在大型企业的全球供应链部门，每天有数十万张发票从世界各个角落涌入。每一张发票背后，都是一个需要即时回答的问题：付不付？付多少？以什么价格付？
这并非简单的会计核对。一批原材料可能晚到了两周，导致生产线短暂停滞；某供应商在最后一刻应要求改了规格，合同却还没来得及更新；一张税费计算明显有误的发票，如果强行拒付，是否会影响与这家关键供应商长达十年的合作关系？这些判断，几十年来依赖着一支支庞大的人工团队——他们手动翻阅合同，在邮件和聊天记录里查找约定条款，凭经验做出最终决定。美国企业每年为此付出的直接人力成本高达 3480 亿美元。
一家名为 Freehand 的旧金山初创公司正试图把这类决策权从人转移到 AI 代理身上。2026 年 7 月 29 日，该公司宣布获得 7500 万美元融资，由 Battery Ventures 和 NewRoad Capital Partners 联合领投，PSP Growth 与 Nexus Venture Partners 参投。这笔资金将用于把其 AI 代理推向更多《财富》500 强企业的应付账款部门。
| 字段 | 内容 |
|---|---|
| 公司 | Freehand |
| 轮次 | 未披露（不同来源分别记为种子轮或 B 轮） |
| 金额 | 7500 万美元 |
| 投资方 | Battery Ventures（联合领投）、NewRoad Capital Partners（联合领投）、PSP Growth、Nexus Venture Partners |
| 总部 | 旧金山 |
| 创始人 | Nitin Jayakrishnan、Abhijeet Manohar |
| 官网 | https://www.freehand.ai/ |
从“副驾驶”到“驾驶员”：Unilever 已把部分供应链决策权交给 AI
联合利华全球供应链副总裁 Matt Algar 在本次融资中的表态，透露出一条关键信息——Freehand 已经是这家消费品巨头内部“首批规模化部署的代理式 AI 之一”。他称其为“从辅助人的软件向运行供应链的软件转变的一个早期锚点”。
这句话的份量在于，它不是来自一家愿意尝鲜的中小企业，而是来自一家管理着数百亿美元采购支出的跨国公司。Algar 的表态说明，至少在一部分品类和场景下，Freehand 的 AI 代理已经不是在“提建议”或“生成报告”，而是在实际执行业务决策。
这与当下大多数企业 AI 工具存在本质区别。后者通常以“副驾驶”形态出现，接收指令、回答问题、输出文本，但最后的执行按钮仍然握在人的手里。Freehand 代理的定位是直接做出支付决策并执行——其 CEO 兼联合创始人 Nitin Jayakrishnan 的说法更直白：“我们的 AI 代理会决定是否支付一张发票，基于这一决定采取行动，并对结果承担责任。”
这种责任承担的宣称，最终要落到可验证的运营数据上。Freehand 披露的早期部署结果显示，其代理在 99% 的情况下无需人工介入即可做出决策；客户工作流程平均加快 5 到 7 倍，采购到付款周期缩短超过 70%，复杂品类的支出回收率达到 5% 至 10%。
做出 99% 决策自主率的声明，意味着该系统不仅要有较高的准确度，还必须处理合规审计问题。据公司披露，AI 代理的每一个决策背后都附有一条完整的审计追踪，记录了做出该判断所依据的数据来源和逻辑链条——这是在受监管的大型企业推广 AI 决策代理的必要前提，而非可选功能。
决策引擎的真正壁垒：一种叫“品类上下文图谱”的数据结构
如果只看功能描述——“自动化处理发票审核、合同执行、供应商谈判与对账”——Freehand 所做的事似乎与过去十年的 RPA或智能流程自动化厂商并无本质区别。但支撑其做出决策判断的底层技术结构，将其区分开来。
Freehand 将其核心知识产权称为“品类上下文图谱”——一个融合了结构化数据和非结构化数据的决策知识库。结构化数据来自企业既有的 ERP 系统和数据库，而非结构化数据则来自合同文本、邮件通讯、聊天记录、谈判备忘录等传统自动化工具无法有效处理的信息源。
对于应付账款决策而言，单一合同文本或许规定了基础价格条款，但真正的商业现实往往隐藏在合同之外：一封写于三个月前的邮件可能同意了一笔临时性折扣，一次会议上口头商定的品控标准调整可能从未写进正式文档，供应商某次延迟交货的理由在 Slack 频道里有过记录。传统流程下，这些“散落各处的上下文”只有经验丰富的供应链专家才会去查证和综合，新人或外包团队很难掌握全局。
AI 代理如果能系统性地抓取、组织并持续更新这些分散信息，其决策质量将在理论上拥有超越纯粹基于规则系统的潜力。公司联合创始人 Abhijeet Manohar 将这种差异表述为：“一个能行动的代理和一个只能建议的聊天机器人之间的区别，在于上下文。”
但需要指出的是，以“知识图谱”命名数据结构的 AI 公司不在少数，关键在于三个问题：数据接入的范围到底多广、图谱更新的实时性与准确性如何保证、以及最终决策的可靠性能否在复杂边缘案例中保持一致。对于后者，目前唯一可参照的证据是早期客户的运营数据，但第三方独立基准测试或审计报告尚未公开。
把产品放进产业链的真实约束：它替代的是外包人工，不是既有软件
理解 Freehand 商业价值的正确方式，不是将其看作又一个“供应链软件”，而是看作一种对人力外包模式的直接替代。CEO Jayakrishnan 使用了一个精确的数字框架来定位这家公司：“企业每年在供应链软件上花费 160 亿美元，另外还花费 3480 亿美元雇佣人力来从事这些软件无法完成的工作。我们建立 Freehand 就是为了弥合这个缺口。”
这组数据揭示出一个长期被软件行业自身所忽视的事实：在存量供应链 IT 支出中，软件占比不到 5%，而人工——无论是内部团队还是外包服务商——占据了绝对大头。过去，这片庞大的人力支出池被认为是“不可自动化”的，因为工作内容需要处理大量非结构化的例外情况。但大语言模型和代理框架的成熟，正在改变这种假设。
在宏观层面，Freehand 还在新闻稿中点出了另一个结构性推力：“关税、税收与移民政策正在给过去支撑全球供应链的外包模式带来越来越大的压力。” 对于美国的大型企业而言，在离岸外包目的地面临政策不确定性的情况下，寻找不依赖人力扩张的运营模式开始具有战略优先级。
不过，这里存在一个商业验证上的缺口：新闻稿指出的早期客户确实覆盖了 Meta、Unilever、Johnson & Johnson、Pfizer、Dunkin’ 和 Cardinal Health 等知名企业，部署范围已拓展到 60 至 70 个国家，处理支付金额达数十亿美元。但这些部署是完整替代了原有的外包团队，还是作为辅助工具与现有人工流程并行运行？公司尚未对每个案例的具体替代范围和人工削减比例做出明确披露。这个问题将直接影响客户能否真正“减少传统外包和 BPO 合同”，而非仅仅增加一个新的 SaaS 许可支出。
投资方的共同赌注：从“可测量的生产率”到垂直 AI 的聚焦逻辑
本轮融资中，三位来自不同背景的投资方给出了高度聚焦的评价，都指向了一个共同点：可测量的商业回报。
Battery Ventures 的普通合伙人 Dharmesh Thakker 将 Freehand 与当前泛滥的“副驾驶”产品做了切割：“与那些仅仅回答问题副驾驶不同，Freehand 的代理拥有企业上下文，做出决策并采取行动——这种代理能力为企业释放了数百万美元的节省。”他将加入 Freehand 董事会。
NewRoad Capital Partners 的合伙人 Gregoire Lehmann 则将差异点锁定在投资回报的可衡量性上：“让 Freehand 脱颖而出的不仅仅是技术，而是客户正在实现的、可衡量的业务成果。”他具体列出的指标包括：减少超额支付与运营成本、提高审计准确性、自动化高度手动的供应链财务工作流。
PSP Growth 的创始人 Penny Pritzker 曾担任美国商务部长，她的话更多指向制造业竞争力的宏观视角：“美国工业竞争力取决于我们最大企业的运营效率。Freehand 是少数将前沿 AI 转化为可衡量生产力提升的公司之一——而且是在企业供应链所要求的那种严谨、规模与问责性之下。”
投资方背景也透露了一定的行业资源禀赋。NewRoad Capital Partners 在物流与供应链领域拥有较深的网络，Lehmann 明确表示将“利用 NewRoad 的深厚企业网络帮助公司拓展企业客户覆盖”。与之相比，Battery Ventures 在云软件与基础设施领域的历史投资组合将成为技术方面的补充，而 PSP Growth 的政府与政策资源则可能提供大客户渠道与政策敏感度上的帮助。
关于此次交易的投后估值，Axios Pro 援引知情人士消息称约为 3 亿美元。但这一数字未获公司或投资方直接确认，且在现有公开来源中也未披露任何与估值相关的历史对比数据——例如，公司此前的估值水平、本轮股权稀释比例、以及是否含二级交易部分等均不可知。这使得外部观察者难以判断这一轮定价在同类 AI 代理公司中的相对位置。
资金投向与创始人基因：连续创业者选择“深度垂直”而非“做平台”
Freehand 的两位创始人并非首次创业。Nitin Jayakrishnan 与 Abhijeet Manohar 此前共同创立了企业 SaaS 物流平台 Pando 并成功退出。从 Pando 到 Freehand，两人并没有选择做更宽泛的供应链平台，反而将切口缩窄到了应付账款决策这一个狭窄环节。
Jayakrishnan 的策略表述是：“我们的论点是，深度而非宽度的垂直 AI 将交付更多价值。”这一判断在当前 AI 应用层创业中相当典型——与试图覆盖整条供应链的通用平台不同，垂直 AI 公司用一个特定环节的高质量决策能力作为最早的护城河，先获得客户信任与操作数据，再从这一个点向相邻环节扩展。
本轮 7500 万美元融资的核心用途是扩大客户群，尤其瞄准零售等行业的《财富》500 强企业。零售行业的供应链结构与 Freehand 现有客户群中的消费品和医药行业存在相似之处：多品类、高复杂度、庞大的供应商基数、对现金流的高度敏感。公司方面也表示，未来可能基于已积累的数据扩展至应付账款以外的其他供应链环节，但并未给出具体的时间表或目标环节。
需要注意的是，关于公司本身的基础信息仍存在多处空白或矛盾。成立年份方面，Forbes 报道称为 2023 年首次推出，而 Inc42 报道为 2024 年成立，TradersUnion 则称 2024 年 2 月创立。融资轮次方面，Forbes 明确以“种子轮”报道，Crunchbase 与 Yahoo Finance 等来源则记为“B 轮”。公司商业模式也未在现有来源中披露——究竟是按年收取订阅费、按处理支付金额收取比例费用，还是采用混合模式，将直接影响其收入可预测性与估值逻辑。上述冲突信息可能源于不同消息源的口径差异，但尚未有统一说法可供核实。公司官网地址也未在公开来源中披露。
风险不在技术，在于“决策容错率”与垂直深度之间的拉锯
Freehand 面临的真正挑战并不在于 AI 代理能否在 99% 的日常场景中做出准确判断——这一准确性已经有早期客户的运营数据作为支撑。问题在于，那些需要人工介入的 1% 案例，恰恰分布在损失最大、法律关系最复杂、判断最难建模的裂缝地带。
一张涉及数千万美元的争议发票，可能因为其中的某一项条款在去年的一次非正式对话中被口头修改过——本次修改从未写进合同，也没有邮件记录，只有某位已离职的采购总监的笔记能作证。AI 代理在这种情况下做出的“高效率错误决策”，其单次损失有可能抵消掉此前在大量小额发票上实现的所有成本节省。
CEO Jayakrishnan 所说的“对结果承担责任”，在实际商业合同中体现为何种条款，目前未有披露。如果是由客户承担决策错误的全部损失，那么 99% 的自主决策率对大企业而言可能还不够高——因为那 1% 的风险敞口规模太大；如果 Freehand 以某种形式分担损失，则公司的风险模型和资本储备将面临完全不同的要求。
另一个被忽略的约束来自供应商一侧。应付账款决策从来不是一家企业说了算的单边行动——每一种砍价、延迟支付或拒付行为，都会引发供应商的反应。AI 代理的谈判策略是否会系统性地恶化某些供应商关系？频繁的自动化压价行为是否会在品类市场上造成供应意愿下降？这些问题目前几乎完全没有讨论，但作为代理行为的外部性影响，它们会在长期运行中变得显著。
此外，Freehand 当前选择深度聚焦于应付账款这一个供应链环节，这在创业早期确实有助于建立竞争力。但如果客户最初的采购是“自动化发票处理”，那么向上游的采购寻源和下游的现金管理横向扩展时，每进入一个新环节都几乎等同于面临一个全新的细分市场和竞争格局。那些环节中同样存在深耕多年的软件厂商和服务商，垂直扩展的速度和难度很可能被低估。
一条尚待全景验证的供应链自动化路径
无论怎么看，Freehand 都已经跨过了“AI 代理是否能在真实供应链环境中工作”这一初创期最基础的门槛。它所公布的指标——5 到 7 倍的工作流加速、超过 70% 的周期缩短、5% 至 10% 的支出回收——即便在允许一定统计口径差异的前提下，也构成了令人印象深刻的早期证据。
但公开可验证的信息仍然高度不完整。商业模式、单位经济模型、客户留存与扩展数据、代理错误导致的业务影响记录、对比既有外包方案的成本差异分析——这些决定一家企业软件公司长期价值的数据点，目前几乎全部由公司方单向提供，缺乏外部独立验证。
Axios Pro 报道中称公司计划在 18 至 24 个月内重返市场进行下一轮融资。这个时间窗口本身就是一个值得关注的信号：到那时，现有的早期客户是否扩大了部署范围、零售等新行业是否产生了可类比的绩效数据、以及代理决策在更长周期内的一致性是否得到维持，将成为影响 Freehand 能否从“令人印象深刻的早期案例”跨越到“可复制商业模式”的关键变量。
RecodeX 极客视：Freehand 是 AI 代理从“生成建议”向“做出决策并承担责任”这一跃迁中的关键观测样本。其挑战不在于跑通技术可行性——早期大客户的部署数据已经证明了这一点——而在于能否在应付账款的灰度地带建立起经得起审计的风险边界。当一笔数百万美元的决策错误后果远大于一千张小额发票的自动化收益时，99% 的准确率究竟是高还是低，取决于剩下的 1% 里藏着什么。