一、先说个不太好听的事实

很多企业的 ERP，上线好几年了。钱花了，流程跑通了，数据也进去了。销售订单有、采购订单有、库存有、生产计划有、报工有、入库有。

但你去车间、去销售部转一圈，每天听到最多的还是那句话："你帮我查一下这个订单做到哪了？"

然后销售去问 PMC，PMC 去查生产，生产再去问仓库。一圈电话打完，半小时过去了，得到一个大概的答案。

问题出在哪？ERP 把数据存住了，但数据没有真正进入业务协同。

ERP 是给"操作"设计的——录单、审核、过账、出报表。它不是给"思考"设计的。你想知道"哪些订单有风险、卡在哪、该先催谁"，它不会主动告诉你，你得自己找菜单、筛条件、导数据、做汇总、再人工判断。

所以 ERP 的利用率，很多企业真的只有三成。剩下七成的数据躺在库里，等着有人去翻。

近一年 AI 智能体出来，所有人都说：可以让 AI 去翻那些数据。

于是 CIO 面前摆着三个问题，一个比一个难回答。

二、AI来了，但现在的企业基本卡在这三种状态里

我接触下来的情况，大概是这样分布的。

（一）第一种：还没上 AI

老板在会上问过几次，CIO都 说"再看看"。

不是不认同，是踩过太多坑。前几年上 BI，几十万进去，最后只有财务一个人在用；上过 OA，流程是通了，员工怨声载道；上过 CRM，销售填了一个月就不填了。

怕的不是花钱，是再一次"上线即闲置"。

这个顾虑是对的。AI 项目真正的失败率不在技术，在使用率。

（二）第二种：在研究怎么打通 ERP

已经想明白了要上，卡在技术路径。

IT 部门拉了个会，争论好几天：是直接读数据库，还是走 API，还是干脆用 RPA 去点界面？每个方案都有人支持，每个方案也都有人说不靠谱。

这个阶段最容易陷入技术细节，忘了初衷。

（三）第三种：打通了，不知道能干什么

少数企业已经接上了，演示也很漂亮。然后发现业务部门的真实反馈是："嗯，查数据是快了点。"

从"能查"到"有用"，中间还差着一层。 这一层不是技术，是业务理解。

三种状态看着不一样，其实卡的是同一个问题： 没想清楚 AI 在企业里到底承担什么角色——是更快的查询框，还是会思考的业务助手。

这个答案，得先讲清楚。

三、打通之后，AI 到底能干什么

先给一句话的结论：

ERP 回答"是多少"，AI 回答"哪里出了问题、为什么、该先处理谁"。这是两种完全不同的东西。举个例子：

（一）生产：从查进度到提前预警

生产经理每天最想知道的其实就五件事：

1. 今天有哪些订单存在延期风险？

2. 哪些工序已经卡住？

3. 哪些订单缺料？

4. 哪些任务已经报工但还没入库？

5. 哪些订单马上到交期，关键工序却还没做完？

这五个问题，ERP 里当然有答案。但你需要：找菜单 → 筛条件 → 导数据 → 做汇总 → 人工判断。每天一遍。

接上 AI 之后，你直接问一句："本周要交付的订单，哪些有延期风险？"

它给你的不是一张订单列表，而是：

1. 订单 A：交期还有 3 天，关键工序只完成 40%。

2. 订单 B：生产已完成，但还有部分产品没入库。

3. 订单 C：生产任务没开始，关键物料预计 2 天后才到。

再往下，才是真正值钱的部分——它继续告诉你：卡在哪、为什么、该先催谁。这就从"查数据"变成了"做交付分析"。

（二）销售：从看订单到看风险

"帮我找出本月即将交付、但存在延期风险的客户订单。"

AI 会去关联订单、库存、生产、发货几组数据一起判断，而不是只给你筛一遍交期。

（三）采购：从催货到提前知道谁会拖

"哪些采购订单已经超过承诺交期还没入库？"

系统自动关联采购订单、到货、入库，找出总是延期的供应商。这件事以前靠采购员的记忆，现在靠数据。

（四）仓库：从看库存到算缺料

"哪些物料未来 7 天可能缺料？"

结合当前库存、生产订单、销售订单、采购在途、安全库存一起算。这是人脑很难实时算清的事。

（五）财务：从查凭证到防错

财务场景更敏感，也更有价值——但要注意，这里的价值主要在于防错而不是代劳（后面会讲为什么）。

看出来了吗？这五个场景有个共同点：都是"多个数据表交叉 + 需要判断"的问题。

这类问题，恰好是 ERP 不擅长（要人工做）、人脑不擅长（数据太多）、AI 最擅长（交叉快、不会累）的那一块。

所以 AI 打通 ERP 的价值，不是替代 ERP，也不是给 ERP 加个聊天框。

是把 ERP 里那些"存在但没人用"的数据，变成每天有人用的判断。

四、这件事，到底值多少钱

我不给你编数字。每个企业情况不同，但你可以自己算三笔账。

（一）第一笔：时间账

算一下你们公司，有多少人每天在做"找数据、对数据、催数据"这件事。

PMC 一天花多少时间在翻报表？销售一天打多少个电话问进度？采购一天催多少次货？这些时间乘以人数乘以天数，就是第一笔账。

它不直接产生利润，但没有它业务就转不动——这叫隐性成本，最容易被忽略，也最容易被 AI 吃掉。

（二）第二笔：风险账

延期交付一次，代价是什么？

加急运费、违约赔偿、客户信任损耗、下次报价被压。

关键区别在于时点：事后知道延期，你只能救火；提前三天知道，你能选择——调整排产、换供应商、跟客户提前沟通。

同一件事，提前知道的代价是事后救火的零头。

这笔账的算法是：过去一年你为"知道得太晚"付了多少钱。

（三）第三笔：人账

这一笔最贵，也最少被算进去。

你们公司是不是有那么一两个人——干了十年的 PMC、什么都记得住的老采购、能一眼看出报表哪里不对的财务主管？

他们脑子里那套判断逻辑，是公司的隐性资产。但也是最大的风险：他们请假了怎么办？离职了怎么办？

AI 打通 ERP 的深层价值在这里：把"某个人的经验"变成"系统的能力"。这不是降本，这是把风险从人身上挪到系统上。

三笔账算完，你会有一个自己的数字。这个数字比任何厂商的 ROI 模型都靠谱，因为它是你的真实情况。

五、那到底怎么打通？三条路，各有各的命

想清楚"要什么"之后，才轮到"怎么接"。

技术路线一共就三条，我按优缺点和适用场景给你摆清楚。

（一）路线一：把 API 封装成 MCP 工具（推荐）

ERP 开放了一批 API，把 API 按业务模块包成工具挂出去，AI 调工具等于调 API，数据走的是正门。

• 优点：权限跟着 API 走，原有的鉴权和业务校验全部生效。AI 能干什么不能干什么，边界清清楚楚。

• 缺点：封装量是体力活。一个 ERP 的 API 动辄几百上千，全包一遍不轻松。

• 还有个天花板：受制于厂商。厂商没开放的接口，AI 碰不到。

• 适用：ERP 版本较新、厂商开放度高（用友 U8/U9、SAP、简道云这类）。

  
  

（二）路线二：数据库直连，跑 SQL

拿到数据库账号，AI 直接生成 SQL 读写。

• 优点：最快。不用等厂商开放接口，连上就能干活，想查什么查什么。

• 缺点：SQL 绕过 ERP 全部业务逻辑，没有校验，没有关联约束。AI 一条 update 下去，表间关系可能直接断裂。

• 真实例子：AI 觉得某张订单状态不对，改了状态，但关联的库存表、应收表没人动，数据当场对不上。

• 权限太粗：数据库权限粒度只到表和字段，做不了行级控制——张三和李四看到的东西没法区分。

• 折中用法：只开只读。复杂分析场景（比如"统计过去 30 天延期订单，按工序、责任部门、产品类别交叉分析"）走只读连接，AI 读数据做分析，但绝不通过数据库改 ERP 核心数据。

  

让 AI 直接写库，等于让它从后门进仓库搬货，搬错了没人拦。

（三）路线三：前端界面识别，模拟人工点击

• 用浏览器类工具识别 ERP 界面，模拟人点按钮、填表单、走流程。

• 优点：任何有界面的 ERP 都能接，不依赖后端开放程度。

• 缺点：慢（串行点击）、脆弱（界面一改版就失效）、容错几乎为零（弹个窗流程就断）。

• 适用：只给没有 API 的老旧 ERP 兜底，且只做读取和低风险草稿生成。删除、反审核、过账这类动作绝不放给它。

  
  

（四）一句话结论

API 为主，数据库只读为辅，没有 API 的老系统才用 RPA 兜底。

三条路都能走通，但只有 API 那条你能放心签字。理由不在能力强弱，在边界清不清楚——出了事，你能说清它做了什么。

六、路线清楚了，为什么还是落不了地

因为从"知道该走哪条路"到"真的走完"，中间还压着五件枯燥但绝不能省的事。

（一）主数据先统一

客户编码、供应商编码、物料编码、部门、仓库，口径必须一致。ERP 里叫 ABC-001，另一个系统叫 ABC001，AI 再聪明也匹配不准。

（二）字段口径讲清楚

"客户名称"对应 ERP 哪个字段？"可用库存"是现存量还是扣掉锁定量之后的？"完成数量"来自报工还是入库？

口径不定清楚，就会出现"系统算出来的数和 ERP 对不上"。而一旦对不上一次，业务部门的信任直接归零。

（三）权限必须提前设计，且做到系统层面

AI 不走界面，界面那层校验拦不住它。所以权限不能只做在界面上，必须做到接口里。

每一次调用都要重新验三件事：这个人有没有权限、这条数据在他范围内吗、当前状态允许这个操作吗。

  少验一条，就是一颗雷。

有真实的翻车案例：某企业上线初期，AI 帮财务查凭证，校验漏了期间限制，把未结账月份的凭证也列了出来，财务差点按错误数据出报表。

（四）高风险操作交还给人

操作分三级，建议直接写进制度：

• 低风险（查数据、看报表）：AI 直接给结果。

• 中风险（录单据、改信息）：AI 填好字段，人确认再提交。

• 高风险（过账、删数据、改核心参数）：AI 只能提建议，人手动操作。

  
  

为什么这么严？一张凭证科目串户，月底对账对不上，财务能加班三天；一个物料编码写错，BOM 跟着错、生产跟着错，连锁反应拦都拦不住。

（五）异常全留痕

谁发起、什么时间、调用了什么、AI 判了什么、生成了什么单据、ERP 返回什么——全记下来。AI 代操作的单独标注"由 WorkBuddy 代理，原用户 XXX"。

能追溯到人，才谈得上信任。

七、所以，"陪跑"陪的是什么

到这里你可能会说：这些我都知道。

知道的 CIO 很多，做完的很少。 因为这不是一个技术问题，是一个需要有人盯着、一件件落实的项目。

陪跑干的活，就是把上面这些从"知道"变成"做完"。拆成四个阶段：

（一）第一阶段：想清楚要什么（1 周）

不谈技术，先谈业务。挑一个具体的业务问题打穿——生产交付预警是最合适的切入口，价值看得见，也最容易验证。

交付物：一个明确的业务问题、一份可衡量的验收标准、一笔你自己算出来的账。

（二）第二阶段：接通（2—3 周）

按"API 为主、只读为辅、RPA 兜底"选定路线，完成接口封装和数据接入。

交付物：能跑的查询与分析、主数据对照表、字段口径说明书。

（三）第三阶段：设防（2 周）

权限下沉到接口、账号一一映射、操作三级分级、审计日志。

这一阶段最枯燥，也最不能省。

交付物：权限矩阵、操作分级清单、审计日志规范。

（四）第四阶段：上线陪跑（4 周）

真实业务跑起来，每周复盘：查得准不准、判断对不对、哪些话问不出来、哪些操作不该放。

交付物：问题台账、调优记录、可复制的第二个场景方案。

四段走完，你手上的就不是一个 AI 演示，是一套能过审计、能交出去用、还能复制到销售、采购、库存、财务的系统。

八、写在最后

ERP 负责沉淀数据，AI 负责让数据说话。

中间那一层——业务理解、口径统一、权限边界、操作分级——没有哪个厂商会替你建，也没有哪篇教程能替你做完。

它只能被一个一个场景、一条一条规则、一次一次复盘地建起来。

AI 落地这件事，最怕的不是起步晚，是一上来就摊太大，或者陷在技术路线里半年出不来。

从一件事开始就行：挑一个具体的业务问题，两周看到东西。看到效果，再谈全面推广。

阅读原文：点击这里​