对很多集团财务人来说,抓住一次突发的市场机会,往往意味着连续数日的高强度工作:要在分散的系统里翻找成本数据,测算人力缺口,反复权衡不同方案的投入产出,最后还要把单场业务的影响合并进集团财报——等整套流程走完,窗口期可能已经悄然流逝。
如何让“自主运营”概念落地,在SAP中国研究院中,没有空泛的概念宣讲,而是用多组实景Demo与场景化演示,把上述场景从“人力攻坚”变成了“AI自主完成”,也将“自主运营企业”的抽象愿景,拆解成了可感知、可落地的真实业务路径。
从1972年五位IBM工程师在德国沃尔多夫创立SAP,到1992年以上海机床厂项目叩开中国市场的大门,再到2003年上海张江研发中心升级为中国研究院,这家被称作“500强背后的管理大师”的企业,已服务99家全球百强企业,沉淀了五十余年的行业流程与数据资产。

面对AI给企业运营带来的深层变革,SAP始终坚持一个朴素的核心逻辑:人负责锚定企业发展的方向,AI负责落地执行,依托深厚的业务积累提供全周期AI治理,构建可靠、可持续的企业级AI体系。其三类核心实践,正是这套逻辑在不同业务维度的具象呈现。
Joule Work:端到端打通企业业务全流程
作为自主运营企业架构的互动层入口,Joule Work区别于传统问答式AI的核心价值,在于它不止能生成内容与给出建议,更能打造完整的业务工作空间,将AI深度嵌入企业流程,实现从感知、分析到执行的闭环。
现场演示的集团财务场景还原了一家演出承办公司的模拟业务链路:系统的感知智能体实时监控市场动态,主动向集团管控经理推送机会信息——竞争对手因天气原因取消演唱会,企业可承接对应场次。
不同于人工筛选信息的滞后性,这套机制实现了“机会主动找人”的运营模式。AI自动整合分散在各系统中的成本、利润与风险数据,将所有影响因素集中在单一决策面板,承接活动的预期收益、运营成本,以及当前存在22%人力缺口的风险都清晰呈现。
针对人力短缺问题,AI同步给出加速招聘、启用灵活用工、调用跨城市内部团队三套解决方案,并实时测算每套方案的运营成本,标注各自优劣。当运营者选择调用内部团队后,人力成本从120万元降至80万元,活动整体成本大幅优化。
完成风险权衡与方案选择后,系统可进一步将单场活动的财务影响合并至集团层面,一键模拟对各子公司、各项目的利润影响,验证活动的整体价值。最终,用户仅需通过自然语言指令,即可生成完整的集团财报,完成从机会识别、风险评估、方案落地到报告输出的全流程自主运营。
在传统模式下,这类跨系统的数据合并与财报生成需要多名财务人员耗时数天完成,而在Joule Work体系内实现了一键式闭环。
另一项面向财务专员的日常场景演示同样体现了业务深度:用户仅用自然语言描述“第四季度电价预计上涨20%,检查剩余预算并找出受影响的成本项”,Joule Work便自动调用后台系统数据,定位6个相关成本中心,识别出3个存在预算缺口的部门,按缺口规模排序并给出针对性建议。

整个过程无需切换3-4个不同的财务系统,大幅降低了日常业务的操作门槛。
支撑这一切的核心是SAP知识图谱。不同于第三方工具仅通过接口调用数据的表层整合,SAP依托数十年的ERP积累,将700多万个字段、50多万张数据表、超过15000个业务流程梳理为结构化的知识体系,让AI真正理解企业的业务语义、权限规则与流程逻辑,而非仅对通用数据做表层解读。同时系统也支持非SAP应用通过接口接入,在保障数据逻辑一致性的前提下实现跨系统协同。
Joule Studio:意图驱动的Agent开发与全周期治理
如果说Joule Work是AI能力的使用入口,Joule Studio就是智能体的生产与管理平台,它以“基于意图驱动的开发”为核心,大幅降低了企业定制化AI的技术门槛。
现场演示的预算差异分析智能体,并非SAP的标准产品功能,而是由业务人员通过Joule Studio自主生成。开发者无需编写代码,也无需了解系统底层架构,仅需用自然语言描述业务意图——“快速识别能源涨价后受影响的成本中心,给出预算调整建议”,系统便会自动完成从需求到落地的全流程构建。
整个开发链路依次生成业务意图文档、产品需求文档与技术规格文档,自动匹配对应的企业流程、业务系统与API接口,最终完成代码生成与智能体构建。
与通用AI开发平台相比,Joule Studio的核心差异在于深度绑定企业业务上下文。
它基于SAP的业务架构参考体系设计,从源头确保智能体符合企业流程规范,同时内置完善的护栏机制。明确数据来源范围、划分人工审核节点,例如数据读取无需审核,预算调整建议必须人工审批,限定智能体的操作边界,禁止超出业务范围的预测与操作,从开发阶段就规避合规风险。

开发完成后,智能体支持一键部署,平台配套完整的生命周期管理能力。企业可监控智能体的调用频率、响应时延、准确率,也能预先通过模拟场景测算Token消耗与运行成本,在上线前完成性能与成本评估。
针对企业关注的第三方生态接入问题,平台通过Agent Gateway组件实现双向互通,既支持外部系统调用部署在SAP平台上的智能体,也支持在Joule Work内调用第三方智能体,在统一的权限与身份管理体系下,打破异构系统的集成瓶颈。
相较于传统基于固定规则的RPA工具,Joule Studio构建的智能体具备场景判断与自主决策能力,能够应对更复杂的变量环境。而整套体系的治理逻辑始终遵循“人在回路”原则:智能体继承ERP系统成熟的授权体系,所有操作全程可追溯、可回溯,关键节点保留人工干预与数据回滚能力,在开放生态的同时守住企业数据与业务安全的底线。
边界延伸:从数据预测到物理世界的智能协同
除了核心的业务流程数字化,此次演示还展现了企业AI向数据预测、物理执行两大方向延伸的实践,进一步拓展了AI在企业中的价值边界。
SAP-RPT-TS时间序列基础模型是面向预测场景的技术成果。传统时间序列预测算法需针对每个数据序列单独训练模型,对于拥有百万级SKU的零售、制造企业而言,模型维护成本极高,且难以同时兼顾精度与效率。
而SAP推出的这款基础模型,已在海量符合商业规律的时间序列数据上完成预训练,仅需2800万个参数,在CPU上即可运行部署,支持跨行业、跨场景直接调用,无需重新训练。
模型支持引入天气、促销等协变量提升预测精度,在行业公认的FEV-Bench榜单上实现断层第一,在GIFT-Eval榜单中位列第一梯队,同时推理速度显著领先同类型模型。现场演示的零售销量预测场景中,用户仅需导入历史销售数据,设置预测周期与置信区间,即可快速得到未来两周的销量预测结果与波动区间,帮助企业根据自身风险偏好制定备货策略。
物理AI则是SAP连接数字世界与物理世界的探索,核心是让具身智能机器人理解业务语言,实现业务指令到物理执行的无缝闭环。
SAP在其中扮演企业业务大脑的角色,通过Joule下达业务指令,机器人合作伙伴负责侧端的动作控制与环境感知,双方通过开放的Agent协议完成对接。

英特尔成都工厂的仓储场景是典型的落地案例:传统零配件出库流程中,拣配员需在仓库完成拣货后,经过多道安检步行数百米送至车间,人力成本高且效率受限。引入具身智能机器人后,机器人直接从SAP EWM仓库管理系统获取拣配单,自主完成零部件拣选与转运,直接推送至车间线边仓,可节省90%的人工工作量,并且支持7×24小时不间断运行。
目前SAP的物理AI已覆盖资产巡检、货品分拣、质量检测、库存盘点等多个高价值场景,与富士康、安努智能等企业达成合作。全新启用的SAP Co-Create Studio则为联合创新提供了实体空间,配备工作站与安全沙盒环境,支持与本土合作伙伴围绕场景开展共创,适配本土大模型与产业生态。
写在最后
从交互入口到开发平台,从数据预测到物理执行,这场开放日的演示,更像一次企业级AI的价值剖白。
很多人谈论AI时,总热衷于追逐参数规模、算力上限与通用能力的边界,但企业场景里的AI,终究要回答一个最朴素的问题:它能不能真正解决业务的痛点,能不能被放心地放进核心流程里。SAP给出的答案,始终扎根在自己五十余年的积累里——用结构化的业务知识图谱让AI读懂企业,用全生命周期的治理框架让AI守住边界,用开放的生态连接让AI适配更多场景。它不追求让AI替代人做决策,而是让AI成为业务的延伸,把人从重复的流程里解放出来,去做更有价值的判断与创造。
作为SAP全球研发网络的重要组成,中国研究院既是全球技术体系的承接者,也是本土创新的发源地,物理AI等源自中国产业场景的探索,正在成为向全球输出的经验。当AI技术的迭代速度始终快于企业的落地速度,真正能推动行业向前的,从来不是炫目的技术概念,而是扎进真实业务里的耐心与深耕。
自主运营企业的终点,从来不是“无人化”的噱头,而是让每一家企业都能在技术的助力下跑得更稳、更远,让每一位从业者都能从繁琐的流程里抽身,尽展所长。


京公网安备 11010202008829号