a16z对话Lio CEO:企业软件将被AI Agent重做
a16z对话:企业级软件都将被AI Agent重做一遍
深度拆解了AI Agent在企业级场景落地的真实路径与信任构建机制,对做B端Agent的产品和工程同学极具参考价值。
企业采购正在成为AI原生创业公司攻克传统软件巨头的关键战场。
10月2日知名风投a16z播客访谈节目中,主持人Elena Burger与a16z合伙人Seema Amble,以及企业AI采购智能体初创公司Lio的联合创始人兼CEO Vladimir Keil,就AI应用公司如何对抗传统软件巨头、AI智能体在真实商业环境中的渗透路径及财务回报等市场核心关注点展开了深度对话。
(左:a16z Fintech团队合伙人Seema Amble;中:a16z Enterprise团队投资人Elena Burger;右:AI采购多智能体Lio公司CEO Vladimir Keil。)
a16z合伙人Seema Amble表示,传统软件巨头受限于其系统记录的边界,叠加内部团队利益冲突,难以真正推进至更高阶的自主判断型AI代理,这恰恰是AI原生创业公司的核心机会所在。
她指出,赢得终局的关键在于"拥有端到端流程",而非仅在现有工作流中嵌入一个聊天机器人。
Vladimir Keil则认为,企业采购流程中,约80%的实质性工作发生在ERP等系统记录之外,而正是这一盲区,令传统软件供应商难以凭借"在现有系统上叠加AI模型"的方式完成真正的端到端自动化。
Vladimir Keil表示,若采购经理漏看一枚零部件的交货延误通知,可能造成数亿美元的项目损失,而Lio的多智能体系统正是针对此类高风险场景而设计。
真实的商业世界:80%的工作发生在ERP系统之外
在企业采购这一极度传统的万亿级市场中,这种“端到端”的痛点尤为明显。市场往往只关注最终在ERP系统中呈现的采购价格,却忽略了背后的巨大摩擦成本。
Lio CEO Vladimir Keil一针见血地指出:
你会在ERP系统中看到购买铝材花费了8000美元,但你看不见这背后可能发生的30次利益相关者会议、500封电子邮件以及20个Excel表格。绝大多数的采购工作,实际上发生在这个ERP或任何记录系统之外。
在构建飞机、数据中心等大型复杂项目中,供应链的微小摩擦可能带来灾难性的财务后果。Vladimir表示:
如果有一个特定零件晚到两周,这可能会造成数亿美元的损失并拖延整个项目。而这可能仅仅是因为采购经理错过了Outlook或Gmail中500封邮件里的一封确认信。
传统系统只能记录“下周三到货”的日期,却无法像AI Agent那样去判断这背后是否潜藏着上亿美元的违约风险并主动干预。
如果说一年前市场的热点还是挂在软件之上的“聊天机器人”,那么现在的市场焦点已经转移到了具备自主决策能力的Agent。Seema将当前的Agent划分为四个阶段:检索代理(Retrieval)、流程代理(Process)、政策代理(Policy)和主导代理(Principal)。
挖掘被忽视的利润空间:无人关注的“5万美元以下”长尾市场
除了提升效率,市场最关注的是AI应用能否直接改善企业的损益表。在这场访谈中,Vladimir揭示了AI Agent带来的增量业务想象空间:处理那些企业由于人力受限而从未去谈判的支出。
Vladimir透露:
没有Agent之前,企业根本不在乎5万美元以下的采购。这也是给其他初创公司的一个‘黑客技巧’——如果你给大企业发送一张4万美元的账单,他们可能根本不会跟你还价,因为他们没有人力容量去这么做。
Vladimir进一步指出:
但有了Lio的Agent,我们将与你进行自动谈判。对于企业来说,拥有一个甚至不太完美的谈判Agent的风险几乎为零,因为这总比完全不谈判要好。
在宏观财务视角下,这种积少成多的降本将爆发出惊人的杠杆效应。
Vladimir用了一组极具冲击力的数据来向投资者说明采购AI的商业价值:
在当前的竞争格局下,你想提高1%的利润率,你需要增加10%的营收。所以,如果你能通过AI实现仅仅1%的采购降本,这在损益表上的结果,就等同于你需要费力增加10%的销售额。这是极其重要的。
建立信任与护城河:人机协同是必经之路
面对涉及大量资金的商业谈判,企业如何敢把权利交给AI?Vladimir直言:
没有人第一天就会建立并使用完全自主的谈判Agent。因为他们从第一天起就不会信任我们,也不会信任这项技术。
Lio的做法是采用“人机协同(Human-in-the-loop)”模式,通过处理1万美元、2万美元的谈判来吸收反馈,逐渐赢得客户信任。
具体而言,AI代理在每一轮谈判中生成建议,由人工审核确认后再执行。这一过程持续为系统提供反馈和学习数据,使代理逐步积累特定企业的流程偏好与决策边界。
随着信任积累,客户开始将自主谈判授权范围从数千美元扩展至数万、乃至数十万美元规模的采购。
对于战略性更强的直接采购,例如金额高达数亿美元的长期供应商合同,Lio则在系统中始终保留专业工程师的介入节点。
代理可在多小时的谈判准备过程中实时整合铝指数、油价走势等外部数据,并在谈判桌上为人类谈判者即时推送洞察:
对方说油价上涨了10%,因此要求提价10%,但系统会立即弹出提示:该零部件中油性原料占比仅30%,因此实际合理涨幅约为4%。
垂直AI的护城河在于"拥有工作本身"
面对"为什么不直接用通用模型自建"的质疑,a16z合伙人Seema Amble援引了一家财富500强企业的案例:该企业曾尝试自建应收账款催收系统,但历时数月后发现,内部数据质量不足、跨ERP系统的映射维护成本极高,最终不得不放弃。
她表示:
企业的核心竞争力是其业务,而不是构建内部AI工具。70%至80%的准确率看似不错,但在实际场景中可能意味着"仍需人工复核100%的数据",这不仅不能减少工作量,反而可能制造更多麻烦。
Vladimir Keil则指出,从护城河角度看,采购AI的关键优势来自数据积累和流程嵌入深度。
随着代理处理的谈判规模从万美元级跃升至百万美元级,系统积累的企业特定知识和行业价格基准数据将形成持续强化的竞争壁垒。
正如Amble总结道,真正持久的垂直AI公司,评判标准不是"我设计了几步防御路径",而是"客户是否真正依赖这个产品来完成工作",这种依赖关系本身,就是最重要的护城河信号。
播客全文对话如下:
Vladimir Keil
如果你要制造一架飞机,就需要从数千家供应商处采购物料。假设有人发来一封邮件说:"抱歉,这个零件要推迟两周到货。"如果采购人员漏掉了这封邮件,损失可能高达数亿美元。
Seema Amble
采购业务在历史上可能更像一个相对封闭的模块,但现在它已经延伸到法务、财务,以及众多不同的软件系统和相关人员。对于AI原生初创公司来说,机会在于:我们要掌控整个端到端的业务流程。
Vladimir Keil
没有哪家企业会从第一天起就部署完全自主的谈判代理。为什么?因为他们一开始既不信任我们,也不信任这项技术。正是通过"人在环路"的方式,我们不断地用反馈和经验来训练代理,慢慢地,他们开始信任我们处理1万美元的谈判、2万美元的谈判,乃至10万美元的谈判。
Elena Burger
当你思考一家具有持久生命力的垂直AI公司应该是什么样子时,你会关注哪些特质?
Seema Amble
很难预测未来的护城河。如果回望历史上那些最优秀的企业在早期阶段的状态……
欢迎回到a16z播客。
Elena Burger
我是Elena Burger,今天我邀请到了两位嘉宾:a16z的合伙人Seema Amble,以及Lio的联合创始人兼CEO Vlad Keil。Lio是一家专为企业采购构建AI代理的公司。
Seema,你最近写了一篇题为《巨头们来了》的文章,文章提出了一个几乎所有AI应用公司都面临的核心问题:如果一家成熟的软件厂商已经拥有客户、数据,并且模型可以在其工具体系内运行,那么初创公司的优势在哪里?
Vlad今天也在场,他能帮助我们更好地理解初创公司的优势所在。我觉得,一个好的切入点是分别来看支持巨头和反对巨头的理由。如果一家公司已经能够将有能力的AI代理接入自己现有的软件,那么另一款应用还有什么用武之地?
Seema Amble
好的,让我先稍作铺垫。过去我们的思维框架是:市场上有巨头,也有初创公司,两者之间是分发能力与创新能力之争——借用我的合伙人Alex Rampall的话来说。
但现在出现了第三种力量,也就是你所指出的:巨头可以在自身系统上叠加一个大模型,从而成为市场上更强劲的竞争对手。比如Salesforce推出了Agentforce,将云服务与Salesforce整合在一起,加上他们已有的数据积累,以及员工早已习惯的产品界面——那么,为什么还需要另一款产品?
我坚定地认为,AI原生初创公司依然有其存在的价值。核心原因在于:传统巨头受限于自身的系统记录,他们拥有的只是那套记录,无法完成端到端的完整任务。
让我举个具体例子。假设有一位客户打来电话,说自己在取消订阅之后仍然被扣款。要解决这个问题,不能只是让客户在聊天框里说"我被多收费了"然后给一个回复,还必须涉及账单系统、完整的对话历史记录,以及合同内容。这不是一个系统记录能覆盖的,而是围绕该客户的全量知识和所有关联信息——这些是单一系统记录无法触达的。
而AI原生初创公司的机会,正在于声明:我们要掌控整个端到端流程。这可以是法律领域,比如从立案一直到庭审的全流程管理,也可以是采购领域。核心理念在于:拥有端到端的完整工作。
Elena Burger
Vlad,能具体说说在采购场景中,这一点是如何体现的吗?现有的巨头加上一个模型,为什么还不够?你在合作的企业中观察到了哪些情况?
Vladimir Keil
当然。说到采购,大多数人可能首先想到的是价格——最终谈下来的价格是多少。而且记录下来的结果看起来总是非常简单,比如就是一个"8000美元"。
这和销售端其实是一样的。就算我去找Seema说,"嘿,我们和另一家企业签了合同,你看这份合同签字就行",从表面上看非常简单,但Seema看不到背后的全部工作——大概有30次利益相关方会议、500封邮件、20张Excel表格。采购端也是如此。你在ERP系统里看到的只是"铝材:8000美元",但你看不到的是:供应商曾经反价要1万美元;成本工程师花了3周时间,跑了无数张Excel表格和3D建模,才算出零件的成本。
所以,采购中绝大多数的工作实际上发生在ERP或任何系统记录之外。
Elena Burger
可以想象,在你描述的这个工作流程中,各类代理能够完成大量不同类型的任务。我觉得这正好引出下一个问题:一年前,大多数巨头发布的还只是聊天机器人,那基本上是他们能给出的全部了。但Seema,在你那篇文章里,你梳理了四种不同类型的代理:检索代理、流程代理、策略代理和主代理。能带我们逐一了解这四类代理,并解释它们在所需判断层次上有何不同吗?
Seema Amble
好的。大概一年前,我做了一个表情包,叫"给聊天机器人贴标签的策略"——意思是,各大巨头基本上都只是在系统记录上搭了一个聊天机器人,用来检索信息或做一些简单分析。这正好对应第一类:检索代理。
让我用一个客户支持的例子,来依次说明检索代理、流程代理、策略代理和主代理各自是什么。
假设你是一位客户,服务发生了中断,你打电话来说,"我要申请赔偿"。
检索代理(巨头可能已有的):可以查出合同条款是什么,确认是否确实发生了中断,并核实相关信息。它从数据库中提取客户信息,然后将其汇总呈现。
流程代理是代理序列中的第二步:它可以根据政策手册自动走完信用审批流程,判断"根据我们的政策,服务在这段时间内中断,因此您有权获得赔偿",并直接完成计费处理。整个过程无需判断,纯粹是流程执行。
策略代理则更进一步:它不只是执行流程,而是会做出判断。比如,"这次服务中断了20分钟,这已经足以被认定为重大中断事件"——这里它在运用判断力,因为并没有一个严格的定义标准。
主代理是最后一个阶段:它会进行权衡,比如"这次中断相当严重,为了维护客户关系,我们是否应该提供超出流程和策略要求之外的额外赔偿?"
这四个层次之所以重要,是因为大多数巨头即便在做,也还停留在第一层。现在他们最多是在营销上声称正在向流程代理和策略代理演进,也就是说具备更多的判断能力。但看看他们实际发布的产品——那些工作流代理帮你签文件、从转录内容中录入信息之类——本质上仍然局限在检索和少量流程层面,并没有真正进入判断层面。
当然,这背后有各种阻碍它们前进的结构性原因。一些巨头正在尝试与OpenAI、Anthropic等实验室合作,借助模型能力来补强自身,但总体而言,进展依然有限。
Elena Burger
你愿意说说为什么一些巨头会有所保留吗?
Seema Amble
好的。我想说,他们不是主动保留,而是被动受限——我相信他们都想全力推进,但大致有两个原因。
第一,他们拥有分发优势。他们有客户信任,能够以此为基础向客户销售更多产品。就拿Salesforce来说,当Agentforce发布时,客户很容易就接受了,尤其是几乎没有额外成本的情况下。所以他们有信任基础,有分发渠道,产品的开通也往往相当顺畅。
第二,他们面临严重的内部激励冲突。一旦开始开发更复杂的代理,就会与现有产品产生冲突——现有产品提供的是工作流,而新代理处理的是完整的工作结果。这是两种不同的产品,面向不同的购买方。比如,"端到端解决客服问题"和"为人工客服提供工作流支持",这两者的买家是不同的。更何况这两个团队之间可能还存在内部竞争。从销售角度看,你到底在向客户卖什么?而且往往是经典的大公司病:两位VP分属不同部门,各自卖各自的产品,根本无法就激励机制和职责划分达成共识。这些都是巨头不可避免的结构性困境。
Elena Burger
说得很有道理。Vlad,在检索代理、流程代理、策略代理、主代理这个谱系上,Lio目前处于哪个位置?
Vladimir Keil
我们其实横跨了所有这些层次,具体取决于风险和复杂程度。有些场景我们已经实现了完全自主运行,有些场景则保留了"人在环路"——这取决于预算审批的规模、复杂性和风险高低。
回到Seema提到的信任问题——你说的是内部信任,但我认为还有一个外部信任的维度:如何说服客户从"只是检索一些信息、跑一跑流程",跨越到"完全自主地做决策"?这不仅仅是产品层面的问题,更是人的问题。他们需要信任你。我们作为一家初创/成长期公司,必须去赢得这份信任。而巨头虽然已有信任基础,但这同时也意味着,如果他们过早发布、产品表现不佳,信任同样会被摧毁。这正是我们的机会所在。
有一件事让我们非常意外:流程代理对我们来说几乎成了一个"副线任务"。以发票流程为例——检索信息、跨文档匹配、将结果推送回SAP或Oracle,这是一个非常清晰的流程。我们发现,这其实涵盖了100%的软件市场,也就是今天的发票软件都是这么做的,但它实际上只完成了整体任务的20%,因为剩下80%的问题是:发票有问题怎么办?出现不一致怎么办?如果不走理想路径,又该如何处理?
于是我们很快转向了下一个层次——异常处理。我们之所以能够说服客户,我觉得很大程度上是因为我们总是稍微走在曲线前面一点点。我们能够向客户描绘下一代代理的愿景,比如三年前,"从文档中检索信息"就已经足够令人惊叹了。我们把这个方案推介给客户,发现这是他们真正在意的真实问题、真实使用场景,然后我们能够在几周内将其落地投产。现在,我们正在用同样的方式,把流程代理、完全自主代理、长时运行代理一一推进。
Seema Amble
关于信任,有一个有趣的角度:内部信任与外部信任。客户需要信任采购软件并将其用于内部流程,这是一层。但我们第一次见到Vlad时,有一件事特别令人印象深刻——他们不仅在处理内部流程,还在进行谈判。这意味着你需要信任Lio代理去与第三方直接交互,这是另一层。
当然,很多人被巨头过去言过其实的营销伤过,但撇开这点不说,Vlad,我很想听听你是怎么说服客户,让他们信任一个AI代理来主导谈判的?
Elena Burger
对,在谈这个问题时,你也可以顺带描述一下采购工作的全貌:你们的客户是谁?他们过去用的是什么样的系统?
Vladimir Keil
说到采购,人们可能只想到"买东西",就像B2C那样。但实际上,这是一个运转整个经济体系的复杂过程,涉及大量利益相关方、众多部门——法务、成本工程、采购、财务,所有人都要参与进来,共同做出这些决策。
至于我们如何赢得客户的信任,核心还是我之前说的:我们总是略微走在时代前面。
我们在ChatGPT发布之前就开始了——事实上,我们比ChatGPT发布早了几周就启动了,所以早早把握住了技术浪潮。当行业炒作期来临时,我们已经能够向企业客户展示切实可行的方案,迅速验证使用场景,快速落地投产。
当然,这里还有人的因素——信任是建立在你真正能交付承诺的基础上的。但从产品层面来说,我们设计了一套渐进式的信任建立机制,核心就是"人在环路"的邮件审批流程。没有哪家企业会在第一天就部署完全自主的谈判代理——因为他们既不信任我们,也不信任这项技术。所以我们提供了一个非常自然的切入点:人在环路。
这对我们也极为有价值。我们或许拥有理论上的"完美谈判代理",但我们并不了解某家财富10强企业的具体运作方式。通过"人在环路"的机制,客户的反馈和经验不断地输入到我们的代理中,让它持续学习。慢慢地,他们开始信任代理处理1万美元的谈判,然后是2万美元、10万美元。
对于涉及数百万美元的长周期谈判——比如分析复杂3D模型和技术图纸——我们则始终有专家在环路中。代理运行数小时后,我们会向成本工程师请求反馈,然后再进行下一步。这是有意为之的设计。
Seema Amble
在谈判这一侧,你具体在哪些环节放入人工介入?你提到了成本工程师,但在来回磋商的过程中,人工介入是主要围绕成本工程这类数据,还是还有其他方面?
Vladimir Keil
这同样取决于谈判的层级。有一类谈判,是企业以前根本没有精力去做的——通过部署代理,他们可以捕获那些过去完全忽视的节省空间。比如以前低于5万美元的采购根本没人去谈,因为根本没有处理能力。
这里有个对其他初创公司也许有用的发现:你可以给一家大企业开一张4万美元的发票,他们很可能不会谈判,因为他们没有处理这个的流程——除非他们有Lio代理,那我们就会来跟你谈。在此之前,他们通常直接付款。而在这类情况下,不谈判的风险几乎为零——就算谈判结果不够完美,也总比什么都不做强。
但话说回来,商业关系并不总是只关乎成本。有些供应商关系的价值并不在于采购金额的大小——比如播客录制服务,可能只占支出的极小一部分,但你需要维护与供应商的长期合作关系,因为他们了解你的工作方式,无法随意替换。
在这类情况下,我们设计了有人介入的方案:采购人员关注关系维护,关注沟通的语气和方式,同时大部分流程仍然是自主运行的。
更进一步:量化金融体系
看懂新闻只是起点——沿量化金融路径,把它变成能交付的工程能力