AI 智能体与企业采购背后的工作

a16z 的 Seema Amble、Elena Burger 与 Lio 联合创始人兼 CEO Vladimir Keil 讨论企业采购中的 AI 智能体。a16z 投资了 Lio，嘉宾和主持人对所讨论公司有利益关系。

主持人问，现有软件公司已经拥有客户、数据和系统记录，AI 原生初创公司还能提供什么不同价值。

嘉宾认为重要工作常发生在正式系统之外：邮件、表格、会议和跨部门判断未必完整记录在数据库中。

他举采购订单为例：最终 ERP 中的一个金额可能只是大量供应商沟通、技术分析和审批之后的结果。

系统记录最终结果与理解产生结果的过程是不同能力。智能体若要参与工作，需要访问合适的上下文并尊重权限。

两人用客户支持例子区分几个层次：检索信息、执行明确流程、应用政策，以及在边界内作更复杂判断。

更高层的判断可能涉及客户关系、风险和例外处理，不应仅凭自动化程度假定它正确。

讨论转向既有软件公司的组织与激励。嘉宾认为不同部门、产品和买家可能让跨系统流程的改造困难；这是他的竞争分析。

企业客户需要信任新系统如何处理数据和执行任务。建立信任需要权限、审计、实际表现和逐步引入，而不仅是销售演示。

Keil 回顾公司早期从文档处理和流程智能体切入，后来发现客户需要覆盖更完整的采购工作。

他介绍客户采购涉及的既有系统和人员，并强调初创公司需要学习具体企业的流程，而不能假设所有企业相同。

他描述通过人工参与收集反馈、逐步改进系统的方法。人类监督可以支持学习与控制，但并不自动消除错误。

关于谈判自动化，他说风险取决于金额、关系和任务性质。企业未必会从第一天就让智能体自主处理最重要的决策。

采购决策不只是最低价格，还可能涉及合同、供应可靠性、法律、财务、工程和运营要求。

在大型制造或基础设施项目中，某个零件延期可能影响整体进度。访谈中的损失金额是情景说明，不能套用到所有项目。

嘉宾认为系统可以整合供应商信息、项目状态和外部信号，帮助人员评估交付风险；预测仍需数据质量和实际验证。

有时更高的单价可能换来更高的交付确定性。是否值得取决于合同、项目约束与人的风险判断。

Keil 描述多个智能体在采购流程中分享信息、承担不同任务的设想。他说目标是贯穿流程，而不只是回答一个问题。

示例从一个零件订单开始，涉及规格、供应商选择、询价和采购系统记录。每个环节都可能需要不同部门提供上下文。

系统还需要处理合同和后续交付信息。嘉宾对自动化程度的描述是公司产品说法，并非本访谈独立验证的表现。

嘉宾举长期谈判为例：工程人员可能提前分析材料、供应和价格，后端准备与面对供应商的谈判都是流程的一部分。

他认为模型可以帮助整理信息和生成建议，但公司仍要决定哪些动作可以自动执行、哪些需要审批。

他们讨论跨系统集成和长流程中的错误处理。真实部署需要记录动作、控制权限并提供合适的人工接管方式。

谈到模型选择，他说公司使用多家供应商的模型，并设想针对不同任务组合基础模型与外部工作流。

他认为某些任务需要更专业的领域知识和评估。一个通用模型的能力并不自动覆盖每家企业独特的采购政策。

对垂直 AI 公司的长期优势，两人讨论领域知识、集成、信任和持续执行，同时承认护城河很难提前准确预测。

主持人问企业能否自己构建类似系统。嘉宾认为初步原型可能很快出现，但可靠集成、上下文和长期维护通常更难。

他用完成部分工作但仍需要人工检查全部结果的例子说明：覆盖率与真正节省的工作量不是同一指标。

主持人补充一个企业项目中上下文不足的例子。是否能迁移流程，需要弄清旧系统、数据含义和新的职责分配。

如果买方和供应商都使用智能体，系统可能需要协调共享文件、最新条款和状态。沟通效率提高不代表双方利益完全一致。

当双方智能体参与谈判时，目标冲突、授权边界、透明度和责任都需要明确设计。访谈中的未来场景并非已验证的行业结果。

他们讨论加速分析供应商回复，以避免项目因行政工作延误；实际收益取决于数据、流程和系统可靠性。

企业通常需要按自己的政策和流程定制软件。嘉宾认为 AI 工具可能改变定制方式，但部署和治理工作仍然存在。

他描述现场实施团队如何帮助客户建立配置，并希望将部分重复工作产品化。这是公司方法的介绍。

对采购人员而言，工具数量增加不一定改变工作方式。主持人与嘉宾讨论如何让技术服务于实际工作，而不是只增加界面。

结尾谈到采购专业社群和业务影响。嘉宾看好该领域的价值，但公司的效果和经济收益需要在客户数据中独立验证。