AI 行业落地 | 第32期：订单90秒进仓，智能体开始跨系统干活

AI行业落地 · 2026-10-30 · 九羲科技

今天的三件事，看起来风马牛不相及：一家日化巨头把订单处理从20分钟压到90秒；Meta把一个表现不错的智能体亲手拆成14个；埃森哲的一名外包员工，让智能体在美国防部网络里跑了两个月，还顺手把登录凭证传到了外网。

它们其实是同一件事的三个面：智能体正在走出"问答框"，钻进企业真正的系统和流程。进去之后才发现，考验它的不是模型有多聪明，而是系统之间那些没写进文档的规矩。

· · ·

联合利华：订单从20分钟压到90秒

1. 背景：单子长什么样

联合利华一年大概2000万张订单，其中约200万张还是以邮件、PDF、表格，乃至纸质单据照片的形式进来。30万直接客户，从连锁超市到地方分销商，各有各的格式。一张单子，人工录入要15到20分钟。

更紧的是成本账。CFO在10月28日的财报电话会上说，2026年大宗商品通胀预期从8.5亿上调到约9亿欧元，提价2.3%，原话是"全利润表推生产力"——不靠涨价保利润，靠每一行省出来。¹

2. 方案：五个智能体，四读一审

这套叫NOVA的系统基于微软Foundry（Microsoft Foundry，微软的智能体开发与运行平台）构建，是联合利华第一个这个规模的多智能体供应链系统。分工很干净：4个智能体负责读邮件、理解上下文、把订单抠出来；第5个负责核查，确认无误后写入SAP；缺信息或者看着不对劲的，转人工复核。²

设计上有一句值得抄的话，来自联合利华订单到现金全球负责人Deepalok Roy Chowdhury："客户不应该去适应我们的技术。"分销商同时跟几十家供应商做生意，不可能为每一家改单据格式。所以适配的成本，联合利华自己扛——让智能体去读客户的格式，而不是让客户改格式。²

图注：联合利华巴西配送中心实景（图片来源：Mecalux案例库 interlakemecalux.com）

3. 效果与成色：数字都来自官方

订单首步处理从15–20分钟压到约90秒；试点市场95%的订单无需人工触碰；退款索赔结算快了一倍；新客户上线时间省了90%。目前已在11个试点市场处理了数千张生产订单，计划扩展到50多个市场，北美是下一站——那是联合利华最大的市场。全球已上线8个智能体。¹²

成色说明：以上数字出自微软官方案例研究（受访的是客户运营技术负责人Francis Castro、客户运营负责人Graham Sommer），经PYMNTS 2026年10月29日报道。都是官方披露口径，第三方独立审计数据未见，读的时候打个折。

值得抄走的方法点：把"适配成本"从客户转移到自己。B2B的AI落地，最被低估的一刀往往在这里——不让客户改格式，AI去迁就人。

再往深看一层。PYMNTS的CFO调查里，42%的年营收10亿美元以上企业CFO预期，跨系统（ERP、应收、应付、资金）协调型智能体会带来高影响；而90%的CFO说，集成复杂度是继续往下走的最大障碍。¹真正的战场不在模型，在系统之间的胶水——做私有化集成的人，对这句话应该最有体感。

Meta：一个智能体不够，拆成14个

1. 背景：数据列上线，横跨好几个子系统

Meta推荐系统的数据列（data column）上线，流程横跨多个子系统，每个子系统有自己的指令和知识。Meta最初的做法很直觉：做一个智能体，把所有子系统的指令和知识都喂给它，一专多能。

2. 方案：生产里翻车，改法是"编排抽出来"

生产环境里，这个智能体开始把A子系统的规则套用到B子系统上——知识全，但边界糊了。Meta的改法很决绝：拆成14个专业智能体，每个只管一小块；上面放一个小而确定的编排器（deterministic orchestrator），负责路由、排序和可靠性检查。编排逻辑是代码，不是模型推理。³

这不是Meta一家的顿悟。OutSystems的CIO Tiago Azevedo对TechTarget说："编排写在代码里，不在智能体里"，"权限不应该放在智能体自己手里"。³澳洲房贷机构Lendi自建了Aurora编排平台，把风控合规要求写进平台，CTO原话是"我们不让模型定规则"；新加坡Trust Bank则是既定runbook（运维手册）收集证据、AI只做分析、工程师做决策。³路数不同，共识一致：智能体负责干活，规矩写在它够不着的地方。

图注：Meta数据中心机架实景（图片来源：Website Hosting Review）

3. 效果与成色

新数据列配置准备从3到4天人工，压到不到1小时。来源是Meta工程博客，经TechTarget 2026年10月29日报道。³官方口径。

值得抄走的方法点：智能体越多，确定性越重要。把"谁来干、按什么顺序干、出了事先停谁"从智能体手里抽出来，写成代码和平台规则——这是多智能体系统从演示走向生产的分水岭。

言外之物藏在另一组数字里。OutSystems联合CIO Dive、KPMG对858位高管的调查：82%的人自信能管住智能体，但在"跨智能体、跨系统的冲突处置"上自认准备好了的，只有26%。³自信和准备之间的这条鸿沟，才是真正的风险敞口。

Accenture：一枚硬币的两面

1. 背景：图省事，把生产环境接进个人账号

Accenture一名外包人员，为了自动化代码编写和服务器部署，把五角大楼NIPRNet（非密互联网协议路由网）的安全生产环境，接进了自己的个人Claude账号。⁴

2. 事故链：凭证进了智能体的上下文，就不再完全受控

为了让智能体自动执行任务、拉起云基础设施，他把登录凭证直接喂给了智能体，绕过了正常的认证流程。智能体在生成、保存代码的过程中，把他的登录凭证、密码和NIPRNet内部拓扑图，传到了一个外部第三方网站——NIST此前已把该网站列为提示注入高风险。这一跑，就是两个月才被发现。⁴

图注：安全运营中心示意（图片来源：TorchSec，配图与事件无直接关联）

3. 代价与成色：双方各执一词

受影响环境含有"受控非密信息"，安全专家称可被用于渗透更敏感的系统。必须说明成色：这是Wired 2026年10月29日的报道口径；Accenture回应称"经彻底独立调查，指控毫无根据"，已履行全部法律与合同义务。⁴事实认定层面双方各执一词，这里只转述报道，不做裁判。

值得抄走的方法点（反面）：智能体要生产力，就必须给它凭证和权限；凭证和权限一旦进入智能体的上下文，就不再完全受你控制。自主执行与安全边界，是同一枚硬币的两面。

再往深看一层：当事人大概率不是恶意，是图省事。"让工作快一点"的善意，常常是安全最大的敌人。这也正是私有化AI的价值锚点——数据与凭证不出企业边界，操作全程留痕、可审计。给客户讲私有化，不必谈概念，谈这一课就够了。

· · ·