SAP蔡彦斌谈企业AI落地:演示很成功,进生产就变样
“POC 非常成功,领导都非常高兴,说我们就去干吧。可真正做起来,效果完全不一样,数据不准确,其他问题也都出来了。”蔡彦斌在谈及企业部署 AI Agent 的实际情况时直言。 企业的业务系统往往经过多年建设,数据分散在不同平台,系统之间存在复杂的依赖关系,业务规则也并不总是一致。AI Agent 接入这些系统后,如何理
“POC 非常成功,领导都非常高兴,说我们就去干吧。可真正做起来,效果完全不一样,数据不准确,其他问题也都出来了。”聊起企业部署 AI Agent 的真实情况,蔡彦斌把话说得很直。
企业那套业务系统,往往是多年攒下来的。数据散落在不同平台,系统之间依赖关系复杂,业务规则也未必统一。AI Agent 接进去之后,怎么读懂业务上下文、怎么协调多个系统、生产环境里出了异常又怎么应对?这些决定了它能不能真正扛起业务任务。
日前收官的 SAP TechEd 2026 上,AI Agent 走进企业核心业务流程成了重点话题。不过从技术演示到真正投产,工程上还有一堆坎要过。
围绕这些坎,InfoQ 专访了 SAP 全球高级副总裁、SAP 全球研发网络总裁柯曼博士(Prof. Dr. Clas Neumann),以及 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。
模型懂行业知识,可未必清楚一家企业具体怎么运转。蔡彦斌讲了个例子:他一位朋友开自行车贴牌加工厂,让两个 Agent 去定未来几个月的产品定价策略。模型给出的分析看着挺完整,直接拿来用却不行——它不了解那些具体产品,也不掌握这家企业的客户情况。
小范围测试的时候,企业可以替模型备好数据、把任务定清楚。一旦进了生产环境,Agent 面对的是散在各系统里的业务数据、多年沉淀的管理规则,还有大量没法提前穷举的实际情况。
柯曼的看法是,企业 AI 应当做到按业务意图自主采取行动。比如某家供应商的关键零部件晚交了,系统不只要及时把风险识别出来,还得判断这对生产和供应链有多大影响,再拿出对应的补救办法。
沿着这个思路,SAP 提出了“自主运营企业”(Autonomous Enterprise)愿景,想让 AI 从辅助工具一步步进入企业核心业务,多承担流程编排和执行。
问题是,对那些已经跑着大量 ERP、财务和供应链系统的企业来说,Agent 想真正接手这些活,数据、流程、权限、系统集成几道关都得先过。
模型很聪明,却不知道企业的规则
“企业里面有两个系统,到底应该遵循哪一个系统的规则?这个事情,智能体自己解决不了。”蔡彦斌说道。
机器人流程自动化(RPA)按固定规则执行任务,Agent 不一样,它能随环境变化做判断,挑不同的工具和执行路径。可企业内部的数据常常分散在多个系统里,同一个业务概念,不同部门的定义甚至都对不上。
举个例子,一个系统里的“客户”可能指签合同的那一方,另一个系统却按实际收货或结算对象来管。业务语义不统一,Agent 就算两套系统都能读,执行任务时照样可能判断出错。
蔡彦斌认为,企业部署 Agent,第一步是把“干净的数字化核心”(Clean Core)做扎实,涵盖数据标准化、流程标准化和主数据治理。在这之上还得做到“语义就绪”,让 AI 明白不同数据对应什么业务含义、彼此之间怎么关联。
为此,SAP 正把多年积累的业务数据和管理流程往知识图谱里整合。据悉,其 ERP 系统积累了 700 多万个字段、50 多万张数据表和超过 15000 个业务流程。知识图谱要做的,就是把这些数据连同业务关系一起交给 AI,让它能结合企业自身情况去分析和执行。
拿财务预算来说,模型要知道的不只是某个部门有多少预算,还包括成本中心归属、支出规则、审批流程和相关系统接口。具体场景是这样:财务人员向 Joule Work 提任务——第四季度电价预计上涨 20%,分析哪些部门的剩余预算可能不够。系统随后调用企业后台数据,找出六个成本中心,识别出其中三个可能出现预算缺口,并建议进一步核实电价生效时间、部门用电量,再考虑追加预算。
这就体现了企业上下文的分量。电价上涨是什么意思,模型能懂;但哪些部门会受影响、预算该怎么调,得靠调用企业已有的数据和流程才能判断。
Agent 会改变 ERP,但不会取代 ERP
那么,Agent 开始读懂业务意图、调用系统、执行流程之后,传统 ERP 将来会变成什么样?
蔡彦斌认为,企业软件的用法肯定会变。以前员工得熟悉各种事务代码和功能界面,在 ERP 或 SaaS 系统里找到对应模块才能干活。以后用户可能只需向 Joule Work 提需求,后台系统由 AI 协调完成操作。
但传统界面不会就此消失。“特别是在人需要干预的时候,或者某一个点有突发情况时,人还是需要跑到后台找到对应的事务代码、对应的屏幕。”蔡彦斌表示。
他预计,走 AI 入口完成工作的比例会慢慢升高,传统界面的使用频率随之下降。可在可预见的阶段,两种方式还是并存。
SAP 也照这个思路调整了企业软件架构。在其提出的体系中,Agent 负责理解用户意图、编排任务;原有应用继续承载财务、人力资源、供应链等业务流程;数据层则提供企业知识和业务语义。
据蔡彦斌介绍,SAP 至今已推出 300 多个智能体,想法是借 Agent 把现有的 ERP 流程重新梳理一遍,让更多端到端的企业业务逐步被覆盖。不过底层应用不会被这些智能体直接替掉。
落到具体产品上,用户交互和任务协调由 Joule Work 负责,智能体构建则交给 Joule Studio。业务人员只需用自然语言把需求讲清楚,系统便会结合企业已有的流程、数据和接口,生成对应的 Agent。这种开发方式也在改变企业 IT 团队和业务部门之间的关系。蔡彦斌认为,业务人员能更多参与技术开发,技术人员则要更懂具体业务。对 SAP 自己来说,原先做传统 SaaS 应用的部分研发人员,也开始把积累下的业务知识用到智能体开发中。
可 Agent 越好构建,后面的管理往往越麻烦。
企业有几百个 Agent 后,谁来负责升级?
蔡彦斌预计,开发门槛降下来以后,各业务部门都可能用类似 Joule Studio 的工具建自己的 Agent。一家企业同时跑几百个智能体,并不是难以想象的事。数量一涨,新麻烦就会慢慢冒出来。他抛出的问题是:“智能体 1、2、3 协同完成了一个流程,智能体 2 版本更新了,你到底能不能和 1、3 协同?”
这个问题指向多 Agent 系统的版本兼容、依赖关系和持续维护。单个 Agent 改完可以重新测;可一旦采购、审批、财务结算等流程由多个 Agent 共同完成,其中一个组件升级,整条业务链路都可能被波及。
所以企业得弄清楚:自己到底有多少个 Agent、各自负责哪些流程、哪些只在部门内部用、哪些已经进了集团级系统,还有它们之间是怎么调用的。
SAP 想用统一的智能体目录和版本管理机制,把不同 Agent 的功能、权限和运行状态记下来。需要跨系统协作的 Agent,还要管好 A2A、MCP、API 等协议连接,并通过网关控制访问范围。
蔡彦斌强调,Agent 上线前企业必须建好完整的测试流程,功能、性能、安全、准确率和合规验证都要覆盖。部署之后还得持续盯运行情况,业务一变就维护对应版本。“不能等到有 300 个智能体在跑的时候,再考虑这个问题,那就有点太晚了。”
Agent 到底能获得多大的自主权?
Agent 数量上去之后,另一个问题也绕不开:什么时候能放心让 AI 自己拍板?柯曼的看法是,企业想靠 AI 实现自主运营,就得给系统一定程度的信任,但这种信任有明确边界。机器可以自主编排和执行,规则由人来定,结果也由人担责。
蔡彦斌则从企业实际工作出发,把自主性拆成了不同层级。
企业的工作分执行层、管理层和策略层。现阶段 AI 更适合干执行层的活。技术可靠性提上去以后,某些业务场景里可能有 70%至 80%的执行工作交给 Agent;越往管理层和策略层走,要理解的上下文越多,能自主完成的比例也就越低。不同层级的业务,还得配不同的控制机制。
蔡彦斌介绍,SAP 想把 ERP 现有的用户授权体系延伸到 Agent 上。智能体执行任务时得受对应用户权限的约束,不能随便读数据、改业务信息。同时,Agent 执行的每一步都要能追踪:读了哪些数据、依据什么信息作判断、改了哪些内容。操作出了错,还得有相应的回溯和回滚机制。
蔡彦斌特别提到,回滚不一定发生在数据库层面,不同业务要用不同的技术手段。相关运行治理和追踪能力由 SAP Business AI Platform 承担,Joule Studio 则把测试与验证塞进了 Agent 的开发、发布流程。
对管理者来说,光看到 Agent 干了多少活还不够,还得判断它有没有守业务规则,出异常时能不能及时插手。
在蔡彦斌看来,随着更多执行工作交给 Agent,人的职责可能慢慢往管理和策略层挪。但权限具体能放到什么程度,要看不同业务场景的风险和可靠性要求。
从软件走向机器人,业务指令直接进入工厂
SAP 的自主运营企业愿景,也开始往物理 AI(Physical AI)延伸。蔡彦斌认为,中国在制造业、仓储物流和机器人产业上有不错的基础。一些 SAP 客户已经在仓库里用机器人拣货、配货,随之而来的需求是把机器人和仓库管理系统、业务智能体连起来。
在 SAP 与英特尔成都工厂的合作中,仓库管理系统里的拣配任务能通过业务智能体传给机器人。机器人拣好、送完零部件,执行结果再回传给企业业务系统。这当中,SAP 负责理解和协调企业业务指令,机器人合作伙伴负责把任务变成具体的物理动作。
SAP 方面称,这套方案改动了原来的人工拣配、安检和跨区域配送环节,按测算可减少约 90% 的人工工作量。
在 SAP 看来,Physical AI 沿用的是它做企业软件的一贯路子:机器人可以由不同厂商提供,但得接进企业已有的仓储、制造和管理流程,别再另起一套独立系统。
蔡彦斌说,SAP 没打算做通用大模型,它想做的事是把对企业业务和行业的理解放进一个可治理的 AI 框架,再跟本地模型和技术生态对接。
中国研发团队的角色也在变。以前 SAP 在中国的一项重要工作是把全球软件做本地化;现在中国研究院除了负责数据、应用、智能体和平台层面的研发,还打算把中国市场跑出来的 AI 实践带进全球产品体系。
柯曼认为,SAP 在德国、中国、美国、印度等地布下的研发网络,有助于摸清不同市场的数据、业务流程和监管要求。大量做国际业务的中国企业,如果让 AI 参与供应链管理和跨国业务执行,就得让 AI 看懂不同国家和地区的规则。
技术跑得很快,但企业全面融入“还有很长的路要走”
其实,企业自身准备得够不够,仍在拖住 AI 落地。SAP 此前发布的《2026 年 SAPAI 价值报告》显示,中国受访企业里只有 6% 表示已为智能体 AI 做好充分准备。柯曼对此分析,一部分企业还没找到真能带来业务价值的 AI 应用场景;另一部分则觉得模型技术迭代太快,宁可先看着,怕投入早了很快又赶上新一轮升级。
蔡彦斌也持类似看法:中国企业想把 AI 全面融入核心业务,路还相当长。企业多年攒下的数据和流程资产,在这个过程中会派上大用场,但前提是先把它整理成 AI 能理解、能调用、能执行的业务体系。
SAP 想用 Agent 改变企业软件的用法,同时让 ERP 继续承载核心业务规则和流程。对企业来讲,接下来要解决的是怎么让越来越多 Agent 在真实业务里协同跑起来,并且在权限和责任边界清楚的前提下把活干完。