流行业的劳动力及IT成本降低至原来的四分之一,通过智能系统全面接管货运与仓储管理,替代现有依赖大量人工的运营模式。该公司迅速签下可口可乐等知名品牌的试点合同并宣布全球扩张计划,引发市场对传统物流企业商业模式的广泛质疑,直接导致DSV等物流巨头股价大幅下挫,并倒逼企业公开表态加速AI布局。
好文章,需要你的鼓励
这项来自明尼苏达大学等机构的研究发现,大语言模型在强化学习后训练中,只需训练中间少数几层即可匹配甚至超越全参数训练效果,且这一规律跨模型、跨任务高度稳定,为更高效的AI训练策略提供了新思路。
本文介绍VIBE框架,一套通过开放式任务评估大型音频语言模型声音诱发偏见的系统,测试12个模型后发现每个模型均存在显著性别或口音偏见。