企业软件正在经历一次范式演进，业内普遍用三个阶段的划分来描述它：
| 阶段 | 定位 | 人与 AI 的关系 | 软件形态 |
|---|---|---|---|
| X + AI | 副驾驶时代（Copilot） | 人主导，AI 辅助 | 流程执行型软件 + AI 插件，AI 是外挂的辅助角色 |
| AI + X | 智能体时代（Agent） | 人授权，AI 执行 | 流程执行型软件成为智能体可调用的"能力" |
| AI 原生 | AI Native | AI 主导，人监督 | 对软件底层逻辑的彻底重构 |
用友 BIP 6（2026 年 8 月发布）的战略定位落在第二阶段：完成从"X+AI"到"AI+X"的升级。这个表述的关键不在于用了哪个词，而在于一个判断——AI 不再只是附加在既有应用上的辅助能力，而是开始融入数据、知识、组织、流程和应用。
从行业观察的角度看，这个判断并不孤立。
Gartner 在 2026 年 5 月 11 日伦敦 Data & Analytics Summit 上发布的研究明确指出：到 2027 年，在 AI-ready 数据中优先采用语义（semantics）的组织，其智能体 AI 的准确率可提升高达 80%，成本可降低高达 60%。 该研究的判断是——忽视语义会导致 AI 智能体不准确、低效，并带来浪费性支出与治理风险。Distinguished VP Analyst Rita Sallam 的原话是："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 同时给数据与分析负责人的建议是：把上下文层（context layer）作为数据基础设施的核心组件——仅靠基于 schema 的数据模型已经不够，因为它缺乏业务上下文和数据含义。
另一侧的动向也指向同一方向：微软 Fabric IQ 与 Databricks Genie Ontology 相继推出本体能力，Palantir 则长期以本体为核心构建企业语义层。本体正在从学术概念变成企业 AI 的基础设施层。
一个越来越清晰的共识是：很多企业 AI 的失败不是模型失败，而是上下文失败。
模型可能技术上很强，但因为缺少正确的定义、关系、流程逻辑和领域规则，仍然给出很弱的业务答案。Databricks 在 2026 年 6 月推出 Genie One 时的表述很直接——很多企业 AI 系统仍在"带着虚假的自信猜测"，真正的问题不是智能不够，而是缺少上下文。
落到企业内部的观察更容易理解：
所以行业里出现了从 RAG 到 OAG（Ontology-Augmented Generation，本体增强生成）的讨论。需要说明的是，OAG 不是 RAG 的替代品：
| 关注点 | RAG | OAG 进一步解决 |
|---|---|---|
| 信息在哪里 | 召回相关内容 | 锚定到具体业务对象与关系 |
| 这段内容是什么意思 | 模型结合上下文判断 | 用统一类型、属性和规则限定语义 |
| 结论能否复核 | 返回引用片段 | 保留对象、关系、规则与证据链 |
| 下一步怎么做 | 生成建议 | 在权限和流程约束下选择工具与动作 |
更稳妥的路线是：RAG 找证据，本体统一语义，图谱连接关系，智能体完成任务。
用友 BIP 6 的 AI 原生产品体系里，有两个支点值得单独拿出来看——YonOnto 企业本体平台和 YonWork 企业 AI 工作台。它们分别对应"理解"和"行动"。
YonOnto 解决的是"AI 如何理解企业"。
它把分散在不同系统的业务实体、属性、关联关系、业务约束与推理规则，连接成企业统一的业务语义全景图。基于用友 BIP 横跨十大领域（财务、人力、供应链、营销、采购、制造、研发、项目、资产、协同）的积累，YonOnto 提供财务、人力、营销、采购、供应链、制造、资产、项目、研发等企业级本体模型，支持业务本体、数据本体和文档本体三类建模。
产品侧一个值得注意的表述是：YonOnto 不是传统知识图谱的简单升级，也不是静态的数据模型，而是一套可以伴随企业业务变化持续演进的动态语义系统。 组织调整、产品变化、制度更新、流程优化之后，本体中的对象、关系、规则和动作也能持续更新。
同时，官方也明确了这个边界：这些领域本体模型不是替企业固化一套标准答案，而是提供可复用的业务语义基础，企业可以结合自身组织、流程和管理规则持续扩展。这个定位是克制的，也是对的——本体一旦做成"标准答案"，就失去了演进能力。
YonWork 解决的是"AI 如何完成工作"。
它是智能体进入业务、持续执行任务的统一入口。各类智能体（经营分析、监管、薪酬管理、销售教练、招标、生产、采购履约等）通过 YonWork 被发现和调用，员工和管理者用自然语言表达意图即可发起任务。
真正的价值在后端：YonWork 结合用户身份、岗位权限、企业数据、本体关系和历史记忆理解意图，把任务拆解成多步骤，选智能体和 Skill 做分工调度，执行后把结果回写企业系统；需要审批的动作转人工确认。
二者的分工很清晰：YonOnto 为 AI 提供业务地图、规则和行动边界，YonWork 让 AI 沿着这张地图进入经营现场。
当 AI 开始参与真实业务执行，治理就从加分项变成必选项。用友的 YonAIG 企业 AI 治理平台覆盖智能资产、身份权限、调用轨迹、执行成本、评测效果和审计合规。
另一个值得行业参考的思路是"智能双模"：不是把所有软件都变成智能体软件，而是让智能体软件（自主执行、概率计算、非确定性）与流程执行型软件（按规则执行、精确计算、确定性）协同运行。
这个划分在架构上是必要的。核算、结算这类步骤必须确定性执行；分析、建议、任务规划可以用模型能力。划清楚之后，企业更容易控制操作风险、检查结果。