涨 10% 的工作量，对上只涨 1% 的预算
制造业采购部门这两年的处境可以用两个数字概括。采购的工作量同比大约增长 10%，而预算只增长约 1%。中间那道缺口，意味着同样一批人要处理更多供应商、更多报价、更多单据。
同时，高盛预测 2026 到 2031 年间 AI 相关资本开支规模可观，其中相当一部分会流向实体基础设施的建设与采购。也就是说，要采购的东西更多了，做采购的人却没变多。9 月 17 日宣布 1800 万美元 A 轮的 Magentic，切入的正是这段落差。
它做的不是一块新看板
Magentic 总部在伦敦与纽约，2025 年 7 月成立，创始人有麦肯锡与 OpenAI 背景。这轮由 Felicis 领投，红杉资本与 The Westly Group 等既有投资方继续参与。
它提供的是「AI 数字员工」，形态是多智能体系统，工作方式刻意模仿人：在微软 Teams 里、在邮件里、在企业自有系统里干活。公司强调不新增一个软件看板，而是让智能体直接在既有系统里动手——这个选择直接决定了落地阻力的大小，因为采购人员最不愿意多开一个界面。
公司对「智能体能干什么」的描述覆盖了完整链路：判断该自建还是外购、挑选合适的供应商、谈判合同、跑订单、清发票。资源投入上同时支持间接支出与直接支出，后者包括进入产品的原材料，也是公司认为最难、价值最高的部分。
五段动作里，哪一段最难
把这条链路拆开看，难度是递增的。
清发票最难标准化，但逻辑最简单——三单匹配、差异分类，规则成熟，自动化工具已经做了很多年。跑订单属于流程执行，变量有限。选供应商需要综合价格、交付、质量与历史表现，判断成分开始上升。谈合同进入真正的博弈区间，条款的可接受边界往往需要人来定。
最难的是判断自建还是外购。这一步不是资料检索问题，而是对技术路线、产能与成本结构的综合判断，其中相当一部分依据存在于资深采购人员的经验里，没有写进任何系统。
公司把「人始终在指挥」写进了表述。这句话在技术上对应的是审批与升级机制，在商业上对应的是责任划分——它把「智能体自己拍板」这类担忧提前剥离掉。但边界划在哪里，公开信息没有给出细则。
为什么要在 Teams 和邮件里干活
这个设计细节值得单独说，因为它往往比模型能力更影响落地。
大型制造企业的采购流程，大量沟通并不发生在采购系统里，而是散落在邮件、即时消息与线下确认中。一个只在专用界面里工作的智能体，需要人去「搬运」信息，实际节省的时间会被搬运成本吃掉。
反过来，在既有沟通工具里工作，意味着智能体读写的对象包括非结构化内容——邮件里的报价、消息里的确认。这既扩大了可处理的范围，也提高了出错后难以察觉的风险。公司给出的应对是企业级的安全约束：与主要模型供应商签订零数据留存协议、支持部署在任意云环境、并可选择在任意数据区域做隔离部署。
《财富》500 强客户与那几个百分比
公司披露了一批客户数据：单一客户现在每年通过 Magentic 的智能体跑超过一百万张订单；另一家客户已找到 400 万美元可节约金额。在《财富》全球 500 强客户中，通常能带来 2% 到 5% 的成本节约、数据质量提升 60%，并减少数万小时人工。客户名单包括三家全球饮料行业头部企业。
2% 到 5% 这个区间，放在采购这个品类里需要正确地定位。它的标的是数十亿量级的支出，因此绝对金额很大；但就比例而言，它与成熟的采购优化工具所宣称的区间高度重叠。换句话说，这个数字说明的是「智能体至少没有拖后腿」，而非「它打开了新的优化空间」。
60% 的数据质量提升倒是更值得关注，也更符合智能体擅长的方向。采购数据长期散落在多个旧系统里，格式不一、字段缺失，这类清洗与对齐工作此前依赖大量人工核对。智能体在这类「琐碎但要耐心」的任务上有结构性优势。
需要说明的是，以上均为公司与投资方披露口径，公开信息未见第三方独立复核。2% 到 5% 的节约测算通常包含基线争议——把哪一年、哪一类支出当成比较基准，会显著影响结果。
长期研究想突破的是什么
公司首席技术官 Odhran O'Donoghue 提到一个具体的技术目标：把前沿 AI 带进物理世界，需要突破上下文窗口有限的系统；他们想做的是能诊断问题、规划修复、采取行动，并且同时在数 TB 的多模态数据上把工作跟到底的 AI。
这段话点出了这类系统与普通对话式智能体的本质差别。采购决策的依据分散在合同、图纸、报价单、邮件与历史订单里，模态混杂、体量巨大。能否在一次推理里把这些材料综合起来，直接决定智能体是在做「信息检索」，还是在做「决策支持」。
这也解释了为什么公司把「深挖长时程 AI 研究」列为融资用途之一。在这个方向取得进展，比多接几个客户更能改变产品的天花板。
数字员工的另一面：谁来维护它
部署之后的问题通常比部署之前更多。多智能体系统在客户系统里长期运行，会积累三类需要持续照看的东西：供应商名录、合同模板与审批规则这些业务配置；工具接口与系统权限这些技术依赖；以及智能体在具体场景里形成的判断偏好。
公司提到客户系统靠 Excel 与旧 ERP 撑着，这意味着每接一家新客户，都要先把对方的系统摸一遍。这一段的成本是否随客户数量线性上升，直接决定了这类业务的毛利结构。公告里没有给出交付团队规模与单客户实施周期。
需要打问号的地方
有几个问题从公开信息里找不到答案。一是人工介入率：当智能体把「需要判断的情形」升级给人时，这个比例有多高，直接决定它省下的到底是时间还是只是把工作挪了个位置。二是错误成本：一笔由智能体执行的订单或合同条款出了偏差，追回的成本有多高。三是复制难度：公司提到客户系统被 Excel 与旧 ERP 撑着，那么每接一家新客户，需要多少定制工作，这一点决定了它的增长是线性的还是可以复用的。
公司自己的表述里也有一个耐人寻味的判断：他们认为采购团队未来会「变得更大」，因为每个人的价值提升了。这是个乐观假设，而这类系统在实际采购组织里的长期影响，只能由部署后的几年给出答案。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。