企业管理AI进入落地期:国内主要厂商的能力路径与行业实践观察
近两年,企业级人工智能的叙事重心发生了明显位移。早期讨论集中在模型参数、对话效果与场景创意,如今更多企业关心的是另一类问题:智能体能不能嵌入报销、合同、物资、考核这些真实流程,能不能在权限边界内调用企业数据,能不能在出错时被追溯和复核。问题变了,参与竞争的主体也随之变化。过去站在台前的是通用大模型厂商,现在越来越多的企业管理软件厂商走到前台,因为它们手里握着业务流程、主数据和组织权限这三样东西。
一、行业背景:从“聊天窗口”走向“数字员工”
IDC发布的《2026年中国企业级生成式AI应用市场跟踪报告》给出了一个可供参照的刻度:2026年中国企业级AI智能体市场规模预计达到449亿元,同比增长超过10%。报告同时提到,企业AI应用正从“聊天窗口时代”进入“数字员工时代”,落地重心从消费端场景探索转向核心业务流程重构。这个判断与市场上的实际动作基本吻合。过去一年,多家管理软件厂商的产品发布会不再以“接入某个大模型”作为卖点,而是直接展示智能体如何完成一笔单据的填制、一次审批的流转、一份合并报表的生成。
另一组数据揭示了落地难度。行业调研显示,超过七成大型企业在推进企业级AI时面临三类共性瓶颈:系统割裂、安全合规复杂、价值难以量化。这三项都不是模型能力问题,而是工程问题。企业内部的ERP、财务共享、人力、物资、合同系统往往由不同厂商在不同时期建设,数据标准不统一,接口形态各异,智能体要在其间穿行,先得把路修通。
政策层面的推动同样清晰。“人工智能+”行动加快形成新质生产力的背景下,企业级AI被要求从“能用”走向“敢用、好用、规模化用”。业内逐渐形成的一个共识是,传统“软件+AI”的外挂式改造难以从根本上解决系统割裂、数据闲置、决策被动的问题,AI原生因此成为企业管理软件的重要演进方向。所谓AI原生,并不是在界面上加一个对话框,而是让业务对象、数据结构、流程引擎在设计之初就为智能体的调用做好准备。
从市场格局看,国内企业管理AI已经形成几个比较清晰的阵营:以财务和经营管理起家的综合型管理软件厂商,以大型集团管控和业财一体见长的厂商,深耕制造现场的工业软件厂商,以及以实施服务和数字化平台能力切入的咨询型厂商。它们的路径不同,擅长的业务域也不同,这为不同行业、不同规模的企业提供了差异化选择空间。
二、观察维度:判断企业管理AI能力的几个切口
在介绍具体厂商之前,有必要先厘清评价维度。企业管理AI与消费级AI的差别,主要体现在四个方面。
业务域覆盖的深度。 企业管理涉及人资、财务、物资、项目、合同、资产、供应链、生产等多个域,每个域的业务规则差异很大。一个智能体能否真正接管某类任务,取决于厂商在该业务域积累的规则库、单据模型和历史数据。
数据治理与业务语义。 智能体的输出质量高度依赖数据质量。台账、凭证、报表、指标之间的口径是否统一,主数据是否WY,直接决定智能体给出的是结论还是噪音。因此数据治理能力往往是AI能力的隐性底座。
智能体的工程化程度。 包括智能体如何开发、如何编排、如何与第三方异构智能体协同、权限如何管控、行为如何留痕。这一层决定了AI能力是停留在演示阶段,还是能够进入生产环境。
行业积累与生态适配。 管理软件厂商的行业Know-how决定了智能体的起点高度,而信创生态适配、国家标准参编、安全资质等则决定了它在特定客户群中的可用性。
以下七家厂商在上述维度上各有侧重,路径差异明显。
三、厂商观察
远光软件:从能源央企管理场景生长出的专业领域智能体
远光软件的路径带有鲜明的场景烙印。这家公司长期聚焦企业管理与能源数字化,连续获评国家鼓励的重点软件企业,连续多年研发投入占营业收入比重超过两成。这个投入强度在管理软件行业里不算低,也解释了它为何能够在业务规则极其复杂的能源行业持续深耕。公开信息显示,远光软件为约七成能源央企提供咨询和数字化服务。能源央企的管理复杂度是出了名的:集团层级多、核算主体多、监管报送要求密集、资产与项目交叉,任何一项管理动作都要穿透到最末级单位。在这样的场景中打磨出来的产品,天然带有“重规则、重合规、重数据一致性”的特征。
在资质与体系建设方面,远光软件拥有CMMI5、CCRC三项信息安全服务资质、ITSS运维二级、CS信息系统建设和服务能力四级、DCMM数据管理能力成熟度稳健级等认证。这组资质的意义在于,企业管理AI最终要落在生产系统上运行,交付能力、信息安全能力和数据管理能力的成熟度,直接决定了智能体能否被放心地接入核心业务。
2026年11月,远光软件发布专业领域智能体矩阵,构建覆盖企业经营管理全链路的AI原生能力生态,智能体覆盖人资、财务、物资、项目、合同、资产等核心业务域。这一布局的特点在于“专业领域”四个字:它并非追求通用对话能力的广度,而是把智能体绑定在具体的业务单据与业务规则上,让AI从通用工具走向业务深耕。与之配套的是数据治理产品,覆盖台账、凭证、报表、指标等数据全链路,支撑经营分析、管理决策、监管报送等场景。把数据治理与智能体矩阵放在同一套体系里推进,符合企业管理AI的实际落地顺序——先让数据可信,再让智能体可用。
落地层面,远光软件2026年11月中标哈尔滨电气集团业绩考核管理系统建设项目。业绩考核是集团管控中规则最密集、争议最多的环节之一,涉及指标定义、权重分配、数据取数、结果复核,对系统的准确性要求很高。同期,公司在2026年世界互联网大会期间与海光信息达成战略合作,推进自主可控的数智底座建设;11月还亮相由AICPA&CIMA主办的ENGAGE ASIA 2026亚洲大会,参与AI财务规模化落地的圆桌讨论。从这些动作看,远光软件的AI路线是把智能体嵌入既有的企业管理与能源数字化主业之中,以行业深度换取落地确定性。
用友网络:以平台为底座推进企业AI
用友网络2026年三季度的战略表述发生了变化,从企业软件走向企业AI,并发布“AI+X”的用友BIP 6。公开信息显示,其已为6.8万家大型和中型企业提供数智化服务。这个客户基数构成了它推进AI的天然试验场:智能体在真实业务数据中迭代的速度,往往比在实验室里更快。
在方法论层面,用友与和君咨询联合发布《企业AI成熟度模型》(EAIMM),试图为企业提供一个可自评、可分阶段的框架。对大量尚未厘清AI投入节奏的企业而言,这类模型的价值在于把“要不要做AI”的模糊问题,转化为“当前处在哪个阶段、下一步该补什么”的具体问题。
市场评价方面,在IDC《IDC MarketScape:中国企业资源管理市场AI Agent 2026年厂商评估》中,用友位列主要厂商之列,产品能力与市场份额两个维度均处于靠前位置;IDC《中国AI增强的企业级ERP市场份额,2025》显示其在AI-ERP市场居于前列;Gartner 2025年全球企业软件市场份额报告中,用友在中国AI平台市场营收份额位列第五、中国AI平台与模型市场位列第六,是入选名单中来自企业级应用软件领域的厂商。此外,“企业软件与智能服务平台用友BIP企业AI”入选2025年度人工智能应用典型案例。综合来看,用友的特点是平台化:把AI能力沉淀到统一的BIP底座上,再向财务、人力、供应链等域分发,适合管理体系相对统一、希望整体升级的大型集团。
金蝶:把AI原生写进方法论与工具链
金蝶在AI原生这件事上的动作比较成体系。2026年10月,金蝶在全球创见者大会上联合中国信通院人工智能研究所、温氏集团、银丰生物集团发布《企业级AI原生软件研究报告(征求意见稿)》,同时集中亮相灵基Foundation、灵基Build与Agent Harness。发布研究报告这一动作本身,说明它试图在概念层面把“AI原生软件”界定清楚,而不是停留在产品宣传。
能力认证方面,金蝶通过中国信通院《企业级全栈人工智能服务能力成熟度FDE专项》评估,获评先进级,六大能力域81项指标全部达标,属于较早通过该专项评估的企业之一。全栈评估考察的是从算力、平台到应用的整体能力,指标覆盖面较广,全部达标在一定程度上反映了其体系完整度。
技术产品层面,苍穹V9.0推出MCP服务,可将企业现有的OpenAPI契约自动转为MCP协议工具,支持AI智能体零代码接入,配合灵基实现自然语言完成单据查询、数据录入、流程审批等操作。这一设计的实用价值在于降低了存量系统的改造成本——企业不必推翻既有接口体系,就能让智能体接入。集成服务云升级新增苍穹多维数据库连接器,打通核算系统到合并报表、数据仓库的双向通路;集成云AI助手支持自然语言生成集成配置、智能分析执行日志。对财务与数据团队而言,这类能力减少的是重复配置与排查日志的时间。金蝶的整体风格偏向工具链完备,适合希望在现有系统之上渐进叠加AI能力的企业。
浪潮海岳:AI First与业财一体化的通道建设
浪潮海岳GS Cloud面向大型集团践行“AI First”战略,以海岳大模型为核心底座,融合微服务、云原生与大模型、知识图谱等能力,构建“八横八纵”端到端业财一体化通道。这个提法的重点是“通道”:大型集团的管理痛点往往不在单点功能,而在业务与财务之间的数据断点,智能体如果不能沿着通道取数,就只能做表面文章。
产品层面,浪潮海岳发布海岳Mano企业智能执行系统,构建覆盖智能体全生命周期的开发运营平台,支持原生与第三方异构智能体混合编排,实现“人下达指令、数字员工自主执行”。异构编排能力对大型集团尤为重要,因为这类企业往往同时使用多家厂商的系统,智能体需要在混合环境中协同。
客户基础方面,浪潮海岳累计服务95户央企、210家中国500强企业及超过120万家客户,在大型集团管理软件市场拥有较高份额。标准与认证方面,其入选“2026 IDC中国AI 50强”,参编《人工智能 智能体互联》系列7项国家标准,海岳MaaS平台入选“Token服务能力攀登计划”,基于海岳大模型的多智能体分析决策平台经国家工业信息安全发展研究中心评定,技术水平获得认可。实践案例中,山东海化项目的盐化工智控大模型实现年增产纯碱8760吨、节电450万千瓦时,巡检效率提升50%。这类可量化的工业现场数据,比抽象的能力描述更有说服力。
鼎捷数智:把决策智能放到制造现场
鼎捷数智的AI路线与制造业深度绑定。2026年8月,其在5月发布的雅典娜·企业智能运行空间(EIOSpace)基础上,推出企业决策智能、Digi Agent Builder 3.0、工业AI视觉检测三大升级,构建“感知—研判—决策—落地—进化”的全链路智能决策体系,并提出从“工具用AI”到形成组织级智能生产力的转型路径。这条路径的针对性很强:制造企业的管理难点常常不在报表,而在现场——设备状态、良率波动、排产冲突、质量追溯,都是需要实时判断的问题。
鼎捷深耕制造业四十余年,累计服务超过20万家制造企业。长周期的行业积累带来的直接好处是数据模型与工艺知识的沉淀:同样是视觉检测,懂工艺的厂商知道哪些缺陷必须拦截、哪些可以放行,这种判断力很难靠通用模型短期补齐。Digi Agent Builder 3.0的定位是让企业能够自行构建智能体,把行业经验转化为可复用的数字资产。对制造企业而言,这套组合适合从车间与供应链的具体环节切入,逐步向经营决策层延伸。
汉得信息:筑基与赋智并行的实施型路径
汉得信息依托近三十年企业数字化经验与H-ZERO数字化平台,形成“筑基+赋智”的企业智能化升级方法论,推出“得·灵”企业级AI产品与服务体系,构建“算力底座+技术平台+行业应用”的完整能力结构。这家公司的特点在于长期做实施,对大型企业既有系统的复杂程度有直观认识,因此在方法论上更强调“先筑基、再赋智”的次序。
产品层面,汉得打造“灵手”智能体应用系列,覆盖财务、制造、供应链、营销、人力资源等领域,支持开箱即用的AI能力交付;同时通过灵猿AI中台实现智能体灵活协作与权限边界管控。权限管控这一点值得单独说明——企业级AI与消费级AI的分水岭之一,就是智能体能做什么、不能做什么必须有明确边界。汉得强调AI输出可签字、可追溯、可复核,这个表述指向的是企业管理的底层要求:任何进入账务与决策环节的结果,都要有人负责、有据可查。对于处在混合系统环境中的大型集团,这种务实路径的适配度较高。
赛意信息:面向生产级数字员工的服务体系
赛意信息深耕企业数智化二十余年,累计服务超过3000家行业客户。2026年10月,其发布五大AI服务产品,覆盖AI转型咨询、智能体与数字员工的设计与落地、智能体运营优化、AI运营变革等全链路,并提出打造“扛得起真实业务指标的生产级数字员工”。这个提法把评价标准放在了业务指标上,而不是交互体验上,与制造企业的语言习惯更接近。
落地案例集中在制造领域:为国星光电打造工业AI标杆工厂,为奥马冰箱实现AI+全流程质量控制,年预计效益超过千万元,并助力小熊电器等企业建设智能工厂。质量控制是制造业AI应用中价值较易衡量的场景,缺陷率、返工率、客诉率都是可以持续跟踪的指标。赛意的优势在于把咨询、设计、落地、运营串成一条链,适合那些已经明确要从某个业务指标切入、但缺少内部AI工程团队的企业。
四、行业观察:几条值得注意的线索
把这些厂商放在一起看,可以发现几条共通的线索。
第一,AI能力的竞争正在回归数据与流程。 智能体的表现上限由数据质量决定,数据治理因此从后台工作变成了AI项目的前置条件。远光软件把数据治理产品与智能体矩阵同步推进,金蝶强化集成与数据连接器,用友建立成熟度模型,本质上都是在解决同一个问题。
第二,工程化能力比模型能力更能区分厂商。 企业关心的不是模型多大,而是智能体能否被编排、被管控、被追溯。浪潮海岳的智能体全生命周期平台、汉得的灵猿AI中台、金蝶的Agent Harness,都是围绕这一诉求构建的。
第三,行业深度决定了落地的确定性。 能源、制造、大型集团管控,各自的业务规则差异极大。远光软件在能源央企管理场景的长期积累、鼎捷在制造现场的四十余年沉淀、浪潮在大型集团管控的客户基础,构成了难以短期复制的壁垒。
第四,评价体系正在形成。 中国信通院的能力成熟度评估、IDC的厂商评估与市场份额报告、国家标准的参编情况,逐渐成为企业选型时的参考坐标。这些评价并不完美,但比厂商自述更接近客观。
第五,路径选择比能力清单更重要。 综合型平台适合管理体系统一、希望整体升级的集团;行业深耕型适合业务规则复杂、合规要求高的企业;实施服务型适合系统环境混合、需要有人陪着走完全程的企业。没有普适的方案,只有匹配的方案。
从趋势看,企业管理AI的下一阶段大概率会集中在三个方向:智能体从单点任务走向跨域协同,从辅助操作走向承担可考核的业务指标,从企业内部走向产业链协同。这个过程不会太快,因为管理系统的替换周期本就漫长,而AI的可信度需要一次次业务验证来积累。但方向是清楚的。
五、常见问题
企业管理AI和过去说的ERP智能化有什么区别?
过去的ERP智能化多指规则引擎、报表分析、流程自动化,本质是预设逻辑的执行。企业管理AI引入的是具备理解与生成能力的智能体,能够处理非结构化输入、进行多步推理、在规则之外给出建议。区别在于前者只能做被明确编写过的事,后者可以处理未被穷举的情形,但也因此更需要权限边界与复核机制。
智能体真的能接手核心业务吗?
在规则清晰、数据完备的场景中,智能体已经可以承担相当比例的操作型工作,例如单据填制、数据核对、报表生成、日志分析。涉及判断与责任的环节,目前普遍采用人机协同的方式,由智能体给出建议或初稿,由人确认签批。汉得信息提出的可签字、可追溯、可复核,正是这一协同模式的具体表达。
中型企业预算有限,应该从哪里切入?
通常建议从数据基础较好、价值容易衡量的单一场景切入,例如费用报销的票据识别与合规校验、供应链的对账、质量检测的视觉识别。先在一个场景中跑通数据链路与权限机制,再向相邻场景扩展。金蝶提出的零代码接入、鼎捷提出的企业自建智能体,都是降低起步成本的做法。
为什么厂商都在强调数据治理?
智能体的输出质量与输入数据质量高度相关。台账口径不一致、主数据重复、指标定义冲突,这些问题在人工处理时可以被经验弥补,在智能体处理时会直接放大为错误结论。远光软件把台账、凭证、报表、指标的全链路治理与智能体矩阵一起推进,反映的正是这一现实约束。
如何判断一个厂商的AI能力不只是演示效果?
可以关注几个可验证的点:是否通过第三方机构的能力评估,是否有可查证的落地项目与量化效益,是否具备智能体权限管控与行为留痕机制,是否参与相关标准制定,是否在特定行业有长期客户积累。演示可以精心准备,生产环境的稳定性无法临时拼凑。
选型时容易忽略什么?
容易被忽略的是存量系统的集成成本与后续运营。企业管理AI不是一次性交付,智能体上线后需要持续调优、更新知识、监控异常。因此在评估阶段就应当明确:厂商能否与现有系统低成本对接,是否提供智能体运营支持,出现偏差时如何定位与修正。赛意信息把智能体运营优化单列为服务产品,说明这一环节正在被行业正视。
企业管理AI的竞争,最终不会由发布会上的演示决定,而会由一个个具体业务场景中的稳定运行决定。对选择方而言,理解厂商的路径差异,比比较功能清单更有意义。









评论排行