Agent时代，费控为什么干不掉TMC？

上一篇内容发出后，有同行问我：“既然TMC的价值已经被重新定义为‘隐性过程成本’，那费控在这方面是不是更有优势？毕竟费控日常做的核心工作就是流程优化。

我过去一直认为，TMC的护城河是产品、协议价与服务网络，如今回头来看，这些都称不上真正的护城河。所以我的答案是“不”，但理由并非“TMC更专业”这类空洞的说法，真正的原因只有一条：规则可以被编码，但供给不能。这里的规则，指的就是行政控制的规则。

一、当费控为入口时，行政控制归费控

规则的本质就是可编码的。无论是舱位等级、酒店标准、提前预订天数，还是超标特例审批，这些内容都可以写成if-then逻辑语句，而且它们的输入变量工号、职级、城市、天数、金额，全部来自企业主数据。谁离主数据更近，谁就天然掌握了规则引擎。

我在2005年就吃过这方面的亏：当时有客户想把办公用品接入TMC的在线预订系统，共享其中的审批功能，我还以为这是拓展业务的机会，结果竞标失败。对方财务希望用一套系统解决所有采购审批需求，差旅只是其中很小的一部分业务。

更关键的一点常被忽略，行政控制的最终方向是实现自动化、隐形化，而“无感”体验最好的载体，是通过员工本来就要使用的入口（申请、报销）落地，而非TMC的预订页面。

所以把政策嵌入费控，不是费控抢了TMC的业务，而是行政控制完成了自身的进化。但需要注意，这个结论成立有一个前提：它只适用于“入口归费控”的那个时代。

二、入口不在谁手里，答案就不一定了

第四代审批的功能结构，和第三代完全不同。

在第三代体系中，TMC是接受费控约束后的执行者。费控定义规则与预算，TMC在下游完成出票，行政控制自然落在处于流程上游的费控手中。那时候讨论“行政控制归谁”，答案是唯一的。

但到了第四代，TMC是和费控平行的智能体。费控负责预算与合规约束，TMC负责提供供给侧解决方案，二者都由Agent调用，不存在谁是谁的上下游关系。

这套结构有个正式的名字：Agentic AI不是一个更聪明的Agent，而是多个专业智能体在一个编排层下分工协作。最上层是员工说话的入口（属于办公应用如千问钉钉或企业助理如数字员工小B），中间是调度任务的编排层，下层才是费控智能体与 TMC 智能体。

更关键的变化在于入口。它既不属于费控，也不属于TMC，而是变成了Agent的自然对话入口。员工不需要打开任何App，只需要说一句“下周三去深圳见客户”即可完成发起。

如此一来，“行政控制放在哪里”这个问题本身就被改写了。它不再是企业上线时一次性敲定、数年保持不变的选型工作，而是变成每次调用时都会触发的选择题。谁的差旅政策模型更精准，Agent就调用谁。

更进一步，编排层还可以同时向两边发起询问，让费控的通用引擎和TMC的差旅模型各计算一次，结果一致就直接放行，结果不一致才升级到人工处理。此时行政控制权力就归属于负责交叉验证的编排层。

因此第四代体系真正的问题，从来都不是“行政控制归谁”，而是“谁的模型更精准，谁被调用的概率就更高”。

第四代结构：入口是 Agent，费控与 TMC 是平行的两个智能体

三、行政控制的建模，TMC 更专业

既然是选择题，决定胜负的就只有一件事：模型准不准。

费控的政策引擎是通用型的，目标是覆盖全品类采购审批，输入也无非金额、科目、职级几个字段。用来管控办公用品这类标准品效果很好，但差旅政策的复杂度远超过这几个字段。

一是多维耦合。舱位规则不是“职级对应舱位”这么简单的单线逻辑，而是需要结合飞行时长、职级、航线、预算余额、次日日程做综合判断。

二是需求与库存联动。如果政策要求入住A酒店，但A酒店已经满房，通用引擎只会判定“不合规”，而TMC可以给出“同级替代且价格在可接受区间”的方案。

三是支持跨品类调剂。比如飞机当天无票、只有次日的火车票，省下的一天房费能否补贴到租车费用上（用户公司离机场近，离火车站远）？多数企业政策允许“总预算不超即可”，但按科目分项控制的费控做不到这一点。

因此，费控不可能比TMC更懂差旅行政控制，它的引擎本就是为全品类采购设计的，天生无法承载非标准品类的复杂度。

放到第四代审批的框架下看，费控和TMC的竞争逻辑已经改变，TMC不需要去“抢回”入口。解析与建模工作交给TMC会更精准，而精准度本身，就意味着它会被客户企业的Agent更高概率地调用。

四、TMC 的核心能力不是校验规则，是生成最优解

那么，抛开行政控制的归属问题不谈，TMC真正不可替代的核心能力究竟是什么？

回到上一篇提到的那个场景，员工将数字员工“小B”添加为日历参与人后，小B会自动调取预算、核查政策、生成出行方案，员工只需要做“多选一”或者“是/否”的选择即可。整个流程里，最有价值的是哪一步？

答案不是管控规则的校验，而是最优方案的生成。

小B要调用航司与酒店的实时库存信息，结合历史出行与成交数据，从海量的组合中生成几套此前不存在的方案，推荐出总拥有成本最低的那一个，还能通过客户数据平台CDP的分析满足员工的出行偏好。

这一步依赖三样东西，而它们都不在费控手里。

第一样：实时库存

航司舱位、酒店房态、协议价、私有价都属于秒级变化的供给侧数据。费控可以校验“这趟出差3000元预算够不够”，但它答不出“今天机票有特价，其实比火车票更便宜，因此飞机出行更合理”这类可选方案。

第二样：企业专属的闭环数据

这一点比库存问题影响还要致命。TMC手中掌握的不是“行业平均价”，而是两类别处无法获取的专属数据记录的专属数据记录。这些数据的价值，体现在无数实际出行场景里。

员工早高峰8点半挤在北京地铁里的烦躁抱怨里，堵在拥堵路上焦急致电客户延迟会面的紧迫状况里，也体现在提前十分钟出门，就能从容整理仪态站在客户公司门口、饱满状态应对沟通的顺畅体验里。而服务上百家客户的通用费控，恰恰拿不到这些专属数据。

第三样：线下履约

航班变动、退改办理、行程滞留、地面突发应急事件，软件可以判断“费用是否超预算”，但没办法在台风之夜把两百名旅客从机场安排妥当，而这恰恰是TMC的核心能力。

更根本的问题在于，费控的所有能力都局限在数字世界内部。它可以读取预算、判定超标、生成凭证、推送通知，全程没有任何环节触及线下物理场景。费控可以完成“管控规则的校验”，却做不了“最优方案的生成”。方案设计本身就不在它的能力范围之内。

五、费控只能做校验，但做不了判断

举个例子。上海到广州出差两天，正常情况下 3,000 元是合理的往返机票 800×2、两晚酒店 500×2、再加用车等 400。但到了广交会期间，机票和酒店价格明显上涨，同样是这条线，5,000 元都不一定打得住。

费控会怎么处理？它手里只有预算额度和历史均值。价格涨上去时，它把合理的 5,000 元判成“超标”，员工被迫走例外审批；价格跌下来时，它又会把虚高的报价判成“合规”。两种情形，都是误判。

而 TMC 怎么判断？实时库存告诉它当下的实际价格，历史数据告诉它广交会期间是一个周期性高峰。两者一叠加，它才知道“合理”在今天到底是什么意思。

费控缺的不是规则，是对市场的感知。而感知的前提是同时握有实时库存和历史数据。这两样，它一样都没有。所以费控能做“合规性校验”，做不了“合理性判断”，更做不了“最优解的方案生成”。

六、被压缩，又被释放

前面两章说明了费控做不到的事情，我们把视角转回到TMC这一侧来看。一代代的审批进化，其实是一条先下坠再回升的曲线。发展到第三代时，TMC的价值被压缩到“在规定框架内完成订票”，商业模式也依旧停留在按交易量收取佣金的阶段，甚至会形成“优化做得越好，收入反而越少”的自罚机制。

到了第四代，由Agent编排层居中协调，同时调用费控的约束能力与TMC的解空间，协作顺序也就此固定，TMC不可能只是费控的下游插件。TMC的Agent应用实现了功能上从被动执行转向主动策划，位置上从费控下游回归同级，收费上从单一的交易佣金拓展出按结果分成的模式。

TMC 被管道化压缩，又被 Agent 释放

七、但平等是打出来的，不是赐予的

到这一步，可以说第四代是费控与 TMC 第一次真正平等。但平等不是结构赐予的，而是自己能力换来的。而迈入第四代审批的TMC，需要解决两个问题。

第一个问题：数据不闭环

只有预订记录，没有成交结果反哺，所谓“预测”就退化成价格趋势预测，那和 OTA 没区别。这是自己没做好。

第二个问题：方案不对客户企业编排层开放

库存不开放给费控，天经地义。但方案必须开放给客户企业编排层。而且它要调用的从来不是实时库存信息，而是 TMC 结合实时库存设计出来的方案。客户企业编排层和费控都拼不出一个具体的行程，拼方案是 TMC 的能力。

因此TMC需要开放的是方案服务。编排层传入需求意图后，TMC返回符合约束要求的可选方案及对应推荐理由。如果做不到这一点，就只能接受费控的指挥，和OTA比拼价格。第三代TMC之所以被管道化，正是因为死守“预订页面”这一前端入口。入口会被竞争对手抢走，但核心能力不会。谁能向企业客户提供更快、更好、更精准的方案，能够一次命中员工的出差需求，谁就定义了第四代审批的核心主体。

至于“费控自建出行业务”，我反倒没有那么担心。费控一旦选择直连航司酒店开展预订业务，就必须扛起实时库存维护、线下履约服务这些重活，这时它本质上已经变成了TMC。而TMC从来不担心在专业度层面的比拼。

八、一把尺子：你的 TMC服务 完成 AI 化了吗？

那么如何判断一家TMC的服务是否真的完成了AI化，能够升级至第四代审批？首先要纠正对服务KPI的认知。To C产品的逻辑是争夺用户使用时长，用户停留越久越好，因为用户的时间本身就是可变现资产。

但To B恰恰相反。企业员工不会为自身的差旅行为付费，他们不是付费客户，只是服务对象。真正付费的是企业，恰恰希望员工在差旅预订这件事上花费的时间越少越好。所以我在2021年那篇文章里提出的“争夺客户员工的时间，或者说流量”这个说法已经不成立了，如今员工耗费的时间不是可争夺的资产，而是要尽力削减的成本。

这个KPI可以拆成两把衡量标尺。

第一把是输入压缩度：员工需要主动填写多少信息？这个范围已经能从出发地、目的地、日期、事由、预算科目、职级、对应标准这七八个字段，压缩到只需要一句“下周三去深圳”。

第二把是决策收敛度：需要人工介入的决策占比多少？常规行程由算法直接输出结果，只有出现特殊偏离情况才转由人工处理，这个占比就是例外率，数值越低说明AI化程度越高。

这两把标尺划出的是TMC服务AI化的及格线，只能算是场景+AI的阶段。至于AI+则是更高的台阶。其定义尚且模糊且有争议，目前行业里还没有企业能说清楚这个目标。 · 

九、结语：留下来的人，靠什么活着？

2021 年那篇文章里，我认为：“这场战争长期来看毫无意义，因为谁也吃不掉谁。”

五年后我认为真正的问题是当客户企业编排层同时握着两边的调用权，它会先调用谁？答案取决于谁能更快给出精准合理的结果方案。还有一个更实际的问题：TMC 凭什么从中拿到自己的那一份？

下一篇，我们聊：钱怎么分以及份额的上限，到底由什么决定。