广告
加载中

千峰访谈三横科技柳勤瑾:供应链采购的模态进化在于从“流程驱动”走向“意图驱动”

亿邦动力 2026-10-28 16:59
亿邦动力 2026/10/28 16:59

邦小白快读

EN
全文速览

总1

文章核心是供应链采购从“流程驱动”走向“意图驱动”,三横科技用AI原生编排底座和双引擎落地。

1.三横定位为AI技术驱动的供应链与运营服务商,服务央国企及大型民企,模式为“技术+运营+供货贸易”三商一体。

2.双引擎分别面向央国企B2B商城和制造企业SRM智能采购,共享AI底座但适配不同采购逻辑。

总2

实操干货集中在AI智能体和案例数据。

1.AI智能采购用自然语言指令替代十余步审批,AI数据治理处理一物多码、重复建档,AI搜索理解业务语境,AI商品匹配自动关联物料与商品。

2.大型制造集团案例上线后AI业务覆盖率70%、审批节点降30%、梳理20万+条数据、采购效率提升40%,可借鉴点是用智能体承接重复规则工作并形成可复制价值链。

总1

文章对品牌商的价值在B2B渠道、产品研发与商品数据能力。

1.三横以AI原生编排技术为底座,形成央国企B2B商城与制造企业SRM双引擎,说明产品研发要按客户采购逻辑分层,而非一套通用系统包打。

2.B2B商城覆盖供应商后台、管理中台与商城前台,支撑电商化集采与产业协同,可作为品牌商理解B2B渠道和平台化销售路径的参考。

总2

商品与用户行为层面,文章强调意图驱动和数据治理。

1.自有商品池沉淀1000万+SKU,覆盖MRO工业品、办公用品、营销福利等品类,AI商品匹配可批量导入表格自动关联物料与商品,降低人工对照。

2.AI搜索理解采购业务语境和真实意图,AI数据治理清洗一物多码、重复建档,说明品牌商要做好商品标准化和数据底座,才能提升被搜索、匹配和集采触达效率。

总1

卖家可关注政策合规、市场机会与风险。

1.央国企和大型制造集团采购走向跨国多主体协同,要求多组织协同、合规审计、数据主权、私有化部署、等保与信创适配,这是进入该市场的硬门槛。

2.机会在AI供应链、全球化协同和大型企业数智升级;三横以“技术+运营+供货贸易”三商一体,说明卖家可从软件、运营、供货履约中寻找合作方式。

总2

可学习点与风险提示。

1.可学习AI智能采购、数据治理、智能搜索、商品匹配和智能比价,用智能体承接重复规则工作;案例显示AI业务覆盖率70%、审批节点降30%、效率提升40%。

2.风险是供应商和企业物料数据质量参差、脏数据与非标描述普遍,且原始业务数据不能跨客户流通;应对是AI治理加人机协同,并输出脱敏标准化能力而非数据搬家。

总1

文章直接对应生产制造型企业的SRM智能采购和全球化协同。

1.SRM贯通需求提报、寻源、订单、履约、供应商管理等全流程,适配全球化布局下跨区域协同管控,工厂可据此理解采购数字化的完整链路。

2.大型制造业集团年采购规模10亿+,原有痛点是物料基础数据混乱、招标合同智能化缺失、订单对账标准化低、旧系统难支撑全球管控。

总2

数字化和电商启示在AI落地与合规。

1.方案植入多AI智能体集群,落地物料自动新建、商品属性自动补充、商品自动匹配、AI搜索、智能比价、全流程可视化与风险预警。

2.上线后AI业务覆盖率70%、审批节点降30%、完成20万+条数据梳理、采购效率提升40%;工厂推进数字化应重视数据治理、私有化部署、等保与信创适配,并用真实履约反哺模型。

总1

行业趋势是供应链系统从流程驱动走向意图驱动,产业数字化从系统上线进入价值运营。

1.客户需要支持多组织协同、灵活拓展、合规与数据主权的供应链底座,央国企和大型制造集团从国内单点管控走向跨国多主体协同。

2.新技术包括AI原生编排、大模型意图解析、多智能体协同、垂类大模型,以及数据—模型—客户—业务增长飞轮。

总2

客户痛点与解决方案明确。

1.痛点有物料基础数据混乱、一物多码重复建档、搜索不准、招标合同智能化缺失、订单对账标准化低、跨区域协同效率不足。

2.三横用双引擎、AI智能采购、AI数据治理、AI搜索、AI商品匹配、智能比价和风险预警形成方案;案例中AI业务覆盖率70%、审批节点降30%、效率提升40%,并支持私有化部署、等保与信创。

总1

平台需求集中在多组织协同、合规审计和数据主权。

1.央国企B2B商城要覆盖供应商后台、管理中台与商城前台,支撑电商化集采与产业协同,同时满足合规、审计、多组织协同要求。

2.大型制造集团需要跨区域协同管控和全球化供应链平台,平台还要兼顾私有化部署、等保与信创适配,原始业务数据保存在客户侧。

总2

平台做法与运营风控。

1.三横以AI原生编排底座构建智能中枢,用多智能体做动态任务拆解、资源调度和自适应执行;横向连接供应商、物流等生态,实现信息同步、履约跟踪与风险预警。

2.运营上可用AI数据治理、AI搜索、AI商品匹配、智能比价提升效率;案例显示审批节点降30%、效率提升40%。风控上明确不做原始业务数据跨客户流通,只输出脱敏标准化能力和规则引擎。

总1

产业新动向是采购系统从流程驱动转向意图驱动,产业智能体重构B2B运行逻辑。

1.全球化使央国企和大型制造集团从国内单点管控走向跨国多主体协同,需要多组织、合规与数据主权兼顾的供应链底座。

2.三横以AI原生编排为底座,形成央国企B2B商城与制造企业SRM双引擎,并以“技术+运营+供货贸易”三商一体落地,体现商业模式变化。

总2

新问题与启示。

1.垂类大模型有长期必要性,因产业场景术语、规则、合规要求强;AI护城河是场景+产业数据+业务闭环,而非单纯算法。

2.数据要素形成数据—模型—客户—业务飞轮,但存在物料数据质量参差、非标描述、数据主权与信创合规等新问题;应对是AI治理加人机协同、私有化部署、能力协同而非数据搬家。案例指标包括70%、30%、20万+、40%。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

Summary 1

The article’s core argument is that supply-chain procurement is shifting from process-driven to intent-driven, with Sanheng Technology implementing this through an AI-native orchestration foundation and dual engines.

1. Sanheng positions itself as an AI technology-driven supply-chain and operations service provider for central SOEs, local SOEs, and large private enterprises, using a three-in-one model combining technology, operations, and supply trading.

2. The two engines serve central-SOE B2B malls and manufacturers’ intelligent SRM procurement respectively; they share the AI foundation but adapt to different procurement logic.

Summary 2

The practical insights center on AI agents and case data.

1. AI-powered procurement replaces more than ten approval steps with natural-language commands; AI data governance addresses duplicate material codes and duplicate records; AI search understands business context; and AI product matching automatically links materials to products.

2. In a large manufacturing group case, after launch AI business coverage reached 70%, approval nodes fell by 30%, more than 200,000 data records were cleaned up, and procurement efficiency rose by 40%. The lesson is to use agents for repetitive rule-based work and build a replicable value chain.

Summary 1

For brands, the article’s value lies in B2B channels, product R&D, and product data capabilities.

1. With AI-native orchestration as its foundation, Sanheng has built dual engines for central-SOE B2B malls and manufacturers’ SRM, indicating that product development should be layered around customers’ procurement logic rather than relying on one generic system for all.

2. The B2B mall covers supplier back office, management middle platform, and mall front end to support e-commerce-based centralized procurement and industrial collaboration; this can serve as a reference for brands seeking to understand B2B channels and platform-based sales paths.

Summary 2

At the product and user-behavior level, the article emphasizes intent-driven design and data governance.

1. Its own product pool contains more than 10 million SKUs across MRO industrial goods, office supplies, marketing and benefits, and other categories. AI product matching can batch-import spreadsheets and automatically link materials to products, reducing manual mapping.

2. AI search understands procurement business context and real intent, while AI data governance cleans duplicate material codes and duplicate records. This shows that brands must standardize products and build a solid data foundation to improve discoverability, matching, and reach in centralized procurement.

Summary 1

Sellers should focus on policy compliance, market opportunities, and risks.

1. Procurement by central SOEs and large manufacturing groups is moving toward cross-border, multi-entity collaboration, requiring multi-organization coordination, compliance auditing, data sovereignty, private deployment, and adaptation to classified protection and domestic IT innovation standards. These are hard thresholds for entering this market.

2. Opportunities lie in AI supply chains, global collaboration, and digital-intelligent upgrades for large enterprises. Sanheng’s three-in-one model of technology, operations, and supply trading suggests that sellers can seek cooperation through software, operations, and supply fulfillment.

Summary 2

Lessons and risk warnings.

1. Relevant lessons include AI intelligent procurement, data governance, intelligent search, product matching, and intelligent price comparison, using agents to handle repetitive rule-based work. The case shows 70% AI business coverage, a 30% reduction in approval nodes, and a 40% efficiency gain.

2. Risks include uneven supplier and enterprise material data quality, widespread dirty data and non-standard descriptions, and the fact that raw business data cannot flow across customers. The response is AI governance plus human-machine collaboration, delivering desensitized and standardized capabilities rather than data migration.

Summary 1

The article directly addresses SRM intelligent procurement and global collaboration for manufacturing enterprises.

1. SRM runs through the full process of demand submission, sourcing, orders, fulfillment, and supplier management, and supports cross-regional collaborative control under global layouts. Factories can use this to understand the full chain of procurement digitalization.

2. A large manufacturing group has annual procurement of more than RMB 1 billion. Its original pain points were chaotic master material data, insufficient intelligence in bidding and contracts, low standardization in order reconciliation, and legacy systems that could not support global control.

Summary 2

Digitalization and e-commerce lessons lie in AI implementation and compliance.

1. The solution embeds multiple AI agent clusters and implements automatic material creation, automatic product-attribute supplementation, automatic product matching, AI search, intelligent price comparison, full-process visibility, and risk alerts.

2. After launch, AI business coverage reached 70%, approval nodes fell by 30%, more than 200,000 data records were reviewed, and procurement efficiency rose by 40%. Factories advancing digitalization should prioritize data governance, private deployment, classified protection, and domestic IT innovation adaptation, and use real fulfillment to feed the model.

Summary 1

The industry trend is that supply-chain systems are moving from process-driven to intent-driven, and industrial digitalization is moving from system deployment to value operations.

1. Customers need a supply-chain foundation that supports multi-organization collaboration, flexible expansion, compliance, and data sovereignty. Central SOEs and large manufacturing groups are moving from single-point domestic control to cross-border multi-entity collaboration.

2. New technologies include AI-native orchestration, large-model intent parsing, multi-agent collaboration, vertical large models, and a data-model-customer-business growth flywheel.

Summary 2

Customer pain points and solutions are clear.

1. Pain points include chaotic master material data, duplicate records from multiple codes for one item, inaccurate search, insufficient intelligence in bidding and contracts, low standardization in order reconciliation, and insufficient cross-regional collaboration efficiency.

2. Sanheng addresses these with dual engines, AI intelligent procurement, AI data governance, AI search, AI product matching, intelligent price comparison, and risk alerts. In the case, AI business coverage reached 70%, approval nodes fell by 30%, and efficiency rose by 40%, with support for private deployment, classified protection, and domestic IT innovation.

Summary 1

Platform requirements center on multi-organization collaboration, compliance auditing, and data sovereignty.

1. Central-SOE B2B malls must cover supplier back office, management middle platform, and mall front end, support e-commerce-based centralized procurement and industrial collaboration, and meet compliance, audit, and multi-organization collaboration requirements.

2. Large manufacturing groups need cross-regional collaborative control and global supply-chain platforms. Platforms must also accommodate private deployment, classified protection, and domestic IT innovation adaptation, while keeping raw business data on the customer side.

Summary 2

Platform approach and operational risk control.

1. Sanheng uses an AI-native orchestration foundation to build an intelligent hub, with multiple agents handling dynamic task decomposition, resource scheduling, and adaptive execution; it horizontally connects suppliers, logistics, and other ecosystem partners to enable information synchronization, fulfillment tracking, and risk alerts.

2. Operationally, AI data governance, AI search, AI product matching, and intelligent price comparison can improve efficiency; the case shows a 30% reduction in approval nodes and a 40% efficiency gain. For risk control, it explicitly avoids cross-customer circulation of raw business data and only outputs desensitized standardized capabilities and rule engines.

Summary 1

The new industrial trend is that procurement systems are shifting from process-driven to intent-driven, and industrial agents are reshaping the operating logic of B2B.

1. Globalization is pushing central SOEs and large manufacturing groups from single-point domestic control toward cross-border multi-entity collaboration, requiring a supply-chain foundation that balances multi-organization needs, compliance, and data sovereignty.

2. With AI-native orchestration as its foundation, Sanheng has formed dual engines for central-SOE B2B malls and manufacturers’ SRM and is implementing them through a three-in-one model of technology, operations, and supply trading, reflecting a change in business models.

Summary 2

New issues and implications.

1. Vertical large models are necessary over the long term because industrial scenarios have strong terminology, rules, and compliance requirements. The AI moat is scenarios plus industrial data plus business closed loops, not algorithms alone.

2. Data elements form a data-model-customer-business flywheel, but new issues remain, including uneven material data quality, non-standard descriptions, data sovereignty, and domestic IT innovation compliance. The response is AI governance plus human-machine collaboration, private deployment, and capability collaboration rather than data migration. Case metrics include 70%, 30%, 200,000+, and 40%.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

【亿邦原创】柳勤瑾,广州市三横信息科技有限公司董事长/CEO。三横科技定位为以AI技术驱动的供应链与运营服务商,服务全国央企、国企及大型民营企业,以自研AI原生编排技术为底座,形成面向央国企的B2B商城系统与面向生产制造型企业的SRM企业智能采购系统双引擎,并以“技术+运营+供货贸易”三商一体为业务模式。本届千峰奖访谈中,柳勤瑾围绕AI与出海带来的模态进化,分享了三横科技在供应链采购方向的实践与判断。

亿邦:本届千峰奖以「AI与出海带来的模态进化」为核心主题,聚焦产业能力的深层重构。结合软件和信息技术行业,您如何理解这一轮由AI和全球化共同驱动的产业模态进化?三横科技在AI能力建设与全球化出海上有哪些核心战略布局?能否具体介绍一下公司的定位及业务模式?

柳勤瑾:在我看来,供应链采购领域这一轮产业模态进化的本质,是供应链系统从“流程驱动”走向“意图驱动”。过去数字化更多解决的是线上化、流程固化与信息透明化,而AI真正带来的变化,是系统开始理解业务意图,能够围绕目标自主拆解任务、动态调度资源、闭环跟踪结果。叠加全球化趋势,央国企和大型制造集团的采购与供应链正在从“国内单点管控”走向“跨国多主体协同”,企业需要一套支持多组织协同、灵活拓展,同时兼顾合规与数据主权的供应链底座,这是我们看到的确定性机会。

三横科技的定位,是以AI技术驱动的供应链与运营服务商,服务全国央企、国企及大型民营企业。我们不是单纯交付一套软件,而是为企业搭建持续进化的智能供应链平台,解决客户采购管理痛点与满足其数字化转型需求;并在此基础上,依托数字化能力持续深耕供应链服务,为客户提供更便捷的运营和供货服务,形成技术+运营+供货贸易三商一体的业务模式。

核心布局上,我们以自研AI原生编排技术为底座,构建供应链采购智能中枢,通过大模型意图解析与多智能体协同,实现采购全流程的动态任务拆解、智能资源调度与自适应执行。在产品层形成双引擎:面向央国企的B2B商城系统,覆盖供应商后台、管理中台与商城前台,支撑电商化集采与产业协同;面向生产制造型企业的SRM企业智能采购系统,贯通需求提报、寻源、订单、履约、供应商管理等全流程,适配全球化布局下的跨区域协同管控。

亿邦:您提到三横科技的产品层形成“双引擎”:面向央国企的B2B商城系统,和面向生产制造型企业的SRM企业智能采购系统。这两类产品分别解决什么核心问题?为什么需要两套引擎而不是一套通用系统?

柳勤瑾:两类客户的采购逻辑不同。央国企的B2B商城系统,核心是电商化集采与产业协同,覆盖供应商后台、管理中台与商城前台,要满足合规、审计、多组织协同的要求;生产制造型企业的SRM系统,核心是贯通需求提报、寻源、订单、履约、供应商管理等全流程,适配全球化布局下的跨区域协同管控。两套引擎共享同一个AI原生编排底座,但上层业务逻辑分别适配两类客户的采购场景,不是一套通用系统能同时满足的。

亿邦:目前贵公司在哪些核心业务环节落地了AI/大模型技术?形成了怎样独具特色的AI或数智化竞争力体系?

柳勤瑾:三横科技将大模型深度耦合采购全业务链路,围绕企业采购完整流程落地多套核心AI智能体。

AI智能采购:提供自然语言交互入口,用户直接输入业务指令就可以发起采购,摒弃多层菜单操作,将传统十余步人工审批操作简化为自然语言指令交互,降低采购人员操作门槛。

AI数据治理:针对一物多码、重复建档等供应链管理难题,借助AI工具自动完成物料类目识别、属性填充、档案合并操作,有效清洗脏数据,夯实整个供应链的数据底座。

AI智能搜索:理解采购业务语境与真实业务意图,重构搜索权重规则,解决传统系统搜索不准的痛点。

AI商品匹配:实现物料档案与平台商品自动关联,支持批量表格导入自动匹配商品,大量节约人工对照的工作量。

亿邦:在纵向打通产供销全链路、横向整合产业资源方面,AI分别发挥了什么作用?

柳勤瑾:在纵向价值链上,AI打通需求提报、寻源比价、订单履约、供应商管理与对账结算全链条,向上对接集团预算、合规与风控体系,高效管控;向下以模块化能力适配不同子公司、不同板块的个性化流程。在横向产业资源上,平台底座连接供应商、物流等协同生态,实现信息同步、履约跟踪与风险预警,增强跨企业、跨区域协同。

亿邦:您把三横科技的数智竞争力概括为“AI原生技术底座+真实供应链业务闭环”。这个概括具体怎么理解?和传统软件厂商的区别在哪里?

柳勤瑾:三横科技的数智竞争力可以概括为“AI原生技术底座+真实供应链业务闭环”。一方面,区别于传统软件厂商基于BPM的流程固化架构,我们自研AI原生编排引擎,支持意图驱动的动态流程调度,系统拓展性相比传统方案提升10倍,而开发成本约为传统定制化项目的1/10。另一方面,我们不止做工具,也具备真实供应链运营与供货履约能力,真实业务场景持续校验和反哺AI模型,形成“技术懂业务、业务反哺技术”的壁垒。

亿邦:能否分享一个最具代表性的“AI+价值链”创新实践案例?它解决了哪些行业共性痛点,创造了哪些可感知、可量化的价值?

柳勤瑾:最具代表性的案例,是我们为国内某大型制造业集团实施全球化供应链系统升级。该集团业务布局全球,年采购规模10亿+,典型痛点包括:物料基础数据混乱,缺少智能化识别与治理工具;原有采购平台能力不足,招标、合同等环节智能化应用缺失;订单与对账标准化程度低,跨区域协同效率不足,旧系统难以支撑全球化业务管控。

我们基于“三横八爪鱼供应链智能体系”,为客户部署SRM企业智能采购系统,植入多AI智能体集群,落地物料自动新建、商品属性自动补充、商品自动匹配、AI搜索、智能比价,以及全流程可视化与风险预警,支撑全球供应链协同一体化。

项目上线后,客户供应链系统AI业务覆盖率达到70%,审批节点下降30%,完成20万+条数据梳理,采购整体效率提升40%。这套方案的价值不在于单点功能替代,而在于用AI智能体承接大量重复性、规则性工作,把物料治理、采购执行、寻源协同贯通为一条可管控、可追溯、可复制的价值链。这套经过业务验证的解决方案可复制应用到同类大型制造客户,帮助客户在数智升级中兼顾效率、合规与全球化协同。

亿邦:在推进AI规模化落地过程中,数据要素扮演了怎样的支撑角色?三横科技更侧重自有产业数据深耕,还是推进跨主体、跨行业的数据协同?核心挑战是什么、如何应对?

柳勤瑾:数据是三横AI供应链体系的核心燃料。我们构建的是“数据—模型—客户—业务”的增长飞轮:采购业务持续产生物料、商品、寻源、履约与供应商数据;数据经治理后用于训练和优化智能体;更强的AI系统反过来提升客户采购效率与数据质量,进而沉淀更高价值数据,让系统越用越准、越用越聪明。

在策略上,我们优先深耕自有产业场景数据。三横自有商品池已沉淀1000万+SKU,覆盖MRO工业品、办公用品、营销福利等全域品类,并积累覆盖能源、制造、建筑等行业的真实采购业务场景数据。对于跨主体、跨企业原始业务数据,我们明确守住红线,严格遵守数据安全与国资监管要求,不做原始业务数据的跨客户流通;更多是输出经过抽象、脱敏和标准化后的行业业务能力、物料标准与规则引擎,沉淀到平台底座,实现“能力协同”而非“数据搬家”。

在这过程中最大的挑战有两个:一是不同供应商、不同企业物料数据质量参差,脏数据、非标描述、口径不一致普遍存在;二是央国企客户对数据主权、私有化部署、等保与信创合规要求极高。我们的应对方式是:一方面持续打磨AI数据治理Agent,并结合人机协同机制,把非标数据治理从纯人工经验工程升级为半自动化、可规模化的能力;另一方面产品原生支持私有化部署、等保与信创适配,客户原始业务数据完全保存在客户侧,我们只输出算法、模型与产品能力,在保障数据主权与合规前提下完成模型迭代。

亿邦:您怎么看产业智能体改写B2B?垂类大模型是否有长远发展必要?产业互联网公司的AI护城河在何处?

柳勤瑾:产业智能体正在重构B2B产业互联网的运行逻辑。传统产业互联网更多是聚焦简单的线上化、流程数字化,而产业智能体能够帮助人读懂业务意图,自主完成询价、寻源、履约、风险预警等供应链任务,把过去人驱动的单点流程,升级为自主协同的业务闭环,大幅降低当中的交易与运营成本。

垂类大模型具备长期发展的必要性。通用大模型擅长通用语言理解,但产业场景有大量行业术语、业务规则、合规要求,通用模型很难满足采购、供应链等场景的精准性、可靠性要求,基于产业数据训练的垂类模型,更贴合业务逻辑,可落地性更强。

产业互联网企业的AI护城河,不在于单纯的算法模型,而是场景+产业数据+业务闭环。算法可以快速迭代,但沉淀下来的真实产业业务数据、客户供应链业务规则、落地的业务运营能力很难复制。只有AI深度嵌入真实交易流程,在业务运转中持续沉淀数据、迭代模型,才能形成可持续的壁垒。

亿邦:您在补充分享中提到,产业AI的落脚点是把AI能力深度绑定到可交易、可履约、可核算价值的闭环业务场景中。这个判断怎么理解?三横科技怎么避免AI停留在演示与概念层面?

柳勤瑾:我们的核心观点始终如一,产业AI的落脚点,是把AI能力深度绑定到可交易、可履约、可核算价值的闭环业务场景中。脱离真实业务闭环的大模型和智能体,容易停留在演示与概念层面,难以持续创造商业价值。

供应链采购是典型的强规则、强履约、强合规场景,AI不能只做查询和文本生成,而必须深入需求决策、寻源匹配、履约管控、风险识别等真实交易环节。三横坚持“技术服务业务,业务反哺技术”,不做脱离场景的纯算法研发;所有智能体设计和模型迭代,都围绕真实采购履约过程打磨,让AI在业务流转中持续验证效果、自主优化。

亿邦:您还提到,未来产业数字化会从“系统上线”进入“价值运营”新阶段。这个判断对三横科技意味着什么?

柳勤瑾:未来,产业数字化会从“系统上线”进入“价值运营”新阶段。对央国企和大型集团客户而言,数智化转型不再是建一套软件,而是搭建一套能够持续自我优化、支撑内外协同的供应链运营底座。三横科技将持续夯实AI原生供应链技术能力,依托“技术+运营+供货贸易”三商一体模式,帮助更多大型企业打通采购价值链,在全球化竞争中构建更具韧性、更高效率的供应链体系。

作为TO B领域年度风向标,“2026第八届亿邦产业互联网年会暨首届产业智能体大会”将于2026年11月20日在北京召开。主题定为“AI与出海带来的模态进化”,聚焦产业智能体落地、AI供应链价值重构、数据要素与TOKEN经济、产业出海新生态等前沿议题深度思辨。大会将集结学界权威、央国企标杆、产业龙头、投资机构、服务生态伙伴,汇聚产业核心力量、拆解产业数智化转型路径、分享前沿实战经验。同期还将发布年度产业互联网报告及标杆案例,举办决策人闭门会、“千峰奖”颁奖盛典。


本文首发于 亿邦动力 官方网站

文章来源:亿邦动力

广告
微信
朋友圈

FAQ回顾

三横科技是什么公司?

三横科技全称广州市三横信息科技有限公司,定位为以AI技术驱动的供应链与运营服务商,服务全国央企、国企及大型民营企业;以自研AI原生编排技术为底座,形成面向央国企的B2B商城系统与面向生产制造型企业的SRM智能采购系统双引擎,并采用“技术、运营、供货贸易”三商一体模式。

供应链采购系统从“流程驱动”走向“意图驱动”是什么意思?

本质是系统开始理解业务意图,围绕目标自主拆解任务、动态调度资源并闭环跟踪结果;过去数字化主要解决线上化、流程固化和信息透明化。三横科技以自研AI原生编排技术为底座,通过大模型意图解析与多智能体协同,实现采购全流程的动态任务拆解、智能资源调度与自适应执行。

央国企与生产制造企业的采购系统为什么需要不同引擎?

两类客户采购逻辑不同。央国企B2B商城核心是电商化集采与产业协同,覆盖供应商后台、管理中台与商城前台,需满足合规、审计、多组织协同;制造企业SRM贯通需求提报、寻源、订单、履约、供应商管理等全流程,适配全球化跨区域协同管控。两套引擎共享同一AI原生编排底座,但上层业务逻辑分别适配。

三横科技在采购场景落地了哪些AI智能体?

三横科技将大模型耦合采购全业务链路,落地AI智能采购、AI数据治理、AI智能搜索、AI商品匹配等智能体。AI智能采购用自然语言指令发起采购,简化十余步人工审批;AI数据治理自动识别物料类目、填充属性、合并档案;AI智能搜索理解采购语境与意图;AI商品匹配实现物料档案与平台商品自动关联。

AI供应链系统能为大型制造企业带来哪些可量化价值?

三横科技为国内某大型制造业集团部署SRM企业智能采购系统与多AI智能体集群,落地物料自动新建、商品属性补充、自动匹配、AI搜索、智能比价及全流程可视化与风险预警。项目上线后,客户供应链系统AI业务覆盖率达70%,审批节点下降30%,完成20万+条数据梳理,采购整体效率提升40%。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0