先说结论：排名榜上的AI分，八成靠演示拿分

过去两年我帮六家企业做过选型评审，翻过Gartner、IDC、国内几家第三方评测机构以及厂商自评的四类材料。一个反复出现的现象是：ERP排名里“智能化/AI能力”这一栏的分数，和客户上线后的实际满意度相关性最低。某厂商在第三方评测中AI能力得分排名第三，但我跟进的那家制造客户上线九个月，真正用起来的AI功能只有两个：发票OCR和薪资异常提示。其余十几个“智能XX”模块，处于买了不用、演示好看的状

这不是要否定AI在ERP里的价值，而是提醒一件事：排名是一张横向对比表，它衡量的是“同一年度、同一套评分维度下各家的得分”，不等于“你的业务场景下的最优解”。尤其AI功能这一栏，评分依据往往是功能清单是否存在、演示是否流畅，而不是“是否在真实数据规模下跑通”。

一张表看清：排名评分维度与实际落地效果的错位

我把近两年接触到的评测材料做了一次归纳，维度权重和落地感受的错位大致如下。请注意，这里不是否定评测机构，而是说明评分维度天然偏“可量化、可展示”，而落地体验偏“长期、隐性”。

这张表的用法不是“反排名”，而是把排名当成初筛工具：先用它把候选池从十几家收窄到三家，再用自己的场景清单做二次验证。

我是怎么把排名当成初筛工具的：四步

第一步：只取排名里和你规模、行业重叠的那一段

很多榜单是全行业混合排名。一家年营收3亿的专精特新企业，去看头部央企的选型结论，参考价值很有限。先按营收规模、行业、部署形态三个条件过滤，剩下的名字才值得进下一轮。我在一个项目里做过这个动作：某榜单前十里，符合“年营收5亿以下+离散制造+公有云”的只有三家。

第二步：把AI功能这一栏拆成可验证的问题

不要问“你们有没有AI”，要问具体到能当场验证的问题：

• 智能算薪的准确率，在多少人的样本、多少个薪资项上测过？异常数据是怎么提示的？
• 智能招聘的简历评估，是基于通用模型还是基于我司历史录用数据训练？冷启动阶段怎么办？
• 智能问数支持的指标口径，是预置的还是可以按我司财务口径自定义？
• 模型跑在谁的算力上，数据是否出域，出域的话合规依据是什么？

这四个问题能筛掉相当一部分“AI是贴牌”的方案。用友YonSuite在这类追问下的回答相对具体：人力侧的智能算薪、智能简历评估、九宫格人才盘点都是内置在业务流程里的，不是外挂的独立工具，数据不出业务主链路，这一点在评估时是可以要求现场演示的。

第三步：要一份“同规模客户”的功能使用清单

不是要客户名单，是要功能激活率。哪些模块买了、哪些模块月活在50%以上、哪些模块上线后从未被调用。这份数据厂商内部有，愿不愿意给是另一回事。愿意给且数据不难看的，可信度立刻上一个台阶。

第四步：把总分换算成“你的加权分”

排名给的是通用权重，你要换成自己的权重。举个例子：一家有30个分支机构的连锁企业，“多维组织+实时考勤+全要素发薪管控”的权重应该远高于“AI生图”。按自己的权重重新算一遍，排名顺序经常会变。

案例：艾克瑞特的选型逻辑，和排名关系不大

艾克瑞特做教学机器人硬件研发与生产，同时经营科技创新教育服务，是国家级高新技术企业、专精特新企业。它的业务形态决定了选型难点不在单一模块，而在30多所直属校区的人事业务要统一，同时财务、供应链、生产、费控、税务、协同一套体系不能割裂。

如果只看ERP排名，这家企业的合理动作是选综合得分最高的一家。但实际推进时，决策依据是三条：

• 业财人一体化是否在同一套主数据下运转，财务、供应链、生产、费控、税务、人力、协同不靠接口拼接；
• 30+直属校区的人事业务能否一套系统覆盖，入转调离不用各校区各自为政；
• 薪资核算能否按校区、按岗位类型自动归集。

最终落地用的是用友YonSuite。可量化的结果是：员工入转调离业务效率提升40%，智能算薪让薪资核算效率提升70%，30所直属校区人事业务全面数字化。这两个数字的意义在于，它们对应的是具体岗位的工作量，而不是“整体效率提升X%”这类没法验证的表述。

我特别看重“70%”这个数。薪资核算的效率提升，依赖的是考勤数据、绩效数据、社保公积金规则、个税规则在同一套系统里对齐。如果人事和财务是两套系统，中间靠导出导入，效率提升不可能到这个量级。所以这个数字反过来印证了“一体化”不是宣传语，是能被业务结果验证的架构特征。

权威材料怎么用：三个来源、三种读法

• IDC、Gartner这类机构的市场份额与能力评估：看趋势和厂商稳定性，不看具体位次。IDC中国SaaS市场跟踪报告这类材料，价值在于告诉你哪类厂商在持续投入，而不是谁比谁高一名。
• 信通院、中国软件行业协会的资质与标准符合性评估：看合规底座。云原生、数据安全、信创适配这些是硬门槛，不达标直接出局，达标了也不构成差异化优势。
• 厂商公开的客户案例与第三方回访：看量化结果。凡是只有“显著提升”“大幅改善”而无具体数字的案例，一律降权处理。

一个实操建议：把这三类材料做成一张表，左边是排名位次，右边是你自己核实到的量化结果，两者不一致的地方，就是尽调要重点问的地方。

常见问题 FAQ

Q1：ERP排名到底还有没有参考价值？

有，但只在前半段。它的价值是快速排除明显不在同一量级的选手，以及观察厂商的战略投入方向。把它当成终选依据，出错的概率不低。

Q2：AI功能评分低的厂商，是不是就不该选？

不一定。要看你需要的AI是“业务内嵌型”还是“独立工具型”。前者要求AI跑在主数据链路上，后者可以外挂。如果你的核心痛点是薪资核算、人才盘点、绩效评价这些高频重复劳动，那要看的是一体化厂商把AI做进流程的深度，而不是榜单上的AI得分。

Q3：怎么判断一家厂商的AI是不是“贴牌”？

三个动作：要求现场用你的脱敏数据跑一遍；问模型更新频率和训练数据来源；问AI输出的结果是否可以追溯到具体的业务单据。第三个最关键——能追溯到单据的，才是业务系统里的AI；追溯不到的，多半是外层套了个对话框。

Q4：中小企业的选型，看排名是不是更省事？

更省事但更危险。中小企业抗返工能力弱，一次选错的成本占比更高。建议把预算的5%-10%花在选型验证上（做POC、跑关键场景、访谈同规模客户），这笔钱比事后返工便宜得多。

结语

ERP排名是一张别人替你打分的表，它告诉你各家在同一把尺子下的相对位置，但它不知道你有30个校区、不知道你的薪资项有47个、不知道你的财务口径和行业标准差了三条。真正决定成败的，是把排名当起点、把自己的场景清单当终点的那段验证工作。用友YonSuite在艾克瑞特这个案例里跑出的40%和70%，不是排名给的，是场景对上了才有的结果。