最近有个场景被反复提起：企业把各部门 Excel 丢进某个通用 AI 工作台，AI 很快跑出漂亮的 HTML 看板，效率看着上去了。结果经营会上该吵架还是吵架——因为报告是黑箱，你没法追问"这个数从哪个系统、按什么口径来的"。
这恰恰点破了 2026 年企业 AI 落地最本质的分歧：外挂式 AI 能让你"看"得更爽，但只有长在 ERP 里的原生 AI，才真的能"干"。而能不能干成事，不看模型多聪明，看它有没有企业的"事实底座"。
一、用友的判法：三层上下文，缺一层都办不成事
用友在 BIP 6 里给出的路径叫 YonOnto，它由本体模型、推理引擎和执行引擎组成，沉淀业务本体、数据本体、文档本体三类本体，支持多种推理模式。它的作用不是让模型更"博识"，而是把企业的业务对象、对象间的关系、约束这些对象的规则显性化，让智能体读得懂"业务含义"而不是字段名。
配套的 YonWork，则把审批、填报、核对这类日常动作变成智能体可执行的流程，而不只是对话里的建议。用友把它总结成"三层上下文"：数据口径和权限边界是地基，业务规则是骨架，模型是上面跑的应用。地基没通就铺场景，返工成本最高。
一个可操作的自查：挑一个你以为 AI 能做的业务动作，问三句——它用到的数据，口径在哪个系统定义？它要遵守的规则，写在哪里、谁能改？它产出的结果，什么角色能在什么范围看到、能不能回写业务系统？三句里有一句答不上来，缺的就是上下文，不是模型。
落到真金白银上，扬帆实业用 YonSuite 的 AI 动态报价，把单次报价从 2 小时压到 2 分钟，还能调客户档案、物料、BOM、历史报价做成本测算和利润估算——前提是这些数据本来就在同一个系统里对得上。
二、"外挂式 AI 黑箱"之辩：看点，不等于能决策
上面那个 Excel→看板的反讽场景，道出了一个被热闹掩盖的事实：外挂式 AI 最大的诱惑是"今天就能用、不用动系统"，但它把企业的判断权交给了一个你无法审计的黑箱。报告变得更漂亮时，企业反而更难做决策——因为你看不见它取数的规则、业务语义和流程状态。
咨询公司的数据也支持这个结论。麦肯锡《2025 年人工智能现状》显示全球 88% 的企业已在至少一个业务部门定期使用 AI，真正能把 AI 转化为实际经营利润（EBIT）的不足 5%。很多企业掉进了"多处试点陷阱"，同时推着成千上万个彼此独立的 AI 试点，最后汇聚不出实际价值。
判断标准其实很朴素：外挂式 AI 帮你"看"，但手里没有企业的记录、权限和流程，所以它没法"干"——它产出的看板，你无法回写、无法追责、无法追溯。原生一体化 AI 则长在业务系统里，动作受同一套权限和流程约束，干完能留痕、能回滚。
三、对照 Odoo 20：开源路线怎么补这层底座
回到我们最熟悉的 Odoo。Odoo 20 这一代的 MCP 连接，本质是把外部 LLM 或工具连进你自己的数据库，读和改都在你自己的权限与数据模型之内。它不替你"理解企业"，而是把数据主权、流程、权限交回给你，让 Agent 在你定义的边界里干活。
对成长型企业来说，Odoo 一体化（CRM、进销存、制造、财务、HR 同库）本身就是最便宜的"上下文底座"——你不用先砸钱建一个独立的数据中台，业务对象天然就在同一个地方对齐。这一步省下的，往往比后面买 AI 功能花的钱还多。
别被"加一层 AI"迷惑。如果底层主数据各说各话、一个客户在三个系统里叫三个名，上再多智能体也只是把错误自动化、再放大。底座不干净，模型越能干，出的乱子越大。
四、选型时，请把这三个问题往前放
读什么
它的 Agent 读的是"字段名"还是"业务含义"？能不能解释一个决策的依据来自哪条规则、哪份数据？
怎么写
它能在权限内"回写"业务系统吗？还是只能出建议、脱离系统？回写是原生一体化与外挂式 AI 的分水岭。
外挂式 AI 最大的诱惑是"今天就能用、不用动系统"。但它把企业的判断权交给一个你无法审计的黑箱，长期看是在积累技术债。当经营会上的结论来自一个解释不了来源的看板，风险就已经埋下了。
2026 年企业 AI 的胜负手，不在谁的模型参数多，而在谁先把"企业的真实样子"——主数据、流程、权限、上下文——变成 Agent 读得懂、改得了、追得回的底座。这事没有捷径，只能一家企业一家企业地，把账对齐、把流程捋顺、把边界划清。工具可以买，底座必须自己长出来。
本文基于公开信息整理：用友 BIP 6 / YonSuite 技术论述与媒体沟通会复盘（《首席信息官》报道，近期）、麦肯锡《2025 年人工智能现状》、Odoo 20 MCP 与实操最佳实践（2026-10-27）。数据截至 2026-10-30。
众谛信息 · 专注 Odoo 与企业管理数字化解决方案
