物流最貴的地方，常常不是運輸，是事情沒被確認。
Flexport 做的是跨空運、海運、卡車和鐵路的貨運安排。Petersen 的說法很直白：這是一個規模驅動的產業，規模越大，單位成本越低。但一票貨的成本不只在船、卡車或油價，也在每一次重新確認、人工追問與資訊落差。
他把 AI 的工作講成一連串具體決策：根據客戶資料提供更好的存取方式、找出貨櫃如何裝得更好、把貨櫃放到哪一艘船才同時符合價格與到貨時間。這些問題一直存在，只是過去靠專業人員在不同系統與溝通管道之間補洞。
第一個被 AI 碰到的，是 email、地址和預約電話。
物流不是只有最佳化演算法，還有大量例行但昂貴的溝通。客戶寄信說要訂一個貨櫃，這封信得被轉成一筆訂單。貨要送進倉庫前，地址和時間得確認。若地址資料錯了，卡車可能白跑，延誤與額外成本就一起出現。
Flexport 的例子是：如果三個月內沒有送過某個地點，系統可以讓 LLM agent 先透過 email 或語音確認地址與預約時間。它不是假設每件事都能自動成功，而是把原本鬆散、容易漏失的溝通協定，變成可以被確認與追蹤的流程。
AI 的擴散不必先從工程師開始。
Petersen 在訪談裡提到，公司的 hackathon 是觀察 AI 變化的地方。最近兩次活動，大約九成專案都與 LLM 有關。更重要的不是一個展示用原型，而是哪些專案值得繼續投入，變成真的工作流程。
他也談到一個反向想像：過去若想自動化一個物流職務，可能得找工程師為領域專家做工具。現在的方向是讓本來最懂工作的人，也能用低程式碼或 AI 工具自己把重複工作自動化。這不會讓專業消失，反而把專業從反覆抄寫與追問，移到判斷例外、設計流程與驗證結果。
更快、更便宜，不等於把人從流程裡刪掉。
物流有大量例外：港口延遲、地址變更、倉庫沒有空位、客戶資料不完整。這正是單純追求自動化容易失敗的地方。Petersen 描述的是讓 agent 先處理可確認的工作，讓人把注意力留給需要權衡、談判與承擔責任的情況。
因此 AI 的衡量方式不該只是「少了幾個人」，而是流程是否少了不必要的等待、是否能更早發現錯誤、是否能在成本與到貨時間之間提供更好的選擇。AI 若只是把壞資料更快地傳出去，物流不會更可靠。
AI 真正碰到實體世界時，產品會變成一連串承諾。
貨物不是畫面裡的一個 token。它要在某個時間到某個地點，錯一個地址、少一次確認，成本會立刻落在卡車、倉庫、人員與客戶身上。這也是物流特別適合檢驗 AI 的地方：每個答案都要回到能不能讓貨更準時、更便宜、更少失誤。
這集訪談沒有承諾 AI 已經解完物流問題。它提出的比較務實：把大量原本散落在 email、試算表和電話裡的工作，逐步轉為可驗證的操作。當這些等待被縮短，規模化才會真的變成使用者能感受到的價格與時間差。
物流的 AI 機會，不是讓貨物自動消失，而是讓一個本來靠人追電話與資料的系統，能更早確認、安排與回應。
如果要先把一段物流流程交給 AI，
你會從哪裡開始？
這不是測驗。選出你認為最能先減少摩擦的一步。