为什么 AI 正在重塑企业采购一切的方式
摘要
创业公司的优势不在于聊天机器人更好，而在于拿下现有记录系统覆盖不到的一整套端到端工作。 采购环节看似只有“8,000美元”的结果，背后可能藏着30场利益相关方会议、500封邮件、20份电子表格、工程分析和供应商反报价。Seema 的机会判断非常明确：“我们会接管整个端到端流程”（“We’re going to take over this whole end-to-end process.”）。
AI Agent 正从信息检索走向承担后果越来越重的判断。 Seema 将 Agent 分为搜索、流程、政策和主理4类：确认停运情况、按合同提供抵扣、判断20分钟是否构成重大停运，再决定是否需要超出政策授权，以维护客户关系。既有厂商仍集中在检索和简单工作流执行，因为真正完成工作，会与为支持人工员工而设计的软件发生冲突。
决定自主化多快能进入生产环境的，不是模型的原始能力，而是信任。 Lio 从人机协同开始，吸收企业特定反馈，并逐步获得处理“1万美元、2万美元或10万美元”谈判的授权；涉及数百万美元的复杂案例，则有意保留工程师和采购专家。创业公司可以渐进式推进，而既有厂商一旦推出不可靠的自主化能力，可能损害已经建立的信任基础。
采购环节看似琐碎的信息失误，可能转化为重大的运营风险。 一条埋在500封邮件中的延期2周信息，可能推迟飞机或数据中心项目，造成数亿美元损失。Agent 的价值不在于记录更新后的日期，而在于判断“是否会影响其他环节”、量化影响并找出补救方案。
做出有说服力的 AI Demo 已经容易得多，但部署可靠的自动化仍然困难。 Lio 最初的产品是从报价单中提取信息并录入 SAP，这项工作过去需要创始工程团队完成，如今求职者8小时就能复现。然而，70%的准确率可能意味着人工审核者仍要做“100%的工作”，最终增加工作量，而不是实现自动化。
真正的持久性来自专有工作流上下文、专业化评估和客户依赖，而不是事先自信宣称的护城河。 通用模型可以读取 PDF、制作电子表格，但在成本工程或价格基准分析上可能卡在80%，因为所需数据和隐性判断掌握在企业内部。Seema 认为，最强的信号是客户是否越来越依赖产品去完成有实际意义的工作。
双边采购 Agent 可能让 Lio 从买方自动化，扩展为企业交易的基础设施。 价格仍是零和博弈，但 Vlad Keil 认为，价格只是“另外5,000项任务”的产出，买方和供应商都有动力消除摩擦、加快交付。他的经济学判断同样直接：利润率提升1%，可能需要增加10%的收入才能达到同等效果，因此即便幅度不大的采购节省，也具有不成比例的价值。
精读
1. 记录系统承载结果，真正的工作发生在别处
Seema 将过去“渠道与创新”的二元竞争改写成三方博弈：如今创业公司面对的既有厂商，可以把 AI 模型叠加到既有数据、客户关系和存量工作流上。她的答案是，传统供应商受记录系统边界限制，而创业公司可以说：“我们会接管整个端到端流程。”
客户服务最能说明这种差距。解决一笔取消服务后的错误扣费，需要调取账单记录、合同条款、取消历史和过往沟通，而不只是某一个应用里的数据。同样的逻辑，也适用于从法律材料准备到庭审的全流程，或从采购申请、谈判一路延伸到交付和开票的全链路。
Vlad 的采购案例揭示了记录结果有多么容易误导：ERP 可能显示铝材价格为“8,000美元”，却漏掉供应商1万美元的反报价、3周工程分析、30场利益相关方会议、500封邮件和20份电子表格。“采购中大部分工作实际上发生在 ERP 或会计系统之外。”
Seema 将 Agent 分为4个层级：搜索 Agent 拉取事实；流程 Agent 执行预定义步骤；政策 Agent 解释模糊地带；主理 Agent 权衡更广泛的目标。发生停运时，依次对应确认发生了什么、按合同提供抵扣、判断20分钟是否“重大”，再决定是否值得提供额外补偿以维持客户关系。
2. 既有厂商受产品冲突掣肘，创业公司受信任约束
Seema 进一步指出，既有厂商并非主动收手，而是“被约束住了”。它们的渠道和客户信任让产品更容易被采用，尤其是在 Agent 被低价捆绑销售时；但一个能够完成客服工作的 Agent，会与为人工客服代表设计的软件直接竞争，由此引发产品、买方、销售激励和内部负责人的冲突。
Vlad 在 Seema 所说的内部产品冲突之外，又补充了外部信任问题。既有厂商如果推出不可靠的自主化能力，可能损害已经建立的声誉；Lio 则必须从零开始赢得信任，尤其是在 Agent 会与第三方沟通的情况下。“没有哪家公司或企业会从第一天就启用完全自主的谈判 Agent。”
因此，部署路径从人工复核开始，再通过持续积累的反馈逐步扩大权限。Lio 可以先自主处理风险较低的谈判，再逐步获得处理“1万美元、2万美元或10万美元”谈判的授权；涉及图纸和3D模型的数百万美元级谈判，则会有意暂停，先交给成本估算工程师，再让 Agent 继续推进。
3. 自动化的价值不在顺利路径，而在异常处理
Lio 起初聚焦于发票匹配、ERP录入等流程 Agent，后来判断这可能只覆盖问题的20%。剩下的80%是异常：疑似欺诈、意见分歧、非标准案例，以及会计软件从未被设计来解决的判断。
小额采购提供了低风险的验证场景。过去，企业因为没有资源谈判，往往忽略5万美元以下的采购；Vlad 开玩笑说，供应商甚至可以开一张4万美元的发票，然后等着收款。如果替代方案是完全不谈判，那么即便 Agent 不完美，新增下行风险也“几乎为零”。
Elena 提出的反例很关键：支出金额本身并不能决定风险。播客工作室的采购金额可能不高，但因为运营者了解 a16z 的偏好，战略敏感度反而很高。因此，即使大部分交易可以自主运行，Lio 仍会在关系、沟通语气或供应商连续性重要的场景保留人工参与。
战略性谈判需要重新划定人与 Agent 的边界。合同结构涉及法务团队，收款条件涉及财务，零件经济性涉及成本工程师，商业条款则属于采购部门；这些“高度合格的专业人士”为长期运行的 Agent 提供企业和行业特定知识，而不是充当可以相互替代的后台审核员。
4. 实体采购将上下文转化为决策，保护项目免受巨大下行损失
Vlad 最尖锐的例子是一架由数千家供应商共同组装的飞机。某个供应商一句“抱歉，这个零件要晚到2周”，可能埋在500封邮件中；但忽略这条信息，就可能推迟项目并造成数亿美元损失。记录“下周三”远远不够，因为同一个日期变化可能只是例行调整，也可能带来灾难性后果。
Elena 追问，当货物损坏或道路受阻时，软件究竟能改变什么。Vlad 的回答是概率性的：事件本身可能无法逆转，但更完整的上下文可以让结果变得可预测。缺货率20%的供应商可能比缺货率1%的供应商便宜10倍；但当交付失败会威胁整个项目时，选择更贵的供应商仍可能是理性决策。
因此，Lio 的 Agent 会结合内部需求、供应商表现、卖方信息，以及新闻等外部信号；Vlad 还提到，未来可能纳入 Polymarket。目标是判断影响并制定补救方案，把采购扩展为“企业之间如何开展业务”，而不只是自动化企业内部采购部门。
一个螺栓就能说明这条多 Agent 链路：接收照片、报价单或电子表格；检查各工厂库存；识别内部或外部供应商；发出 RFQ；解析邮件、PDF和 Excel 回复；比较价格；选择自主谈判、竞价或人工主导的策略；再从下单、确认、发运到发票，对全流程进行 A 到 Z 的管理。之所以需要这种架构，是因为人工流程横跨8个人、8个利益相关方、3个部门和5种软件工具，Agent 必须按顺序协调这些环节。
5. 直接采购将 Agent 从交易自动化推进到专家准备
Vlad 区分了间接采购和直接采购：前者包括维修、工厂建设、笔记本电脑、铅笔、营销和播客服务，后者则是用于制造飞机、无人机或机器人的直接零部件。直接采购涉及的供应商可能只有100至2,000家，而不是50,000家；但单个供应商就可能对应10亿美元的战略性支出。
对这类谈判而言，“90%的工作是准备”。最终结果可能只是把10亿美元降到9亿美元，但背后是10个人花3个月分析图纸、质量、商品市场和供应商经济性。目前，Agent 主要是在强化这部分后台工作，而不是替代谈判桌对面的人。
Vlad 仍然认为 Agent 可以进入前台。如果供应商以石油价格上涨10%为由要求产品涨价10%，Agent 可以立即指出石油只占产品成本的30%，并建议更接近4%的涨幅。价值在于把上下文带进谈判，而不是让机器人去握手。
6. 部署最后20%同时定义护城河和市场
Vlad 将通用模型在阅读、处理 PDF 和电子表格方面的能力视为商品化能力，但即便配合工具和最好的基础模型，系统仍可能只做到80%。根据技术图纸进行成本建模、开展价格基准分析，都依赖专有数据和隐性判断，也就是采购经理难以转化成书面规则的“直觉”，这为以结果为导向的专业化训练提供了空间。
Lio 最早走红的工作流是从报价单提取信息并录入 SAP，这过去需要创始团队完成；如今，一名求职者大约8小时就能复现。但“70%的生产率”不等于70%的自动化率：如果每个输出都需要人工核验，人仍然要完成100%的工作，还可能额外承担审核负担。
Seema 讲到，一支 Fortune 500 团队在内部开发3或4个月后得出结论：自建系统并不划算，因为录屏和截图提供的上下文不足；与此同时，两套 ERP 系统、加上计划中的第三套系统，又带来了映射和维护负担。Elena 的 Pareto 式结论是，生产部署所需的最后20%，可能消耗80%的工作量。
这种部署负担也塑造了 Lio 的运营模式：约85%的员工是工程师。FDE 和实施工作旨在减少定制、实现自助服务，并让实施过程本身自动化，而不是把 Lio 变成一家咨询公司。
Seema 判断护城河的标准很务实：拿下工作流，建立数据资产，赢得信任，并完成足够多的工作，让客户无法轻易移除产品。她还表示，学习周期和正确的评估机制，可以让 AI 逐步承担越来越复杂的任务。
Seema 最后谈到这一品类的经济学：采购节省1%，可能相当于销售额增加10%对利润表的影响；她将“枯燥”、令人痛苦却对经济至关重要的采购，称为“1万亿美元的商业机会”。