企业采购正在成为AI原生创业公司攻克传统软件巨头的关键战场专业股票配资免费。
10月2日知名风投a16z播客访谈节目中，主持人Elena Burger与a16z合伙人Seema Amble，以及企业AI采购智能体初创公司Lio的联合创始人兼CEO Vlad专业股票配资免费imir Keil，就AI应用公司如何对抗传统软件巨头、AI智能体在真实商业环境中的渗透路径及财务回报等市场核心关注点展开了深度对话。
（左：a16z Fintech团队合伙人Seema Amble；中：a16z Enterprise团队投资人Elena Burger；右：AI采购多智能体Lio公司CEO Vladimir Keil。）
a16z合伙人Seema Amble表示，传统软件巨头受限于其系统记录的边界，叠加内部团队利益冲突，难以真正推进至更高阶的自主判断型AI代理，这恰恰是AI原生创业公司的核心机会所在。
她指出，赢得终局的关键在于"拥有端到端流程"，而非仅在现有工作流中嵌入一个聊天机器人。
Vladimir Keil则认为，企业采购流程中，约80%的实质性工作发生在ERP等系统记录之外，而正是这一盲区，令传统软件供应商难以凭借"在现有系统上叠加AI模型"的方式完成真正的端到端自动化。
Vladimir Keil表示，若采购经理漏看一枚零部件的交货延误通知，可能造成数亿美元的项目损失，而Lio的多智能体系统正是针对此类高风险场景而设计。
真实的商业世界：80%的工作发生在ERP系统之外在企业采购这一极度传统的万亿级市场中，这种“端到端”的痛点尤为明显。市场往往只关注最终在ERP系统中呈现的采购价格，却忽略了背后的巨大摩擦成本。
Lio CEO Vladimir Keil一针见血地指出：
你会在ERP系统中看到购买铝材花费了8000美元，但你看不见这背后可能发生的30次利益相关者会议、500封电子邮件以及20个Excel表格。绝大多数的采购工作，实际上发生在这个ERP或任何记录系统之外。
在构建飞机、数据中心等大型复杂项目中，供应链的微小摩擦可能带来灾难性的财务后果。Vladimir表示：
如果有一个特定零件晚到两周，这可能会造成数亿美元的损失并拖延整个项目。而这可能仅仅是因为采购经理错过了Outlook或Gmail中500封邮件里的一封确认信。
传统系统只能记录“下周三到货”的日期，却无法像AI Agent那样去判断这背后是否潜藏着上亿美元的违约风险并主动干预。
如果说一年前市场的热点还是挂在软件之上的“聊天机器人”，那么现在的市场焦点已经转移到了具备自主决策能力的Agent。Seema将当前的Agent划分为四个阶段：检索代理（Retrieval）、流程代理（Process）、政策代理（Policy）和主导代理（Principal）。
挖掘被忽视的利润空间：无人关注的“5万美元以下”长尾市场除了提升效率，市场最关注的是AI应用能否直接改善企业的损益表。在这场访谈中，Vladimir揭示了AI Agent带来的增量业务想象空间：处理那些企业由于人力受限而从未去谈判的支出。
Vladimir透露：
没有Agent之前，企业根本不在乎5万美元以下的采购。这也是给其他初创公司的一个‘黑客技巧’——如果你给大企业发送一张4万美元的账单，他们可能根本不会跟你还价，因为他们没有人力容量去这么做。
Vladimir进一步指出：
但有了Lio的Agent，我们将与你进行自动谈判。对于企业来说，拥有一个甚至不太完美的谈判Agent的风险几乎为零，因为这总比完全不谈判要好。
在宏观财务视角下，这种积少成多的降本将爆发出惊人的杠杆效应。
Vladimir用了一组极具冲击力的数据来向投资者说明采购AI的商业价值：
在当前的竞争格局下，你想提高1%的利润率，你需要增加10%的营收。所以，如果你能通过AI实现仅仅1%的采购降本，这在损益表上的结果，就等同于你需要费力增加10%的销售额。这是极其重要的。
建立信任与护城河：人机协同是必经之路面对涉及大量资金的商业谈判，企业如何敢把权利交给AI？Vladimir直言：
没有人第一天就会建立并使用完全自主的谈判Agent。因为他们从第一天起就不会信任我们，也不会信任这项技术。
Lio的做法是采用“人机协同（Human-in-the-loop）”模式，通过处理1万美元、2万美元的谈判来吸收反馈，逐渐赢得客户信任。
具体而言，AI代理在每一轮谈判中生成建议，由人工审核确认后再执行。这一过程持续为系统提供反馈和学习数据，使代理逐步积累特定企业的流程偏好与决策边界。
随着信任积累，客户开始将自主谈判授权范围从数千美元扩展至数万、乃至数十万美元规模的采购。
对于战略性更强的直接采购，例如金额高达数亿美元的长期供应商合同，Lio则在系统中始终保留专业工程师的介入节点。
代理可在多小时的谈判准备过程中实时整合铝指数、油价走势等外部数据，并在谈判桌上为人类谈判者即时推送洞察：
对方说油价上涨了10%，因此要求提价10%，但系统会立即弹出提示：该零部件中油性原料占比仅30%，因此实际合理涨幅约为4%。
垂直AI的护城河在于"拥有工作本身"面对"为什么不直接用通用模型自建"的质疑，a16z合伙人Seema Amble援引了一家财富500强企业的案例：该企业曾尝试自建应收账款催收系统，但历时数月后发现，内部数据质量不足、跨ERP系统的映射维护成本极高，最终不得不放弃。
她表示：
企业的核心竞争力是其业务，而不是构建内部AI工具。70%至80%的准确率看似不错，但在实际场景中可能意味着"仍需人工复核100%的数据"，这不仅不能减少工作量，反而可能制造更多麻烦。
Vladimir Keil则指出，从护城河角度看，采购AI的关键优势来自数据积累和流程嵌入深度。
随着代理处理的谈判规模从万美元级跃升至百万美元级，系统积累的企业特定知识和行业价格基准数据将形成持续强化的竞争壁垒。
正如Amble总结道，真正持久的垂直AI公司，评判标准不是"我设计了几步防御路径"，而是"客户是否真正依赖这个产品来完成工作"，这种依赖关系本身，就是最重要的护城河信号。
播客全文对话如下：
Vladimir Keil
如果你要制造一架飞机，就需要从数千家供应商处采购物料。假设有人发来一封邮件说："抱歉，这个零件要推迟两周到货。"如果采购人员漏掉了这封邮件，损失可能高达数亿美元。
Seema Amble
采购业务在历史上可能更像一个相对封闭的模块，但现在它已经延伸到法务、财务，以及众多不同的软件系统和相关人员。对于AI原生初创公司来说，机会在于：我们要掌控整个端到端的业务流程。
Vladimir Keil
没有哪家企业会从第一天起就部署完全自主的谈判代理。为什么？因为他们一开始既不信任我们，也不信任这项技术。正是通过"人在环路"的方式，我们不断地用反馈和经验来训练代理，慢慢地，他们开始信任我们处理1万美元的谈判、2万美元的谈判，乃至10万美元的谈判。
Elena Burger
当你思考一家具有持久生命力的垂直AI公司应该是什么样子时，你会关注哪些特质？
Seema Amble
很难预测未来的护城河。如果回望历史上那些最优秀的企业在早期阶段的状态……
欢迎回到a16z播客。
Elena Burger
我是Elena Burger，今天我邀请到了两位嘉宾：a16z的合伙人Seema Amble，以及Lio的联合创始人兼CEO Vlad Keil。Lio是一家专为企业采购构建AI代理的公司。
Seema，你最近写了一篇题为《巨头们来了》的文章，文章提出了一个几乎所有AI应用公司都面临的核心问题：如果一家成熟的软件厂商已经拥有客户、数据，并且模型可以在其工具体系内运行，那么初创公司的优势在哪里？
Vlad今天也在场，他能帮助我们更好地理解初创公司的优势所在。我觉得，一个好的切入点是分别来看支持巨头和反对巨头的理由。如果一家公司已经能够将有能力的AI代理接入自己现有的软件，那么另一款应用还有什么用武之地？
Seema Amble
好的，让我先稍作铺垫。过去我们的思维框架是：市场上有巨头，也有初创公司，两者之间是分发能力与创新能力之争——借用我的合伙人Alex Rampall的话来说。
但现在出现了第三种力量，也就是你所指出的：巨头可以在自身系统上叠加一个大模型，从而成为市场上更强劲的竞争对手。比如Salesforce推出了Agentforce，将云服务与Salesforce整合在一起，加上他们已有的数据积累，以及员工早已习惯的产品界面——那么，为什么还需要另一款产品？
我坚定地认为，AI原生初创公司依然有其存在的价值。核心原因在于：传统巨头受限于自身的系统记录，他们拥有的只是那套记录，无法完成端到端的完整任务。
让我举个具体例子。假设有一位客户打来电话，说自己在取消订阅之后仍然被扣款。要解决这个问题，不能只是让客户在聊天框里说"我被多收费了"然后给一个回复，还必须涉及账单系统、完整的对话历史记录，以及合同内容。这不是一个系统记录能覆盖的，而是围绕该客户的全量知识和所有关联信息——这些是单一系统记录无法触达的。
而AI原生初创公司的机会，正在于声明：我们要掌控整个端到端流程。这可以是法律领域，比如从立案一直到庭审的全流程管理，也可以是采购领域。核心理念在于：拥有端到端的完整工作。
Elena Burger
Vlad，能具体说说在采购场景中，这一点是如何体现的吗？现有的巨头加上一个模型，为什么还不够？你在合作的企业中观察到了哪些情况？
Vladimir Keil
当然。说到采购，大多数人可能首先想到的是价格——最终谈下来的价格是多少。而且记录下来的结果看起来总是非常简单，比如就是一个"8000美元"。
这和销售端其实是一样的。就算我去找Seema说，"嘿，我们和另一家企业签了合同，你看这份合同签字就行"，从表面上看非常简单，但Seema看不到背后的全部工作——大概有30次利益相关方会议、500封邮件、20张Excel表格。采购端也是如此。你在ERP系统里看到的只是"铝材：8000美元"，但你看不到的是：供应商曾经反价要1万美元；成本工程师花了3周时间，跑了无数张Excel表格和3D建模，才算出零件的成本。
所以，采购中绝大多数的工作实际上发生在ERP或任何系统记录之外。
Elena Burger
可以想象，在你描述的这个工作流程中，各类代理能够完成大量不同类型的任务。我觉得这正好引出下一个问题：一年前，大多数巨头发布的还只是聊天机器人，那基本上是他们能给出的全部了。但Seema，在你那篇文章里，你梳理了四种不同类型的代理：检索代理、流程代理、策略代理和主代理。能带我们逐一了解这四类代理，并解释它们在所需判断层次上有何不同吗？
Seema Amble
好的。大概一年前，我做了一个表情包，叫"给聊天机器人贴标签的策略"——意思是，各大巨头基本上都只是在系统记录上搭了一个聊天机器人，用来检索信息或做一些简单分析。这正好对应第一类：检索代理。
让我用一个客户支持的例子，来依次说明检索代理、流程代理、策略代理和主代理各自是什么。
假设你是一位客户，服务发生了中断，你打电话来说，"我要申请赔偿"。
检索代理（巨头可能已有的）：可以查出合同条款是什么，确认是否确实发生了中断，并核实相关信息。它从数据库中提取客户信息，然后将其汇总呈现。
流程代理是代理序列中的第二步：它可以根据政策手册自动走完信用审批流程，判断"根据我们的政策，服务在这段时间内中断，因此您有权获得赔偿"，并直接完成计费处理。整个过程无需判断，纯粹是流程执行。
策略代理则更进一步：它不只是执行流程，而是会做出判断。比如，"这次服务中断了20分钟，这已经足以被认定为重大中断事件"——这里它在运用判断力，因为并没有一个严格的定义标准。
主代理是最后一个阶段：它会进行权衡，比如"这次中断相当严重，为了维护客户关系，我们是否应该提供超出流程和策略要求之外的额外赔偿？"
这四个层次之所以重要，是因为大多数巨头即便在做，也还停留在第一层。现在他们最多是在营销上声称正在向流程代理和策略代理演进，也就是说具备更多的判断能力。但看看他们实际发布的产品——那些工作流代理帮你签文件、从转录内容中录入信息之类——本质上仍然局限在检索和少量流程层面，并没有真正进入判断层面。
当然，这背后有各种阻碍它们前进的结构性原因。一些巨头正在尝试与OpenAI、Anthropic等实验室合作，借助模型能力来补强自身，但总体而言，进展依然有限。
Elena Burger
你愿意说说为什么一些巨头会有所保留吗？
Seema Amble
好的。我想说，他们不是主动保留，而是被动受限——我相信他们都想全力推进，但大致有两个原因。
第一，他们拥有分发优势。他们有客户信任，能够以此为基础向客户销售更多产品。就拿Salesforce来说，当Agentforce发布时，客户很容易就接受了，尤其是几乎没有额外成本的情况下。所以他们有信任基础，有分发渠道，产品的开通也往往相当顺畅。
第二，他们面临严重的内部激励冲突。一旦开始开发更复杂的代理，就会与现有产品产生冲突——现有产品提供的是工作流，而新代理处理的是完整的工作结果。这是两种不同的产品，面向不同的购买方。比如，"端到端解决客服问题"和"为人工客服提供工作流支持"，这两者的买家是不同的。更何况这两个团队之间可能还存在内部竞争。从销售角度看，你到底在向客户卖什么？而且往往是经典的大公司病：两位VP分属不同部门，各自卖各自的产品，根本无法就激励机制和职责划分达成共识。这些都是巨头不可避免的结构性困境。
Elena Burger
说得很有道理。Vlad，在检索代理、流程代理、策略代理、主代理这个谱系上，Lio目前处于哪个位置？
Vladimir Keil
我们其实横跨了所有这些层次，具体取决于风险和复杂程度。有些场景我们已经实现了完全自主运行，有些场景则保留了"人在环路"——这取决于预算审批的规模、复杂性和风险高低。
回到Seema提到的信任问题——你说的是内部信任，但我认为还有一个外部信任的维度：如何说服客户从"只是检索一些信息、跑一跑流程"，跨越到"完全自主地做决策"？这不仅仅是产品层面的问题，更是人的问题。他们需要信任你。我们作为一家初创/成长期公司，必须去赢得这份信任。而巨头虽然已有信任基础，但这同时也意味着，如果他们过早发布、产品表现不佳，信任同样会被摧毁。这正是我们的机会所在。
有一件事让我们非常意外：流程代理对我们来说几乎成了一个"副线任务"。以发票流程为例——检索信息、跨文档匹配、将结果推送回SAP或Oracle，这是一个非常清晰的流程。我们发现，这其实涵盖了100%的软件市场，也就是今天的发票软件都是这么做的，但它实际上只完成了整体任务的20%，因为剩下80%的问题是：发票有问题怎么办？出现不一致怎么办？如果不走理想路径，又该如何处理？
于是我们很快转向了下一个层次——异常处理。我们之所以能够说服客户，我觉得很大程度上是因为我们总是稍微走在曲线前面一点点。我们能够向客户描绘下一代代理的愿景，比如三年前，"从文档中检索信息"就已经足够令人惊叹了。我们把这个方案推介给客户，发现这是他们真正在意的真实问题、真实使用场景，然后我们能够在几周内将其落地投产。现在，我们正在用同样的方式，把流程代理、完全自主代理、长时运行代理一一推进。
Seema Amble
关于信任，有一个有趣的角度：内部信任与外部信任。客户需要信任采购软件并将其用于内部流程，这是一层。但我们第一次见到Vlad时，有一件事特别令人印象深刻——他们不仅在处理内部流程，还在进行谈判。这意味着你需要信任Lio代理去与第三方直接交互，这是另一层。
当然，很多人被巨头过去言过其实的营销伤过，但撇开这点不说，Vlad，我很想听听你是怎么说服客户，让他们信任一个AI代理来主导谈判的？
Elena Burger
对，在谈这个问题时，你也可以顺带描述一下采购工作的全貌：你们的客户是谁？他们过去用的是什么样的系统？
Vladimir Keil
说到采购，人们可能只想到"买东西"，就像B2C那样。但实际上，这是一个运转整个经济体系的复杂过程，涉及大量利益相关方、众多部门——法务、成本工程、采购、财务，所有人都要参与进来，共同做出这些决策。
至于我们如何赢得客户的信任，核心还是我之前说的：我们总是略微走在时代前面。
我们在ChatGPT发布之前就开始了——事实上，我们比ChatGPT发布早了几周就启动了，所以早早把握住了技术浪潮。当行业炒作期来临时，我们已经能够向企业客户展示切实可行的方案，迅速验证使用场景，快速落地投产。
当然，这里还有人的因素——信任是建立在你真正能交付承诺的基础上的。但从产品层面来说，我们设计了一套渐进式的信任建立机制，核心就是"人在环路"的邮件审批流程。没有哪家企业会在第一天就部署完全自主的谈判代理——因为他们既不信任我们，也不信任这项技术。所以我们提供了一个非常自然的切入点：人在环路。
这对我们也极为有价值。我们或许拥有理论上的"完美谈判代理"，但我们并不了解某家财富10强企业的具体运作方式。通过"人在环路"的机制，客户的反馈和经验不断地输入到我们的代理中，让它持续学习。慢慢地，他们开始信任代理处理1万美元的谈判，然后是2万美元、10万美元。
对于涉及数百万美元的长周期谈判——比如分析复杂3D模型和技术图纸——我们则始终有专家在环路中。代理运行数小时后，我们会向成本工程师请求反馈，然后再进行下一步。这是有意为之的设计。
Seema Amble
在谈判这一侧，你具体在哪些环节放入人工介入？你提到了成本工程师，但在来回磋商的过程中，人工介入是主要围绕成本工程这类数据，还是还有其他方面？
Vladimir Keil
这同样取决于谈判的层级。有一类谈判，是企业以前根本没有精力去做的——通过部署代理，他们可以捕获那些过去完全忽视的节省空间。比如以前低于5万美元的采购根本没人去谈，因为根本没有处理能力。
这里有个对其他初创公司也许有用的发现：你可以给一家大企业开一张4万美元的发票，他们很可能不会谈判，因为他们没有处理这个的流程——除非他们有Lio代理，那我们就会来跟你谈。在此之前，他们通常直接付款。而在这类情况下，不谈判的风险几乎为零——就算谈判结果不够完美，也总比什么都不做强。
但话说回来，商业关系并不总是只关乎成本。有些供应商关系的价值并不在于采购金额的大小——比如播客录制服务，可能只占支出的极小一部分，但你需要维护与供应商的长期合作关系，因为他们了解你的工作方式，无法随意替换。
在这类情况下，我们设计了有人介入的方案：采购人员关注关系维护，关注沟通的语气和方式，同时大部分流程仍然是自主运行的。
另一类谈判则始终要有人在环路中参与。谈判不只是关于价格，还涉及合同条款设计（法务）、付款条件设计（财务），以及成本结构（成本工程）、商务条件（采购）。这些都是经过专业训练的后台人员，他们拥有针对特定流程、特定公司、特定行业的深度专业知识，正是他们的洞见在持续喂养Lio的长时运行代理。
Seema Amble
这又回到了我之前说的：采购业务在历史上可能更像一个相对封闭的模块，但现在它延伸到了法务、财务，以及众多不同的软件系统和人员——既有专家，也有通才。
Elena Burger
我们能不能把这些落到一个具体的垂直行业上？比如，我是一家无人机制造商，或者类人机器人制造商，我需要采购多少零部件、对接多少工厂、涉及多少供应商？Vlad，你可以选一个你们正在服务的、正在用Lio管理这种复杂性的垂直行业，带我们走一遍他们的实际体验吗？我觉得这样能让整个画面更加具体。
Vladimir Keil
我们在Lio谈到采购时，并不是在谈笔记本电脑和铅笔——那些问题我们三年前就解决了。我们谈的是制造飞机、机器人、无人机，乃至我们今天正在讨论的AI——因为AI也需要被建造出来，而建造意味着采购。建一座数据中心，需要采购无数组件。
即便是极小的摩擦，也可能带来极大的连锁影响。比如，在一个大型项目——建造一座数据中心或一架飞机的过程中，某一个特定零件推迟两周到货，可能就会造成数亿美元的损失，并导致整个项目延期。
所有这些决策都需要被统筹协调。你要弄清楚需要什么、应该和哪些供应商合作、谁是最合适的供应商。但一旦这些决定做出之后，背后还有大量的运营性后台工作。听起来可能无聊，但"运营"意味着：有人给你发了一封邮件说"抱歉，这个零件要晚两周到"——这不过是采购经理收件箱里500封邮件中的一封。一旦漏掉，就是数亿美元的损失。
更大的问题在于，ERP系统里存储的只是一个日期变更，看起来微不足道，但背后可能意味着一亿美元的损失。我们的代理每天在做的，不只是检索这条信息，而是判断：这会带来影响吗？影响有多大？我们该如何应对？
Elena Burger
当你们深度嵌入物理世界的供应链时，哪些问题可以介入，哪些是无能为力的？比如一批货在海上出了事，或者某条海峡关闭了——有些事情你能做，有些事情你无法改变，边界在哪里？
Vladimir Keil
本质上，这是一个概率问题。你确实无法改变已经发生的损失。但如果你掌握足够的上下文信息，你可以提前预测——比如，某个供应商的货物有20%的损耗率，另一个只有1%。20%损耗率的那家可能价格是另一家的十分之一，但对于某个特定场景，多付10倍的价钱换取更高的到货可靠性，在商业上完全合理。
这背后的威力在于：你掌握的不只是企业内部的上下文，还有外部世界的信息——市场新闻、供需双方的动态，甚至预测市场上对某类中断的概率判断。把这些信息综合起来，可以做出远比人工判断更精准的决策。
从长远来看，我认为并没有无法克服的限制，只是目前对不同类型问题的预测概率各有差异。我们正在构建的，不只是企业内部的采购自动化，而是更宏观的——企业之间、买卖双方之间的协作方式。
Elena Burger
你把Lio描述为一个多代理系统。能具体说说各个代理分别在做什么吗？
Vladimir Keil
一方面，Lio的代理横跨Seema文章中提到的所有四个类别，根据风险和复杂程度来选择使用。
另一方面，要完成一项端到端的工作，各代理之间需要共享信息，并按照特定的顺序协同运作。当我们说"多代理系统"时，本质上就是这个意思。
因为一个人类层面的任务，可能涉及八个利益相关方、三个部门、五套软件工具，我们需要覆盖所有这些，才能真正完成端到端的工作。这些代理必须相互通信，只有多代理系统才能做到这一点。
我们最初是从检索型、类副驾驶的方式起步的，然后发展到单代理，但很快就发现不够用——哪怕是一次谈判，也必须有合同代理、新闻分析代理等协同参与，才能完成完整的工作。这就是我们对多代理系统的定义。
Seema Amble
那就具体说说：假设波音需要采购一颗螺栓，这个采购流程具体是怎样的？Lio在哪些环节介入？
Vladimir Keil
采购螺栓，实际上正是我们可以完全自主运行的场景之一，正是通过多代理系统来实现的。
整个流程从需求的产生开始，而这一步本身就已经相当复杂。想象一位在工地上的工人，他可能每两周才打开一次笔记本电脑，却被要求用SAP或其他ERP系统来提交需求申请。这本身就是巨大的摩擦。
我们把这一步做得极其简单：拍一张照，或者上传零件编号和Excel表格，就这么多。采购系统里那些复杂的概念——类别、总账科目、框架合同，没有人在乎，采购部门以外的人不应该需要了解这些。
接下来，我们的代理开始接管：检查库存，询问其他工厂是否可以内部调拨；如果不行，则由采购代理查询是否有内部或外部供应商；然后由另一个代理起草询价单（RFQ）并通过邮件发出；之后大量回复涌入——有些内容全在邮件正文里，有些是PDF，有些是Excel，格式各异。我们检索这些信息，然后进入下一步：根据价格基准判断是否有谈判空间。如果有，则由代理决定下一步策略——可能是由人工参与的战略谈判，可能是完全自主谈判，也可能是电子竞价。由对应的专门代理来执行，然后完成后续的订单确认、物流跟踪、发票处理，整个流程全程自主运行。
当然，这只是间接采购的场景——螺栓和类似的标准件。在直接采购领域，情况更加复杂，也是我们同样在深耕的领域。
Elena Burger
什么是直接采购？
Vladimir Keil
让我先把间接采购和直接采购的区别梳理清楚。
我刚才描述的那类场景，核心目标是自动化——完全自主地运行采购流程，并在过程中持续挖掘节省空间。
我们看待这类场景的方式是：找到那些每天要重复做一千次、但理想状态是一次都不用做的事；同时也要找到那些目前做零次、但如果一天能做一千次就会对企业损益表产生巨大影响的事——比如对从未谈判过的支出发起自主谈判。
间接采购包括：MRO耗材、工厂建设、螺栓等标准件，以及笔记本电脑、铅笔、营销服务，比如搭建播客录音室——这些都属于间接采购。
直接采购则不同。当你在制造一架飞机时，你需要的是那些真正构成飞机的核心零部件，来自数百家战略性供应商。这里谈的不是5万个供应商，而是100到2000个供应商，每一家都可能涉及10亿美元量级的采购金额。
在这个场景下，你不会想要完全自主谈判。你需要一场持续三个月的深度准备——你要查铝材指数、油价走势，分析价格变化，工程师要逐一核查技术图纸和零部件质量。这才是部署AI代理真正令人兴奋的场景。
Elena Burger
在这类场景中，我猜大概是专家工程师和采购人员在前台，代理在后台？还是说，代理实际上是坐在谈判桌旁边，真的在和对方握手？代理是更像后台支持，还是已经走到了前台？
Vladimir Keil
目前大多数情况下仍然是后台。那些复杂的千万级谈判，90%的工作都是准备阶段，最终呈现在系统记录里的结果——比如从10亿压到9亿——背后是三个月的准备工作和10个人全时投入。这些工作确实发生在幕后。
但我们也有一些场景是在实时介入的。设想一下，我们现在正在进行一场谈判，我已经做好了完整的准备，就像现在手边有这些讨论提纲一样。如果在谈判进行中，我的屏幕上实时弹出提示："油价上涨了10%，因此对方要求涨价10%"，而系统立即给出分析："油价确实上涨了10%，但该零件的油料成本占比只有30%，因此你最多只需接受4%的涨价，而不是10%。"这类实时辅助场景，同样令人兴奋。
Elena Burger
我们知道Harvey和Decagon这样的公司正在深度微调模型。Lio使用哪些底层模型？你们如何看待微调和RAG？
Vladimir Keil
我们使用来自多家提供商的多种模型，我们将这些通用模型视为一种商品——读取PDF、生成Excel，这类任务它们完全胜任。
但我们也相信，对于某些特定场景，通过将基础模型与RAG结合，有可能将完成度推到接近100%。然而，也有一些场景，即便你有最好的基础模型、最好的RAG，也只能达到80%的性能上限。
一个典型例子是成本工程师做的事情：分析技术图纸，然后判断"这个零件应该成本多少"——这叫做"应成本建模"（Should Cost Modeling）。我们认为，通过对模型进行微调，完全有可能突破这个80%的天花板，达到200%的水平。
另一个例子是价格基准化。理想状态下，你只需把一份报价单拖拽进来，系统就能立即给出精确的市场参考价。但问题是，这些信息不是公开数据，而是散落在各企业内部、甚至跨企业的私有数据中，通用模型无法训练于此。
我们的思路是：不只是训练一个传统的大语言模型，而是更像Jef这类新型模型——输入是文本数据，但输出是一个结果，比如直接给出最合理的价格。RAG无法做到这一点，因为价格判断本质上是一种难以言表的"直觉"。就像问两个人同样的工作，BCG报价和麦肯锡报价可能相差10倍，但有经验的采购经理一眼就能感觉出哪个合理——这种判断很难被显式规则化，却可以通过结果导向的训练来学习。
这就是我们在价格基准化和应成本建模上看到的机会：不是训练传统大语言模型，而是训练以结果为输出的专用模型。
Elena Burger
Seema，我们稍微聊了一些关于实验室正在深入行业应用的话题。当你思考一家具有持久生命力的垂直AI公司应该是什么样子时，你会关注哪些特质？
Seema Amble
其中一个关键是掌控端到端的工作——也就是我们一直在讨论的——同时构建起数据资产，并实现此前从未有人做过的事情。
关于"护城河"，坦率说，很难预判未来的护城河到底长什么样。回望所有最优秀企业的早期阶段，他们并没有在说"我要按这六个步骤走，然后就有护城河了"，而是在说："我正在赢得客户的信任，我在向他们销售更多，机会就在眼前。"
防御性和持久性，在我看来，很大程度上来源于：客户对你的依赖在加深，他们越来越离不开你，你承担的工作也越来越多。
举个例子：老一代CRM系统只是记录所有交易；新一代销售AI代理则真正接管了销售准备、对外触达、处理进线等大量工作。整个公司对这类产品的依赖，是走向护城河的重要信号。我们常说的粘性、网络效应，归根结底都源于这个最初的基础：客户真实的使用，以及产品的真实价值。
Elena Burger
Vlad，你有没有遇到过客户或潜在客户问你："为什么要买你们的产品？我为什么不能直接接一个模型自己来？或者用我现有的系统记录加上一个模型？"你怎么回答他们，怎么说服他们选择Lio？
Vladimir Keil
这是一个完全合理的问题。三年前我们最早的一个产品——把报价单里的信息录入SAP——技术上看似简单，但商业价值巨大，在采购圈子里广泛传播。
这个功能现在已经成了工程能力测试的题目，候选人有8个小时来完成它。我想说的是：我们当年花了一整个工程团队、几周时间打造的产品，现在的工程师8小时内就能复现。所以问题确实来了：既然8小时能搭出来，采购部门自己花两个月是不是也能做？
答案是：可以做，但只能做到70%的性能。问题在于，70%的性能并不等于70%的自动化。在很多场景下，70%的准确率意味着你仍然需要做100%的人工审核——因为70%的准确率不够，没人敢直接放行，反而可能比原来手工处理更麻烦。
Seema Amble
在Vlad说的基础上，补充两点。
第一，通用模型和GPT类产品的普及，从整体上是有益的。人们越来越愿意信任AI工具，这反过来也让他们更容易接受垂直领域的专业产品。这种熟悉感和信任感的提升，对整个市场都是好事。
第二，我几周前和一家财富500强企业的管理团队交谈，他们曾经试图自行构建一套内部催收工具。花了三四个月，最终发现：数据上下文不够、质量太差，录音和截图堆了一大堆却无法整合成一个可用的系统；然后还面临两套ERP并存、即将收购另一家公司又要更新所有映射关系的问题，每次异常处理的逻辑都得重新适配。他们最终意识到，内部自建不可行。
我们一再听到类似的故事：企业说要内建，然后发现这和历史上所有DIY尝试没有本质区别。大企业终究会认识到，自己的核心竞争力在别处，打造内部工具不是他们该做的事。
Vladimir Keil
这正是我想说的：他们或许能做到80%，但最后那20%才是关键，而那20%往往消耗了80%的资源。从上线到真正投产，需要的是完整的集成能力、记忆管理、工作流编排，有时还需要垂直领域的专有数据。
所以，对那些财富500强企业：你当然可以自建，但这意味着AI采购代理能力本身需要成为你的核心竞争力之一，你需要认真评估这是否值得你的成本投入。
Elena Burger
Vlad，你有没有看到供应商这一侧开始使用AI或代理？如果买方和卖方都全面AI化了，会发生什么？
Vladimir Keil
我们百分之百相信，未来交易双方都会部署代理，而且这非常合理。
但有趣的是，我们实际观察到的情况出乎意料。销售侧长期以来在技术采用上领先于采购侧，但我们在大型企业客户的供应商那里看到的情况并非如此——供应商们顶多是在用Granola这类会议工具，还远没有真正部署代理来自动化工作。
采购这件事本来不性感，销售才性感，但两者其实是一个流程的两端，采购就是对方的销售。
但现在，在那些大型工业企业中，采购方对供应商的话语权往往更强。比如典型的汽车行业，整车厂对零部件供应商有极强的话语权，能够规定他们用什么系统、什么质量标准、如何回应RFQ。
这就带来了一个机会：我们服务于采购方，而采购方可以要求供应商也使用Lio的代理系统，从而让双方都在同一个平台上实现协同自动化，掌控整个交易的两端。
Seema Amble
Elena，这让我想起我们今天早些时候聊到的：如何让对立双方在同一个平台上协作？这在法律领域也一样——两家律所代表利益对立的客户，但双方都能从共享信息中受益：最新草稿在哪里，哪些条款还开放讨论，哪些已经达成共识。这种协作追踪目前完全依赖人工，而这类协调工作完全可以交给代理来做。
Elena Burger
这很有意思——双方可能在以不同的速度演进，但最终，很可能他们都会在同一个平台上运作，实现真正意义上的高效协同。
Vladimir Keil
百分之百同意。我们前面也聊到过这个问题：如果双方都有谈判代理，价格博弈会不会变成零和游戏？但别忘了，价格只是最终结果，是数千个其他任务完成之后才出现的那一步。而在那数千个任务上，买卖双方的利益是一致的——销售希望流程越顺畅越好，买方希望产品尽快推向市场。回到建造飞机或数据中心的例子，没有人希望因为处理供应商回复就拖延六个月。
正是在这数千个共同利益的任务上，Lio可以同时服务买卖双方，帮助双方自动化完成这些工作。这才是最令人兴奋的地方。
Elena Burger
过去有一种逻辑是：不要把软件过度定制化给某一个特定客户。但现在，LLM和AI的出现让定制化的成本大幅降低，不再那么拖累业务扩展。你们有没有看到这种变化，对软件的终端买家来说意味着什么？
Seema Amble
总体而言，现在有大量"前沿部署"工作在进行，部分原因在于：了解当前客户的真实数据状态，比预测下一个客户的需求要难得多。我们整体上还处于部署的早期阶段，这也是为什么产品中仍然需要大量人工参与。
这恰恰也是巨头更难做到的事情——他们的产品反馈循环并不是为此而设计的：实施团队存在，但更多是事后补救，而不是真正融入产品迭代。
AI的美妙之处在于它会持续学习。随着时间推移，有了正确的学习循环和工作流，系统能够承担越来越复杂的任务。定制化本身也在逐渐自动化。我很好奇Vlad他们是怎么做的——很多我们的被投公司正在快速推进，让客户自己通过软件界面来控制定制化的参数和开关，而不再需要引入外部团队来做SAP实施。定制化最终将完全由软件驱动。
Vladimir Keil
这也是为什么Lio的团队结构中，85%的人是工程师。即便是那些没有工程师头衔的人，大多也有工程背景。我们不想变成一家咨询公司。
我们的目标是在间接采购和财务领域打造出最好的代理，但同时也必须面对现实：进入企业客户时，确实需要做前沿部署工作，因为每家企业都有自己流程上的细微差异。
我们的做法是：在产品层面尽量减少定制化的需要，同时提供大量自助服务能力。我们的前沿部署工程师的KPI，就是把自己的工作自动化掉——一旦实现了，就去承接下一个任务，然后再次自动化。这和Google的某些方法论很像。我们就是这么做的，也是我们持续追求的方向。
Elena Burger
最近有一个重要的行业活动——不是Dreamforce，而是Lio在纽约主办的"机器人与买家峰会"。能给我们讲讲现场的情况吗？买家们在兴奋什么、期待什么、问你们什么？
Vladimir Keil
这是我们第三次举办这个活动，地点就在纽约我们办公室附近，来了超过100位采购领域的高层——CPO、VP级别的决策者。我们每次都确保邀请的是真正有分量的人。
活动有两个突出的主题。
第一个主题，回顾过去二三十年，采购领域涌现出了五花八门的工具——在LinkedIn上你能找到各种采购技术全景图，能列出五六百个工具。但如果你真的去问采购从业者，他们几乎没有人喜欢使用这些工具。不只是他们自己：需求方讨厌和采购打交道，供应商讨厌和采购打交道，就连采购人员自己也不喜欢做采购。为什么会这样？因为那些工具只是把原来的流程做得更快一点，但从来没有真正改变人们的工作方式。他们实际上还是在邮件、Teams、Excel和PPT里工作，几乎没有任何AI化。
第二个主题，我们给与会者提供了一个跨部门的采购全景视角，不是聚焦在某个发票功能，而是从"有人需要某样东西，到最终拿到它"这整条链路——跨越间接采购、直接采购、物流、财务。我们把这些场景做得非常具象，搭建了实体展台，就像我们在纽约办公室里做的那样，让与会者可以真实地操作和体验每一个代理，而不只是看PPT。这是大家最喜欢的部分。
下一次活动预计会有700人参加，增长幅度非常惊人。
Seema Amble
采购人的狂欢节（笑）。
Elena Burger
对，下一次是在慕尼黑吧？
Vladimir Keil
是的，我们在欧洲做慕尼黑场，在美国做纽约场。
Elena Burger
好的，如果你在采购行业，你知道该去哪里找了。
Seema，我有个问题：你觉得是什么让人们开始对采购感到兴奋？是代理技术本身？是节省的时间？还是别的什么？采购一向是NPS极低、受人嫌弃的领域。我记得七八年前和一位做采购出身的人聊天，他说他很不喜欢谈论自己的产品，就在用Coupa，用得凑合，完全不想换，那是我做的最消极的一次客户访谈。究竟是什么能让这个领域真正让人兴奋起来？
Vladimir Keil
我觉得，这正是采购让我着迷的原因。驱动我们入局的，不是采购本身发生了什么，而是人们对它的反应。他们真的很挫败。这说明这是一个情绪高度介入的话题——明明是B2B SaaS，却有很强的情感张力。这是好事。
当你把"高情感""小众冷门"两件事叠加在一起，优势就显现了：因为长期缺乏突破，任何进步都很容易让人惊叹。这个领域真正的技术革命发生在20年前，之后也许只有界面变漂亮了一点点，再无其他。
而且采购还有一个容易被忽视的特点：它有巨大的商业影响力。表面上看像是成本中心，但实际上，采购降价1%，等同于多做10%的销售额才能带来的同等利润贡献。而且采购的影响不止于企业内部——它决定着数据中心如何建成、飞机如何制造、汽车如何产出、无人机如何飞起来。
"高情绪"+"长期停滞"+"巨大商业影响"叠加在一起，就是万亿美元级别的市场机会。当然，这个公式不只适用于采购，其他满足这三个条件的领域同样如此。
Elena Burger
Vlad，非常感谢你今天的分享，这次对话太有趣了！
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。文章为作者独立观点，不代表股票炒股杠杆平台|最专业股票配资_联华证券炒股股票平台观点
- 上一篇：股票股票配资 OpenAI员工长文：AI 时代的文明岔路
- 下一篇：没有了
相关文章
