ARTICLE · 1278466

别被“AI 驱动”骗了:ERP 里算得准和听得懂,根本不是一回事

发布时间：2026-10-30 11:02:43 最近访问：2026-10-30 11:02:44

我对 ERP 怎么接 AI，有个很朴素的判断：这两类能力得分开看。一类叫规则引擎，把业务逻辑写成确定性的规则，输入相同就得到相同结果；另一类叫自然语言语义理解，由大语言模型实现，靠概率推断读懂人话，再去找出对应的规则来算。前者是确定性计算，后者是概率性推断。这只是用来拆穿包装的分析框架。现实里的系统本就是混着长的，只要没说清谁在算、谁在猜，这种包装就能卖出去。

我特意把这两个词掰开，是因为市面上太多人把它们混为一谈：觉得上了大模型，ERP 就会自己算、自己定，这是认知上的错误。更有一拨人专靠这个错误赚钱，把跑了多年的老算法包装成“AI 驱动”就敢加价卖，这是故意的误导。混在一起，演示环境里好用，上线就出问题。分不清这两类，AI 在 ERP 里就永远停在 demo；只换标签不换内核，买家就买到了不值的东西。

计算归规则引擎

先说第一类。ERP、财务系统、库存台账，本质都是确定性系统。同样的输入必须得到同样的输出，而且每一步都能追、能审、能签字。这里没有妥协的空间：CFO 敢在报表上签字，靠的就是这份不容商量的确定性。一笔凭证过了账，红冲要留痕；一个库存动了，批次要可溯。这点不含糊。

这就是为什么 ERP 选型时，“算得对”永远排在“算得快”前面，算错比算慢代价更高。银行核心系统宁可守着二十年的老架构也不轻易换，看重的就是确定性比新功能更重要。在要签字的地方，确定是唯一标准。

2026 年多家云厂商的参考架构，都把 ERP 和大模型放在一起对比：一边是确定性规则、流程驱动；一边是概率生成、语义理解。这两类根本不是同一种能力，强行接在一起就会冲突。有做 ERP 数据管道的公司，直接把对话式查询撤了换回结构化表格，原因就一条：账本要的是确定，概率性的生成替代不了。

有做企业架构的实践者讲得更直白：计算交给确定性引擎，语义交给模型，边界才立得住。ERP 要的是能签字的确定，聪明的猜测靠不住。

语义理解归模型

再说第二类。大语言模型干的事，说穿了就是预测“下一个词最可能是什么”。Syntes AI 有篇文章点得很明确：你问大模型一个季度营收，它根本不是在算，它是在猜“这个问题后面通常跟哪串词”。拿它当计算器，是架构上的错误。

但这不代表语义理解没用。恰恰相反，规则引擎最怕的“没见过的输入”，正是大模型的长项。有家做订单管理的公司举过例子：客户写“和上周一样，蓝色 DN40 多来 20 个”，真 AI 能读懂这是调历史订单、解析产品名、再算增量；规则引擎碰到这种新说法，无法处理。规则引擎没有错，只是覆盖不了没预定义过的说法。

还有一层：再详细的操作手册，也写不全业务员嘴里的例外。大模型能把“这批货先缓一缓，等下月预算”这种带上下文的人话，转换成系统能处理的意图，这是纯规则永远补不上的。让 AI 做它擅长的理解人话，别让它做它不行的决策和算账。所以客服机器人能对话但不能批款，它懂话，但不对金额负责。模型的职责，是处理人话里的例外情况。决策交给规则，理解的交给模型，执行的交给系统。

怎么接：语义找规则，规则去算

要害在第二步——语义理解之后，去搜索对应的逻辑规则。搜到了，再交给引擎去算。业内把这套分工叫“确定性核心 + 概率边缘”（deterministic core + probabilistic edge）：核心层掌握数据与规则，算得准、能审计；边缘层交给模型，做摘要、翻译、读意图。2026 年多家云厂商的参考架构都把它列为实施标准，别二选一，两套各管一段。

Pega 的决策设计是例子。有教程用它举过场景：模型算出客户流失概率 0.82，但“要不要挽留、走哪条流程”，是确定性规则管的。预测是输入，决策是规则。有厂商更彻底：把定义、边界、别名从模型的随机输出里固定下来，变成显性、可改、留痕的本体，模型只负责理解问题、组织结果，计算交给本地系统。

一条铁律得守住：别让 AI 直接写 SQL 或 Python 去动账本。让它写声明式的业务语言，再由编译器转换成可执行代码。写错了静态检查能拦，但只认语法和类型，拦不住“逻辑写错、意思却理解偏了”：AI 理解错，编译照样过、账照样动。所以意图这一关，最后还得人确认一下。写对了的部分，能沉淀成组织资产。前提是它写的是描述意图，不直接改数，改动经编译和静态检查两道关才落到账上。AI 负责把人话转成机器能执行的指令，规则引擎负责保证账本准确；前者可能出错，后者差一分都不行。

风险：把概率当确定

分不清这两套，代价具体。据主推确定性管道的厂商 Aspire Analytica 复盘称：一批中型企业给 ERP 上了对话式查询，结果 71% 的团队 90 天内弃用，退回老界面。根因是架构错配：财务对账要的是 100% 确定，连 98% 的置信区间，厂商自己都标注为不可接受。

更隐蔽的是把系统划分得太散：有些企业两年内造出成千上万智能体，反而切分得更细。固定的老系统和概率性的 AI 长期并存，业内叫它“双模 IT”——一边按规则运行，一边概率性的 Agent。编排一乱，概率环节容易越界碰本该确定的事；连用 AI 的企业都出问题，只换标签更不必说，边界一模糊代价就不只在 demo。

现在的包装至少两种：假借 AI 驱动之名、把知识库说成垂直模型——本质都是模糊边界。选型提个醒：老规则引擎换个“AI 驱动”标签就敢卖的，先别掏钱，用这三问去检验。一问在算还是在猜，同输入同输出是确定性，每次都变就是大模型在蒙；二问出错谁签字，规则或人兜底能追责，甩给模型没人认；三问能否审计溯源，能追能查才敢进账本。三问答不上的，就是包装。连名声很大的“行业垂直大模型”也可能是借来的：接个知识库、靠检索拼答案，不等于真懂这行。能容忍 AI 说“我猜”的地方，才让 AI 开口；要签字画押的地方，留给规则或人。