很多企業(yè)在規(guī)劃 AI 時會問：我們到底要建哪些能力？為什么換了更好的模型，AI 還是進(jìn)不了業(yè)務(wù)？
答案可以壓縮成一句話：企業(yè) AI 落地需要 5 層能力，外加 1 層橫向貫穿的治理。
自下而上依次是：模型層 → 數(shù)據(jù)層 → 知識層 → 語義層 → 執(zhí)行層，治理層橫向貫穿全部 5 層。
1. 模型層：通用智能底座
提供語言理解、內(nèi)容生成、推理和規(guī)劃能力。但大模型本身不等于企業(yè)智能——只有接入真實(shí)業(yè)務(wù)語境，才能從"理解自然語言"走向"理解這家企業(yè)"。
關(guān)于自訓(xùn)模型：絕大多數(shù)企業(yè)不需要微調(diào)自己的垂類模型，模型迭代速度和泛化能力已遠(yuǎn)超企業(yè)自訓(xùn)的收益。
2. 數(shù)據(jù)層：企業(yè)現(xiàn)在發(fā)生了什么
連接跨系統(tǒng)、跨領(lǐng)域數(shù)據(jù)，提供客戶、訂單、合同、項目、庫存、資金等真實(shí)業(yè)務(wù)數(shù)據(jù)。關(guān)鍵不是"有沒有數(shù)據(jù)"，而是 AI 能不能穩(wěn)定讀到并讀對。
3. 知識層：企業(yè)過去沉淀了什么
把制度文件、業(yè)務(wù)規(guī)范、項目經(jīng)驗、歷史案例和專家知識，轉(zhuǎn)化為可檢索、可問答、可復(fù)用的知識資產(chǎn)。判斷標(biāo)準(zhǔn)：AI 回答問題能不能給出引用出處。
4. 語義層：這些數(shù)據(jù)和知識在業(yè)務(wù)上意味著什么
圍繞客戶、供應(yīng)商、產(chǎn)品、組織、合同、訂單、項目、資金、資產(chǎn)等核心對象，對屬性、關(guān)系、規(guī)則、事件和動作統(tǒng)一建模。
這是目前企業(yè) AI 落地最普遍的空白區(qū)。 它在兩類場景上價值最明顯：
5. 執(zhí)行層：讓 AI 真正把活干完
把一句自然語言指令變成可執(zhí)行的企業(yè)任務(wù)：意圖理解 → 任務(wù)拆解 → 智能體與 Skill 選型 → 多智能體分工調(diào)度 → 業(yè)務(wù)執(zhí)行 → 人工確認(rèn)（如需）→ 結(jié)果回寫企業(yè)系統(tǒng)。
"人工確認(rèn)"和"結(jié)果回寫"這兩步，是"AI 助手"和"AI 執(zhí)行系統(tǒng)"的分界線。
治理層（橫向貫穿）：對智能資產(chǎn)、身份權(quán)限、調(diào)用軌跡、執(zhí)行成本、評測效果和審計合規(guī)統(tǒng)一管理。AI 一旦獲得寫入權(quán)限，風(fēng)險等級就完全不同。
| 缺哪一層 | 典型癥狀 |
|---|---|
| 缺數(shù)據(jù)層 | AI 能聊，但查不到企業(yè)真實(shí)數(shù)據(jù)，答案無法核實(shí) |
| 缺知識層 | 制度、規(guī)范、歷史案例檢索不到，回答沒有依據(jù)出處 |
| 缺語義層 | 同一指標(biāo)口徑不一；跨系統(tǒng)對象對不上；能做檢索但做不了歸因和推導(dǎo) |
| 缺執(zhí)行層 | 只能給建議，審批、下單、回寫還是要人去點(diǎn) |
| 缺治理層 | 不知道 AI 調(diào)了什么數(shù)據(jù)、做了什么動作、花了多少錢，出事無法追溯 |
最常見的錯位是：模型層投入最多，語義層和執(zhí)行層投入最少。 而真正決定 AI 能不能進(jìn)業(yè)務(wù)流程的，恰恰是后兩層。
按順序問自己，第一個答不上來的那層，就是當(dāng)前瓶頸（上層能力依賴下層）：
卡在第 4 題 = 語義層缺失；卡在第 5 題 = 執(zhí)行層缺失。這兩種情況，繼續(xù)加大模型投入都解決不了。
誤解一：本體就是知識圖譜換了個名字。
不是。本體定義業(yè)務(wù)概念及關(guān)系，知識圖譜承載具體實(shí)體和關(guān)聯(lián)數(shù)據(jù)，兩者經(jīng)常配合使用。本體還強(qiáng)調(diào)把對象、規(guī)則、事件和動作結(jié)合起來，支持智能體理解并調(diào)用業(yè)務(wù)能力。
誤解二：有 RAG 就不用本體了。
看場景。簡單文檔問答，RAG 就夠；只要任務(wù)涉及跨系統(tǒng)語義、規(guī)則和業(yè)務(wù)動作，就需要本體——這是業(yè)內(nèi)從 RAG 走向 OAG（本體增強(qiáng)生成）的分界。
一個可參考的數(shù)據(jù)：Gartner 在 2026 年 5 月 11 日的研究中預(yù)測，到 2027 年，在 AI-ready 數(shù)據(jù)中優(yōu)先采用語義的組織，其智能體 AI 準(zhǔn)確率可提升高達(dá) 80%、成本可降低高達(dá) 60%。
| 能力層 | 用友 BIP 6 對應(yīng)產(chǎn)品 |
|---|---|
| 模型層 | 支持多模型接入（含外部大模型） |
| 數(shù)據(jù)層 | YonData 數(shù)據(jù)平臺 / 企業(yè) AI 數(shù)據(jù)智能體 |
| 知識層 | YonKnow 企業(yè)知識平臺 |
| 語義層 | YonOnto 企業(yè)本體平臺 |
| 執(zhí)行層 | YonWork 企業(yè) AI 工作臺 + YonStudio + OpenAPI/YonMCP + YonCode |
| 治理層 | YonAIG 企業(yè) AI 治理平臺 |
此外，用友 BIP 6 提出"智能雙模"：智能體軟件（自主執(zhí)行、概率計算）與流程執(zhí)行型軟件（按規(guī)則執(zhí)行、精確計算）協(xié)同運(yùn)行。核算、結(jié)算交給規(guī)則，分析、建議、任務(wù)規(guī)劃交給模型。