进博会一场圆桌上，邓白氏中国区业务副总裁康凯讲了个挺扎人的观察：义乌国际商贸城里，几乎每家店的门头都写着「工厂店」。他接着问了一句——如果不是工厂店会怎样？你说是工厂店，它就是吗？
这句话原本是聊跨境贸易的，但我听完想到的是另一件事。现在很多企业正准备让 AI 去判断「这家供应商能不能进名录」「这个客户能给多少授信」「这笔订单有没有关联交易风险」。可如果系统连「正在分析的那家公司到底是哪一家」都认不准，后面跑得再快、报告写得再漂亮，也不过是把错误包装得更精致。
11 月 8 日到 9 日这两天出的几份材料，恰好把这个问题从三个方向围了一遍。
一、认错主体，后面全是白干
11 月 8 日，邓白氏在第九届进博会亚洲首发「智能开放平台」。这家 1841 年成立的数据服务商，做的事说穿了不复杂：把可信商业数据封装成智能体可以直接调用的服务，用在客户开发、供应商管理、信用评估、合规尽调上。
它的第一层不是模型，是身份。平台用邓白氏编码当企业的统一身份标识，先把散在不同系统里的同一家企业对上号——名称写法不同、语言不同、地址变过、集团层级套了几层，这些在 ERP 里都是老毛病。对上之后，再依托覆盖 200 多个国家和地区、超过 9 亿家企业的全球商业图谱，在授权范围内补上集团、股权、控制、交易、信用与风险信息。
第二层是两件交付件。MCP 服务给智能体一个标准化入口，按需调用企业档案、风险信息、经营动态、企业评分；业务 Skills 则把数据、规则和分析逻辑打包成可复用的任务模块，比如「做一次供应商尽调」「跑一轮信用复审」。这跟前阵子大家讨论的「给 ERP 接个 MCP 就能问数据」不是一回事——前者是把专业判断做成可调用的能力，后者只是把查询入口打开了。
| 环节 | 过去 | 现在（厂商口径） |
|---|---|---|
| 客户准入 / 尽调 / 风险排查 | 两三个人，半天甚至更久 | 约 10 分钟出结果 |
| 过程记录 | 人与人的协作未必记得完整 | 调了哪个接口、看了哪些数据、如何得出结论，全程留痕 |
| 决策归属 | 人查、人判、人签 | AI 收集事实，人做决定；不替代信用政策与人工审批 |
产品总监冯志凯那句补充很关键：平台并不替代企业的信用政策与人工审批。他还打了个比方，模型像一个聪明、反应很快的大脑，但要作出正确的商业判断，还得正确理解现实世界；「一个非常聪明的孩子，如果他读的都是错误的书，也可能作出错误判断」。
做 ERP 实施的人对这场景不陌生：供应商主数据里三条记录其实是同一家公司，只是名称、税号、地址各差一点。过去这叫「基础资料没维护干净」，顶多影响对账；现在智能体要拿它去判断能不能授信，这点脏数据就直接变成决策风险了。
还有个细节值得留意：平台在国内已与 WorkBuddy、KIMI 等合作，海外部分服务接入 OpenAI、Microsoft Copilot；国内的连接器先开放注册送积分、按量付费，海外通常先买数据许可再激活。同一套数据能力，进了不同的工作流，计费和授权方式也得分开谈——这对做多系统集成的甲方，又是一笔要提前算清的账。
二、数据不动，让能力过去
如果说邓白氏解决的是「外部事实从哪来」，Oracle 与 Snowflake 11 月 9 日见报的合作，处理的是另一头：企业内部那堆 ERP 数据，怎么才能少折腾。
在 Oracle AI World 大会上，双方宣布把 Snowflake AI Data Cloud 作为原生服务引入 OCI。按联合声明的说法，数据存在 Fusion 云应用、NetSuite、自主 AI 数据库、MySQL HeatWave 以及 NoSQL 里的企业，可以在 OCI 内直接访问 Snowflake 的分析与 AI 能力，不必把工作负载迁到别的环境。
路线 A
外部可信数据补进来：统一主体身份 + 商业图谱 + 可调用的业务 Skills
路线 B
内部 ERP 数据不出域：把分析与 AI 能力搬到数据旁边，省掉跨云管道
HFS Research 的 Ashish Chaturvedi 把受益顺序说得很具体：已经在用 Snowflake 的大型 Oracle 应用客户先受益，特别是每晚要跨云迁移 ERP 和财务数据的那些。把财务与供应链数据留在 OCI 内，最直接的收益就是省掉出站数据传输费。他还单独点了 NetSuite 客户——手里握着有价值的 Oracle 数据，但缺工程能力，原生接入正好替他们省掉了「原本难以配备人手处理的集成工作」。
HyperFrame Research 的 Stephanie Walter 从开发团队角度补了一句：少花时间建把数据搬过去的管道，多花时间用这些数据建应用。对 CIO 来说，单一合同、单一账单也顺手压低了采购门槛。
两条路线看着方向相反，其实指向同一件事：AI 的可用性上限，是由数据可达性决定的。一条把外部事实补成可调用的服务，一条把内部数据的搬运成本压到最低。模型在这两种架构里都不是主角，位置和口径才是。
分析师也留了话：整合仍面临数据治理与运营复杂性挑战。省掉迁移，不等于省掉口径统一。跨云管道拆了，字段含义、期间锁定、权限边界这些活儿一样都不少——只是从「ETL 工程师的活」变成了「业务侧必须自己讲清楚的活」。
三、不可逆的事，先别交给它
数据认对了、够得着了，接下来才轮到那个最容易被跳过的问题：哪些判断可以让 AI 自己定？
安永 11 月 8 日在进博会发布《财务AI应用与可信治理白皮书》，给了一个挺好用的尺子。它把财务 AI 的价值实现拆成四级路径——规则自动化、智能辅助、智能体协同、决策支持，然后给了两句判断：AI 的自主程度应与业务风险及操作不可逆性相匹配；流程重构而非工具叠加，才是层级跃迁的关键。
| 层级 | AI 在做什么 | 能不能自动放行 |
|---|---|---|
| 规则自动化 | 按既定条件触发、搬运、校验 | 可以，条件写死即可 |
| 智能辅助 | 汇总、比对、给建议 | 可以，结论不落库 |
| 智能体协同 | 跨步骤组织材料、起草单据 | 加人工闸，留证据链 |
| 决策支持 | 影响授信、定价、付款 | 人签字，AI 不碰最后一下 |
同一天的另外两条消息，可以拿来验这个尺子。钉钉 QwenWork 11 月 8 日公布一周新增六家龙头：沙钢把 Agent 用在电炉冶炼岗后分析、变压器状态评估、财务经营分析，部分核心场景效率提升达数百倍；中控技术在营销全链路部署后往采购、供应链、财务、人力、研发延伸；杰克科技切的是成本核算、供应链排程、国际订单处理。这些词有个共同点——分析、评估、处理，都还在「给建议」这一侧，没人说把付款审批交出去。
更直白的是中国经济时报报道的万联易达案例：一笔 100 吨碳酸锂、金额千万元的非标采购，供需双方智能体几分钟内澄清品级交期、核验供货能力、并行磋商报价与付款条件，再由采购、质量、财务、法务等智能体汇总方案与待决事项。整个过程中，企业主只在授权、决策及验收三个环节介入。该平台已接入企业用户超 5000 家、运行智能体超 26000 个。
把「授权—执行—决策—验收」拆开，人的位置是设计出来的，不是剩下的。这比笼统说一句「human in the loop」有用得多。
安永全球调研：68% 的 CFO 认为急需重估企业价值衡量方式；80% 预计未来 12 个月 AI 驱动的商业模式将在组织中达到显著或中等程度的存在
80% 说的是「会来」，不是「已经跑通」。白皮书把话挑明了：财务 AI 已进入「能否产生实质影响」的关键阶段。从记录、控制与报告，走向预测、配置与共创，中间隔着的不是模型代差，是流程要不要重做。
四、给 CIO 的三条实操建议
- 先做主体对齐，别急着开智能体。把外部企业身份与 ERP 里的 partner、供应商、客户表做一次映射，抽查 50 条重复或名称相近的记录。映射率没到能交代的程度，授信、尽调、关联方识别这类场景先别上。
- 把「可复核」做成默认配置。凡是 AI 参与的判断，落库记下调用的接口、读过的数据、组织的逻辑、最终谁批的，并保留重放能力。没有证据链的结论，不许接进审批流。这条比选哪个模型重要得多。
- 按不可逆性给自主权分级。查询、汇总、比对可以放开；改主数据、改价、放款、发单、出函一律留人工闸。把安永那四级路径翻译成自家的权限矩阵，写进制度，别只写在方案 PPT 里。
这一周的材料绕回来，其实就一句话：模型会一代代换，主数据和证据链不会自己长出来。先让 AI 认得对，才谈得上让 AI 拿主意。顺序反了，省下来的那点时间，最后都会以复核、返工和解释成本还回去。
资料来源：上观新闻 / 千龙网 / 新浪财经 / 腾讯新闻（邓白氏智能开放平台，2026-11-08）、同花顺财经（Oracle × Snowflake，11-09）、安永《财务AI应用与可信治理白皮书》（11-08）、钉钉 QwenWork 官方公告（11-08）、中国经济时报（万联易达，11-08）。文中效率与准确率数字均为厂商或机构自身口径，未经第三方复核。
众谛信息（Zodioo）· 企业数字化观察 · 2026-11-09
