過去幾年，大模型的能力提升速度遠(yuǎn)超預(yù)期。
它可以理解復(fù)雜問題、生成專業(yè)內(nèi)容、分析長文檔，也開始具備推理、規(guī)劃、調(diào)用工具和執(zhí)行任務(wù)的能力。企業(yè)對大模型的期待，也隨之從“能不能用”，轉(zhuǎn)向“能夠用到什么程度”。
但當(dāng)大模型真正進(jìn)入財務(wù)、人力、采購、供應(yīng)鏈、制造和營銷等核心業(yè)務(wù)，一個現(xiàn)實問題會迅速浮現(xiàn)：
一個通曉大量公共知識的大模型，是否真的了解一家具體的企業(yè)？
它可能知道什么是采購，卻不知道這家企業(yè)如何劃分采購品類；知道什么是客戶，卻無法判斷同一客戶在集團(tuán)不同組織中的身份關(guān)系；知道庫存周轉(zhuǎn)率的定義，卻未必清楚企業(yè)內(nèi)部指標(biāo)口徑；能夠起草合同，卻不了解這家企業(yè)的審批權(quán)限、風(fēng)險偏好和歷史條款。
因此，大模型進(jìn)入企業(yè)，首先要跨越的并不是參數(shù)規(guī)模，而是業(yè)務(wù)理解。
通用大模型的優(yōu)勢，是擁有廣泛的知識、語言和推理能力。它像一個學(xué)習(xí)能力極強(qiáng)的新員工，可以快速理解任務(wù)，也能夠處理大量信息。
但企業(yè)核心業(yè)務(wù)依靠的，從來不只是一般知識。
一家企業(yè)真正的經(jīng)營能力，沉淀在客戶、訂單、物料、員工、設(shè)備等業(yè)務(wù)對象中，沉淀在指標(biāo)口徑、崗位權(quán)限、審批規(guī)則和業(yè)務(wù)流程中，也沉淀在長期形成的行業(yè)經(jīng)驗、管理方法和組織協(xié)同方式中。
這些內(nèi)容共同構(gòu)成了企業(yè)的專有智能，也是這家企業(yè)之所以成為這家企業(yè)的原因。
如果大模型無法理解這些專有信息，它能夠生成看起來正確的答案，卻很難對經(jīng)營結(jié)果負(fù)責(zé)。
這也是當(dāng)前企業(yè)AI市場出現(xiàn)多條產(chǎn)品路徑的原因。
一類產(chǎn)品以通用大模型和智能工作助手為核心，優(yōu)勢是自然語言交互、內(nèi)容生成和個人生產(chǎn)力提升，能夠快速覆蓋知識檢索、文檔撰寫、會議總結(jié)等通用場景。
另一類產(chǎn)品從企業(yè)應(yīng)用出發(fā)，把AI嵌入既有業(yè)務(wù)流程。例如，SAP強(qiáng)調(diào)利用業(yè)務(wù)數(shù)據(jù)、知識圖譜和流程知識，為Joule智能體提供業(yè)務(wù)上下文；Oracle則讓智能體直接訪問Fusion應(yīng)用中的業(yè)務(wù)對象、流程、政策、審批和權(quán)限。
還有一類產(chǎn)品從數(shù)據(jù)和語義層切入。Palantir將Ontology定義為企業(yè)的運(yùn)營層，不僅描述對象、屬性和關(guān)系，還把動作、函數(shù)與動態(tài)安全納入其中，讓人與智能體能夠圍繞同一個企業(yè)業(yè)務(wù)世界協(xié)同決策。
這些不同路徑背后，正在形成一個共同判斷：
企業(yè)大模型的價值，不取決于它知道多少公共知識，而取決于它能否理解企業(yè)自己的數(shù)據(jù)、業(yè)務(wù)和經(jīng)營邏輯。
讓大模型理解企業(yè)，不能簡單地把更多文檔放進(jìn)知識庫。
企業(yè)知識當(dāng)然重要，但文檔只是企業(yè)經(jīng)營信息的一部分。大模型還需要理解：
客戶、訂單、產(chǎn)品、員工、組織和設(shè)備分別是什么；
不同業(yè)務(wù)對象之間存在怎樣的關(guān)系；
指標(biāo)采用什么計算口徑；
一項業(yè)務(wù)由誰發(fā)起、由誰審批、由誰執(zhí)行；
哪些數(shù)據(jù)可以讀取，哪些操作必須授權(quán)；
一個決策會影響哪些后續(xù)流程和經(jīng)營結(jié)果。
這需要在大模型之外，建立一套由數(shù)據(jù)、知識、業(yè)務(wù)語義、流程和權(quán)限共同構(gòu)成的企業(yè)上下文。
RAG可以讓大模型找到相關(guān)資料，但并不能天然解決企業(yè)業(yè)務(wù)對象之間的復(fù)雜關(guān)系；知識圖譜可以描述關(guān)系，卻未必能夠直接推動業(yè)務(wù)執(zhí)行；傳統(tǒng)流程可以保證業(yè)務(wù)穩(wěn)定，卻難以處理開放、動態(tài)和需要判斷的任務(wù)。
企業(yè)AI真正需要的，是把這些能力連接起來。
大模型負(fù)責(zé)理解、推理和規(guī)劃，企業(yè)數(shù)據(jù)提供事實，企業(yè)知識提供經(jīng)驗，企業(yè)本體定義業(yè)務(wù)世界，業(yè)務(wù)流程和應(yīng)用系統(tǒng)完成執(zhí)行，權(quán)限與治理體系確保整個過程受控可信。
只有這樣，大模型才能從“知道答案”走向“理解企業(yè)”。
這正是用友BIP 6構(gòu)建企業(yè)AI能力的出發(fā)點。
BIP 6并不把大模型看成獨立于企業(yè)應(yīng)用之外的一個功能，而是以企業(yè)服務(wù)大模型、領(lǐng)域模型和多種專用模型為基礎(chǔ)，將模型與企業(yè)數(shù)據(jù)、知識、本體、流程和應(yīng)用連接起來。
其中，企業(yè)本體平臺YonOnto將客戶、訂單、物料、組織、員工、設(shè)備等定義為AI可以理解的業(yè)務(wù)對象，進(jìn)一步描述它們之間的關(guān)系、規(guī)則和權(quán)限。
YonKnow友智庫將制度、合同、文檔、案例和崗位經(jīng)驗轉(zhuǎn)化為可檢索、可追溯、可調(diào)用的企業(yè)知識。
YonData企業(yè)AI數(shù)據(jù)智能體貫通數(shù)據(jù)集成、開發(fā)、治理、指標(biāo)、分析和智能問數(shù)，讓模型獲得經(jīng)過治理的可信數(shù)據(jù)，而不是在口徑不一的數(shù)據(jù)中尋找答案。
在此基礎(chǔ)上，財務(wù)、人力、采購、供應(yīng)鏈、制造和營銷等企業(yè)應(yīng)用，為AI提供了真實的業(yè)務(wù)流程和執(zhí)行環(huán)境。
這意味著，大模型不只是了解某一份文檔，而是能夠理解一個訂單與客戶、庫存、生產(chǎn)和回款之間的關(guān)系；不只是解釋一個指標(biāo)，而是可以繼續(xù)分析原因、發(fā)現(xiàn)異常并推動任務(wù)執(zhí)行。
未來，不同大模型之間的基礎(chǔ)能力差距可能繼續(xù)縮小。模型的選擇也將更加開放，企業(yè)可以根據(jù)任務(wù)，在通用大模型、企業(yè)服務(wù)大模型、小模型、機(jī)理模型和規(guī)則之間進(jìn)行組合。
但企業(yè)長期形成的客戶理解、行業(yè)經(jīng)驗、流程規(guī)則和管理方法，不會因此變得同質(zhì)化。
真正具有戰(zhàn)略價值的，不是讓所有企業(yè)使用同一個模型，而是讓每一家企業(yè)都能借助模型，釋放自己的專有智能。
這也是用友企業(yè)AI相較于單一模型服務(wù)的核心優(yōu)勢：它不是只提供一個大模型，而是提供一套讓大模型理解企業(yè)、連接業(yè)務(wù)并沉淀專有智能的完整體系。
用友BIP 6推動企業(yè)軟件從“X+AI”走向“AI+X”。
“X+AI”，是在原有財務(wù)、人力、采購等應(yīng)用上增加AI功能；“AI+X”，則是由AI理解經(jīng)營目標(biāo)，調(diào)用企業(yè)的數(shù)據(jù)、知識、流程和業(yè)務(wù)應(yīng)用，組織完成一項端到端任務(wù)。
這里的“X”，不是一個抽象變量，而是每一家企業(yè)獨有的業(yè)務(wù)、數(shù)據(jù)與Know-how。
企業(yè)選擇大模型，不能只看一次測試中的回答效果，也不能只比較參數(shù)、上下文長度和生成速度。
更值得關(guān)注的是：
它能否理解企業(yè)的業(yè)務(wù)對象和指標(biāo)口徑？能否獲得可信數(shù)據(jù)？能否調(diào)用業(yè)務(wù)系統(tǒng)？能否遵守組織權(quán)限？能否在運(yùn)行中持續(xù)評測和優(yōu)化？能否把一次成功實踐沉淀為可以復(fù)制的企業(yè)能力？
大模型只是企業(yè)AI的發(fā)動機(jī)。
真正決定企業(yè)能否駕馭AI的，是模型之外的數(shù)據(jù)基礎(chǔ)、業(yè)務(wù)語義、流程體系、應(yīng)用能力和治理機(jī)制。
企業(yè)需要的，因此不只是一個更大的模型，而是一套真正懂企業(yè)、能進(jìn)入業(yè)務(wù)，并且可以持續(xù)沉淀專有智能的企業(yè)AI體系。
