采购AI智能体的12个问题清单:选型之前先问清,落地之后少返工
采购部门的工作,很多都带着同一种特征:信息散、口径乱、催得急。供应商报价在邮箱里躺着,主数据申请在群里飘着,交期跟进靠人一条条问,等到要开会比价,才发现几份报价的含税口径、交期定义、服务范围各不相同。也正因为如此,"采购AI智能体"这个词一出现,会议室里往往先热后冷——演示看着都对,可一旦有人问"报价单在邮箱和微信里怎么办""要不要动 ERP""它判错了算谁的",讨论就散了。
散场前没问清的问题,落地时都会回来。下面这份采购AI智能体的12个问题清单,把决策前最容易含糊的四组问题拆开:值不值得做、数据够不够得着、能力边界在哪、组织怎么接住。每个问题都给出判断标准和可落地的做法,并说明 Soiawork 在其中能做什么、边界又在哪。
一、第一组问题:这件事值不值得交给 AI 智能体
这一组问题决定项目要不要启动。判断标准不是"AI 能不能做",而是"这件事适不适合现在做"。
1. 这项工作,是"信息搬运"还是"专业判断"?
采购工作大体分两类。一类是把分散的信息按既定规则归拢、比对、提醒,比如报价汇总、交期跟进、主数据字段校验;另一类是需要人担责的判断,比如供应商准入结论、议价策略、合同关键条款。
- 前一类适合交给智能体跑,因为它有明确规则、结果可核对。
- 后一类适合让智能体先备好材料,人再做决定。AI 出的是依据包,不是结论。
- 边界要说在前面:供应商准入、合同签署、大额议价这类判断,仍由采购负责人和相应责任人决定,智能体不替代。
在 Soiawork 中,这类"备料"工作可以通过连接器取数、知识库查依据、技能固化比对方法组合完成,输出的是给人看的清单,而不是自动拍板。
2. 这项工作一年发生多少次,动作是否稳定?
值得优先做的场景,通常具备两个特征:频次高、动作能写成一页纸。
- 频次高:一周至少发生一次,人工重复投入明显。像多供应商询价比价,几乎每个采购周期都要来一轮。
- 动作稳:步骤能清楚描述——取哪些文件、看哪几个字段、按什么口径比、结果放哪里。
- 反过来,如果每次做法都不一样、判断依赖大量隐性经验,先别急着交给智能体,那更接近"专家辅助"而非"流程自动化"。
3. 如果 AI 只做到 80 分,业务能不能接住?
这个问题最能筛掉伪需求。可以换个问法:AI 先出一版初稿,人多花十分钟核对,是否比从零做更省时间?
- 能接住:业务愿意在初稿上改,核对成本低于重做成本。
- 接不住:业务要求"必须 100% 正确才能用",那说明这个环节的容错空间很小,要么在流程里设计人工复核节点,要么先别做。
- 建议在试跑阶段就统计"人工修改比例",这个数字比任何演示都更有说服力。
二、第二组问题:采购的真实数据,智能体够不够得着
采购场景难,难在数据不在一个系统里。这一组问题决定项目会不会卡在"跑不起来"。
4. 报价单、申请单散在邮箱、群消息、扫描件里,读得懂吗?
这是采购场景的常态。以物料主数据申请为例,工程师提交的方式极不规矩:邮件、手写扫描件、群里一句话、Excel 批量甩过来,都可能出现。场景库中有一个已完成的复现验证场景,就是从邮箱取件,读取 25 份五种形态的申请,再按编码规则逐条判定。
- 多形态读取是前提:邮件、附件、扫描件、表格、消息,得先能进来。
- 进来之后要结构化:价格、交期、服务范围、单位、分类、用途,抽成可比对的字段。
- 抽取不出来的,要能标成"缺失",而不是默认填一个值。
在 Soiawork 中,这一步由连接器负责取数、文件空间承接资料、技能负责结构化提取;需要读取本机上安装的客户端或本地文件时,可由设备(Soia Worker)执行。
5. 要不要改造现有 ERP 或 SRM?
多数采购场景可以从系统外围切入,不必先动核心系统。
- 只读为主:读取报价文件、读取邮件、调用查询接口,不改变原有系统逻辑。
- 需要写入时才涉及回写:比如生成编码后写台账。前面提到的物料主数据复现场景里,判定完成后生成 10 条编码并写入台账(22→32 条),这一步就需要台账或接口的写权限。
- 建议顺序:先做只读侧的比对与提醒,验证准确后再谈写入。写入范围越小、越可控,推进越顺。
6. 价格和供应商数据敏感,权限怎么划?
采购数据天然敏感,权限设计要在试跑前定好,而不是上线后补。
- 最小权限:智能体只用完成这件事所需的最小账号权限,不做通用授权。
- 分级可见:报价、成本这类数据按角色分级,输出结果也按角色裁剪。
- 操作留痕:谁发起、读了什么、输出了什么、谁确认的,都要能回溯。
在 Soiawork 中,工作空间的权限边界与知识库的可见范围是分开配置的,可以把"能查规则"和"能看价格"拆给不同角色。
三、第三组问题:能力到底能做到哪一步
这一组问题最容易在演示环节被跳过,也最容易在上线后暴露。
7. 比价能不能做到"同口径"?
比价失真的根源往往不是算术,而是口径。含税与不含税、交货地点与运输责任、交期是承诺期还是备货期、服务范围含不含安装调试,这些不统一,价格数字摆在一起也没有意义。
- 先把比较口径写下来,放进知识库,作为每次比对的依据。
- 再让比对按统一口径换算,而不是让每个人凭经验调整。
- 差异要分类呈现:价格差异、交期差异、服务范围差异,分开列。
场景库中的"供应商报价对比"是一个通用场景,路径是:读取报价文件提取价格、交期与服务范围 → 从知识库检索采购要求补充比较口径与审核要点 → 调用报价对比技能按统一口径整理差异 → 输出待确认清单。可达到的效果是多份报价按统一口径比较、差异与缺失项一目了然、讨论前即可核对清单。这里要说清楚:这是场景能力描述,不是某个客户的实测成效。
8. 缺失的信息,AI 会不会"自己编"?
这是采购负责人最该盯的一条。合理的做法不是要求 AI 什么都能答,而是要求它答不了就停下。
- 缺失信息单独列出,进入"待确认项清单",交回给供应商或申请人。
- 判定结果分档而不是二分:自动通过、待补充、驳回,比"通过/不通过"更贴近实际。
- 每条判定要带依据,方便复核时一眼看到是规则哪一条触发的。
前面提到的物料主数据复现场景中,28 条申请被判定为驳回 13 条、待补充 5 条、自动通过 10 条,一次判出 22 处问题,与台账重复的直接给出已有编码,同批重复的关联到首件。需要保留的限定是:该场景已完成复现验证,属于"人有我有"的通用能力,差异化尚不能宣称。
9. 跑完的结果放在哪,谁来用?
很多 AI 项目死在这一步:结果生成在一个没人打开的页面里。
- 结果要回到人日常待的地方:台账、待办、看板、群里的固定推送。
- 每个输出要有明确接收人:谁核对、谁确认、谁跟进。
- 定时类工作(比如到货跟进、缺货预警)应该按设定时间自动运行,而不是等人想起来点一下。
在 Soiawork 中,自动任务负责按时触发,工作流把取数、比对、输出固定成标准步骤,避免每次做法漂移。
四、第四组问题:怎么让它不变成又一个演示
能力跑通只是起点,能不能留在部门里天天用,取决于这一组问题。
10. 做错了谁负责,责任怎么落?
清晰的答案是:责任不转移,只是前移。
- 智能体负责按规则归拢、比对、提示异常;结论由对应岗位确认。
- 高风险动作(写入台账、发出退回通知、影响付款)保留人工确认环节。
- 留痕要能回答三个问题:依据是什么、谁确认的、什么时候确认的。
这套设计并不削弱效率,反而让"为什么这么判"变得可查,减少事后扯皮。
11. 一个人调好了,怎么变成部门都会用?
如果每个人都要从零搭一遍,这个方法就留不下来。
- 把稳定的比对方法固化成技能,别人直接调用,不必重搭。
- 把固定的步骤顺序做成工作流,新人按流程走即可。
- 把口径、规则、审核要点沉淀进知识库,规则变了改一处,全部门生效。
在 Soiawork 中,这三层分别是技能、工作流和知识库,它们的意义在于把个人的一次成功,变成组织可复用的能力——这也是"AI 组织"要解决的问题。
12. 从哪个场景开始,先跑多大范围?
建议从"高频、口径清楚、错了不致命"的环节切入:
- 优先候选:多份供应商报价的统一口径比对、到货与交期跟进、主数据字段校验与重复判定。
- 首轮范围收窄:先跑一个品类、一组供应商、一个月的数据,不铺全量。
- 验收看三件事:差异找得全不全、缺失项标得对不对、人工核对花多久。
范围小不是保守,而是让问题早点暴露在可控的成本里。
结语
给采购负责人的建议是:不必等到把这 12 个问题全部论证清楚才动手,但也别跳过它们直接采购。更稳妥的路径是从一项重复工作开始试跑——挑一个高频、口径清楚、判错代价可控的环节,用几份真实报价或申请单跑一遍,把 AI 的输出和人工结果逐条对照,看差异集中在哪、异常提示是否可信、责任人是否认可这个结果,再决定要不要扩到更多品类和供应商。采购AI智能体的12个问题清单的价值,不在于问完就下结论,而在于让每一次扩大范围之前,都先回答过一遍。
常见问题解答
问:一定要改造现有 ERP 或 SRM 才能用吗?
不一定。大部分采购场景可以先从只读侧切入——读取报价文件、读取邮件、调用查询接口,输出比对清单和待确认项,不改变原有系统逻辑。只有当结果需要写回(生成编码、写台账、发起退回)时,才涉及接口或写权限,建议放在验证通过之后,并控制在最小写入范围。
问:报价和成本数据这么敏感,权限怎么控?
三个原则:最小权限、分级可见、全程留痕。智能体只拿完成当前任务所需的账号权限;报价、成本按角色分级,输出结果也按角色裁剪;每次读取和判定都留下记录,便于回溯。在 Soiawork 中,工作空间权限与知识库可见范围是分开配置的,可以把"查规则"和"看价格"分配给不同角色。
问:AI 判错了,责任算谁的?
责任不转移,只是前移。智能体承担的是归拢、比对、提示异常,判定结论由对应岗位确认,高风险动作保留人工确认环节。同时要求每条判定都带依据,这样复核时能快速定位是规则问题还是数据问题。这也是不宣称替代专业判断的原因——供应商准入、合同条款、大额议价仍由责任人决定。
问:和现有的 RPA、BI 是什么关系?
三者解决的不是同一层问题。RPA 擅长在固定界面上执行固定动作;BI 擅长把已有数据呈现成报表;采购智能体更多处理"非结构化进来的信息 + 规则判断 + 输出待确认清单"这类介于两者之间的工作。实际落地中它们常常配合:智能体读取和判断,RPA 或接口负责写入,BI 承接结果看板。
问:第一个场景选什么最稳?
选高频、口径清楚、判错代价可控的。多份供应商报价的统一口径比对通常是最好的起点之一,因为输入是现成文件、输出是清单、错了也不直接产生付款后果。等这一轮跑顺、人工核对时间明显下降之后,再考虑把到货跟进、主数据校验这类需要写入或多系统联动的场景接进来。



