ARTICLE · 1107314
AI Agent正在接管采购流程:为什么Procurement可能成为Agentic 最先规模化落地的领域?
AI Agent正在接管采购流程:为什么Procurement可能成为Agentic 最先规模化落地的领域?
过去几年，企业谈人工智能在供应链中的应用，最常出现的关键词还是“需求预测”“库存优化”和“风险预警”。 但进入2026年，一个新的变化正在发生。 AI开始不满足于“告诉采购人员发生了什么”，而是开始进入采购工作流，读取邮件、识别采购订单、解析报价单、访问ERP、比较供应商报价，甚至推动应付账款等后续流程。 换句话说，AI正在从一个分析工具，变成一个真正参与采购业务流程的“数字员工”。 2026年9月10日，IBM与中东及非洲地区IT分销商StarLink公布了一项Agentic AI采购项目。需要特别说明的是，这里的StarLink并非SpaceX旗下的卫星互联网Starlink，而是总部位于迪拜、隶属于Infinigate Group的技术增值分销商。 这个案例可能比“AI帮助企业写采购报告”重要得多。 因为它展示了一种未来采购部门可能采用的新工作方式： Email → AI Agent → PDF/报价单 → ERP → 比价 → PO → AP 过去需要人在多个系统之间不断复制、核对和判断的信息，现在开始由Agent串联起来。
StarLink每天需要处理大量采购订单、供应商报价以及相关支持文件。 传统流程看似简单，实际上却非常碎片化。 采购订单可能来自邮件，报价可能是PDF、Excel甚至扫描件；采购人员需要核对供应商、SKU、数量、金额、付款条件，再进入ERP确认数据是否匹配。有些数据还需要再次与内部报价、客户采购订单和供应商报价进行比对。 任何一个步骤出现差异，都可能需要人工返回邮件、查找系统记录或者进一步确认。 StarLink与IBM构建的系统试图让AI Agent把这些环节连接起来。 其Agent可以处理邮件接收与分类、ERP数据验证、非结构化文档处理、报价比较以及部分应付账款流程，并连接Oracle NetSuite、IBM Docling和Automation Anywhere等系统。 IBM披露的项目数据相当值得注意。 StarLink预计，这套系统每年能够节省大约11,500小时的工作时间，其中约6,000小时来自9,000张采购订单自动化，约1,500小时来自14,000份报价处理，另外约4,000小时来自报价比较。 此前需要约30分钟完成的内部文件、客户PO和供应商报价比较，被预计压缩到约3分钟，时间减少约90%。 另外还有一个容易被忽略的数据： StarLink称，其AI Agent开发、测试和部署周期从平均约两周缩短到两天，IBM将其表述为约85%的缩短。 如果这种开发效率可以复制，其意义就不只是“部署了一个采购机器人”。 真正重要的是： 一个Agent负责PO。 一个负责RFQ。 一个负责供应商风险。 一个负责invoice exception。 一个负责合同条款。 然后再由一个Orchestrator协调这些Agent。 这和过去ERP时代“一个系统覆盖所有流程”的思想已经出现明显区别。
如果比较生产计划、运输调度、仓库机器人和采购流程，会发现采购具有一个非常特殊的属性： 它恰好位于“数字信息密度极高”和“物理执行复杂度较低”的交界处。 一个典型采购人员每天处理的可能就是： Email + Excel + PDF + ERP + Supplier Portal + Rules 这几乎正好是今天大型语言模型和AI Agent最擅长处理的环境。 例如一个RFQ流程： 采购需求产生 ↓ 查找潜在供应商 ↓ 发送RFQ ↓ 收到5家供应商报价 ↓ 读取报价文件 ↓ 统一币种与单位 ↓ 比较价格 ↓ 比较MOQ ↓ 比较Lead Time ↓ 检查历史采购价格 ↓ 检查供应商质量表现 ↓ 查看供应商风险 ↓ 生成推荐 ↓ 采购人员审批 ↓ 生成PO 过去所谓的“采购数字化”，通常只是把其中某几个步骤电子化。 但Agentic AI真正有意思的地方，在于它试图跨越这些步骤。 AI不只是回答： 它可以进一步完成： 下一阶段甚至可能是： 这时候AI就已经不再是Copilot。 而开始变成： Digital Buyer。
很多人容易把生成式AI在采购中的应用理解成： 让ChatGPT帮采购写邮件、总结合同或者生成RFQ。 这些当然有价值，但这可能只是最表层的应用。 真正昂贵的部分其实是： 系统之间的信息搬运。 一名采购人员可能早上打开Outlook查看供应商报价，然后下载Excel，再登陆ERP查看历史采购价格，再进入供应商管理系统查看评级，然后复制相关信息到另一个Excel中比较。 最后还要重新回到ERP创建PO。 其中大量工作实际上并不是“采购决策”。 而是： 寻找信息 → 搬运信息 → 格式转换 → 比较 → 验证。 传统RPA能够处理其中一些工作。 但RPA最大的局限是： 它喜欢结构化、稳定、可预测的流程。 如果供应商把“Lead Time”写成： 或者放在PDF第四页的一段文字里，传统自动化就可能需要非常复杂的规则。 LLM则改变了这一点。 AI可以理解文档含义，再调用传统自动化或者ERP API执行操作。 因此未来一个Agentic Procurement架构可能越来越像： LLM负责理解和推理 ERP负责记录真实交易 RPA/API负责执行 企业采购规则负责约束 这才是Agent真正可能大规模进入企业的原因。
如果这只是IBM一个案例，也许还不足以说明趋势。 但2026年其他企业软件厂商正在走同样的方向。 SAP今年推出的Sourcing Assistant已经把采购流程进一步拆成多个专用Agent。 其中包括： Sourcing Event Agent 负责根据历史采购、合同和供应商数据创建采购寻源项目。 Bid Analysis Agent 负责从价格、供应商风险、市场数据等多个维度比较报价。 Sourcing Negotiation Agent 则进一步生成谈判策略和counteroffer。 更加值得注意的是发票环节。 SAP目前描述的Invoicing Assistant已经覆盖PDF和图片发票信息提取、异常检测、发票与PO及合同匹配、税务验证、付款条件判断以及异常处理等多个Agent。 这意味着软件架构正在发生一个很有意思的变化： 过去是： 采购人员 → SAP/Oracle/Coupa 未来可能变成： 采购人员 → Procurement Agent → 多个专业Agent → SAP/Oracle/Coupa ERP不会消失。 但人操作ERP界面的频率可能明显下降。 AI Agent逐渐变成人与ERP之间新的交互层。
为什么不是需求预测先完全自动化？ 因为需求预测虽然AI应用很早，但最终预测结果会影响库存、产能和服务水平，一个错误预测可能沿供应链迅速放大。 为什么不是运输调度？ 因为物流涉及实时道路、司机、天气、仓库、车辆容量以及大量物理约束。 为什么不是生产计划？ 因为生产系统涉及设备能力、BOM、工艺路线、维护、质量和大量硬约束。 相比之下，大量采购运营工作具有五个特点： 第一，数据高度数字化。 PO、invoice、contract、RFQ、supplier master本来就已经存在于数字系统中。 第二，重复频率高。 PO验证、报价比较、发票匹配每天可能发生数百甚至数千次。 第三，规则明确。 采购金额阈值、approved supplier、付款条件、审批权限都有明确政策。 第四，结果容易验证。 PO号码、数量、价格、税率、供应商都可以通过系统数据进行校验。 第五，可以设置Human-in-the-loop。 AI可以做前面90%的工作，但最终award或者高金额PO仍然由采购经理审批。 也就是说： 这可能正是Agentic AI最喜欢的环境。 PwC在2026年关于Agentic Procurement的研究中甚至提出，在其模型和客户实践基础上，未来至少75%的采购活动可能受到Agentic AI改变；其预计一些Agent驱动任务的生产率提升可能达到30%至70%。这些数字属于咨询机构的模型估计，并不意味着所有企业都能获得同等收益，但方向非常明确：采购被认为是Agentic AI较容易较快创造价值的企业职能之一。
今天的流程还是： AI分析 → 人判断 → 人执行 未来可能逐渐演化成： AI发现 → AI分析 → AI执行 → 人监督 例如： 某原材料历史采购价为100元。 供应商本月报价102元。 合同允许价格浮动±5%。 供应商仍在Approved Vendor List。 库存低于安全库存。 预计未来两周需求上升。 Agent可以自动： 检查库存 → 检查合同 → 检查历史价格 → 检查供应商风险 → 检查预算 → 创建PO → 提交审批 如果采购金额低于企业设定阈值，甚至可能直接完成订单。 而人只处理： 异常。 于是采购部门的工作方式可能发生根本变化。 过去： 未来： 这是两种完全不同的组织设计。
采购也是一个风险高度集中的领域。 供应商选择、付款、价格和合同直接涉及企业资金。 所以AI Agent最大的挑战可能并不是“大模型够不够聪明”，而是： Governance。 例如： 一个Agent能否创建供应商？ 能否修改银行账户？ 能否创建PO？ 能否审批自己的PO？ 能否改变付款条件？ 能否直接向供应商发送counteroffer？ 如果没有权限隔离，一个拥有ERP写权限的AI Agent，其风险甚至可能高于普通员工。 因此真正成熟的Agentic Procurement一定需要几个边界： 金额边界 低金额采购允许自动执行，高金额必须人工批准。 供应商边界 Approved Supplier可以自动化，新供应商必须审核。 价格边界 价格波动超过设定范围自动升级。 权限边界 创建、修改、审批和付款不能全部由一个Agent完成。 审计边界 Agent调用了哪些数据、做了什么判断、执行了什么动作，都必须可以追踪。 因此，企业真正要建设的可能并不是“最聪明的采购AI”。 而是：
这个问题反而可能需要换一种问法。 首先受到冲击的很可能不是“采购经理”，而是采购工作中大量事务性部分： 整理报价。 录入PO。 催报价。 检查文件。 匹配invoice。 查询订单状态。 整理supplier data。 这些任务过去消耗了大量采购人员时间。 Agent出现之后，采购人员的工作重心可能向另外几个方向移动： Category Strategy Supplier Relationship Negotiation Supplier Risk Cost Engineering Business Partnership AI Governance 也就是说，采购可能从一个“执行采购流程”的部门，逐渐变成一个“设计采购规则和管理供应商网络”的部门。 未来优秀采购人员最重要的能力，可能不再是： 而是：
StarLink案例最值得关注的，并不是11,500小时这个数字本身。 真正值得关注的是： AI开始进入一个企业最核心的地方——Transaction。 过去AI更多负责Information： 告诉你发生了什么。 后来AI进入Recommendation： 告诉你应该怎么做。 现在Agent正在进入Execution： 开始真正做事情。 如果把这个变化放到整个供应链中，可以看到一条越来越清晰的路线： Predictive AI 预测需求。 ↓ Generative AI 解释需求为什么变化。 ↓ Agentic AI 发现缺货风险并生成采购方案。 ↓ Autonomous Procurement 在规则允许的范围内自动完成采购。 最终可能形成： Sense → Analyze → Decide → Act → Learn 而采购，很可能成为这一闭环首先真正跑起来的供应链领域之一。 IBM与StarLink的案例因此值得关注。 它并不是因为AI又学会了一个新的采购功能。 而是因为它让我们第一次越来越清楚地看到： 而当这些Agent开始连接ERP、供应商网络、合同、库存、物流和支付系统之后，Agentic AI改变的，也将不再只是采购部门。 它最终改变的可能是整个供应链如何做决策。
一、11,500小时：AI开始真正进入采购“流水线”
企业未来可能不再开发一个巨大的采购AI系统，而是不断增加几十个甚至上百个专用Agent。
二、为什么采购可能比供应链其他环节更适合Agentic AI？
A供应商报价是多少？
“比较A、B、C三家供应商过去12个月价格、当前报价、交期、MOQ和供应商风险，并按照公司采购政策给出建议。”
“如果总金额低于授权额度、供应商属于Approved Vendor List且价格波动不超过规定范围，则自动创建PO。”
三、采购Agent真正解决的，不是“写邮件”，而是系统之间的断裂
Delivery within 6–8 weeks after confirmation
四、IBM并不是唯一一家：SAP也正在把采购改造成“Agent网络”
五、采购可能成为Agentic AI第一块真正产生ROI的“大试验田”
采购既足够复杂，可以体现AI的价值；又足够结构化，可以限制AI犯错的范围。
六、真正的终点不是“AI帮采购”，而是Autonomous Procurement
人处理所有订单，系统提醒异常。
Agent处理正常订单，人处理异常。
七、但“Autonomous Procurement”绝不意味着完全放开AI
一个被规则包围、可以审计、权限受控的AI采购组织。
八、采购岗位会消失吗？
“我一天可以处理多少PO。”
“我可以设计一个多大的采购体系，让AI安全地帮我处理PO。”
九、真正值得关注的变化：AI正在从“回答问题”进入“企业交易”
未来企业采购的基本工作单位，可能不再只是“采购人员”，而是“采购人员 + AI Agents”。