在某家矿业集团的系统里，有这样两条记录：一条是"不等边角钢140×90×10"，另一条是"∠140×90×10mm Q235B"。在数据库看来，这是两种不同的物料；但在仓库里，它们却是同一根钢材。

这样的"一物多名"，在许多企业里并不罕见，甚至会导致企业对资产盘点不清。而类似的复杂状况，也延伸到了费用管理、人力资源、OA系统等等。

这背后有历史原因。许多企业的数字系统是“干中学、学中建”，形成了一个个“烟囱”，甚至企业越大，越“看不清”自己；也有行业的原因，每个产业都有自己的门道和方言。

最近一年多，大模型已经从对话转向了智能体，从生成走向了执行。但上述的种种状况，却成为AI在产业中发力的一道门槛。换句话说，智能体要在企业里“打工”，首先必须能读懂企业、读懂产业。

就像物料管理、费用管理，不仅是企业经营复杂度较高的地方，也是企业的稳健发展的根基之一。如果AI不能胜任，那发展的空间也会打折扣。

所以，行业不仅需要一个产品方案，也需要一份践行指南。科大讯飞发布的穿透式监管智能体，正是这样背景下的一次探索。

读懂采购

大部分企业的采购业务仍处于数字化转型阶段，采购业务管理也面临“沟坎”：
一是系统不通。集团的ERP、招采平台、供应商库等等，可能用的是不同年代、不同厂商的系统。系统功能不完善、管理标准也不统一、多源数据更新节奏也不同。

二是语言不通。同一种物料，各单位叫法也五花八门、型号不一、编码规则自成体系。业务信息难流通、难协作。

这就导致，海量数据在场、但有效价值缺席。

如何让AI读懂采购？科大讯飞的解法，不是开发一个功能，而是建设一条“数据、模型、智能体、实践”的完整链条。

首先，实现业务数据智能接入。面对复杂的产业，先立标准更重要。包括格式标准、字段标准、业务规则、代码标准等。各单位形态各异的源数据，也进行字段、格式、表名和层级的规范入库。

这一步很枯燥，也决定成败。只有把物料、合同、招投标、履约等等历史数据归拢成统一的编码体系、价格体系、供应商体系，AI才能有的放矢。

其次，进行多头数据智能治理。入库不等于可用，仍需进一步治理。这一步的核心是能把结果反馈回源头，形成闭环，而非一次性清洗。数据质量从此靠机制维持，不靠运动式突击。

然后，构建智能物料大模型。基于自研、以及开源模型，博采众长，并形成丰富的细分模型库，例如物料类别映射模型、属性抽取模型、价格趋势预测模型等。比如属性抽取模型，可以抽离出材质、尺寸、规格等核心属性，从而判断两条记录指向的是不是同一个"物"。

借助一物一码，让数据从"无序化"跃迁到"资产化"。而当这一步完成后，就可以结合企业供应链相关系统，让“智能物料数字员工”上岗了。

在实践中，客户基于这套方案，完成了2万多个精细化物料分类；600多万条高质量物料数据集、1万多个权威物料属性组合。相当于把成百上千家的物料常识，都装进了一个大脑里。

此时的智能体，不仅博闻强识，而且可以预判所有物料的采购价格，并给出依据，让企业安心地享受AI红利；也可以对供应链采购进行全流程监管，并且对采购相关事项进行纵向穿透，实现跨体系、跨地域、跨层级的对比，在流程中实时预警，而不是等审计时回头翻账，更全面提升合规状况。

这时候，AI影响的就不只是采购，而是重塑供应链管理格局。