发错货差评 21%：一次混箱贴标事故的 AI 调查全过程，5 个「没问题」信号都是假的

这款是向日葵寄语礼品 4 个款式之一（下文叫情绪支持款），款式之间主要靠卡片上的英文寄语区分。买家之声给它的评级是「极差」。AI 先把 4 条投诉逐条对到本地订单表，确认都是这一款、每单 1 件。

调查里最花时间的不是找证据，而是一个个排除「看起来没问题」的数据。下面 5 个，任何一个单独拿出来，都足够让人以为是买家选错了款。

货件页面「找到的商品数量」展开以后，每一款下面有「商品已接收」明细和「调入相似商品」抵补项。AI 把 5 票、21 份明细逐项抄下来做加减：直接接收数加上带符号的抵补数，等于页面上的「找到」数；每一笔抵补在对方款式下都有一笔相反数。

看完上面的表，我补充了一句：情绪支持款当初只采购了 300 件。AI 重新读了一次库存，这款总库存 387 件、全部可售，比采购数多 87 件，约占当前可售的 22.48%。

调查第一版只写了工作假设：情绪支持款的标签下混进了妈妈款，可能发生在供应商配卡、国内装袋贴标、入仓接收改标或拣货中的任何一环；在拿到外袋条码和袋内卡片同框照片之前，不认定责任方。当时还准备了一份请亚马逊查仓的 Case 草稿，没有发出。

当天我们从现场了解到：采购到货时，一箱里混装了不同款；贴标的人以为同一箱都是同一款，按整箱统一贴了标。AI 随即把这条写成新的工作假设，并改了三处结论。

这次调查里有几个数字很容易被拿去说事，AI 在每个旁边都写了用法限制。

9 月 7 日的方案第一条是：暂停情绪支持款接新单，同时暂停它的广告；另外两款新款在实物检查前不放量。这些都是要人批准的动作，AI 只写了方案，没有改任何商品、广告或库存。

把这次的顺序整理成固定流程，下次遇到「发错货」投诉可以直接照着查。

AI 帮我们做的是：不停在第一个「没问题」上，把退款、退件、映射、货件、库存、采购六处数据对到一起；21 份货件明细逐项做加减验证；每个数字都写清能用来说明什么、不能说明什么；根因有了新线索就改结论和 Case 方向，不护着第一版假设。这些步骤人工也能做，但赶时间时最容易只看一两个页面就下判断。

它没有替我们执行止损，也看不到箱子里的实物。这次错货的源头在入仓前的人工贴标，AI 能做的是更早、更完整地把证据摆出来。我们没有计量这次调查省了多少人工，所以不写节省了多少小时；店铺目前也还没有盈利。