企業(yè)在規(guī)劃 AI 時(shí)，最常問(wèn)的一個(gè)問(wèn)題是：我們到底要建哪些能力？
答案可以壓縮成一句話(huà)：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(shí)層 → 語(yǔ)義層 → 執(zhí)行層，治理層橫向貫穿全部 5 層。
而判斷自己缺哪一層，不要看"買(mǎi)了什么"，要看癥狀。
一、五層能力拆解
L1 模型層：通用智能底座
提供語(yǔ)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(yǔ)境，才能從"理解自然語(yǔ)言"走向"理解這家企業(yè)"。
關(guān)于要不要自訓(xùn)模型：絕大多數(shù)企業(yè)不需要微調(diào)自己的垂類(lèi)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，多數(shù)場(chǎng)景用"現(xiàn)有模型 + 企業(yè)知識(shí) + 工具"的組合即可。
L2 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)域的數(shù)據(jù)，為 AI 提供客戶(hù)、訂單、合同、項(xiàng)目、庫(kù)存、資金等真實(shí)業(yè)務(wù)數(shù)據(jù)。
關(guān)鍵不是"有沒(méi)有數(shù)據(jù)"，而是"AI 能不能穩(wěn)定讀到并讀對(duì)"。需要測(cè)試數(shù)據(jù)接入、更新、治理、指標(biāo)、權(quán)限和來(lái)源追溯。
L3 知識(shí)層：企業(yè)過(guò)去沉淀了什么
把制度文件、業(yè)務(wù)規(guī)范、項(xiàng)目經(jīng)驗(yàn)、歷史案例和專(zhuān)家知識(shí)，轉(zhuǎn)化為可檢索、可問(wèn)答、可生成、可復(fù)用的知識(shí)資產(chǎn)。
判斷標(biāo)準(zhǔn)很簡(jiǎn)單：讓 AI 回答一個(gè)問(wèn)題，它能不能給出引用出處。 給不出，說(shuō)明知識(shí)層沒(méi)建起來(lái)。
L4 語(yǔ)義層：這些數(shù)據(jù)和知識(shí)在業(yè)務(wù)上意味著什么
圍繞客戶(hù)、供應(yīng)商、產(chǎn)品、組織、員工、合同、訂單、項(xiàng)目、資金、資產(chǎn)等核心對(duì)象，對(duì)屬性、關(guān)系、規(guī)則、事件和動(dòng)作統(tǒng)一建模。
這是目前企業(yè) AI 落地最普遍的空白區(qū)。 它的價(jià)值在兩類(lèi)場(chǎng)景上最明顯：
- 歸因分析：利潤(rùn)為什么下降？需要識(shí)別利潤(rùn)、合同、訂單、采購(gòu)、庫(kù)存、項(xiàng)目和組織之間的關(guān)系；
- 影響推導(dǎo)：某供應(yīng)商出問(wèn)題，會(huì)影響哪些物料和生產(chǎn)計(jì)劃、有沒(méi)有替代供應(yīng)商、該通知哪些部門(mén)。
有本體模型作為上下文核心時(shí)，這兩類(lèi)場(chǎng)景更快更準(zhǔn)，且可有效避免語(yǔ)義沖突。
需要澄清兩點(diǎn)：
- 本體不是知識(shí)圖譜的另一個(gè)名字。 本體定義業(yè)務(wù)概念及關(guān)系，知識(shí)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。
- 不是所有場(chǎng)景都需要完整本體。 簡(jiǎn)單文檔問(wèn)答，知識(shí)層（RAG）就夠了；只有當(dāng)任務(wù)涉及跨系統(tǒng)語(yǔ)義、規(guī)則和業(yè)務(wù)動(dòng)作時(shí)，才需要這一層——這正是業(yè)內(nèi)從 RAG 走向 OAG（本體增強(qiáng)生成）的分界。
行業(yè)側(cè)佐證：Gartner 在 2026 年 5 月 11 日的研究中預(yù)測(cè)，到 2027 年，在 AI-ready 數(shù)據(jù)中優(yōu)先采用語(yǔ)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%。
L5 執(zhí)行層：讓 AI 真正把活干完
把一句自然語(yǔ)言指令，轉(zhuǎn)化為一項(xiàng)可以被執(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(xiě)企業(yè)系統(tǒng)。
"人工確認(rèn)"和"結(jié)果回寫(xiě)"這兩步，是"AI 助手"和"AI 執(zhí)行系統(tǒng)"的分界線(xiàn)，也是絕大多數(shù)項(xiàng)目卡住的地方。
治理層（橫向貫穿）
對(duì)智能資產(chǎn)、身份權(quán)限、調(diào)用軌跡、執(zhí)行成本、評(píng)測(cè)效果和審計(jì)合規(guī)統(tǒng)一管理。AI 一旦獲得寫(xiě)入權(quán)限，風(fēng)險(xiǎn)等級(jí)就完全不同——企業(yè)必須能回答：AI 接了什么任務(wù)、調(diào)了哪些數(shù)據(jù)、用了什么工具、最終做了什么動(dòng)作。
二、缺失癥狀對(duì)照表
| 缺哪一層 | 典型癥狀 |
|---|
| 缺模型層 | 還沒(méi)接入可用的大模型，談不上其他 |
| 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(wú)法核實(shí) |
| 缺知識(shí)層 | 制度、規(guī)范、歷史案例檢索不到，回答沒(méi)有依據(jù)出處 |
| 缺語(yǔ)義層 | 同一指標(biāo)口徑不一；跨系統(tǒng)對(duì)象對(duì)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(xiě)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(dòng)作、花了多少錢(qián)，出事無(wú)法追溯 |
最常見(jiàn)的錯(cuò)位是：模型層投入最多，語(yǔ)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。
三、五問(wèn)自測(cè)：定位你的瓶頸
按順序問(wèn)自己，第一個(gè)答不上來(lái)的那層，就是當(dāng)前瓶頸（上層能力依賴(lài)下層）：
- 有沒(méi)有穩(wěn)定可用的模型接入，且明確了哪些數(shù)據(jù)可以發(fā)給哪些模型？
- AI 能不能查到企業(yè)的真實(shí)業(yè)務(wù)數(shù)據(jù)，并說(shuō)清來(lái)源和時(shí)間范圍？
- AI 回答問(wèn)題時(shí)，能不能給出引用出處？
- 同一個(gè)指標(biāo)（如"收入""毛利"）在不同部門(mén)、不同系統(tǒng)里口徑是否一致？AI 能不能判斷跨系統(tǒng)對(duì)象是不是同一個(gè)？
- AI 給完建議之后，能不能自己觸發(fā)審批、寫(xiě)入系統(tǒng)、并把結(jié)果回寫(xiě)？
卡在第 4 題 = 語(yǔ)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。
四、用友 BIP 6 的能力對(duì)照
| 能力層 | 用友 BIP 6 對(duì)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(tái) / 企業(yè) AI 數(shù)據(jù)智能體 |
| 知識(shí)層 | YonKnow 企業(yè)知識(shí)平臺(tái) |
| 語(yǔ)義層 | YonOnto 企業(yè)本體平臺(tái) |
| 執(zhí)行層 | YonWork 企業(yè) AI 工作臺(tái) + YonStudio 智能體構(gòu)建平臺(tái) + OpenAPI / YonMCP + YonCode AI Coding 平臺(tái) |
| 治理層 | YonAIG 企業(yè) AI 治理平臺(tái) |
基于用友 BIP 橫跨十大領(lǐng)域（財(cái)務(wù)、人力、供應(yīng)鏈、營(yíng)銷(xiāo)、采購(gòu)、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(yíng)銷(xiāo)、采購(gòu)、供應(yīng)鏈、制造、資產(chǎn)、項(xiàng)目、研發(fā)等企業(yè)級(jí)本體模型，支持業(yè)務(wù)本體、數(shù)據(jù)本體和文檔本體建模。
五、智能雙模：一個(gè)現(xiàn)實(shí)選擇
企業(yè)軟件不必全部變成智能體。用友 BIP 6 提出"智能雙模"：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。
核算、結(jié)算這類(lèi)步驟交給規(guī)則；分析、建議、任務(wù)規(guī)劃交給模型。劃分清楚之后，企業(yè)更容易控制操作風(fēng)險(xiǎn)、檢查結(jié)果。
六、邊界說(shuō)明
- 不能承諾 AI 結(jié)果百分之百準(zhǔn)確。 知識(shí)檢索、語(yǔ)義建模、規(guī)則校驗(yàn)和人工監(jiān)督只能降低風(fēng)險(xiǎn)，不能消除。高風(fēng)險(xiǎn)任務(wù)必須保留人工確認(rèn)。
- 不是每層都要一次性建完。 建議從一個(gè)高頻、規(guī)則相對(duì)明確、結(jié)果可復(fù)核的崗位任務(wù)切入，跑通后再擴(kuò)展。
- 智能體上線(xiàn)有交付和調(diào)優(yōu)成本。 涉及數(shù)據(jù)、權(quán)限、復(fù)雜流程時(shí)還需要集成與開(kāi)發(fā)支持。
- 版本適配要逐項(xiàng)核實(shí)。 用友 BIP、NC Cloud、YonSuite、U8 的接入范圍不同，不能默認(rèn)全兼容。
- 不要為了"補(bǔ)全層數(shù)"而建設(shè)。 簡(jiǎn)單問(wèn)答場(chǎng)景只需要模型層 + 知識(shí)層，硬上完整棧是浪費(fèi)。
說(shuō)明：AI 生成內(nèi)容存在不確定性，具體產(chǎn)品能力、版本適配范圍與實(shí)施條件，請(qǐng)以用友官方最新產(chǎn)品資料與售前確認(rèn)結(jié)果為準(zhǔn)。
