進博會一場圓桌上，鄧白氏中國區業務副總裁康凱講了個挺扎人的觀察：義烏國際商貿城裡，幾乎每家店的門頭都寫著「工廠店」。他接著問了一句——如果不是工廠店會怎樣？你說是工廠店，它就是嗎？
這句話原本是聊跨境貿易的，但我聽完想到的是另一件事。現在很多企業正準備讓 AI 去判斷「這家供應商能不能進名錄」「這個客戶能給多少授信」「這筆訂單有沒有關聯交易風險」。可如果系統連「正在分析的那家公司到底是哪一家」都認不準，後面跑得再快、報告寫得再漂亮，也不過是把錯誤包裝得更精緻。
11 月 8 日到 9 日這兩天出的幾份材料，恰好把這個問題從三個方向圍了一遍。
一、認錯主體，後面全是白幹
11 月 8 日，鄧白氏在第九屆進博會亞洲首發「智能開放平台」。這家 1841 年成立的數據服務商，做的事說穿了不複雜：把可信商業數據封裝成智能體可以直接調用的服務，用在客戶開發、供應商管理、信用評估、合規盡調上。
它的第一層不是模型，是身份。平台用鄧白氏編碼當企業的統一身份標識，先把散在不同系統裡的同一家企業對上號——名稱寫法不同、語言不同、地址變過、集團層級套了幾層，這些在 ERP 裡都是老毛病。對上之後，再依託覆蓋 200 多個國家和地區、超過 9 億家企業的全球商業圖譜，在授權範圍內補上集團、股權、控制、交易、信用與風險資訊。
第二層是兩項交付項目。MCP 服務給智慧代理一個標準化入口，依需求呼叫企業檔案、風險資訊、經營動態、企業評分；業務 Skills 則把資料、規則與分析邏輯打包成可重複使用的任務模組，例如「做一次供應商盡職調查」「跑一輪信用複審」。這跟先前大家討論的「給 ERP 接個 MCP 就能問資料」不是同一回事——前者是把專業判斷做成可呼叫的能力，後者只是把查詢入口打開了。
| 環節 | 過去 | 現在（廠商口徑） |
|---|---|---|
| 客戶准入 / 盡調 / 風險排查 | 兩三個人，半天甚至更久 | 約 10 分鐘出結果 |
| 過程記錄 | 人與人的協作未必記得完整 | 調了哪個介面、看了哪些數據、如何得出結論，全程留痕 |
| 決策歸屬 | 人查、人判、人簽 | AI 收集事實，人做決定；不替代信用政策與人工審批 |
產品總監馮志凱那句補充很關鍵：平台並不替代企業的信用政策與人工審批。他還打了個比方，模型像一個聰明、反應很快的大腦，但要作出正確的商業判斷，還得正確理解現實世界；「一個非常聰明的孩子，如果他讀的都是錯誤的書，也可能作出錯誤判斷」。
做 ERP 實施的人對這場景不陌生：供應商主資料裡三條記錄其實是同一家公司，只是名稱、稅號、地址各差一點。過去這叫「基礎資料沒維護乾淨」，頂多影響對帳；現在智能體要拿它去判斷能不能授信，這點髒資料就直接變成決策風險了。
還有個細節值得留意：平台在國內已與 WorkBuddy、KIMI 等合作，海外部分服務接入 OpenAI、Microsoft Copilot；國內的連接器先開放註冊送積分、按量付費，海外通常先買數據許可再啟用。同一套數據能力，進了不同的工作流，計費和授權方式也得分開談——這對做多系統集成的甲方，又是一筆要提前算清的賬。
二、數據不動，讓能力過去
如果說鄧白氏解決的是「外部事實從哪來」，Oracle 與 Snowflake 11 月 9 日見報的合作，處理的是另一頭：企業內部那堆 ERP 資料，怎麼才能少折騰。
在 Oracle AI World 大會上，雙方宣布把 Snowflake AI Data Cloud 作為原生服務引入 OCI。按聯合聲明的說法，資料存放於 Fusion 雲應用、NetSuite、自主 AI 資料庫、MySQL HeatWave 以及 NoSQL 裡的企業，可以在 OCI 內直接存取 Snowflake 的分析與 AI 能力，不必把工作負載遷到別的環境。
路線 A
外部可信資料補進來：統一主體身分 + 商業圖譜 + 可調用的業務 Skills
路線 B
內部 ERP 資料不出域：把分析與 AI 能力搬到資料旁邊，省掉跨雲管道
HFS Research 的 Ashish Chaturvedi 把受益順序說得很具體：已經在用 Snowflake 的大型 Oracle 應用客戶先受益，特別是每晚要跨雲遷移 ERP 和財務資料的那些。把財務與供應鏈資料留在 OCI 內，最直接的收益就是省掉出站資料傳輸費。他還單獨點了 NetSuite 客戶——手裡握著有價值的 Oracle 資料，但缺工程能力，原生接入正好替他們省掉了「原本難以配備人手處理的整合工作」。
HyperFrame Research 的 Stephanie Walter 從開發團隊角度補了一句：少花時間建把資料搬過去的管道，多花時間用這些資料建應用。對 CIO 來說，單一合約、單一帳單也順手壓低了採購門檻。
兩條路線看著方向相反，其實指向同一件事：AI 的可用性上限，是由資料可達性決定的。一條把外部事實補成可調用的服務，一條把內部資料的搬運成本壓到最低。模型在這兩種架構裡都不是主角，位置和口徑才是。
分析師也留了話：整合仍面臨資料治理與營運複雜性挑戰。省掉遷移，不等於省掉口徑統一。跨雲管道拆了，欄位含義、期間鎖定、權限邊界這些活兒一樣都不少——只是從「ETL 工程師的活」變成了「業務側必須自己講清楚的活」。
三、不可逆的事，先別交給它
資料認對了、夠得著了，接下來才輪到那個最容易被跳過的問題：哪些判斷可以讓 AI 自己定？
安永 11 月 8 日在進博會發布《財務AI應用與可信治理白皮書》，給了一個挺好用的尺子。它把財務 AI 的價值實現拆成四級路徑——規則自動化、智能輔助、智能體協同、決策支持，然後給了兩句判斷：AI 的自主程度應與業務風險及操作不可逆性相匹配；流程重構而非工具疊加，才是層級躍遷的關鍵。
| 層級 | AI 在做什麼 | 能不能自動放行 |
|---|---|---|
| 規則自動化 | 按既定條件觸發、搬運、校驗 | 可以，條件寫死即可 |
| 智能輔助 | 彙總、比對、給建議 | 可以，結論不落庫 |
| 智能體協同 | 跨步驟組織材料、起草單據 | 加人工閘，留證據鏈 |
| 決策支持 | 影響授信、定價、付款 | 人簽字，AI 不碰最後一下 |
同一天另外兩條消息，可以拿來驗這把尺子。釘釘 QwenWork 11 月 8 日公布一週新增六家龍頭：沙鋼把 Agent 用在電爐冶煉崗後分析、變壓器狀態評估、財務經營分析，部分核心場景效率提升達數百倍；中控技術在營銷全鏈路部署後往採購、供應鏈、財務、人力、研發延伸；傑克科技切的是成本核算、供應鏈排程、國際訂單處理。這些詞有個共同點——分析、評估、處理，都還在「給建議」這一側，沒人說把付款審批交出去。
更直白的是中國經濟時報報導的萬聯易達案例：一筆 100 噸碳酸鋰、金額千萬元（? no）的非標採購，供需雙方智能體幾分鐘內澄清品級交期、核驗供貨能力、並行磋商報價與付款條件，再由採購、品質、財務、法務等智能體彙總方案與待決事項。整個過程中，企業主只在授權、決策及驗收三個環節介入。該平台已接入企業用戶超 5000 家、運行智能體超 26000 個。
把「授權—執行—決策—驗收」拆開，人的位置是設計出來的，不是剩下的。這比籠統說一句「human in the loop」有用得多。
安永全球調查：68% 的 CFO 認為急需重估企業價值衡量方式；80% 預計未來 12 個月 AI 驅動的商業模式將在組織中達到顯著或中等程度的存在
80% 說的是「會來」，不是「已經跑通」。白皮書把話挑明了：財務 AI 已進入「能否產生實質影響」的關鍵階段。從記錄、控制與報告，走向預測、配置與共創，中間隔著的不是模型代差，是流程要不要重做。
四、給 CIO 的三條實操建議
- 先做主體對齊，別急著開智慧體。把外部企業身分與 ERP 裡的 partner、供應商、客戶表做一次對應，抽查 50 條重複或名稱相近的紀錄。對應率沒到能交代的程度，授信、盡調、關係人識別這類場景先別上。
- 把「可複核」做成預設配置。凡是 AI 參與的判斷，落庫記下調用的介面、讀過的資料、組織的邏輯、最終誰批的，並保留重放能力。沒有證據鏈的結論，不許接進審批流。這條比選哪個模型重要得多。
- 按不可逆性給自主權分級。查詢、彙總、比對可以放開；改主數據、改價、放款、發單、出函一律留人工閘。把安永那四級路徑翻譯成自家的權限矩陣，寫進制度，別只寫在方案 PPT 裡。
這一週的材料繞回來，其實就一句話：模型會一代代換，主數據和證據鏈不會自己長出來。先讓 AI 認得對，才談得上讓 AI 拿主意。順序反了，省下來的那點時間，最後都會以複核、返工和解釋成本還回去。
資料來源：上觀新聞 / 千龍網 / 新浪財經 / 騰訊新聞（鄧白氏智能開放平台，2026-11-08）、同花順財經（Oracle × Snowflake，11-09）、安永《財務AI應用與可信治理白皮書》（11-08）、釘釘 QwenWork 官方公告（11-08）、中國經濟時報（萬聯易達，11-08）。文中效率與準確率數字均為廠商或機構自身口徑，未經第三方複核。
眾諦資訊（Zodioo）· 企業數位化觀察 · 2026-11-09
