一、一次正在發(fā)生的代際切換
企業(yè)軟件正在經(jīng)歷一次范式演進(jìn)，業(yè)內(nèi)普遍用三個階段的劃分來描述它：
| 階段 | 定位 | 人與 AI 的關(guān)系 | 軟件形態(tài) |
|---|
| X + AI | 副駕駛時代（Copilot） | 人主導(dǎo)，AI 輔助 | 流程執(zhí)行型軟件 + AI 插件，AI 是外掛的輔助角色 |
| AI + X | 智能體時代（Agent） | 人授權(quán)，AI 執(zhí)行 | 流程執(zhí)行型軟件成為智能體可調(diào)用的"能力" |
| AI 原生 | AI Native | AI 主導(dǎo)，人監(jiān)督 | 對軟件底層邏輯的徹底重構(gòu) |
用友 BIP 6（2026 年 8 月發(fā)布）的戰(zhàn)略定位落在第二階段：完成從"X+AI"到"AI+X"的升級。這個表述的關(guān)鍵不在于用了哪個詞，而在于一個判斷——AI 不再只是附加在既有應(yīng)用上的輔助能力，而是開始融入數(shù)據(jù)、知識、組織、流程和應(yīng)用。
從行業(yè)觀察的角度看，這個判斷并不孤立。
Gartner 在 2026 年 5 月 11 日倫敦 Data & Analytics Summit 上發(fā)布的研究明確指出：到 2027 年，在 AI-ready 數(shù)據(jù)中優(yōu)先采用語義（semantics）的組織，其智能體 AI 的準(zhǔn)確率可提升高達(dá) 80%，成本可降低高達(dá) 60%。 該研究的判斷是——忽視語義會導(dǎo)致 AI 智能體不準(zhǔn)確、低效，并帶來浪費(fèi)性支出與治理風(fēng)險(xiǎn)。Distinguished VP Analyst Rita Sallam 的原話是："Agentic AI outcomes depend on context including semantic representations of data. Without context... AI agents cannot operate accurately and are far more likely to hallucinate, introduce bias and produce unreliable results."
Gartner 同時給數(shù)據(jù)與分析負(fù)責(zé)人的建議是：把上下文層（context layer）作為數(shù)據(jù)基礎(chǔ)設(shè)施的核心組件——僅靠基于 schema 的數(shù)據(jù)模型已經(jīng)不夠，因?yàn)樗狈I(yè)務(wù)上下文和數(shù)據(jù)含義。
另一側(cè)的動向也指向同一方向：微軟 Fabric IQ 與 Databricks Genie Ontology 相繼推出本體能力，Palantir 則長期以本體為核心構(gòu)建企業(yè)語義層。本體正在從學(xué)術(shù)概念變成企業(yè) AI 的基礎(chǔ)設(shè)施層。
二、為什么語義層成了必答題
一個越來越清晰的共識是：很多企業(yè) AI 的失敗不是模型失敗，而是上下文失敗。
模型可能技術(shù)上很強(qiáng)，但因?yàn)槿鄙僬_的定義、關(guān)系、流程邏輯和領(lǐng)域規(guī)則，仍然給出很弱的業(yè)務(wù)答案。Databricks 在 2026 年 6 月推出 Genie One 時的表述很直接——很多企業(yè) AI 系統(tǒng)仍在"帶著虛假的自信猜測"，真正的問題不是智能不夠，而是缺少上下文。
落到企業(yè)內(nèi)部的觀察更容易理解：
- 過去幾年企業(yè)建了數(shù)據(jù)中臺、數(shù)據(jù)倉庫、BI，數(shù)據(jù)治理能力大幅提升，但數(shù)據(jù)存在，語義缺失；
- ERP 的訂單、CRM 的客戶、MES 的設(shè)備、OA 的審批各自數(shù)字化了，AI 拿到這些數(shù)據(jù)，仍然不知道它們什么關(guān)系、哪些可信、哪些動作能執(zhí)行。
所以行業(yè)里出現(xiàn)了從 RAG 到 OAG（Ontology-Augmented Generation，本體增強(qiáng)生成）的討論。需要說明的是，OAG 不是 RAG 的替代品：
| 關(guān)注點(diǎn) | RAG | OAG 進(jìn)一步解決 |
|---|
| 信息在哪里 | 召回相關(guān)內(nèi)容 | 錨定到具體業(yè)務(wù)對象與關(guān)系 |
| 這段內(nèi)容是什么意思 | 模型結(jié)合上下文判斷 | 用統(tǒng)一類型、屬性和規(guī)則限定語義 |
| 結(jié)論能否復(fù)核 | 返回引用片段 | 保留對象、關(guān)系、規(guī)則與證據(jù)鏈 |
| 下一步怎么做 | 生成建議 | 在權(quán)限和流程約束下選擇工具與動作 |
更穩(wěn)妥的路線是：RAG 找證據(jù)，本體統(tǒng)一語義，圖譜連接關(guān)系，智能體完成任務(wù)。
三、用友的解法：兩個支點(diǎn)
用友 BIP 6 的 AI 原生產(chǎn)品體系里，有兩個支點(diǎn)值得單獨(dú)拿出來看——YonOnto 企業(yè)本體平臺和 YonWork 企業(yè) AI 工作臺。它們分別對應(yīng)"理解"和"行動"。
YonOnto 解決的是"AI 如何理解企業(yè)"。
它把分散在不同系統(tǒng)的業(yè)務(wù)實(shí)體、屬性、關(guān)聯(lián)關(guān)系、業(yè)務(wù)約束與推理規(guī)則，連接成企業(yè)統(tǒng)一的業(yè)務(wù)語義全景圖?；谟糜?BIP 橫跨十大領(lǐng)域（財(cái)務(wù)、人力、供應(yīng)鏈、營銷、采購、制造、研發(fā)、項(xiàng)目、資產(chǎn)、協(xié)同）的積累，YonOnto 提供財(cái)務(wù)、人力、營銷、采購、供應(yīng)鏈、制造、資產(chǎn)、項(xiàng)目、研發(fā)等企業(yè)級本體模型，支持業(yè)務(wù)本體、數(shù)據(jù)本體和文檔本體三類建模。
產(chǎn)品側(cè)一個值得注意的表述是：YonOnto 不是傳統(tǒng)知識圖譜的簡單升級，也不是靜態(tài)的數(shù)據(jù)模型，而是一套可以伴隨企業(yè)業(yè)務(wù)變化持續(xù)演進(jìn)的動態(tài)語義系統(tǒng)。 組織調(diào)整、產(chǎn)品變化、制度更新、流程優(yōu)化之后，本體中的對象、關(guān)系、規(guī)則和動作也能持續(xù)更新。
同時，官方也明確了這個邊界：這些領(lǐng)域本體模型不是替企業(yè)固化一套標(biāo)準(zhǔn)答案，而是提供可復(fù)用的業(yè)務(wù)語義基礎(chǔ)，企業(yè)可以結(jié)合自身組織、流程和管理規(guī)則持續(xù)擴(kuò)展。這個定位是克制的，也是對的——本體一旦做成"標(biāo)準(zhǔn)答案"，就失去了演進(jìn)能力。
YonWork 解決的是"AI 如何完成工作"。
它是智能體進(jìn)入業(yè)務(wù)、持續(xù)執(zhí)行任務(wù)的統(tǒng)一入口。各類智能體（經(jīng)營分析、監(jiān)管、薪酬管理、銷售教練、招標(biāo)、生產(chǎn)、采購履約等）通過 YonWork 被發(fā)現(xiàn)和調(diào)用，員工和管理者用自然語言表達(dá)意圖即可發(fā)起任務(wù)。
真正的價值在后端：YonWork 結(jié)合用戶身份、崗位權(quán)限、企業(yè)數(shù)據(jù)、本體關(guān)系和歷史記憶理解意圖，把任務(wù)拆解成多步驟，選智能體和 Skill 做分工調(diào)度，執(zhí)行后把結(jié)果回寫企業(yè)系統(tǒng)；需要審批的動作轉(zhuǎn)人工確認(rèn)。
二者的分工很清晰：YonOnto 為 AI 提供業(yè)務(wù)地圖、規(guī)則和行動邊界，YonWork 讓 AI 沿著這張地圖進(jìn)入經(jīng)營現(xiàn)場。
四、一個容易被低估的部分：治理與"智能雙模"
當(dāng) AI 開始參與真實(shí)業(yè)務(wù)執(zhí)行，治理就從加分項(xiàng)變成必選項(xiàng)。用友的 YonAIG 企業(yè) AI 治理平臺覆蓋智能資產(chǎn)、身份權(quán)限、調(diào)用軌跡、執(zhí)行成本、評測效果和審計(jì)合規(guī)。
另一個值得行業(yè)參考的思路是"智能雙模"：不是把所有軟件都變成智能體軟件，而是讓智能體軟件（自主執(zhí)行、概率計(jì)算、非確定性）與流程執(zhí)行型軟件（按規(guī)則執(zhí)行、精確計(jì)算、確定性）協(xié)同運(yùn)行。
這個劃分在架構(gòu)上是必要的。核算、結(jié)算這類步驟必須確定性執(zhí)行；分析、建議、任務(wù)規(guī)劃可以用模型能力。劃清楚之后，企業(yè)更容易控制操作風(fēng)險(xiǎn)、檢查結(jié)果。
五、觀察與判斷
- 模型的差異化在收斂，語義層的差異化在擴(kuò)大。 基礎(chǔ)模型能力正在接近"足夠好"的門檻，真正的護(hù)城河會轉(zhuǎn)移到企業(yè)自身的數(shù)據(jù)、知識、業(yè)務(wù)語義、流程能力和治理體系。
- 本體建設(shè)最容易走向兩個極端。 要么當(dāng)成龐大的數(shù)據(jù)治理工程，遲遲進(jìn)不了業(yè)務(wù)；要么只產(chǎn)出一張關(guān)系圖，沒有規(guī)則、版本和應(yīng)用閉環(huán)。更現(xiàn)實(shí)的做法是從一個高頻、規(guī)則明確、結(jié)果可復(fù)核的崗位任務(wù)切入。
- "推倒重來"不是必要前提。 把現(xiàn)有系統(tǒng)的業(yè)務(wù)能力逐步開放給智能體，比重建更有現(xiàn)實(shí)可行性——但需要接口、授權(quán)和維護(hù)安排的配合，這點(diǎn)不能含糊。
- 準(zhǔn)確性邊界必須前置說明。 生成式 AI 可能出錯，知識檢索、本體、規(guī)則校驗(yàn)和人工監(jiān)督只能降低風(fēng)險(xiǎn)。按錯誤后果設(shè)定驗(yàn)收閾值、高風(fēng)險(xiǎn)任務(wù)保留人工確認(rèn)，應(yīng)該成為默認(rèn)的工程規(guī)范而不是補(bǔ)充條款。
