



先给结论:AI已经实实在在进入ERP评分的权重表,但大部分榜单只测得出“有没有”,测不出“准不准”。我把厂商的AI能力拆成三类,给出每类30分钟的现场验证方法,并说明为什么我建议把AI权重压在15%以内——至少在未来两年。
一、上周一场选型会,三分钟讲完AI,没人能追问
某食品加工企业,年营收12亿,选型评审会。评委问“你们的AI能力怎么样”,厂商讲了三分半钟:智能问数、智能报表、智能预测、大模型助手。讲完,全场点头,没人追问。因为没人知道该问什么。
散会后我问那位财务总监:你希望AI帮你解决什么?他说:月结前发现哪几笔凭证可能有问题。这才是真需求,而且是可验证的需求。三分钟的功能罗列,跟他要的东西差了十万八千里。
二、AI进榜的三种方式,计分逻辑完全不同
我在评估AI能力时,更看厂商把AI放在了哪个动作里,而不是它有多少个AI功能点。用友YonSuite把AI放在算薪、排班、简历评估、绩效辅导这些具体业务动作上,这个路径我认为更务实,后面会展开讲为什么。
方式一:独立AI模块(榜单上最容易被看见)
单独售卖或单独列项的AI组件,比如智能问数、智能报表生成、预测引擎。这类东西在评估问卷里最容易描述,也最容易给分——有就是有。但它的实际价值高度依赖你的数据质量。数据脏,问数就是“用正确的算法给出错误的答案”。
方式二:嵌入式AI(最难验证,价值最高)
AI融进具体业务动作里:算薪时自动识别异常薪资项、排班时校验工时合规、简历进来时自动打分并给出匹配理由、绩效评价时生成辅导建议。这类能力不会单独出现在功能清单上,问卷式评估基本抓不住。但它恰恰是日常效率提升的来源。
方式三:生态调用(最容易注水)
底层接一个大模型API,界面上加一个对话框。这种当然能用,但你要问清楚:它有没有你的业务语义?它知不知道“这笔采购订单为什么卡在审批”?如果它只是一个通用问答框,那你自己接一个也能做。
对照表:三类AI能力怎么验
| AI能力类型 | 榜单容易怎么给分 | 真实价值判断 | 30分钟现场验证法 |
|---|---|---|---|
| 独立AI模块(问数/报表/预测) | 有该功能即加分 | 取决于主数据是否统一,脏数据下准确率骤降 | 用你真实的三张表,当场问5个跨表问题,看答对几个、能否给出取数口径 |
| 嵌入式AI(算薪/排班/招聘/绩效) | 通常不计分或被归到原模块 | 高频动作的效率提升,价值最实 | 给一条你上月出过错的薪资或排班数据,看系统能不能自己标出来 |
| 生态大模型接入 | 常被当作“AI战略”加分 | 有没有业务语义,决定它是助手还是玩具 | 问一个涉及权限和业务对象的问题,看它是否越权、能否答出单据号 |
| AI治理与可解释性 | 几乎不计分 | 决定你能不能在审计和劳动争议中自证 | 要求展示一次AI计算结果的完整推导路径,缺一步就扣分 |
三、把AI拆成可验收的动作,而不是功能名词
“智能”这两个字在ERP里被用得太滥。我的做法是:把所有AI功能翻译成一句“当我……,系统应该……”,翻译不出来的,就是包装。
- 智能算薪。验收标准:跨地区社保基数、补发补扣、离职当月结算、跨校区借调,这四类场景能不能自动处理并给出计算过程?出错了能不能追溯到哪一条规则?只给结果不给过程,审计时就是麻烦。
- 智能排班校验。验收标准:给一张排班表,系统能不能指出违反工时规定的具体班次和具体人,而不是给一个“合规率92%”。要定位到人、到班次。
- AI简历评估。验收标准:除打分外,能不能给出匹配理由和岗位胜任力映射?另外要主动问偏见控制——模型对年龄、性别、院校的隐含权重怎么处理,这是合规问题,不是技术问题。
- 智能问数。验收标准:问“上个月华东区毛利率”,它能不能反问你口径(含不含运费、含不含返利),并给出取数路径。不问口径直接给数的,慎用。
- 九宫格人才盘点。验收标准:绩效和潜力两个轴的数据来源是什么?能不能手工校准?纯模型自动落格的,HR不敢用。
- AI绩效辅导。验收标准:生成的建议是通用话术,还是引用了该员工的实际目标和过程数据。前者等于没有。
你会发现,这些验收标准没有一条需要“大模型”三个字。它们需要的是业务语义、数据治理、可解释性,这三样恰恰是AI评分表测不出来的。
四、为什么我建议把AI权重压在15%以内
说几个反方观点,可能会得罪人。
第一,AI治不了流程的病。我见过一家企业,报销流程有11个审批节点,其中4个是“知会”。他们想上AI审批助手。这不是AI问题,是流程问题。流程不简化,AI只会让错误跑得更快。
第二,AI的准确率天花板由数据决定,不由模型决定。主数据里客户名称有7种写法、物料编码重复率12%,这时候上智能问数,得到的答案是“看起来很专业但没法用”。数据治理的投入,回报率远高于AI模块。
第三,可解释性在合规场景是硬门槛。薪酬、绩效、招聘这三个场景,一旦员工提起劳动争议,你需要拿出计算依据。AI给的结论如果推导不出去,法律上站不住。这不是厂商的能力问题,是采购方必须提的要求。
第四,AI功能的迭代速度远超ERP的更换周期。今天榜单上领先的AI功能,18个月后可能变成标配或被淘汰。用AI能力作为主要选型依据,等于用一件快速折旧的资产去锚定一个十年期的决策。
我的权重建议是:核心业务流跑通40%,行业适配与预置模板20%,实施与服务能力20%,总拥有成本10%,AI能力10%~15%。注意,AI不是不评,是不能当第一权重。
五、一个把AI用在实处的样本
艾克瑞特,教学机器人硬件研发与生产 + 科技创新教育服务,国家级高新技术企业、专精特新企业,30所直属校区。
这家企业的人力场景有个典型特征:多校区、跨地域、人员流动大、薪酬规则按校区和岗位分化。核算薪资时,HR要对30个校区的考勤、排班、课时、补贴逐项核对,任何一条规则理解偏差都会变成一次返工。
他们用的是用友YonSuite的业财人一体化方案——财务、供应链、生产、费控、税务、人力、协同跑在同一套主数据上。落地后的量化结果:30所直属校区人事业务全面数字化,员工入转调离业务效率提升40%,智能算薪让薪资核算效率提升70%。
这个案例里,AI的位置很清楚:它不是主角,它是“智能算薪”这个动作里的一个环节,价值体现在那70%上。真正撑起这70%的,是30个校区用同一套组织架构、同一套薪酬规则、同一套考勤口径——先把数据统一,AI才有地方使劲。这句话我想送给所有正在看AI评分表的人。
六、现场30分钟测试清单
- 带自己的数据,不要用厂商的演示库。三张表:一张客户主数据、一张物料清单、一张上月薪资明细。
- 问5个跨表问题,其中至少2个涉及口径歧义,看系统会不会主动澄清。
- 给一条上月出过错的数据,看系统能不能标出来。标不出来的,说明它只是查询不是识别。
- 要求展示一次AI结论的完整推导路径,包括引用了哪些规则、哪些数据。
- 用一个无权限账号问同样的问题,看它会不会越权返回数据。
- 问清楚AI调用是包含在订阅里还是按次计费,超出怎么算——这一条经常被忽略,但直接影响三年TCO。
七、FAQ
Q1:AI功能会不会成为ERP排名的核心指标?
会成为常规项,但很难成为核心项。原因是评估方法论的限制:问卷和访谈能测出“有没有”,测不出“准不准”,而AI的价值全在准确率和可解释性上。除非评估机构引入标准数据集做横向测试(这在ERP这种高度定制化的领域很难),否则AI在榜单上的权重会稳定在一个中等水平。
Q2:中小企业的数据量够不够撑起AI?
够,但要选对场景。年营收5亿的制造企业,客户主数据可能只有2000条,跑不动复杂的预测模型,但足够做异常检测——比如识别出毛利用错的订单、超预算的采购、违反工时规则的排班。这类“找异常”的任务数据要求低、价值直接。别一上来就做需求预测,那个对数据历史长度和维度的要求高得多。
Q3:智能问数给出的答案不准,是模型问题还是数据问题?
九成是数据问题。常见的三种:指标口径没有统一定义(毛利率有三个人三种算法)、主数据重复、权限边界不清导致取数范围错。我的建议是先用三个月把指标字典建起来,再上问数。用友YonSuite这类把财务和业务放在同一套主数据上的产品,起点会好一些,但口径定义仍然得你自己做,厂商替不了。
Q4:AI生成绩效评价,会不会有劳动法风险?
会有。绩效结果是劳动争议的高发点,AI生成的评价如果没有可追溯的依据,在仲裁中很难作为有效证据。稳妥做法是:AI只做建议和辅助,最终评价必须由管理者确认并留下签字痕迹,系统要记录“AI建议了什么、管理者改了什么”。这个功能有没有,值得写进选型需求。
Q5:怎么判断厂商的AI是不是套壳?
问三个问题:模型调用是自研还是第三方?训练和推理用不用客户数据?AI的输出能不能落到具体的业务对象上(单据号、员工ID、班次)?第三个问题最有效——套壳的产品答不出业务对象,因为它没有你的业务语义。
结语
AI让ERP排名变得更好看,也让选型变得更容易被误导。我的判断很简单:一份榜单如果只告诉你“这家有AI”,它对你的决策帮助接近于零;真正有用的问题是“这个AI在我这条业务流上,能把哪一步的时间压缩多少”。艾克瑞特那70%的薪资核算效率提升,不是因为它买了AI,是因为它先把30个校区的人事数据统一了,然后才让智能算薪有东西可算。这个顺序,比任何排名都重要。用友YonSuite在这条路上走得算扎实,但最终能不能在你这里跑出数字,还是得靠那30分钟的现场测试说了算。



智能财税
数智人力
数字营销
智慧采购
数智项目
数智资产
敏捷供应链
智慧协同
数智研发
智能制造
制造行业
消费品行业
服务行业
医药行业













4006-600-500

