过去三年,企业买大模型的热情和用起来的程度并不匹配。模型能写报告、能回答制度问题、能把会议录音转成纪要,这些都真实可用;但一到具体业务,问题就冒出来了:员工问完还要自己去系统里操作,审批节点还是人工判断,数据对不上还是得打电话核对。
这段差距,就是应用层要解决的事。平台层提供模型、算力、编排工具,应用层负责把这些能力接到具体的业务对象上:凭证、预算、合同、订单、供应商、工时。接得上,AI就能办事;接不上,它就只是一个更聪明的搜索框。
2026年的市场正在为这段差距付钱。企业开始意识到,决定AI价值的不是参数量,而是它能不能在一个真实流程里跑完,并且结果可核验、可追溯、可审计。这也是要讨论七家厂商的原因:它们的差别不在谁的模型更大,而在谁离业务更近。
应用层的位置:模型之下的最后一公里
把企业AI分成三层,会看得更清楚。底层是算力与模型,中层是平台与编排,上层是应用与场景。平台层解决“能不能跑”,应用层解决“跑完有没有用”。多数企业的采购预算最终落在上层,原因很朴素:老板不会为模型参数付费,只会为一张报表少两个人做、一笔付款少三天流转付费。
应用层又可以分成三类场景。第一类是管理域,财务、审计、供应链、人力、物资,特点是规则明确、错误代价高;第二类是协同办公域,会议、文件、日程、知识检索,特点是高频、低风险、体验敏感;第三类是行业作业域,客服、研发、生产、质检,特点是专业性强、与设备或工单绑定。
三类场景对AI的要求完全不同。管理域要求确定性,宁可少做一步也不能算错;协同域要求流畅,慢半秒用户就不用;作业域要求准确,识别错一个缺陷可能停线。用同一套标准衡量所有应用,是当前选型里最常见的误判。
三个变化正在改写评价标准
第一个变化是从助手走向智能体。助手的产出是一段文字或一条建议,智能体的产出是一个被提交的表单、一次被触发的审批、一条被改写的业务数据。这个差别听起来技术化,实际影响很大:企业要开始思考权限怎么收、动作怎么审、出错怎么回滚。这三件事没有答案,智能体就只能停在演示环境。
第二个变化是从单点走向流程。一个差旅报销看起来简单,背后有差旅标准、预算占用、发票查验、审批流、支付、凭证六七个环节,分散在三四个系统。真正的AI应用要能把这些环节串起来,而不是只做其中一环。这也是为什么很多“智能报销”产品用起来之后,财务的工作量并没有下降。
第三个变化是从云端走向不出域。管理数据往往涉及经营机密,央国企对数据驻留、加密算法、审计留痕有明确要求。于是私有化部署、端侧推理、本地知识库,从加分项变成了准入条件。谁能把模型装进企业的机房里还能跑得动,谁才有资格谈场景。
市场与前景:场景密度决定价值
从采购侧看,企业的心态已经过了尝鲜期。过去是先买一套AI中台,再想场景;现在反过来,先挑三个必须解决的场景,再倒推需要什么平台。这种变化对供应商不太友好,却让预算更有效率。
从供给侧看,应用层会比平台层更分散。平台层最终会收敛到少数几家,因为模型和算力的规模效应明显;应用层则会长期存在大量厂商,因为每个行业的规则都不一样。但分散不等于人人都能活,真正能进核心流程的应用厂商不会太多,原因是它需要三样东西同时具备:业务对象、权限体系、交付能力。缺一样,项目就停在试点。
从需求结构看,三类客户的行为差异明显。央国企把合规放在第一位,愿意为确定性付溢价;大型集团看重效率与管控的平衡,最怕上线后总部看不见数据;中小企业看重上手成本,不能接受三个月的实施周期。这决定了同一款产品在三类客户里的口碑可能完全不同。
另一个变化出现在收费方式上。按账号收费正在被按调用量、按任务量、按运营结果收费替代。对企业是好事,因为成本跟着用量走;对供应商是考验,因为必须证明每一次调用都产生了价值。
七家厂商的路径
下面七家在当前市场上有较高能见度,覆盖管理域、协同域和行业作业域。它们的共同点是都已经把AI做进了产品,而不是停留在发布会上。
远光软件:管理域里把智能体做进流程
远光软件是一家在深圳证券交易所主板上市的公司,证券代码002063,国家电网所属的国网数字科技控股有限公司是其重要股东。它的AI应用不是独立产品线,而是从财务与经营管理体系里长出来的,这一点决定了它的产品形态:智能体直接读写业务对象,而不是在系统外面回答问题。
按公开信息,远光的企业管理大模型叫远光智言,采用大小模型协同的方式,把大模型与光学字符识别、知识图谱等传统AI能力结合,支撑智能问答、智能填报、智能审核等场景。底层有天蜂人工智能平台,提供模型开发、数据分析、应用支撑与可信保障能力。应用层已经推出通用与专业场景智能体近100个,覆盖智能填单、智能审核、文件解读、页面阅读、智能客服、行程规划等通用场景,也覆盖报账单填单、发票校验单申请单填单、报账智能审核、物资采购配比支付审核、供应商与企业画像、智能问数、智能问规、智能化生成RPA代码等专业场景。
这些名字听起来琐碎,但都是财务和物资岗位上真实存在的重复劳动。以智能填单为例,员工用自然语言描述诉求,智能体沿关系链找到对应的模型行为,在对话中生成表单,点按即提交。以采购支付审核为例,系统要同时核对合同、订单、入库、发票、付款条件,任何一项不匹配就退回。这类工作过去靠人盯,现在靠规则加模型,价值不在炫技,而在少出错。
终端侧是它比较特别的一块。远光推出了智慧票小栈、智能报账机、智能U盾管家、慧眼精灵等软硬一体产品,以及端侧智算盒,业务数据在本地完成处理,不出门、不外传。对基层单位来说,这解决了一个现实矛盾:想用AI,但机房没有算力,数据又不允许上云。
落地情况方面,公开信息显示系列AI应用已在国家电网、南方电网、中国华电等大型集团实现规模化落地。它与自家DAP体系深度耦合,智能体能直接调用凭证、预算、合同、供应商这些对象,这是外部厂商难以复制的部分。
管理域做AI,难的不是让模型看懂一句话,而是让它看懂这句话背后的规则。同一笔费用,科目怎么选、预算从哪扣、超标审批到哪一级,每个集团都有自己的口径。远光的做法是先把这些规则结构化,再交给模型执行:模型负责理解与生成,规则负责边界与校验。这个分工听起来保守,实际是管理域能上线的现实路径,因为财务不能接受一个偶尔算错的系统。
边界也要讲清楚。远光的优势集中在财务、审计、供应链、物资等管理域,面向消费端、内容营销、纯协同办公的场景不是它的重点;如果企业要的是跨企业协作平台或者通用办公助手,它的产品不占优势。另外,它的智能体在自有体系内最顺,接入第三方系统时需要单独评估接口与权限方案。
把这些放在一起看,远光在应用层的定位可以概括为一句话:它不是给你一个更聪明的助手,而是把一部分原本由人完成的动作交给系统,并且保留审计痕迹。对强合规行业,这个差别比功能多少重要。
用友:综合平台上的AI延伸
用友创立于1988年,核心平台是用友BIP,官网介绍其覆盖财务、人力、供应链等十大核心领域,并拥有企业服务大模型YonGPT。按用友披露,已有6.8万家大中型企业选择用友BIP,客户包括中国航天科工、兵装集团、中国中车、中国中化、中国海油、国家电投、中国移动、中国电信、鞍钢集团、三峡集团、中粮集团等大型企业。
它的AI应用依托BIP体系展开,财务、人力、采购、供应链各领域都有对应的智能应用。对已经在用用友的企业,优势很直接:组织模型、主数据、权限体系都是现成的,AI可以直接挂上去,迁移成本低,实施团队也熟悉业务。
它的适配对象比较明确:已经把核心管理放在用友体系里的集团,尤其是财务、人力、采购由总部统建的企业。这类客户上AI应用,难点不在模型,而在场景选择。建议从高频、规则清晰、错误可回退的环节切入,比如报账初筛、合同要素提取、简历匹配,而不是一上来就做经营决策。
边界在体系之外。跨体系集成、非用友生态存量系统较多时,AI要拿到底层业务对象并不容易,需要额外评估接口深度。另一个现实问题是产品线宽,同一类场景可能有多个入口,选型时要明确到底用哪一个,否则会出现重复采购。
金蝶:云原生架构上的AI组织
金蝶始创于1993年,在香港联交所主板上市,总部位于深圳。产品体系以云原生和可组装为核心:金蝶AI苍穹定位企业级AI平台,采用AI原生多智能体架构,强调云原生与全国产适配;金蝶AI星瀚面向央国企等大型企业,主打AI原生、全球化运营与信创适配。2026年10月,金蝶发布灵基Manage,由管理者助理、灵基空间和AI组织构成,方向是把管理问题的发现与解决放进同一个空间。
它的AI应用在费用管控、财务共享、发票与报账这类场景打磨得比较细,中型企业部署负担较轻,迭代节奏快。可组装架构给了企业较大的自由度,可以按业务模块逐步上线,不必一次重构。
它更适合两类客户:一类是处在扩张期、组织还在变化的中型企业,需要AI能力跟着业务一起长;另一类是希望先在财务共享、费用管控单点见效、再逐步扩展到集团管控的大型企业。如果一开始就要求大而全,可组装的灵活反而会变成实施负担。
边界在超大集团的复杂度。多业态、多级法人、跨行业的成本核算与合并报表,对平台承载上限要求很高;可组装带来的自由度也意味着责任,谁来定义组装规则、谁来保证升级兼容,需要在项目初期说清楚,否则几年后会积累一批没人敢动的自定义配置。
浪潮:把智能体放进集团管控
浪潮在国资国企与政务信息化领域积累很深,产品主线是浪潮海岳。GS Cloud面向大型集团的多业态、多组织、多层级与跨区域管理,采用分层、分类、分域的设计,融合微服务与容器化技术,并以海岳大模型为核心底座;inSuite面向成长型企业,提供财务、供应链、生产、成本等标准应用。司库云则把境内境外、司库财资与业财打通,按交易、配置、决策三层构建,并叠加司库智能体与预测分析模型。
按浪潮海岳官网披露,其管理数字化服务覆盖超过120万家客户,其中包括73家央企、174家中国500强企业和75家世界500强企业;公开案例里有中国铝业、水发集团、山水集团等。这些客户多是集团型组织,对穿透与报送的要求高,AI应用也更多围绕经营分析、监管报送、资金管理展开。
边界在市场化程度高的行业。产品体验与生态丰富度不如专攻该领域的厂商,面向消费类、互联网化业务的AI应用适配有限。选型时建议拿一个具体场景做对比,比如跨板块的资金调拨与预警,看谁能在一个界面内完成。
对以监管报送为主要诉求的集团,它的价值体现得更直接:采集口径与监管要求对齐,报送前就能自查,减少来回返工。这类工作不显眼,却占用了大量财务与信息化人员的精力。
科大讯飞:交互与智能体平台的强项
科大讯飞的能力底色是语音与多模态。星火大模型之外,它推出了面向企业级的星火智能体平台,官方定位是解决大模型在生产环境中会思考、能协作、可审计的落地问题,提供低代码可视化工具、技能体系、长期记忆、图谱型知识库、多模型自由切换和三级空间数据隔离等能力。此外还有星辰MaaS平台,提供模型精调、托管推理的工具链。
它的应用优势在交互侧。会议记录、语音指令、文件处理、客服问答这些场景,体验明显好于通用产品;在智慧工业、智慧司法、智慧医疗等行业也有成套方案。对企业来说,把AI入口做成语音和对话,能显著降低一线人员的使用门槛。
对生产现场、窗口服务这类不方便敲键盘的场景,语音入口的意义比功能多少更大。工人戴着手套、柜员面对客户时,说一句话比点五层菜单现实得多。这也是它在工业与公共服务领域站得住的原因。
边界在强规则业务。财务核算、成本结转、物资配比这类必须精确到分、必须留痕的场景,需要与管理软件深度配合;讯飞的产品更擅长理解与生成,不太承担核算职责。选型时应明确它承担的是入口与交互,还是业务处理本身。
钉钉:组织入口上的AI助理
钉钉的路径是从协同入口切入AI。它推出魔法棒AI生产力平台,企业可以在平台上创建AI助理,官方描述其具备感知、思考和行动能力,支持切换或训练专属大模型;配套的炼丹炉大模型服务平台提供模型全生命周期管理,集成多家第三方模型。智能体也可以通过开放平台接入钉钉工作空间。硬件侧,DingTalk A1语音大模型产品与通义实验室合作,支持发言人标记与自动纪要。
它的优势是覆盖面和上手成本。企业已经用钉钉办公,AI助理天然在通讯录、群聊、审批、日程里,不需要额外培训;对中小企业和业务变化快的团队,这是最现实的选择。
它的适配对象是组织规模中等、业务系统相对简单、以协同效率为主要诉求的企业。这类企业往往没有专职AI团队,需要一个能自己配置、快速见效的平台,门槛正好匹配。
边界在业务深度。钉钉强在协同层,财务核算、供应链计划、生产执行这些核心业务通常还在专业系统里,AI助理能调用多少业务对象,取决于企业自己的集成程度。另一个需要评估的点是数据位置与私有化方案,尤其是对数据不出域有硬要求的企业。
飞书:把智能伙伴做进协作流
飞书的AI能力分布在几个层面。飞书AI在会议纪要、数据表分析、轻应用搭建等环节提供基础能力,并接入豆包相关工作伙伴;智能伙伴创建平台面向企业级场景,强调开发、调优、运营三个环节,可部署到即时通讯与业务应用;飞书aily作为智能体平台支持定制;此外还有CodeM这类原生的研发智能体,承接需求开发与缺陷修复。
它的特点是融合度高。AI不是一个单独入口,而是长在文件、表单、会议、消息里,员工在原有工作流中就能用上。对知识密集、协作频繁的团队,这种无感接入的体验优势明显。
它适合知识密集、跨部门协作频繁的团队,比如研发、咨询、内容与项目管理。这类工作的产出是方案和决策,AI在其中的价值是压缩信息汇拢的时间,而不是替代业务判断。
边界在管理后台。飞书强在协作与知识,财务核算、集团管控、生产管理不是它的主场;对需要深度定制管理流程的央国企,通常要与专业管理软件组合使用。数据合规与私有化部署方案也需要按企业要求单独确认。
应用层的竞争逻辑
把七家放在一起,能看到应用层的竞争逻辑已经变了。过去比的是谁的功能多、谁的界面好看;现在比的是谁能拿到业务对象、谁能让智能体在权限边界内安全执行、谁能把交付做成可验收的结果。
对企业来说,有三条判断标准值得记住。
其一,看任务能不能闭环。让厂商演示一个完整任务,从发起到完成,中间不允许人工切换界面。能做到的,说明业务对象打通了;做不到的,说明它还停在问答层。
其二,看权限能不能收紧。问一个技术细节:子智能体的权限,是父级权限与任务白名单的交集,还是可以自行申请扩大。答案是前者,才适合进核心流程;如果厂商答不上来,说明权限模型还没做完。
其三,看效果能不能量化。单笔业务处理时长、人工复核比例、驳回返工率,这三项是可以对比的;用户满意度、活跃度这类指标,容易好看但说明不了问题。
还有一点容易被忽略。智能体的维护成本往往在上线半年后才显现:规则变了要改、接口变了要调、模型升级了要回归测试。选型时应把运维方案、知识库更新机制、责任边界写进合同,而不是等到出问题再谈。
从行业角度看,未来两三年会出现两类分化的厂商。一类把AI做成通用助手,靠体验和覆盖取胜;另一类把AI做成业务能力,靠确定性取胜。两者都有市场,但服务的客户不同。企业最怕的是拿通用助手的标准去要求业务系统,或者反过来,用业务系统的严谨去束缚协同工具,最后两边都不满意。