Eye on AI：Zip 的鲁朱尔·扎帕德说，采购是全球第二大企业支出，也是 AI 最不敢碰的——它直接改总账。350 种权限，人给到哪，agent 只走到哪。1
下面按官方 14 段章节整理要点，再附整集逐句中文翻译。凡是卡片上标了口径差的地方，正文都会说明差在哪。
要点整理
一、AI 智能体的下一步（00:00）
节目用一组自己剪的片段开场，四句话就把这一期的矛盾摆出来了：能自动化的是事务性工作；说服另一个人、把一件事发起、把项目跑起来，他不觉得有 AI 在做；企业高管普遍对 agent 有顾虑；而他的两个客户是 Anthropic 和 OpenAI——这两家完全有能力自己造这套东西。2
他给这门生意的定位是：每一家公司按定义都得采购。钱进来是收入；钱出去只有两个大头——工资和采购。科技公司通常工资第一、采购第二；制造业这类传统行业，几乎一定是采购第一，工资第二；再往后隔很长一段空档，才是差旅报销这些。1
二、Zip 是怎么来的（00:43）
他的履历他自己讲了一遍。2012 年底从大学退学做第一家公司 FlightCar：把机场停车位换成租车——你把车停在机场，平台把它租给别人，全程有保险。他说那是「共享经济」的年代，Uber、Lyft 刚刚开始融 A 轮 B 轮，人们还在一趟趟自己开车去机场。
这门生意他做了大约四年，最多时在 17 个以上机场有实体点位，有人洗车、有人去机场接人。他形容在那门生意里赚钱像挤柠檬——最后挤出来的那一滴才是你留下的；而且如果中途就把事搞砸了，你根本不用挤完整颗柠檬就知道结局。2016 年，他们把资产卖给了奔驰。「那不是我们当初想要的结果」，他说，但从那件事里他学到的是：再也不要做运营这么重的生意，下一家要做 B2B SaaS。
因为退学、又没在任何地方正经上过班，他想先去一家真的科技公司看看——于是去了 Airbnb 做产品经理。他在那里认识了联合创始人卢·程（Lu Cheng，Zip 现任 CTO），也是在那里第一次亲身走完采购流程，熟悉了痛点、相关方和整件事的复杂度。之后他去 YC 做访问合伙人，答应待满两期。再之后两人决定全职出来，但在疫情中间又花了四五个月才想清楚要做什么——「因为我们那时候其实还没有这个点子」。Zip 于 2020 年 8 月前后成立。234
三、用 AI 自动化采购（03:55）
主持人提到他读到的数字：累计处理超过 1 万亿美元支出。嘉宾纠正得更精确：1.2 万亿美元——是所有客户在 Zip 里走完审批的支出总和。这个数不是营收，是过账。2
他讲了一句公司的原始设定：从一开始，Zip 要做的就是把采购所包含的那部分工作编排起来——先让你能看见这项工作，然后才有可能替你把它做掉。而这项工作可以拆：大约 80% 是相对离散、直白的任务，本质上是搬运。
他给的例子都很小。和新供应商做生意，要处理 W-9 或 W-8，确认合规、且不超过三年没过期；组织里有人要买新的 AI 或软件产品，IT 迟早要读一份 SOC 2 报告——要么盖章，要么说「等等，得再看看」。这两种结果都是同一个离散动作：读一份东西，下一个判断。
一年多以前那一版 agent，是在工作流里插很多小 agent，各干一件这样的事。他承认那样的问题：这些是一次性的 agent。核 SOC 2 的 agent 给一组提示、出一个结果，然后结束——但这类事大多要来回，要跟进、要等对方回一句、要再问一次。
几个月前发布的超级智能体换了切法：不按任务分，按角色分。法务那个能自主跑完整个改合同的流程：用 MCP 连到你的邮箱，代你给供应商或对方律师发信，处理一轮修改，等他们回来。他把这个差别说成一句话——AI 第一次扛的是整段工作，而不是其中一个零件。27
官方发布时给的是五个角色：采购、合同、应付、配置、请求。采购那个解卡住的请求、管长尾谈判、按已批政策做重复跟进；合同那个按公司剧本改合同、标出偏离标准条款的地方、高风险推给法务；应付那个给发票分类、编码、匹配、按已有规则路由；配置那个找流程瓶颈、起草配置改进交管理员复核；请求那个引导员工把需求提对、导向正确的购买渠道。7
四、AI 安全与治理（09:02）
主持人的铺垫是：他最近在跟企业高管聊天，感觉人人都在怕 agent（原话里提到「从沙箱里跑出来的失控智能体群」）。他的判断是，这在某种程度上对 Zip 有利——一家公司如果不真正懂安全与治理，自己造 agent 到处跑更危险。
嘉宾的回答从一句分层开始：不是所有用途承担同样的风险。营销 agent 写错一封邮件、语气不对，对方可能会抱怨，但也就抱怨——那正是 AI 可以放开一点的用途。采购不一样：它连着 ERP，而 ERP 在喂你的损益表。一份损益表不能「大体正确」，也不能差一分钱。
于是他把重点放在那个「框」上，并给了四个具体装置：
- 全量可审计。agent 做了什么、调用了什么上下文、引用的是哪些来源、什么时候发生的、是谁配置了这个能力、把这条权限给了它——哪怕配置是三个月前做的，这些信息都得待在一个地方。
- 审计包。内部审计、外部审计可以直接下载、自己验证。
- 阈值可配。银行类客户会说「在这组风险参数下，我永远要人复核、人签字」；部分科技客户会说「这组参数让它自动跑、让它拍板，那组参数还是要人」。这套分档在系统里是可配的。
- 写回最紧。Zip 连到客户的 SAP 或 Oracle，会真的改那边的记录，所以每次集成推送他都强烈建议留一个人在环里复核；他补了一句实话：企业里几乎每个客户都主动要这一层。
他还提到多数客户把 Zip 放进了 SOX（萨班斯法案）范围，而在这件事上没有容错空间——要给 AI 更多绳子，先得有那套框。2
五、与 OpenAI、Anthropic 合作（13:11）
主持人把这件事挑明：这两家客户完全有能力自己造这套系统，所以它们用 Zip 本身就是一份很硬的背书；顺便问了一句，Zip 从它们的治理研究里受益多少。
嘉宾先给了一个具体到能想象的情形：一家客户正准备上市，把保密信息给了外部咨询公司，那份东西可能躺在一张发票、一份合同或者一份工作说明里。这时另一个同事问 AI 一个恰好碰到这份数据的问题——系统不能让 AI 拿着这份数据去回答他，因为他没权限知道这件事，agent 也不能替他绕过去。
这就接到350 种权限：这些权限同时适用于人和 agent，规则是 agent 替谁办事，就只能在那个人的权限范围里活动；人给出边界，agent 活在边界之内。他说这件事做出来难，把它测对、验对更难，因为下行风险太大。2
他随后给了正面回答：他们从这两家公司最近的治理思路上受益很大。2
六、怎么选对模型（15:33）
他的答案是「按用途测」，而且不是一次选型：
- 每天拿不同模型跑不同用途；
- 同一件事跑两遍——带 Zip 的上下文，和不带，看效能差多少；
- 发票看行级和表头级，合同看到条款级；
- 在后台改路由，按用途和复杂度分流。
他举的极端例子是一张 1,200 页的发票：有些客户从特定供应商那里买极大量的单项货物，整张发票可能都不是英文。这种用途和一页纸的简单发票不是同一件事，路由不同、测法也不同。
主持人问：你们会随着模型变强不断换新的吗？他说 100% 会，但接着给了一个反直觉的判断——处理简单发票，甚至复杂一点的发票，不需要最新的模型：「不需要 Fable，甚至不需要 Opus。」他说这件事上真正决定效果的是上下文，不是模型档次；而上下文怎么管，直接落到每张发票的单价上。
主持人再追问上下文窗口变大带来的算力二次方增长，以及业界怎么应对。他答得干脆：「我不觉得这在我们这儿成了问题。不过说实话，这块我自己不是专家。」然后补了一句：也许我漏掉了什么。2
七、造一家 AI 原生公司（19:58）
主持人的问题是：Coupa、SAP、Ariba 这类长在遗留系统上的公司，要做成同样的事得改什么？
他的第一答案不是技术，是人：产品和工程与设计岗只在湾区、纽约、多伦多招，而且多数工程师来自更年轻的科技公司，很多是消费者产品的背景。理由是「我们是在为最终用户、为提需求的那个人解题」，他的体验好了，采购、法务、IT 这些横向相关方都会好。他说这种 DNA 是最难改的东西，所以放在第一位。
第二件事是欠账：这些老公司有二十到五十年的技术债，用途面铺得极宽。他没有说自己不宽——Zip 也服务很多行业——他说的是克制：不给自己造定制分支。一旦为某个客户做定制，那条分支就升不了级，最后长成一棵树；「把那样一棵树改造成真正用上 AI 的东西，几乎是不可能完成的任务」。2
八、超级智能体能做什么（23:35）
这一段是产品演示的口述版。
一个从请求到定标的 RFP：有人提了买某样东西的请求，寻源那个角色先在供应商主数据里挑几家已经在合作的，再补一两家没合作过但合适的；它可以上网查谁最适合做这件事，发出去，等回音，把回来的报价算清楚，按成本和价值给出判断，最后给出供应商选择。他补了一句：供应商主数据就是 ERP 里那份「谁是我们供应商」的真值表。
一个从推进到收尾的合同：走到法务这一步，它拿着客户完整的法务剧本和这份主服务协议，做标注、做全套修改，发邮件给供应商，等对方律师回一轮再处理；如果某几轮之后还有一些点没谈拢，它会举手说：我需要一个真人律师去跟他们通个电话。
控制权在人手里：产品里的默认行为是问你一句「这封邮件你确认吗，要我发吗」，你可以说「下次别问了，直接自动跑」。他说的例外只有一个方向：任何往源系统（尤其 ERP）推数据的动作，都强烈建议留人复核。2
这一段里他还讲清楚了两件容易被忽略的事：超级智能体自带默认配置与默认提示（法务剧本有默认版、寻源／RFX 有默认版），客户可以自己改，也可以让 Zip 的前置工程师帮忙配；而公司越大，越会把内部按品类写好的剧本喂进来——他举了一家大型快消公司的例子：光糖的采购就有专门的品类经理，可可又是另一个。
九、AI 出错，谁负责（26:32）
主持人的问题很直接：agent 谈下一个坏条款、批了一笔不该批的钱，谁承担？客户、Zip，还是模型公司？有可能是模型层面的幻觉。
他的回答先讲了一个自己的类比：如果他现在用 Claude 发一封邮件、里面一堆错、又是他给了它「直接去发」的权限——那责任在他。他没法怪 Claude，它只是做了他允许它做的事。他把这套逻辑原样搬到企业里：责任落在那个决定让 agent 去做、并且给了它权限的人身上。他也承认这套框架还在演化，也许以后会变。
顺着这个话题，主持人问了一个很实际的边界问题：那些「中间地带」的采购——他给的分段是：
- 大单：5,000 万美元的 AWS 合同，太贵了，一定有人亲自谈；
- 中间：25 万到 100 万美元的采购，工作量太大，没人愿意走完整流程；
- 长尾：更小的那些，基本没人碰。
他的判断是长尾不是「不值得管」，是「从来没人管过」；中间那段也不是「不值得省钱」，是「太费事」。所以超级智能体在中间这段的价值不是比人会谈，而是它愿意去谈。他补了一句：这些钱不是被反复拿出来比过价的，公司在为同样的东西多付钱。2
主持人还问了一个更前瞻的问题：如果对方也是 AI 在读你的 RFP，两边都是 AI，为什么还要造一份「人能读的文件」？他的回答是「那绝对是我们正在走向的世界」，并说自己公司一年也要回应几百份 RFP，当然在用 AI。
十、真实世界的成本节省（31:49）
这一段讲 UCI Health。
嘉宾说他们是一家客户，用谈判类的 agent 跑了一个 IT 基建专项，累计做出 2,000 万美元以上的成本避免与价值回收。他解释机制：这样一家机构对不同谈判类型都有自己的剧本——风险的、法务的、真正谈钱的——有了 agent 之后，他们能覆盖更多支出，而中间那段的 5%、10%、20%、2% 叠起来会很快。
官方新闻稿里这句挂在 UCI Health 首席采购与供应链官 Susanna Rustad 名下：「在一个大型 IT 基建项目里，它贡献了超过 2,000 万美元的成本避免与价值回收。」主持人追问这 2,000 万是不是累计数，嘉宾确认是——一段时间内算出来的，不是一份合同省下来的。27
十一、为什么用得更深才有 ROI（33:47）
主持人提到一份调查了 1,000 多位支出负责人的报告，问哪个发现最颠覆他的假设。
他的回答是：真正重要的是部署的深度。企业很容易说「我们当然在用 AI，我们在试点」，但数据显示，广泛部署 AI 的组织报出清晰 ROI 的比例是 39%，还在试点的是 6%（他说完自己补了一句「6 倍还是 6.5 倍」）。他的解释是：如果 AI 只是辅助人做一些基础任务，那个人大概还在做原来 95%、99% 的活，而你多造了一块要维护的表面。
这份报告的官方口径是这样的：Zip 的《2026 年支出中的 AI》调查了 1,050 位采购、财务、IT 和运营负责人，主要是千人以上企业；广泛部署者报出清晰 ROI 的比例是 39%，还在试点或探索的是 6.5%，约 6 倍；但只有 17% 的组织拿到了清晰的回报；员工规模 5 万人以上的组织最可能广泛部署（33%），也最不可能报出清晰 ROI（11%）；报告用「建造者」与「旁观者」来分这两组人。8
顺着「深度」，他讲了他们新的卖法：AI 支出自动化。Zip 先看客户过去 12 个月在系统里走过的审批——他举例说有客户是 85,000 次——从中挑出（他随口说的数字是）25 个能用配置好的超级智能体解决的用例，算一遍预期回报：周期缩短、更多请求被拿去比价、部分外包工作的人力省下。然后派一名前置工程师（FDE）驻场把这 25 个配出来。他强调 FDE 不写代码，只做提示、测试和流程。他的动机说成一句产品判断：产品里什么都能做，但企业里总有一段路自己走不完——这就是「最后一公里」。
顺带说清楚两个能独立核到的数字。Forrester 2026 年的 TEI 研究（Zip 委托）给出的结果是 386% ROI、580 万美元净现值，三年 740 万美元收益对 150 万美元成本，样本是四家营收 100 亿到 450 亿美元的企业，复合模型是一家 300 亿美元营收、20 亿美元在管支出的公司。9 而在 2026 年的 Gartner 源到付套件魔力象限里，Zip 第一次进入即被列为远见者（Visionary），官方公告称它是该象限里唯一的代理式采购编排平台，也是史上最年轻的入选公司。10
十二、AI 采购的未来（37:24）
主持人问渗透率：有没有对手，是在抢份额，还是一片空地；要多久每家企业都会用上这种东西。
嘉宾先把品类讲清楚：Zip 开创的「AI 采购编排」是接住请求、用 AI 把请求路由到预算、风险、法务、IT 这些横向团队和系统里去，再尽量把工作自动做掉；这一段叫接请求到采购（intake-to-procure）。另一半是采购到付款（procure-to-pay）——请购单、层层审批、变成订单、发票进来、三单匹配、付钱给供应商，他说这是存在了五十年的老品类。他的说法是：同时做这两段的公司，全世界只有一家。
他也给了市场为什么难被吃掉的解释：这门生意没有容错空间。他举巴西的税务要求——很多客户在巴西有业务，税必须算对；算多了客户就是多付钱，算少了就是监管问题。所以深度不是功能列表，是一个国家一个国家的细节。
至于天花板，他说这件事真横向：药企的科学家在 Zip 里买他们正在测试和合成的化学品；实验室的研究员买日常要用的东西；一家做巧克力棒的公司，把巧克力棒里的每一样原料都从这儿走。他的经济学解释是：经济越发展、分工越细，公司就越会去买别人做的东西，只留下自己那点看家本事——所以采购这件事只会变大。
十三、AI 智能体会怎么改造经济（41:17）
主持人给了两个判断，请他表态。
第一个是：这些看不见的 agent 会把日常事务都接过去，全球经济最终会架在这张网上。他说他订阅这个判断，而且大部分采购工作确实是事务性的——重要，但事务性。但他马上补了反向条件：给 AI 更多余地，治理框架、权限、可审计性、控制只会更重要；多数客户把 Zip 放进 SOX 范围，而这件上没有容错空间。他期待的落点是：人能去做更有回报、更有趣、更让人满足的工作。
第二个是：AI 让定价变得极其有效率，而很多人正好活在那份低效里——因为认识买家、因为熟，所以没人往死里压价；这些「收租的人」会失去优势。他的回答是「我同意，而且我认为这对世界是好事」：省下来的钱会回到研发，产品更好，然后雇更多别的人——历史上这类宏观变化大体如此。他还补了一个必须记住的前提：这一切成立的条件是，省下来的钱真的被再投资。
他给这一期留了一句最像自白的话：他读到过一种说法，最后被替代的岗位会是企业销售，而他同意——「我们能自动化很多事务性的活，但让一个人被另一个人说服去做一件事、并且自己发起、把项目跑起来，我不觉得有哪个 AI 在做这个」。主持人接了一句：那要等超级智能出现，等它能说服我们任何一个人做任何事。2
十四、Zip 的下一步（47:10）
下一批很具体：第一批五个角色已经排好，下一批打算再排十个，然后一层层叠上去。
另一件事是加人：他承认前置工程师这块之前落后了，现在在补——因为把客户的流程端到端改造掉，靠产品自己做不到。
最后他给了一个时间感：这轮变化才四年，十年后回看，会发生的事多得多。2
口径与核对
官方可查的：1.2 万亿美元累计审批支出（节目与官方口径一致）；Zip 2020 年 8 月成立、2024 年 10 月 D 轮投后 22 亿美元；超级智能体与 Zip MCP 于 2026 年 6 月 2 日发布、首批五个角色；UCI Health 单项目 2,000 万美元以上成本避免（官方引其 CPO 原话）；《2026 年支出中的 AI》1,050 位受访者、39% 对 6.5%、只有 17% 拿到清晰回报、5 万人以上企业 33% 部署最广而 11% 回报最低；Forrester TEI 386% ROI；Gartner 2026 源到付套件象限远见者；官方客户名单含 Anthropic、AMD、Discover、Dollar Tree、OpenAI、T-Mobile。78
只有节目里说过的：85,000 次审批里挑 25 个用例；1,200 页的发票；17 个机场；巴西税务那个例子；「前 1,000 大客户里的具体覆盖率」这类细节。这些没有公开材料可以独立核到，正文按「节目中的说法」标注。2
三处口径差：
- ROI 那一组数，节目里说试点组是 6%，官方报告写的是 6.5%。两个数讲的是同一件事。
- 主持人在治理那一段说「300 多种权限」，嘉宾自己前后说的是 350 种。本笔记采用 350。
- 嘉宾把 Gartner 那份象限说成「采购到付款（procure-to-pay）那个品类」，实际 2026 年那份叫 Source-to-Pay Suites（源到付套件），而且他说的「第一次进入」与官方公告的口径一致：2026 年 1 月 23 日公布，首次入选即远见者。
一处身份说明：节目中他多次提到联合创始人「Lou」，指的是 Zip 的联合创始人兼 CTO 卢·程（Lu Cheng）；官方发布稿里引用的也是他。7
一处时间说法：他说「才四年」指的是这一轮 AI 变化，说「六年」指的是公司成立至今。两个数字都对，起点不同。
逐句全文翻译
以下是本期整集对话的逐句中文翻译，只保留中文译文，不保留英文原文。说话人标注为「片头」（节目开场的原声剪辑）、「克雷格」（主持人克雷格·S·史密斯）、「鲁朱尔」（嘉宾鲁朱尔·扎帕德）与「广告」（中段赞助商口播）。按官方给出的 14 段章节顺序，不压缩、不摘要、不删减。
译文依据本期官方视频发布的完整英文字幕；字幕不带说话人标签，归属按谁在提问、谁在讲自己的公司判定。
一、AI 智能体的下一步
片头：我们能自动化很多事务性的活。但让一个人被另一个人说服去做一件事、并且从那件事里长出主动性、再把一个项目跑起来——我不觉得有哪个 AI 在做这个。
片头：我听到很多顾虑。现在大家多少都有点怕智能体。而你的两个客户是 Anthropic 和 OpenAI，这两家完全有能力自己造这套东西。
片头：企业很容易说，「我们当然在用 AI。」但现实是，组织必须把 AI 更深入地部署到自己的流程里，而不是只说自己「在试点 AI」之类的。我记得数字是 39% 的 ROI 对 6% 的 ROI。
片头：你会去想整个经济会怎么变吗？还有，你的背景是什么？你是怎么走到 Zip 的？也讲讲 Zip 的一点背景，它已经存在一段时间了。
二、Zip 是怎么来的
鲁朱尔：当然。我先讲一下我自己的简短背景，然后把它接到 Zip 上。我 2013 年从大学退学——或者说是 2012 年底——去做我的第一家公司。完全不同的生意，叫 FlightCar。我们给你的机场停车是免费的，方式是把你的车租给别人。全程有保险。如果你还记得，那会儿叫「共享经济」，那是 12、13、14 年前的事，Uber、Lyft 和所有共享出行公司都才刚刚起步，正在融 A 轮、B 轮那种。所以那时候人们——现在很难相信——还在一趟趟自己开车去机场。我们就是那样开始的，2012 年底的某个时候。
鲁朱尔：这家公司我做了大约四年。那是一段非常、非常有挑战的运营经历。我把在那门生意里赚钱比作挤柠檬：从柠檬里挤出来的最后一滴，才是你留下的钱。当然，如果你中途就搞砸了，你根本不用把剩下的汁挤完，就知道结局会怎么样。
鲁朱尔：我们在机场有实体点位，超过 17 个不同的机场，还有一堆人跑来跑去洗车、去机场接人，那门生意里各种糟糕的事都会发生——车被偷、车被拿去做坏事，什么都有。最后我们在 2016 年把资产卖给了奔驰。那不是我们当初出发时想要的结果，但我从中学到的是：我再也不想做一个运营这么重的生意了。
鲁朱尔：我接下来的那家公司，一定是一家 B2B SaaS 公司。那还是在 AI 之前很久的事，2016 年，远在那之前。这就是我当时得到的一点教训。然后因为我是退学的，又没在任何地方正经上过班，我想去一家真正的科技公司工作。所以我去了 Airbnb，做了几年，也是在那里认识了我的联合创始人卢。而且我在那里必须走完采购流程，所以对采购的痛点、对所有的相关方、对这件事的复杂度，都更熟悉了。
鲁朱尔：之后我去了 YC 做访问合伙人，我答应要待满两期。然后卢和我都决定要离开、全职做这家公司。但我们又花了四五个月，在疫情中间，才想清楚到底要做什么，因为那时候我们其实还没有这个点子。之后我们才把今天这家公司做起来，大概是 2020 年 8 月。所以已经……
三、用 AI 自动化采购
克雷格：哇。六年。
鲁朱尔：差不多。
克雷格：哇。而且我记得读到过，这段时间里你们处理了超过 1 万亿美元的累计支出。
鲁朱尔：是，我想大概是 1.2 万亿。对，就是所有客户在 Zip 里走完、并被批准的支出，加起来是这个数，到今天为止。
鲁朱尔：我们做 Zip 的时候，打法一直就是：先把采购所包含的那些工作编排起来，这样我们才能看懂这些工作，然后才有可能、最终帮你把这些工作做掉。这就是一路走到今天、走到超级智能体的路。
鲁朱尔：如果你去想采购流程到底由什么构成，大概可以把其中 80% 拆成一串相对离散、直白的任务。里面就是有大量的事务性工作。我举几个例子。比如说，如果你在跟一家新供应商做生意，你大概要处理一份 W-9 或 W-8 这类文件，还得确认它合规、而且不超过三年没过期。又比如，如果组织里有人要买一个新的 AI 产品、新的软件产品，最终 IT 里总得有个人去看一份 SOC 2 报告，要么盖个章放行，要么说：「等一下，我觉得这个东西我们得再看看。」不管哪种结果，那都是一个相对离散、可以用智能体去自动化的任务。
鲁朱尔：所以我们在 Zip 里最早那一版智能体，是一年多以前，做法是在工作流里插很多个小的、离散的智能体，让它们去做这些离散的事。但我们后来意识到，那些智能体是一次性的。比如核 SOC 2 的那个智能体，我们给它一组提示，它产出一个结果，然后人就被叫来看一眼、批准或者不批准，或者你可以让它自己跑。但很多东西是要跟进的，很多这类事需要更多来回。
鲁朱尔：所以几个月前我们发布的超级智能体，优先级放在了真正离散的「角色」上。比如 Zip 里的法务超级智能体，可以自主处理整个端到端的合同修改流程。它通过 MCP 连到你的邮箱，可以代表你给供应商、或者给对方的法律顾问发邮件，处理一轮修改，等他们回过来，如此往复。这样你就真的能把很多人从这项工作中拿出去，因为 AI ——至少在这个流程里是第一次——扛的是更多端到端的工作，而不是工作里的某个子部件。这是我们一直很兴奋的东西。
鲁朱尔：但你刚才提到了采购，克雷格。你说得对。我一直这么描述它：世界上每一家企业，按定义都得采购东西。进来的钱应该是你的收入；而往外的钱，最大的两个桶永远是工资和采购。在某些公司，比如科技公司，多半工资排第一、采购排第二；你看更传统的行业，制造业等等，几乎一定是采购排第一、工资排第二。然后再隔很长、很长、很长一段空档，才是差旅报销这些。所以对所有企业来说，这是一块非常非常大的支出。
广告：你好。世界正在变得越来越复杂。你的团队每部署一个新的云工作负载或 AI 智能体，就会有另一个身份拿到对你关键系统的永久访问权。你知道吗，去年十家机构里有九家遭遇过身份泄露，因为对手是拿着有效凭证登进去的，不是攻进去的。非人类身份的数量是人类身份的一百零九倍，在云环境里造出了一大片无人管理的攻击面。传统工具是为管理人类员工而造的，于是现代的机器身份与 AI 访问基本处于无人管理的状态。这正是 Palo Alto Networks 的 IDIRA 要解决的地方：人、机器、AI，一个身份平台通通管住。96% 的人类用户，手上都带着他们并不需要的多余权限。IDIRA 用动态访问取代永久权限，让你能在不拖慢业务的前提下锁死每一个身份。IDIRA 按需授予访问，任务一完成就立刻收回，从而去掉高风险的永久权限。有了 IDIRA，你得到的是统一管控：把各自为政的 IAM（身份与访问管理）、PAM（特权访问管理）和治理工具，换成横跨人、机器与 AI 身份的单一控制平面。用 Palo Alto Networks 的 IDIRA 保护你组织里的每一个身份。了解更多请访问 paloaltonetworks.com/idira。
克雷格：我说这是个有意思的时刻，指的是那些从沙箱里跑出来的失控智能体群之类的事。而我跟企业的管理层聊天时，听到很多顾虑——现在大家多少都有点怕智能体。我反倒觉得，这在某种程度上有助于你们，因为一家公司如果自己造智能体到处跑，而它又不是真的懂安全和治理，那危险得多。而你们，想必在这上面花了很多时间把边角都焊死。你能不能谈谈这个，谈谈安全和治理？
四、AI 安全与治理
鲁朱尔：当然，绝对可以。首先你说得完全对：不是所有用途在组织里承担的风险都一样。所有……当然，通用的那些用途。而我们发现，采购是风险最高、下行最大的领域之一。
鲁朱尔：比如，如果你用一个智能体给营销写一封邮件、发出去，而它写错了、说错了什么，对方可能会抱怨，但也就那样，没关系。那其实正是 AI 可以稍微放手去跑的用途类型。但一到采购，以及任何下游会碰到你 ERP 里总账的事——那正是喂你损益表的东西——你就到了一个对「差不多对」毫无胃口的世界。它必须真的正确。
鲁朱尔：因为你是在把这家公司置于风险之中。举个明显的理由：你的损益表不能是「大体正确」，甚至不能差一分钱。那上面绝对没有容错空间。
鲁朱尔：所以我们花了非常多时间去建构这样一个被治理的框架，让智能体能生活在里面、在里面运作，我们的超级智能体能力也能活在里面。我举几个例子。Zip 里最关键的几件事之一，是——不用多说——一切都要能被完整审计：智能体决定做什么、做了什么、它调用了什么上下文、它从哪里拿的，它当然要引用来源；你能看到某件事是什么时候发生的；你也能看到，比如我前面举的 SOC 2 那个例子——它被允许说「这家供应商按我们的政策有足够的 SOC 2」——那是谁配置的这个能力、谁给了这条权限。哪怕是三个月前做的，这些信息都在一个地方，而且我们把它做得很容易导出，做成审计包，让内部审计和外部审计都能下载、验证。这是核心的一块。
鲁朱尔：但我们也发现，同样重要的是能说：「在这些风险参数下，我永远要人复核、人签字。」比如我们服务很多银行，他们就是这样；也有一些科技客户更愿意说：「不，在这些参数下，我其实让它自动跑，我让它处理情况、自己拍板；但在那些参数下，我还是要人。」系统里有这个层级的治理。
鲁朱尔：这一点非常关键，因为像 Zip 这样的系统会连到你的 SAP 或 Oracle 环境，而且真的往里推数据。我们会在那个系统里改记录。所以你必须非常确定，因为那是整个组织的真值来源。这里面光治理就有很多很多必须做进去的东西。这就是为什么我们花了这么多时间去真正建这个框架，好让 AI 能真的从人手上接走更多工作。
五、与 OpenAI、Anthropic 合作
克雷格：对。而且我读到，你的两个客户是 Anthropic 和 OpenAI——他们当然有能力自己造这个。所以他们用你们，是相当大的背书。顺便说，就这一点，你们从他们的治理研究里受益多少？因为用在他们自己的系统上，肯定有对话吧。
鲁朱尔：有的，绝对有对话。我举一个我们见过的例子，它处理起来其实非常复杂。假设有一个用户——我们的客户在 Zip 里有上市前的保密数据。比如你是我们的客户，你准备上市，你把这类信息分享给了你合作的咨询公司，因为你需要分享这类信息。那份信息可能躺在一张发票上、一份合同里、或者一份工作说明里，因为那是上市准备的一条工作流。
鲁朱尔：那么这份文档几乎肯定会在 Zip 里的某个地方，可能在某一个时点走过一个保密的申请与审批流程。现在，如果我作为用户去问：「嘿，我有个问题。」而这个问题恰好碰到那份数据——你当然不希望 AI 拿这份别的数据来回答我问的另一个问题；而我不该看到那个来源，我不该知道那条信息，因为我本来就没有权限访问它，对吧？
鲁朱尔：所以在 Zip 里，我们建了 350 种不同类型的权限，这些权限同时适用于人和智能体。运作方式是：如果我这个人——如果一个智能体是代表我行动的，那这个智能体只能看到我能看到的东西。人的权限提供了边界，智能体只能待在这些权限的子集里。这件事，一是做起来相当难，二是同样难、甚至更难的是把它测对、验对，确保它真的在正确工作。这里面的下行风险太大了。
鲁朱尔：所以我们绝对从这两家公司、从它们最近关于治理的思考里受益很多。而且，企业里并不是每个领域都生来平等。对。
六、怎么选对模型
克雷格：那这一切是建在一两个模型上，还是……你们底下跑着多少个模型？是 Anthropic 和 OpenAI 的模型，还是也用别的专有模型或开源模型，在这个架构里？
鲁朱尔：可以想象，这是一个变化很快的领域，我会这么说。但我们是——我们会持续为不同的用途测试不同的模型。比如我们有客户在 Zip 里处理发票。给一张发票做编码，结果证明它和让 AI 给一份主服务协议出修改意见、或者让 AI 判断某个东西有没有预算（通过判断正确的预算代码、并验证那套逻辑），是完全不同的用途。
鲁朱尔：所以我们会看——我们基本上是持续在做这件事。我就说每天吧：我们每天真的在测不同的模型。我们在测 Zip 拥有的全部上下文。而且我们还会用带 Zip 上下文和不带上下文两种方式测，看效能是多少。我们按很多种不同的用途分别跟踪。比如发票，可能是行级编码，也可能是表头级；我们会同时跟踪表头级、行级；采购订单又是另一套；合同是条款级。我们一直在测这些。
鲁朱尔：而且我们绝对会在底层、在幕后做调整，根据用途和复杂度重新路由。比如我们可能有一个客户有一张 1,200 页的发票——这可能难以置信，但我们确实有客户从某类供应商那里买极大量的单项货物，而那张发票甚至可能不是英文的。那种用途和一页纸的简单发票非常不一样，所以连它也会被不同地路由、不同地测试。这就是我们做的事。是的，我们跟两家领先实验室的模型都合作。
克雷格：那模型变强的时候，你们会换新的进去吗？
鲁朱尔：100% 会。而且我们发现一件有意思的事：对某些用途，比如处理一张简单发票、甚至更复杂一点的发票，你其实不需要用最新的，你不需要 Fable，甚至不需要 Opus——好吧，不是所有这些事，但对其中一些事，比如发票——真正更重要的是上下文。所以我们也帮着管这一块，因为所有这些当然都有成本成分。
克雷格：对。说到上下文窗口——你说上下文的时候，你指的是放进上下文窗口里的东西，对吧？还是说只是让智能体理解它工作在什么语境里？
鲁朱尔：不，我觉得在这个情况下是前者。对，这是我们真正投入过的一个领域，因为这是一个高频的区域，尤其是发票。
克雷格：对。而且有很多关于算力需求随上下文窗口增长呈二次方扩张的讨论，也有很多研究在说怎么处理、怎么管理这件事。这对你们是个问题吗？我是说，如果你有一张 1,500 页的发票，很多模型把这么多东西放进上下文窗口会相当混乱。
鲁朱尔：我不觉得这在我们这儿成了问题。而且说实话，我自己也不是这里面某些部分的专家——这一点我跟你坦白。但就我看到的，我们现在的做法没成为问题。不过再说一次，也许我漏掉了什么。
七、造一家 AI 原生公司
克雷格：你说 AI 原生——那你们建这家公司的方式，和 Coupa、SAP、Ariba 这类在遗留系统上再造的公司相比，有什么不一样？
鲁朱尔：这是个好问题。我觉得有几个组成部分。第一，是你有什么样的人。说到底，我们这家公司就是我们所拥有的那群人。我们确保产品、工程和设计这些岗位，只在湾区、纽约和多伦多招。我们尽量招最好的工程师和设计师。我们大多数工程师——几乎所有人——其实来自所谓「遗留类」的背景，他们来自更当代的那种科技公司，很多人是消费者产品背景。因为我们一直说：我们是在为最终用户解题，为提需求的那个人解题。如果他的生活更轻松、他的体验被照顾到，采购会受益、法务会受益、IT 会受益、所有这些横向的相关方都会受益。所以有这种 DNA，我觉得也许是最难的东西，也是最难改变的东西。那是我们的第一要务。
鲁朱尔：但现实是，我们没有二三十、四五十年积累下来的技术债，也没有极其宽、极其散乱的用途面。我想这个行业里有些公司就是这样：你服务所有这些不同的行业——我们也服务——但你必须在约束用途上非常自律、非常勤勉，不给任何客户做定制、做特供。在旧世界里，一旦做了定制，它们就没法升级，你会有一大堆分叉出去的产品分支。那样一棵树，要改造成真正用上 AI 的东西，几乎是不可能完成的任务。幸好我们一点都没有这些。而且我觉得我们的文化是对的。它首先从人开始。
克雷格：你提到你们的系统处理 300 多种权限。这些权限是怎么定的？我是说，如果一家客户在接入，他们要去过一遍 300 多个开关吗？还是有某种自动化的方式？
鲁朱尔：这是个好问题。权限的运作方式是这样：在 Zip 里你可以创建不同类型的角色，可以把它们想成人设——管理员、申请人、法务复核人等等。我们自带一套推荐好的默认角色，已经预配好了，然后你可以点进一个角色看：这个权限开着，这个关着，这个只能查看，这个是读，这个是编辑，等等。这些默认值也是基于最佳实践，坦白说也是我们在成百上千家客户身上学到的、看到的。所以这些都是为客户配好的。
鲁朱尔：但我们发现，小一点的组织会说：「行，这些看起来没问题，我们就这么走。」有时候我们跟一家财富 50 强的公司合作，他们要把审计拉进来，会一个一个过一遍，因为这对他们太重要了，他们就是要这么做。我们当然两种做法都完全支持，但我们希望对人来说这件事是容易的、有默认值的；而如果他们选择把每一个都审一遍，他们绝对可以。权限就是这么运作的。
八、超级智能体能做什么
克雷格：对。那么，在没有人介入的情况下，超级智能体能端到端做多少？我猜这也是客户设定的，但有没有哪些事情是你们不允许智能体在没有人工干预的情况下去做的？
鲁朱尔：这是个很好的问题。一个超级智能体能在 Zip 里跑完一个端到端流程。我举个例子。如果有人提了一个买某某物品的请求，你可以让超级智能体在里面说：「好，我们知道你想要这个。我去找几家我们已经在合作的供应商，再找一两家我们没合作过、但会是不错供应商的。」然后跑一个端到端的 RFP 流程。
鲁朱尔：它会真的去找供应商——不管是找在你供应商主数据里的（那是你 ERP 里供应商的真值来源），它当然也可以上网搜，找出谁最适合帮你做这件事，联系他们，创建一个 RFP，把 RFP 发给他们，等结果回来，把结果算出来，做出判断，或者去问它认为基于成本与价值的正确决策是什么，然后给出一个供应商选择。这是一个例子。
鲁朱尔：另一个端到端流程的例子是，当事情推进到法务这一步，它可以说：「好，客户的完整法务剧本当然在我手上，我们有这份主服务协议，我现在去标注它、做一整套计算机生成的修改，然后发邮件回给供应商，让他们的法律顾问走他们那一轮再回来。」当然，在若干轮之后、某些点还没解决时，它会举起手说：「我觉得我需要一个真人律师去跟他们通个电话、聊一聊。」除此之外，它可以处理那样一个端到端流程。这就是一些例子。
鲁朱尔：这些流程其实是相当复杂、相当长的流程，它们本来就存在。我们做产品的时候是这样：首先，像我使用 Claude 或别的东西时，它会跟我确认一句：「这封邮件你满意吗？要我发吗？」而我作为人可以回一句：「下次别问我了，我要把这事打开成自动。」然后你就可以做这个决定，它会端到端去跑。
鲁朱尔：系统里检查更多、制衡更多的地方，是任何时候我们往源系统推数据——尤其是往 ERP 这类系统推——那种集成推送的时候，我们非常强烈地建议有人在环里复核一下，确保某几类记录是对的。因为那种事情天然有更多风险。但坦白说，在企业里，我们看到的几乎是每一个客户都想要这一层。
九、AI 出错，谁负责
克雷格：那如果，如果其中一个智能体谈下了一条糟糕的条款，或者批了一笔本不该批的支出，谁来承担？是客户？是 Zip？还是模型提供方？有可能就是模型层面的幻觉。
鲁朱尔：这是个好问题。我是这么想的：如果我现在用 Claude 去发一封邮件——我当然开着它在跑东西——如果我让它给你或者别人发一封邮件，而里面有一大堆不正确的信息、语气也不对之类的，最终，是我给了它「直接去做」的权限，那责任在我。我不能怪 Claude，因为它只是做了它能做的，是我给了它权限、让它去做这件事。
鲁朱尔：我对这件事也是这么看的。最终，责任总归落在某个人身上。今天，在现有的框架里——我觉得这个框架显然还在演化——它落在那个决定让智能体去做某事、并给了它权限去做的人身上。也许随着时间会变，但至少我是这么看的。
克雷格：我觉得挺有意思的是，你刚才说的这些智能体——发 RFP，是智能体自己创建那份 RFP 文档，然后自己发给供应商吗？这些都是自主动作吗？
鲁朱尔：对，没错。Zip 里的超级智能体自带默认配置、默认提示。比如法务剧本，里面会有一个默认版；寻源，也就是发出一个 RFX 类的事件，也会有一个默认版。然后我们和客户一起做——我们有一支前置部署工程师团队跟客户合作。再说一次，客户自己也能做，但很多客户更愿意让我们来做，由我们帮他们处理、配置一部分东西。我们可以让智能体使用一家公司内部的、按不同支出类别写的寻源或 RFX 剧本。
鲁朱尔：公司越大，就越会有专门的品类经理，各自负责某个领域，比如 IT 支出，或者销货成本里的某类支出。我们跟一家大型快消公司合作，他们当然有专门管糖采购的品类经理，还有管可可的，等等。这些剧本都可以喂进 Zip，给寻源超级智能体、RFX 超级智能体去用。然后基于这些，它绝对会创建一份 RFP，会创建 RFP 并把它发出去，这整套它都能处理。
鲁朱尔：在实践中我们发现，你的 100 万、1,000 万，不管你的阈值是多少——那些大的，对吧？比如你那份 5,000 万美元的 AWS 合同，你会让人来做，因为它太贵了，可能是你最大的一份合同。这类事我们发现客户就是要人来做。但中间还有一整段，再往后还有一条长尾。长尾根本没人碰；中间那段其实也没人碰，因为太费事了。如果是一笔 25 万美元的采购，甚至是 100 万美元的采购，在很多组织里，光是把这套流程走完，工作量就太大了。但如果你有超级智能体，那你为什么不做呢？我想这正是我们客户看到的，那里有真正的杠杆。
鲁朱尔：这些钱不是被反复拿出来比过价的，对吧？它们没有被稳定地拿出去招标。公司在为东西多付钱，也许没有拿到最高价值的产品，也没有让每一块钱发挥最大价值。是的，这可以帮上忙。所以那里有真正的机会。
克雷格：让我觉得很着迷的一件事是：假设这里的情形是智能体在起草 RFP，然后它发给一家公司。在这个时点，或者很快，对面也有软件在读这份 RFP。我之前跟人聊过 FDA 临床试验的申报——设计一个临床试验，你要造一份六英寸厚的文档，写满所有程序与方案，然后发过去；但生成这份文档的是 AI，他们发给 FDA，FDA 也就把它喂进一个 AI。我是说，到某个时点，这些智能体就只是在互相传数据了。为什么还要费事造一份人能读的文档？你觉得在 RFP 上，会不会也走到那一步？
十、真实世界的成本节省
鲁朱尔：我觉得那绝对就是我们正在走向的世界。我们自己也——我们在自己身上用非常多的 AI 工具，我们一年要回应几百份 RFP，所以当然会用 AI 作为这个过程的一部分。
克雷格：你们团队发过来的材料里，有一个 UCI Health 的合同谈判案例。你能讲讲那个案例吗？
鲁朱尔：可以。UCI——UCI Health 是我们的一家客户，我知道他们跑过——他们最终用了 Zip 的谈判类智能体用例，在一个 IT 相关的专项上，做出了 2,000 万美元以上的成本避免。
鲁朱尔：现实是，像 UCI Health 这样的机构，对于怎么跑不同类型的谈判是有剧本的。剧本也分不同类型：给风险的、给法务的、给真正谈钱和谈价值的，等等。而他们最终意识到的是：有了这个智能体，他们可以——这一点和我们刚聊的话题很相关——覆盖更多，覆盖更多的支出。
鲁朱尔：而一旦你走到中间那一段——甚至不是长尾，就是中间——它会累积得很快，因为就算这一笔你只削掉 5%、10%，那一笔削掉 20%，另一笔削掉 2%——这些加起来是很大的数。这是非常真实、非常非常真实的节省。到最后，我想你心里也会舒服一点：好，我觉得我们真的试过了，我们把中间到长尾这一段剩下的汁也大部分挤出来了。所以这是我们和客户都非常聚焦的一大块。
克雷格：省下来的钱，我看到那个数字是 2,000 万。那是累计的，不是一份合同。
鲁朱尔：是累计的。对，是一段时间内——我得去查是六个月还是一年之类的，但确实是按一段时间算出来的。
十一、为什么用得更深才有 ROI
克雷格：你们有一份报告，调查了 1,000 多位支出负责人。里面哪个发现最颠覆你对「AI 在这些组织里到底怎么落地」的假设？
鲁朱尔：我觉得让我们意外的是——回想起来也许不该意外——真正最重要的是部署的深度。一家企业很容易说：「哦，我们当然在用 AI，我们在试点 AI。」但现实是，我们在数据里发现，那些把 AI 更深入地部署到流程里的组织，比起只是说自己「在试点 AI」之类的，ROI 是 39%——如果我记得没错——对 6%。所以大概是 6 倍，6 倍半。这本来也不该让人意外，对吧？因为说到底，如果你只是让 AI 跑着、帮人处理一些基础任务、试点一点东西，你其实没有真正拿到杠杆，因为那个人大概还在做他原本就在做的 95%、99% 的工作，而你实际上把需要维护的表面变大了。你得给人更大的杠杆，而这只有在你把某些用例做深的时候才能做到。
鲁朱尔：我们还意识到的是：客户能用智能体，能用 Zip 里的超级智能体，他们可以打开它们，里面有默认值，他们可以改配置、写自己的技能、改技能，但也可以就直接用超级智能体本来的样子。但我们发现，很多企业——我们做了一个东西，叫 AI 支出自动化。我们走到一家企业面前说：「我们看了你的数据，过去 12 个月你们在 Zip 里做了 85,000 次各种审批。我们看了你们在批什么，看了所有不同的审批和步骤，我们相信可以跟你们一起，做出这 25 个——这个数是我编的——用配置好的超级智能体解决这 25 个用例，按你们自己的特有用例来配，这应该能给你们带来某某回报。」不管是周期缩短、因为把更多请求拿出去招标而省下更多钱，还是在外包（BPO）这类大企业常做的工作上省下一些人头。我们会派一名 AI 前置工程师驻场，真的帮你把这些配出来。再说一次，他们做的事你自己用产品也能做，他们不碰代码，但我们知道怎么测智能体、怎么重写提示。这全是流程，我们可以替你做。这一点反响非常好，已经有一批客户在跟我们做这类转型，因为企业里的 AI 有一个「最后一公里」问题。这我想就是那份报告最主要的收获之一，或者说主要收获之一。
十二、AI 采购的未来
克雷格：你怎么看这件事会怎么改变商业，或者改变经济？好吧，在那之前，你们的渗透率大概是什么样？有竞争对手吗？你们是在抢市场份额吗？还是一片空地，你们只是随着增长尽量多拿？要多久，每家企业都会用上类似的东西？
鲁朱尔：Zip 开创了「AI 采购编排」这个类别。它做的是：用 AI 接住请求，把请求路由到各个横向团队和他们所在的系统——预算、风险、法务、IT——然后，今天越来越多地，用 AI 把其中尽可能多的工作自动化掉。这一段我们叫接请求到采购（intake-to-procure）。这里面采购的行话很多，但我们同时也做「接请求到采购到付款」。
鲁朱尔：采购到付款（procure-to-pay）是个传统品类：提交请购单，一路审批、审批、审批，变成采购订单，发票进来，做匹配，然后发票、或者说那笔钱付给供应商。那是存在了五十年、甚至更久的老品类。Zip 也做这一块。除了采购与编排，我们有自己的产品做采购到付款。而且我们其实是全世界唯一一家两段都做的公司。
鲁朱尔：我们很幸运，今年第一次被列进 Gartner 那个老品类——采购到付款——的魔力象限，位置是远见者。所以我要说的是，在企业里我们发现，公司越来越想要一个平台，而且想要一个非常 AI 优先、AI 深度嵌在里面的平台。当你这样看这个问题时，世界上没有第二家做这件事的。
鲁朱尔：顺便我也想过为什么。因为我也在想：为什么会这样？我觉得现实是，这里面有些东西太复杂了，而且没有容错空间。比如我们必须处理巴西的税务要求，因为我们很多客户在巴西做生意，税必须处理正确。它显然不能错：算多了，你就是多付了钱；算少了，你可能会有监管问题。所以它必须是对的。这只是其中一个例子。所以那所有的权限、所有的深度，做起来真的非常非常难。所以我们一直专注在把产品做出更多深度、把 AI 组件做出更多深度，然后抓住端到端的机会。
克雷格：整体市场来说，这是一个无限大的市场吗？还是你看到它在哪里增长？
鲁朱尔：我觉得有意思的是，我们解决的问题太横向了。比如我们有领先药企的科学家，用 Zip 去买他们正在测试、正在合成的药物所需化学品；有实验室的研究员，用 Zip 采购他们日常工作需要的任何东西；还有——让我给个好例子——一家做巧克力棒的公司，通过 Zip 采购巧克力棒里的每一样原料。所以我们的用例面非常宽。
鲁朱尔：所以某种意义上它真的是横向的，也真的是没有尽头的。它确实给人这种感觉，因为世界上每一家公司——至少到某个规模，最低大概几百人——都有这个问题。它太普遍了。每家公司都得采购东西；而随着经济发展、分工越来越细，公司会买越来越多东西，因为你可以专注在自己那件「秘方」、自己那点比较优势上。其他的东西你为什么不买呢？它们并不能让你的生意变得特别。你可以把精力放在真正让你特别的那件事上。
十三、AI 智能体会怎么改造经济
克雷格：对。而且你知道，我们正处在某一个时间点上，我得不断提醒自己这一点。所以像 Zip 这样的东西，十年、二十年后——不管是不是 Zip——那层软件会在这个市场里、也会像你说的在深度上继续长大。你提到过，有人预言全球经济最终会架在这张由智能体织成的网上，由它们去做所有这些事。你会去想这件事吗？你觉得那会来吗？你觉得那是个走偏了的预测吗？还有，让这些看不见的 AI 智能体去处理所有这些例行工作，你觉得影响是什么？
鲁朱尔：我确实认同这个判断，而且在很大程度上——我们会的，我绝对相信我们会让客户用 AI 把越来越多这样的工作流、以及构成采购流程的那些复核自动化掉。这些工作里有很大一部分相当事务性。它重要，但它是事务性的。你可以看到其中越来越多被自动化。
鲁朱尔：但这件事隐含的是：围绕它的治理、治理的框架、权限、可审计性、控制，只会变得越来越重要。有一件事我没提：我们大多数客户把 Zip 放进了 SOX 范围。SOX 是个极其关键的框架，显然来自 2000 年代初的安然丑闻。在萨班斯法案这件事上，你没有容错空间。所以如果你要给 AI 更多绳子，这个框架就更关键。要给更多绳子，你就必须有那套框和控制。
鲁朱尔：所以我认为框架、控制会变得更重要。而我真正期待的是：我们能真的去做更有意思的工作。是的，很多人会说是战略性工作，我完全同意。但我也愿意相信，那种工作其实更有回报、更有趣、更让人满足，而不是那些事务性的活。我看到一些公司、一些公司的员工和组织……
克雷格：它也会影响经济：它让定价变得有效率得多。但很多人是靠那份低效活着的。很多企业正是靠那份超支赚钱，因为系统低效，因为他们认识买家，或者买家认识供应商，所以没人太用力去压价。这也有意思：随着时间推移，经济会越来越有效率，但与此同时，很多所谓「收租的人」最终会失去他们的优势或边际。你会去想这件事吗，整个经济会怎么变？
鲁朱尔：我认同这个判断。我完全同意。而且我认为这对世界是好事。销售过程里的那部分低效——不管是因为我认识一个人，还是因为某些产品、甚至像我们这样的产品，本来就需要被卖出去，你需要企业销售，整件事确实相当低效、相当讲关系、这个那个。但你必须设想，如果你从那里面挤出更多、让全世界的组织拿到更多价值，他们可以拿着这些钱、这些节省，他们也会这么做，经济会奖励那些把资金进一步投进研发、让产品更好的人。
鲁朱尔：而最终，这很可能会导致为其他工作、其他岗位雇更多人。而且，不管经济里发生过什么样的宏观变化，看起来东西就是会被挪来挪去，实际上会创造出更多机会。所以在 AI 的影响上，我绝对是个乐观派。
鲁朱尔：不过我也想说，我在某个地方读到过一句话，说最后一个被替代的岗位，会是企业销售。不幸的是，我同意这一点。因为我们可以自动化很多事务性的活，但让一个人被另一个人说服去做一件事、并且从那里面长出主动性、把一个项目跑起来——我不觉得有哪个 AI 在做这个。
克雷格：要等超级智能出现。等到那时候，它能说服我们任何一个人做任何事。对，但这真的很有意思。我是说，你在一个全新的品类里，而且像你说的，它是横向的、看起来你能拿到的市场没有尽头。但同时，你也是这场全球转型的一部分，而这场转型我们其实才刚刚开始。你就是它的一部分。这真的很有意思。那么，超级智能体的下一步是什么？Zip 的下一步是什么？
十四、Zip 的下一步
鲁朱尔：我们兴奋的是，继续和客户一起，做越来越多能承担越来越多角色的超级智能体。我们第一批排了五个，我们打算下一批再排十个。然后在这之上叠加——我是说，我们非常、非常地在招更多前置工程师。这块我们之前有点落后，去和客户一起把他们的流程用 AI 端到端改造掉。而且我对我们正在做的这类跨行业转型工作很兴奋，因为我个人也从中学到了非常多。但这是个多让人兴奋的时代。我同意你。其实这轮席卷世界的变革才四年，几乎才四年。现在感觉过了很久，但我相信十年后回头看，会发生的事会多得多。
克雷格：对。而且我必须问一句：你和你的合伙人有这个想法……这种东西很难招到人来造。你们的团队是从哪儿来的？还是说你们俩本身就是程序员、工程师、开发者，能自己先做出一个原型？
鲁朱尔：当然，过去六年我们招了很多人。但——
克雷格：我是说最开始的时候。
鲁朱尔：对、对、对。最开始，我们其实带来了很多、一批非常亲近、非常棒的工程师、设计师和产品经理，他们是我们之前在 Airbnb 一起工作过的人，或者是我们非常熟、知道他们很棒的人。他们其实也需要押一次注，因为那时候我们几乎什么都没有，对吧？没有客户，基本上没有产品。所以我很感激他们当时愿意赌一把、选择跟我们干。但事情就是这么起步的。是我们信任的、知道他们绝对是十倍工程师的人。
克雷格：好，我没别的问题了。有没有什么我没覆盖到、而你想让听众听到的？
鲁朱尔：没有，我觉得刚才挺好的。谢谢你，克雷格。
References
- 1Eye on AI 官方单集页
aneyeonai.libsyn.com
- 2官方视频（14 段章节）
youtube.com
- 3Zip 官方作者页 · Rujul Zaparde
zip.com
- 4Y Combinator 创始人页
ycombinator.com
- 5Reuters：Zip 估值 22 亿美元
reuters.com
- 6Zip 官方博客：Series D
zip.com
- 7Zip 官方新闻稿：Superagents 与 Zip MCP
businesswire.com
- 8Zip 官方新闻稿：State of AI in Spend 2026
businesswire.com
- 9
- 10Zip 官方新闻稿：2026 Gartner Magic Quadrant
businesswire.com
Comments