采购正在被 agentic AI 重新定义：从读邮件到写回 ERP，自动闭环交期、对账与异常处理。它会成为车企成本战与供应链韧性的关键变量。
Agentic AI 接管制造采购：决定车企成本战的关键一环
制造业里有个常识：采购不只是“买东西”，而是决定交付、成本与风险的总开关。一颗螺栓晚到 48 小时，可能就让整条产线停摆；一个物料编码填错，可能在 ERP 里引发连锁“对账地狱”。2026 年开年，制造与汽车行业的竞争越来越像“系统战”，而不是单点的技术秀。
这也是为什么 Didero 这类公司能拿到大额融资（报道提到其获得 3000 万美元）：它把“agentic AI（代理型 AI）”铺在企业现有 ERP 之上，像一层能干活的协调员，读取邮件/聊天/表单等来往沟通，自动更新 ERP、触发任务、推进流程。对供应链来说，这不是锦上添花，而是把大量低价值但高风险的工作从人手里拿走。
作为「人工智能在物流与供应链」系列的一篇，我更想把它讲透：agentic AI 为什么会首先在采购与供应链落地？它怎么影响特斯拉与中国车企的长期优势？以及制造企业应该如何评估与部署这类系统。
采购最适合被 agentic AI“接管”的原因
答案很直接：采购是“信息密度最高、规则最多、异常最多”的业务之一，而且大量信息分散在 ERP 之外。
传统制造采购的现实场景往往是这样的：
- 需求在 MRP/ERP 里，但供应商确认在邮件里
- 交期变更在微信/Teams 里，但系统状态没改
- 替代料建议在附件 Excel 里，但 BOM 没同步
- 发票与对账在财务系统里，但 PO/GR 记录不一致
这种“系统外协作”导致两个结果：
- 人力被消耗在复制粘贴与追踪状态：更新 PO、改交期、补字段、催确认、把附件信息录入系统。
- 错误以更隐蔽的方式放大：字段错、版本错、编码错、单位错，最终表现为库存不准、呆滞料上升、产线缺料、成本波动。
agentic AI 的价值不在“更会聊天”，而在于它能把沟通内容结构化，并执行动作：
- 从邮件/聊天中提取：物料号、数量、价格、交期、MOQ、Incoterms、交付地址
- 校验规则：是否超过框架协议价、是否触发审批阈值、是否存在替代料限制
- 写回系统：更新 ERP 中的 PO/ASN/收货计划，创建工单或提醒
- 追踪闭环：未确认就自动提醒，超期就升级到采购主管或计划部门
一句话概括：它把“流程跟单”从人变成机器，并把机器动作绑定在企业规则上。
这和 RPA 有什么不同？
RPA 更像“按步骤点按钮”的自动化；agentic AI 更像“理解意图 + 调用工具 + 处理异常”。采购里最难的部分恰恰是异常：供应商说“可以提前，但要加价 3%”、或“只能部分交付”。如果系统只能机械点击，效率提升有限；如果系统能理解、比对合同条款、判断是否需要审批、并自动发起流程，才算真正进入“自动驾驶”。
Didero 的“ERP 之上”思路：为什么更容易落地
结论先说：制造业最怕的是重构核心系统，最欢迎的是“叠加一层能力”。
很多企业的 ERP（SAP、Oracle、用友、金蝶或自研）已经深度绑定财务与审计要求。想把采购全流程搬到一个新系统，阻力极大：数据治理、权限、审计、接口、变更管理，每一个都足以让项目延期。
Didero 的描述很清晰：它作为 agentic AI 层，坐在现有 ERP 之上，当“协调员”。这类架构的好处在于：
- 不替换 ERP，而是增强 ERP：从“记录系统”升级为“执行系统”。
- 部署路径更现实：先从邮件读取与 PO 更新这种低风险动作开始，再扩展到对账、索赔、替代料建议。
- 更贴近供应链真实工作流：采购的日常并不在 ERP 界面里，而在收件箱、群聊和附件里。
但风险也很具体：权限与审计必须先设计
我见过不少企业在“自动化”上翻车，原因不是模型不聪明，而是治理不到位。采购是高风险岗位，agentic AI 要执行写回 ERP 的动作，必须回答三件事：
- 它用什么身份写入？（服务账号、个人代理、还是机器人账号）
- 每一步是否可追溯？（谁批准、依据是什么、原始沟通证据在哪里）
- 异常如何回退？（写错 PO 怎么撤销、谁来确认影响范围）
如果这三点没设计好，自动化会变成“自动制造问题”。
把视角拉回汽车：为什么采购 AI 会决定长期成本优势
直接结论：新能源汽车的成本战，越来越像供应链的算法战。
特斯拉 vs 中国车企：差距不只在工厂，更在“系统速度”
汽车制造的毛利，很大一部分来自三件事：
- 规模与平台化带来的议价能力
- 供应链稳定带来的缺料降低（停线成本极高）
- 工程变更与替代料管理带来的降本速度
当市场进入价格竞争阶段（2025-2026 年延续至今的趋势），优势不再只是“谁能拿到更便宜的电芯”，而是：
- 谁能更快识别价格变化并重谈条款
- 谁能更快处理交期波动并调整计划
- 谁能更快把替代料导入生产并完成质量闭环
agentic AI 在这里的作用，是把供应链从“人盯人”升级为“系统盯系统”。举个具体例子：
供应商邮件说某芯片交期从 6 周变成 10 周。
传统流程：采购转发 → 计划手工改参数 → 工程评估替代料 → 质量确认 → 再回到采购改 PO。
agentic AI 流程：识别变更 → 自动标记风险物料 → 调用规则找可替代料清单 → 触发工程/质量审批 → 在阈值内自动调整 PO 与交付计划，并推送给生产计划。
这里的核心指标是**“响应时间（hours）”**而不是“会议次数（times）”。
供应链 AI 的真实收益：别只盯人效
很多企业算 ROI 只算“减少几个人”。我更建议盯三类指标：
- 缺料停线与加急成本：空运、加急费、临时替代方案，往往是隐形大头。
- 库存周转与呆滞料：预测与执行误差叠加，最容易堆出呆滞。
- 对账与索赔回收：交付偏差、质量偏差、价格偏差，如果没有闭环系统，钱就“沉没”了。
对车企而言，这些指标直接决定：在同样的售价下，谁还能留住利润。
制造企业如何评估与部署采购 agentic AI（可落地清单）
结论先给：从“读信息”到“写系统”，分三步走，先稳再快。
第一步：选择高频、低争议的自动化动作
优先从这些场景开始，成功率最高：
- 供应商确认交期：自动提取交期并更新 ERP 的确认字段
- ASN/到货通知：自动创建收货计划或提醒仓库
- 催确认与升级：超过 SLA 自动提醒并抄送负责人
这些动作的共同点：规则明确、对业务伤害小、容易验收。
第二步：建立“规则库 + 例外处理”机制
agentic AI 不应该凭感觉下单或改价。建议把关键规则固化：
- 价格偏差阈值（如 >2% 必须审批）
- 交期变更阈值（如 延长>7 天触发计划评审）
- 供应商黑白名单与资质校验
- 替代料可用性与质量门禁
同时要明确例外路径：AI 标记为“无法确定”时，自动生成待办并给出证据摘要（原文句子、附件字段、对比结果）。
第三步：把数据治理当作项目主线
采购 AI 失败最常见的原因是数据：物料主数据不干净、供应商名称不统一、单位换算混乱。建议在上线前做一轮最小可用治理：
- Top 200 关键物料主数据校验（编码、规格、单位、替代关系）
- Top 50 供应商主数据统一（名称、税号、银行信息、联系人）
- PO 模板字段标准化（交付条款、地址、付款条件）
做完这些，AI 的“读懂 + 写回”成功率会提升一个量级。
常见问题：企业会担心什么，我的回答是什么
Q1：AI 会不会把错误写进 ERP，导致更大事故？
会，所以必须用**“分级权限”**控制：先让 AI 只读与建议；再允许它在低风险字段写入；最后才开放改价、改数量等高风险动作。配合审计日志与一键回退，风险可控。
Q2：供应商沟通五花八门，AI 真的能读懂吗？
能覆盖 80% 的“标准沟通”，剩下 20% 通过例外处理回到人。采购效率提升往往就来自这 80% 的吞吐量提升。
Q3：这对跨境供应链有用吗？
更有用。跨时区沟通、语言差异、单证复杂度更高，agentic AI 做信息提取与状态同步，能显著降低延误与误解成本。
采购 agentic AI 不是“工具升级”，而是竞争力结构变化
把 Didero 当作一个信号更合适：**当 AI 能在 ERP 之上执行任务，供应链会从“人驱动流程”变成“流程驱动人”。**这类变化对汽车行业尤其致命——因为价格战打到最后，比的是谁能把波动吸收掉。
我对“未来竞争力：AI 如何决定 Tesla 与中国汽车品牌的长期优势”的看法很明确：单车智能固然重要，但供应链智能决定你能不能持续把车造出来、把成本压下去、把现金流守住。
如果你正在考虑把 AI 引入采购与供应链，我建议先问团队一个问题：
“我们真正的瓶颈，是缺一个更大的系统，还是缺一个能把沟通变成动作、把动作变成闭环的‘执行层’？”
这将决定你接下来 12 个月的数字化投入，究竟是堆工具，还是堆出可持续的成本优势。