Agent 就绪鸿沟
采购 AI 采用数据到底揭示了试点与量产之间的真实距离——以及这对 B2B 基础设施战略意味着什么。
被引用的数据及其问题
一个广为流传的数据——"49% 在试点，仅 4% 已部署"——方向正确，但将差距夸大了 2-5 倍。
待核查的声称："2024 年 49% 的采购团队在试点生成式 AI，仅 4% 实现大规模部署。"
已反驳 49% 的试点数据基本可信。4% 的部署数据找不到任何一手来源支撑。可信调研中的实际部署率为 8% 到 20%。差距确实存在，但这一声称将其夸大了 2-5 倍。
这个头条数据——"49% 在试点，4% 已部署"——来自一个二手博客（Art of Procurement）对调研数据的转述。49% 这个数字与德勤的 CPO 调查（约 50%）和 Gartner 发现的 72% 采购领导者"正在探索或试点"GenAI 基本吻合。这部分经得起检验。
4% 这个数字才是问题所在。它不出现在任何一手调研中。将其与可信来源对比：
| 来源 | 年份 | 试点 / 探索中 | 已投入生产 | 可信度 |
|---|---|---|---|---|
| Gartner | 2024 | 72% | 15-20% | 一手来源 |
| Hackett Group | 2024 | 45% | ~18% | 一手来源 |
| 德勤 CPO 调查 | 2024 | ~50% | 8-10% | 一手来源 |
| Art of Procurement（声称数据） | 2024 | 49% | 4% | 二手来源 |
真实的差距在 3:1 到 5:1 之间（试点 vs. 生产），而不是"49% vs 4%"所暗示的 12:1。方向是对的——大多数采购 AI 确实卡在试点阶段——但幅度被夸大了。
为什么试点死在量产之前
即使修正了数字，差距依然显著且具有结构性意义。以下是采购 AI 停滞不前的原因。
数据质量
采购数据碎片化地散落在 ERP、电子表格和 PDF 中。AI 无法从垃圾数据中学习。
遗留系统集成
SAP、Oracle、Coupa——这些系统并非为实时 AI 推理而建。API 缺口是真实存在的。
风险与合规
AI 生成的合同条款或供应商评分没有审计追踪 = 采购团队无法接受的法律风险。
变革管理
采购专业人员天生厌恶风险。"AI 推荐了这个供应商"过不了内部审计。
85% 的失败率
约 85% 的企业 AI 项目未能实现预期 ROI（Gartner，总体数据）。采购领域 8-20% 的生产部署率实际上高于企业平均水平。
没人建设的 Agent 就绪层
试点到量产的差距不仅仅是软件问题，更是基础设施问题。互联网本身还没有为 Agent 做好准备。
"Agent 就绪"意味着什么
一个"Agent 就绪"的网站，是指 AI Agent 可以自主导航、理解产品目录、比较规格、执行交易并验证合规性——无需人工介入。可以把它理解为：为人类浏览设计的网站 vs. 为机器交易设计的网站，两者的本质差异。
消费者电商（B2C）
- OpenAI ChatGPT Shopping：2025 年上线，与主要零售商的产品级集成
- Shopify：API 优先架构，对 Agent 相对友好
- Amazon：结构化产品数据，但对 Agent 封闭花园
- Google Shopping：schema.org 标记已广泛普及
Agent 就绪度：中等。结构化数据存在，但针对搜索爬虫优化，而非自主 Agent。
B2B 采购
- SAP Ariba：企业级但 API 对自主 Agent 工作流支持有限
- Coupa：AI 功能存在但由供应商控制，Agent 无法直接访问
- 供应商门户：以人为中心，基于 PDF 的产品目录
- RFQ 流程：邮件驱动，机器可读性为零
Agent 就绪度：低。基础设施为人类买家而建，而非自主采购 Agent。
规范缺口
目前没有广泛采用的"Agent 就绪"B2B 商务规范。最接近的是：
- Schema.org Product 标记——为搜索引擎设计，非自主 Agent
- OpenAPI/Swagger——描述 API 接口但不涉及语义含义
- UNSPSC / eCl@ss——产品分类标准，但非 Agent 可操作
- MCP（Model Context Protocol）——Anthropic 推出的 Agent-工具交互新标准，但非商务专用
目前没有标准能将"这是我的产品目录"连接到"AI Agent 可以自主评估、谈判并从中采购"。这就是 Agent 就绪鸿沟。
基础设施战略启示
这对 B2B 采购领导者未来 12 个月意味着什么。
别再把"AI 采购"当作一个整体去追逐
那 8-20% 成功走向生产的团队，靠的是选择窄范围、高 ROI 的用例：支出分类、合同条款提取、供应商风险评分。而不是"自主采购"。
投资数据基础设施，而非 AI 模型
瓶颈在数据质量和系统集成，不在模型能力。现在清理采购数据的公司，当 Agent 就绪商务标准成熟时将领先 18 个月。
关注 Agent 商务标准
MCP、OpenAI 的商务 API 以及潜在的 Google Shopping Agent 集成将定义基础设施层。这些协议的早期采用者将在自主采购中获得先发优势。
3 个关键动作
审计你的 Agent 就绪度
AI Agent 目前能否解析你的供应商目录、跨厂商比较规格、生成合规的采购订单？如果不能，你还没 Agent 就绪。从结构化数据和 API 优先的采购接口开始。
选一个用例做深
成功走向生产的团队没有试图"用 AI 改造整个采购"。他们自动化了合同条款提取、或支出分类、或供应商风险监控——一件事，做到位，用干净的数据。
为协议层而建
无论你的 AI 战略是什么，确保采购系统暴露干净的 API 和结构化数据。当 Agent 商务标准成熟（2026 年），你可以即插即用。如果等到那时再动手，你会落后 12 个月。
诚实的评估
我们确信什么 vs. 我们在猜测什么——区分高置信发现与推测。
差距是真实的
采购 AI 的试点到量产差距真实且巨大（3-5 倍，非已反驳声称所暗示的 12 倍）。主要障碍是数据、集成和风险——而非模型能力。
Agent 就绪商务是下一个瓶颈
Agent 就绪商务基础设施是下一个瓶颈。尚无主导标准，但 MCP 和商务专用 API 是最有力的候选。
时间线偏乐观
Agent 商务采用的具体时间线。"12 个月"的框架假设标准到 2026 年中 converge，这偏乐观。
采购领域 AI 实验与生产就绪实施之间的差距是真实的，但这不是技术问题，而是基础设施问题。互联网还没有为 Agent 交易而建——至少目前还没有。
原始声称方向对了但幅度错了，而且错过了真正的故事：瓶颈不是 AI 能力，而是 AI 模型与它们需要操作的采购系统之间的基础设施层。