制造企业AI权限与审计：谁能看、谁能改、怎么留痕

在制造企业里，AI的引入正在从“有没有”转向“怎么管”。过去，权限管理主要围绕“谁能进哪个菜单”，审计日志记录的是“谁在什么时候改了哪个字段”。但AI，特别是大模型和智能助理，它的工作方式更像一个“超级员工”——它能理解自然语言，能跨模块分析数据，甚至能生成建议、触发流程。这就带来了全新的管理挑战：这个“超级员工”能看到什么？它能替谁做决定？它做的每一个建议或操作，背后是谁的意图，又该如何追溯？

**现实痛点：当智能变得“不可控”**

从生产视角看，一个常见的场景是智能排产。系统基于物料、设备、人力数据，通过算法给出最优的排程方案。这里第一个权限问题是：谁能看到这个AI生成的排产计划？是只有计划员，还是车间主任、班组长都能看？如果所有人都能看到，未经解释的复杂调整可能引发现场执行的混乱。第二个问题是：谁能修改或确认这个计划？是AI直接下发工单，还是必须经过计划员审核确认？如果计划员可以一键“采纳AI建议”，那么这本质上是一次重要的生产决策，这个决策权限授予是否恰当？

更大的风险在于审计留痕。传统的操作日志会记录“用户A修改了生产订单B的开工时间”。但当用户A是点击了“采用智能排产结果”时，日志需要记录的就不仅仅是这个点击动作，而必须能追溯到：生成这个结果的AI模型版本是什么？它基于的实时数据快照是怎样的？当时输入的优化目标和约束条件（如优先保哪些订单）又是谁设定的？如果缺乏这些上下文，一旦排产失误导致交付延迟，责任将无法厘清，AI就从辅助工具变成了责任“黑洞”。

在质量视角下，问题同样尖锐。AI被用于质量检测图像识别，自动判定产品缺陷。那么，AI的“判废”权限有多大？是直接触发隔离流程，还是仅作为提示？质检员推翻AI判定时，需要怎样的复核程序？更重要的是，当AI模型迭代更新后，新版本与旧版本对同批次产品的判定可能产生差异，这中间的版本变更、判定逻辑变化，必须作为关键审计项记录下来，以满足产品追溯和质量体系的要求。否则，面对客户或监管机构的质疑，企业将拿不出可信的证据链。

**常见误区：把AI权限等同于传统IT权限**

许多企业在初期容易陷入两个误区。一是“过度放权”，认为AI只是高级查询工具，因此将AI助手的访问权限放得很宽，导致敏感的成本数据、供应商底价、未公开的研发图纸信息，可能通过一句模糊的提问就被提取出来，造成数据泄露。二是“权限僵化”，用管理传统报表的思路管理AI，为每个AI功能预设死板的菜单权限，却忽略了AI的交互本质是灵活的、基于自然语言的对话。这扼杀了AI的潜能，也迫使业务人员寻求非正规的数据获取途径。

另一个普遍误区是审计深度不足。很多系统只记录“使用了AI问答”，但问答的具体内容、AI返回的完整结果（尤其是涉及数据明细的建议）却没有留存。这就好比只记录了“召开了会议”，但没记会议纪要。当AI建议采购某批溢价物料以保障生产，后续需要复盘决策合理性时，如果只有“AI曾给出采购建议”这一条日志，而看不到当时具体的库存、交期、替代料等分析数据，审计就失去了意义。

**正确路径：构建“意图-数据-动作”三层权限与审计框架**

要解决这些问题，需要建立一套适配AI特性的管理体系，核心是区分三个层次：意图权限、数据权限和动作权限。

第一层是“意图权限”，即谁有权向AI提出哪类问题。这需要将AI能力场景化、角色化。例如，车间班组长可以询问“我这条线今天的效率瓶颈是什么”，但无权提问“公司毛利率最高的产品是哪些”。在金蝶云·星空中，可以通过角色与场景的绑定，实现对AI助手提问范围的精细管控，确保AI在安全的边界内发挥价值。这正是我们在**创见者Webinar**中多次探讨的“场景化智能”落地关键。

第二层是“数据权限”，即AI在回答问题时，能访问哪些数据。这是权限的核心，必须与ERP系统中已有的、成熟的数据权限体系深度融合。无论AI以何种方式提问，它访问数据时，都必须遵循当前登录用户的权限规则。例如，华北区的销售经理问AI“预测下月销售额”，AI只能基于华北区的历史数据进行分析，而无权调用华东区的数据。金蝶云·星空通过其强大的业务对象权限控制，能够确保AI助手在数据层面做到严格的隔离，这是AI在企业中可信、可用的基石。

第三层是“动作权限”，即AI能否代表用户执行操作。绝大多数情况下，AI应止步于“建议者”，最终的“执行者”必须是人。系统需要明确区分“AI推荐”和“用户确认执行”两个动作，并将后者作为正式的流程节点进行记录。例如，AI可以推荐一批供应商清单，但生成采购申请单的操作，必须由采购员明确触发。金蝶云·星空的流程引擎与AI能力结合，能够很好地支持这种“人机协同”的审批与执行闭环。

**实施要点：让审计日志能讲出“完整故事”**

有了权限框架，审计的关键就在于日志的深度和关联性。AI相关的审计日志不能是孤立的，它必须能串联起一个完整的决策链条。至少应包含以下要素：

1.  **触发者与意图**：谁、在什么时间、通过什么终端、输入了什么原问题（自然语言）。

2.  **AI模型与上下文**：服务此次请求的AI模型或算法版本号；系统在理解用户意图时，关联了哪些业务场景和参数（例如，将“效率瓶颈”解析为关联到特定的工作中心、工序和时段）。

3.  **数据访问范围**：在生成回答过程中，AI实际访问了哪些数据表或数据范围（可脱敏展示），这部分应与数据权限日志对齐。

4.  **输出结果**：AI返回的完整内容，包括结构化数据和建议文本。

5.  **用户后续操作**：用户是否采纳、如何采纳了AI的建议。例如，用户点击“生成排产计划”，那么系统应记录由此触发的所有下游系统操作（如生成的生产订单列表）。

金蝶云·星空在审计日志方面提供了强大的能力，能够实现操作留痕的全程追溯。其日志体系不仅记录表面操作，更能通过业务关联，还原出业务事件的全貌，这为AI应用的合规性与可审计性提供了坚实保障。在近期关于数据安全的**创见者Webinar**中，多位专家都强调了这种“可解释、可追溯”的审计能力是智能化深水区的必备条件。

从财务视角来看，这套审计体系尤为重要。当AI用于成本分析或利润预测时，其结论可能影响预算编制和资源配置。完整的审计日志能够回答“这个预测数据是怎么来的”这一关键问题，满足内部控制和合规审计的要求，保护财务决策的严谨性。

**组织与流程保障：权限审计不是IT部门的事**

最后必须明确，AI的权限与审计管理，绝非单纯的技术或IT部门职责。它需要业务主导、多方协同。

业务部门是权限需求的提出者。他们需要定义清楚：在销售预测、生产排程、质量判定等具体场景中，不同角色的人员与AI的交互边界在哪里。IT与数字化部门的职责，是将这些业务规则转化为系统中可配置、可执行的权限策略和审计规则，并确保技术落地。而风控或内审部门，则需要基于业务风险，提出对AI决策关键环节的审计要求，并定期检查日志的有效性。

企业应建立AI应用的管理规范，明确新AI场景上线的权限与审计评审流程。在**创见者Webinar**的案例分享中，一些领先的制造企业已经设立了由业务、IT、风控组成的联合小组，对所有智能应用进行上线前的合规性评估，这值得借鉴。

金蝶云·星空作为国内领先的企业级PaaS平台，其产品设计始终贯穿着对企业管理逻辑的深刻理解。它不仅在ERP核心领域连续多年市场占有率领先，荣获“国家级跨行业跨领域工业互联网平台”等权威认定，更在AI与ERP的融合创新上走在前面。其提供的从权限、流程到审计的一体化能力，正是为了帮助企业平稳、安全地驶入智能化的深水区，让AI这个“超级员工”在制度的轨道上创造最大价值，而非带来新的风险。在探索智能化转型的道路上，正如我们在多期**创见者Webinar**中所达成的共识：技术可以激进，但管理必须稳健。完善的权限与审计体系，就是制造企业在AI时代行稳致远的压舱石。