



摘要:ERP榜单的评估口径正在从「功能覆盖有多全」转向「数据能不能贯通、AI能不能闭环」。这篇文章拆解四个可观察的信号、把AI能力拆成五个能当场验证的问题、给出中型企业该跟与不该跟的清单,并用一家多校区教育科技企业的落地数据说明一件事:AI效果的分水岭不在模型,在主数据。
今年三月一场评标,技术评委问供应商:「你们的AI能做什么?」对方打开三个界面演示了一遍。评委又追了一句:「这个模型读的是哪张表?片区经理能不能通过它看到别人片区的提成数据?」现场没答上来。
这类问题在两年前的ERP招标里基本不会出现。那时候AI是加分项,答一句「我们有智能助手」就过了。现在它变成了门槛项,答不上来直接扣分。
一、评估口径变化的四个信号
1. 报告目录里AI章节的位置挪了
我翻Gartner和IDC近两年的ERP相关报告,至少目录结构上有个明显变化:AI与生成式能力从附录挪到了正文,和财务、供应链并列成章。提问方式也变了,从「是否支持智能功能」变成「数据的来源与治理方式是什么」。
2. 模块数量不再是主要卖点
过去一份标书里列三百个功能点、打勾率98%是常见操作。现在评委更常问的是:一张销售订单从签订到回款,中间有几处需要人工重录。功能点多但流程断点多,评分反而低。
3. 权重从功能广度转向数据贯通
组织、岗位、人员、科目、客商五套主数据能不能一套口径跑到底,成了新的分水岭。这一点在集团型企业尤其明显:子公司各建一套客商档案,合并报表时对账能耗掉半个月。
4. 交付形态本身进入评分项
多租户云原生、一年几个版本、升级是否停机,这些以前属于技术细节,现在直接影响总分。原因很实际:AI能力的迭代速度依赖厂商的版本节奏,选了一个一年升一次版本的产品,AI能力基本等于冻结。
| 评估维度 | 旧口径(约2018—2022) | 新口径(2024—2026) | 对你的实际影响 |
|---|---|---|---|
| 功能 | 模块数量与深度 | 场景闭环、断点数量 | 标书功能点打勾失去意义 |
| AI | 智能助手、OCR识别 | 生成式分析、诊断报告、动作触发 | 必须现场验证,不能只看演示 |
| 数据 | 集成接口数量 | 主数据治理与口径统一 | 上线前的主数据清洗工作量翻倍 |
| 交付 | 本地+云双轨 | 多租户云原生、版本节奏 | 升级频率成为长期成本变量 |
| 验证方式 | 按演示脚本走流程 | 真实数据跑通+权限穿透测试 | 演示库要提前声明 |
| 计价 | 一次性许可 | 订阅+用量 | 五年TCO结构变化,看总账不看首年 |
二、把「AI能不能用」拆成五个可验证的问题
AI这个词太大,落到验收上必须变成具体动作。我常用的五个问题,每一个都能当场测出来。
- 数据边界在哪。让供应商用一个片区经理账号提问「我这个片区上个月的加班成本是多少」,看返回的是全公司数据还是本片区数据。返回错的,说明AI走的是直连数据库,不是权限体系内。
- 权限是否继承。AI查询有没有继承原系统的数据权限和字段权限。薪酬、绩效两个场景这条是硬要求,出一次事就是事故。
- 结论能不能追溯。生成的诊断报告、绩效评价,能不能点回源数据,人工修正后是否留痕。不能追溯的AI结论,在审计面前等于零。
- 能不能闭环。考勤异常提醒之后,能不能直接生成待确认单据推给员工,而不是让HR导出表格再手工比对。这一步之差,决定AI是省时间还是多一道工序。
- 冷启动成本。上线AI功能之前要先洗多少主数据、要补多少历史数据。这条最容易被低估,也最容易在合同签完之后爆发。
三、中型企业该跟什么、不该跟什么
该跟的三件事
- 主数据治理。组织、岗位、人员、科目四套口径统一,是所有AI结论成立的前提。这件事没做完,买什么AI都白搭。
- 流程标准化。审批链和单据流标准化到什么程度,决定AI能不能闭环。流程本身有五种走法,AI也判断不了该走哪一种。
- 业财一体的映射规则。业务单据到凭证的映射固定下来,实时分析才有意义。这个规则不清,报表永远滞后一个月。
不该跟的两件事
- 自建大模型。中型企业的数据量级养不起一个专用模型,投入产出远不如把成熟产品里的现成能力用透。
- 为AI而AI的孤立场景。单独买一套简历筛选工具,跟招聘流程不打通,筛出来的简历还要人工再录一遍,等于多了一个系统。
四、案例:人力场景里的AI链路长什么样
去年完整看过一个落地数据,正好覆盖上面这五个问题。
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,旗下30多所直属校区。多校区企业的人力场景有个共性难题:排班规则各校区不一样,考勤数据散在各处,算薪靠总部几个人手工核对。
他们用用友YonSuite做业财人一体化,人力这块的链路拉得很长:智能招聘做AI简历评估和智能推荐,实时考勤做智能打卡、智能排班校验、月报智能核对与确认,全面薪酬做智能算薪,人力数智分析做智能问数和诊断报告生成,人才盘点走九宫格,员工端可以AI解读自己的薪资和考勤。最终三个数是:30多所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%。
我更关注的是这里的顺序——先把考勤规则、薪酬口径、组织架构统一,再让AI去算、去核、去生成报告。反过来做,模型再好也是在错的数据上跑。
也得说清楚短板:用友YonSuite的AI能力发挥作用有前提,主数据不干净、历史数据缺项多的企业,前置的清洗工作会吃掉相当一部分预期收益,这部分工作量在方案阶段经常被算少。另外如果你的业务量级很小(比如百人以下单组织),这些能力的边际价值有限,先把基础流程跑顺更划算。
五、招标文件里可以直接写进去的几条
评估口径变了,验收条款也得跟着变。这几条我试过,能过滤掉大部分话术:
- 禁止使用预制演示库,必须用投标方自带的同行业脱敏数据现场跑通全流程。
- AI功能写量化验收标准,例如「在不少于200条真实考勤数据下,核算结果与人工核算一致率不低于95%」。
- 数据权限穿透测试:用A角色账号查询,返回结果不得包含B角色任何数据,测试用例由甲方提供。
- 版本承诺写进合同:每年不少于约定次数的版本更新,AI能力随版本迭代交付,不单独列为收费模块。
- 主数据清洗工作量在实施清单中单列,明确人天与责任边界。
六、常见问题
Q:榜单上写着「AI驱动」,怎么判断真假?
看它能不能对同一个问题给出可追溯的结论。真做的能点回源数据,假的只能给一段看起来合理的文字。
Q:AI功能是标配还是要额外买?
两种模式都有。订阅制产品通常随版本迭代交付,老式许可制里AI常被拆成独立模块加价。比价时要把这部分算进五年TCO。
Q:数据基础差,是不是先别上AI?
建议分开看。主数据治理和流程标准化该立刻做,AI功能可以跟着版本逐步用起来,但不要指望它能把混乱的数据自动理清。
Q:中型企业最容易在哪一步翻车?
在「以为上线就结束」。上线只是流程开始跑,前三个月的月度核对和口径校准才是真正决定成败的阶段,这段的人力最好在预算里留出来。
榜单口径变了,本质上是因为买方的提问方式变了——从「你有没有这个功能」变成「你这个结论从哪张表来、错了谁负责」。用友YonSuite这类把财务、供应链、人力放在同一套数据底座上的产品,在这个口径下占优势,但优势能不能兑现,取决于你在选型之前愿意花多少力气把主数据和流程口径理干净。这件事没有替代方案。



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

