人工智能原生与螺栓式采购平台：有什么区别，为什么它对你很重要

有什么不同，以及这对你为什么重要 如今，每家采购软件供应商都在推广人工智能，而他们的演示也越来越相似。在这些相似的语言背后，实际上在销售两种截然不同的产品，这种区别并非表面现象。它决定了软件能为你的团队分担多少工作，在审计中能否经得起检验，以及它是否能跟上一种快于任何年度发布周期的技术发展。对于现在选择平台的采购领导者而言，理解这种区别，是购买能力与购买维护负担之间的差别。 这种差异有一个名称。从零开始为人工智能设计的平台被称为“AI原生”。而那些最初为传统的、基于屏幕和表单的工作方式构建，后来才加入人工智能的平台，无论营销宣传如何，都属于“AI赋能”。供应商更倾向于使用的标签，远不如你实际上所关注的究竟是哪一种。 赌注并非抽象概念。哈克特集团预测，到2025年，采购工作量将大致增长10%，而预算增长约为1%，预计人工智能将帮助弥合这一差距，并报告称64%的采购领导者认为，人工智能将在五年内改变其团队的工作方式。1 您现在选择的标准平台将决定您实际能弥补多少这一差距。 所有这些都不是徒劳无功的。过去需要分析师一周时间的分类工作，现在可能只需一个下午；合同摘要也能节省真实的阅读时间。但帮助仍然局限于小范围和本地。每个功能都存在于系统自身的部分之中，无法看到其他部分。你仍然需要掌控每一步，当你的问题从一个领域跨越到另一个领域时，你不得不亲自去做连接工作。购买足够多的这些功能，最终你会得到一个装满无法相互通信的小工具的抽屉。 究竟是什么将两者区分开来 差异在于结构。关键在于智能所在的位置以及它被允许做什么。 在一个AI驱动的平台上，软件是为固定的、基于规则的流程而设计的，之后才将AI作为一组功能叠加上去。一个模型用于对您的支出进行分类。一个工具用于总结合同。一个聊天机器人用于回答关于采购申请的问题。每个功能在其各自模块内部都很有用，但它服务于一个仍由人工手动驱动的流程，并且无法跨越整个系统，因为底层的系统从未被设计为除了用户点击屏幕之外还能被其他任何东西驱动。这个类别很广泛，目前来说，这是市场的默认选择。 在一个AI原生平台上，这种关系是颠倒的。智能是核心操作，而平台的功能——创建RFx、审核合同、发起采购订单——则成为其完成任务所依赖的能力。你用简洁明了的语言陈述目标，平台便会负责执行，收集所需信息，并将需要人工批准的决策路由给正确的人。由于智能贯穿了从采购到付款的整个流程，而非局限于单一功能，因此其在采购环节建立的内容能够无缝延续至合同和发票匹配环节，无需重复录入。埃沃特咨询公司（Everest Group）描述了同样的转型，将目标定义为AI原生、统一的采购到付款平台，这些平台能够提供真正的智能和端到端协调，而非零散的功能点。 哈克特集团发现，大约47%的组织已经依赖嵌入现有采购软件中的AI。2 这也是大部分营销噪音的来源：Gartner将这种模式命名为“代理AI清洗”——即在没有底层能力的情况下，将助手、机器人流程自动化和聊天机器人重新品牌化为代理AI——并估计在数千家声称拥有代理AI的供应商中，只有大约130家是真正的。3 在一个AI驱动的平台上，AI处于表层；而在一个AI原生的平台上，它则是核心运作层。 并肩 单从一眼望去，对比更容易衡量。 AI原生架构包含五个不同元素，每个元素都有其特定职责，而它们如何协同工作则产生了上述行为。在观看下一次演示之前，了解这些元素是值得的。 人工智能原生架构的要素 AI原生采购平台 智慧是核心运作力，而非附加功能。 3.一个能够适应人员和任务的界面。在传统软件应用中，屏幕是固定的，无论角色或意图如何，所有人都要填写相同的表单。而原生AI平台则围绕用户试图完成的事情构建交互。用 plain language（平实的语言）陈述目标，它就会以任务所需的形式进行回应：当需要精确数据输入时，以结构化表单形式；当必须澄清事项时，以对话形式；当可以简单进行时，以已完成动作形式。同样的底层分析会以不同的方式呈现给不同的采购角色：类别经理看到供应商和风险细节，采购负责人看到竞争和价格分析，合同经理看到条款和续签曝光。 1. 每项采购的专属代理 纪律。与其让一名通才助理试图处理所有事务，AI原生平台会为不同领域运行专用的代理：采购、合同、采购到付款、发票管理、供应商主数据。每个代理都针对其特定领域进行调优，拥有自己的权限并访问相关工具。一个协调代理负责确定请求需要哪些专家以及顺序，然后在它们之间传递工作，同时保留完整上下文。这一点很重要，因为随着范围的扩大，推理质量会下降。要求单个代理涵盖所有采购事务会导致各方面结果都平平，而协调的专家则能产出优秀结果，并且每个专家都可以在不影响其他人的情况下得到改进。 2.对您采购实际情况的了解。这是区分一个实用平台和一个令人印象深刻的演示的关键要素。通用人工智能模型对采购的理解是抽象的，但它不了解您的供应商、您的合同条款、您的品类策略或您的审批政策。而原生的AI平台则将每一个答案都建立在经过验证的采购数据之上：您的交易历史、您的供应商关系、市场情报以及您的组织实际运行所依据的规则。由于其推理是基于这些数据而非模型的普遍印象，因此建议具体且有据可依，自信但错误的答案的风险会显著降低。如果您询问为什么推荐了某个特定的供应商，该平台可以指出其背后的证据。 4.每个代理共同使用的共享能力。在代理背后，是一套它们都使用的通用服务：访问AI模型本身、用于筛选每项请求和响应的安全检查、用于捕获和纠正薄弱答案的质量监控，以及连接到您的ERP和其他记录系统的通道。将这些服务集中管理，才是使经济效益得以实现的关键。新代理无需重建任何内容，而是继承现有的一切，这正是为何添加能力已成为一项配置任务而非项目的原因。这也使得平台能够为每项任务使用最合适的AI模型，并在新模型出现时采用更好的模型，而无需任何人重写应用程序。 用于在受监管环境中运营的平台。这些是基础设置的特性，是统一应用的，而不是逐个工具设置的开关。 5. 为此类工作而建设的设施。 所有这一切之下，是专为人工智能而设计而非改造的企业基础设施：满足推理和搜索需求的强大算力、适用于交易记录和平台工作内存的存储、以及跨区域部署以确保数据符合监管要求。这也是正式控制措施所在之处，包括传输中和静止状态下的数据加密、身份与访问管理、不可变的审计日志，以及SOC 2和ISO 27001等认证，这些认证能够允许... 序列与部分同等重要。那些在底层所需的知识、共享能力和基础设施尚未就绪时就急于构建代理的组织，往往在一年内就会分崩离析，最终只留下少数互不连接的工具，并且没有平台将它们整合在一起。在面向AI的设计中，基础最先建立，这正是构建其上的能力能够相辅相成而非相互冲突的原因。 为什么这对您的团队很重要 这些元素并非抽象的。它们出现在你已经追踪的地方。 一个外挂工具可以编排工作流程；只有原生AI平台才能导向结果进行编排。 该平台不仅能编排工作流，更能统筹结果。采购行业正朝着这个方向发展，分析师机构对此直言不讳。Gartner预测，到2030年，一半的跨职能供应链解决方案将使用智能代理自主执行决策，并且到2025年采用率仅为5%的情况下，60%的运行此类软件的企业将采用代理功能。重要的区别在于：一种工具是自动化固定的步骤，而另一种平台是追求目标——处理接入、资格认证供应商、解决发票异常，然后根据条件变化进行调整。Hackett Group同样区分了自主决定步骤的代理系统与遵循脚本的本规则自动化系统，Everest Group则将这一转变描述为采购从事后报告转向结果加速。一个外挂工具可以编排工作流；只有AI原生平台才能面向结果进行统筹。 应用程序可以随时采用最新的进展，而你今年购买的系统也会自行变得更强大。而外购的产品只有在供应商安排并发货时才会改进，这意味着你需要等待，并且你会在队列中排在其他所有客户之后等待。 您无需为访问自己的数据付费。在集成式环境中，AI 功能及其连接通常采用按量计费模式：按集成调用次数、处理文档数量或模型查询次数收费。由于每个工具在每次操作时都会调用外部服务，常规访问您自己的交易和供应商数据会变成一个持续计费的计量器，随着采用率的增长而不断攀升，并且在签约时很容易低估成本。这也是为何 Gartner 将成本上升列为预期到 2027 年底将有超过 40% 的自主式 AI 项目被取消的首要原因之一。9 原生 AI 平台通过其拥有并优化的共享服务路由这些调用，因此成本随所传递的价值而增长，而非随您访问自身信息的次数而增长。 提升的步伐对你有利而非有害。人工智能能力以月为单位的时间表在进步。因为AI原生平台通过共享服务而非直接连接来访问模型。 扩展的经济效益对你有利。为AI原生平台添加一项功能，很大程度上是一个配置问题，因为... 现有的底层逻辑、控制机制和关联关系均已存在。在一个拼凑式的环境中，每一项新功能都需要人工构建和集成，因此，随着资产规模的扩大，扩展的成本会不断攀升。从多年的时间跨度来看，这是价值复利型平台与成本复利型平台之间的差异所在。 采购部门对这些工具的热情，与对数据隐私、监管合规以及知识产权泄露的真正担忧并存。11 结构性的解决方案是，将治理权作为平台的属性，而不是将隐藏在每个独立工具内部的设置。 在一个AI原生平台上，政策集中存放在一处。授权委托阈值、职责分离规则、供应商筛选标准以及审批矩阵一旦定义，便会应用于所有代理人和所有工作流，因此任何变更都能同时生效于所有环节。每一次自主行动都会记录在授权其的人或政策之下，从而生成一条连贯的审计轨迹，而非需要协调的碎片化记录。权限界限明确：当决策超出其定义的权限时，代理会升级至人工处理，并且它只能在其服务对象的权限范围内行事。而在集成的环境中，每个功能都带有自身的控制和日志，而跨功能证明一致执行正是审计师和监管机构开始期待的工作。Everest Group指出，在评估这些平台时，购买者越来越希望在做出承诺前，能看到治理控制的明确验证和可衡量的成果。 碎片化问题是真实存在的。 可预测的。模块化方案通常部署迅速，这是其在选型过程中的主要吸引力。在12到18个月内，熟悉的模式会出现：不共享数据的工具、需要维护的重叠集成，以及缺乏统一的控制点。早期的速度是以利息偿还的。 治理与控制 这正是AI原生设计展现其近期最明显优势的地方，也是采购负责人及其审计人员应着力推进的领域。随着自主性的提高，控制绝不能被视为事后考虑。Gartner将未来大量失败的代理项目浪潮归因于风险控制不足，以及成本和 unclear value（价值不明确）问题，10，而Hackett Group指出 治理权应属于平台，而非隐藏在每个工具内部的设置。 合规性问题 如何改变安全设置 采购不能仅凭主观判断，一个可信的平台也不会假装不是这样。三方匹配要么在容差范围内协调一致，要么就不一致。付款要么遵循审批矩阵和职责分离规则，要么就会成为审计发现。对于任何以AI会自行处理控制问题的承诺来回应关切问题的供应商，都应持怀疑态度。 安全模型也随之改变，从宏观层面理解它是有价值的。传统的企业安全专注于边界：在边界处验证用户，然后信任其内部的活动。然而，一旦AI开始代为阅读供应商文件、电子邮件和记录，这种做法就不够了，因为旨在操控AI的指令可能隐藏在看似普通的内 容中。AI原生平台是为这种现实设计的，它采用多个独立检查机制，而非单一的安全墙。每项操作都会得到验证，并且AI绝不会被允许执行其代表的具体人员未获授权的任何操作。而集成的AI系统通常缺乏这种特性，因为其周围的安全措施是在这些系统当前使用方式之前建立的。 一个构建精良的AI原生平台不会在控制与智能之间强加选择。它将每项功能应用于其所属的领域。需要合规性的工作，如支付、三方匹配和监管报告，会以精确、可重复的步骤运行，并保留完整的审批记录。而需要判断力的工作，如供应商选择、谈判策略和采购方法，则通过推理进行并提供建议。该平台能识别其处理的任务类型，应用正确的模式，并在问题超