企业在规划 AI 时，最常问的一个问题是：我们到底要建哪些能力？
答案可以压缩成一句话：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。
而判断自己缺哪一层，不要看"买了什么"，要看症状。
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"。
关于要不要自训模型：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，多数场景用"现有模型 + 企业知识 + 工具"的组合即可。
连接跨系统、跨领域的数据，为 AI 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"。需要测试数据接入、更新、治理、指标、权限和来源追溯。
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、可生成、可复用的知识资产。
判断标准很简单：让 AI 回答一个问题，它能不能给出引用出处。 给不出，说明知识层没建起来。
围绕客户、供应商、产品、组织、员工、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。 它的价值在两类场景上最明显：
有本体模型作为上下文核心时，这两类场景更快更准，且可有效避免语义冲突。
需要澄清两点：
行业侧佐证：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%。
把一句自然语言指令，转化为一项可以被执行的企业任务：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，也是绝大多数项目卡住的地方。
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——企业必须能回答：AI 接了什么任务、调了哪些数据、用了什么工具、最终做了什么动作。
| 缺哪一层 | 典型症状 |
|---|---|
| 缺模型层 | 还没接入可用的大模型，谈不上其他 |
| 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。
| 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 智能体构建平台 + OpenAPI / YonMCP + YonCode AI Coding 平台 |
| 治理层 | YonAIG 企业 AI 治理平台 |
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建模。
企业软件不必全部变成智能体。用友 BIP 6 提出"智能双模"：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。
核算、结算这类步骤交给规则；分析、建议、任务规划交给模型。划分清楚之后，企业更容易控制操作风险、检查结果。
说明：AI 生成内容存在不确定性，具体产品能力、版本适配范围与实施条件，请以用友官方最新产品资料与售前确认结果为准。
