用友 YonGPT 怎么用？企业级 AI

企业里最耗时的环节往往不在写文档，而在系统里找数、对数、走流程。用友 YonGPT 这类企业级 AI 的立足点就在这儿：它不长在一个独立聊天窗口里，而是嵌在 ERP 的财务、供应链、人力模块中，能在权限范围内直接读业务数据。这个差别决定了它的用法和通用助手完全不同。

差别在数据位置

用通用助手问「上个月哪个部门费用超了」，你得先导出明细、清洗、粘贴，再让它算。数据在系统里，人在中间当搬运工。企业级 AI 把这个搬运环节去掉：它在权限范围内查库、汇总、出结果。

省下的不只是时间。手工搬运会引入口径误差：导出时选错时间范围、漏掉某个成本中心、把含税和不含税混在一起。让系统自己查，口径由查询语句决定，同一个问题问两次能得到同一个答案。

三类问题最适合先试

第一类查数。「上个季度华东区哪些客户的回款逾期超过 60 天」，这类问题口径明确、答案是一个列表，AI 最容易做对，也最容易验证。对不上总数，一眼就知道哪里错了。

第二类做报表。用自然语言描述字段和维度，让它生成查询、出表。价值在于把「提需求—排期—开发」的链路缩短成一次对话，适合临时性、一次性的分析。长期固定的报表仍建议走开发，因为要的是稳定和可追溯。

第三类走流程。辅助填单、核对票据信息、提示审批要点。这一类要格外小心，因为它的输出会直接进入业务流程，错了不一定当场暴露。

三类场景的共同挑选标准：先选「错了能发现」的。查数错了，对一眼总数就知道；审批建议错了，可能一周后才有人发现。

能不能用起来，先看数据治理

系统里的数据如果存在大量一物多码、客户重名、费用科目混用，AI 给出的答案也会跟着乱。而且它乱得很自信，汇总出一个数字，从表面看不出哪里错了。

上线前值得做一轮核查：主数据是否唯一、科目体系是否统一、历史数据有没有大批空值。这三项不过关，先修数据，别急着上模型。数据治理是前提条件，AI 补不上这个洞。

权限必须继承人的边界

企业系统里的权限是按岗位设计的。AI 助手的权限如果比使用者宽，等于开了一个后门：一个区域经理通过提问就能看到全国的数据，而这在界面上不会留下任何越权操作的痕迹。

实施时要确认三件事：AI 以谁的身份查询、权限继承当前用户还是走服务账号、越权请求被拒绝时返回什么。第三件常被忽略，返回「无权限」是正常的，返回一份空表会让人误以为真的没有数据，进而做出错误判断。

还有一层是记录留存。对话里会带出业务数据，这些记录存在哪里、存多久、谁能查，要在上线前定下来。财务口径的数据，建议只保留结果不保留明细。

场景与人工确认点

这张表里第三列是实施时最该写进操作手册的部分。没有明确确认点，一线会默认 AI 说的就是结论。

落地顺序：先一个报表，再一个流程

不要一上来做全场景智能助手。选一个高频、边界清楚、结果好验证的场景做透，比如月度费用分析。跑顺之后再复制到相邻场景，提示词、口径、权限配置都能复用，第二个场景的成本会低很多。

流程类场景放第二阶段。先让它做建议，人点确认；跑够一段时间、错误率稳定在可接受的水平，再考虑把低风险环节改成自动。跳过建议阶段直接自动化，等于把审核责任交给了一个说不清依据的模型。

意图识别这一层也要设阈值，置信度低于阈值就转人工，别硬答。置信度阈值怎么定里有分层方法，审批和客服场景可以照搬。

它的失效条件

跨系统的数据它读不到。ERP 之外的表格台账、聊天记录里的对账、纸质单据，它一概看不见。问出来的答案会缺一块，而且不会主动告诉你缺了。

需要担责的判断它担不了。资产减值、坏账认定、对外披露口径这类事项，最终签字的是人。AI 可以准备材料、列出依据，不能替代判断，也不该替代。

口径模糊的问题它答不好。「最近经营情况怎么样」这种问法，只能换回一堆通用指标。换成「近三个月毛利率的变化及主要原因」，才有可能得到能用的答案。提问的功夫，仍然在人这边。

实施速查

• 先查数，再报表，最后碰流程
• 权限三问：以谁的身份、继承还是服务账号、拒绝时返回什么
• 数据三项核查：主数据唯一、科目统一、空值可控
• 没有明确人工确认点的场景，不上线

如果只是想让助手记住一些结构化的业务信息，轻量方案也能做，用数据库给助手加记忆是另一种思路；写指令时把口径写死，比反复追问有效，把通用提示词改成自己的那三个动作在财务场景同样适用。

具体功能、支持模块与版本差异，以用友官方最新版本为准。