新浪财经 股票

敢让AI直接动核心账本吗?从懂语义、能协同到强治理,SAP重构商业AI底座

市场资讯 11.19 18:45

(来源:网易智能)

半个世纪前,SAP用“实时处理”技术取代纸质账本与夜间批处理,让 ERP 成为全球商业的底层语言;五十年后的今天,生成式 AI 与智能体(Agent)浪潮席卷而来,企业再次面临技术底座与真实业务如何深度咬合的课题。

在今年发布的《2026 SAP AI 价值报告》中揭示了一个耐人寻味的反差:在中国,高达 88% 的企业看好智能体并计划加大投入;但认为自己已经做好准备、能把智能体真正落地的企业,只有 6%。

为什么大家对AI 满怀期待,落地却卡住了?SAP 中国研究院院长蔡彦斌用一个真实案例戳破了这层窗户纸:

一位自行车出口商想让AI 制定未来三个月的定价策略。“现在的通用大模型可以很快写出一份几千字、甚至几百页的分析报告,但这份报告企业根本没法直接拿去执行。”蔡彦斌指出,要定出一个能赚钱、能交货的真实价格,系统必须同时查清楚工厂真实的工艺成本、下个月车间能不能排开产能、海外不同客户平时喜欢怎么砍价,甚至还要联动财务系统算一算汇率波动下的利润空间。

这就是企业应用AI 正在经历的代际跨越。从 1.0 的流程自动化(RPA)、2.0 的生成式助手,迈向 3.0 的“业务自主化”时代。

作为全球领先的企业应用软件提供商,SAP 给出的解题思路很明确:算力和通用模型能力的壁垒收窄之后,企业级 AI 首先要读懂复杂的业务语义,再走出单点的“对话框”,在跨系统的核心业务流转中主动协同,最终把智能体的自主执行置于安全可控的治理框架之下。

围绕这三步,企业级软件的底层逻辑正在被全面改写。

01 AI读懂企业,从“业务上下文”开始

要让AI 替企业做决定,第一步不是升级算力,而是解决 AI “不懂行”的问题,让它真正看懂企业内部复杂的数据表和业务规矩。

现在很多企业在试用AI 时,经常遇到“演示很惊艳、上线很鸡肋”的尴尬。原因很简单:通用大模型读遍了互联网,但它没在你的公司上过一天班。

在蔡彦斌看来:“做好商业判断需要‘知识+经验’。通用大模型有知识,但缺乏企业内部的运作经验。如果不能结合企业自己的成本、客户和财务状况,AI 给出的建议就永远飘在空中。”

SAP 全球高级副总裁、全球研发网络总裁柯曼(Prof. Dr. Clas Neumann)说得更直接:“AI 落地最大的挑战,在于我们能否为模型提供真实、准确且带有‘业务上下文’的数据。如果没有业务语义的支撑,AI 得出的结论很可能是错误的,甚至是危险的。”

什么是“业务上下文”?简单来说就是公司的“行话”和业务逻辑。比如,销售部和财务部嘴里的“大客户”,统计标准可能完全不同;再比如,“一张订单延期了”,在系统里绝不仅仅是一个日期的变化,它会连带触发库存积压、排产调整、甚至客户违约金计算等一系列连锁反应。如果 AI 不懂这些背后的关系,面对成千上万张缩写的数据库表格,它就是个“睁眼瞎”。

为了帮AI 补上这门课,SAP 升级了底层的 SAP 业务数据云(BDC),并拿出了压箱底的武器,SAP 知识图谱(SAP Knowledge Graph)。

SAP 把过去五十多年在各行各业攒下超过 700 万个字段、50 多万张数据表、15000 多个标准业务流程,做成了一张“业务关系网”(本体,Ontology)。通过这张网,系统把冷冰冰的代码、表格和业务规则彻底翻译成了 AI 能看懂的商业逻辑。哪怕企业把 SAP 数据和外部数据混在一起,智能体去调取时,也能清楚地知道一笔业务从采购、排产到结算的来龙去脉。

除了看懂业务关系,AI 还得学会“算账”。企业的核心家底全存在密密麻麻的表格里。“企业最核心的数据并不是文本,而是表格。”蔡彦斌指出,通用大模型更擅长处理自然语言文本,而企业底层大量流转的是表格与时序数据。如果直接使用通用大语言模型进行表格预测与分析,不仅效率难以保障,也无法满足企业级业务对高精度的严苛要求。

为此,SAP 专门研发了专攻表格数据的模型 SAP-RPT-2.0 和时间序列模型 SAP-RPT-TS。以前零售企业想预测某款饮料下周卖多少,得请数据科学家针对这一个单品拉出历史数据专门训练模型,费时费力。现在用 SAP 的表格模型,不需要重新训练,它只要 2800 万个参数,在普通电脑的 CPU 上就能跑起来,直接把天气变化、节假日促销和历史销售表格结合在一起,精准算出销量。这套轻量又精准的表格 AI,甚至已经被部署到了国际空间站(ISS),在外太空算力极其有限的环境下,直接读取设备传感器的表格数据,实时预判硬件故障。

02 传统软件是人找功能,现在是功能围着意图转

当AI 读懂了业务数据,接下来要解决的就是“怎么干活”的问题。这一步的核心,是打破部门和软件的墙,让人从繁琐的软件操作中解放出来,由智能体在后台组团把活干完。

过去,企业里的ERP 软件是给人用的,但其实很不人性化。员工入职要先培训,死记硬背复杂的事务代码(T-Code),每天在几十个窗口和菜单之间来回切换。即便前两年每个系统都塞进了一个 AI 助手,员工还是要自己去 A 系统问完数据,复制粘贴到 Excel,再去 B 系统里做调整,人依然在充当不同系统之间的“信息搬运工”。

传统的流程自动化(RPA)更像是工厂流水线上的机械手,只能严格按照既定规则重复执行任务。蔡彦斌指出,智能体与传统自动化的本质区别在于“自主性”——智能体具备观察、判断和跨系统协同的能力,用户只需输入具体的业务意图,系统便能自主规划路径并完成执行。

为了实现这一点,SAP 重构了技术架构,在数据层和应用层之上加了一层“智能体层”,并推出了统一的工作入口Joule Work。正如蔡彦斌所言:“这彻底颠覆了过去几十年人与软件的关系。以前是人去适应软件、人找功能;现在通过 Joule Work,变成了软件主动理解人、功能围着人的意图转。”

我们通过一个案例来理解。假设一家制造企业的财务人员收到通知:“第四季度工业电价预计涨 20%”。

l 以前的做法:他得分别登录能源管理、生产排期、财务预算三四个系统,导出好几张大表,挨个核对车间成本,忙活好几天才能算出影响。

l 现在的做法:他只需要在Joule Work 的对话框里输入用自然语言将背景信息和需求情况表述出来,如“第四季度工业电价预计上涨 20%,检查剩余预算并找出受影响的成本项。同时根据上涨变化的情况,找出可能会造成影响的成本,并且准备一些给部门的建议。”。系统自带的“智能体思考能力”会自动解析意图,并在后台进行处理:自动找出 6 个相关成本中心,结合排产计划锁定3 个存在预算缺口的部门,按缺口大小排好序,直接把预算调整方案推到他面前。

遇到更复杂的公司大事,多个智能体还能像“高管团队”一样在后台开会协同。市场智能体发现商机后,不再需要人去催,财务智能体和人力智能体已经在后台把账算明白了,直接把几套排兵布阵的方案摆在管理者面前。

为了让大家都能用上这种能力,SAP 不仅准备了 300 多个开箱即用的标准智能体,还推出了低代码平台 Joule Studio。“我们希望让最懂业务的员工,哪怕一行代码都不会写,只要用自然语言把日常痛点说出来,就能在几分钟内给自己捏出一个数字同事。”蔡彦斌表示。

更酷的是,这种协同已经从电脑屏幕走到了真实的工厂车间。在英特尔成都工厂,SAP 仓库管理系统里的智能体直接当起了“车间调度员”。它算出拣货计划后不再派单给工人,而是直接向车间的具身智能机器人发指令。机器人自己去货架拿料、送进洁净室,省去了工人推车和频繁穿脱无尘服的麻烦,一口气省掉了这个环节 90% 的人工。

值得一提的是,这项物理AI(Physical AI)的创新,正是 SAP 中国研究院依托国内庞大的机器人产业生态孵化出的本土成果。目前,SAP正与富士康、安努智能等本土伙伴开展场景共创。正如蔡彦斌所言,很多年前SAP 是把全球最佳实践带到中国,而现在则是把中国跑出来的成熟 AI 方案反向输出到全球。

03 敢让 AI 动核心账本,前提是“管得住、查得清”

当智能体不再只是聊聊天,而是开始直接修改核心数据库、甚至指挥工厂机器人时,企业最怕的就是它“乱来”。因此,最后一步的核心,就是给智能体立规矩、上枷锁,解决“敢不敢用”的信任问题。

在平时生活里,AI 答错一道题,我们一笑而过;但在企业里,一次错误的采购指令、一笔算错的财务对账,都是真金白银的损失。更何况,现在用低代码工具搭个智能体太容易了,如果各个部门随便建,几天就能冒出上百个缺乏监管的“数字野人”,在后台乱调数据,这绝对是一场合规灾难。

“在消费级场景里,AI 出点错无伤大雅;但在企业核心业务里,容错率几乎为零。”蔡彦斌强调,“治理框架必须从第一天(Day One)就立在那里,绝对不能等 300 个智能体已经在系统里跑起来了、出了乱子再去补救,那时候代价就太大了。”

怎么才能管住这些看不见的智能体?SAP 新升级的商业 AI 平台(SAP Business AI Platform),就是把企业管正式员工的那套严格制度,原封不动地用在了智能体身上:

上岗前要考“准生证”:部门自己捏出来的智能体,必须先在沙箱里通过功能、性能、安全等一系列死磕测试,合格后才能进入公司统一的“智能体目录”。针对出海企业,平台还配了 AI 治理助手,老板跟它聊聊天,就能检查某个智能体符不符合欧盟《人工智能法案》(EU AI Act)等严苛的海外法规。

干活时严守“权限边界”:通过企业级AI 网关,SAP 把所有进出的 AI 流量统一管起来。最关键的是,智能体直接继承了员工的 ERP 权限。“智能体绝不能成为绕过公司制度的后门,”蔡彦斌解释道,每一个智能体在运行中都与具体的企业用户账号相绑定,严格受制于该用户的权限范围,只能读取其有权查看的数据、执行职权内的业务操作,绝不可能发生越权访问核心敏感数据的情况。

关键决定必须“真人签字”:这就是“人在回路”。预算智能体可以在后台随便查数据、做测算,但一旦要执行“修改部门预算”这个动作,流程必须强制卡住,弹窗找真人领导审批。而且智能体干活的每一步后台全部留痕,万一发现不对劲,随时可以“一键回滚”。

技术上的安全护栏已经搭好,但AI 最终能在企业里发挥多大威力,还得看企业自己的底子打得牢不牢。

2026年6月的SAP中国峰会上,SAP 大中华区总裁原欣就曾点出了很多企业的真实痛点:“AI 能为企业创造多大价值,不取决于模型能力有多强,而取决于企业最薄弱的一环能否打通。对今天大多数企业而言,这道‘弱链’就是AI与核心业务系统之间的断层。”

现在,以新能源汽车、高端制造为代表的中国企业正在大步出海,面对全球复杂的供应链,他们比以往任何时候都更需要能自动运转的管理系统。

过去几十年,企业想扩大规模,主要靠多招人、多买软件模块、把流程规定得更死。而今天的商业AI 提供了另一种活法:把系统里沉睡的数据变成懂行的业务经验,让守规矩、会配合的智能体接管那些跨系统的繁琐执行。

正如柯曼所展望的,伴随商业 AI 的纵深演进,未来的企业软件将不再只是一套需要人工繁琐操作的静态工具,而是逐步走向能够理解意图、自主协调的系统。当成百上千个智能体在安全护栏内协同运转,企业里的员工才真正能从背代码、凑表格的繁重事务里解脱出来,去思考那些只有人类才能回答的问题:我们接下来的业务方向到底在哪?在商业的十字路口,我们该如何做决定?

加载中...