这两年有个挺普遍的现象：公司买了大模型，接了知识库，做了几个智能体，员工也能用 AI 问答、写文档、查数据。但一到真正的业务环节——比如让 AI 跑完一次利润分析、把整改任务分下去、处理一次供应商异常——就接不住了。

于是老板会问：是不是我们买的模型不够强？

大概率不是。

一、AI 干不了活，通常卡在两件事

第一件：它不知道你们公司是怎么回事。

大模型上知天文下知地理，但它不知道你们公司里：

• 一张订单对应哪条生产计划；
• 这个供应商断了货，会影响到哪些产品和客户；
• 这笔费用该走哪条审批流、谁有权限批；
• 公司制度里，这种情况历史上是怎么处理的。

这些信息不在任何一份文档里完整写着，它们散落在系统、表格、制度和老员工的脑子里。AI 读不到这一层，就只能给出"看起来对、用不了"的答案。

第二件：就算它说对了，也没人（没东西）去执行。

AI 可以告诉你"本月利润下降了，主要是 A 产品线毛利率下滑"。然后呢？谁来查原因、谁来定整改、谁来跟进、结果写到哪个系统里？

如果这些环节还是靠人手动串，那 AI 就只是个高级搜索引擎。

二、要解开这两个结，需要补两层能力

第一层：让 AI 理解企业——"企业上下文"

这一步不是多喂点文档就行，而是要把企业的数据、知识、业务语义三层搭起来。

用友 BIP 6 里的做法是把这三层拆成三个平台：

• YonData：管数据。企业现在发生了什么——订单、合同、库存、资金这些真实业务数据都能接进来。
• YonKnow：管知识。企业过去沉淀了什么——制度文件、业务规范、项目经验、历史案例、专家知识，变成能检索、能问答、能复用的资产。
• YonOnto：管语义。这些数据和知识在业务上意味着什么——把客户、供应商、产品、组织、合同、订单、项目、资金这些对象，以及它们之间的关系、规则、事件和动作统一建模。

第三层最容易被忽略，也最关键。

举个好懂的例子：供应商出问题了。

• 只有数据：AI 知道这家供应商交付质量评分降了；
• 加上知识：AI 知道制度里这种情况该走什么处置流程；
• 加上业务语义：AI 才知道这家供应商供的物料会影响哪几条生产计划、有没有替代供应商、该通知哪些部门。

第三层，是"能决策"和"只会报警"的分界线。

第二层：让 AI 真的把活干完——"企业 AI 工作平台"

用友的 YonWork 企业 AI 工作台做的是这个。它不是又一个聊天窗口，而是把一句人话变成一项能执行的任务。

比如管理者说："分析本月利润下降的主要原因，并形成整改任务。"

YonWork 后台要干的是：先结合你的身份权限、企业数据和业务关系搞清楚你真正要什么 → 把这件事拆成几步 → 调度经营分析、成本、供应链、项目几个智能体分头查 → 把结果变成整改建议和责任分工 → 需要审批的提交给管理者 → 最后把结果写回企业系统。

中间那句"需要审批的提交管理者确认"和"结果写回系统"，才是企业敢不敢把活交给 AI 的关键。

三、还有一件事不能省：治理

AI 一旦能操作系统、能写数据，企业就必须能回答：它接了什么任务、调了哪些数据、用了什么工具、做了什么动作、花了多少钱。

用友的 YonAIG 企业 AI 治理平台就是管这个的，覆盖智能资产、身份权限、调用轨迹、执行成本、效果评测和审计合规。

还有一个思路值得参考，叫"智能双模"：不是把所有软件都换成 AI，而是让"会思考但不确定的智能体软件"和"按规则执行、结果确定的流程执行型软件"配合着跑。算账、结算这类必须精确的事交给规则；分析、建议、任务规划这类交给 AI。这样既有灵活性，又不会因为 AI 偶尔出错把账搞乱。

四、最后说三句实话

1. 别指望 AI 百分之百正确。 知识库、业务语义、规则校验和人工复核，只能降低出错概率。重要的事一定要留人工确认。
2. 不是所有场景都值得上重方案。 只是想查查制度、写写文档，一个知识库就够了。只有当任务涉及跨系统的业务规则和实际动作时，才需要更完整的企业上下文。
3. 上线不是买完就完事。 智能体需要配置、调优、对接系统和持续维护，这部分工作量要有心理准备。

说到底，大模型能力已经很普及了，接下来企业之间的差距，不在用哪个模型，而在谁先把自己的业务讲清楚。