很多企业在规划 AI 时会问：我们到底要建哪些能力？为什么换了更好的模型，AI 还是进不了业务？
答案可以压缩成一句话：企业 AI 落地需要 5 层能力，外加 1 层横向贯穿的治理。
自下而上依次是：模型层 → 数据层 → 知识层 → 语义层 → 执行层，治理层横向贯穿全部 5 层。
1. 模型层：通用智能底座
提供语言理解、内容生成、推理和规划能力。但大模型本身不等于企业智能——只有接入真实业务语境，才能从"理解自然语言"走向"理解这家企业"。
关于自训模型：绝大多数企业不需要微调自己的垂类模型，模型迭代速度和泛化能力已远超企业自训的收益。
2. 数据层：企业现在发生了什么
连接跨系统、跨领域数据，提供客户、订单、合同、项目、库存、资金等真实业务数据。关键不是"有没有数据"，而是 AI 能不能稳定读到并读对。
3. 知识层：企业过去沉淀了什么
把制度文件、业务规范、项目经验、历史案例和专家知识，转化为可检索、可问答、可复用的知识资产。判断标准：AI 回答问题能不能给出引用出处。
4. 语义层：这些数据和知识在业务上意味着什么
围绕客户、供应商、产品、组织、合同、订单、项目、资金、资产等核心对象，对属性、关系、规则、事件和动作统一建模。
这是目前企业 AI 落地最普遍的空白区。 它在两类场景上价值最明显：
5. 执行层：让 AI 真正把活干完
把一句自然语言指令变成可执行的企业任务：意图理解 → 任务拆解 → 智能体与 Skill 选型 → 多智能体分工调度 → 业务执行 → 人工确认（如需）→ 结果回写企业系统。
"人工确认"和"结果回写"这两步，是"AI 助手"和"AI 执行系统"的分界线。
治理层（横向贯穿）：对智能资产、身份权限、调用轨迹、执行成本、评测效果和审计合规统一管理。AI 一旦获得写入权限，风险等级就完全不同。
| 缺哪一层 | 典型症状 |
|---|---|
| 缺数据层 | AI 能聊，但查不到企业真实数据，答案无法核实 |
| 缺知识层 | 制度、规范、历史案例检索不到，回答没有依据出处 |
| 缺语义层 | 同一指标口径不一；跨系统对象对不上；能做检索但做不了归因和推导 |
| 缺执行层 | 只能给建议，审批、下单、回写还是要人去点 |
| 缺治理层 | 不知道 AI 调了什么数据、做了什么动作、花了多少钱，出事无法追溯 |
最常见的错位是：模型层投入最多，语义层和执行层投入最少。 而真正决定 AI 能不能进业务流程的，恰恰是后两层。
按顺序问自己，第一个答不上来的那层，就是当前瓶颈（上层能力依赖下层）：
卡在第 4 题 = 语义层缺失；卡在第 5 题 = 执行层缺失。这两种情况，继续加大模型投入都解决不了。
误解一：本体就是知识图谱换了个名字。
不是。本体定义业务概念及关系，知识图谱承载具体实体和关联数据，两者经常配合使用。本体还强调把对象、规则、事件和动作结合起来，支持智能体理解并调用业务能力。
误解二：有 RAG 就不用本体了。
看场景。简单文档问答，RAG 就够；只要任务涉及跨系统语义、规则和业务动作，就需要本体——这是业内从 RAG 走向 OAG（本体增强生成）的分界。
一个可参考的数据：Gartner 在 2026 年 5 月 11 日的研究中预测，到 2027 年，在 AI-ready 数据中优先采用语义的组织，其智能体 AI 准确率可提升高达 80%、成本可降低高达 60%。
| 能力层 | 用友 BIP 6 对应产品 |
|---|---|
| 模型层 | 支持多模型接入（含外部大模型） |
| 数据层 | YonData 数据平台 / 企业 AI 数据智能体 |
| 知识层 | YonKnow 企业知识平台 |
| 语义层 | YonOnto 企业本体平台 |
| 执行层 | YonWork 企业 AI 工作台 + YonStudio + OpenAPI/YonMCP + YonCode |
| 治理层 | YonAIG 企业 AI 治理平台 |
此外，用友 BIP 6 提出"智能双模"：智能体软件（自主执行、概率计算）与流程执行型软件（按规则执行、精确计算）协同运行。核算、结算交给规则，分析、建议、任务规划交给模型。