大模型不办正事——ERP难接入

寂静回声

“只要点击一下，就能自动生成采购订单。”
这是某家制造企业在ERP系统中上线新功能时的宣传语。这家企业近期集成了国产大模型平台，希望借助AI提升采购效率、减少人工干预，于是将其接入了ERP系统中的采购模块，设想是：由大模型根据历史数据、库存状态和物料需求预测，自动生成采购申请单，并同步至审批流程。
功能上线之初，团队充满期待。AI助手确实展现了强大的语言生成能力，采购申请写得既专业又流畅，甚至语气都颇为“懂行”。但实际使用中，很快暴露出一连串问题：
模型虽能写出一份“像样的申请单”，但物料编码经常错配、库存判断逻辑混乱、交付周期计算偏差大；
由于没有和主数据、库存系统深度打通，AI并不掌握物料分类的实际逻辑，生成内容“像是采购申请，但又不完全是”；
审批流程无法顺利衔接：AI生成的订单缺少必要字段，审批流读取失败，系统反复报错；
最终员工只能将AI生成的内容复制、粘贴、修改，再重新走人工流程——反而多了一道工序。

项目团队很快意识到，。AI会写申请，但并不理解ERP的业务边界、流程依赖、数据完整性要求。更关键的是，大模型擅长胡说八道，ERP系统则运行在规则、结构和确定性流程之上。两者之间的张力，不是一句“接入API”就能解决的。

这个案例并非个例。2025年，越来越多企业尝试将AI嵌入ERP系统。也许，他们会陷入类似困局：
系统里“多了一个助手”，流程中却“多了一层摩擦”；
调用了最先进的大模型，生成的内容却无法真正落地；
本想借AI提效，结果还是回到了最熟悉的手工填表。
为什么ERP系统这么难“变聪明”？为什么大模型在这里显得力不从心？

作为企业信息化的“中枢神经系统”，ERP并不是一个“信息展示平台”，而是一整套强流程、强耦合、强规范的业务操作系统。它既复杂，又“脆弱”。大模型一旦接入不当，不仅无法提效，反而可能破坏原有系统的稳定性。
ERP系统表面上看数据密集、模块丰富，似乎是大模型的“用武之地”。但恰恰相反，这种高度结构化的数据环境，对大模型而言并不天然友好。
ERP系统的操作依赖一套严谨的数据格式、字段类型、编码规则，例如物料编码、科目编号、业务单据的字段顺序等，往往是“只接受一种正确格式”，没有语言冗余空间。
而大模型的优势在于处理自然语言交互，胡说八道。它不能100%准确输出。
结构化越严密，留给AI“容错与补全”的空间越小，模型的生成优势反而无用武之地。
结果就是，大模型生成的内容“看上去合理”，但只要字段格式稍有偏差、值域不合规、字段顺序不对，就会被ERP系统拒绝或无法进入下一流程。AI擅长的“灵活性”，在ERP里却成了“漏洞”。

ERP的本质是把整个企业的关键流程打通，一个看似简单的操作，比如“生成采购申请单”，背后可能涉及多个模块联动：
库存是否足够→库存模块；
预算是否批准→财务模块；
供应商是否合规→采购主数据模块；
是否有已签合约价格→合同模块；
下单是否跨部门→审批流配置模块……
这些流程并非线性串联，而是高度耦合，规则繁复且动态变化。大模型若要真正“介入”，就必须理解这种复杂的流程逻辑，甚至具备“跨模块推理”能力。这是当前大多数通用模型难以胜任的。
模型能写一封语言流畅的采购说明书，却无法判断：这次申请是否符合预算？是否违反审批级别？是否超出年度限额？一旦这些业务规则未被识别，模型就容易“说得对，但做得错”。
只有真正理解业务全局逻辑的大模型，才能在ERP系统中实现高质量的建议与决策辅助。

ERP系统运行在一个高度安全和责任敏感的环境中，处理的往往是组织最核心、最敏感的数据：
财务报表、工资薪酬、供应商合同、采购价格、客户结算……
每个字段的修改、每条记录的流转，背后都涉及审批链路、数据权限、责任界定。
在这样的系统中，AI模型如果“越权调用”数据，或生成了一个未经授权的操作请求，就可能引发严重后果。
更关键的是，ERP系统天然追求“责任清晰”——谁申请、谁审批、谁执行，每一步都可追溯。
而大模型输出建议的过程是基于概率的，没有传统意义上的“责任人”概念。
这使得AI在ERP系统中往往陷入一种“身份尴尬”的局面：
它能提供建议，但系统不知道该怎么处理这些建议；
它生成的内容，没有办法自动触发审批流程；
没有一个标准机制来“背书”AI的输出质量。

大模型在ERP系统中面对的，是结构性矛盾：
一个讲求灵活、预测、模糊语义的智能体，要嵌入一个强调秩序、确定、规则导向的系统中，这之间不是插件级的对接，而是范式级的冲突。
这也决定了，大模型要想在ERP中发挥作用，必须重新定义系统边界、接口逻辑和数据通路，而不仅仅是“开一个窗口，让AI说两句话。”

大模型的强项是概率生成内容，但它绝没有理解能力，理解不了企业的业务规则。
以ERP为例，采购审批的顺序、费用分摊的标准、库存策略的上下限，这些属于企业私有的“隐性知识”，而不是互联网语料中能学到的通识。
模型可能知道“什么是采购单”，但不知道“这个物料在A部门必须走三级审批，在B部门可以直购”；
它可以生成财务摘要，但可能忽略内部对“成本归集”字段的填写逻辑和审计要求。
结果就是模型生成的内容在语义层面“看起来合理”，但放进ERP流程中就会“原地报错”或“流程断裂”。它说的和你要的不在一个语境。

ERP系统的操作高度依赖上下文——当前用户的角色、审批历史、相关项目状态、库存数据等——这些内容本应是AI做出判断的依据。
然而现实中，大多数企业并没有提供一个标准化机制，让AI可以“看见”这些上下文。
结果就是：AI每次响应都像“重启一次对话”，它不知道你刚刚提交了哪个申请单，也不知道你昨天驳回了哪个合同审批；
它无法理解你所说的“这个订单”指的是哪个编号，也无法关联到相关的应收账款信息。
在ERP语境中，缺乏上下文=AI无效输出。这不仅影响交互体验，也限制了AI参与复杂流程的能力。

ERP系统的核心优势之一就是流程刚性，所有操作可追踪、可回溯、可管控。但这恰恰也让大模型的“柔性建议”难以进入正轨流程。
例如， AI生成的“采购单草稿”如果没有经过字段格式校验、规则核验、角色匹配，就无法提交审批。

AI的智能表现，很大程度上取决于它能“看到多少”。而在ERP系统中，数据往往分布在多个模块、多个数据库之间：
供应商数据在SRM系统，财务记录在财务模块，库存信息在WMS平台；
每个系统都有权限控制、接口限制、字段差异，AI模型很难获得“全景信息”。
结果就是，AI判断时只能基于“部分信息”给出建议，这种“盲人摸象式决策”，既无法精准落地，也容易引发错误判断。

在传统ERP系统中，流程是为“人”而设计的，每一步都写明“谁负责、做什么、到哪一环”。但当AI介入后，这种边界被打破了。
AI生成了内容，员工需要审核，但系统里谁来担责？
如果AI操作出错，责任归属如何划分？
员工是否可以拒绝AI的建议？他们对AI的信任来自哪里？
没有清晰的人机协作定义和责任分界，员工要么完全依赖AI、放弃判断；要么完全排斥AI、继续手动。这会让AI介入流于形式，甚至加重组织内耗。