采购流程怎么接入 AI？从文件整理到比价初稿的七步拆解

本文目录

采购人员收到几家供应商的材料后，往往要做一轮很费时间的准备工作：下载附件、确认版本、找出报价项、统一单位和税率，再把缺失内容标出来。真正需要专业判断的比价和谈判，反而要等这些整理工作完成才能开始。

这类流程很适合让 AI 参与，但不适合把“选哪家供应商”直接交给 AI。模型擅长读非结构化文件、提取候选字段和生成说明草稿；精确计算应交给公式或规则；需求取舍、供应商选择和最终审批仍由采购及相关负责人决定。

下面以常见的询价和比价准备为例，把流程拆成七步。它是一套工作流设计方法，不替代企业采购制度、合同审查或适用的法律要求。

先把三类工作分开

先从一张分工表开始看。

工作类型	适合承担的任务	不应混在一起的责任
AI	读文件、提取字段、建议分类、生成问题和摘要草稿	不自行补造缺失数据，不决定中标供应商
规则与业务系统	单位换算、税额计算、阈值校验、权限控制、版本记录	不负责理解模糊条款或商业语境
采购与评审人员	定义需求、处理例外、判断风险、谈判和审批	不必重复搬运已经可以自动整理的信息

OECD 对公共采购中 AI 应用的梳理提到，常见功能包括支出分析、风险管理、供应商发现和谈判优化。美国 GSA 对联邦采购场景的公开说明也把市场研究、文件起草和价格差异分析列为 AI 可以辅助的工作，同时保留需求、供应商选择和合同管理中的人工判断。这些是公共部门案例，不能直接当作所有企业的标准，却清楚展示了一个边界：AI 先帮助准备证据，人再作出采购决定。

第一步：建立统一的收件入口

先解决最根本的问题。不要让系统直接在员工邮箱和共享盘里漫无目的地搜索。先规定材料从哪里进入：采购项目文件夹、供应商门户、指定邮箱或业务系统。每份文件记录项目、供应商、收到时间、版本和权限等级，原始文件只读保存。

AI 可以识别文件类型，区分报价单、技术方案、资质文件、合同草案和补充说明。无法识别、文件损坏或疑似重复版本时，进入人工队列，不能默认使用“看起来最新”的一份。

这一层解决的是来源问题。没有稳定入口，后面的字段提取再准确，也可能基于错误版本工作。

第二步：从文件里提取候选字段

入口稳定了，再看该提取什么。先由采购和使用部门确定字段清单，再让 AI 提取。常见字段包括：

物料或服务名称、规格和数量；
单价、总价、币种、含税状态和税率；
交付周期、地点、付款条件和质保；
供应商资质、方案偏离项和有效期；
文件位置、页码或表格单元格。

最后一项很重要。每个字段都应能回到原始材料——与其只在一张新表里留下一个无法追溯的数字，不如让每个值都有据可查。字段没有出现就标记”缺失”，表达含糊就标记”待确认”，不要让模型根据上下文补齐。

第三步：统一单位和比较口径

字段提取之后，才是真正的难点。同一项材料可能按箱、件、公斤或服务周期报价；有的含税，有的不含税；有的把运输和安装放在总价里，有的单独列出。直接把原始数字排在一起，表格看起来完整，比较基础却不一致。

这一步应由确定性规则完成。先保存原值，再按经批准的换算关系生成标准值，同时记录公式、汇率日期或税务口径。AI 可以识别“这里可能需要换算”，但计算结果要由可复现的公式产生。

涉及币种、税率或复杂商务条款时，应由具备职责的人员确认口径。系统的任务是暴露差异，不是替企业作会计或法律判断。

第四步：检查完整性和异常

数据齐了，不等于逻辑自洽。有了结构化字段，规则系统可以检查必填项、数值范围和逻辑关系，例如总价是否等于数量乘以单价、交付时间是否晚于需求日期、资质文件是否过期。

AI 适合补充难以写成固定公式的检查：技术方案是否回答了关键问题，付款条件是否包含额外限制，供应商是否在不同文件里给出矛盾表述。这些都应作为“待核对线索”，附上对应原文。

异常清单最好按后果分级。缺一个联系人可以稍后补；报价范围不一致会影响比较；保密条款、重大偏离或超权限承诺则可能需要法务、财务或管理层介入。

第五步：生成可追溯的比价初稿

前面的准备，都为这一步服务。比价表的第一版可以由系统生成，但每一行都要保留三个层次：供应商原始表述、标准化结果、差异或缺失说明。

不要让 AI 一上来输出总分和排名。评分标准如果没有事先定义，模型很容易把文字完整度、品牌印象或表达方式混进判断。先让它完成资料对齐，让评审人员看到“差在哪里”和“依据在哪里”。

若企业已有明确的评分规则，可以由系统按规则计算，并把主观评价项留给相应评委。模型可以帮助整理评语，不能替评委编造理由。

第六步：形成澄清问题和评审摘要

比价稿做好后，缺漏自然会浮出来。比价初稿通常会暴露缺项和冲突。AI 可以把这些问题改写成面向供应商的澄清草稿，例如确认报价是否包含安装、交付日期从何时起算、某项规格偏离是否有替代方案。

发送前仍需采购人员确认。问题的措辞会影响谈判位置，其中还可能包含不应向某家供应商披露的信息。系统应按供应商分别生成，不把一家供应商的价格或方案带进另一家的邮件。

评审摘要则应区分事实、规则结果和待判断事项。事实来自原文，规则结果来自可复现计算，待判断事项明确交给责任人。三者混成一段“智能分析”，反而会让审阅更慢。

第七步：确认后再写回业务系统

最后一步，安全优先。经过人工确认的字段、问题和结论，才能写回采购系统、ERP、任务管理或审批流程。第一版可以生成待提交记录，由采购人员点击确认；等权限、错误类型和撤回机制都稳定后，再考虑自动写入低风险字段。

发生争议时，团队需要重放当时使用的资料和口径——只看到一段最终摘要显然不够。系统要保留原始文件、模型和规则版本、字段修改记录、批准人以及最终写入结果。

NIST AI 风险管理框架要求组织明确 AI 的预期用途、具体任务、知识边界和人工监督。放进采购流程，就是在上线前写清：AI 读什么、产生什么、谁复核、哪些动作不能执行，以及出错后如何撤回。

第一轮试点应该验证什么

不用铺开全部品类，先选一条窄路。先选一个规格相对稳定、历史材料完整、风险可控的采购类别。用一批已经结束、结论已知的项目做回放，覆盖正常报价、缺字段、不同单位、版本更新和方案偏离，不要只挑格式最整齐的样本。

验证时至少记录这些结果：

字段提取后，采购人员需要修改多少实质内容；
关键缺失和差异是否能在评审前被发现；
每个结论能否定位到原文件和计算过程；
整理、复核和返工的总时间是否下降；
哪类异常仍必须由采购、技术、财务或法务处理。

如果 AI 生成很快，人工却要从头核对所有内容，说明工作流还没有切实减负。可以缩小字段范围、加强引用定位，或把不稳定任务退出自动处理。盲目追加更长的提示词，并不会是出路。

采购 AI 的第一价值，不是自动选出”最优供应商”。它应该先把散乱材料变成一份来源清楚、口径一致、缺项可见的评审底稿，让采购人员把时间留给询价策略、风险判断和谈判。

本文引用的外部资料：

参考资料

专题：工作流设计#采购流程#AI 工作流#供应商管理#人机协作