全球快递公司利用亚马逊Bedrock自动化货运异常处理

Worldwide Express（隶属于ShipStation Global）已经取得巨大成就：系统总收入约50亿美元，拥有超过75家零担（LTL）承运商，客户数超过13万。但同样的规模也带来了隐藏的成本。每月有1500万美元的自由现金流被冻结，困在尚未解决的账单异常中。每一个异常都需要手动追踪，逐个承运商核对规则。Worldwide Express外包给一个团队，该团队逐个处理案例，为每个争议呼叫客户和承运商。异常越积越多，现金停滞不前，每个订单转化为现金的时间也越来越长。

Worldwide Express与AWS和LTM合作，使用Amazon Bedrock构建了一个多智能体AI解决方案，直接集成到他们的运输管理系统（TMS），SpeedShip中。发布六个月后，该公司报告称，活跃异常减少了75%，现金回收时间缩短了4周，年节省100万美元，并一次性注入1000万美元的自由现金流。

在本文中，我们描述了挑战，解释了Worldwide Express如何设计多智能体解决方案，并分享了结果。

挑战

在零担货运中，大约14%的发票在采购订单、货物收据和承运商发票之间无法通过标准的三方匹配。当匹配失败时，发票将进入异常处理。对于Worldwide Express来说，异常分为三类：

项目不匹配：数量或服务代码与运输记录不一致。
价格差异：承运商收取的费率与合同价格不同。
意外的附加费：原报价中未列出的卸货门费、住宅附加费或重新称重调整。

每个异常都会触发一个五步手动流程：

通过将发票与采购订单、货物收据和定价进行交叉参考来识别异常类型。
在供应商记录中研究根本原因。
向承运商或仓库发送带有争议详情的电子邮件。
等待回复。
在TMS中执行解决方案。

由于每个承运商都在其自己的关税结构和争议工作流程下运营，因此该流程占用了FinOps团队的大部分带宽。

基于规则的流程自动化（RPA）可以处理结构化、可预测的工作流程。然而，异常解决需要上下文判断：解释承运商的附加费政策，将费用与运输数据进行比较，并根据承运商、异常类型和金额决定有效性。这种可变性使该问题适合智能体AI框架。

从评估到生产

2025年6月，Worldwide Express聘请了AWS业务转型与价值咨询团队，以确定订单到现金生命周期中的19个自动化机会。Worldwide Express深知异常自动化的商业价值，不到6个月就从评估阶段过渡到了生产阶段。

工作原理

该解决方案运行在 AWS 上。Amazon Bedrock 提供人工智能推理，而亚马逊弹性计算云 (Amazon EC2) 是其引擎。设计要求对每个代理的推理方式、决策边界以及代理间异常路由进行细粒度控制。直接在 Amazon EC2 上构建框架，由 Amazon Bedrock 提供推理，将编排逻辑完全掌握在团队手中，并支持开源代理库。业务逻辑的生产控制使每个代理的角色、输入和决策边界明确且可审计。在账单争议工作流中，每项自动决策都需要可解释。

代理

当检测到发票异常时，系统将其路由到三个专业 AI 代理之一，每个代理处理特定类型的账单争议：

发票匹配代理 查找匹配的运输记录并标记不一致之处。
价格差异代理 比较承运人的收费与合同费率，并确定差异是否有效。
附加费验证代理 检查意外费用（如住宅配送或装卸台费用）是否得到实际配送事件的支撑。

每个代理在提出建议前会提取特定的承运人账单规则和政策。异常解决后，系统会生成一段平实的文字说明，解释发现的内容和采取的行动。

每个自定义代理都有一个指令提示（定义其角色、决策边界和输出格式）、一套动作（集成到 SpeedShip）以及访问承运人特定知识库的权限。通过使用 Amazon Bedrock，每个代理通过单个 API 访问合适的基座模型，同时继承现有的 AWS 治理。关于区域内的模型可用性，请参阅亚马逊 Bedrock 中的 AWS 区域支持模型。

动作

代理通过分析师使用的相同 API 连接到 SpeedShip。这意味着 AI 看到的内容与人类审查员看到的内容完全一致（合同费率、运输细节、交付证明），并将其决议写入相同的工作流。SpeedShip 在 AWS 上有 API，因此代理连接到与其他现有系统相同的端点。

承运人知识库

每个承运人都有不同的账单规则、费用定义和争议程序。Worldwide Express 存储每个承运人的文档：关税规则、附加费定义、争议步骤和差异阈值。当代理处理异常时，在做出决定之前，它会检索该特定承运人的政策和标准操作程序 (SOP) 文档，因此每个决策都基于承运人自己的规则。这三个代理处理所有承运人，没有任何承运人特定的代码。

人工介入

批准步骤在初始推广期间对 FinOps 的采用是必要的。最初，人类审查员会使用现有的 SpeedShip UI 在最终确定之前批准建议。最终当准确率超过 99% 时，批量批准成为默认选项。

可观察性

Worldwide Express 的团队构建了仪表板，跟踪按承运人的自动化率、按异常类型的错误率、解决时间和人工覆盖频率。当审查员拒绝建议时，系统会记录反馈。团队根据拒绝历史改进指令提示和知识库，稳步提高自动化覆盖率。

端到端流程

以下图表展示了端到端的流程，从异常检测到三个专用代理再到人工审批。在图表中，来自数据源（SpeedShip TMS、一个运输系统、一个电子数据交换（EDI）服务器以及承运商和供应商门户）的异常被检测并路由到三个代理中的其中一个。每个代理都在 Amazon EC2 上运行，具有自动扩展功能，使用具有自己的提示、工具和承运商知识库的代理框架，并调用 Amazon Bedrock 进行模型推理。代理生成一份解决方案报告。成本最终确定和 AI 撰写的笔记然后交给人工审阅员在 SpeedShip 分析员 UI 中进行审批。

图 1：全球快递在 AWS 上的 AI 驱动的异常处理架构

结果

六个月后，全球快递已将解决方案部署到 40 多家 LTL 承运商。目前，代理每周关闭 10,000 个（大约 50%）异常，错误率低于 1%。这使 FinOps 团队的时间从常规解决转移到复杂、高价值的争议。

影响最明显地体现在活跃异常的积压中，该积压从 2025 年 6 月的 1500 万美元下降到六个月后的 400 万美元，减少了 75%。全球快递释放了 1000 万美元的自由现金流，每年节省了超过 100 万美元的成本，第一年投资回报率（ROI）为 60 倍。该公司报告称，现金回收时间缩短了四周。

“借助 AWS，我们自动化了每周超过 40% 的计费异常，显著降低了成本并加速了计费周期从天数到分钟。今天，我们以以前不可能的速度每周发布大约 1000 万美元的客户计费。”

— Nathanael Pearson，全球快递 FinOps 副总裁

展望

全球快递已经将这种方法扩展到订单到现金周期的其他部分。对于管理高承运商量的物流公司来说，前进的道路是从小处着手。首先自动化最重复的异常类型，证明准确性，然后扩展到整个产品组合的其他部分。

结论

全球快递的异常自动化展示了当自主 AI 遇到一个范围明确的企业问题时可能实现什么。Amazon Bedrock、承运商特定知识库和人工参与审批设计的结合使全球快递能够在不到 6 个月的时间内从评估转向生产，同时保持财务控制。该公司现在正在将自动化扩展到其他订单到现金流程。

要探索这种方法是否可能适用于您的组织，与您的客户团队申请对话或了解更多关于 Amazon Bedrock 的信息。像 LTM 这样的合作伙伴可以与您自己的数据一起运行价值证明（PoV）冲刺。

关于作者

Saumya Shah

Saumya 是 AWS 的客户解决方案经理，已有四年经验。她帮助交通运输和物流企业加速 AI 从概念验证到生产的采用。

Nikhil Bhagat

Nikhil 是 AWS 的一名高级解决方案架构师。凭借超过十年的 WAN、DNS 和数据中心网络架构经验，他专门从事云基础设施、网络和生成式 AI。他帮助客户设计、构建和优化他们的云解决方案，并构建自主 AI 框架。他将支撑弹性网络的基础纪律——包括可靠连接、隔离和周到的流量设计——带到现代 AI 背后的分布式系统中。

Lynette Woolfolk

Lynette 是一位在交通运输与物流领域的客户经理，在亚马逊云科技（AWS）工作已有6年。她为企业客户提供咨询，帮助他们通过变革性的技术解决方案和人工智能驱动的创新实现可衡量的业务价值。

Arjun Srinivasan

Arjun 是一位企业人工智能高管，担任 ShipStation Global 的 AI 与数据科学首席运营官，拥有超过20年的经验，在分销、物流、能源、制造业和零售领域推动数据、分析和人工智能转型。他领导了涵盖生成式人工智能（GenAI）、自主式人工智能（Agentic AI）、智能自动化、预测分析、计算机视觉和物理模拟的大规模人工智能战略、治理和产品化工作。以将新兴技术转化为可衡量的业务成果而闻名，Arjun 与高管团队合作，将人工智能从试点项目扩展到企业级应用。他也是一位频繁的演讲者、顾问和生态系统构建者，专注于实用、可信且价值驱动的人工智能创新。