聊起企业AI的落地，很多人脑海里会浮现两个画面：财务人员用AI一键生成报表，省去了反复核对的时间；开发者借助AI辅助编码，把一周的工作量压缩到一天。单点效率的提升清晰可见，但很少有人会接着问：报表生成之后，对应的审批、对账、分析流程有没有同步提速？代码写完之后，测试、运维、需求迭代能不能跟上节奏？
个体效率的提升，并不天然等于企业整体效率的升级。
当AI从辅助工具逐步渗入核心业务，企业面临的考题也变了：不再是“AI能不能做”，而是“AI能不能懂业务、扛责任、创结果”。在SAP全球高级副总裁、全球研发网络总裁柯曼博士与SAP 中国研究院院长、SAP 全球副总裁、HCM 产品全球化研发负责人蔡彦斌博士看来，SAP正在以“自主运营企业”为核心的商业AI战略——跳出模型参数的比拼，锚定真实的业务意图，用五十余年的企业数字化沉淀，搭建一套让AI能安全、自主、深度参与业务运营的体系。
从“自动化”到“自主化”：商业AI的胜负锚点是业务语义
很长一段时间里，企业对AI的想象停留在“自动化”层面。用机器替代重复劳动，提升单点工作效率。但在柯曼看来，AI时代真正的变革，远不止于让现有流程跑得更快，而是让系统具备“自主性”——能够基于业务目标，自主感知变化、判断影响、编排资源并采取行动。
SAP全球高级副总裁、全球研发网络总裁柯曼博士
他举了一个典型的供应链场景，当关键零部件供应商出现供货延迟，理想状态下的企业系统可以提前预测风险，自动评估对生产、交付与成本的影响，同时触发备选供应商调度、订单调整等补救措施，将业务冲击降到最低。
这种自主运作的背后，是一套完全不同的逻辑：所有动作的出发点不再是“执行预设规则”，而是“实现业务意图”。柯曼强调，这正是SAP商业AI与通用大模型的本质区别。蔡彦斌也指出，通用大模型拥有强大的语言理解能力，你可以问它行业发展趋势，它能输出严谨的分析；但如果问它“未来三个月我们企业该如何调整定价”，它往往无法给出可落地的答案，因为它不了解这家企业的产品结构、客户体系、成本构成与历史数据。
“商业AI的竞争，最终不是由算力决定胜负，而是由数据以及数据在业务情境中的真实意义决定。”柯曼的判断，戳中了当下很多企业AI应用的痛点。
蔡彦斌也在交流中提到一个真实案例。一位做自行车贴牌出口的从业者，用通用智能体生成下季度定价策略，输出的内容看起来头头是道，却完全无法落地——智能体既不知道产品的具体工艺与成本，也不了解海外客户的议价习惯，更没有企业过往的订单数据作为支撑。
SAP 中国研究院院长、SAP 全球副总裁、HCM 产品全球化研发负责人蔡彦斌博士
这也解释了为什么很多企业的AI项目“POC惊艳，落地惨淡”。验证阶段只需要调用通用能力解决一个单点问题，自然容易出效果。可一旦深入业务，缺少企业级上下文的AI就会“水土不服”。这种落差在数据上体现得尤为直观，今年发布的《2026 SAP AI 价值报告》显示，88%的中国受访企业看好智能体技术，但认为企业自身已做好充分准备的，只有6%。
在2026年6月的SAP中国峰会上，SAP大中华区总裁原欣就曾直言：“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。”
在SAP的认知里，构建企业级AI的第一步，从来不是堆砌智能体的数量，而是先让AI“读懂企业”。经过五十余年的积累，SAP的ERP系统中沉淀了700多万个字段、50多万张数据表、超过15000个业务流程。
这些不是冰冷的数据，而是承载着行业最佳实践与业务逻辑的“语义资产”。把这些资产转化为AI可以理解的知识体系，让智能体知道“什么是成本中心”“不同系统里的‘客户’是不是同一个概念”“一笔订单从下单到交付要经过哪些环节”，才是商业AI真正的壁垒所在。
三层架构+产品矩阵：把业务意图拆解为可执行的全链路
有了业务语义的底层认知，还要有完整的产品体系把“意图”转化为“执行”。在此次TechEd上，SAP完整呈现了面向AI时代的软件架构：底层是升级后的SAP Business AI Platform，中间分为数据层、应用层，最上层是智能体层，而所有能力最终通过统一的AI入口Joule Work触达用户。
这套架构的目标很明确：让企业以更低的成本、更快的速度获得业务价值，从部署第一天起就能产生收益。
位于交互最前端的Joule Work，不是一个简单的聊天窗口，而是整个自主运营体系的“意图入口”。用户不需要记住事务代码、不用切换不同系统界面，只用自然语言描述自己的业务目标，Joule Work就会自动拆解任务、调用对应智能体、整合跨系统数据与流程，最终完成任务并反馈结果。用蔡彦斌的话说，传统软件是人去找功能，而在Joule Work的模式里，是功能围绕人的意图自动组织起来。
支撑意图落地的，是大量各司其职的智能体。而构建与管理这些智能体的工具，就是Joule Studio。它支持低代码甚至无代码的方式搭建智能体，业务人员无需编写大量代码，就能基于自身场景打造专属的AI应用。
更重要的是，Joule Studio覆盖了智能体的完整生命周期。从开发构建，到测试验证，再到部署上线、运行监控与版本迭代，全流程都在统一框架内完成。对比传统的RPA工具，二者的差异十分清晰：RPA是按照固定规则重复执行的“机械手”，效率高但灵活性差；而智能体更像具备判断能力的“执行者”，可以应对不同的系统环境与数据情况，自主做出逻辑判断。
当然，智能体的“判断力”不是凭空而来的，它依赖扎实的数据与语义底座。SAP知识图谱与业务数据云（BDC）共同构成了智能体的“认知基础”。业务数据云负责打通分散在异构系统中的数据，提取统一语义，整理历史数据；知识图谱则把数据、流程与业务关系编码成语义网络，让AI理解企业的运转逻辑。
蔡彦斌用一个很形象的类比：对AI来说，知识是业务规则与体系，经验是历史数据与实践，二者缺一不可，就像人做判断既需要理论知识也需要实际经验。
在今年TechEd上，这套产品矩阵还迎来了多项关键升级。Joule Work新增智能体思考能力，可规划跨系统的多步骤业务流。其通过A2A、MCP等开放协议，第三方智能体也能在受治理的前提下与Joule生态互操作。全新的企业级AI网关实现了AI流量的统一管理，集中管控身份验证、策略执行与审计追踪。针对企业中大量的结构化表格数据，SAP推出了新一代表格AI模型SAP-RPT-2.0，在销售预测、异常检测等场景下，效率远超通用大模型，甚至已经与HPE合作部署到国际空间站，用于太空设备的故障预判与数据分析。
为了保障从开发到运行的全链路顺畅，SAP提出了四个关键原则：首先是“干净的数字化核心”，做到数据标准化、流程标准化、主数据治理到位；其次是“语义就绪”，确保不同系统对同一业务概念的定义统一；第三是清晰的治理管道，覆盖沙箱测试、性能验证、可观测性与合规管理；第四是完善的网关设计，对各类开放协议与接口进行统一治理。这些能力全部沉淀在SAP Business AI Platform中，成为智能体可靠运行的基础。目前SAP已发布300多个智能体，逐步覆盖端到端的企业业务流程。
治理先行与本土创新：构建可信任的企业级AI路径
AI的自主性越强，对“信任”的要求就越高。柯曼在交流中反复强调：机器可以承担自主编排与运营的工作，但人必须为AI设定边界，并最终承担责任。这是SAP商业AI一以贯之的原则——信任不是无条件的放权，而是在清晰的规则与权限框架内，让AI发挥最大价值。
SAP所倡导的治理，是覆盖智能体全生命周期的治理。从智能体的定义、验证，到部署运行、监控优化，每一个环节都在管理框架之内，而不是等出了问题再回溯。
Joule Studio中内置了严格的发布流程：一个智能体上线前，必须通过功能测试、性能测试、安全测试、准确率测试与合规检验，全部达标才能进入生产环境。运行过程中，智能体的每一步操作——读取了哪些数据、基于什么做出判断、修改了哪些内容——都会被完整记录，全程可追溯、可审计，关键操作还支持回滚机制。
针对开放生态带来的风险，SAP的思路是“开放但不失控”。通过企业级AI网关，所有接入的第三方智能体都需要注册备案，其调用行为、数据访问范围都受到严格的权限管控。特别值得一提的是，智能体的权限体系直接继承了SAP ERP成熟的授权机制，员工能访问的数据、能执行的操作，对应绑定的智能体同样遵循这套规则，从根源上避免数据越权。同时，“人在回路中”的设计始终保留，关键决策节点必须由人工确认，AI只在授权范围内自主执行。
对中国市场而言，这套体系还有着更本土化的落地逻辑。
作为SAP全球研发网络的重要枢纽，SAP中国研究院不仅参与全球层面的架构与产品研发，更承担着适配中国市场的重任。蔡彦斌介绍，中国团队的工作聚焦三个方向：一是保障合规落地，适配中国的监管要求与基础设施特性；二是联动本土AI生态，与国内的技术伙伴展开合作共创；三是挖掘中国特色的业务场景，把本土实践沉淀为方案反向输出到全球。
Physical AI就是中国本土创新的典型代表之一。国内仓储物流行业机器人应用广泛，大量使用SAP仓库管理系统的客户，都有机器人与业务系统无缝对接的需求。SAP中国团队针对这一场景，推动智能体与物理机器人的集成，实现了业务流程与实体作业的自动协同。这种源于中国市场的创新，也正在成为SAP全球产品体系的一部分。
针对不同阶段的企业，SAP也设计了阶梯式的落地路径。第一步是让AI“认识企业”，通过业务数据云打通异构数据、构建知识图谱，完成数据与语义的准备。第二步是让AI“参与执行”，通过Joule Studio构建场景化智能体，在Joule Work中实现任务编排与执行。
写在最后
AI技术的发展速度，始终跑在企业应用速度的前面。但商业AI的价值，从来不是由技术的先进程度定义的，而是由它融入业务的深度决定的。从单点提效的工具，到自主运营的主体，企业AI的进阶之路，本质上是不断弥合技术与业务之间断层的过程。
SAP选择的路径，没有追逐大模型的参数竞赛，而是回到企业经营的本质——以业务意图为起点，用五十年的流程与数据沉淀做底座，用全生命周期的治理做保障，让AI在清晰的边界内创造确定的价值。这条路看起来不够“酷炫”，却恰恰击中了企业级应用的核心诉求：稳定、可信、可落地。
当越来越多的智能体进入企业的日常运营，人与AI的协作方式正在被重新定义。未来的企业竞争，比拼的也不会是谁的智能体更多，而是谁能让AI真正理解自己的业务，并在可控的框架内持续创造经营价值。而这，正是商业AI走向深水区的必经之路。
京公网安备 11010202008829号