供应商准入，不能只看报价和熟人背书

不少制造企业在扩产、换料、降本或客户指定供应商时，都会遇到一个现实问题：新供应商看起来价格合适、响应也快，但真正进入生产后，风险才逐步暴露。来料批次不稳定，交期承诺反复变化，质量问题没有整改闭环，合同条款和付款条件留下隐患，甚至供应商主体、授权、环保、劳动用工和知识产权边界都没有被认真核过。

这些问题在准入阶段看似不紧急，一旦进入量产，就会变成生产停线、客户投诉、返工返修、临时采购、库存占用和回款争议。对老板和工厂管理者来说，供应商准入不是采购部门的表格流程，而是企业把外部能力接入内部生产体系前的一道风险闸门。

AI智能体可以参与这道闸门，但它不应该被设计成“自动给供应商打分”“自动决定能不能合作”的工具。更可靠的做法，是先让智能体把准入所需证据收齐、冲突点标出来、缺口任务分派出去，再由采购、质量、工程、财务、法务和管理层按权限复核。这样，AI不是替企业拍板，而是让准入判断有据可查。

第一层：先审供应商主体和授权边界

供应商准入的第一类风险，是主体是否真实、授权是否清楚、合作边界是否可追溯。很多企业只保存营业执照、联系人和报价单，却没有把供应商主体、开户信息、实际生产地址、授权资质、代理关系、关联公司、历史合作记录统一起来。一旦后续出现质量索赔、交付违约或付款争议，企业才发现合同主体、收款主体、发货主体和实际生产主体并不一致。

AI智能体在这个环节应优先审查几个信号：供应商档案是否完整，证照是否在有效期内，合同主体和发票主体是否一致，授权文件是否覆盖当前产品和区域，关键联系人是否留痕，关联供应商是否重复准入，黑名单或异常记录是否被绕过。它可以把这些信息从 SRM、ERP、合同台账、供应商档案和历史邮件中抽取出来，形成“主体一致性”和“授权完整性”的核验结果。

这里的重点不是追求复杂模型，而是把过去分散在网盘、邮件、微信、纸质档案和系统字段里的资料，变成可被复核的证据链。若主体不清，后面的价格、交期和质量评估都可能建立在错误对象上。

第二层：产能和交付承诺要回到真实约束

准入时最容易被高估的是供应商产能。供应商说“可以交”，采购也希望“多一个选择”，但真实产能受设备、人员、原材料、排产优先级、外协能力和质量放行速度影响。若企业只看供应商口头承诺或报价周期，很难判断它能否承接持续订单、急单、插单和客户变更。

AI智能体适合把交付风险拆成可核验的证据：供应商提供的产能说明是否和设备清单匹配，历史订单是否存在频繁延期，关键物料是否依赖单一来源，试供周期是否覆盖正常生产节奏，承诺交期是否与运输、检验和入库时间相匹配。对于已有合作记录的供应商，还可以结合到货记录、质量放行、采购变更、供应商回复时效和异常关闭情况，判断交付承诺是否稳定。

这类判断对成都及西南制造企业尤其重要。很多企业的供应链半径并不只在本地，外地供应商看似价格更低，但运输、响应、现场整改和紧急补货成本会被低估。准入审查必须把交付能力放进真实业务场景里，而不是只看供应商提交的一页产能介绍。

第三层：质量体系不能停在证书和一次样品

供应商质量准入最常见的误区，是把体系证书、首件合格和样品通过当成长期稳定的证明。证书只能说明供应商具备某类体系基础，首件合格只能说明某一批样品达到了要求，并不代表批量供货时不会出现过程波动、替代材料、工艺漂移、检验标准不一致或整改拖延。

AI智能体在质量准入阶段应审查三类证据：一是供应商质量体系文件和企业自身检验规范是否匹配；二是试供批次的来料检验、异常记录、复检结论和整改关闭是否完整；三是质量问题发生后，供应商是否能按时提供原因分析、纠正措施和预防措施。若企业已经有 QMS、MES、WMS 或 EAM 数据，智能体还可以把来料批次、生产工单、返工返修、客户投诉和供应商整改记录关联起来。

真正有价值的不是让 AI 说“这个供应商质量好不好”，而是让 AI 指出质量判断缺了哪类证据。例如：只有样品检验，没有试供批次；只有异常描述，没有整改关闭；只有供应商自检报告，没有企业复检记录；只有质量部门意见，没有工程和生产影响评估。缺口被看见，准入会议才有讨论基础。

图1：准入评审需要把资质、产能、质量、交付、财务和合规放在同一张证据桌上。

第四层：试供阶段要变成准入证据，而不是走过场

很多供应商准入失败，并不是因为企业没有做试供，而是试供没有被设计成可判断的验证过程。采购拿到样品，质量做了几项检验，生产试用一次，最后形成“可以试着用”的口头结论。等到量产后问题出现，没人能说清当时到底验证了什么、谁确认过、哪些风险被豁免、哪些问题尚未关闭。

试供阶段应至少形成四类证据：试供批次和物料批号，来料检验和过程试用记录，异常问题与整改关闭，工程、生产、质量、采购的复核意见。对于关键物料、关键零部件或影响客户交付的供应商，还应增加替代料影响、库存策略、客户认证要求和量产切换条件。AI智能体可以根据物料类别、客户项目、历史异常和质量等级，提醒企业试供验证是否过轻，是否需要补充验证。

这也是 AI 与传统表格最大的区别。表格只能记录“已完成”，智能体应能追问“完成得是否足以支撑准入判断”。当试供记录、检验结论、异常关闭和量产条件被串起来，准入不再是一次会议上的主观判断，而是可以复盘的业务证据。

图2：试供阶段应沉淀批次、检验、异常和整改关闭证据，而不是只留下口头结论。

第五层：财务、合规和合同风险不能等到签约后再补

供应商准入往往由采购推动，但风险不只在采购。付款条件是否异常，账期是否冲击现金流，发票和税务是否合规，保密和知识产权条款是否覆盖图纸、工艺、客户资料，环保、安全、劳务和数据使用是否存在潜在问题，这些都可能在后续合作中变成管理层风险。

AI智能体不应替法务或财务做最终判断，但可以把合同草案、付款条件、供应商资质、历史结算、异常扣款、质量索赔和审批记录放在一起，提示需要人工复核的点。例如，新供应商要求高比例预付款但缺少稳定交付记录；供应商报价明显低于历史水平但没有成本解释；合同中对质量责任、交付违约、保密范围和图纸使用的约定不清；付款主体与合同主体不一致。这样的提示比单纯“风险评分”更有用。

对老板来说，供应商准入不是为了把流程做复杂，而是为了防止小概率风险在量产后放大。AI能做的，是把风险提前摆上桌面，让不同部门在签约前把边界讲清楚。

第六层：准入之后，还要有预警、整改和退出机制

供应商准入不是一次性通过。很多企业的问题恰恰发生在“准入后无人持续看”。供应商前几批表现不错，后面因为客户订单增加、原材料波动、人员变动或成本压力，质量和交付开始下滑；企业却仍然按原来的合格供应商状态采购，直到问题影响客户交付才被动处理。

AI智能体应把供应商生命周期分成准入、试供、量产、预警、整改和退出几个状态，并将状态变化绑定到证据，而不是绑定到个人印象。来料不合格率上升、延期次数增加、整改超期、价格异常波动、合同争议、客户投诉关联、财务付款异常，都可以成为预警信号。预警之后，应自动形成待办：采购负责沟通，质量负责验证，工程负责替代方案，财务评估影响，管理层决定是否暂停、降级或退出。

退出机制同样需要证据。企业不能因为一次异常就草率淘汰供应商，也不能因为关系熟就长期容忍风险。合理的做法，是把异常次数、影响范围、整改结果、替代供应商准备情况和客户交付风险放在一起，形成可审计的退出复盘。

图3：供应商准入之后，还要持续跟踪预警、整改和退出复盘。

逐米时代更适合从供应链数据和业务闭环切入

如果成都制造企业要把 AI 用在供应商准入上，第一步不是购买一个通用聊天工具，而是梳理供应商主数据、采购合同、来料检验、质量异常、交付记录、付款记录和审批留痕。只有这些资料能被可信地组织起来，智能体才有条件判断“证据是否完整、风险是否异常、责任是否明确”。

逐米时代的价值，可以放在这个切入点上理解。它不是让 AI 脱离业务系统单独回答问题，而是围绕可信数据底座、企业知识图谱、数字工厂和企业智能体，把 SRM、ERP、MES、QMS、WMS 等系统中的关键证据连接起来，帮助企业把供应商准入从资料收集、风险提示、试供跟踪、整改关闭到退出复盘形成闭环。

对于采购负责人，智能体可以减少反复追资料和人工比对；对于质量负责人，智能体可以把试供、检验、异常和整改关联起来；对于财务和法务，智能体可以提前提示付款、主体、合同和合规异常；对于老板和管理层，智能体提供的不是一个漂亮分数，而是一套能解释、能追溯、能复核的供应商风险证据。

因此，供应商准入智能体的建设目标不应是“自动筛掉谁”，而应是让企业更早发现风险、更快补齐证据、更清楚地决定是否试供、量产、暂停或退出。准入做得越扎实，后面的质量、交付、成本和客户承诺才越不容易被动。