DHL 案例用財務、環境、安全、路線與倉儲 robotics 指標說明：AI 導入不能只用單一效率 KPI 評估。
| 指標 | 2022→2023／原書變化 |
|---|---|
| Total investments | €7,862m→€6,709m，−14.70% |
| Free cash flow | €3,067m→€2,942m，−4.10% |
| CO₂ emissions | 33.27m tons→34.9m tons，+4.90% |
| Lost-day accident frequency | 3.1→3.3，+6.50% |
| Balance-sheet total | €68,476m→€66,814m，−2.40% |
| Net debt | €15,856m→€17,739m，+11.90% |
DHL 使用 AI route optimization 依 traffic、weather、tracking data 動態改路線。倉儲方面，原書記載 Beringe 使用 LocusBots；北美超過 10 個 locations 部署 2,000+ LocusBots，累計揀取 100 million+ units。原書並指出 collection efficiency +50%，picking errors −25%，且 Beringe 的作業員生產力可達原先約 3 倍。
即使 AI／robotics 在局部流程帶來效率提升，企業層級的 CO₂、安全與財務指標仍可能同時惡化。因此不能用單一 automation success 宣稱整體企業績效已改善。
把 DHL 指標分成「財務、環境、安全、效率、服務」五類，找出改善與惡化同時存在的地方；不得把相關性寫成 AI 造成的因果。
若 picking errors 原為每 10,000 件 200 次，下降 25% 後是多少？
**精簡參考解答：**200×0.75 = 150 次／10,000 件。這是教材情境。