SAP柯曼、蔡彦斌谈企业AI落地:300多个智能体不取代ERP
“企业全面融入“还有很长的路要走”
“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 的实际情形,蔡彦斌把这句话摆了出来。
企业那套业务系统,多是多年攒下来的。数据散落在不同平台,系统彼此之间依赖关系复杂,业务规则也未必一致。Agent 接进去以后,怎么读懂业务上下文、怎么协调不同系统、怎么应对生产环境里的异常,这几件事直接决定它能不能真正扛起业务任务。
日前落幕的 SAP TechEd 2026 上,AI Agent 进入企业核心业务流程被列为重要议题。只是从技术演示走到真正投产,工程上的坎还有不少。
围绕这些话题,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,却未必清楚一家企业到底怎么做生意。蔡彦斌讲了个例子:他一位朋友开着自行车贴牌加工厂,让两个 Agent 去定未来几个月的产品定价策略。模型给的分析看着挺完整,可真用不上——它不了解具体产品,也不清楚这家企业的客户是什么情况。
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。到了生产环境,Agent 要面对的是分散在各个系统里的业务数据、多年积下来的管理规则,还有大量没法提前穷举的实际情况。
柯曼的看法是,企业 AI 该做到按业务意图自主行动。比如供应商的关键零部件交货延迟,系统不光要识别出风险,还得判断这对生产和供应链有什么影响,再拿出相应的补救办法。
沿着这个思路,SAP 提出了“自主运营企业”(Autonomous Enterprise)愿景,想让 AI 从辅助工具一步步走进企业核心业务,多担起流程编排和执行的事。
可对那些已经跑着大量 ERP、财务和供应链系统的企业来说,Agent 真要接手这些活,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。
机器人流程自动化(RPA)是按固定规则执行任务,Agent 则不同,它能随环境变化做判断,挑不同的工具和执行路径。问题是企业内部数据常常散在多个系统里,同一个业务概念,不同部门的定义都可能不一样。
拿“客户”来说,某个系统里指的是签合同的主体,另一个系统却按实际收货或结算对象来管。没有统一的业务语义,Agent 就算两套系统都能读,执行任务时照样可能判断出错。
蔡彦斌觉得,企业上 Agent,第一步是把“干净的数字化核心”(Clean Core)做扎实,数据标准化、流程标准化、主数据治理都算在内。再往上一层是“语义就绪”,让 AI 明白不同数据对应的业务含义,以及它们之间怎么关联。
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。其 ERP 系统攒下了 700 多万个字段、50 多万张数据表和超过 15000 个业务流程。知识图谱干的事,就是把这些数据连同业务关系递给 AI,让它能结合企业自身情况去分析和执行。
财务预算就是个例子。模型要弄清的不只是某部门预算多少,还有成本中心归属、支出规则、审批流程和相关系统接口。实际场景里,财务人员向 Joule Work 提了个任务: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。系统随后调取企业后台数据,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、部门用电量和追加预算。
这就是企业上下文的分量。电价上涨是什么意思,模型能懂;可哪些部门受影响、预算怎么调,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,当 Agent 开始理解业务意图、调用系统、执行流程,传统 ERP 往后会变成什么样?
蔡彦斌的判断是,企业软件的用法肯定会变。以前员工得熟悉不同的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。往后,用户可能只要向 Joule Work 提需求,后台系统由 AI 协调着完成操作。
传统界面倒不会就此消失。“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提高,传统界面的使用频率随之下降。但在可预见的阶段,两种方式还得并存。
SAP 也照这个思路调了企业软件架构。在其提出的体系里,Agent 管的是理解用户意图、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。
蔡彦斌透露,SAP 目前已发布 300 多个智能体,想用 Agent 把现有 ERP 流程重新组织一遍,逐步覆盖更多端到端的企业业务。不过这些智能体不会直接顶掉底层应用。
Joule Work 负责用户交互与任务协调,Joule Studio 则用来搭建智能体。业务人员只需用自然语言把需求讲清楚,系统就会结合企业现有的流程、数据和接口,把对应的 Agent 生成出来。
开发方式变了,企业 IT 团队和业务部门的关系也跟着变。蔡彦斌的看法是,业务人员能更多参与到技术开发里,技术人员反而要更懂具体业务。对 SAP 自己来说,原先做传统 SaaS 应用的部分研发人员,也开始把攒下的业务知识用到智能体开发上。
可 Agent 越好建,后面的管理麻烦可能越大。
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,各业务部门都可能拿 Joule Studio 这类工具建自己的 Agent。一家企业同时跑几百个智能体,并非难以想象。但数量涨上去,新问题会慢慢冒出来。
“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?”他这样发问。
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 改了可以重新测;可一旦多个 Agent 共同跑采购、审批、财务结算这类流程,其中一个组件升级,整条业务链路都可能受牵连。
所以企业得清楚自己手里有多少个 Agent、各自管哪些流程、哪些只在部门内部用、哪些已经接进集团级系统,还有它们之间怎么互相调用。
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。涉及跨系统协作的 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、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 数量增加之后,企业还要解决另一个问题:什么时候可以放心让 AI 自己做决定?柯曼认为,企业要利用 AI 实现自主运营,就必须给予系统一定程度的信任。但这种信任有明确边界。机器可以承担自主编排和执行工作,人负责设定规则,并对结果承担责任。
蔡彦斌则从企业实际工作出发,把自主性拆成不同层级来讲。企业的工作可以分为执行层、管理层和策略层,现阶段 AI 更适合接执行层的活。
技术可靠性往上走,未来某些业务场景里,可能有 70%至 80%的执行工作交给 Agent 完成。但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会往下掉。不同层级的业务,还得配上相应的控制机制。
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、凭哪些信息做的判断、改了哪些内容。操作出了错,还得有回溯和回滚机制。
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。SAP Business AI Platform 承担相关运行治理和追踪能力,Joule Studio 则把测试与验证嵌进 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,还要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,执行工作越多交给 Agent,人的职责可能越往管理和策略层挪。但权限具体能放多少,得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)方向延伸。
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,随之就有了把机器人和仓库管理系统、业务智能体连起来的需求。
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可以通过业务智能体传给机器人。机器人拣好零部件、配送完成后,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 方面介绍,这套方案对原来的人工拣配、安检以及跨区域配送环节做了优化,测算下来大约能省掉 90% 的人工工作量。
在 SAP 看来,Physical AI 走的是它做企业软件一贯的路子:机器人可以由不同厂商提供,但得接进企业现有的仓储、制造和管理流程,别再另起一套独立系统。
蔡彦斌表示,SAP 没打算去做通用大模型,它想干的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。
中国研发团队在这一过程中也多了新角色。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管数据、应用、智能体和平台层面的研发,还想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 的研发网络分布在德国、中国、美国和印度等地,这有助于理解不同市场的数据、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,那它还得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,企业的准备程度仍然卡着 AI 落地。SAP 此前发布的《2026 年 SAPAI 价值报告》显示,眼下只有 6% 的中国受访企业说,自己已经为智能体 AI 做好了充分准备。柯曼对此指出,有些企业还没找到真能产生业务价值的 AI 应用场景,另一些则因为模型技术迭代太快而选择观望,怕投早了很快就赶上新一轮技术升级。
蔡彦斌也觉得,中国企业要把 AI 全面融进核心业务,还有相当长的路要走。企业这些年攒下的数据和流程资产,会在这一过程中起大作用,但前提是先把它们整理成 AI 能理解、能调用、能执行的业务体系。
SAP 想借 Agent 改变企业软件的使用方式,同时让 ERP 继续承载核心业务规则和流程。对企业来说,接下来要解决的是怎么让越来越多的 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。