采购来料跟催智能体怎么做?未交货订单自动扫描跟催的落地路径与边界
周一早上九点,采购跟单员打开电脑的第一件事,往往不是看计划,而是先翻三样东西:ERP 里的未交订单列表、供应商群里的聊天记录、还有自己那张标了颜色的 Excel 台账。三份信息对不上——系统里的交期还是上个月录的,群里供应商说"这周尽量发",台账上写着"已催两次"。至于到底哪几笔真的会延期、哪几家催了没有回音,全靠人脑记和经验判断。
这就是大多数企业做采购来料跟催智能体的起点:不是缺系统,而是跟催这件事从来没有形成闭环。系统记的是"应付交期",人记的是"实际承诺",中间那段靠打电话、发消息、反复确认撑起来的灰区,没有任何地方沉淀。本文从能力构成、落地步骤、制造业加深场景和边界控制四个角度,讲清未交货订单自动扫描跟催怎么从一项靠人盯的工作,变成可以在企业内部稳定运行的日常任务。
一、先把问题定义清楚:跟催难在哪
做智能体之前,最容易犯的错是直接问"能不能自动发催货消息"。发送只是最后一步,前面三步没解决,自动发出去的消息只会变成骚扰。
三个断点,决定了人工跟催的天花板
- 数据断点:采购单在 ERP、到货日志在仓储系统、供应商承诺在邮件或聊天里、物料和供应商的对应关系在某个人的 Excel 里。四份数据没有一个统一的对照口径,任何一次跟催都要人工现场拼装。
- 判断断点:什么算"未交货"、什么算"该催了",一直是模糊的。是过了应付交期才催,还是提前三天预警?取消的、退款的、已经承诺本周到货的,要不要排除?这些规则在老师傅脑子里,不在系统里。
- 留痕断点:催了几次、发给谁、对方怎么回复、最后有没有到货,散落在各种渠道。换个人接手,等于从零开始。
跟催的本质是四个动作的串联
把它拆开看,一次完整的跟催是"找、判、催、核":
- 找:从采购单里筛出未交货的明细;
- 判:判断哪些超期、哪些临近、哪些属于例外不该催;
- 催:按对象生成内容并发出,记录回执;
- 核:回查实际到货状态,把状态冲突的单独列出来。
人工做这四步,每一步都要切换系统。而在 Soiawork 中,这四步可以被固化成一条可重复运行的工作流——这是后面所有落地动作的基础。
二、采购来料跟催智能体由哪些能力拼起来
一个能真正跑起来的跟催智能体,不是一个大模型对话框,而是几种能力的分工协作。缺任何一块,都会退回人工补位。
取数:把未交货订单从各个系统里拉齐
- 连接器负责从 ERP、采购系统、供应商门户取回采购单、到货记录、库存与在途数据,不用人工导出再粘贴。
- 文件空间用来放那些还没系统化的资料,比如供应商交期确认表、周度排产表、历史台账。
- 知识库存放判断依据:供应商协议交期、各品类的例外规则、物料与供应商的确认映射关系。跟催最怕口径不一,知识库的作用就是让每一次判断都引用同一份依据。
判断:规则要能被写下来、被核对
- 时限规则:按品类或供应商约定不同的超期阈值,比如关键物料提前 7 天预警、一般物料提前 3 天。
- 例外规则:已取消、已退款、已承诺到货、已处理中的明细要能识别并排除,避免重复催办。
- 异常单列:缺到货日志、重复单号、物料匹配失败这几类,不猜测、不自动处理,单独列出交供应链确认。
生成与动作:内容要区分对象,动作要留回执
- 对供应商的催办内容和对内部计划、仓储的同步内容,话术和信息字段并不相同,需要按对象分别生成。
- 发送前必须确认对象并获授权,发送后记录回执;这一步不是可选项,而是整个方案可被信任的前提。
- 涉及本机客户端或内部系统的操作,可以通过设备(Soia Worker)完成,让智能体像人一样在授权范围内操作软件界面。
复用:让一次跟催变成组织能力
- 技能把"生成催办内容""比对采购单与到货日志"这类方法沉淀下来,换品类、换供应商可以直接复用。
- 工作流固定步骤顺序,保证每次执行口径一致。
- 自动任务按设定时间触发,比如每天早上八点扫描一次未交货订单,把结果推到对应责任人面前。
这就是 Soiawork 讲的 AI 组织的一层含义:不是造一个更聪明的助手,而是把有效的做法从个人经验里拿出来,变成可复用、可审计的组织能力。
三、未交货订单自动扫描跟催怎么落地:四步走
落地路径建议按顺序推进,不要跳步。
第一步:先定口径,再谈自动化
- 明确"未交货"的定义:以采购单应付交期为准,还是以供应商最新承诺日期为准?两者并存时,以哪个优先?
- 明确"该催了"的阈值,并按物料重要度分层。所有物料用同一个阈值,结果一定是要么催得太早、要么漏催关键件。
- 明确例外清单。很多项目失败不是因为模型不准,而是因为把已取消的订单也催了一遍。
这一阶段的产出是一份可以贴到墙上的规则说明,而不是代码。规则清楚了,后面才有得配。
第二步:把三份数据接进同一个工作空间
- 用连接器接采购单与到货日志,这是主数据。
- 用知识库接入物料—供应商映射和协议交期,解决"这个物料该找谁"的问题。
- 用文件空间承接暂时没有系统来源的资料,先跑通流程,再逐步替换为系统直连。
关键动作是按商品编码或物料编码做逐笔比对。采购到货跟进的场景实践中,做法是:按确认过的映射核对采购单与到货日志,汇总发货量、实收量和完成时间,缺日志、重复单号与匹配失败的交供应链确认,授权回填后再回读核对结果。成效体现在三点——到货状态与采购单逐笔对应、异常项先交人工确认再回填、回填结果可复核。
第三步:把流程编成一条工作流
一条最小可用的跟催工作流通常是这样串的:
- 按时限与例外规则筛选出未交货明细;
- 去重并排除取消、退款、已处理项;
- 生成催办内容,确认对象并授权后发送,记录回执;
- 回查实际到货或发货状态,状态冲突的单独列出;
- 输出当日跟催清单与异常清单。
在电商履约场景里,类似的"延迟发货催办"已经按这个逻辑跑通:Before 的状态是运营逐单找超期订单,再查供应商和沟通群,消息与订单状态分开,容易漏催或重复发送;After 的状态是筛选、去重排除、授权发送、核对状态四步固定下来,效果是催办对象与时限有统一口径、发送回执与订单状态可对照、漏催与重复催办减少。未交货订单自动扫描跟催要解决的正是同一类问题,只是把订单换成采购来料。
第四步:设置自动任务与例外升级
- 用自动任务把扫描动作固化到每天固定时点,人不用记着去点。
- 设定升级规则:连续两次催办无回执、或临近上线仍无承诺到货时间的,自动升级到采购主管而非继续给供应商发消息。
- 保留人工确认环节。授权发送不是削弱自动化,而是让自动化可以被放心地扩大范围。
四、从"逐单催"到"按优先级催":制造业场景的加深
单笔订单的跟催解决之后,制造业会遇到更高一层的问题:订单那么多、物料那么多,先催哪个?
齐套缺料预警:把跟催对象从订单换成缺料
这一场景在制造业已有复现验证:把 BOM 表、库存表(含在途、安全库存、供应商)和生产订单表交给 Soia,用一句话指令按订单展开 BOM 汇总需求,计算可用库存(现有 + 在途 − 安全库存),识别缺料与临界物料,输出带缺口数量和跟催优先级的预警报告。
- Before:采购员每天人工比对三张表,逐个物料算缺口,再用表格手工汇总,发现缺料后逐个供应商打电话跟催,一轮排查 1 到 2 小时,订单多时容易漏算。
- After:导入三张表 → 按订单展开 BOM 汇总需求 → 计算可用库存 → 识别缺料与临界物料 → 输出预警报告。
- 验证结果:在复现验证环境中,排查耗时从 1 到 2 小时每次降到约 1 分钟每次,9 种物料一次全量覆盖、无漏算。这是验证环境的测量结果,不等同于客户现场成效;真实产线的数据质量、BOM 层级复杂度都会影响实际表现,需要用自己的表格结构实跑核对。
跟催优先级怎么排
- 按对生产订单的影响排:缺一件就停线的物料,优先级高于缺口但可替代的物料。
- 按供应商响应情况排:多次催办无回执的供应商,升级动作要单独走。
- 按缺口临界程度排:可用库存已低于安全库存、在途尚未确认的物料,属于临界项,要提前预警而不是等到缺料。
- 库存侧可以进一步结合销售速度、可售库存、在途与补货周期做缺货预警,让跟催的紧迫性判断有数量依据。
这一层做完,跟催就从"处理已发生的问题"变成了"预防将要发生的问题"。
五、边界:哪些必须留给人
自动化做得越深,边界越要说清楚。否则一次误操作就足以让整个项目停摆。
智能体可以做和不该做的事
- 可以做:按时限筛选、去重排除、汇总比对、生成内容、在授权范围内发送并记录回执、回读状态、列出异常。
- 不该做:擅自变更采购订单、自行判断供应商信用、替代采购负责人做商务让步、在数据冲突时"猜"一个值。
三条可控性设计
- 授权前置:发送对象、回填范围、可修改的字段都要事先划定,超出范围的一律退回人工。
- 回读核对:任何写入动作之后回读结果,确认写进去的和预期一致。这是把"自动"变成"可信"的关键一步。
- 异常单列:缺日志、重复单号、匹配失败、状态冲突,全部单列成清单交人处理。宁可交出一份带问号的报告,也不要交出一份看起来干净、实际错误的报告。
采购跟催的最终责任仍在采购负责人身上,智能体承担的是信息收集、规则执行和过程留痕。这个分工必须写进流程说明里。
六、从一项重复工作开始试跑
如果你的企业正在考虑做采购来料跟催智能体,建议不要一上来就覆盖全部品类和全部供应商。选一个物料组、一条产线、或者一类供应商,把未交货订单自动扫描跟催先跑两周:把规则口径写成文档,用连接器接上采购单与到货日志,用工作流固定"筛选—去重—生成—授权发送—回读—异常单列"这六步,用自动任务放在每天早上跑。然后做一件最重要的事——逐条核对结果和异常清单,看筛出来的订单是不是真该催,看漏掉的订单是规则没写对还是数据没接全。核对通过再扩大范围,核对不通过就回来改规则,而不是改模型。跟催这件事的价值不在于一次催得多快,而在于每一天的口径都一样、每一笔都有回执、每一条异常都有人接住。有任务,找 Soia;把重复的扫描交给系统,把需要判断的留给人。
常见问题解答
要不要改造现有 ERP 或采购系统?
多数情况下不需要。落地的第一步是用连接器把采购单、到货日志、库存与在途数据取出来,在 Soiawork 的工作空间里做比对和判断,写入动作限制在授权范围内并回读核对。只有在源系统完全不开放、或者关键字段缺失时,才需要考虑补接口或调整字段,这属于数据治理问题,不是智能体本身的前提条件。
数据和权限怎么控制?
分三层:一是取数范围按系统和字段授权,只读比可写优先开放;二是知识库中的规则、映射关系明确归属部门和维护人;三是写入与发送动作必须前置授权并记录回执,动作后可回读核对。谁改了什么、什么时候改的、依据哪条规则,都要能查。
AI 催错了、判断错了谁负责?
智能体不做商务判断,也不替采购负责人做决定。方案设计上,发送前要确认对象并获授权,数据冲突和匹配失败一律单列交人确认。责任边界建议写进流程文件:智能体负责筛选、生成、留痕,判断与承诺由责任人签署。
和现有 RPA、BI 是什么关系?
BI 解决的是"看得见",把未交订单和到货情况可视化;RPA 解决的是"点得动",把重复的界面操作自动执行;跟催智能体解决的是"判断加闭环",按时限规则决定催谁、催什么、催完核对结果。三者可以并存,实际落地中往往是智能体调用已有的取数能力,把判断和留痕补齐。
从哪个场景开始最稳?
建议从"超期未交货订单的定时扫描与催办"开始,因为它规则清晰、结果可核对、风险可控。跑顺之后再往两头延伸:向前接齐套缺料预警做优先级排序,向后接到货实收核对与台账回填。每延伸一步,都先用历史数据回放一遍,确认结果与人工判断一致再上线。



