AI+全面升级数智底座内容总结与解读(可下载)
作者：微信文章本文是用友网络的副总裁罗小江在今年七月份公开发布的技术报告演讲《AI+全面升级数智底座》，如下：
这份技术报告对国内企业建设数智底座很有参考价值，故做了一个分析解读，如下：1. 战略定位：从“数字化”迈向“数智化”
企业不再满足于流程线上化，而是追求数据驱动决策、AI赋能业务闭环、价值可衡量可共享的“数智企业”新范式。
1.1 企业高质量发展的三重逻辑
文档开篇即提出企业高质量发展的三重驱动力：
创新驱动：作为内在实现路径，强调技术、流程、组织的持续进化。有竞争力：作为外在表征，体现为市场占有率、盈利能力、客户满意度等可量化指标。价值共享：作为最终目标，指向员工、客户、供应商、社会等多方利益相关者的共赢。
这一框架超越了传统ERP“流程自动化”的范畴，上升到企业价值创造与分配的系统性设计。
1.2 “数据+智能”作为新引擎
数据：不再是辅助决策的“副产品”，而是与土地、资本、劳动力并列的新型生产要素。智能：以AI为核心的技术集群（大模型、智能体、RAG、知识图谱）成为驱动业务创新的“发动机”。
用友明确提出：“数智融合”是实现业务闭环的关键。这意味着数据必须与业务流程、组织行为、战略目标深度融合，形成“感知-分析-决策-执行-反馈”的正向循环。
2 技术架构演进：云原生 → 数据原生 → AI原生
AI不再是“附加功能”，而是系统设计的起点。AI原生意味着应用从设计之初就以大模型、智能体、自然语言交互为核心。
2.1 云原生：数智化的基础底座
容器化与K8s：实现应用的弹性伸缩、快速部署与跨云迁移。微服务与服务治理：解耦复杂业务系统，支持敏捷迭代。DevSecOps与CI/CD：将安全、开发、运维一体化，提升交付效率。混沌工程与AIOps：通过模拟故障与智能运维，保障系统高可用。
云原生解决了“如何高效构建和运行系统”的问题，但并未触及“系统是否足够智能”的本质。
2.2 数据原生（Data Native）：数据即业务
“数据原生”是本次文档的核心概念之一，其内涵远超传统“数据中台”：
维度传统数据中台数据原生数据来源事后抽取业务随生（Real-time Ingestion）数据质量依赖清洗从源头治理（Data Quality by Design）数据使用分析报表实时驱动业务（如智能补货、动态定价）数据形态静态资产动态流（Streaming Data）用户角色数据分析师所有业务人员（通过ChatBI）
YonData平台通过HTAP引擎（混合事务/分析处理）、实时计算引擎、高性能向量化引擎，实现了“一份数据、多种负载”的统一处理，彻底打破OLTP与OLAP的壁垒。
2.3 AI原生（AI Native）：重构应用范式
“AI原生”意味着：
设计起点：应用从需求定义阶段就以AI为核心，而非后期集成。交互方式：以自然语言（NLU）为主要入口，取代传统菜单与表单。架构模式：采用“大模型+智能体（Agent）+工具调用（Tool Calling）”的三层架构。
文档中展示的“合同审核助理”、“税务风险合规官”等“数智员工”，正是AI原生应用的典型代表——它们不是简单的自动化脚本，而是具备意图理解、上下文记忆、多步推理、工具调用、自我反馈的智能实体。
3 平台能力：五平台协同，构建企业级数智底座
平台工程化（Platform Engineering） 是支撑敏捷创新与高效交付的核心方法论。
用友BIP构建了一个模块化、可组合、可扩展的PaaS平台体系，五大平台协同运作：
3.1 开发平台（YonBuilder）
低代码/零代码：支持业务人员通过拖拽建模快速构建应用。AIGC Code：通过自然语言描述生成代码片段、页面逻辑、API接口。三区协同：设计区、开发区、运行区一体化，支持敏捷迭代。
值得注意的是“YonBuilder生成式构建”能力——用户只需描述“我想要一个销售预测仪表盘”，系统即可自动生成数据模型、可视化图表、分析逻辑。
3.2 数据平台（YonData）
数据全生命周期管理：覆盖采集、治理、开发、资产、应用五大环节。智能分析：支持ChatBI，用户可通过自然语言提问（如“上季度华东区销售额同比下降的原因？”），系统自动执行NL2SQL、生成可视化报告。指标平台：统一企业级KPI口径，避免“数据孤岛”导致的决策偏差。
3.3 智能平台（YonGPT + Agent）
YonGPT企业服务大模型：
基于行业知识微调，预置800+模型资产（财务、人力、制造等）。支持RAG（检索增强生成）、LoRA（低秩适配）、Fine-tuning等多种精调方式。
智能体（Agent）架构：
技能注册器：将RPA、API、算法、规则引擎等封装为可复用技能。调度引擎：根据用户意图动态编排技能执行顺序。记忆机制：支持短期上下文记忆与长期知识存储。
3.4 连接集成平台
混合云网关：支持公有云、私有云、本地部署系统的无缝集成。API开放平台：提供API全生命周期管理（设计、发布、监控、计费）。AI+集成：利用AI预测数据流、优化消息路由、自动生成集成脚本。
3.5 云技术平台
多云适配：支持主流公有云（阿里云、华为云、AWS等）与私有云。信创适配：完成硬件、操作系统、数据库、中间件的国产化替代。安全研发工程化：内置代码安全扫描、数据脱敏、零信任架构。
4 AI工程化：从大模型到“数智员工”的规模化落地
实现了从“AI工具”到“AI同事”的跃迁，具备记忆、决策、反馈、绩效评估的闭环能力。
4.1 AI工程化（AI Engineering）的成熟度
文档引用Gartner趋势指出：AI工程化在2024年达到顶峰，意味着企业已从“实验性AI”进入“规模化AI”阶段。
用友的AI工程化路径清晰：
模型层：YonGPT + RAG + Fine-tuning能力层：技能封装（RPA、OCR、NL2SQL）应用层：数智员工（角色化AI）运营层：绩效评估、自动更新、停用管理
4.2 “数智员工”的生命周期管理
文档详细描绘了“数智员工”的八步管理流程：
技能接入与编排：定义可调用的能力单元。入职：创建账号、配置权限。分配技能：赋予其特定角色能力（如“合同审核”）。任务设置：配置触发条件与执行参数。工作与绩效更新：自动记录任务完成情况。业绩分析：可视化其工作效率与准确率。技能停用/删除：动态调整能力集。停用：生命周期结束。
这一机制将AI从“黑盒工具”转变为可管理、可度量、可优化的组织成员。
5 数据体系：构建“数据供应链”与“业务闭环”
AI不再局限于“边缘优化”，而是深入核心业务流程，重构运营模式。
5.1 数据供应链（Data Supply Chain）
目标：让数据像原材料一样，在企业内部高效流动、加工、增值。关键环节：
采集：多源异构数据接入（ERP、CRM、IoT、外部数据）。治理：数据标准、质量、安全、生命周期管理。开发：通过YonData平台进行数据建模、ETL、指标计算。资产化：形成数据目录、数据地图，支持自助查询。应用：通过BI、AI、API等方式反哺业务。
文档特别强调“数据二十条”与“数据资产入表”政策背景，表明用友已将数据资产化纳入企业财务核算体系。
5.2 数据驱动的业务闭环
战略管控：核心KPI监控（资产、现金流、销量）。经营管控：预算、收入、成本、资金管理。业务运营：采购、生产、营销、人力等日常决策。智能预警：基于数据异常自动触发风险提示。
通过“有数 → 取数 → 用数”的闭环，实现数据从“成本”到“资产”的价值转化。
5. 应用场景：AI+全业务领域深度融合
覆盖10大行业：制造、零售、医疗、能源、电信、建筑、农业等。贯穿企业全价值链：
营销、采购、制造、人力、财务、供应链、研发、项目、资产、协同
典型场景：
智能收单、自动月结、无人财务共享智能招聘、人才推荐、客商画像库存优化、销售预测、智能配送智能诊断、药物研发、缺陷检测
6 人机交互：从GUI到NUI的范式革命
语言即API，对话即工作流，极大降低使用门槛，提升用户体验。
6.1 交互方式演进
阶段特征代表技术GUI（图形界面）菜单、按钮、表单ERP、CRM系统CUI（对话界面）文本/语音对话智能客服、语音助手NUI（自然用户界面）多模态、情境感知、主动服务智能助理、数字代理
用友提出“语言即API”的理念——用户无需学习系统操作，只需用自然语言表达意图，系统即可自动执行。
6.2 智能交互典型场景
智能月结：财务人员说“开始月结”，系统自动执行对账、结账、报表生成。跨模态混搜：上传图片并提问“这个设备的维修记录是什么？”。会议纪要生成：自动识别会议内容，生成待办事项并分配责任人。
6.3 构建“数据供应链”与“数据原生”体系
数据全生命周期管理：采集 → 治理 → 开发 → 资产 → 应用数据即业务：
数据与业务架构深度融合指标、主数据、知识图谱成为业务语义层支持ChatBI、自然语言查询（NL2SQL）
数据要素化：
响应“数据二十条”、“数据资产入表”政策推动数据从“成本中心”向“价值资产”转变
7 全球化与安全：AI赋能复杂环境下的合规运营
7.1 全球运营挑战
多地域运营：时区、语言、文化差异。数据跨境：GDPR、CCPA等隐私法规。多数据中心：跨云、跨地域集成复杂。
7.2 AI应对策略
AI+合规：NLP分析各国法规，自动更新合规策略。AI+协作：智能日程安排、会议摘要生成。AI+安全：行为分析检测异常登录，AI客服提供7x24支持。
7.3 信创与安全工程化
信创适配：完成国产芯片、操作系统、数据库的兼容性认证。安全左移：在开发阶段嵌入安全检测。GenAI安全：防范提示注入、数据泄露、模型滥用等新风险。
8 个人见解
洞察一：AI原生的本质是“组织认知架构的重构”
当前多数企业仍停留在“在现有系统上加AI模块”的阶段，而用友提出的“AI原生”本质是重构企业认知架构：
组织层面：设立“数智员工”岗位，赋予其绩效与权限，意味着AI已进入组织编制。流程层面：AI不再被动响应，而是主动发起任务（如履约提醒、风险预警）。文化层面：从“人指挥系统”转向“人机协同共创”，需要新的协作伦理与责任机制。
🔍 未来企业将出现“AI人力资源部”，负责数智员工的入职、培训、绩效评估与退役。 深层含义：
认知分工：人类负责战略判断、价值权衡；AI负责模式识别、流程执行。决策闭环：AI不仅执行指令，还能主动发现问题（如“本月采购成本异常上升”）并提出建议。组织编制：未来企业HR系统需支持“AI员工”的入职、培训、绩效、权限管理。
洞察二：企业大模型的价值在于“业务语义对齐”，而非通用能力
YonGPT的成功关键并非参数规模，而是其深度融合企业业务语义：
预置800+行业模型资产（财务、人力、制造等）构建企业级知识图谱（如法律法规、合同条款）支持NL2SQL、NL2Workflow，实现**自然语言到业务动作的精准映射
🔍 通用大模型是“通才”，企业大模型必须是“专才”——懂业务、知流程、守合规。 用友的突破：
领域知识注入：将35年企业管理经验沉淀为模型训练数据。语义一致性：确保“客户”在销售、财务、供应链系统中的定义统一。NL2Workflow：将“帮我审批这份合同”转化为具体的审批流调用。
洞察三：智能体（Agent）的“技能注册制”是企业级AI规模化的核心机制
用友提出的“技能注册器”机制极具工程智慧：
将AI能力封装为可复用、可编排的“技能”支持RPA、API、算法、规则引擎等多种技能接入数智员工可动态组合技能完成复杂任务
🔍 这本质上是企业级AI的“应用商店”模式，实现了AI能力的资产化、模块化、可治理化。 架构优势：
能力复用：一个“发票识别”技能可被“智能收单”、“自动报税”等多个场景调用。动态编排：根据任务复杂度自动组合技能（如“合同审核”= OCR + NLP + 规则引擎）。可治理性：支持技能版本管理、性能监控、权限控制。
洞察四：数据原生是“业务与数据的双向闭环”，而非单向供给
传统数据中台常陷入“建而不用”的困境，而“数据原生”强调：
数据随生：业务系统原生产生高质量数据数据反哺：分析结果实时驱动业务决策（如智能补货）数据即服务（dSaaS）：数据能力通过API开放给生态
🔍 未来的CIO将不再是“数据管理者”，而是“数据供应链CEO”。 实现路径：
数据随生：在业务录入时即进行数据质量校验。实时反馈：分析结果以“建议卡片”形式嵌入业务界面（如“建议提高A产品库存”）。自动执行：通过RPA或API自动触发业务动作。
洞察五：AI+集成是产业互联的“隐形基础设施”
在供应链协同、产业互联网等场景中，系统集成是最大痛点。AI可显著降低集成复杂度：
传统方式AI增强方式手动配置ETLAI预测数据需求，自动生成映射规则固定消息路由AI动态优化消息队列，提升吞吐量人工编写API文档AI自动生成Swagger文档与测试用例
🔍 AI将成为“集成智能中枢”，解决协议多样、标准不一、跨国合规等“脏活累活”。
洞察六：低代码的未来是“语义建模”，而非“图形拖拽”
YonBuilder的AIGC Code能力预示着：
开发者不再写代码，而是描述“业务意图”系统自动生成页面、流程、API**业务语言与技术语言的鸿沟被大模型弥合
🔍 未来的企业IT部门将分为两类人：“业务语义设计师”与“AI训练治理师”。 演进路径：
图形化建模：拖拽组件构建应用。自然语言生成：描述“我需要一个客户画像系统”，AI自动生成数据模型与UI。意图驱动开发：用户只需表达业务目标，系统自动选择技术栈、设计架构。
供大家学习和研究。提醒一句：以上资料请仅用于个人学习和研究之用，勿用于任何商业目的，切记！！！要下载上面的技术报告，请关注本公众号，并在公众号后台发消息回复“数智底座”即可获得下载链接。操作说明：关注本公众号后，在这里回复：
且回复引号内的文字（不带引号），这是微信公众号的“自动回复”功能的要求。当你回复了正确的文字，公众号就会给你发送正确的分享链接（网盘）。
页:
[1]