企業(yè) AI 落地失敗，多數(shù)不是模型問題，而是分層錯(cuò)配。本文給出 5 層能力模型（模型/數(shù)據(jù)/知識(shí)/語義/執(zhí)行）加 1 層橫向治理，逐層說明工程要點(diǎn)與缺失癥狀，提供五問自測(cè)定位法，并對(duì)照用友 BIP 6 的產(chǎn)品實(shí)現(xiàn)。
1. 為什么需要分層模型
企業(yè) AI 項(xiàng)目常見的失敗模式是"在錯(cuò)誤的層上加碼"：模型換了三版，效果沒變。根因是瓶頸根本不在模型層。
分層模型的價(jià)值，是把"AI 不好用"這個(gè)模糊抱怨，拆成可定位、可驗(yàn)收的工程問題。
2. 五層架構(gòu)
┌──────────────────────────────────────────────────────┐
│ L5 執(zhí)行層 │
│ 意圖理解 → 任務(wù)拆解 → 智能體/Skill 選型 → 調(diào)度 │
│ → 業(yè)務(wù)執(zhí)行 → 人工確認(rèn) → 結(jié)果回寫 │
├──────────────────────────────────────────────────────┤
│ L4 語義層（本體） │
│ 業(yè)務(wù)對(duì)象 / 屬性 / 關(guān)系 / 規(guī)則 / 事件 / 動(dòng)作 │
├──────────────────────────────────────────────────────┤
│ L3 知識(shí)層 │
│ 制度 / 規(guī)范 / 案例 / 專家知識(shí) → 可檢索資產(chǎn) │
├──────────────────────────────────────────────────────┤
│ L2 數(shù)據(jù)層 │
│ 跨系統(tǒng)數(shù)據(jù)接入 / 治理 / 指標(biāo) / 權(quán)限 / 血緣 │
├──────────────────────────────────────────────────────┤
│ L1 模型層 │
│ 多模型接入 / 路由 / 配額 / 故障切換 │
└──────────────────────────────────────────────────────┘
↑ 治理層橫向貫穿：身份權(quán)限 / 調(diào)用軌跡 / 成本 /
評(píng)測(cè) / 審計(jì) / 智能資產(chǎn)
L1 模型層
關(guān)注點(diǎn)不是"選哪個(gè)模型"，而是模型矩陣管理：統(tǒng)一記錄模型來源、使用權(quán)限、調(diào)用質(zhì)量與費(fèi)用，明確哪些數(shù)據(jù)允許發(fā)送給哪些模型；支持模型路由、配額和故障切換。
關(guān)于微調(diào)：絕大多數(shù)企業(yè)不需要微調(diào)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)收益，先比較提示優(yōu)化、檢索增強(qiáng)、工具調(diào)用的效果與成本，再考慮訓(xùn)練。
L2 數(shù)據(jù)層
判斷標(biāo)準(zhǔn)不是"有沒有數(shù)據(jù)"，而是 AI 能不能穩(wěn)定讀到并讀對(duì)。工程驗(yàn)收點(diǎn)：數(shù)據(jù)接入、更新頻率、治理質(zhì)量、指標(biāo)口徑、權(quán)限控制、來源追溯。
L3 知識(shí)層
工程驗(yàn)收點(diǎn)很樸素：讓 AI 回答一個(gè)問題，它能不能給出引用出處。 給不出，說明知識(shí)層沒建起來。
L4 語義層（最常被跳過）
這一層定義企業(yè)核心對(duì)象的屬性、關(guān)系、規(guī)則、事件和動(dòng)作。它在兩類場(chǎng)景上價(jià)值最明顯：
- 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)、庫存、項(xiàng)目和組織之間的關(guān)系；
- 影響推導(dǎo)：供應(yīng)商異?！獣?huì)影響哪些物料和生產(chǎn)計(jì)劃、有無替代供應(yīng)商、通知哪些部門。
有本體作為上下文核心時(shí)，這兩類場(chǎng)景更快更準(zhǔn)，且可有效避免語義沖突。
兩個(gè)必須澄清的邊界：
- 本體 ≠ 知識(shí)圖譜。 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)，兩者常配合使用。本體額外強(qiáng)調(diào)把對(duì)象、規(guī)則、事件和動(dòng)作結(jié)合，支持智能體理解并調(diào)用業(yè)務(wù)能力。
- 不是所有場(chǎng)景都需要本體。 簡(jiǎn)單文檔問答，RAG 足夠。判斷標(biāo)準(zhǔn)是：任務(wù)是否涉及跨系統(tǒng)語義、規(guī)則和業(yè)務(wù)動(dòng)作。這是 RAG 走向 OAG（Ontology-Augmented Generation）的分界。
行業(yè)佐證：Gartner 2026-05-11 研究預(yù)測(cè)，到 2027 年，在 AI-ready 數(shù)據(jù)中優(yōu)先采用語義的組織，智能體 AI 準(zhǔn)確率可提升高達(dá) 80%、成本可降低高達(dá) 60%；并指出僅靠 schema 數(shù)據(jù)模型已不夠，因其缺乏業(yè)務(wù)上下文和數(shù)據(jù)含義。
L5 執(zhí)行層
執(zhí)行鏈路：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。
兩個(gè)工程關(guān)鍵點(diǎn)：
- 權(quán)限不是外掛的。 意圖理解必須結(jié)合用戶身份與崗位權(quán)限——同一個(gè)問題，不同崗位拿到的答案和執(zhí)行范圍不同。
- 寫操作必須有回路。 審批、寫回、異常處理、可追溯日志，缺一個(gè)就沒法進(jìn)生產(chǎn)環(huán)境。
"人工確認(rèn)"和"結(jié)果回寫"這兩步，是 AI 助手與 AI 執(zhí)行系統(tǒng)的分界線。
治理層（橫向）
覆蓋智能資產(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)。AI 一旦有寫權(quán)限，風(fēng)險(xiǎn)等級(jí)完全不同。
3. 缺失癥狀對(duì)照（工程定位用）
| 缺失層 | 可觀測(cè)癥狀 |
|---|
| L2 數(shù)據(jù)層 | 查不到真實(shí)業(yè)務(wù)數(shù)據(jù)；答案無法核實(shí)；無來源與時(shí)間范圍 |
| L3 知識(shí)層 | 制度規(guī)范檢索不到；回答無引用出處 |
| L4 語義層 | 指標(biāo)口徑不一致；跨系統(tǒng)對(duì)象對(duì)不上；可做檢索但做不了歸因推導(dǎo) |
| L5 執(zhí)行層 | 只能給建議；審批/下單/回寫需人工；跨法人數(shù)據(jù)調(diào)不到 |
| 治理層 | 無法追溯 AI 調(diào)用了哪些數(shù)據(jù)、執(zhí)行了什么動(dòng)作、成本多少 |
最常見的投入錯(cuò)位：L1 投入最多，L4/L5 投入最少。 而決定能否進(jìn)入業(yè)務(wù)流程的是 L4 與 L5。
4. 五問自測(cè)（定位瓶頸）
按順序執(zhí)行，第一個(gè)失敗的那層即為當(dāng)前瓶頸（上層依賴下層）：
| # | 驗(yàn)證問題 | 對(duì)應(yīng)層 |
|---|
| 1 | 有穩(wěn)定模型接入，且明確數(shù)據(jù)可發(fā)送范圍？ | L1 |
| 2 | AI 能查到真實(shí)業(yè)務(wù)數(shù)據(jù)并說明來源與時(shí)間范圍？ | L2 |
| 3 | AI 回答能給出引用出處？ | L3 |
| 4 | 跨部門跨系統(tǒng)指標(biāo)口徑一致？AI 能判斷跨系統(tǒng)對(duì)象是否同一？ | L4 |
| 5 | AI 能觸發(fā)審批、寫入系統(tǒng)并回寫結(jié)果？ | L5 |
卡在第 4 題 → L4 缺失；卡在第 5 題 → L5 缺失。這兩種情況下加大模型投入無效。
5. 用友 BIP 6 的實(shí)現(xiàn)對(duì)照
| 能力層 | 產(chǎn)品 | 工程要點(diǎn) |
|---|
| L1 模型層 | 支持多模型接入 | 模型網(wǎng)關(guān)、路由、配額 |
| L2 數(shù)據(jù)層 | YonData 數(shù)據(jù)平臺(tái) / 企業(yè) AI 數(shù)據(jù)智能體 | 預(yù)置智能問數(shù)、數(shù)據(jù)分析、數(shù)據(jù)治理、數(shù)據(jù)開發(fā)、指標(biāo)開發(fā)五類智能體 |
| L3 知識(shí)層 | YonKnow 企業(yè)知識(shí)平臺(tái) | 知識(shí)管理、知識(shí)問答、智能寫作 |
| L4 語義層 | YonOnto 企業(yè)本體平臺(tái) | 本體設(shè)計(jì)器、行業(yè)模板、多模式建模、實(shí)體消歧、事實(shí)融合、版本審批與回滾、血緣與審計(jì) |
| L5 執(zhí)行層 | YonWork + YonStudio + OpenAPI/YonMCP + YonCode | 任務(wù)拆解、多智能體調(diào)度、審批轉(zhuǎn)人工、結(jié)果回寫 |
| 治理層 | YonAIG 企業(yè) AI 治理平臺(tái) | 智能資產(chǎn)、身份權(quán)限、調(diào)用軌跡、執(zhí)行成本、評(píng)測(cè)、審計(jì) |
YonOnto 基于用友 BIP 十大領(lǐng)域（財(cái)務(wù)、人力、供應(yīng)鏈、營(yíng)銷、采購(gòu)、制造、研發(fā)、項(xiàng)目、資產(chǎn)、協(xié)同）積累，提供財(cái)務(wù)、人力、營(yíng)銷、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、文檔本體三類建模。
值得注意的工程能力：YonOnto 的構(gòu)建平臺(tái)提供實(shí)體消歧、實(shí)體合并、關(guān)系構(gòu)建、事實(shí)融合、質(zhì)量評(píng)分、完整性校驗(yàn)、沖突檢測(cè)、影響分析、版本審批、回滾；運(yùn)營(yíng)平臺(tái)覆蓋資產(chǎn)、質(zhì)量、任務(wù)、服務(wù)運(yùn)營(yíng)與血緣影響關(guān)系。這些決定了本體能否長(zhǎng)期維護(hù)，而不只是一張圖。
6. 智能雙模：L5 的架構(gòu)選擇
用友 BIP 6 提出"智能雙模"：
| 智能體軟件 | 流程執(zhí)行型軟件 |
|---|
| 計(jì)算方式 | 概率計(jì)算 | 精確計(jì)算 |
| 確定性 | 非確定性 | 確定性 |
| 成本 | 有 Token 成本 | 無 Token 成本 |
| 適合 | 感知、推理、決策、規(guī)劃 | 記錄、流程執(zhí)行、分析、報(bào)告 |
核算、結(jié)算交給規(guī)則；分析、建議、任務(wù)規(guī)劃交給模型。劃分清楚后風(fēng)險(xiǎn)可控、結(jié)果可檢查。
7. 落地建議
- 不要一次性建滿 5 層。 從一個(gè)高頻、規(guī)則明確、結(jié)果可復(fù)核的崗位任務(wù)切入。
- 本體初稿可從現(xiàn)有資產(chǎn)自動(dòng)生成。 數(shù)據(jù)庫 DDL、數(shù)據(jù)字典、接口定義已沉淀大量業(yè)務(wù)語義；機(jī)器降低建模門檻，業(yè)務(wù)專家確認(rèn)企業(yè)事實(shí)。
- 把規(guī)則編譯進(jìn)執(zhí)行鏈路。 基數(shù)約束、互逆關(guān)系、關(guān)系互斥、時(shí)態(tài)失效只有進(jìn)入運(yùn)行時(shí)才真正約束 AI 行為。
- 驗(yàn)收含三類用例：正常、異常、越權(quán)。 明確失敗時(shí)的停止、恢復(fù)、轉(zhuǎn)人工條件。
- 不要為了"補(bǔ)全層數(shù)"而建設(shè)。 簡(jiǎn)單問答場(chǎng)景 L1+L3 即可。
8. 邊界
生成式 AI 無法保證 100% 準(zhǔn)確；語義建模與規(guī)則校驗(yàn)只能降低風(fēng)險(xiǎn)。產(chǎn)品版本、接口與適配范圍需用友官方資料與售前逐項(xiàng)核實(shí)（用友 BIP、NC Cloud、YonSuite、U8 接入范圍不同）。
