当世界惊叹于 AI 模型在编码能力和推理深度上的飞跃时，采购和供应链领导者理所当然地会问：这种能力能多快应用到部门工作中？Anthropic 的最新发布便是一例：该模型在复杂开放式基准测试中表现卓越，激发了企业买家将其直接转化为部署价值的期待。但首要问题并非哪个模型位居榜首，而是其能力是否适用于“从源到付”（Source-to-Pay）这一特定领域。
面向不同需求构建的前沿模型
最新一代前沿模型（包括 Anthropic 新品）明确针对长达数天、复杂且非同步的任务进行了优化，如多日编码项目或 intricate 的研究任务。“从源到付”则截然不同。与那些无固定格式、逐步展开的问题不同，大部分采购活动具有高频且受规则约束的特性：采购订单、收货单和发票的三单匹配；依据固定合规清单进行供应商入驻；遵循相同授权规则的审批路由。这些并非 Claude Fable 5 旨在解决的开放式问题。“从源到付”更倾向于奖励一致性、速度以及大规模下的可预测成本。
令牌成本
推理模型因思考时间长、探索分支多及输出量大而消耗大量令牌，这对处理多方面问题是必要的。然而，当应用于发票匹配等常规任务时，高令牌消耗成为负担：模型将每笔交易视为全新谜题，毫无理由地消耗资源，因为绝大多数发票与上周处理的数千份几乎完全相同。
Claude Fable 5 的成本为每百万输出令牌 50 美元，约为 Opus 4.8 的两倍。因此，无论复杂度如何，它通常每任务使用 50 万至 100 万令牌。在高企业交易量下，每任务的微小成本增加会迅速膨胀，却未在结果质量上带来任何价值，因为这些任务本身无需如此深度的推理。
治理不能是附加项
在采购中，任何决策都必须能够由人类进行辩护。当系统标记供应商合规、推荐审批路径或揭示合同风险时，审计师、监管机构或内控团队最终需追溯结论的得出过程。AI 支持的决策虽更快且量更大，但必须处于人类监督之下。
通用型前沿模型虽包含行为保障、数据处理控制等强大安全措施，但模型级安全与工作流级治理解决的是不同问题。一个模型可以表现极佳，若缺乏可追溯性构建，仍可能处于零审计轨迹的流程中。
采购中的治理不能被视为后期附加功能，必须从一开始就进行架构设计。要在“从源到付”流程中实现所需治理水平，每个受 AI 影响的决策均需记录，每个建议应可追溯至产生它的精确政策或数据行，且必须在真正需要判断力的环节设置人工介入。
ERP 问题无法由单一模型独立解决
集成仍是任何模型面临的关键挑战。前沿模型不具备对特定公司 ERP 结构、审批层级或多年运营中积累的例外政策的固有知识，这些上下文必须单独构建和维护。这正是采购领导者应集中评估之处，而非关注通用推理或编码测试。实际上，决定采购环境中价值的标准，才是确保 AI 投资成功的关键。
理想解决方案的实际模样
前沿模型的推理能力确实有助于采购工作中分析性强、依赖判断的元素，如支出模式分析、采购建议或复杂供应商关系的风险评估。然而，切勿自动将原始能力等同于价值产出，尤其是在“从源到付”这样的高频交易环境中。
理想的解决方案应结合前沿智能与采购纪律：选择性地将推理能力应用于真正需要判断的时刻，同时将高频、基于规则的大多数交易，通过专为采购构建的、受治理、可审计且原生嵌入 ERP 的架构进行路由。
模型每隔几个月就会变得更聪明。受益最多的组织不会是追逐当前排名领先者的组织，而是构建了能够负责任地利用这种智能的采购原生架构的组织，无论底层使用的是哪种模型。