a16z 对谈 Lio 的 Vladimir Keil：AI 智能体如何重塑企业采购
点播放，字幕跟着声音走
Subtitles follow the audio
逐句文字稿
点任意一句，从那里开始听
正在加载字幕…
-
如果你想造一架飞机，你得去采购成千上万家供应商的东西。
-
有人发来一封确认邮件，说，哎，不好意思，这个零件要晚两周才到。
-
要是他们漏看了这封邮件，损失就是好几亿。
-
采购以前可能更像是一个封闭的小盒子。
-
而现在它牵涉到法务，牵涉到财务。
-
它牵涉到一大堆不同的软件系统和不同的人。
-
AI原生创业公司的机会就在于说，我们要把整个端到端的流程全都拿下。
-
没有哪家公司、哪个企业会从第一天起就用完全自主的谈判智能体。为什么？
-
因为他们不信任我们，也不信任这项技术，从第一天起就不信。
-
而通过这种人在环中的方式，我们不断给智能体喂进所有的反馈和所有的经验教训。
-
然后他们突然就信任我们了，一万次谈判、两万次谈判、十万次谈判。
-
当你去想一家有持久生命力的垂直AI公司长什么样时，你会看重哪些特质？
-
要预测你未来的模式，真的真的非常难。
-
如果你回头看那些最优秀的公司，在早期阶段，它们都是……
-
欢迎回到A16Z播客。
-
我是Elena Berger，今天和我一起的是A16Z的合伙人Seema Ambal，以及Leo的联合创始人兼CEO Vlad Kyle，Leo做的是面向企业采购的AI智能体。
-
Seema，你最近写了一篇文章叫《在位者来了》，它提出了一个几乎所有AI应用公司都要面对的问题。
-
如果一个成熟的软件厂商已经握有客户和数据，而且模型能在它的各种工具之间通用，那创业公司的优势在哪里？
-
我们今天请来了Vlad，Vlad能帮我们真正搞清楚创业公司的优势在哪。
-
我觉得一个不错的切入点是，先说说支持在位者和反对在位者的理由。
-
如果一家公司能把一个能力很强的AI智能体接到它已经在用的软件上，那另一个应用到底在哪儿还有用武之地、还有优势呢？
-
好，我先往回退一步，把这事儿稍微理一理。
-
过去我们想的是，一边是在位者，一边是创业公司，这是一场分销和创新之间的较量，用我合伙人Alex Rampel的话说。
-
但现在出现了你说的这第三块，就是在位者可以把某个模型叠加上去，那市场上就多了一个难对付得多的竞争对手。
-
那既然你有了CloudForce，也就是把Cloud加上Salesforce合在一起，而且你所有的数据都已经在那儿了，员工也都习惯用这个产品了，那你为什么还需要一个AI原生的创业公司，为什么还要另一个产品呢？
-
但我绝对还是认为，AI原生创业公司显然仍然有它的机会。
-
而这核心就在于，那些老牌在位者被限制在它们自己的记录系统里，被限制在它们手里的那份记录里，它们并没有完成端到端的整个活儿。
-
我举个更具体的例子来说明。
-
假设你是个客户，客户打电话来说，他们取消之后还被扣了钱。
-
要解决这个取消记录的问题，可不只是客户进到聊天里说一句，嘿，我被多扣钱了。
-
而那边的回应，得去查计费。
-
得去看所有的聊天记录。
-
得去看合同。
-
这不是一个记录系统。
-
这是围绕那个客户以及它所触及的一切的知识。
-
而这是一个记录系统碰不到的东西。
-
但对AI原生创业公司来说，机会就在于说，我们要拥有这整个端到端的弧线。
-
所以那可能是违法的。
-
所以从简报一直到庭审，全都自己拥有，Vlad可以多讲讲采购，但核心概念就是拥有端到端的工作。
-
对，Vlad，你想不想讲讲这在采购里到底是怎么体现的？
-
比如说，在哪些情况下，现有的老牌公司加一个模型就是不够用的？
-
那你自己接触这些公司，都看到了什么？好。
-
所以，我们想一下采购，我猜大多数人想到的就是价格，对吧？
-
比如说，我们最后谈下来的成交价是多少？
-
但有意思的是，记录看起来总是非常简单、非常轻松。
-
就是8K。
-
比如说，这就是结果。
-
我的意思是，销售也是一样的，对吧？
-
所以就算我走到SEMA面前跟她说，嘿，我们现在跟另一家企业合作了，你看这份合同的签名，看起来特别简单，但SEMA看不到背后所有的那些工作。
-
背后大概开了30场利益相关方会议、500封邮件、20张Excel表，对方采购那边也是一样的。
-
所以你在ERP系统里看到的是铝材8K，但你看不到供应商可能之前还价过、要过10K。
-
你看不到一个成本工程师花了三周时间做Excel表和3D建模，就为了搞清楚这个零件的价格和其他的东西。
-
这就是我们看到的。
-
采购中大部分的工作，其实都发生在这个ERP或者任何记录系统之外。
-
而且我敢肯定，就你描述的这个工作流程来说，一个智能体能做非常多的事，不同类型的智能体也能做很多不同的事。
-
其实我觉得这正好可以过渡到下一个问题，就是，你知道，一年前，我觉得很多老牌公司都在发聊天机器人。
-
那基本上就是你能看到的所有东西了。
-
但Sima，在你写的这篇文章里，你列出了四种不同的智能体。
-
检索型智能体，就是我们熟悉的那种聊天机器人，还有流程型智能体、政策型智能体和主体型智能体。
-
那你能不能带我们把这几种都过一遍，讲讲它们各自需要的判断力有什么变化？好。
-
所以，一年前我做了个梗图，就是给聊天机器人战略扇了一巴掌，基本上就是说所有那些老牌公司其实都只是搞了个聊天机器人，架在记录系统上面，你可以跟它聊天来查信息，也许还能做点简单的分析。
-
那真的就是检索型智能体的第一档。
-
要不我带你过一遍例子，看看检索型、流程型、政策型和主体型各自是什么样，还是回到客服那个例子，因为那样更好理解。
-
想象一下，你是个客户，服务出了故障，你打电话进来说，嘿，我想要因为这次服务故障得到补偿。
-
那个老牌公司可能有的检索型助手，能帮你调出来，对，合同条款是这么写的，对，确实出了故障，就是核实一下这些信息。
-
它把客户的信息调出来，信息在数据库里，它只是把它分享回来，也许还做个综合整理。
-
智能体序列里的第二个，或者说第二步，是流程型智能体。
-
这个流程型智能体也许能走完一个信用审批，然后说，好，根据我们的政策手册，故障是从这些日期开始的，因此我们认为你有权拿到钱，然后它就能直接应用账单、直接走流程。
-
这里面没有判断。
-
然后你继续走到政策型智能体，政策型智能体不只是执行流程，它会说，好，在这个情况下，故障持续了20分钟，这已经够得上算一次重大故障了。
-
它们在运用这种判断，因为这事儿其实没有一个严格的定义。
-
然后最后一个阶段，也就是主体型智能体，你实际上在权衡，你知道，好，我们是不是该多给点补偿？
-
因为那次故障挺糟糕的，我们想维护这段关系，值得做得更多，甚至超出流程或政策所规定的。
-
但这四样东西的重要性在于，大多数老牌公司一开始最多也就停在第一档，现在至少它们在宣传自己正朝着流程和政策走，也就是说它们能运用更多判断了。
-
而如果你看看它们发布的东西，这些是工作流智能体，能帮你把文件签了，或者从转录里录入信息之类的。
-
我得说，它们基本上还是局限在检索，外加一点点流程。
-
它们还没进入更多判断的层面。
-
我可以讲讲为什么，就是有各种各样的激励因素在阻止它们这么做。
-
但老牌公司是在尝试的，我觉得它们做不到的是，它们有些在想，好吧，让我跟OpenAI、Anthropic，跟其中一家实验室合作，试着把那个模型能力拿来，补上它们已有的东西，给它加个超级外挂。对。
-
对，那你想不想说说，为什么有些老牌公司会有所保留？
-
对，好吧，所以我想说，他们是在有所保留，但也是被束缚住了。对，好吧。
-
对，我敢肯定他们想全力出击，但这里面大概有两个方面。
-
第一，他们有分销上的优势，对吧？
-
他们有客户的信任，这让他们能向客户卖出更多产品。
-
就拿Salesforce来说，AgentForce发布的时候，客户很容易就说，行，我要订阅Salesforce的智能体，尤其是它几乎不额外收费的话。
-
他们有这种信任，有这种分销渠道，开启这个产品往往非常顺畅。
-
但另一面就是，内部有各种各样的激励问题，也就是说，一旦你开始做更复杂的智能体，它就跟现有产品产生了内部冲突——那个产品提供的是工作流，而你做的是把活儿直接解决掉。
-
而这是两个不同的产品，就好比你是端到端地解决一个客服问题，还是给一个客服、一个真人客服提供一个工作流，这两者的买家是不一样的。
-
你怎么处理，这两个团队是冲突的。
-
然后除此之外，我觉得从销售的角度看，你到底在向客户卖什么？
-
然后往往就是那种典型的老牌公司问题，对吧，就是有两个副总裁，对吧，他们分属不同的组织，卖的是不同的产品，而且他们永远搞不清楚正确的激励组合是什么、该卖给谁。
-
但不管怎样，所以有所有这些典型的老牌公司问题，我觉得老牌公司自己也会遇到。有道理。
-
Vlad，我们刚才聊的这一整个谱系，有检索智能体、流程智能体、策略智能体、主体智能体，Lio处在哪个位置？
-
对，所以，我们是横跨的，我想说，所有这些类别我们都有涉及，这真的取决于我们的智能体承担的复杂度和风险，对吧？
-
所以，你知道，有时候我们，嗯，可以说，我们已经有完全自主学习的使用场景了。
-
嗯，有时候是人在环路里。
-
这真的取决于，比如预算审批，取决于它有多复杂，风险有多大。
-
嗯，不过也许，回到Seema说的关于老牌公司信任的那点。
-
你刚才讲到了内部信任。
-
我觉得还有一个外部信任的问题，对吧？
-
所以，比如说，你怎么说服别人从「嘿，就用一个agent去检索点信息、跑跑流程」过渡到「完全自主地做某件事」呢？这显然有产品的成分，但主要还是人的成分。
-
所以他们得信任你。
-
而我们作为一家创业公司、一家快速扩张的公司，必须去赢得这种信任；老牌公司本来就有信任，但这也意味着，如果他们太早推出产品，而产品可能不好用、或者很糟糕、或者以糟糕的方式来做决策，他们也可能把信任毁掉。
-
所以这就是我们能做的事。
-
然后有意思的是，对我们来说非常意外的是，那些流程agent其实反倒成了我们的一个支线任务，因为当我们把发票流程、或者说发票agent当成一个流程来看时。
-
所以我们检索一些信息，你把它和其他文档做匹配，然后再把它推回SAP、Oracle。
-
一个非常清晰的流程。
-
然后我们发现，好吧，这差不多就是整个软件市场，对吧？
-
这就是发票软件。这就是你今天会怎么去构建它。
-
但实际上，这只是要完成的那项工作、那个问题里大约20%的工作量。
-
因为80%的问题在于，如果这张发票是欺诈的呢？
-
如果对不上呢？
-
如果我们走的不是顺利路径呢？
-
所以我们很快就转向了下一步，让agent去处理这些异常情况。
-
而我们说服客户的方式，我觉得我们很幸运，总是稍微领先于潮流。
-
所以，我们能够去推销下一代agent。
-
比如说，三年前我们刚起步的时候，就只是检索一份文档。
-
今天这完全不算什么，但三年前，这简直厉害得不得了。
-
所以我们把这个推销给客户。
-
我们发现，好吧，这是个真问题。
-
这是他们愿意花钱买的真实用例。
-
然后几周之后我们就把它做出来上线了。
-
同样地，我们现在也在为下一步做这件事，就是流程智能体和完全自主的智能体，还有长时间运行的智能体。
-
我们把它推销给他们，发现这确实是个问题，然后我们就能非常快地把它做出来上线。
-
我觉得关于信任，有一个很有意思的点，就是内部信任和外部信任的区别。
-
另一个角度看就是，对，你需要客户买下这个采购软件，并且信任它、用它来处理内部流程。
-
但我们第一次见到 Vlad 的时候，有一件特别有意思的事，就是他们还在做谈判。
-
所以你得信任 LEO 智能体去跟第三方打交道，这里面就有那层信任的问题。
-
当然，我觉得很多人被那些老牌厂商坑过，感觉它们其实挺受限的，没能做到它们过去宣传的那些东西。
-
所以，先不说这些，我不知道，也许 Vlad，我很想听听你是怎么说服客户信任一个 AI 智能体去接手谈判的。对。
-
还有，你能不能顺便描绘一下，采购到底涉及哪些东西，你的客户都是谁，他们以前习惯用什么样的老系统？
-
对，所以当你想到采购的时候，你可能就只想到买东西，或者像看 B2C 世界那样，就是买个东西而已，但实际上这是一个非常密集的流程，它支撑着整个经济的运转，对吧？
-
而且它涉及多个利益相关方，很多利益相关方，很多部门，法务、成本工程，当然还有采购、财务，所有这些人都得参与这些决策。
-
本质上，我觉得我们说服他们的原因，就是我前面已经说过的那些。
-
所以我们一直稍微领先于潮流一点。
-
好，所以我们知道这项技术要来了。
-
所以，甚至在 ChatGPT 出来之前，我们就在 ChatGPT 这个突破出现前几周刚刚起步。
-
所以我们当时已经掌握了所有这些问题。
-
然后我们听到，比如说科技圈里的那些炒作，我们就能把这个推销给企业，然后很快发现，好吧，这可能是个有意思的用例，比如聊天机器人应用，或者检索智能体、文档处理。
-
然后我们就能找到问题所在，然后很快把它做出来交付给他们。
-
然后很明显，这里面还有人的因素，就是信任。
-
所以我们先跟他们讲一些东西，然后我们就能真正把东西做出来、上线到生产环境里。
-
但另外还有产品这一层的考虑，就是我们做了很多评估，对吧？
-
所以没有哪家公司、哪个企业会从第一天就用完全自主的谈判智能体。没人这么干。为什么？
-
因为他们不信任我们，也不信任这项技术，从第一天起就不信。
-
所以我们采用一个很简单的办法，就是让人留在流程里。
-
这对我们特别有帮助，因为这么说吧，我们有一个完美的谈判智能体，整体上是个完美的采购谈判专家，但我们并不确切知道一家财富十强企业、具体某一家财富十强企业是怎么运作的。
-
而通过这种人在流程里的方式，我们把所有的反馈、所有的经验都喂给我们的智能体。
-
然后他们突然就信任我们了，一万次谈判、两万次谈判、十万次谈判。
-
另外还有一些智能体是那种运行时间更长的。
-
所以当我们谈到几百万美元级别的谈判，需要分析复杂的三维模型和技术图纸时，我们在那里是故意一直让专家留在流程里的。
-
所以会有一个智能体连续跑好几个小时。
-
然后我们去问成本工程师要反馈，接着它再做下一步，就这样往下走。
-
也许就这一点再深入问一下，在谈判这一块，你们把人在流程里放在哪个环节？
-
你提到了成本工程师，但如果你们在一个交易上来回谈，主要是围绕成本工程这类数据吗，还是说在那边还有别的什么环节需要人参与？
-
所以，还是那句话，这取决于谈判的层级。
-
我们要区分一下，有些谈判是企业以前从来不做的，因为他们没有那个精力，但通过部署智能体，他们就能拿到那些他们以前根本没意识到的节省。
-
所以，在智能体之前，或者说在 Lio 之前，五万以下的事情他们根本不在乎。
-
所以你可以，这也许对其他创业公司是个小窍门，你直接给一家企业发一张四万的发票，他们大概率不会跟你谈价，因为他们没那个精力，除非他们有 Lio 的智能体，那我们就来跟你谈。
-
但除此之外，他们就那么把钱付了。
-
那显然，如果你压根不谈，风险是什么？
-
那现在用一个糟糕的谈判智能体，风险是什么？几乎为零。
-
所以也许我们会错过一些谈判，但总比什么都不做强。
-
但话说回来，我们谈的是商业关系，而商业关系并不总是只关乎成本和钱。
-
所以也许你在某个供应商身上花得不多，但也许你需要这段商业关系。
-
一个很好的例子可能是播客或者营销服务。
-
好吧，那大概只占支出的一小部分，但你跟某个人之间有明确的商业关系，比如搭建录音棚，你不想随便找些人来干，因为他们已经知道 a16z 是怎么运作的，也知道你想怎么录这些东西。
-
所以在那里我们采用的是人在环中的方式，采购人员会在意，他们会在意语气和表达方式，以及事情怎么推进，但大多数情况下还是自主完成的。
-
然后我们还有另一类智能体，那里我们始终采用人在环中的方式。
-
而且谈判里面有好多步骤。
-
而且也不只是价格，对吧？
-
还有合同是怎么设计的？
-
所以我们说的是法务，收款方式是怎么设计的？
-
所以我们说的是财务，显然还有成本结构。
-
所以我们说的是真正的成本工程。
-
然后我们谈商务条款，那就是采购。
-
而这些人不是后台人员，他们是训练有素的人，对某个非常具体的公司、某个非常具体的行业里某个非常具体的流程有着非常具体的了解。
-
他们把这些洞察喂给 Lio 那些长期运行的智能体。
-
这是另一个例子，说明采购过去可能更像是在一个盒子里，而现在呢，它触及法务，触及财务，还触及一堆不同的软件系统和人，既有专家也有更通才的人。
-
对，我们能不能把这个对应到一个具体的客户身上，不是具体客户，而是一个具体的垂直领域？
-
比如我是个无人机制造商，我生产人形机器人或者类似的东西。
-
那我得订多少、采购多少零件？
-
我要对接多少家工厂？
-
我要对接多少家供应商？
-
就是所有这些事。
-
Vlad，你要不挑一个垂直领域，就是那种用 Lio 来管理所有这些复杂性的，带我们走一遍他们的体验，我觉得这能很好地说明你接触到的所有东西。
-
还是那句话，当我们 Lio 谈采购的时候，我们说的不是笔记本电脑和铅笔，好吧，我们觉得那已经被新的智能体解决了，但那很简单，我们三年前就搞定了。
-
我们说的是，当你想造一架飞机、机器人或者无人机，甚至就像我们现在做播客聊的，又是 AI 热潮，但连 AI 本身也得被造出来对吧，所以你需要数据中心，而建造就意味着采购，就像有人得，如果你造一架飞机，
-
你得采购成千上万家供应商。
-
你得建一座工厂来造这架飞机。
-
而非常小的摩擦都可能带来疯狂的后果。
-
如果你在跑一个非常大的项目，建数据中心或者造飞机，如果有一个特定的零件晚到两周，这可能造成数亿美元的损失，还会让项目延期。
-
所以这就是为什么所有这些决策都必须协调起来。
-
一部分是，你得搞清楚你需要什么、你跟哪些供应商合作、拿到这个零件最好的供应商是谁。
-
但等你把这些都定下来之后，背后还有一大堆运营性的后台事务，听起来可能没必要又无聊，但还是那句话，运营意味着有人发来一封确认，比如，嘿，抱歉，这个零件要晚两周到。
-
而这只是采购经理 Outlook 或 Gmail 里 500 封邮件中的一封。
-
要是他们漏看了这封邮件，就是数亿美元的损失。
-
这种事经常发生，因为他们在系统记录里存的就只是个日期。
-
对，就是，会变成，不是这周三，是下周三。这就是你在系统里看到的。
-
但你看不到的是，也许这没关系。
-
但也许那就是那1亿美元的损失。
-
而且得有人来做这个决定。
-
这也正是我们的智能体在做的事。
-
它们不只是把信息调出来，然后做决定。
-
比如，这有没有影响？是什么样的影响？我们怎么解决？对。
-
嗯，当你这么深地嵌入到物理世界里的时候，嗯，你能介入的是哪些，你知道，物理世界的问题？
-
比如有些事我觉得就是，没法解决的。
-
你知道，比如说你有一批货要进来，然后一堆东西，比如从船上掉下去了。
-
或者路封了之类的。
-
就是有些事，是你没法做的。
-
你，当然也有些事是你能做的，所以你能在哪里介入，哪里才真正能起到作用？
-
对，但其实这关乎概率，所以显然船上的货有没有损坏你改变不了。
-
你处理的每一个例子，你都改变不了它，但如果你掌握了所有的背景信息，你就能预测它。
-
因为你没法预测一个供应商有多可靠，对吧？
-
所以是有办法保护你要运的货物的。
-
如果你掌握了所有背景信息，你有一个供应商，20%的货会缺，另一个只有1%的货会缺。
-
也许那个20%的便宜10倍，但在你这个场景下，多付10倍的钱也没关系，因为你拿到货的概率更高。
-
这就是强大的地方，因为你掌握的不只是一家企业内部的背景信息，我们刚才说了有多个利益相关方，还有外部世界的背景信息。
-
所以智能体应该掌握外面所有新闻的背景信息。
-
甚至掌握一些Polly市场上的坏交易信息，就是，这些中断会发生，然后是供应商那边、卖方那边、需求那边的信息。
-
把所有这些背景信息结合起来，长远来看，我不会说有什么局限。
-
当然，今天我们的概率集合还不一样，但我们能在整个过程中提供帮助。
-
这就是我们在Leo正在构建的东西，对吧？
-
所以它远不止是企业内部的采购。
-
它更像是企业之间、企业跟企业怎么做生意。
-
就是买方和供应商两边。
-
你把Leo描述成一个多智能体系统。
-
那你能不能讲讲这些不同的智能体都在做什么？
-
一个层面是，Leo的智能体覆盖了Seema在她文章里提到的那四个类别。
-
这同样取决于风险和复杂程度。
-
所以我们这些都会用到，就是多个智能体。
-
但另一件事是，为了端到端地完成一项工作，这些智能体需要彼此共享信息，它们需要按一个非常特定的顺序来做。
-
当我们谈多智能体系统的时候，本质上我们做的就是这件事，我们是在端到端地解决任务。
-
而且因为这种人类层面的任务涉及八个人、八个利益相关方，可能还有三个部门、五种不同的软件工具，我们需要覆盖所有这些才能端到端地完成工作，然后这些智能体之间还需要互相沟通。
-
只有用多智能体系统，你才能端到端地完成这项工作。
-
我们刚开始的时候，大概三年前吧，我们是从检索起步的，更像是一个copilot。
-
但下一步是单个智能体，然后我们很快就发现，不行，就算没有合同智能体，没有可能去看新闻和我之前描述的那些东西的智能体，你在谈判里也解决不了问题。
-
所以这就是我们定义的多智能体系统。
-
那比如说一颗螺栓，像一家航空公司需要采购一颗螺栓，比如说，你知道，波音需要采购一颗螺栓。
-
采购这颗螺栓的过程具体是什么样的？
-
那在这个流程里，Lio是从哪里介入的？
-
对，这算是我们能完全自主跑完的一种采购，能做到这一点就是靠这个多智能体系统。
-
首先，有人有需求，对吧？
-
那他得想办法把这个需求传达出去。
-
光是这一步就极其复杂，因为你得打电话找人。
-
也许你干的是建筑活儿，你每两周才打开一次笔记本电脑，结果现在却要你用SAP或者别的什么ERP系统。
-
所以你连需求都提不出来。
-
所以我们就是把这个变得非常简单。
-
你拍张照片，上传一份报价、一个Excel表格，其实这些才是采购真正该知道的东西，像什么品类、总账科目、框架合同，采购部门以外根本没人关心。
-
我们采购部门的人会在意，但部门以外没人管这些。
-
然后我们的智能体就开始干活了，它们会去查库存。
-
它们发现，好，再去问另一个工厂，这些螺栓我们能不能内部调货？
-
不行，好，那我就去找寻源智能体，问我们有没有内部供应商？
-
有没有外部供应商？
-
然后另一个智能体得起草询价单，通过邮件把询价单发出去。
-
接着一堆邮件就来了。
-
有些完全是乱七八糟的东西。
-
有些就在邮件正文里，有些是PDF，有些是Excel表格。我们把这些信息提取出来。
-
然后我们做下一步。
-
也许根据我们的价格对标，发现有谈判的空间。
-
然后我们有智能体，基本上就是决定下一步怎么做。
-
所以谈判可能意味着有真人参与的战略性谈判。
-
也可能意味着自主谈判。
-
也可能意味着拍卖和电子拍卖，调用专门的智能体去完成谈判。
-
然后端到端地把这些做完，想想确认订单、物流跟踪、发票这些环节。
-
我们能够完全自主地跑完整个流程，把所有上下文都捕捉下来，然后显然，下一个强大的能力就是把这套东西用在更复杂的部件上，也就是我们所说的直接采购，这块我们也在做。
-
什么是直接采购？
-
基本上我刚才描述的一切，核心目标就是自动化。
-
所以你可以让整个流程完全自主地运转，而且在整个过程中你还能进一步省出更多钱。
-
所以我们是这样看的：好，这个活儿要完成的任务是什么？它长什么样？
-
他们每天要做一千次的事情是什么，但其实他们希望一天做零次？
-
我们已经跑通了完全自主的智能体，但也有一些机会在于：他们现在一天做零次的事情是什么，如果一家企业一天做一千次，那对损益表的影响会大得离谱。
-
对以前从来没谈过的支出进行自主谈判。
-
所以这就像在间接采购那块，想想MRO零部件、建工厂，我们做过的那个大胆的例子，但也包括笔记本电脑和铅笔、营销服务、有人要搭建这个播客演播室，这些都算间接采购。
-
然后还有直接采购那块，就像你造一架飞机，那些都是你真正需要用来造飞机、造无人机或者造机器人的供应商。
-
而且我们说的不是五万家供应商，我们说的是100家供应商，最多2000家。
-
这些供应商在战略上极其重要。
-
你可能在单独一家供应商身上就有10亿的支出。
-
所以你不想搞自主谈判，你想搞的是一场持续三个月、你准备得极其充分的谈判。
-
而且你团队里有工程师在分析，好，铝的指数是多少？
-
石油的指数是多少？价格是怎么变的？
-
所以这些图纸你基本上全都接手了。
-
你要检查这个零件的质量，而这就是真正让人兴奋的地方——部署智能体。
-
像这种情况，估计你会让专家工程师和前台的人来干，而智能体更多是在后台，是这个意思吗？还是说智能体……
-
其实更像是你坐在桌子对面，跟人握手，一边是机器人，一边是那个在谈判的人。
-
所以，它更多是后台的活儿，还是仍然算前台？
-
显然更多是后台，因为你需要这种复杂的、几百万美元级别的谈判。
-
这又是一个很好的例子。
-
90%的工作都是准备工作。
-
你在系统记录里看到的最终结果就是，哦，本来要付10亿，结果我只付了9亿。
-
好吧，但这背后是三个月的准备，还有10个人全职在做这件事。
-
显然这些都是发生在后台的。
-
但其实我们也有一些用例，是在实时提供帮助的。
-
你想想，假设我们现在要进行一场谈判，我做了完美的准备，就像我们现在做的这些笔记一样。
-
想象一下，在我们谈判的时候，我屏幕上会实时弹出一些洞察，告诉我石油的指数涨了10%。
-
它涨了10%，所以这就是为什么我们需要把价格提高10%。
-
然后我马上会弹出一个提示说，没错，石油确实涨了10%，但这个产品里石油只占30%。
-
所以你不应该把价格提高10%，也许只该提4%。
-
所以，在真实场景这部分也有一些很让人兴奋的用例。
-
对，我们知道像Harvey和Decagon这样的公司现在都在做模型的微调。
-
你们用的是什么底层模型？
-
那你们怎么处理微调或者套壳这类事情？
-
对，所以我们相信是可以做到的。
-
所以我们用了来自所有供应商的多种模型。
-
而且我们真的把这个看成是大宗商品，对吧？
-
它们确实有很好的通用商业用途。
-
比如读取、生成PDF、生成Excel表格，所有这些事情。
-
但我们也相信，对某些用例来说，把基础模型和一个套壳结合起来，你能走得非常远。
-
你也许能达到100%完成要做的事。
-
但也有一些用例，就算你有最好的基础模型、最好的套壳——不管那是什么意思——最好的套壳，你还是只能做到80%。
-
这方面有很好的例子，比如当我们谈到谈判的时候，成本工程师在做什么，对吧？他们会分析图纸，然后他们会定义，好，这个零件实际上应该花多少钱，所以这就叫应该
-
成本建模，而且这里肯定有一个机会，我们已经在思考，并且已经开始微调模型，让他们在这部分达到100%。
-
另一个例子是价格基准对比，想象一下你有一份报价，在理想世界里，你只要把报价拖放到某个地方，你就能得到完美的价格。
-
但所有这些信息，它们并不是公开可得的。
-
在一个企业里或者跨多个企业，有一个全是准备工作的数据库，所以通用模型没法在这些数据上训练它们的模型。
-
我们在考虑的是，也许不是只训练一个大语言模型，但我觉得我们现在看到像Jeff之类的模型冒出来，你在文本数据上训练它，但输出实际上是一个结果，或者就是那个完美的价格。
-
而这是没法用套壳做到的，因为比如，如果你给我一份BCG的报价和一份麦肯锡的报价，他们可能做的是完全一样的工作，但价格可能差10倍。
-
而我完全不知道哪个更好。
-
但如果你把这个交给一个采购经理，他一开始会有一种直觉，或者觉得，好，这个报价说得通。
-
或者，我觉得，我觉得再说一次，好例子，比如内容创作，我总是不知道，我该为制作一个视频付别人多少钱。
-
但这背后其实是一种直觉。
-
如果我问另一个视频创作者该怎么做，该怎么做这个。
-
但如果你让他们把规则写下来，他们做不到，因为这就像是一种直觉和本能。
-
所以这正是我们看到大量机会的地方，实际上就是训练一个智能体，但也许不是那种经典的大语言模型，而是更精确的，再次说，就像，像一些公司，嗯，像一些模型，比如Jav现在正在做的，嗯，基于结果的那种。
-
所以我们有价格基准对比、成本建模。
-
嗯，Sima，呃，我们稍微聊过实验室正在真正进入行业特定的工作，或者和现有企业合作来做这件事。
-
嗯，当你思考一家有持久生命力的垂直AI公司是什么样子时，你会看重哪些特质？
-
一个是我们刚才说的，拥有端到端的工作，积累起这个数据资产，并且能够做到很多情况下以前没人做过的事情。
-
话虽如此，我觉得当你大量谈论护城河的时候，其实非常非常难预测你未来的护城河。
-
如果你回头看所有最好的企业，在早期阶段，他们想的只是，好，我在赢得客户的信任，我在向他们卖更多东西，有很多机会，而不是，好，我要做这六步，然后到第七步，然后我们就有护城河了。
-
所以我觉得我们大量谈论的是防御性和持久性。
-
我觉得其中一部分是你锁定了客户，有了更多依赖关系，他们觉得这有价值，而且你在做更多的工作。
-
而在这里，真的是这样，好，老的CRM公司是所有交易的记录本，而一个新的销售AI智能体实际上是在主导大量的销售准备流程和外呼流程，处理呼入，做一大堆工作。
-
整体上客户依赖那个产品，这是走向护城河的一个非常重要的信号。
-
而我们谈论的一切，关于粘性和网络效应之类的，某种程度上都是那个最初的客户使用和产品价值的下游结果。
-
Vlad，你有没有和客户或潜在客户聊过，他们问你，我为什么要买你的产品？
-
我为什么不能直接接一个模型自己来做，或者用我现有的任何记录系统加一个模型，你会怎么跟他们说？你怎么说服他们用Leo？对，百分之百。
-
这是一个非常合理的问题。
-
甚至如果你看Leo内部，三年前第一个用例，那个在采购圈子里有点火起来的，就只是拿到一份报价，然后把这个信息录入SAP。
-
所以非常，再次说，技术性的，但有着巨大的商业价值。
-
所以，你有一个检索代理，把所有信息抓取过来，然后录入SAP。
-
这是我们的第一个产品。
-
我们有一个工程团队，显然很小，就我们三个人，或者大概四个人来开发和销售它。
-
但如今这已经成了你申请来Leo工作时的一道案例题。
-
我们把这个交给候选人去搭建，他们有八个小时来完成。
-
我想说的是，我们最早的一个用例之一，现在工程师八小时内就能搭出来，因为现在做东西实在太容易了。
-
所以，显然有个问题，好吧，有人能在八小时内搭出这个。行，挺好。
-
但那样的话，采购部门不也能在两个月内把所有东西都搭出来吗？
-
答案是，是的，你可以在八小时内搭出来，你能搭，但你只能达到70%的性能。
-
问题在于，70%的性能或准确率，或者不管你怎么衡量，这真的取决于具体任务，并不意味着70%的自动化，对吧？
-
所以这可能意味着你有70%的性能，但你仍然得做100%的工作。
-
因为70%还不够。
-
再说一遍，所有人都得核对数据。
-
所以你可能反而制造了比以前更多的工作。
-
有两件事要补充弗拉德刚说的。
-
第一，总体来说，基础模型或者GPT类产品被更多人采用是好事，因为这意味着人们也愿意信任垂直领域的专用产品。
-
所以我觉得，大家对AI工具越来越熟悉、越来越放心、越来越兴奋，对整个市场来说总体是好事。
-
第二件事是，两三周前我跟一家财富500强公司的管理团队聊过。
-
他们提到的一件事是，他们曾试图自己搭建一个现金回收产品，作为一家大企业业务。
-
他们，怎么说呢，至少干了三四个月之后，发现上下文信息不够。
-
上下文质量很差。
-
他们有很多录音，很多屏幕截图。
-
他们试着把这些全都整合到一个系统里，但就是不够好。
-
然后就冒出来一个大问题，好吧，你知道，我们现在有两套不同的ERP系统，而且马上还要再收购一套。
-
谁来更新所有的映射关系，测试一下，看看行不行？
-
然后我们一直在说异常处理。
-
你现在得把它映射到一个完全不同的系统上，一套完全不同的做事方式。
-
我觉得他们很快就意识到，内部自建这条路走不通。
-
所以我们不断听到这样的故事，有人说，好吧，我要自己内部搭建。然后他们又说，等等。
-
这跟过去DIY一直以来的情况没什么不同，大企业一直都在尝试，但我觉得企业公司普遍都明白，一边是他们的核心能力，另一边是搭建内部工具，他们应该专注于前者。有道理。对。
-
所以这正是我的意思，显然他们能做到80%，但最后那20%才是真正关键的，而且这20%才是能不能上生产的关键。
-
所以这就是为什么你需要这套框架，对吧？
-
所以你需要所有这些集成、记忆、工作流。
-
有时候你还需要垂直领域的数据才能做到这一点。
-
就像帕累托法则一样，那20%可能要花掉80%的精力，或者说它们确实花掉了80%的精力。
-
所以对所有那些财富500强、150强的公司来说，你们是可以做这件事的。
-
但话说回来，比如说AI采购代理组成的采购团队，应该成为你们的核心能力之一。
-
你们应该评估一下，把这东西纳入自己的核心技能到底合不合理。
-
Vlad，我很好奇，你有没有看到供应商开始用代理或者AI？如果买家和供应商都完全AI化了，会发生什么？
-
对。
-
所以我们百分之百相信，未来两边都会有代理。
-
这非常合理。
-
但出乎意料的是，我们看到的，比如说看供应商那边，其实也就相当于卖方那边，对吧？
-
我们看到的是，销售这一侧一直走在采购这一侧前面。
-
但我们现在看到，那些财富500强公司的供应商，情况其实并不是这样。
-
所以他们也许在比如说视频录制、用Granola这类工具上是先进的，但并没有真正部署代理，他们只是在自动化工作。
-
有意思的是，采购这活儿不性感，对吧？
-
销售很性感，采购不性感，但它就是一个流程，采购是对应的那一方。
-
但现在好消息是，在那些工业公司、财富5000强公司里，采购对供应商有更大的权力。
-
因为拿一个典型的场景来说，比如汽车供应商，你可以要求你的供应商用什么、质量必须达到什么标准、针对某个具体的询价该怎么回复。
-
所以现在的机会是，如果我们服务采购部门，而他们能规定供应商该用什么，那我们为什么不也把Lio的代理推给他们，帮他们也自动化工作，
-
从而同时拥有交易的两边。
-
Elaine，我知道我们今天早些时候聊过，你怎么能让两方在同一个平台上？这怎么运作？
-
我觉得这甚至可以延伸到法律工作，对吧？
-
而这是两个非常对立的当事方，对吧？
-
但比如说，如果你有两家律所，客户利益不同，但双方都能从知道这些信息中受益：好，这是最新草稿，这是我们在未决问题上的进展，
-
这些是已经达成一致的事项。
-
光是追踪这些，现在其实都不存在，对吧？
-
这些都是靠人，都是人做出来的。
-
所以那种协调工作，代理是可以做的。对，对。
-
想想双方可能都在同步演进，这真的很酷。
-
弗拉德，就像你说的，一方可能走得稍微快一点。
-
但时间长了，可能大家就都在同一个平台上了，而且对每个人来说协调起来都顺畅多了。
-
百分之百是这样，因为就像我们一开始提到的，对吧，那个显而易见的问题就是，好吧，但我们也聊了很多关于谈判代理的事。
-
如果双方都有谈判代理，而价格百分之百是个零和的点，或者双方利益不同，那怎么办？
-
但我们也讨论过，价格是另外五千项任务的结果。
-
而在那五千项其他任务上，他们的利益是完全一致的。
-
销售方希望摩擦越小越好。
-
买方希望上市时间越快越好。
-
再说回造飞机、建数据中心这些事。
-
你希望这个数据中心越快建好越好。
-
你不想就因为分析供应商的所有回复花了太长时间，结果六个月后才开始建。
-
你也希望销售能快速完成。
-
所以那五千项其他任务，利益是完全一致的。
-
这就是为什么你可以部署，或者说Lio可以在双方都部署代理，去自动化所有那些其他任务的工作。这就是美妙之处。
-
我觉得以前有一种逻辑，就是你不应该把软件过度定制给某一个终端用户、某一个终端客户。
-
但我觉得大语言模型和AI总体上有点不一样，就是越来越有可能在不让自己的业务变慢太多的前提下实现定制化。
-
所以我很好奇，弗拉德或者西玛，这是你们看到的情况吗？这对软件的终端买家意味着什么？
-
我觉得总体原则是，现在有大量前置部署的工作在发生。
-
部分原因是，了解客户数据的现状、理解客户终端，比理解终端加一要难得多。
-
所以，我们总体上还处于部署的早期阶段，这就是为什么这个产品里仍然有大量的人工参与。
-
顺便说一句，这是现有玩家更难做到的事情，因为他们的组织方式本身就不支持这一点，甚至连产品反馈循环的运作方式都不一样，他们有的是实施团队。
-
所以那基本上是个事后才考虑的东西，而不是能反哺产品端的东西。
-
AI的美妙之处在于，第一，它会随着时间学习。
-
这就是我们说的学习循环，而且你得有正确的评估流程。
-
随着时间推移，你能做越来越复杂的工作，而其中一部分就是让部署本身自动化。
-
我很好奇Flata是怎么做的，但我们很多公司甚至都在快速推进这件事，越来越多的定制化，第一是以自动化的方式来处理，第二，
-
客户能够通过软件来调节定制化的各种旋钮和杠杆，而不是像以前那样，好吧，我得请来原来的，就像，你知道，你请埃森哲来做你的SAP定制，而现在变成了，好吧，我有一支前置部署团队，他们会来搭建一些，你知道，
-
帮忙搭建并把它规格化，最终，它会完全由软件驱动。对。
-
我的意思是，这就是为什么，你看Leo的组织结构，85%的人都是工程师。
-
而且就算你看那些，你，比如他们没有工程师头衔的人，他们大多也有工程背景，原因就是我们显然不想做一家咨询公司，对吧？
-
所以我们要确保，总体上我们在间接采购、直接采购和财务这些方面都有最好的智能体。
-
但就像你提到的，如果你要进企业，确实有大量前置部署的工作要做，因为他们的流程里有各种细微差别。
-
但我们的做法是，就像你提到的，以这样的方式打造产品，一方面我们在减少这种定制化，另一方面它也高度自助化。
-
所以我们FDE，也就是前置部署工程师的工作，一方面是让它变得自助化，但反过来这也是在把他们自己的工作自动化。
-
所以他们的KPI就是，你看到这件事反复发生，你的工作字面上就是把自己自动化掉。
-
然后如果你把自己自动化掉了，你就去做下一个任务。
-
我觉得这也是谷歌在做的一种方式。
-
所以，但没错，百分之百同意你。
-
而这正是我们在打造的，也正是我们做事的方式。
-
最近有一个非常大的记录系统事件。
-
而且我们说的不是Dreamforce。
-
我们说的是Leo在纽约办的那个bots and buyers峰会，就是想听听一线的故事，看看你们在买家那边看到了什么。
-
大家兴奋的是什么？
-
大家在展望什么？
-
大家找你问的是什么？
-
你能不能给我们讲讲那天、那个活动上的一些故事？
-
我的意思是，这是我们第三次办这个活动了。
-
这次我们是在纽约办的，离我们这里的办公室就几个街区，来了100多位采购负责人。
-
我们办这种活动的时候，一定会确保只邀请高水准的人，比如C级别、CPL、副总裁。
-
我们做这件事的方式，或者说为什么他们这么惊讶，有两点很不一样。
-
第一点是，我们看过去26、27年采购是怎么运作的，涌现了大量的工具，对吧？
-
就是那些技术全景图，你在LinkedIn上都能找到，你会看到大概有500个采购工具。
-
这也是原因，但你跟做采购的人聊，会非常痛苦。
-
我敢挑战任何人去找一个喜欢跟采购打交道的人。就是，没有。
-
你真的可以说，人们讨厌跟采购打交道。
-
我说的是需求方，我说的是供应商，甚至采购部门自己的人都不喜欢跟采购打交道。
-
所以，如果有1000个工具，那到底是怎么回事？
-
原因就是，所有这些工具只是让流程变得更高效了。仅此而已。
-
但它们从来没有改变那些人实际工作的方式。
-
而且看到他们用邮件、微软Teams、Excel表格和PowerPoint来工作，真的很疯狂。
-
这基本上就是他们工作的主要渠道。
-
而且显然，这部分完全没有AI的加持。
-
另外一点是，我们给了他们一个非常跨部门的采购视角。
-
所以，我们不是在说，看看我们开发的这个超酷的发票功能。
-
我们更多是从有人需要某个东西出发，到最后这个东西摆在你桌上。
-
这可以横跨间接采购、直接采购、物流、财务，你可以看到我们在这里是怎么做的。
-
而且我们还把它更多地搬到了物理世界里，因为AI智能体这个东西太抽象了。
-
所以我们做的是搭一个展台，我们在纽约的办公室里也有这个，你可以走进去体验所有这些智能体，真的是亲手操作，这就是人们喜欢的东西，就像，
-
我是说下一场活动大概会有700人参加。
-
所以你可以想象这东西增长得有多疯狂。采购人嗨翻了。对对。
-
那场是在慕尼黑，对吧？
-
对，我们一直在欧洲、慕尼黑和纽约办这些活动，是的。
-
好吧，如果你在听而且你是做采购的，你知道该去哪儿。
-
也许，我想，我有个问题，我有个问题。
-
你觉得要怎样才能让人们为采购感到兴奋？是智能体吗？是人吗？还是省下来的时间？
-
还是别的什么，就像你提到的，采购是那种我记得人们不喜欢的领域之一，它就像一个普遍不受待见、NPS很低的领域，我记得跟一个离开采购行业的人聊过，大概七八年前吧，当时我在看
-
这个品类，他说，哦，我讨厌聊这个产品，我用的是你知道的这个遗留的记录系统，我在用Coupa，我不想再买别的东西了，我不想聊这个，就这样吧，那可能是我打过的几百万个电话里最不满意的客户通话了。
-
但我很好奇，你觉得到底是什么真正让人们对这个品类感到兴奋？
-
这也是我喜欢采购的原因。
-
我们之所以从采购入手，关键其实不在于发生了什么，而在于人们对此的反应。
-
你要是跟那些人聊聊，他们真的是一肚子火。
-
这意味着这是个情绪化程度很高的话题，但说实话，B2B嘛，对吧，可它确实情绪化程度很高。所以这是件好事。
-
然后如果你再把这个跟那种又无聊又小众的东西结合起来，那也有优势，因为还是那句话，对我们来说，让那些人惊艳也挺容易的，对吧？
-
因为他们见过的真正意义上的变革，也就是20年前那一次。
-
然后可能10年前有了个好看点的用户界面，除此之外就再没别的了。
-
所以你看，无聊、高度情绪化，再加上巨大的商业影响，对吧？
-
所以就是，感觉好像没必要，但就像我跟你说的那些例子。
-
所以它显然对损益表有巨大的影响，但它对整个经济也有影响，对吧？
-
所以我们说的是，数据中心怎么建、飞机怎么造、汽车怎么造、无人机怎么造。
-
所以有一套固定的采购流程是极其重要的，不光是为了把事情做成、把东西造出来，还关系到你在竞争格局中的位置。
-
因为要想利润率提高1%，你得把营收多做10%、销售多做10%。
-
所以如果你能省下1%，那就相当于你得做10%的销售额，才能在损益表上得到同样的结果。
-
所以这极其重要。
-
把这三样东西结合起来，你面对的就是一个万亿美元级别的商业机会，这是我的看法。
-
就采购而言是这样，但可能还有别的领域，也是既情绪化、又无聊，还有巨大的商业影响。
-
Vlad，非常感谢你来做客，这次聊得太开心了。