很多企業(yè)在規(guī)劃 AI 時(shí)會(huì)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。
一、五層能力清單
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。
1. 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(xiàng)目、庫(kù)存、資金等真實(shí)業(yè)務(wù)數(shù)據(jù)。關(guān)鍵不是"有沒有數(shù)據(jù)"，而是 AI 能不能穩(wěn)定讀到并讀對(duì)。
3. 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)、歷史案例和專家知識(shí)，轉(zhuǎn)化為可檢索、可問答、可復(fù)用的知識(shí)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(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、供應(yīng)商、產(chǎn)品、組織、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(kù)存、項(xiàng)目和組織之間的關(guān)系；
- 影響推導(dǎo)：某供應(yīng)商出問題，會(huì)影響哪些物料和生產(chǎn)計(jì)劃、有沒有替代供應(yīng)商、該通知哪些部門。
5. 執(zhí)行層：讓 AI 真正把活干完
把一句自然語(yǔ)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(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 一旦獲得寫入權(quán)限，風(fēng)險(xiǎn)等級(jí)就完全不同。
二、怎么判斷缺哪一層？看癥狀
| 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(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，出事無(wú)法追溯 |
最常見的錯(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、五問自測(cè)：定位你的瓶頸
按順序問自己，第一個(gè)答不上來(lái)的那層，就是當(dāng)前瓶頸（上層能力依賴下層）：
- 有沒有穩(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)真實(shí)業(yè)務(wù)數(shù)據(jù)，并說(shuō)清數(shù)據(jù)來(lái)源和時(shí)間范圍？
- AI 回答問題時(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、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、寫入系統(tǒng)、并把結(jié)果回寫？
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、關(guān)于語(yǔ)義層的兩個(gè)常見誤解
誤解一：本體就是知識(shí)圖譜換了個(gè)名字。
不是。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。本體還強(qiáng)調(diào)把對(duì)象、規(guī)則、事件和動(dòng)作結(jié)合起來(lái)，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(chǎng)景。簡(jiǎn)單文檔問答，RAG 就夠；只要任務(wù)涉及跨系統(tǒng)語(yǔ)義、規(guī)則和業(yè)務(wù)動(dòng)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(gè)可參考的數(shù)據(jù)：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%。
五、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 + OpenAPI/YonMCP + YonCode |
| 治理層 | YonAIG 企業(yè) AI 治理平臺(tái) |
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(jì)算）與流程執(zhí)行型軟件（按規(guī)則執(zhí)行、精確計(jì)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。
六、邊界說(shuō)明
- 不能承諾 AI 結(jié)果百分之百準(zhǔn)確，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)則明確、結(jié)果可復(fù)核的任務(wù)切入；
- 不要為了"補(bǔ)全層數(shù)"而建設(shè)——簡(jiǎn)單問答場(chǎng)景，模型層 + 知識(shí)層就夠了。
