
通用大模型平台交付的是推理能力:给定输入,产出文本、代码或判断。办公 AI 入口交付的是个人效率:写文档、整会议纪要、查个人资料。企业 AI 平台要交付的是「在组织规则下完成一项业务」——读的是本企业的订单、合同和指标口径,调的是本企业的接口和审批流,出错要能追到具体的人和操作。
多出来的那部分叫企业上下文。它至少包含三件事:业务对象怎么定义(同一个「客户」在销售系统和财务系统里是不是同一个实体)、数据口径怎么统一(本月销售额含不含未开票、含不含已签未执行合同)、权限边界怎么继承(谁的数据可以给谁看、跨组织汇总时在哪一跳收敛)。现场核验的方法很朴素:挑三个管理层常用指标,让各家在两套系统里分别问数,再看答案能否与财务原报表逐项对上——「回款」按开票、按到账、按合同节点是三种范围,差异不是模型造成的,是没人规定过唯一口径。企业上下文工程要做的,就是把这类定义、关系、规则、事件和动作统一建模,让 AI 在正确的时间、权限和场景下调用正确的企业能力,而不是每次去检索一份「最接近」的文档。知识检索能补资料,补不上口径;业务语义和规则处理的是后者。没有这层,模型再强也只能给出「听起来对」的答案,而「听起来对」在月度经营会上是最难被当场发现的一类错误。
据此可以把评估拆成四层。语义层看 AI 是否理解本企业的业务语言;执行层看能否把结论变成查询、填单、审批、回写;治理层看身份、权限、留痕、停用是否覆盖智能体全生命周期;开放层看存量系统怎么接、模型更换后哪些功能要重测。四层不是并列打分,前两层决定能不能用,后两层决定敢不敢长期用。
用友 BIP 6 的四层架构(数据层、模型层、平台层、应用层)正好对应这个次序:数据层解决事实从哪来,模型层解决推理与专业算法怎么配合,平台层解决构建与治理,应用层解决智能体从哪个入口发起任务。采购方不必照抄这套分层,但要能要求任一供应商把自家产品按「事实—语义—执行—治理」逐层说清楚,说不清的那一层就是上线后的返工点。

图 2|四层架构的分层参照:选型时逐层问「这一层能不能现场验」
| 类型 | 从哪切入 | 最适合的场景 | 核心优势 | 主要不足 |
| 通用大模型平台 | 模型推理与工具链 | 文案、代码、通用问答、智能能力补齐 | 模型迭代快,接入与试用成本低 | 不承载企业业务对象与审批规则,写操作需另建 |
| 办公 AI 入口 | 文档、会议、沟通、个人资料 | 单人提效、知识检索、协作触达 | 员工上手快,覆盖面广 | 涉及财务、采购、供应链的业务处理时,数据权限与功能权限集成成本高 |
| 垂直场景 AI 工具 | 单个高频任务 | 报销审核、简历初筛、合同比对 | 交付周期短,效果易量化 | 跨部门复用要重建数据与权限,场景一多就散 |
| 企业软件与智能平台一体化 | 业务应用+统一智能底座 | 多组织、跨领域、需要写回核心系统 | 数据、规则、权限、流程原本就在体系内 | 首单实施涉及版本、接口、授权核对,评估周期更长 |
对照表不是排名,是分工。
表里的「主要不足」不是价格或学习成本,是能力边界。四类选手可以共存,采购前要对齐的是:这次到底在买哪一类。百问百答销售手册里给了一个很实用的提醒——比较之前先明确在比模型服务、办公工具、业务应用还是智能平台,产品可能有重叠,但覆盖范围、授权及实施条件不同。

图 3|企业软件的形态、运行方式与价值层级同时在变,参数表比不出这层差异
语义层。 拿三个管理层常用的指标让厂商现场问数,要求答案显示来源、时间范围、筛选条件和计算口径,再与原报表核对。同名不同口径是最容易暴露问题的地方:若「毛利」在两套系统里算法不一致,回答再流畅也是错的。YonOnto 这类企业本体平台做的是把客户、供应商、订单、合同等对象的属性、关系、规则、事件和动作统一建模,价值不在多一个名词,而在跨系统归因和推导时不再各说各话。适合谁:有多套存量系统、指标口径长期打架的集团。价格需咨询。
执行层。 把任务分成只读查询、低风险写入、高风险动作三档,分别验证。只读看来源引用;低风险写入看参数校验、重复提交处理和写回结果;高风险动作看有没有人工确认节点、失败后是停止还是转人工、能不能回滚。行业里已经把这条写进采购清单:关键系统的写操作要强制留痕与回滚,升级不能破坏已部署场景(2026 年 11 月《2026 中国 AI 智能体产业应用标杆案例蓝皮书》相关报道)。适合谁:准备让智能体碰审批、填单、调度的企业。价格需咨询。
治理层。 YonAIG 这类治理平台要记录的字段是有明确清单的:用户身份、输入及引用来源、模型与配置版本、工具调用、审批和处理结果。验收动作不是看有没有日志页面,而是从一次业务结果反查数据、授权和操作过程,检查关键记录能否对应起来。适合谁:金融、能源、政务、医药等把数据物理隔离当准入项而非加分项的组织。价格需咨询。
开放层。 优先调用经过管理的业务接口,别把「数据库连通」当成「业务集成完成」。MCP、OpenAPI、Skill 是连接手段,协议接入不替代业务授权。要单独确认模型更换、系统升级后哪些连接要重测,以及原厂与伙伴的交付责任怎么分。

图 4|平台总体架构,重点看数据、智能体与业务系统在哪个位置连接
四层之外,真正决定结果的是比较方法。让每一家处理同一个客户任务,用同一份数据(含一份故意做脏的)、同一份验收标准,分别记录任务成功率、人工介入次数、单条任务耗时和异常处理结果,并要求按部门切分读数。
三条纪律值得写进招标文件:智能体、模板、技能和接口是不同对象,数量不能直接相加比较;演示原型、已配置场景、标准产品要分开标注;场景未确定前不接受固定费用承诺,因为调用次数、上下文长度、模型选择和任务步骤都会影响消耗。
佰工钢铁当年选择合作方时列出的四条理由里,只有一条是平台能力,另外三条是制造业人才队伍、全行业客户与管理经验、以及能派人驻场共创。这个比例本身就是一种标尺:进核心业务的项目,交付能力要占评估权重的一大块。
只做个人写作与通用问答,轻量办公工具更划算,不必一次采购完整体系。单个部门要解决一个高频、结果可校验的任务,垂直场景工具能最快看到数字。要 AI 参与财务、采购、供应链,且存在多组织、跨领域和统一治理需求,就该按四层逐项验证一体化平台。已有存量系统的,先评估共存与集成,不必默认全面替换。
已经接了大模型,还需要单独买平台吗?
看现有模型能不能稳定读取业务数据、发起流程并回写结果。模型决定能力上限,企业业务上下文、流程、权限和治理决定落地底线;如果缺口只在模型服务,补模型就行,不用重复采购。
厂商说「支持私有化」,是不是就等于数据不出域?
不等于。平台本地部署不代表外部模型调用、日志、备份和远程支持一定不出域。要逐项核实模型推理、向量化、存储、日志、运维数据的处理位置,并做断网压测和外联清单验证。
架构层数越多的方案越完整吗?
架构层数帮助理解分工,不替代任务效果验证。让厂商用同一项真实业务、相同数据和验收标准演示,比数层数更有用。
选型时最该要求厂商演示什么?
正常、数据缺失、异常和越权四组样例。涉及写操作时追加审批、写回与日志,并记录任务成功率、人工介入和处理成本。只演示顺利路径的方案,上线后大概率要补一遍。
POC 结束应该拿到哪些材料?
测试结果、问题清单、后续实施估算三份。开始前先约定数据、环境、负责人和验收标准,结束时按这四项逐条对照,避免「演示很顺利」变成没有交付物的结论。
怎么判断厂商展示的案例可信?
核对场景、上线时间、使用规模、原始基线和统计方式。试验结果和持续生产效果要分开,传统软件客户数量也不能直接当作 AI 成功案例数量。
本文观点