企业采购里有一片从没被谈过的支出。不是不想谈，是根本没人有那个产能。
近日，在 a16z 播客《Why AI Agents Can Beat the Incumbents》中，a16z 合伙人 Seema Amble、主持人 Elena Burger 与采购 AI 公司 Lio 联合创始人兼 CEO Vlad Keil 聊了一场：AI agent 到底能不能替企业把活干完。
Vlad 给其他创业者支了一招：直接给一家企业寄一张 4 万美元的发票，对方多半不会来找你谈判，因为他们没有这个人力。装上 agent 之后，这类谈判第一次有人去谈。
这场对话真正的大判断在这里：价格只是 5000 个其他任务的结果，而那 5000 个任务上买卖双方的利益完全一致——所以未来交易的两侧都会跑着 AI agent，这不一定是零和博弈。
左：Elena Burger，右：Vlad Keil
01
万美元以下的采购，从来没人谈
Vlad 说，采购不只是买东西，而是一套繁重的流程，法务、成本工程、采购、财务全都得参与。他还讲了一个反直觉的事实：五万美元以下没人谈。
“你直接给一家企业寄一张四万美元的发票，他们多半不会跟你谈，因为没人力谈。”那换成谈砸的 agent 呢？“你根本没谈，能有什么风险？可能有些单子没谈下来，但总比不谈强。”
Seema 追问人在环中安在哪一环，Vlad 的回答是分层：小额、以前整片放弃的谈判可以放手让 agent 自治；关系型采购不行，“商业关系不只看成本和钱”。百万美元级的谈判则要分析复杂的三维模型和技术图纸，agent 先跑几个小时，中间请成本工程师给反馈，再接着做下一步。
02
老牌厂商不是收手，是被拖住了
Seema 写过一篇文章《The Incumbents Are Coming》。她说，老牌软件厂商“被限制在自己的记录系统和它手里的那份记录上，它们并没有把整件事端到端做完”。她举了个客服的例子：客户打电话来说取消之后还被扣了钱，“回应这件事得落到计费上，得翻所有的聊天记录，得看合同。这不是一个记录系统”。
Vlad 用采购的例子接了上去：“你在 ERP 系统里看到的是铝材八千块，但你看不到供应商可能顶回来要一万块，你看不到成本工程师花三周做 Excel 和三维建模。”一笔看起来只是 ERP 里一个数字的 8K 铝件，背后大约有 30 场相关方的会、500 封邮件、20 张 Excel 表。
Seema 用客服赔偿的例子把 agent 分成四级。检索型是查得到条款、核实故障确实发生了；流程型能按政策手册走完一笔赔偿审批，这里面没有判断；政策型会说，停了二十分钟，这够得上算一次重大故障；主体型则是在权衡，这次故障挺糟糕，我们想保住这段关系，值得多给点补偿。她的判断是：“大多数现有厂商是从第一类起步的，有的连第一类都还没到。”
Elena 追问大厂为什么收着劲儿，Seema 修正了这个说法：不是收手，是被拖住了。一边是分销优势，“客户很容易就说，行，我订 Salesforce 的 agent，尤其几乎不额外收费的时候”；另一边是内部激励冲突——端到端把问题解决掉，和卖一个给人工客服的工作流工具，不是同一个买家。她说：“两个团队就是打架的。”
03
颗螺栓背后的多智能体流水线
Elena 让 Vlad 落到一个具体行业上。他先讲需求怎么提上来本身有多麻烦：你要是工地上的施工人员，可能两个星期才开一次电脑，现在又要求你用 SAP，“你连需求都提不出来”。所以 Lio 把它做成拍张照片、传一份报价单或一张 Excel 表。
接下来是 agent 的流水线：查库存，问另一个工厂能不能内部调货，不能就去找寻源 agent，另一个 agent 起草询价单并用邮件发出去，回来的邮件被抽成结构化数据，再做价格对标，然后由 agent 判断这单该怎么谈。“这一整套我们可以完全自主地跑下来。”
Elena 问，这种场合 agent 是真坐到桌子对面替你握手，还是待在后台。Vlad 说显然是后台：90% 的工作在准备。“你在记录系统里看到的结果只是，本来要花十亿，我花了九亿。”他说，背后是三个月的准备，十个人全职在做。
04
七成的性能，不等于七成的自动化
Elena 把最尖锐的问题甩给 Vlad：客户说我接一个模型、或者在现有系统上加个模型就够了，你怎么说服他？
Vlad 先承认这问题合理——Lio 最早的用例就是把报价单信息抓出来录进 SAP，当年是三个、最多四个人的小团队做出来并卖出去的。“今天这个已经成了我们的一道面试题，你要来 Lio 工作，我们就让你做这个，给你八小时。”
但他真正的答案是：百分之七十的性能不等于百分之七十的自动化。“你可能只有百分之七十的性能，但你还是要干百分之百的活，因为百分之七十远远不够。所有人都还得去核对数据。结果你可能比原来制造了更多的工作量。”最后那 20% 才是关键，只有补上它才能真正上线生产。
Seema 从另一侧补了一点：一家财富五百强公司的管理层告诉她，他们曾想自己做一套催收产品，“做了至少三四个月之后，他们发现上下文不够，质量也差”。接着是那家公司的原话：“我们现在有两套 ERP，马上还要再收购一家，谁来更新所有的映射关系？”她的结论是，他们很快就意识到，自己内部做这事不成立。
05
交易两边都跑 agent，为什么不是零和
Vlad 自己把最明显的疑问摆上台：如果买卖双方都有谈判 agent，价格是不是就成了百分之百的零和博弈？
他的反驳是：价格只是 5000 个其他任务的结果。“而在这五千件事上，双方的激励是完全一样的。销售希望摩擦越小越好，买家希望上市时间越快越好。”“这就是为什么我们可以在两边都部署 agent。”
Seema 把这种协调价值延伸到了法律：两家律所的客户利益完全相反，但双方都能从知道最新一版草稿是什么、还有哪些没谈拢里获益。“现在这东西根本不存在，全靠人来做，这种协调工作，agent 完全可以干。”
85% 是工程师：Vlad 说，看 Lio 的组织结构就知道，“我们显然不想做成一家咨询公司”。前置部署工程师（FDE）的 KPI 就是把自己这份工作自动化掉，自动化成功就去做下一个任务。
枯燥 + 高度情绪化 + 巨大的商业影响：这是 Vlad 选采购这条赛道的公式。他算了一笔账：想多赚 1% 的利润率，你得做多 10% 的收入。“把这三样东西合在一起，就是一个万亿美元级别的商业机会。”
原节目：a16z Podcast（本期主题：AI-native 创业者在采购等垂直领域的端到端机会）《Why AI Agents Can Beat the Incumbents》