做过采购的人大概都经历过这种场景：
会议室里，三五个采购和业务的人围坐在一起，面前摆着几份供应商的报价单和资质文件。讨论了半天，最后来了一句——"大家觉得哪家合适？"
"我觉得A家价格低，选A吧。"
"A家之前交货延期过一次，我觉得B家更靠谱。"
"B家的资质好像不如C家全。"
"C家价格太高了。"
来来回回讨论半小时，最终选了一家——但如果你问每个人"为什么选这家"，可能每个人的理由都不一样。更麻烦的是，如果事后有人质疑这个结果，你拿不出一个有说服力的、可追溯的决策依据。
这就是供应商评估中最常见的问题：评标靠感觉，决策难追溯。
一、为什么传统评标总是"凭感觉"
不是采购人员不负责任，而是传统评标方式本身就有结构性缺陷。
缺陷一：信息格式不统一。
不同供应商提交的报价格式千差万别——有的用Excel，有的用PDF，有的干脆邮件正文列几行数字。物料名称可能叫法不同（一家叫"M8螺栓"，另一家叫"螺丝M8×30"），计量单位可能不一样（一家按"个"报价，另一家按"盒"报价）。要人工逐项对齐、换算、对比，耗时耗力还容易出错。
缺陷二：评估维度不清晰。
很多企业在评标时没有预先定义好的评分维度。价格肯定要看，但除了价格呢？交期、质量、服务、资质、信用……每个维度占多少权重？谁来评分？怎么保证不同评委的评分标准一致？
缺陷三：历史数据用不上。
供应商过去的合作表现——交货及时率、质量合格率、售后响应速度——这些数据可能散落在ERP、质检系统、采购人员的记忆里，评标的时候很难快速调取和参考。
缺陷四：决策过程无法追溯。
口头讨论的结论，如果没有完整的记录，事后就无法复盘。"为什么选了这家而没选那家？"——这个问题如果答不上来，不仅可能引发内部质疑，还可能滋生不合规的风险。
二、AI评标的实现思路：从"人讨论"到"系统算"
AI解决供应商评估问题的核心思路是：把隐性的判断标准变成显性的评分模型，把散落的历史数据变成可量化的评估依据。
具体来说，一个AI评标系统需要以下几个环节：
环节一：标书智能解析和信息标准化。
供应商提交的标书材料进来后，AI自动解析文件内容，提取关键信息，统一格式。比如：
- 自动识别物料名称、规格、数量、单价、总价
- 自动统一计量单位和命名规范
- 自动提取供应商的资质证书、信用评级、财务数据
- 自动将不同格式的报价转换为统一的结构化数据
实现这个环节需要两个AI能力：一是文档解析能力（能读取PDF、Word、Excel等各种格式），二是信息提取能力（能从非结构化文本中提取结构化数据）。大模型加上预设的提取模板，可以很好地完成这个任务。
环节二：基于知识库的历史数据关联。
光看本次报价是不够的，还需要参考供应商的历史合作表现。AI评标系统需要一个供应商知识库，存储每家供应商的历史数据：
- 交货及时率（按月/季度统计）
- 质量合格率（按品类统计）
- 售后响应速度（平均处理时长）
- 价格波动趋势（历史报价变化）
- 合规记录（有无违约、处罚等）
当评标时，AI自动从知识库中检索该供应商的历史数据，作为评估的参考依据。这个环节用到的就是RAG（检索增强生成）技术——把供应商的历史数据存入知识库，评标时自动检索相关记录。
环节三：多维度结构化评分。
系统预设评分维度和权重（可以根据不同品类自定义），比如：
- 价格（权重40%）：报价合理性、与市场均价的偏离度
- 质量（权重25%）：历史质量合格率、质量管理体系认证
- 交期（权重20%）：承诺交期、历史交货及时率
- 服务（权重10%）：售后响应速度、技术支持能力
- 合规（权重5%）：信用评级、法律风险
AI根据预设的评分维度，结合供应商档案中的历史数据，自动生成结构化评估报告和排名。每个维度的得分都有明确的数据来源和计算逻辑，而不是"凭感觉"。
环节四：可追溯的决策记录。
整个评标过程——谁参与了、每个供应商各项得分多少、最终排名如何、选中某家的理由是什么——全部自动记录。事后任何人质疑，都可以调出完整的评估报告来解释。
三、几个关键的技术实现要点
说完了思路，再聊几个落地的关键点：
评分模型要可配置，不能写死。 不同品类、不同金额的采购，评分维度和权重应该不同。比如办公用品采购可能价格权重高一些，关键设备采购可能质量和资质权重高一些。系统需要支持灵活配置评分模型。
历史数据要持续积累。 AI评标的效果很大程度上取决于历史数据的质量。每次采购完成后，要把实际的交付表现、质量数据录入系统，不断丰富供应商档案。这是一个"越用越准"的过程。
AI是辅助，不是替代。 AI生成的评估报告和排名是决策参考，最终决策权还是应该在人手里。特别是重大采购项目，AI可以帮你快速梳理信息、提供数据支撑，但最终定标还是需要人工审核和判断。
过程透明比结果公平更重要。 有时候供应商评估没有绝对的"正确答案"——不同维度之间本身就是一种权衡。关键不在于AI给出的排名是否完美，而在于评估过程是否透明、标准是否统一、结果是否可追溯。只要过程经得起检验，结果就不会有太大争议。
四、从"我觉得"到"数据显示"
供应商评估从"凭感觉"到"有数据"，这个转变的意义远不止于评标本身。
当你的供应商评估有了清晰的数据支撑后，还能带来几个衍生价值：
- 供应商分级管理有了依据。 根据历史评估数据，可以把供应商分为战略级、优选级、合格级、观察级，实施差异化管理。
- 采购谈判有了筹码。 拿着数据去和供应商谈——"你们过去三个季度的交货及时率是85%，低于我们的要求，需要在价格上给予补偿"——比空口说要有效得多。
- 供应商优化有了方向。 数据能告诉你哪些供应商在哪些维度表现差，可以针对性地推动改进，或者及时替换。
山东向量空间人工智能有限公司在AI应用定制开发方面积累了不少经验。其JBoltAI平台提供的知识库（RAG）、思维链编排、Function Calling等AI能力，可以用来构建供应商智能评估系统。特别是知识库能力，可以把供应商的历史数据、资质文件、合作记录等统一管理，评标时自动检索和关联，实现数据驱动的供应商评估。
让数据替你说话，让AI替你说理。这可能是供应商评估从"我觉得"走向"数据显示"的最短路径。
