xAI поручила Grok Bot искать перерасходы и торговаться с поставщиками

AI-агент получил постоянную должность в закупках

xAI описала внутренний эксперимент с Grok Bot, которому поручили поиск экономии в корпоративных закупках. Агент по имени Haggle Bot читает данные о расходах, договоры и статистику использования сервисов, сравнивает рыночные цены и конкурентные предложения, а затем готовит аргументы для переговоров. По заявлению компании, он уже нашёл более $100 000 прямой экономии.

Это не разовая аналитическая сессия. Команда сформулировала для Bot постоянную роль: знать vendor spend, поддерживать календарь продлений, искать доказуемые возможности и самостоятельно двигать внутреннюю работу вперёд. Человек принимает окончательные решения и отдельно разрешает любой внешний контакт, расход денег или принятие договорных условий.

xAI использовала Slack, Notion, Drive, Gmail, Hex и Ramp. На основании этих систем Haggle Bot построил рабочую карту примерно 125 активных поставщиков. Такой доступ даёт агенту контекст, которого нет у обычного procurement dashboard: не только сумму платежа, но и владельца сервиса, фактическое использование, договор, историю обсуждений и ближайшую дату продления.

Почему обычного списка крупных поставщиков недостаточно

Крупный счёт сам по себе ещё не доказывает перерасход. В system prompt xAI требует начинать каждую находку четырьмя блоками: `TODAY` с текущей годовой стоимостью и источником, `SAVE` с реалистичным механизмом экономии и confidence, `REC` с одной рекомендацией и `NEXT` с уже начатым внутренним действием.

Возможность считается сильной только при наличии суммы из live spend data, конкретного способа её получить и причины действовать сейчас — например, окна продления, статистики использования или competing quote. Всё остальное агент обязан пометить как lead, назвать недостающие данные и попытаться добыть их, а не превращать предположение в финансовый вывод.

Для исследования альтернатив инструкция требует проверить минимум три реальных варианта относительно фактического набора SKU из счёта, датировать и цитировать цены, различать list price и street price и учитывать switching costs. Тем самым поиск экономии начинается не с фразы «поторгуйтесь», а с сравнимого набора доказательств.

Две ревизии лицензий дали почти всю заявленную экономию

В первом SaaS-аудите Bot запросил у IT данные о выданных местах и последних входах, затем сопоставил их с оплатой. Для одного продукта он нашёл 43 платные лицензии без активности за предыдущие 90 дней и передал список на проверку и downgrade. xAI оценила экономию в $14 220.

Во втором продукте агент выявил неиспользуемые SKU на $85 662 в год. Подписка была помесячной, поэтому сокращение уменьшило расходы сразу, без ожидания следующего годового продления. Вместе эти два опубликованных примера дают $99 882 годовой экономии и объясняют основную часть формулировки «более $100 000».

Заметен и способ добычи контекста. Когда Bot не знал, кто отвечает за отношения с поставщиком и планирует ли команда продолжать использование, он начал с владельцев в Ramp, писал им и следовал по цепочке передач до инженеров, способных дать содержательный ответ. Агент не завершал задачу после первого неполного сообщения.

Переговоры начинаются до письма поставщику

Для крупного SaaS renewal Haggle Bot сравнил предложение с текущими годовыми расходами и отверг варианты, где компания заранее покупала дополнительные seats без подтверждённого спроса. Затем он оценил альтернативы относительно действующего footprint и использовал эту картину вместе с usage data для определения переговорного рычага.

Перед внешним черновиком Bot должен показать оператору target price, opening anchor, walk-away boundary, возможные уступки и следующие два хода на случай отказа, counteroffer или молчания. В письмо разрешено включать только заранее определённые аргументы; внутренние seat counts, usage data, срочность и уже принятое решение о продлении раскрывать нельзя.

Компания оставила обязательный approval перед vendor-facing send. Даже если агент подготовил план и текст, человек задаёт минимальные нужные объёмы, утверждает отправку и сохраняет право отклонить предложение. После отказа Bot должен пересобрать draft из согласованного плана и записать причину в dossier, чтобы не повторять тот же паттерн.

Офисные закупки превратились в отдельный контур торгов

xAI также описывает еженедельный заказ техники, снеков и гигиенических товаров для новых сотрудников. Другой агент, Amazon Bot, формирует исходную закупку на основании Gmail, Ramp, Google Sheets, Rippling, Vercel, численности и плана офиса. Haggle Bot получает задачу не повторить прежнюю корзину, а проверить рынок.

Он сопоставляет скорость расходования запасов, seat map и корзины последних четырёх заказов, затем создаёт редактируемую Google Sheet, где office ops меняет число новых сотрудников и видит требуемые количества. После этого Bot сравнивает Amazon, Costco, Uline и Walmart, ищет идентичный или эквивалентный товар и собирает результаты для проверки.

Отдельный черновик для Amazon procurement rep содержит актуальные цены конкурентов по конкретным позициям и просьбу применить business discount. После согласования Haggle Bot возвращает исполнение Amazon Bot. В одном опубликованном запуске стоимость заказа техники снизилась с $14 629 до $6 143 — на 58%.

Границы полномочий важнее красноречия модели

Публичный system prompt разделяет действия на три категории: всегда разрешённые, требующие отдельного согласия и безусловно запрещённые. Внутреннее чтение расходов, запрос отчётов, общение с коллегами и обновление dossier можно выполнять автономно. Отправка поставщику требует явного `go`, а подписание, покупка, подписка, одобрение списания и любое binding commitment запрещены.

Эта граница отражает реальный риск procurement-агента. Ошибка в аналитике неприятна, но ошибочно принятые условия или оплаченный заказ создают непосредственное обязательство. xAI поэтому показывает не полностью автономного покупателя, а автономного исследователя и координатора с человеческим control point непосредственно перед внешним и финансовым действием.

Компания признаёт, что письма всё ещё редактируют: закупки требуют тонкой коммуникации с поставщиками, и агенту нужна калибровка тона и объёма раскрываемой информации. Это существенная оговорка к результатам. Опубликованные суммы показывают найденные возможности, но материал не раскрывает независимый аудит экономии, стоимость эксплуатации Bot или долю рекомендаций, которые человек отверг.

Что можно перенести в другие компании

Воспроизводимая часть эксперимента — не конкретный набор приложений, а операционная схема. Агенту задают роль, подключают проверяемые источники, вводят стандарт сильной находки, определяют календарный приоритет и фиксируют permission lines. После каждой находки он должен оставить след: исходные суммы, механизм экономии, внутренние подтверждения, recommendation и решение оператора.

Постоянная память по каждому vendor особенно важна для долгих циклов. Dossier хранит расход, условия, дату renewal, владельца, собранные quotes и verdicts оператора. Тогда работа не начинается заново при каждом счёте, а сигналы накапливаются по мере изменения использования и цен.

Кейс xAI показывает практический формат agentic procurement: машине можно отдать сбор данных, сверку, внутренние follow-ups и подготовку переговоров, если полномочия ограничены вне модели и решение подтверждает человек. Заявленные результаты перспективны, но оценивать такую систему следует по реализованной экономии после всех затрат, точности доказательств и отсутствию несанкционированных обязательств, а не только по числу найденных leads.