企业级AI智能体面临一个常见问题：首次演示的精彩效果与成功实施后的账单之间存在巨大落差。DeepFabric用三个月时间与Kenco一起弥合了这一落差，将六个智能体投入实际运营，覆盖商务、运营、运输和客户服务。未来12个月内，这家北美第三方物流提供商计划部署二十个供应链智能体。

这一三个月的部署成绩与更广泛的趋势形成对照——许多AI项目难以真正落地。最近的Gartner研究预计，到2027年底将有超过40%的智能体AI项目被取消，原因包括成本不断攀升、商业价值不明确以及风险控制不足。能够从试点顺利过渡到生产的智能体仍然是例外，而非常态。

这项合作始于一通主动来电。Kenco首席数字与信息官Pal Narayanan在追踪该平台在供应链行业与其他企业的合作后，联系了DeepFabric。

“他了解我们在与其他3PL和其他供应链团队合作中所做的工作，也了解我们的运营理念和平台的构建方式，”DeepFabric创始人兼首席执行官Kalyan Kommineni在接受FreightWaves采访时表示。“他认为我们与Kenco对AI的看法以及Kenco向其环境中部署新技术的方式非常契合。”

从一个朴素的概念验证开始

成功的AI智能体实施始于朴素但可控的起点：从小处着手，快速推进。

“我们的目标是以尽可能低的风险、尽可能快地将智能体投入生产，”Kommineni说。“在我们考虑把某家企业变成客户之前，我们会签署保密协议，获取他们的数据，并展示智能体如何处理这些数据。这让他们对智能体在生产环境中的运行方式有了直观感受。”

概念验证阶段的目的，是在智能体接触真实客户账户之前发现哪里会出问题——鉴于在真实运营而非封闭的独立虚拟孪生环境中对AI智能体进行测试的风险，这是一个重要的保障措施。这种方式可以在智能体微调期间将潜在干扰降到最低。

“我要说，智能体确实经常失败，但我们确保这些失败发生在非生产环境中，”Kommineni说。

Kenco在走向生产的过程中没有承受任何这类失败。据首席运营官David Caines介绍，全部六个智能体上线均未对任何客户的服务造成干扰。

为什么审计工作的自动化是一大胜利

这家3PL自身的结构创造了机会。Kenco在33个州和加拿大运营141个配送设施和4300万平方英尺的仓储空间。该网络中的每一次交接都是一份需要有人核查的文件。这种文件负担是3PL业务长期以来的固有特征——服务商处于货主与承运商之间，承担交易双方产生的对账工作。

“审计中存在大量工作——人工劳动，”Kommineni说。“再说一次，这不是理想的工作。这是运营人员不愿做的事情，他们希望交给AI智能体处理。所以我们在整个审计环节做得非常出色。而且审计并不是单一的事情，存在与不同方打交道的不同类型的审计。”

在3PL中，这意味着仓库核验承运商、承运商核验客户、客户核验仓库——每一项都是带有各自文件的对账工作。

“这些环节之间的每一次连接都是一次失败的机会，我们竭尽全力确保这些智能体在生产中不会失败，”Kommineni说。

货运审计智能体是DeepFabric部署最广泛的三个智能体之一，另外两个是提案管理器和库存管理器。该公司报告审计支出减少45%，提案请求（RFP）响应时间最多缩短30%。

为供应链智能体设定衡量标准

基准评估是大多数买家难以轻松回答的问题，衡量什么要先于自动化什么。Kommineni将其归结为一个效果问题，而非效率问题。

“作为一家3PL、一家公司，或公司内的一个团队，你在这里想实现什么目标？”他说。“你是想用同样的人做更多工作，还是有时甚至想增加人手但完成远更多的工作？还有些时候会问：‘你是想减少工时吗？’客户有不同的视角，KPI也据此确定。”

衡量标准随智能体而变：提案管理器以团队在不增加人手的情况下多争取多少投标来评分，审计智能体则以每100张发票所耗人工小时来评分。

“KPI取决于具体的智能体，但我们帮助客户理解部署前的KPI是什么、基线是什么，部署智能体，了解部署后的情况，然后衡量结果，”Kommineni说。

没有部署前的基线，任何东西都无法有效衡量。

在模型选择上走中间路线

买家还必须决定基于哪种模型来构建。Kommineni的答案是采取平衡的方式。

“这里有两种截然不同的思路。一种是：‘有一个万能模型。’另一种是：‘你知道，我要在我的环境中为我的用例部署20个不同的定制模型。’答案通常总是在两者之间，”他说。

DeepFabric将每个用例路由到在能力和价格上最匹配的模型，并由公司承担随之而来的风险。

“我们承担管理所有这些模型的风险。我们承担管理token经济学的风险。我们也承担执行的风险，这样我们的客户就不必为每天都在变化的事情操心，”Kommineni说。

Kenco在其资助的两类AI投资之间划出了自己的界限：智能体AI，在既定护栏内完成任务；生成式AI，生产内容并发现洞察。DeepFabric为智能体层提供支持，而Kenco的团队通过平台内置的检查和覆盖路径，保留对智能体输出的审批权。

Kommineni将这种执行优先的姿态归因于他在上一份工作中无法交付的东西。作为一名前咨询顾问，他说尽管给客户提供了方案，执行始终是个难题。

“但在DeepFabric，我们在执行方面真正把这一点放在心上。我们会真正帮助你执行我们作为顾问所建议的方案，这样你就不必去想：‘我该如何在生产中执行这些智能体，’”他说。

对更广泛的市场而言，此次部署检验了智能体AI能否在物流领域守住可衡量的生产阵地——Kenco和DeepFabric所描述的那种基于基线的结果，将随着计划中的二十个智能体在未来12个月内陆续推出而得到验证，或者无法得到验证。

本文《DeepFabric签约Kenco，加速扩展供应链AI智能体》首发于FreightWaves。