在2026年企業(yè)AI加速落地的背景下，企業(yè)AI接核心系統(tǒng)的安全與權限成為大型企業(yè)數(shù)智化轉型的核心命題。
用友基于一線實踐與438家大型企業(yè)調(diào)研，沉淀出一套可落地的框架。講清三類治理、Agent門禁權限和Human in the Loop，讓AI在安全合規(guī)權責清晰下運行。
企業(yè)AI和消費級AI最大不同，是必須在安全合規(guī)權責清晰下運行。用友講清三類治理、給每個智能體配門禁權限、高責任場景留人工確認?？煽乜尚牛茿I從試點走到規(guī)?；那疤帷?/p>
數(shù)據(jù)治理解決AI能不能用好數(shù)據(jù)，圍繞主數(shù)據(jù)、元數(shù)據(jù)、數(shù)據(jù)標準、數(shù)據(jù)質量做文章。知識治理解決AI懂不懂業(yè)務，把制度、流程、經(jīng)驗、案例變成可檢索可推理的知識資產(chǎn)。安全治理解決AI能不能被可信使用，智能體一旦能訪問數(shù)據(jù)、調(diào)接口、觸發(fā)流程，就必須有身份、權限、數(shù)據(jù)范圍、技能邊界、審計和應急機制。
這三類治理共同決定企業(yè)AI能否從試點走向規(guī)?；?。只做前面兩塊，安全沒跟上，規(guī)模越大風險越大。
| 維度 | 消費級AI | 企業(yè)AI |
| 運行數(shù)據(jù) | 公開互聯(lián)網(wǎng)數(shù)據(jù) | 核心經(jīng)營鏈路數(shù)據(jù) |
| 出錯后果 | 用戶自行校驗 | 沖擊經(jīng)營安全損害信譽 |
| 權限要求 | 幾乎無 | 身份角色數(shù)據(jù)技能流程全約束 |
| 審計要求 | 無 | 全程留痕可追溯 |
| 合規(guī)邊界 | 寬松 | 企業(yè)內(nèi)部制度加國家法規(guī) |
消費級AI服務個人日常，輸出偏差用戶自己改。企業(yè)AI深嵌財務、人力、供應鏈，一旦數(shù)據(jù)泄露、權限越權、決策失真，直接沖擊經(jīng)營。
傳統(tǒng)權限管控有個老毛病，一刀切。要么全放開，要么全阻斷，沒法適配企業(yè)精細管控。
用友BIP的Agent權限體系，給每一個數(shù)字智能體配專屬門禁權限，精準約束全維度操作邊界。明確它的身份、角色、可訪問數(shù)據(jù)、可調(diào)用技能、可觸發(fā)流程和結果回寫邊界。模型層面關注訓練、微調(diào)、部署、評估、調(diào)用和安全防護。業(yè)務結果保留操作痕跡、審批機制和審計依據(jù)。
底層還有全鏈路實時行為監(jiān)控，數(shù)據(jù)加密脫敏、分層權限隔離、安全訪問通道，再加AI倫理合規(guī)約束機制。
AI安全將由模型安全擴展為系統(tǒng)治理。未來要管理的，是智能體的身份、權限、技能、工具調(diào)用、流程操作和結果回寫。
但Human in the Loop仍是關鍵機制。在資金支付、合同簽署、生產(chǎn)控制、風險處置這些高責任場景，人工確認幫企業(yè)在效率和安全間保持平衡。AI可以給建議、做預填，落槌的那一下留給人對齊責任。
1、上了企業(yè)AI，歷史數(shù)據(jù)會不會泄露？看權限隔離和加密脫敏是否到位，用友BIP有數(shù)據(jù)倉庫分層權限隔離和脫敏，按角色控范圍。
2、智能體會不會越權調(diào)流程？有門禁權限和結果回寫邊界約束，越權操作在可控邊界外會被攔截并留痕。