Agent时代费控与TMC的平行竞争：规则可编码，但供给不能

事件概述

随着AI Agent技术的演进，企业差旅管理进入“第四代审批”阶段。这一阶段的特征是入口归属发生变化，行政控制不再由单一系统垄断，而是由Agent编排层根据模型精准度动态选择调用对象。在此架构下，费控系统（Expense Control）与差旅管理公司（TMC）的关系发生了根本性重构。

核心信息

1. 架构变革：从上下游到平行智能体

• 第三代体系：费控定义规则与预算，TMC作为下游执行者完成出票，行政控制权明确归属于上游的费控。
• 第四代体系：入口变为Agent的自然对话界面（如办公应用或数字员工）。费控负责预算与合规约束，TMC负责提供供给侧解决方案。两者均由Agent调用，成为平行的专业智能体。
• 决策机制：编排层可同时向费控和TMC发起询问，通过交叉验证决定最终结果。行政控制的权力归属于负责协调的编排层，而非固定的软件系统。

2. 费控的局限性：能做校验，无法做判断

费控引擎旨在覆盖全品类采购，其逻辑基于企业主数据（工号、职级、金额等），存在以下先天不足：

• 多维耦合处理弱：差旅政策涉及飞行时长、航线、预算余额等多维变量，通用费控难以像TMC那样进行综合判断。
• 缺乏市场感知：面对周期性价格波动（如广交会期间），费控只能依据历史均值判定是否超标，导致合理高价被误判为违规，或虚高报价被误判为合规。
• 无法生成最优解：费控局限于数字世界的规则校验，无法触及航班变动、退改签等物理场景，也无法处理跨品类预算调剂（如用省下的房费补贴租车费）。

3. TMC的核心壁垒：供给端能力不可编码

TMC的价值不在于预订页面的流量，而在于其掌握的三类关键资源，这些是费控无法获取的：

• 实时库存：航司舱位、酒店房态及协议价是秒级变化的供给侧数据，TMC能据此生成比传统交通更优的成本方案。
• 企业专属闭环数据：TMC积累的历史成交数据包含大量非结构化场景信息（如员工通勤痛点、紧急会议需求），这是通用费控无法获得的私有数据资产。
• 线下履约能力：应对突发状况（如台风滞留、行程变更）的物理服务能力，是纯软件系统无法替代的。

4. TMC的出路：开放方案服务

• 避免管道化：死守预订页面会导致TMC被边缘化。TMC应向企业编排层开放“方案服务”，即输入需求意图后，返回符合约束条件的可选方案及推荐理由。
• AI化衡量标尺：
  • 输入压缩度：将员工需填写的七八个字段压缩至一句自然语言指令（如“下周三去深圳”）。
  • 决策收敛度：降低人工介入的例外率，算法直接输出常规行程结果。

值得关注

• 竞争逻辑转变：未来的竞争焦点不是“谁拥有入口”，而是“谁的模型更精准”。TMC若能提供更精准的方案，将被Agent更高概率调用。
• 商业模式演变：TMC的收入模式可能从单一的交易佣金，拓展为按结果分成，体现其从被动执行向主动策划的角色转变。
• 费控自建业务的悖论：若费控试图自建直连航司酒店的预订业务，必须承担实时库存维护和线下履约的重资产责任，这在本质上已使其转变为TMC，且面临极高的专业壁垒。