这集讲什么
AI 原生公司的机会，不是给企业现有系统再加一个聊天框，而是接手散落在邮件、合同、表格和人际协作中的整项工作，并在处理例外与赢得信任的过程中建立优势。
1-3要点
- 记录结果不等于拥有过程：企业软件中的价格、日期和订单，只是跨系统、跨人员协作后的可见终点。
- AI 智能体（Agent）的分界线在判断与责任：找资料、执行规则、解释政策、权衡关系，所需授权和风险控制逐级不同。
- 例外比标准流程更能检验产品价值：原型可以很快做出；能否处理不符、变更和争议，决定它是否真正减少人工。
0:00 / --:--
Seema Amble 与 Vlad Kyle 认为，AI 原生公司的机会不在于复制既有软件的记录功能，而在于接手散落在邮件、合同和跨部门协作中的整项工作，并在处理例外、赢得信任的过程中建立优势。
AI 原生公司的机会，不是给企业现有系统再加一个聊天框，而是接手散落在邮件、合同、表格和人际协作中的整项工作，并在处理例外与赢得信任的过程中建立优势。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
No Priors· 2026-10-29挑战 ServiceNow：面向我们普通人的编程智能体，与 Serval 联合创始人兼 CEO Jake Stauch 对谈Taking on ServiceNow: Coding Agents the Rest of Us with Serval Co-Founder and CEO Jake Stauch同主题：智能体安全
a16z Show· 2026-10-19当 AI 智能体能花你的钱时，会发生什么？What Happens When Al Agents Can Spend Your Money?同主题：智能体安全a16z Show· 2026-09-16AI 原生 CRMThe AI-Native CRM企业软件的既有厂商掌握客户关系、用户入口和大量业务记录。随着基础模型能力提高，它们也能在原有产品上推出 AI 功能。因此，AI 创业公司不能仅以“我们也能读取记录、回答问题”为理由要求企业另买一套产品。
本集选择采购作为检验场景。采购系统最终可能只记下一笔价格或一个交货日期，但促成决定的工作分布在供应商邮件、报价表、技术图纸、合同、财务审批以及跨部门讨论中。Leo 的主张是：AI 智能体（Agent）若能理解这些上下文、协调人员与系统，并逐步承担实际任务，竞争对象就不再只是采购软件里的某个功能。
本集讨论的核心问题是：当既有软件厂商已经拥有客户和数据，又可以接入强大的模型时，AI 原生公司还能凭什么获胜？Seema Amble 的回答是，既有系统通常记录工作结果，却未必覆盖完成工作的全过程；Vlad Kyle 则用采购说明，一笔看似简单的成交价，背后可能有供应商往来、成本工程、法律条款和大量异常处理。创业公司的切入口因此不是复制记录系统，而是把分散的上下文连接起来，对最终结果负责。
对话也没有把“端到端”直接等同于“完全无人化”。Leo 按交易金额、复杂度和关系风险决定让智能体自主执行，还是请采购人员、工程师介入：过去因人手不足而根本不谈的小额支出，适合先尝试自动谈判；战略性零件采购则更需要智能体做准备工作，由专家掌握谈判。这种渐进部署既是信任策略，也是获取企业特定反馈的方法。
节目后半段把竞争推向两个更难的问题。其一，做出能演示的内部 AI 工具越来越容易，但准确率、系统映射和异常处理决定它能否真正减少人工工作。其二，当买卖双方都使用智能体时，价格谈判仍可能利益相反，询报价、核对信息和跟踪交付却有共同的降摩擦空间。整集最有启发性的判断是：AI 公司能否持久，最终要看客户是否越来越依赖它完成工作；不过，节目中的节省幅度、损失案例与行业规模主要来自嘉宾举例或判断，不能直接当作已验证的普遍结果。
💬 他们说了什么：Seema 认为，创业公司过去以创新对抗既有厂商的分销优势；现在，既有厂商还能把基础模型接入现有产品，竞争更难。但它所拥有的“记录系统”不等于整项工作。例如处理客户取消服务后仍被收费的投诉，还要查看计费、聊天历史与合同。在采购中，ERP 可能只显示一项铝材价格为 8,000 美元；看不到供应商曾要求 10,000 美元，也看不到成本工程师数周的测算与往来沟通。
💡 为什么重要：如果真正的任务跨越多套系统和组织边界，创业公司就有机会成为协调工作的入口，而不是争夺某个数据库里的字段。判断竞争优势时，应先问“客户要完成什么”，再问“记录在哪里”。
⚡ 争议点：跨系统完成任务是机会，也意味着更重的集成、安全、授权与责任负担。既有厂商同样可能通过扩展集成或合作缩小这一差距。
💬 Seema 用服务中断后的客户补偿，区分四类智能体：检索智能体找出合同条款与故障记录；流程智能体按明确规则申请或发放账单抵扣；政策智能体判断一次 20 分钟中断是否算“重大”；委托决策智能体进一步权衡是否超出规定补偿，以维护客户关系。她认为多数既有产品仍主要停留在检索和部分流程执行。
💡 这不是给聊天机器人增加几个按钮，而是逐级提高智能体的判断权。越往后，任务价值通常越高，所需的企业上下文、可解释性和授权机制也越重要。
⚡ 四类智能体是理解能力与风险的框架，不是严格的产品分级。现实任务常混合检索、执行和判断；厂商宣称具备某类能力，也不代表它能在高风险场景稳定运行。
💬 Seema 说，既有厂商拥有客户信任和便捷分销，却可能面临内部产品冲突：销售“帮助员工完成流程的软件”，与销售“直接替员工解决问题的智能体”，对应不同团队、买方和商业模式。Vlad 则说，发票智能体在标准路径上可以读取文件、匹配信息、写回 SAP 或 Oracle；但他估计这类流程只覆盖约 20% 的工作，另外约 80% 涉及欺诈、信息不符等例外。
💡 采购智能体的价值分水岭不是顺利处理正常发票，而是在事情不符合预设规则时仍能推进。既有厂商的产品组织方式，也可能影响它进入这类高判断任务的速度。
⚡ “20%／80%”是 Vlad 对问题结构的描述，节目没有提供统计口径。例外处理也不一定都该自动化：一旦涉及欺诈认定或付款争议，错误决定的代价可能高于节省的人力。
💬 Vlad 说，没有企业会从第一天就把谈判完全交给智能体。Leo 先安排人审阅，让智能体从反馈中学习具体企业的偏好，再逐步获得处理 1 万、2 万乃至 10 万美元谈判的授权。他举例说，有些企业过去因人手不足，连 5 万美元以下的采购都不会逐项谈判；智能体可先覆盖这类原本未被处理的支出。若供应商关系重要，采购人员仍需把关语气和互动；涉及数百万美元及技术图纸的谈判，则让专家持续参与。
💡 信任不是一次性的“开启自动驾驶”，而是按金额、复杂度和关系风险分层授予权限。人类反馈同时帮助产品适应企业自身规则。
⚡ Vlad 认为，对过去完全不谈的项目，智能体谈得不理想也接近“没有新增风险”。这忽略了措辞失当、供应商关系受损或未经授权承诺等风险；节省金额不能作为唯一评价指标。
💬 以飞机或数据中心建设为例，Vlad 说企业可能需要协调数千家供应商；某个零件晚到两周，在特定大型项目中可能造成数亿美元损失。延迟通知却可能只是采购经理邮箱中数百封邮件之一。系统最终记录的是日期变化，未必呈现它对项目关键路径的影响。他还提出，要结合供应商历史可靠性判断：即使一家供应商便宜很多，只要缺货概率过高，选它也可能得不偿失。
💡 智能体若能把邮件中的变化关联到库存、项目进度和替代供应商，价值便从“录入正确日期”上升为“及时发现并处理风险”。采购的结果发生在物理世界，不能只用软件流程是否完成衡量。
⚡ 两周延误导致数亿美元损失是嘉宾提出的场景性估计，并非所有采购项目的常态。智能体也无法修复已经损坏的货物；预测依赖供应商数据质量，干预能力受现实产能与物流条件限制。
💬 Vlad 用采购螺栓说明多智能体协作：申请人可以上传照片、报价或表格，而不必先理解会计科目和框架合同；智能体检查库存、询问其他工厂能否调拨，再寻找供应商、拟定并发送询价请求，读取邮件、PDF 和表格中的报价，判断是否需要议价，随后处理订单确认、运输跟踪及发票。他说，完整的人工作业可能牵涉约 8 名相关人员、3 个部门和 5 套软件工具。
💡 多智能体在这里指任务分工、共享上下文和按顺序交接，而非单纯增加模型调用次数。只把采购入口做得更友好，无法替代后续询价、比较和履约工作。
⚡ 节目没有逐步展示系统在每种场景下的成功率。跨工厂库存与供应商信息能否实时取得、智能体何时需要采购授权，都会决定这条“端到端”链路在具体企业能走多远。
💬 Vlad 区分办公用品、维修物料或服务等间接采购，以及构成飞机、无人机等最终产品的直接采购。后者可能集中在约 100 至 2,000 家战略供应商身上，单一供应商支出可能达到 10 亿美元，谈判持续三个月。这类交易不宜让智能体独自出面；它更适合分析图纸、成本结构、原材料价格并为专家准备材料，甚至在谈判时实时提示：若油价上涨 10%，但油仅占产品成本的一部分，整件产品未必应同幅涨价。
💡 智能体的理想角色随采购类型改变。高频低风险交易重在自动执行；重大直接采购则重在提升工程师与采购人员的准备质量、发现不合理报价，而非取代最终的关系经营。
⚡ 节目里的实时油价例子是示意，不是成本计算公式。材料占比、采购合同、库存与对冲安排都会影响最终价格；智能体给出的提示仍需专家核验。
💬 Vlad 说 Leo 使用多家供应商的基础模型；读取文件、生成表格等通用能力不必全部自研。但在技术图纸的“应有成本”估算、专有报价数据的价格基准比较上，他认为再好的基础模型与工作流封装，某些任务可能也只能做到约 80%，需要进一步利用行业数据训练。Seema 则提醒，早期很难预先设计出确定的“护城河”；更重要的是先赢得信任，让客户越来越依赖产品完成工作。
💡 这一段把竞争优势从“使用哪款模型”，移向企业特定的数据、评价方法、任务成果和客户依赖。真正难复制的可能是持续参与工作后积累的判断反馈，而不是初始功能列表。
⚡ “做到 80%”并无统一测试定义；微调也不能自动补齐稀缺或有偏的数据。跨企业使用报价信息尤其涉及保密与权限问题，不能仅因数据有训练价值就假定可以共享。
💬 Vlad 说，Leo 约三年前的早期用例——从报价中提取信息并写入 SAP——如今可作为工程师招聘练习，限时八小时完成原型。但他认为，原型达到约 70% 的表现，未必意味着减少 70% 的人工：如果每笔结果都要复核，员工可能仍要做几乎全部工作。Seema 补充，一家《财富》500 强企业曾自行开发收款工具，数月后遇到上下文质量、多套 ERP 映射及后续维护问题。
💡 自建与采购的比较，不能只看首个演示能否跑通。企业要算上生产环境中的例外、系统变更、监控和维护成本；最后一段准确率或覆盖率，可能决定工具是减负还是增负。
⚡ 这个内部开发案例经由 Seema 转述，未提供企业名称或项目评估资料。并非所有企业都应外购：若采购智能体本身是核心能力，且企业拥有相应工程团队，自建仍可能合理。
💬 Vlad 预期采购方和供应商未来都会使用智能体。双方在价格上可能对立，却都希望更快完成询价、澄清、核对与交付。他提出，服务采购方的系统也可能帮助供应商处理交易。谈到部署，Seema 说企业的现有数据与流程差异仍要求大量现场实施工作；Vlad 表示 Leo 约 85% 的人员是工程师，并希望让驻场工程师持续把重复定制工作产品化、自助化。
💡 若智能体能减少交易双方共同承担的协调成本，平台价值便不局限于替一方压价。同时，部署能力可能成为产品的一部分：企业越容易自行调整规则，新客户落地就越不依赖人工服务。
⚡ 同一平台服务买卖双方，会带来信息隔离、利益冲突和谈判公平性问题。“自动化部署”也是目标而非已经解决的现实；每家企业的数据权限与审批流程仍可能不同。
💬 Vlad 介绍，Leo 在纽约举办的第三次采购活动来了超过 100 名采购负责人，并计划举办约 700 人的下一场活动。他认为，采购领域已有大量工具，却主要让既有步骤更高效，没有改变人们依赖邮件、Teams、Excel 和演示文稿协作的方式。他给出一个财务上的直观说法：在其设定的利润率情境中，获得 1% 的利润改善，可能需要 10% 的收入增长；因此 1% 的采购节省也可能很有分量。
💡 采购常被视为不显眼的后台工作，却连接工厂、数据中心和交通工具的建设。既有工具多、使用者仍感挫败，说明优化界面与真正改变任务完成方式之间存在差距。
⚡ 活动人数、未来规模及财务比例均为嘉宾陈述。“1% 节省等于 10% 销售增长”取决于收入、采购支出和利润率基数，不能作为通用财务等式；“万亿美元机会”也是 Vlad 的市场判断。
以下为依据英文转写整理的中文意译：
“记录系统里只看到 8,000 美元，却看不到达成这个价格之前的全部工作。”——Vlad Kyle
“没有企业会从第一天起就使用完全自主的谈判智能体。”——Vlad Kyle
“做到 70% 的表现，不等于自动化了 70% 的工作。”——Vlad Kyle
“早期很难预先推演出未来的护城河；先赢得客户信任，让产品真正承担更多工作。”——Seema Amble
“端到端”最好按结果定义，而非按界面定义。 一款产品即使能从同一个聊天框调用 ERP、邮箱和合同库，也不代表它已负责采购结果。更严格的检验是：需求提出后，它能否发现供应商延迟、判断影响、发起补救，并把需要人批准的决定交给合适的人。
人参与流程不只是过渡阶段。 在高金额或战略性采购中，人的作用可能长期保留：工程师提供行业知识，采购负责人维护供应商关系，法务承担条款判断。智能体的价值可以是让这些专家少做搜集与核对，多做最终权衡。
“最后一点表现”具有不成比例的商业价值。 如果工具的错误随机散布在每笔交易中，员工就不得不逐笔复核；只有当系统能识别自身不确定性、可靠分流例外并保持审计记录，准确率提升才更可能转化为实际省工。
双边智能体需要治理设计。 买方与卖方可以共享订单状态或待确认问题，但不应因此共享各自的保留价格、内部策略或机密报价。共同平台能否成立，取决于信息边界是否和协调效率一样清晰。
