夜雨聆风试想你的企业如果有 5个做基础工作执行采购，每人每天用2小时跟交付进度：
打电话、发微信、问进度、催交期、更新Excel、再把异常汇报给PM。
5个人 × 每月综合用工成本1万元，就是60万元 / 年
其中30%的时间用于跟进度，相当于每年约
18万元人工成本
就为了专门做一件事：
“货到哪了？什么时候能交？”
而这项工作并不为客户增值，仅仅是为了防止延期交付风险所产生的成本。
实际上，采购也跟不过来全部的供应商，特别是在非标自动化等多BOM的行业。因此，采购们往往只能优先盯着快到期或者重要的订单进行持续跟踪。
即便这样，物料延期也时有发生。等真正发现延期时，留给企业的选择已经很少：催供应商加班、临时找替代，或者接受项目延期。
我之前在帮助一家独角兽公司做采购变革的时候，就经常出现这个问题。
后来，我们围绕执行采购的跟单工作，做了一个 AI Agent，让它承担供应商沟通、进度更新、工序判断和延期预警等基础工作。
真正做下来以后，我发现，采购跟单这个看起来很简单的工作，其实至少藏着三个非常值得AI重做的管理问题。
2.1 跟单，到底在做什么？
笔者之前曾就职于一家独角兽自动化公司。项目制业务有一个很典型的问题：
一台设备可能因为一个关键物料没到，整条项目计划都要往后推。
实际工作中，因为关键物料延期导致装配、调试甚至最终交付延期，并不少见。
这并不是个别企业的问题。Netstock 2025年供应链调研显示：
68% 的中小企业将“供应商交期波动”列为主要供应商问题
58% 的企业受到供应商交期过长的困扰
因此，采购跟单的目标很明确：
尽可能保障物料按照计划时间交付。
为了实现目标，优秀的采购至少需要做好三件事：
① 理解供应商的生产工艺/产能等信息
② 持续跟踪（体力活）
③ 能够提前识别延期的风险
2.2 物料延期的主要原因有哪些？
物料延期核心就三个原因：
① 订单规模小（外部）
订单规模小不仅是公司体量，本质上是每一次下单的量。例如之前笔者曾经工作过的独角兽公司，虽然营收很高，但其设备用的钣金件就属于长期非标，低价的产品。再加上该公司对于非标物料还需要核价后下单，因此，供应商根本就没有太多的利润空间。
试想一下，一个订单就2000块，利润可能都不到200元，即使下单的是独角兽公司，供应商也不会放到最优先级交付生产。反倒是那些小厂但产品高度标准的大订单，供应商会优先排期。
因此，为了满足交期，最主要是要在供应商处保持一定体量。但由于这不是采购能够决定的，因此很难由采购改变。
② 交期预留不足（内部）
在一个新的项目中，为了不延期交付，PM通常会预留15%左右的实践用于缓冲。但如果在制作的过程中，非需求变更导致的临时物料采购，就很容易导致物料的延期交付。例如，某一项设计在测试过程中不达标，需要重新定制。这里就需要发挥采购的价值，说服供应商优先排产。
③ 数据信息异常（内部）
在一般的大企业中，考察导入供应商和日常跟进不是同一种职能的采购。前者一般需要更加高级的采购，懂技术，有资源，会管理等，才能够导入合格的供应商。这就导致供应商的产能、工艺等现场状况，负责执行跟单的采购其实并不能亲身体验，也就不了解实际情况。
此外，很多企业在供应商处的考察是采用的定性分析，例如产能情况0~10分，这就导致不同人的评分实际上并不能对供应商能力做一个客观的评价。这种前后的信息割裂，导致后续执行采购在跟单的过程中，会对供应商的管理失控。
2.3 跟单的输入是什么？
采购跟单是发生在采购采购单已经下达给供应商之后的工作。在此之前，应当输入的内容包括：
① 供应商基本信息（产能、基础工艺等）
② 项目物料需求日期
③ 供应商历史交付记录
在跟单期间，则需要分局项目反馈，实时跟进与更新供应商的进度。通常，针对关键物料，则需要供应商拍照反馈交付进度。
当分析完跟单的SOP之后，AI化就不算难了。
回头看，我们当时做这个采购跟单 Agent，真正解决的并不是“让AI替采购发消息”，而是把原本依赖采购个人经验的跟单过程，重新做了一遍。
① 先把分散的信息接起来
第一步，是把ERP里的采购订单、项目需求日期，以及供应商资源池里的设备、产能、工艺、历史交付记录整合到一起。
过去执行采购看到的往往只有：某个物料，某个供应商，某天交货。
但真正决定它能不能按时交付的信息，其实散落在不同部门和系统里。
把这些信息接起来以后，AI第一次能够完整理解：
这是什么物料、供应商怎么生产、正常需要多久、过去交付得怎么样。
这一步的价值，是给后面的跟单提供一个真正可以判断的基础，而不是继续只听供应商怎么说。
图片1：信息整合模块
② 把“随机催货”改成“按工艺节点跟进”
以前采购跟单很依赖个人习惯：今天想起来问一家，明天再问另外一家。
我们后来把长交期物料按照工艺拆成关键节点。
比如钣金件，不再只管理一个“30天交期”，而是拆成：
下料 → 折弯 → 焊接 → 表面处理 → 检验 → 发货
Agent根据这些节点自动安排跟进时间。
到了该完成折弯的时候，就去确认折弯；到了表面处理节点，再确认下一步。
这样采购不需要每天随机催供应商，跟单第一次从“催结果”变成了管理生产过程。
图片2：节点跟进模块
③ 用历史和沟通内容判断延期风险
第三步，也是我们认为最有价值的一步，是让AI开始判断：供应商现在说的话到底有多可信。
系统会持续积累供应商过去的承诺时间、实际完成时间、延期情况，再结合当前工序和剩余交期进行判断。
同时，大模型还可以分析沟通内容。
比如供应商连续几次都回复：
“已经安排了。”
“问题不大。”
“这两天就能好。”
但始终说不清具体工序和完成节点，这本身就是一种风险信号。
随着历史数据积累，系统逐渐能够识别不同供应商的“承诺习惯”，提前把高风险订单推给采购。
这样采购关注的重点，也从哪些订单快到期了，变成了哪些订单最可能出问题。
图片3：延期风险分析模块
④ 还有一个意外价值：教采购怎么跟单
这套系统还有一个很实际的价值。
很多年轻采购并不懂钣金、机加工、热处理这些工艺，也不知道某个阶段应该向供应商问什么。
Agent在跟单时，可以同时告诉采购：
当前是什么工序、下一步是什么、正常需要多久、现在最应该确认什么。
所以这套系统最后带来的价值，不只是减少重复沟通。
它还把原来掌握在战略采购、SQE和战略采购脑子里的经验，逐渐变成了一套可以被执行采购直接使用的能力。
本文针对采购基础岗位，物料交付跟单的AI智能化工具做了一个小小的分析和讨论。通过AI转型工具，能够至少帮助节省20~25%的时间，用于这种琐碎但不增值的环节。
然而，在实操中，要想物料不延期，实际上非采购要做的工作还有很多。例如研发标准化后的物料集采，产品早期设计充分使得设计变更率降低等，这才是培养良好供应商交付关系的关键。
所以，真正AI转型，并不是单点提效，而是基于经营目标的拆解、分析，再成体系化的同步优化。
这才是真正的AI转型。