企业 AI 真正进入生产体系，关键不在于部署了多少模型，而在于是否形成了可连接、可执行、可审计、可持续运营的集成架构。客服问答、知识检索和文档生成可以证明工具有用，却不能直接证明订单、采购、交付、财务或客户运营得到了改善。五层架构的价值，正是把模型能力嵌入完整业务闭环，而不是在旧流程旁边增加一个聊天窗口。
五层架构的职责边界
业务应用层承载销售、客服、采购、财务、生产和运营等具体场景，定义 AI 要解决的业务问题与经营指标。例如，销售线索分级不能只生成分析文本，还应服务于跟进任务创建和线索推进。
流程编排层负责管理工作流、Agent 协作、审批、任务分派与异常处理。它把“业务事件触发—AI 判断—系统执行—人工复核—结果回写”串成可运行的流程，并明确哪些动作自动完成、哪些必须转人工。
智能能力层提供模型路由、知识检索、工具调用和评测能力。制度、产品手册等内容适合通过知识库获取；库存、余额和订单状态则应从业务系统实时查询。智能层的重点不是让一个 Agent 包办一切，而是让判断过程受到规则、权限和评测约束。
数据与集成层连接主数据、API、消息总线、RPA 和数据平台。业务系统保持数据权威性，工作流负责状态管理，Agent 负责理解和判断，RPA 只用于兼容部分缺少标准接口的遗留系统。职责混淆会导致数据不一致和问题难以追溯。
治理运营层覆盖权限、安全、审计、成本、监控和版本管理。企业必须记录调用者、时间、参数、结果与异常，并支持模型、提示词、知识源和流程版本的管理。只有具备这些能力，AI 才能从试点项目转变为长期运营的基础设施。
架构落地的判断标准
五层并非一次性建设完成。企业应先选择高频、规则相对清晰、数据可获得且结果可衡量的流程，例如供应商资料初审、客服工单分类、采购订单异常识别或应收账款催收任务分配。对涉及重大财务、法律和安全后果的动作，应设置人工确认与回退机制。
评估时不要只看调用量和活跃用户。活动指标只能证明系统被使用，流程指标才能证明集成有效，经营指标才足以支撑投资决策。处理时长、返工率、转人工率、交付达成率和回款周期，应与项目基线进行关联分析。
当数据质量不足、责任边界不清或流程无法描述时，优先任务应是流程梳理和治理，而不是直接扩大 Agent 权限。五层架构的核心，不是追求全自动，而是在正确的层级分配模型、系统与人的责任。
