采购是 AI 自动化的金矿：Chad 与 Agathe 谈 Palantir 的采购 AI

摘要

Palantir 架构师 Chad Walquist 与采购业务负责人 Agathe 对话，演示 Palantir 如何用 AI 智能体驱动采购自动化。采购常被认为是商业中最不性感的话题，但 Agathe 指出：这个部门的大量工作能产生巨大 ROI，所以许多客户恰恰从采购用例起步，或扩展本体论（Ontology）进入采购。演示的第一个场景是智能体通知列表——每一个"提醒"都是 AI 智能体把接力棒交给人类：一张发票被发现违反框架协议（约定的 60 天账期被写成 30 天），智能体已经提取合同条款、处理发票、比对、发现违规，甚至起草好了给供应商的邮件。

第二个场景是关税驱动的品类策略：关税开征后，AI 智能体摄取关税数据、把官方 HTS 编码与物料目录匹配、计算含运杂费与关税的总成本、识别替代物料并取得相关部门批准，最后把决策权交还采购专家。Agathe 反复强调：采购专家是领域权威，他们不想把重要决策委托给智能体——所以平台给他们完整可见性与控制权，同时把繁琐的数据聚合、发票阅读等手动工作剥离。

"数据没准备好"是常见借口，但平台恰恰相反：连接 ERP（比如 SAP，用 hyperauto 自动生成转换）、把合同 PDF、发票图片等 ERP 之外的数据纳入本体论；机械图纸用视觉模型提取关键部件与尺寸来做替代建议；品类用智能分类自动归位。Marketplace 提供模块化积木（如 RFQ 产品构建在采购本体论产品之上），部署代码、逻辑与本体论，同时保持完全可定制。成效数据：被覆盖支出每年节省 1-10%，有的客户声称三年 30%；Stellantis 用 10 天就测出了关税对整个采购预算的影响；一家油气巨头三个月内把复杂的发票到合同合规工作流投入生产。

正文

一、为什么采购是 AI 自动化的金矿

Agathe 主管 Palantir 的采购业务。她开门见山：采购是那种"大量工作产生大量 ROI"的部门——正因 ROI 巨大，很多客户从采购用例开始，或扩展本体论（Ontology）进入采购。演示的第一个界面是 AI 智能体通知列表：可以把它理解为"智能体把接力棒交给人类的手递手"——每一条提醒都是 AI 智能体请人类接手的信号。现实中这个应用会按角色预过滤：品类经理看自己的、应付账款用户看自己的。

第一条提醒：一张发票被检测出违反与供应商的框架协议。深入查看：发票账期是 30 天，而合同谈好的是 60 天——这个条款大概率是采购人辛苦谈判争取来的。背后的工作已经完成：智能体从合同提取条款、处理发票、把发票与合同比对、检测违规，甚至准备好了下一步动作——给供应商发邮件。Chad 复述技术栈：解析 PDF、提取并本体论化发票与合同的数据、比较各种条款、找到违规、再用全部上下文生成邮件。Agathe 展示后台：发票侧有智能体被派去提取表头与条目级信息；合同侧相似——不同智能体并行从 PDF 提取元数据与条款（本例中就是出问题的账期），还能直接定位 PDF 中对应的段落。多个智能体各自分工、再由另一个智能体汇总、识别违规、触发通知、生成邮件。

Chad 点出关键认知："太多人以为 AI 就是我的聊天机器人、我要跟数据聊天。但这些后台 AI 智能体真正在做的是让更多数据变得可计算（computable）——过去躺在 PDF 和邮件里的非结构化数据，现在在这个框架内可计算了。" 而且"AI 不明显"恰恰是最好的用例——它解决问题，而不是"AI 贴脸要你去聊天"。Agathe 补充：需要 AI 不仅因为数据是非结构化 PDF，更因为合同内容随行业、随支出品类随时间变化——有的客户关心账期，有的关心折扣、返利、最低采购量承诺、SLA——AI 能适应这些。

二、从发票违规到关税策略：两类智能体提醒

第二条提醒更偏战略：品类策略提醒——AI 智能体发现了一个更便宜的选项。背景是关税开始生效：后台是多步流程——智能体摄取关税数据、把官方 HTS 编码与物料目录匹配、计算总成本（物料单价加运费、关税、物流等）、识别替代物料、取得公司内其他人的批准，最后把最终决定权交给采购——"我为那根钢梁找到了替代品，图表显示计入关税后它们更便宜了"。买方的决策变得轻松：不用自己做关税研究、匹配、替代识别，一切已备好，只等你拍板。同时保有完整可见性：关税信息从哪来、HTS 编码在通知的哪个位置、智能体用了哪些数据得出结论——但最终是你做主：重新谈判？生成询价（RFQ）？Chad 强调两点：一是智能体推理过程的审计轨迹——在高度监管行业，你必须能解释这个决策怎么来的；二是"洞察到行动的距离就是一个按钮点击"——生成 RFQ 或邮件，洞察直接变成产生价值的行为。

Agathe 解释哲学：采购与品类经理是领域专家——你买这个东西买了多年，可能比地球上大多数人更懂怎么买。你永远不会想把采购决策或特定技术部件的谈判委托出去。所以你要对智能体保持完全控制——不是不信任它们的能力，而是你有它们没有的专业水平。Chad 对比传统端到端采购方案："我有盒装软件，它有主见，我努力把业务塞进去。而 Palantir 用可塑的软件赋能你——因为你就是世界上做 XYZ 最好的人——给你超能力。具体到这个例子：让世界最好的买方拥有无限劳动力。他们现在大量时间花在聚合多个来源的数据、读发票与采购单、处理审批——把那些手动任务从日常中拿走，让他们把更多时间花在谈判与品类战略上——这些目前只占他们工作太小的一部分。"

三、引擎之下：ERP、超自动与采购本体论

Agathe 展示引擎之下：为什么本体论是这些工作流的好地基。第一步连接 ERP——示例是 SAP，数据以行列格式进来；但大量事情发生在 ERP 之外：合同、发票、甚至发票照片与收货单——平台通过连接器全部捕获进本体论。Chad 特意回到 SAP 话题：一半的问题其实是"如何访问并理解我的 ERP 数据"——Palantir 有个工具（hyperauto）会读取 ERP 系统的元数据并自动生成你看到的这些转换，几小时到几天内产出可用对象。然后结合 PDF、手册等非结构化数据，构成更大的本体论。"从 ERP 快速获得价值，是我们与其他所有人的最大差异化。"

采购本体论的形态因公司与行业而异，但有共性：物料主数据、供应商主数据、支出品类，以及全部采购到付款（P2P）信息，再补上外部数据。结果是统一对象：合同对象带着自动提取的大量元数据，PDF 也烘焙进对象里——这是人类专家与 AI 智能体无缝使用的统一事实来源。Chad 的总结："不是把你拖进另一个系统、另一份报表，而是'我们在你所在之处相遇'，把所有数据汇集起来，从中驱动行动。"

四、"数据没准备好"不是借口

Agathe 常听到的顾虑是"我的数据还没准备好做这个"——尤其物料、供应商、支出品类。回应是：如果你已在清洗上取得进展，太好了，我们在此基础上构建；如果没有，也没关系——我们能用任何数据来清洗。示例：机械图纸——AI 视觉模型从物料中提取关键部件与关键尺寸；这之所以重要，是因为你从以前无法使用的非结构化数据里提取了信息，本体论化之后，就能用来比价、做前面看到的替代建议——无论是文本描述还是机械图纸。Chad 说这等于把图纸与 ERP 或采购系统的结构化数据绑在一起，让工程与采购可以前后追溯："这是它的实际影响"或"这是我的图纸，这玩意儿到底讲不讲的通"——连接那些点，省去人们习惯的"转椅工作"。

支出品类同理：客户说"我的产品归类不对，这阻碍我做任何 AI 或品类战略"——平台用你的键或创建新键做智能分类。所以本体论不只是带对象的模型，还是后台图谱里发生的一切——清洗在哪里发生、AI 智能体如何帮你清洗。Chad 补充双向性：一切都在被使用中验证与反馈——如果应用里发现主数据问题，可以更快修复并理解其影响；主数据修复常常像"推绳子"，但当你把它情境化（通常一两个条目占支出的大头），人们就知道先修什么。

五、市场产品与速度：从数小时到数周

最后，Marketplace 的积木加速构建：采购领域的 AI 智能体构建有最佳实践，Palantir 从跨行业生产部署中学到了经验并烘焙进产品。Marketplace 是目录式的：安装某个产品，它会带你走一遍预期输入；有些产品相互依赖——比如 RFQ 产品构建在采购本体论产品之上，有一组建议的预备条件。每个积木部署代码、逻辑与本体论，但你可以按需修改——"可塑的模块化积木"，自由度不丢失，只是多了预配置的起点。

ROI 数据：被覆盖支出每年节省约 1-10%，有的客户声称三年 30%。Palantir 今年首次进入 IDC 的"AI 采购到付款"（AI source-to-pay）领导者象限——Agathe 认为这是因为行业从"解决非常具体问题但制造割裂架构"的方案，转向"可按需、按行业、按流程定制的全方位 AI 智能体"。更打动人的是速度：数小时到 v0、数天到 MVP、数周进生产。Stellantis 只用了 10 天就测出关税对全部采购预算的影响；上个月，一家油气巨头三个月内把复杂的 AI 智能体工作流（发票到合同合规，含工时表与深度脏 PDF 数据）投入生产。采购为什么是金矿？两个原因：一是海量手动流程（一家建筑公司把询价签发时间砍半，省下数月）；二是采购里的多模态数据（PDF、文本邮件）。时间节省等于更多谈判时间、更多询价、更低成本——不仅是省时，更是对利润线的实际影响。想开始？访问 palantir.com 的采购页面或直接联系。