逐段要点整理
下面按官方单集页给出的十段时间点顺序，逐段整理三位出场者在这一期里讲到的论点、数字、案例与金句。时间码是官方口径（全长 59:48）。本期出场三人：主持人埃琳娜·伯格（a16z 新媒体团队编辑合伙人）、主持人西玛·安布尔（a16z 合伙人，投早期 SaaS 与 B2B 金融科技），嘉宾弗拉德·凯尔（Lio 联合创始人兼 CEO）。官方字幕不带说话人信息，整集音频的声部分离只能分开「嘉宾」与「主持人」两类，两位主持人的轮次靠内容锚点判定，快速接话处可能偏一到两个回合。12
口径说明：这一期绝大多数内容是三位出场者在节目里的表述。凡是公司口径（150+ 家客户、85% 的人工工时降幅、10% 额外节约、3,000 万美元 A 轮）与公开记录（波音的供应商数、四层智能体的定义、Lio 的投资方），下面都标出来路；标为「节目中的说法」的数字是本轮未找到独立出处的，它们说明量级，不等于统计。
00:00 开场（片头剪辑）
- 这一期用一段金句剪辑开场，把主张先亮出来。弗拉德：「如果你要造一架飞机，你就得采购几千家供应商的货。有人发来一封确认，说：不好意思，这个零件要晚两周到。而如果他们漏看了这封邮件，损失就是上亿美元。」2
- 第二句把题目点出来：「采购过去可能更像是在一个盒子里，而现在它碰到了法务，碰到了财务，碰到了一堆不同的软件系统和不同的人。AI 原生创业公司的机会在于说：我们要把整条端到端的弧都接下来。」
- 第三句是这一期的信任论：「没有任何一家公司、任何一家企业，第一天就用完全自主的谈判智能体。」办法是人留在环里，把反馈喂给智能体，让信任在 1 万次、2 万次、10 万次谈判里长出来。
- 片尾一句预告了后半场：一家耐久的垂直 AI 公司，护城河极难预测。
00:58 为什么 AI 创业公司还能赢大厂
- 埃琳娜开场，把问题定成一句话：如果一个成熟的软件厂商已经握住了客户和数据，而模型又能在它的工具之间工作，那创业公司的优势在哪里？2
- 西玛先退一步框住这件事。历史上是「大厂对创业公司」，打的是分发对创新——这是她在 a16z 的同事亚历克斯·兰佩尔的说法。她指出现在多了第三块：大厂可以把模型叠在自己上面。
- 她的答案是：老牌大厂被自己那份系统记录限制住了，它没有把端到端的那件事做完。她举的例子是取消服务之后还被扣款——解决它要碰到计费系统、完整聊天记录和合同；那不是一份系统记录，而是围绕那位客户、以及它所触碰过的一切的知识。AI 原生公司的机会就是「把整条端到端的弧都接下来」，法务上就是从案情摘要一路做到开庭。3
04:19 8K 那行数字背后的活
- 弗拉德说，大多数人以为采购就是价格。而记录看上去总是非常简单：结果就是 8K。
- 他给的对照是销售：你看到合同上那个签名，看起来毫不费力；签名背后可能有 30 场相关方会议、500 封邮件、20 张 Excel 表，对方采购那边也是一样。
- 在 ERP 里你看到「8K，铝材」。你看不到供应商曾经顶回来要 10K，也看不到一位成本工程师跑了三周 Excel 表和 3D 建模，才算出这个零件的价格。
- 结论是本期的题眼：采购里的大部分工作，发生在 ERP、或者任何一份系统记录之外。
- 上面 8K / 30 / 500 / 20 / 三周这几个数字，都是弗拉德在节目里给的举例，本轮未找到第三方出处。
06:18 检索、流程、政策、主事
- 西玛说，一年前她做了一张梗图，叫「贴一个聊天框」：大厂在系统记录上面放一个聊天机器人，你可以问它、查信息、做一点轻量分析。那属于第一层——检索型智能体。
- 她把四层定义逐条讲了一遍，这也正是她文章里的框架：34
- 检索型：找信息、总结文档、回答问题、起草回复；活还是人在往前推。
- 流程型：按规则干活——更新记录、发起审批、跑完预设流程；判断基本只用于挑下一步。
- 政策型：把组织的成文规则、先例和阈值，套到边界模糊的案子上。
- 主事型：对「这家公司该做什么」做判断，权衡战略、风险与资源，连目标本身都可能有争议。
- 她用一个客服退费的例子把四层走了一遍：检索帮忙核实中断与条款；流程按手册算钱并做账；政策要判断「断了 20 分钟算不算重大中断」；主事要权衡「要不要多赔一点，因为这段关系值得留」。
- 她的判断是：大多数大厂从第一格起步（如果有起步），现在至少都宣传自己在往流程和政策走，但看已发布的产品，仍然停在检索加一点流程，没有真的进入判断。有些大厂的选择是拉上 OpenAI、Anthropic 这些实验室，把模型能力补进来。
09:27 大厂的内部冲突
- 西玛把「按着不发」和「被按住」分开讲。第一块是分发：大厂握着客户的信任。Salesforce 的 Agentforce 上线时，客户签一个几乎不额外花钱的智能体，几乎没有摩擦。3
- 第二块是内部激励：一个「把活干完」的智能体，和一条「给人工坐席用的工作流」，是两门生意、两个买家、两个部门。
- 西玛把僵局讲成一个人事问题：两个 VP、两个组织、卖两个产品，永远对不齐该卖谁。
- 弗拉德接着说 Lio 的位置：他们横跨四个类别，用哪一层取决于风险和复杂度；有时完全自主，有时人在环里。他把信任分成两层——大厂有内部的信任，创业公司要挣的是外部信任；而大厂一旦发得太早，也能更快把信任毁掉。
- 本期一个意外的自白：流程类智能体最后成了他们的支线。发票这件事看着很完整，但只占「要完成的那件事」的 20%；剩下 80% 是异常——发票是不是假的、对不上怎么办。他们把重心很快挪了过去。
- 他们的产品节奏是「永远比曲线早半步」：先听到问题，再等到技术刚好能解决它，然后把下一代能力讲给客户，几周内发出去。三年前「把一份文档里的信息取出来」在采购圈里是惊人的；今天那件事已经不值一提。
14:48 采购实际长什么样
- 西玛把话题拉到谈判：信任不只是内部流程，还包括「你敢让这个智能体去和第三方打交道」。2
- 弗拉德说，采购看起来像 B2C 里的「买东西」，其实是驱动整个经济运转的重流程，牵涉很多相关方；法务、成本工程、采购、财务都要出力。
- 信任的解法是人在环里。他说他们可以有一个「完美的谈判智能体」，但它不知道一家具体的世界十强企业怎么运转；人在环把企业的反馈和教训喂进去，等客户在 1 万次、2 万次、10 万次谈判里验证过，信任才建立起来。
- 更长跑的活（几百万美元级、要分析复杂 3D 模型和技术图纸）他们是有意让专家一直留在环里：智能体跑几小时，把结果交给成本工程师，拿到反馈再跑下一段。
- 谈判不只是价格：合同怎么设计是法务，回款怎么设计是财务，成本结构是成本工程，商务条款才是采购。这些人不是后台文员，而是掌握某一家公司、某一个行业具体知识的专家。
- 一个给创业者的「黑招」（节目里的玩笑）：5 万美元以下的采购，企业过去从来不做谈判，因为没有产能。给一家企业寄一张 4 万美元的发票，他们大概率不会来砍价——除非他们装了 Lio 的智能体。
- 有些供应商不能纯自动，因为关系本身有价：播客、营销服务这类金额只占一小片，但合作关系很实在，这种地方他们放人在环。
21:13 波音量级的采购
- 埃琳娜请弗拉德挑一个垂直行业把复杂度讲清楚。弗拉德说，他们谈的不是笔记本电脑和铅笔（那是三年前就解决的小事），而是飞机、机器人、无人机，甚至数据中心。
- 造一架飞机意味着采购几千家供应商的货，还要先建一座工厂。极小的摩擦可以带来极疯狂的影响：建数据中心、造飞机，只要有一个零件晚两周到，损失可能上亿美元，整个项目往后推。
- 操作层的样子：有人发来一封确认说「这个零件要晚两周到」，它是采购经理收件箱里 500 封邮件中的一封；漏掉它，上亿美元的损失就发生。而这种事经常发生，因为系统记录里存下的只是那个日期——「不是这周三，是下周三」。
- 弗拉德说这正是智能体在做的事：不只是取信息，而是接着判断「这件事有没有影响、是什么影响、怎么解决」。
- 物理世界的问题，他的答案是概率：货掉下船你改不了，但有全部上下文就可以预判——比如一家供应商的可靠度。一家供应商 20% 的货会缺、另一家只缺 1%，前者也许便宜十倍，但为了更高的到货概率多付十倍是划算的。
- 上下文不限于一家企业内部：还有新闻、预测市场、供应商侧与需求侧的信息。他把 Lio 的射程说得比采购更大——是企业与企业之间怎么做生意，买方和卖方两侧。
- 为什么必须是多智能体：这些智能体之间要交换信息，而且要按一个很具体的顺序来。一个人级别的任务要八个相关方、可能三个部门、五种软件工具；只有多智能体系统才能端到端做完。他们的路径是检索式副驾驶 → 单个智能体 → 多智能体。
28:03 一根螺栓的端到端
- 这是他们能完全自主跑完的采购之一。起点是需求，而起点本身就很难：工地上的师傅每两周才打开一次电脑，现在却要操作 SAP。他们的做法是拍张照片、上传一份 Excel——「采购部门以外没人关心品类、总账科目、框架合同」。
- 智能体接着跑：查库存 → 问另一个厂区能不能内部调货 → 找内部/外部供应商 → 起草询价单并发邮件出去 → 从回来的邮件、PDF、Excel 里取信息 → 看报价基准，判断有没有谈判空间 → 决定下一步走哪一种谈判（带人陪的策略性谈判、完全自主的谈判、拍卖与电子竞拍）→ 确认订单、跟踪发运、发票。
- 间接采购与直接采购的分别：间接那一侧（MRO 备件、建厂、螺栓、营销服务）图的是自动化，把一天做一千次的事做成零次；直接那一侧（造飞机、无人机、机器人的供应商）数量级不是 5 万家，而是一百家、最多两千家，一家供应商的敞口就可能到 10 亿美元。
- 十亿美元级的谈判不会交给智能体自己去谈：要跑三个月，团队里的工程师在分析铝价指数、油价指数，吃透全部图纸、检查零件质量。90% 的工作是准备，系统记录里最后看到的那一行是「本来要付 10 亿，最后付了 9 亿」。
- 也有实时介入的场景：谈判桌上弹出「油价涨了 10%，所以对方要求涨价 10%」，紧接着第二条「油确实涨了 10%，但产品里的油只占 30%，该涨 4% 左右」。
- 模型策略：他们用各家供应商的多个模型，把基础模型当商品；有些活基础模型加一层壳就能到 100%，但「应该成本」和「报价基准」两件活，最好的模型加最好的壳也只到 80%。这两件活的共同点是数据不公开——是某一家或若干家企业之间的私有数据。
- 为什么壳补不上：同样一份工作，BCG 和麦肯锡的报价可能差十倍，而你没有任何依据判断哪个更值；但一位采购经理一上手就有个手感。弗拉德把它比作给一条视频定价——你说得出该付多少，却写不出规则。他们在想的方向是训练「结论模型」（输出一个对的价格），而不是经典 LLM。
37:57 一家耐久的垂直 AI 公司长什么样
- 西玛说，护城河很难提前预测。回头看那些最好的生意，早期它们想的不是「做完这六步就有护城河」，而是「我在赢得客户信任、卖得更多」。3
- 她把耐久性落在一个信号上：客户对你的依赖变多，你能做的活变多。对照是 CRM——老 CRM 是一本交易流水账，新的销售智能体接手的是销售准备和触达过程本身。
- 客户最常问的问题是「我为什么不直接接个模型自己做完」。弗拉德的答案有数字：三年前让 Lio 在采购圈传开的第一个用例（把报价录进 SAP），今天已经变成面试题，候选人 8 小时就能重做一遍。
- 但 8 小时能做出 70%，而 70% 不叫自动化。如果只到 70%，你可能还得把这 100% 的活做一遍，因为每一份数据都还要有人核对——甚至可能制造出比以前更多的活。他补了一句：最后那 20% 可能占掉 80% 的力气。
- 西玛讲了另一个方向的证据：一家世界 500 强自己搭回款产品，做了三四个月，卡在上下文不够、质量不好；还有两套 ERP 加一次收购带来的字段映射与异常处理问题。她判断企业最终会承认，哪些是核心能力，哪些不是。
44:46 当买卖双方都上了智能体
- 弗拉德：他们百分百相信未来两侧都会有智能体。但眼下看到的和直觉相反——卖方一直领先于采购方，可在这批世界 500 强的供应商身上并不成立：他们在视频录制、会议记录工具上很先进，却还没有真的把智能体放进去干活。2
- 他给出了一个反常识的权力判断：采购不性感，销售性感，但在工业公司里采购对供应商的权力更大——一家汽车供应商可以规定上游用什么、质量到什么水平、一份询价单必须怎么回。所以机会是一边服务采购部门，一边把智能体推到供应商那一侧，把一笔交易的两端都接下来。
- 如果两边都装了谈判智能体怎么办？弗拉德的答案是：价格只是 5,000 件更小的事的结果；在那 5,000 件事上，双方利益一致——卖方想要尽可能少的摩擦，买方想要尽可能快的交付周期。
- 西玛补了一个横向的类比：这件事也可以延伸到法务——两家利益对立的律所，双方都受益于知道「最新的草稿、未决的问题、已谈成的部分」，而这种协调今天还不存在。
- 关于定制：西玛说现在有大量前置部署的工作，因为理解第 N 个客户比理解第 N+1 个客户难得多；这恰恰是大厂更难做的活。她的落点是学习回路——只要评测流程对，越来越复杂的活会被接过去，包括把部署本身自动化。
- 弗拉德说 Lio 里 85% 的人是工程师；前置部署工程师的 KPI 就是「把自己自动化掉」，做完就去下一个任务。他强调他们不想做一家咨询公司。
- 他讲了 Lio 在纽约办的 Bots & Buyers 大会：第三次办，来了一百多位采购负责人。他给的两个现场观察是——过去二十六七年冒出了约 500 个采购工具，它们只让流程更高效，从没改变人实际怎么干活（邮件、Teams、Excel、PPT，几乎没有 AI）；以及他们把采购讲成跨部门的一条线，还搭了可以走进去的展台，让抽象的智能体变得能摸到。
收尾：这一期对读者意味着什么
- 整期没有争论模型能力，只论证了一件事：当系统记录里只剩结果，做那件事的过程就成了一块可以占的地。
- 需要读者自己留意的一层关系：Lio 这轮 3,000 万美元 A 轮由 a16z 领投，而本期的其中一位主持人西玛·安布尔，正是那篇投资公告《Investing in Lio》的署名作者之一（与她一起署名的还有詹姆斯·达科斯塔、埃里克·周、布莱恩·罗伯茨）。节目的官方单集说明与整期对话都没有提这层关系。56
- 关于这家公司的公开口径：a16z 投资公告时写的是「全球 100+ 客户」，并给出采购员人工工时下降 85%、额外采购节约 10%、采用率 95%、客户留存 100%；公司官网现在的口径是 150+ 家大型企业在用，累计融资 3,300 万美元。578
- 波音官方页面给出的数字是 12,000 家活跃供应商、其中 6,000 多家是小企业；这与节目里「几千家供应商」的说法口径一致。9
- 出场者身份：西玛·安布尔是 a16z 合伙人，2019 年加入，投全球早期 SaaS 与 B2B 金融科技。10埃琳娜·伯格是 a16z 新媒体团队的编辑合伙人，本期由她开场。11
逐句全文翻译
以下按节目原始顺序，逐句翻译整集对话。底稿是官方同名视频的完整英文字幕，并与官方整集音频的完整转写交叉核对。只保留中文译文，不保留英文原文；对话部分保留说话人标签：片头／埃琳娜／西玛／弗拉德。不压缩、不摘要、不删减。12
口径：官方字幕不带说话人信息；整集音频的声部分离只能分开「嘉宾」与「主持人」两类，两位主持人被并进同一簇。所以嘉宾弗拉德的轮次有声音依据，两位主持人（埃琳娜·伯格、西玛·安布尔）之间靠内容锚点判定；同一说话人的连续几轮合并为一段、只留一个标签，快速接话处归属仍可能偏一到两个回合。片头是本期金句剪辑，单独标注。
片头：如果你要造一架飞机，你就得采购几千家供应商的货。有人发来一封确认，说：不好意思，这个零件要晚两周到。而如果他们漏看了这封邮件，损失就是上亿美元。采购过去可能更像是在一个盒子里，而现在它碰到了法务，碰到了财务，碰到了一堆不同的软件系统和不同的人。AI 原生创业公司的机会在于说：我们要把整条端到端的弧都接下来。没有任何一家公司、任何一家企业，第一天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「人在环里」的做法，我们把所有的反馈和所有的经验都喂给智能体，然后他们突然就在 1 万次谈判、2 万次谈判、10 万次谈判里开始信任我们了。当你去想一家耐久的垂直 AI 公司长什么样，你会看哪些特质？要去预测你未来的护城河，真的非常非常难。如果你回头看所有最好的生意在早期阶段，它们当时……
埃琳娜：欢迎回到 a16z 播客。我是埃琳娜·伯格。今天和我一起的是 a16z 合伙人西玛·安布尔，以及 Lio 的联合创始人兼 CEO 弗拉德·凯尔——Lio 做的是面向企业采购的 AI 智能体。西玛，你最近写了一篇叫《The Incumbents Are Coming》的文章，里面提了一个几乎每一家 AI 应用公司都面对的问题：如果一个成熟的软件厂商已经握住了客户和数据，而模型又能在它的工具之间工作，那么创业公司的优势在哪里？弗拉德今天也在这儿，他能帮我们搞清楚创业公司的优势到底在哪。所以我想一个好的起点，是先讲讲支持大厂和反对大厂的两面。如果一家公司可以把一个能干活的 AI 智能体接到它已经在用的软件上，那么另一个应用到底还有没有用武之地、还有没有优势？
西玛：好，让我先退一步，把这件事框一下。历史上我们想的是——一边是大厂，一边是创业公司，它们打的是「分发对创新」这场仗。这是我同事亚历克斯·兰佩尔的说法。但现在多了第三块，就是你指的那块：大厂可以把某一个模型叠在自己上面，于是市场上出现了一个强得多的竞争者。所以你会问：如果有了「Claudeforce」——把 Claude 加上 Salesforce、把两个凑成一个——你已经有全部数据，你的员工也都习惯了用这个产品，那为什么还要另一个产品？我依然认为 AI 原生创业公司明显还有机会，而这个机会的核心在于：老牌大厂被自己那份系统记录限制住了、被它手里那份记录限制住了，它没有把端到端的那件事做完。让我举个例子讲得具体一点。假设你是一位客户，客户打来电话说他取消之后还是被扣了款。要解决这段取消历史，不是客户进聊天窗口说一句「我被多扣了钱」、然后拿到一个回复就完了。这件事要碰到计费系统，要看完整的聊天历史，要看合同。那不是一份系统记录，那是围绕这位客户、以及它所触碰过的一切的知识——而这是单一系统记录碰不到的。而 AI 原生创业公司的机会就在于说：我们要把整条端到端的弧都接下来。法务上也可以是这样，从案情摘要一路做到开庭。采购我还可以讲更多，但它本质上就是「把端到端的那件事整个接下来」这个概念。
埃琳娜：对。弗拉德，你能不能讲讲这在采购里具体出现在哪里？比如一个现有的大厂加上一个模型，在什么地方就是不够用？以及你从你服务的那些公司身上看到了什么？
弗拉德：当然。当我们想采购这件事的时候，我猜大多数人想到的是价格，对吧？就是我们最后谈成了什么价。而很有意思的是，记录看上去总是非常简单、非常轻巧：结果就是 8K，比如。销售也一样。就算我走到西玛面前跟她说：「我们现在和另一家企业达成了合作，你看这里合同的签名」——它看起来毫不费力，但西玛看不到背后所有的活。背后很可能开了 30 场相关方会议、发了 500 封邮件、用了 20 张 Excel 表，而对方采购那边也是一样。你在 ERP 系统里看到「8K，铝材」。但你看不到供应商曾经顶回来、开口要 10K；你看不到一位成本工程师跑了三周 Excel 表和 3D 建模，才算出这个零件、以及其它东西的价格。所以这就是我们看到的：采购里的大部分工作，其实发生在 ERP、或者任何一份系统记录之外。
埃琳娜：好。我相信在你描述的这个流程里，一个智能体能做非常多的事，不同种类的智能体也能做很多事。而这刚好能接到下一个问题：一年前，我觉得很多大厂都在发聊天机器人，那大概就是你能看到的全部了。但西玛，在你写的那篇文章里，你列出了四种不同的智能体——检索型、流程型、政策型，还有主事型，检索型就是我们已经熟悉的那种聊天机器人。你能不能把它们都讲一遍，说说这几种之间需要的判断力分别发生了什么变化？
西玛：好。一年前，我做了一张梗图，叫「贴一个聊天框」的策略——基本上就是所有大厂都在系统记录上面放一个聊天机器人，你可以跟它对话来取信息，也许做一点轻量的分析。那确实属于第一种，也就是检索型智能体。让我用一个例子把检索、流程、政策和主事都走一遍。还是回到客服那个例子，因为它更容易理解。假设你是一位客户，发生了一次服务中断，你打电话进来说：「我想为这次服务中断拿到补偿。」大厂可能有的那个检索助手，能把合同条款翻出来——是的，条款里是这么写的；是的，确实发生了中断——它就只是核实这些信息。它把这位客户的信息从数据库里调出来，然后分享回去，也许顺手做个归纳。智能体序列里的第二个，是流程型智能体。这个流程型智能体也许能推动一笔信用额度的审批：按照我们的政策手册，中断发生在这些日期之间，因此你符合拿钱的条件；它把账单做进去，把流程走完。这里面没有判断。再往下走到政策型智能体，它就不只是执行流程了，它会说：「好，这个情况下中断了 20 分钟，这已经够得上算一次重大中断了。」它在做这个判断，因为「重大」并没有一个严格的定义。最后一步是主事型智能体：它真的要权衡——我们是不是该多赔一点，因为这次中断相当糟糕，而这段客户关系我们想留住，值得做得比流程或政策所写的更多。这四层的重要性在于：大多数大厂是从第一格起步的，如果它们有起步的话。现在至少它们在宣传自己在往流程和政策走，也就是说它们能运用更多判断。你看它们已经发布的东西——那些帮你把文件签掉、或者从一段转录里录入信息的工作流智能体——我认为它们仍然停留在检索、加一点点流程上，还没有进入更多的判断。这里面有各种各样的激励机制在阻止它们，我可以再讲。但大厂确实在试。我认为它们做不到的那块，是其中一些大厂在想：好吧，让我和 OpenAI、Anthropic 这些实验室之一合作，把那个模型能力拿过来，跟我已有的东西互补，把它超级化——应该说，给它超级充电。
埃琳娜：对。那你想说说为什么某些大厂按着不发吗？
西玛：好。在这里我想说：它们是按着不发，但它们也是被按住的。对，我相信它们想要全力上，但大概有两块原因。第一块是它们有分发上的优势：它们握着客户的信任，这让它们能向这个客户卖更多产品。就拿 Salesforce 来说，Agentforce 上线的时候，客户很容易说「好，我要签 Salesforce 的这个智能体」，尤其是当它几乎不额外收费的时候。所以它们有这份信任、有分发，把产品打开往往非常顺滑。另一面是各种内部激励问题——如果你开始做更复杂的智能体，它就会和公司里一个已有的、提供工作流的产品产生内部冲突，因为一个是「把工作解决掉」，另一个是「提供一条工作流」。这是两门产品：如果你是把一个客服问题端到端地解决掉，和你是给一位人工客服坐席提供一条工作流，这是两个不同的买家。这两个团队会冲突。再往上一层，从销售的角度看：你到底在向客户卖什么？然后就是最经典的那种大厂问题——有两个副总裁，分属不同组织，卖不同的产品，他们永远没办法搞清楚正确的那套激励、以及该去卖给谁。总之，这些经典的大厂问题，我认为大厂自己也会撞上。
埃琳娜：明白了。弗拉德，在这条从检索、流程、政策到主事的光谱上，Lio 站在哪里？
弗拉德：是这样，我们横跨我刚才说的所有那些类别，具体取决于我们的智能体所承担的复杂度和风险。所以……有时候我们已经有完全自主运行的用例，有时候是人在环里。这真的取决于预算审批、取决于这件事有多复杂、有多高的风险。不过回到西玛说的、关于大厂的那部分信任——你讲的是内部信任。我觉得还有一个外部信任的问题：你怎么说服一个人，从「让一个智能体取点信息、也许跑一些流程」，走到让它完全自主地做一件事？这里面显然有产品的成分，但主要还是人的成分。他们需要信任你。而我们作为一家创业公司、一家在扩张的公司，必须去挣得这份信任。大厂已经有信任了，但这也意味着，如果它们把东西发得太早、产品不管用或者很糟、或者做出了糟糕的决定，它们也能把信任毁掉。这就是我们能做的事。然后有意思的是——或者说让我们非常意外的是——那些流程型智能体，最后其实成了我们的一条支线。因为我们看发票这个流程、或者说发票类智能体这个流程：你取一些信息，跨着别的文档去匹配，然后把它推回 SAP 或者 Oracle，一个非常清楚的流程。然后我们发现，这就是整个软件市场在做的事——发票软件就是这么建的——但它其实只占「要完成的那件事」的 20%。因为 80% 的问题是：这张发票是不是假的？对不上怎么办？如果我们不走那条顺利路径，会是什么样？所以我们很快就挪到了下一步，让智能体去做这些异常处理。我们说服客户的方式，我想有一部分是运气——我们总是稍微走在曲线前面一点，所以能把下一代智能体讲给他们听。比如三年前我们刚起步的时候，做的只是把一份文档里的信息取出来——今天听起来完全不惊人，但三年前这是相当惊人的。我们把这个讲给客户，发现「好，这是个真问题，是一个他们愿意付钱的真实用例」，然后我们几周之后就能把它发出去。现在我们用同样的方式做下一步：流程型智能体、完全自主的智能体、以及长跑智能体。我们先讲给他们听，确认这是个问题，然后我们能很快把它发出去。
西玛：我觉得信任上有一点很有意思，就是内部信任和外部信任。另一个角度是：是的，你需要你的客户买下这套采购软件，并且信任它在内部流程里使用它。但我们第一次见到弗拉德时，有一件事特别有意思——他们同时也在做谈判。所以你得信任 Lio 的智能体会去和第三方打交道，这里面就有一层信任。当然，我想很多人是被大厂伤过的——你知道，它们相当受限，没能做到自己过去宣传的那些事。先把这个放一边——弗拉德，我很想听你讲讲，你是怎么说服客户、让他们信任一个 AI 智能体去承担谈判的？
埃琳娜：对。你讲这个的时候，能不能也顺手把采购这件事的画面画出来：它涉及什么？谁是你的客户？他们习惯的是哪些遗留系统？
弗拉德：好。当你去想采购这件事的时候，你可能只想到「买东西」——就像在 B2C 的世界里，你就是买个东西。但它其实是一个极度密集的流程，是驱动整个经济运转的那种流程。它牵涉多个相关方、非常多的相关方、很多个部门：法务、成本工程、当然还有采购、财务。他们所有人都得在这件事上出力。至于我们是怎么说服他们的——我想原因就是我前面说的：我们总是稍微走在曲线前面一点。我们知道这项技术要来。我们甚至比 ChatGPT 那次突破还早几周开始做。所以我们已经听到了所有那些问题。然后我们听到技术圈里那阵热潮，我们就能把这个讲给企业听，很快判断出「好，这可能是个有意思的用例」——聊天机器人应用、检索型智能体、文档处理——然后我们把问题找出来，很快把它发给他们。接下来显然就是「人」的那一面，也就是信任。我们讲给他们听，然后我们真的能把东西发到生产环境里。但也有产品那一面，我们布了很多防线。比如：没有任何一家公司、任何一家企业，第一天就用完全自主的谈判智能体。没有人这么干。为什么？因为他们从第一天起就不信任我们，也不信任这项技术。所以有一条非常简单的路：让人留在环里。而这对我们极其有帮助，因为我们看到——假设我们有一个完美的谈判智能体，一个通盘最优的采购谈判手——但我们并不确切知道一家世界十强企业、某一家具体的企业，到底是怎么运转的。而通过这种人在环里的做法，我们把所有的反馈和所有的经验都喂给智能体，然后他们突然就在 1 万次谈判、2 万次谈判、10 万次谈判里信任我们了。还有一些智能体是更长跑的。当我们谈的是几百万美元级的谈判时，你要分析复杂的 3D 模型和技术图纸，在那里我们是有意一直让专家留在环里的。也就是：一个智能体跑上好几个小时，然后我们向成本工程师要反馈，它再往下做下一步，以此类推。
西玛：让我把这个再往下钻一层：在谈判这一侧，你把人放在环里的什么地方？你提到了成本工程师，但假设我是在跟你来回谈一桩生意，人留在环里主要是因为成本工程这类数据，还是有别的什么？
弗拉德：这又要看谈判的层级。我们要区分不同的谈判。有一类是：企业过去从来不做，因为它们没有那个产能，而部署了智能体之后，它们能把以前没意识到的节约抓回来。在智能体之前、在 Lio 之前，5 万美元以下发生的一切它们根本不管。所以——这大概算是给别的创业公司的一招：你给一家企业寄一张 4 万美元的发票，他们大概率不会来跟你谈判，因为他们没有那个产能。除非他们装了 Lio 的智能体，那我们就会来跟你谈。除此之外，他们就是直接把钱付了。而这里的风险显然很低：你本来根本没谈，那「谈判智能体谈得不好」的风险有多大？接近零，对吧？所以也许我们错过了几次谈判，但这比什么都不做好。不过还有一点：我们说的是商业关系，而商业关系不总是关于成本和钱。也许你在一家供应商身上花的钱并不多，但你需要的正是这段商业关系。一个很好的例子是播客或者营销服务——那大概只是支出里的一小片，但你和某个帮你搭录音棚的人有明确的合作关系。你不希望随便来一拨人干这个，因为他们已经知道这家公司怎么运作、你想怎么把东西录下来。所以在那类地方，我们用人留在环里的做法，让采购的人去管这段关系，去管语气和分寸。而另一组智能体，我们永远是人留在环里的，因为谈判有很多步。而且它不只是价格：合同怎么设计，那是法务；回款怎么设计，那是财务；成本结构，那是成本工程；商务条款才是采购。而这些人不是后台文员。他们是受过高度训练的人，掌握着某一家公司、某一道具体工序、某一个具体行业的非常具体的知识。是他们把那些洞察喂给 Lio 那些长跑的智能体。
西玛：这是另一个例子：采购过去可能更像是在一个盒子里，而现在它碰到了法务、碰到了财务，碰到了一堆不同的软件系统、不同的人，既有专才也有通才。
埃琳娜：对。我们能不能把它对到一个具体的……不是具体客户，而是一个具体的垂直行业上。比如我是一个无人机制造商，或者我造人形机器人。我得下多少零件、采购多少东西？我要碰多少个工厂、多少家供应商？所有这些。弗拉德，你能不能挑一个垂直行业，讲讲他们用 Lio 处理所有这些复杂度是怎么个体验？我想那会很能说明你到底碰到多少东西。
弗拉德：还是一样——当我们说采购的时候，我们说的不是笔记本电脑和铅笔，那些 Lio 的智能体也解决了，但那是小事，我们三年前就解决了。我们说的时候，是你要造一架飞机、造机器人、造无人机，甚至——我们现在正在做一期关于 AI 热度的播客，但 AI 本身也得被造出来，对吧？所以是数据中心。而「造」就意味着采购：你要造一架飞机，你就得采购几千家供应商的货，你还得先建一座造飞机的工厂。而非常小的摩擦可以带来非常疯狂的影响。如果你在跑一个很大的项目，比如建数据中心、造飞机，只要有一个具体的零件晚两周到，损失可能就是上亿美元，整个项目往后推。所以所有这些决定都必须被协调起来。一部分是你要搞清楚：你需要什么、你跟前哪些供应商打交道、哪一家最适合拿到这个零件。而一旦这些你都定了，后面还有一大堆运营的、后台的活，听起来可能既不必要又无聊，但——运营意味着有人发来一封确认，说「不好意思，这个零件要晚两周到」，而它是采购经理 Outlook 或者 Gmail 里 500 封邮件中的一封。如果他们漏看了这封邮件，上亿美元的损失就发生了。而这种事经常发生，因为他们在系统记录里存下的唯一东西就是那个日期，对吧？系统里写的是「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，但也可能是 1 亿美元的损失，而必须有人来做这个决定。这也正是我们的智能体在做的：它们不只是把信息取出来，它们接着做决定——这件事有没有影响？是什么样的影响？我们怎么解决它？
埃琳娜：对。当你这么深地嵌进物理世界的时候，你能介入的是哪一类物理世界的问题？有些事我会觉得根本无解——比如来了一批货，一堆东西从船上掉下去了，或者海峡封了，这类事情你就是做不了。但显然也有你能做的事。所以你能介入哪里，哪里才真正产生差别？
弗拉德：但这其实是概率的问题，对吧？显然你改变不了——比如船上的货坏了。你处理的每一个例子都是这样，你改不了它。但如果你有全部的上下文，你可以预判它。
埃琳娜：嗯。
弗拉德：因为你可以预判一家供应商有多可靠。所以，保护你发运的货物是有办法的。如果你有全部上下文，你手上有一家供应商的货缺 20%，另一家缺 1%。而缺 20% 的那家也许便宜十倍。但在这个用例里，你多付十倍是划算的，因为货真的到得了的概率更高。所以这才是有力量的地方：你拥有的上下文不限于一家企业内部。我们讲了多个相关方，但还有外部世界的上下文。智能体应该掌握外面所有的新闻，甚至也许掌握预测市场上的那些下注——「好，这些中断会发生」。然后是供应商侧、卖方侧、需求侧的信息。把这些上下文合到一起——我不认为长期来看会有什么限制。当然，今天我们手上是几套不同的概率，但我们能在整个流程里帮上忙，这就是我们在 Lio 建的东西。所以它比「公司之间的采购」大得多，它更像是公司内部、以及企业与企业之间怎么做生意——买方和卖方两侧。
埃琳娜：你把 Lio 描述成一个多智能体系统，能不能讲讲不同的智能体分别在做什么？
弗拉德：一个层面是：Lio 的智能体横跨西玛在她文章里提到的那四个类别，用哪一层同样取决于风险和复杂度。所以四类我们都在用，是多个智能体。但另一件事是：要把一件事端到端做完，这些智能体之间必须共享信息，而且必须按一个非常具体的顺序来做。当我们说多智能体系统，本质上就是这个：我们把任务端到端地解决掉。因为一个人级别的任务也牵涉八个人、八个相关方，也许还有三个部门、五种不同的软件工具。要把这件事端到端做完，我们就得覆盖所有那些环节，而这些智能体之间必须互相沟通——只有多智能体系统才能把一件事端到端做完。我们起步的时候，先做的是检索、更像一个副驾驶，那显然是三年前；下一步是单个智能体；但我们很快就发现：光有这些不够。连做谈判都做不成——如果你没有一个合同智能体，如果你没有一个在看新闻的智能体，以及我前面描述的那一切。所以这就是我们定义的多智能体系统。
埃琳娜：那么，比如一家航空公司要采购一根螺栓——就说波音要采购一根螺栓——采购这根螺栓的过程到底是怎么样的？Lio 在这条流程里从哪儿进场？
弗拉德：这根螺栓是我们能完全自主跑完的采购之一，而这靠的就是多智能体系统。首先，有人有一个需求，对吧？他得想办法把这个需求传出去——而光是这一步就极其复杂。你可能得先给谁打个电话；或者你像个工地上的师傅，每两周才打开一次电脑，而现在却要你用 SAP 或者别的什么 ERP 系统。你连需求都提交不了。这就是我们让它变简单的办法：你拍张照片，或者上传一份报价、一张 Excel 表。这其实就是关于采购你该知道的全部——采购部门以外没人关心品类、总账科目、框架合同这些东西，没人关心。我们做采购的人会关心，但部门之外没人关心。然后我们的智能体就开跑了：它们先查库存，发现——好，它们去问另一个厂区：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，搞清楚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，把询价单通过邮件发出去。然后一堆邮件回来了：有些完全不着边际，有些直接写在邮件正文里，有些是 PDF，有些是 Excel。我们把这些信息取出来。然后我们做下一步——哦，根据我们的报价基准，这里也许有谈判的机会。然后我们有一组智能体，基本上就是决定下一步：谈判可能意味着有人陪着的策略性谈判，可能是完全自主的谈判，也可能是拍卖和电子竞拍，然后由具体的智能体去谈。接着把这件事端到端做完——想想确认订单、跟踪发运、发票。我们能够完全自主地跑完这一切，并把全部上下文都捕获下来。然后下一件很有力量的事显然是：把它用到更复杂的零件上，也就是我们说的直接采购——那一块我们也在做。
埃琳娜：直接采购是什么？
弗拉德：基本上，我刚才描述的那些，主要目标都是自动化。你可以完全自主地跑完这个过程，而且过程中还能不断挖出更多节约。所以我们是这样看这件事的：这件事的「要完成的工作」到底长什么样？他们在做哪些一天做一千次、其实希望一天做零次的事。我们已经在用完全自主的智能体跑了。但也有一些机会是反过来的：有哪些事他们一天做零次，但如果一家企业一天做一千次，损益表上会有疯狂的影响？那就是在他们从来没谈过的支出上做自主谈判。这在间接采购那一侧，比如 MRO 备件、建厂，还有我们刚才那个螺栓的例子。但也包括笔记本电脑和铅笔、营销服务、要搭这间播客录音棚的人——这些都是间接的。然后我们有直接采购那一块：你造一架飞机的时候，那些你真正需要用来造飞机、造无人机、造机器人的供应商。而在那里，我们说的不是 5 万家供应商，说的是一百家、最多两千家供应商。而那些是战略上极其重要的。你可能在一家供应商身上就有 10 亿美元的支出。所以你不会让智能体自己去谈。你要谈的是一场跑三个月、准备得极其充分的谈判——团队里的工程师在分析：铝的指数是多少？油的指数是多少？价格怎么变的？你要真正吃透所有那些图纸，检查这个零件的质量。而这才是有意思的地方，才是部署智能体真正令人兴奋的地方。
埃琳娜：对。像这种事情，大概你会让专家工程师和其他采购的人更像「前场」，而智能体更像「后场」。是这个意思吗？还是说智能体真的坐在桌子对面跟你握手，由机器人而不是人来谈判？所以，它更多是后场，还是仍然在前场？
弗拉德：它显然是更偏后场的，因为……需要这些复杂、几百万美元级的谈判，而这又是一个漂亮的例子：90% 的工作是准备。最后你在系统记录里看到的结果是：本来要付 10 亿，我付了 9 亿。但那是三个月的准备，还有十个人全职在做。而这些显然发生在后场。其实我们有些用例也做实时协助。想象一下：假设我们现在有一场谈判，我做了完美的准备，就像我们手头这些笔记一样。想象在谈判过程中，我的屏幕上会实时弹出洞察：比如有人告诉我，油的指数涨了 10%——它涨了 10%，所以我们应该把价格提 10%。而我会立刻弹出一条提示：这是对的，油涨了 10%，但这个产品里的油只占 30%，所以你不该提 10%，也许只该提 4%。所以在真实场景里也有很有意思的用例。
埃琳娜：对。我们知道像 Harvey 和 Dakagon 这样的公司现在都在真正做微调。你们用的是什么样的底层模型？你们怎么处理微调或者「套壳」这类事情？
弗拉德：好。我们相信——我们用的是各家供应商的多个模型，而且我们确实把它看成一种商品：它们在通用的商业用途上已经很好，读文件、生成 PDF、生成 Excel，所有这些。但我们也相信，在某些用例里，把基础模型和一层壳结合起来就能走得很远，也许能覆盖「要完成的工作」的 100%。但也有一些用例，你可以有最好的基础模型、最好的壳——不管那意味着什么——但你仍然只能到 80%。一个很好的例子是成本工程师在做的事：他们分析图纸，然后判断这个零件实际上应该值多少钱，所以这叫 should-cost 建模。这里肯定有机会，而且我们已经在想、并且已经开始对模型做微调，好把它带到 100%。另一个例子是报价基准：你手上有一份报价，在理想的世界里你把它拖到某个地方一放，就能得到那个「对的价格」。但这些信息并不是公开的。它们全都是私有数据，来自某一家企业、或者跨若干家企业，所以通用模型没法拿它们来训练。所以我们在想的是：也许不只是训练一个 LLM。我们现在看到像 Jev 这样的模型冒出来，你用文本数据去训练它，但输出的是一个结论、或者一个「对的价格」。而这件事你没法用壳来做：因为如果你给我一份 BCG 的报价和一份麦肯锡的报价，他们可能干的是完全一样的活，价格却可能差十倍，而我没有办法判断哪个更好。但如果你把它给一位采购经理，他一开始就会有个手感——「这个报价说得通」。再举个例子，内容创作也是：我不知道该付多少钱请人做一条视频，但背后是有手感的。你去问另一位视频创作者怎么做，可你要他们把规则写下来，他们写不出来，因为那只是手感和直觉。所以我们看到大量机会其实在这里：训练一个智能体，但也许不是一个经典的大模型，而是更像 Jev 这类模型现在在做的事情——面向结论。所以我们有报价基准和应该成本这两块。
埃琳娜：西玛，我们前面聊了一点实验室怎么往行业专属的工作上走、或者跟大厂合作来做这件事。当你去想一家耐久的垂直 AI 公司长什么样，你会看哪些特质？
西玛：一个是我们说的那件事：把端到端的工作握在手里，把这份数据资产攒起来，然后能做到以前没做到过的事。很多情况下——我想，当大家谈护城河谈得很多的时候——要去预测你未来的护城河，真的非常非常难。如果你回头看所有最好的生意在早期阶段，它们当时想的其实是：「好，我在赢得客户的信任，我卖给他们更多东西，这里有大量机会。」而不是：「好，我要做完这六步、到第七步，我就有护城河了。」所以我想我们谈了很多可防守性和耐久性。我认为其中一部分就是你把客户锁住了：依赖变多，他们觉得这件事有价值，而你做的活更多了。在这里就非常具体：老的 CRM 公司是所有交易的流水账，新的销售 AI 智能体其实接手了销售准备流程和触达流程的很大一部分——接住进来的线索，做一大堆活。客户整体上依赖那个产品，而这是摸到护城河的一个非常重要的信号。我们谈的黏性、网络效应等等这一切，某种程度上都是那个最初的客户使用、以及产品价值的产物。
埃琳娜：对。弗拉德，你有没有跟客户或者潜在客户聊过——他们问你：「我为什么要买你的产品？我为什么不干脆接一个模型自己做完？或者用我现有的那套系统记录再加一个模型？」你会跟他们说什么？你怎么说服他们用 Lio？
弗拉德：会，百分之百。这是个非常公平的问题。即使你看 Lio 内部：三年前那个在采购圈里有点像病毒一样传开的第一个用例，就是把一份报价里的信息录进 SAP。技术上很朴素，但商业价值巨大。所以你有一个检索型智能体，把全部信息取出来，放进 SAP。这是我们的第一个产品。我们当时的工程团队很小，就是我们三个人、也许四个人把它做出来，然后去卖。但它今天已经变成一个案例题：如果你来应聘 Lio，我们会把它交给你，让你用 8 小时把它做出来。我想说的是：我们最早的一个用例，现在某个工程师 8 小时内就能做出来——因为今天做东西真的很容易。所以问题自然就来了：好，有人能在 8 小时内做出来。那采购部门的合作伙伴是不是也能在两个月里把一切都自己做出来？答案是：是的，你可以在 8 小时里做出来，你可以做，但你只能到 70% 的水平。而问题在于——70% 的性能、或者说准确率、或者随便你怎么衡量——这真的取决于具体任务——并不意味着 70% 的自动化，对吧？也就是说，你可以有 70% 的性能，但你仍然得把这 100% 的活做一遍，因为 70% 还不够多。所以所有人还是得去核对数据。所以你甚至可能制造出比以前更多的活。
西玛：有两件事要叠在弗拉德刚说的话上。第一，总体来说，基础模型、或者说 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的专用产品。所以这种对 AI 工具越来越熟悉、越来越适应、越来越兴奋，总体来说对整个市场是好事。第二件事是，我两三周前跟一家世界 500 强公司的管理层聊过，他们提到的一件事是：他们试过自己搭一个回款产品。这是一家很大的企业。他们在至少三四个月的工作之后发现——上下文不够，上下文的质量也不好。他们有很多录音、很多屏幕截图，试着把这一切拉进一个系统，但就是不够好。然后还有一个巨大的问题：我们现在有两套不同的 ERP，而且正准备再收购一家。谁来更新全部的字段映射？谁来测、来判断它到底灵不灵？而且我们一直在讲异常处理——你现在得把它映射到一套完全不同的系统、一种完全不同的做事方式上。我想他们很快就意识到，自己做这件事讲不通。所以我们一直听到这样的故事：大家说「好，我要自己做」，然后说「等等，这跟过去企业一直尝试的自己动手没什么不同」。但我认为，企业总体上会意识到：有些是它们的核心能力，另一些是搭内部工具，它们应该专注在前者。
埃琳娜：对，对，说得通。
弗拉德：这正是我那个意思：他们可以做到 80%，但最后那 20% 真的很要紧。而且它们只有在你要进生产环境时才要紧。所以你需要那层壳——你需要那些集成、记忆、工作流，有时候还需要垂直的数据来做这件事。而那 20% 可能占掉 80% 的力气。所以对那 500 强、那 150 家企业来说：你可以自己做，但那样的话，采购、以及一支 AI 采购智能体的队伍，就应当成为你的核心能力之一。你就得评估一下，把它当成自己的核心技能到底讲不讲得通。
埃琳娜：弗拉德，我很好奇：你有没有看到供应商开始用智能体、或者开始用 AI？以及当买方和卖方都完全 AI 化之后，会发生什么？
弗拉德：有，我们百分之百相信未来两侧都会有智能体。这太说得通了。但意外的是，我们看到的是——当我们看供应商那一侧，它其实等于卖方那一侧。我们看到卖方一直领先于采购方。但在这些世界 500 强企业的供应商身上，这其实不成立。他们也许在视频录制、在用 Granola 这类工具上比较先进，但并没有真的把智能体部署下去自动化那些工作。有意思的是：采购不性感，销售性感，采购不性感，但这是同一笔生意的两侧，采购是它的对侧。而现在的好处是：在这些工业公司、这些 500 强公司里，采购对供应商的权力更大。因为一个典型的用例——比如一家汽车供应商——你会规定你的上游该用什么、质量必须到什么水平、一份具体的询价单必须怎么回。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 的智能体推给他们，去帮他们自动化那些工作，把一笔交易的两端都握在手里？
西玛：埃琳娜，我记得我们今天早些时候聊过：你怎么能让两方在同一个平台上？那要怎么运作？我觉得它甚至可以延伸到法务工作上。这是两方极其对立的情形——你有两家律所，客户利益不同，但双方都受益于知道：这是最新的草稿，这是我们卡在哪些未决问题上，这些是已经谈成的。光是把这个跟踪起来，今天其实并不存在，全都是人造出来的。而这种协调工作，一个智能体是可以做的。
埃琳娜：嗯，嗯。想这件事真的很酷：你知道，两侧大概在同步演化，其中一侧也许走得快一点，就像弗拉德说的。但随着时间推移，人们可能就在同一个平台上，而且对所有人来说协调得好得多。
弗拉德：百分之百。因为就像我们一开始提到的：一个显而易见的问题会冒出来——可是我们也聊了很多谈判智能体。如果双方都有谈判智能体，而价格百分之百是一个零和的点、或者双方利益相反，那怎么办？但我们还聊到：价格是 5,000 件别的事的结果，而在那 5,000 件事上，双方的利益是一样的。卖方想要尽可能少的摩擦；买方想要极快的上市时间。回到造飞机、建数据中心：你希望这座数据中心尽可能快地建起来。你不希望仅仅因为分析供应商的全部回复要花太多时间，就让数据中心的落成晚六个月。你也希望这笔生意快点成交。所以在另外那 5,000 件事上，双方的激励完全一致。这就是为什么你可以——或者说 Lio 可以——在两侧都部署智能体，去自动化所有那些别的工作。这才是漂亮的地方。
埃琳娜：我觉得过去有这么一条逻辑：你不该把软件过度定制给某一个终端用户或者某一个终端客户。但我认为，大模型和 AI 带来的一点变化是，也许定制这件事会越来越可能做到，而不至于把一家公司拖慢太多。所以我很想知道，弗拉德或者西玛，你们是不是看到了这一点？以及这对软件的最终买家意味着什么？
西玛：我想总体原则是：现在有大量前置部署的工作在进行，部分原因是客户数据的状态、以及理解第 N 个客户，比理解第 N+1 个客户难得多。所以我们总体上还在部署的早期阶段，这也是为什么产品里仍然有很多人。顺便说一句，这件事对现存大厂来说更难做，因为它们连产品反馈循环的搭建方式都不是这样——它们有实现团队，但那更像是个附带的考虑，而不是反过来喂给产品那一侧的东西。AI 的美妙之处在于它会随时间学习。所以当我们谈学习回路、谈你有对的评测流程时，你可以随着时间做越来越复杂的活，其中一部分就是把部署本身自动化掉。所以我很好奇弗拉德是怎么做的，但我们很多公司都在以很快的速度做这件事：越来越多的定制由自动化方式处理，而客户能通过软件自己拧那些定制的旋钮和拉杆。以前是你把埃森哲请进来做 SAP 定制，现在变成：好，我有一支前置部署的团队帮我建、帮我把规格理出来，而最终它会完全由软件驱动。
弗拉德：对。这正是为什么你看 Lio 的组织结构，会发现 85% 的人是工程师。就算你看那些职位名里没有「工程师」的人，他们大多也是工程背景。原因是：我们显然不想做一家咨询公司，所以我们确保自己在间接采购、直接采购和财务这几块的整体上都有最好的智能体。但就像你说的，进到企业里确实有大量前置部署的工作要做，因为每家企业在流程上有不同的细微之处。而我们的做法是——正如你提到的——把产品做成尽量减少定制，同时又有大量自助服务。所以我们的前置部署工程师，工作有两头：一头是把产品做成自助式，另一头、也是内部的那头，是把自己的活自动化掉。他们的 KPI 就是：你看到同一件事重复发生很多次，那你字面上的工作就是把自己自动化掉；把自己自动化掉之后，你就去做下一个任务。我觉得这也有点像 Google 那边在做的方式。我百分之百同意你，这正是我们在建的东西、以及我们在做的方式。
埃琳娜：最近有一件非常大的「系统记录」事件——我们说的不是 Dreamforce，我们说的是 Lio 在纽约办的那场 Bots & Buyers 大会。我们想听听一线的故事，你在买方那边看到了什么？大家在兴奋什么？在期待什么？在向你要什么？你能不能讲讲那天、那场会上的几个故事？
弗拉德：这是第三次办了。这次在纽约，离我们办公室几个街区，来了一百多位采购负责人。我们办这种会的时候会确保只请够分量的人，比如 C 层、副总裁。有两点特别不一样，也是他们为什么这么惊讶。第一点：我们看过去二十六七年里采购是怎么运作的，冒出了很多工具——你能在 LinkedIn 上看到那些技术版图，大约有 500 个采购工具。可这也是问题所在：你跟做采购的人聊，会觉得非常痛苦。我敢挑战任何一个人，去找一个热爱做采购的人——没有。可以说，人们讨厌跟采购打交道；我们说的是提需求的人，说的是供应商，甚至连采购部门自己的人，也讨厌做采购这件事。那么，如果有一千个工具，到底发生了什么？原因就是：所有这些工具只是让流程更高效，仅此而已。它们从来没有改变那些人实际是怎么工作的。而看到这一点很疯狂：他们工作在邮件里、在 Microsoft Teams 里、在 Excel 表和 PPT 里——那是他们真正干活的主渠道，而那里是零 AI。第二点：我们给他们的是一个非常跨部门的采购视角。我们谈的不是「看我们开发的这个了不起的发票功能」，我们谈的更像：有人需要一样东西，最后它落到你桌上——而这件事可以横跨间接、直接、物流、财务。你能看到我们在这里是怎么做的。我们还把它更多地放进物理世界，因为 AI 智能体太抽象了。所以我们搭展台——我们的办公室里也有——在纽约也有，你可以走进去，亲身感受所有这些智能体。这是人们最喜欢的地方。下一场会大概会有 700 人。所以你可以想象这件事涨得多疯。
埃琳娜：「采购人玩疯了。」它会开到慕尼黑。
弗拉德：对，我们在欧洲的慕尼黑和纽约一直在办。
埃琳娜：酷。如果你在听、而且你做采购，你知道该去哪儿。也许我还想问一个问题：你觉得要让人对采购这件事兴奋起来，需要什么？是智能体吗？是人吗？是省下来的时间吗？还是别的什么？你提到采购是那种——我记得，人们不喜欢它，它是一个普遍被讨厌、NPS 很低的领域。我记得大概七八年前，在我看这个品类的时候跟一个人聊过，他刚从采购岗上下来，他说：「我讨厌谈这个产品。我用的是那套老旧的系统记录，我就在用 Coupa，我不想买别的，我不想谈它，还行吧。」那大概是我做过几百万次客户电话里最不满的一次。但我很好奇：你觉得到底是什么，真正让人们对这个品类兴奋起来？
弗拉德：是这样，这也是我为什么喜欢采购。一方面——我们当初从采购起步的原因，其实不是这门生意本身长什么样，而是人怎么反应。你去跟人聊，他们是真的挫败。也就是说，这是一个高度情绪化的话题——但老实说，这是 B2B，对吧？可它确实高度情绪化。这是好事。然后如果你再把它和「无聊、小众」结合起来，这又是个优势，因为我们很容易让这些人惊讶：他们上一次真正的革命大概是 20 年前，十年前也许换了个好看点的界面，除此之外什么都没发生。所以你有：无聊、高度情绪化，再加上极其惊人的商业影响。它感觉好像没必要，但我给你讲过一些例子——它显然对损益表有疯狂的影响，而且它对整个经济都有影响。我们说的是数据中心怎么建起来、飞机怎么造出来、汽车怎么造出来、无人机怎么造出来。所以有一套稳固的采购流程极其重要，不只是为了让东西被造出来，还因为——当你看竞争格局——毛利率要涨 1 个点，你得让收入多 10 个点、销售额多 10 个点。也就是说，如果你能省下 1%，它对损益表的作用相当于多做了 10% 的销售。所以它极其重要。这三件事合起来，就是一门万亿美元级的生意机会。这是我对采购的看法，不过在别的领域大概也有类似的：情绪化、无聊、又有疯狂的商业影响。
埃琳娜：好，弗拉德，非常谢谢你来做客。这一期太有意思了。
References
- 1The a16z Show 官方单集页
a16z.simplecast.com
- 2
- 3
- 4a16z 官方配图《The Agent Hierarchy》
d1lamhf6l6yk6d.cloudfront.net
- 5
- 6
- 7Lio 官网
lio.ai
- 8Lio 官方 About 页（创始团队）
lio.ai
- 9波音官方供应商页面
boeing.com
- 10a16z 作者页 · Seema Amble
a16z.com
- 11a16z 作者页 · Elena Burger
a16z.com
Comments