观察|传统软件 AI 化以后,会反向蚕食专业软件吗?

前几天和同事聊天，我们谈到 ERP AI 化。ERP 只是当时举的一个例子，真正让我产生兴趣的，是传统企业软件正在发生的一种变化。

过去，核心系统满足不了业务需要，企业就不断往外围增加专业软件：客户管理不够，上 CRM；供应商协同不够，上 SRM；排程能力不够，上 APS；数据看不清楚，再上 BI 和各种定制报表。

这些系统再通过接口，把数据和业务动作接回原来的企业平台。

但传统软件厂商把数据、集成、低代码、Agent 和 AI Coding 放进原有平台以后，这个方向会不会开始反转？

•AI 最先覆盖的不是专业软件最深的核心，而是外围和定制性功能。

•APS 更可能被逐层蚕食，而不是被整套替代。

•能力增长越快，企业越要守住确定性系统的边界。

这并不意味着 CRM、SRM、APS 或 MES 会突然消失。更值得讨论的是：一套专业软件并不是一个不可拆分的整体，它的外围功能、辅助决策和核心引擎，被 AI 影响的速度可能完全不同。

传统企业软件经常被批评“太重”。订单、采购、库存、生产、质量和财务相互关联，改一个流程就可能牵动很多地方。企业为了获得更专业、更灵活的能力，逐渐把客户、供应商、仓储、生产执行、计划和分析拆到不同系统中。

这种拆分并不是错误。专业软件的价值，就在于它把某一类业务问题做得更深。

例如 APS 要处理产能、物料、工艺、交期和优先级等多种约束，MES 要连接生产现场并保持执行过程可追溯。这些能力不是给 ERP 增加几个页面就能替代的。

问题在于，企业采购的通常不只是一个核心能力，而是一整套系统。查询、报表、提醒、数据整理、流程和大量辅助功能会被一起购买。即使企业当前最需要的只有其中一部分，也往往要以完整项目的方式实施。

所以过去的扩展方式更接近：缺什么能力，就再上一套系统。

最近再看国内传统软件厂商的动作，我发现它们虽然产品名称不同，方向却越来越接近。

它们并没有放弃原来的财务、供应链、制造和人力系统，而是在原有业务底座之上继续建设数据、集成、低代码和开发平台，再把自然语言入口、智能体和 AI Coding 放到更上面。

金蝶强调可组装应用、低代码和 Agent；用友则把 AI、数据、流程、开发和连接能力放进同一个企业数智化底座。它们共同的方向，是让原有平台具备更快组合和生长业务能力的条件。

这意味着厂商做的可能不只是“给旧模块增加一个聊天框”。传统软件原来只能等待标准版本升级，或者依靠项目二次开发增加功能；AI 化以后，它开始具备更快生成、组合和调整局部能力的条件。

从 CIO 的角度看，我把这个变化理解为一次方向反转：过去外围专业系统向内连接核心平台，未来核心平台也可能沿着业务需求向外扩张。

图：过去以“系统”为单位扩展，AI 升级后以“能力”为单位向外生长。

图里的左右差异很简单：过去以“系统”为单位扩展，AI 升级后可能逐渐以“能力”为单位生长。企业不一定先采购完整的一百个功能，而可能先让现有平台长出当前最需要的十个，再根据实际效果继续增加。

这仍然是一种趋势判断。厂商公布了平台方向，并不等于这种能力已经在所有企业低成本实现。但它已经足以让我们重新审视传统软件与专业软件之间原本相对稳定的边界。

例如，CRM 中的客户资料整理、跟进提醒和销售总结，SRM 中的供应商资料、询价比价和合同摘要，BI 中的自然语言取数、报告生成和异常解释，都比较适合由现有数据底座加上 AI 能力逐步实现。

这些功能有三个共同特点：

•业务边界相对清楚；

•结果可以由人快速复核；

•实施风险相对较低，也容易让使用者感受到效率变化。

过去，企业可能为这些需求建设一个小系统、采购一个模块，或者长期依靠表格和人工整理。以后，其中一部分能力可能直接长在现有企业平台上。

这不一定会让完整的 CRM、SRM 或 BI 产品马上失去价值，却可能减少企业购买部分独立模块和定制软件的必要性。

APS 是一个很适合观察这个变化的例子。

如果把 APS 看成一个完整能力圈，最外层可能是数据整理、查询和报表；往里一层是风险分析、排程建议和局部模拟；最核心才是约束模型、优化求解和全局排程。

这三层被 AI 影响的难度完全不同。外围的数据处理和报告相对容易落地，辅助决策需要更可靠的数据、规则和人工复核，核心引擎则需要真正理解复杂的生产约束，并长期保证求解质量和结果稳定性。

也正因为核心最复杂、最难实施，它反而最不容易被通用 AI 或传统平台快速替代。

但这并不代表 AI 对 APS 没有影响。企业未必需要等到 AI 能够完成全局优化排程，才开始获得价值。只要它能够做好数据准备、交付风险识别、排程建议和局部模拟，就已经覆盖了专业软件外围相当有用的一部分能力。

这可能是传统软件 AI 化对专业软件市场最现实的影响：不是一次性替代整套系统，而是让企业在采购完整系统之前，多一条逐步获得部分能力的路径。

并不是所有企业软件都会以相同速度受到影响。

MES 处在生产运营和现场控制之间，要管理生产执行、质量、追溯、物料和实时状态；WMS 要保证库存与仓库动作一致；财务系统要对正式记账、结账、税务和审计负责。这些系统承担的不只是分析结果，而是确定性的业务执行。

同样，APS 的核心优化、复杂工艺模型和全局排程，也不会因为 AI 能够生成建议就自然失去价值。

我现在更倾向于用三个问题判断一项能力是否容易被传统平台向外覆盖：

1结果能不能由人快速复核？

2出错以后会不会立即改变正式交易或现场执行？

3它是否依赖长期积累的领域模型、复杂算法或实时控制？

对专业软件厂商来说，未来真正受到挑战的可能不是最核心的产品能力，而是过去围绕核心一起出售的大量外围功能。

如果传统平台能够更快满足这些需求，专业厂商就需要重新回答：自己的不可替代价值究竟是什么？是算法、行业模型、执行可靠性，还是仍然依赖功能数量和项目定制建立壁垒？

对传统软件厂商来说，竞争也不再只是标准模块做得全不全，还要看平台能否围绕客户需求持续生长，新能力能否复用原有数据、权限和流程，并且在平台升级以后继续运行。

对 CIO 来说，软件选型也会多一个判断。过去主要比较“买哪套系统”，以后还要判断：这个需求真的需要一套完整专业软件，还是可以先利用现有平台建设外围能力？如果先做局部功能，未来又怎样与真正的专业系统衔接？

传统软件 AI 化以后，企业软件不会马上变成可以无限扩展的平台。数据质量、接口、权限、测试和长期维护仍然决定它能走多远。

软件越容易个性化，也越可能产生新的问题：业务规则散落在智能体、提示词、小应用和接口里；模型或平台升级以后，原来的功能还能不能运行；厂商更换以后，这些能力又能不能迁移。

因此，从购买系统走向生长能力，并不等于可以放弃架构和治理。相反，功能增长越快，越需要控制核心与扩展的边界。

但方向已经值得关注。

它不一定先攻克最难的核心，却可能先拿走那些最容易落地、最容易产生价值，也最容易被企业感知的部分。