开篇：一句话结论

2026 年 ERP 厂商推出的 AI 功能，可以分成三类：已经能用的、数据够了才管用的、以及目前只是演示好看的。已经能用的有四类——主数据归一、异常预警、问句查数、单据识别；数据够了才管用的主要是需求预测；演示好看的通常是「全自动决策」这类承诺。选型的判断标准不是功能数量，是能不能给出验收口径。下面按三类逐项盘点，每项给验收办法和 IC 贸易适配度，最后附五个必问问题。

一、场景还原：演示很惊艳，上线很安静

老吴做进口 IC 分销，去年底看了三家系统的演示。第一家演示的是「老板用语音问一句，屏幕上立刻出图」，全场鼓掌。第二家演示的是「AI 自动生成客户开发信，一天发两百封」。第三家演示得最朴素：把一万条料号丢进去，十分钟后给出一份重复清单。

老吴当时差点签第一家。后来他多问了一句：这个问数功能，能回答的范围是什么？对方答不上来——因为演示里的那张图是预先做好的。

他最后选了第三家，理由很实在：料号重复是他当下最痛的问题，一年因为发错货退过三次。演示惊艳的那家，他至今不知道那个问数功能在自己的数据上能不能跑通。

大厂的动作是真的。据 SAP 公开路线图与行业分析，SAP 的 Joule 已从副驾演进为带技能构建器的自主智能体，并推出 RPT-1 关系型基础模型，用结构化企业数据而非通用文本训练，用于需求计划与供应商风险评分。据 Oracle 公开资料，Fusion Agentic Applications 覆盖财务与供应链，Inventory Optimization Advisor Agent 帮计划员识别库存风险、建议安全库存调整。据 Microsoft 公开资料，Copilot for Dynamics 365 支持跨财务、运营与供应链的自然语言查询。据新工业网「2026年AI赋能ERP应用研究报告」，用友 BIP6 采用「AI+X」架构与 YonGPT 企业服务垂类大模型。

但趋势是真的，不等于每一家做出来的都能用。盘点 AI 功能，得先分清楚它是解决你的问题，还是解决演示现场的气氛问题。还有一层容易混淆：元器件分销平台也在做 AI，但平台解决的是「找料、比价、配单」，ERP 解决的是「自家经营数据怎么沉淀下来」，两件事不能互相替代。

把这些能力列进盘点表之前，先过一道共同的门槛。工业 AI 的真实难点不是模型能力，而是「数据在哪」——生产计划在 ERP、设备状态在控制器、SOP 在文件服务器、维修记录在 Excel，人的经验根本不在任何系统里。如果喂给大模型的只是几个 Excel 和 PDF，它最终会退化成一个会聊天的知识库。对元器件贸易商来说，这道门槛的具体形态就是：报价在微信里、库存在仓管脑子里、成本在财务的表里。这三样不进系统，盘点表里任何一栏都跑不起来。

二、三类盘点：能用、半能用、不好说

1. 已经能用的四类

这四类的共同特点是：输入是结构化的，输出可以验证，错了能查回原始单据。

功能输入输出验收办法
主数据归一物料名称与规格疑似重复清单抽检 100 条，重复率低于 2%
异常预警阈值配置加业务流水预警推送每条有唯一责任人，误报率低于三成
问句查数自然语言问句数字加口径说明同一问句重复问，两次结果一致
单据识别采购单与发票图片结构化字段关键字段识别准确率高于 95%

IC 贸易适配度上，主数据归一最高。元器件料号的写法天然混乱——品牌缩写、封装后缀、原装散装标注、批号混入型号，任何一种写法都能生成一条新记录。这一项在通用行业 ERP 里往往被忽略，因为标准件的命名没这么乱。

单据识别的价值在进口场景：报关单、供应商发票、装箱单，字段多、格式杂，人工录入一单要七八分钟，识别后只要核对。核对和录入是两种工作量。

这几类里，询报价场景落地最快，因为它离成交最近、效果最容易看出来。AI询价助手该回什么、不该回什么那一篇里给了四层分级授权表，可以参考。

元器件分销平台侧其实跑得更靠前。据云汉芯城公开分享，一款新产品的 BOM 常含一两百颗不同物料，人工逐一查库存、搜替代、询报价犹如大海捞针；其 HiBOM 智能配单工具融合自然语言解析与专家规则，分钟级完成传统 2 到 3 天的工作，并积累了超 200 万条国产替代关系数据。据新京报、中国网报道，百能云芯自研 AI BOM 解析引擎，1 分钟内完成 5000 行 BOM 清单解析。据电子产品世界报道，Digikey 向客户开放实时 API，企业内部系统可自动发起批量询价、秒级回传物料数据。

这些能力解决的是「找料、比价、配单」，不是「你的经营数据怎么沉淀下来」。在盘点表里它们属于平台侧那一栏，不要和 ERP 侧的能力混在一起记。

常见错法：把识别结果直接入账不做核对。识别是提速，不是免责，关键字段必须人过一眼。

2. 数据够了才管用的一类：需求预测

原理：预测模型靠历史数据吃饭。它的输入是过去 12 到 36 个月的出货序列，输出是未来一段时间的需求区间。历史数据不足、或者历史里包含大量一次性大单，模型的输出就接近随机。

具体做法：先自查三个条件再谈上不上预测——

  • 单个料号近 24 个月有连续出货记录的，占比是否超过六成
  • 出货序列里是否有明显的季节性或客户项目周期
  • 是否存在大量「一次买完再也不买」的料号

三条里中两条以上，预测才值得做。做出来的结果也要当成参考区间看，不要当成确定值下单。

行业数据可以参考，但要看口径。据 ai2.work 行业分析（研究口径，非实测），AI 可将需求预测准确率从传统的 60% 至 70% 提升到 85% 至 95%；Microsoft 研究口径称 AI 可优化库存 35%。据 ERP Today 案例、ai2.work 援引，某制造型 ERP 把原本 50 人耗时 65 工时以上的库存计划工作，压缩到 1 人 1 小时内完成。这些数字都指向同一个前提——它们发生在数据本来就在系统里的企业身上。

反面的证据也要看。据 Redwood Software 2026 年 1 月对 300 名制造业从业者的全球调研，多数企业一直在「错误地自动化」：优化各个孤立系统，却把系统之间的关键交接留在人工和碎片化里。这恰恰是贸易商最容易踩的坑——先把 Excel 迁进系统这件事没做，就去谈预测。

IC 贸易的特殊难点在于行情突变。据 TrendForce 数据，2026 年第一季度通用 DRAM 合约价环比上涨约 93% 至 98%，第二季度环比上涨约 58% 至 63%。当价格三个月内能翻倍，历史出货量对未来需求的解释力会急剧下降——因为需求本身被价格改变了。这是任何模型都解决不了的，只能靠人在模型输出上加一层行情判断。

常见错法：拿预测值直接生成采购单。预测给的是概率，采购单是承诺，中间必须经过人。

3. 目前不好说的三类

下面三类不是没价值，是在元器件贸易这种小批量多批次的业务里，现阶段很难验证效果：

  • 全自动决策：宣称可以自动决定采购量与报价。问题是决策错了谁担责？目前的实践里，这类功能多用于超大规模的标准化业务，小贸易商用不上，也担不起试错成本。
  • 无人值守业务流：宣称从询单到出货不用人碰。元器件贸易里替代料确认、交期沟通、账期谈判每一步都要人判断，全流程无人化在当前阶段不现实。
  • 跨系统自动协同：宣称可以和客户、供应商的系统自动打通。真实情况是对方系统的开放程度不由你决定，多数贸易商连客户的一张标准 BOM 都要反复清洗。

这三类可以作为观察项，不建议作为选型决策项。演示时很好看，落地时很难验证。

4. 选型时必问的五个问题

  1. 这个功能在我们自己的数据上跑过吗？跑过的话，用的哪家的数据、多少条？
  2. 输出结果错了，能不能点回原始单据查原因？
  3. 这个功能依赖的数据字段有哪些？我们现在有多少是齐的？
  4. 关掉这个功能，业务还能正常跑吗？——不能，说明它被做成了必选项，风险高。
  5. 这一项是包含在标准功能里，还是要单独计费？

第五个问题尤其重要。AI 功能按模块、按调用次数单独收费，在订阅制里是常见做法，累计下来会超出预期。

三、落到经营：从功能清单到验收清单

人治的版本是：看演示时觉得哪个酷就选哪个，上线三个月后大部分功能没人用。机制的版本是：把功能清单翻译成验收清单，每一项写清楚输入、输出、验收办法、责任人，上线一个月后逐项打勾。

落到系统能力这一层，值得关注的反而不是 AI 那一块——太帅ERP 目前没有 AI 功能，九大能力域里没有这一项。值得关注的是 AI 跑在上面那层，数据够不够结构化。以元器件行业的垂直系统为例，太帅ERP 覆盖商机、询价报价、价格体系、销售、采购、库存、财务、经营分析、资料与权限九个能力域，15 个以上功能模块，这些模块里的字段是不是结构化的、口径是不是统一的，决定了以后能不能接得上任何分析工具。比如价格体系里的客户协议价与历史成交价、库存里的库龄三级线、财务里的日结快照，这些结构化字段才是地基。

这里的库龄三级线和低库存预警要单独说一句：它们是规则预警，触发条件写死、可解释，不是模型预测。规则预警说得出为什么报警，模型预测说不出——对要马上做决定的贸易商来说，前者往往更好用。

选型这一侧的对比维度，可以参考电子元器件ERP的选型维度专题里的拆解。

边界也要写清楚。太帅ERP 是 Windows 桌面应用、本地部署、内置数据库，没有手机原生端，出门在外只能回到电脑前操作；服务以远程为主；备份要用户自己安排。选 AI 功能时别把「云端算力更强」当成唯一标准——数据放在哪，是另一件要单独权衡的事。

四、常见误区

  • 功能数量越多越好。错在不看适配度。正确的是：先把自家最痛的三个问题列出来，看哪几项功能能对应上，其余的先不管。
  • 演示能跑就等于自己能用。错在忽视数据条件。正确的是：要求对方在你自己的一份脱敏数据上跑一遍，跑不通就先别买。
  • AI 能替代业务员做判断。错在混淆查数与决策。正确的是：机器负责把数算清楚、把异常顶出来，判断和沟通留给人。

FAQ

小公司是不是不用关心 AI 功能？

要关心，但只关心能用的那四类里的前两类：主数据归一和异常预警。这两项对十几人的公司同样有效，因为料号乱和漏看异常是规模无关的问题。

需求预测到底能不能信？

当成参考区间可以信，当成确定值不能信。先自查历史数据条件，三条中两条以上再上。价格剧烈波动期间，预测的解释力会明显下降，这时候要以人的行情判断为主。

怎么判断一个功能是真做还是演示壳？

问上面第五个问题和第二个问题。不敢让你在自己数据上跑的、输出查不回原始单据的，基本都是演示壳。

AI 功能要单独收费吗？

订阅制里按模块或调用次数单独收费是常见做法，签约前一定要问清楚并写进合同。买断制的逻辑不同，功能范围在签约时就固定了。

本地部署的系统能不能有 AI 能力？

能，区别在于算力在哪。轻量级的归一、预警、查数这类能力，对算力的要求并不高，本地环境可以承载；大规模训练类能力才依赖云端。选型时问清楚「这一项是在本地跑还是要上云」。

写在最后

盘点下来结论很朴素：能用的四类、半管用的一类、不好说的三类。把自家最痛的三件事写下来，对着这张表一项项比，比看十场演示有用。

完整口径写在了配套的《元器件贸易的数字化成熟度：你在第几级》里，那一篇讲的是上这些功能之前，自家数据到底处在哪个阶段。

主 CTA：先看清自家的数字化阶段 次 CTA：接着读 金蝶、用友这类通用ERP能做IC贸易吗