9 月 23 日上午，在本届云栖大会的举办地杭州国际博览中心，SAP 专属主题论坛在开场前已座无虚席。这场以“商业 AI 驱动联合共创，构筑自主运营企业“为主线的论坛，恰逢 SAP 与阿里巴巴深化战略合作持续推进的重要节点。
继此前 SAP 宣布四款核心云解决方案——BTP 业务技术云平台、ERP 公有云、IBP 集成业务计划云、ERP 私有云分批落地阿里云以来，一年过去，双方的协同正从底层技术底座的就位，进一步迈向企业级 AI 与核心业务流的深度融合。SAP 大中华地区总裁原欣、SAP 数据与分析业务总裁兼首席产品官 Irfan Khan，以及SAP的客户代表伯恩光学 IT 高级总监李健农等与会嘉宾，从不同视角传递出同一个共识：决定企业 AI 价值的，不是模型有多强，而是数据背后的业务上下文。
这并非 SAP 一家的判断，9月22日的云栖主论坛上，阿里云 CTO 李飞飞在谈及企业级智能体时，将“实时上下文环境”列为与模型能力同等重要的技术支柱。当中外两家战略合作公司的技术决策者在同一个行业风向标的产业峰会上强调同一个词，这更像是一场对企业 AI 到底还缺什么的校准。
一位数据老将的“冷”思考
“我们目前还没有看到足够的证据表明，智能体 AI 已经在当前商业环境中带来了颠覆性的变化。”SAP 数据与分析业务总裁兼首席产品官 Irfan Khan在现场对媒体说，这位从 Sybase 工程师做起、深耕数据基础设施三十年的老将，如今全面负责 SAP 全球数据与分析产品线的研发与运营，而它们正是 SAP 商业 AI 的数据底座。在盛赞中国创新“从追随者变为领先者”的同时，他对Agent 热潮展示出冷静的一面。
他的论据很具体，企业会定期结账，涉及 EBITDA（息税折旧及摊销前利润）、税前利润、税后利润，这些流程容错率极低，“很少会成为完全由 AI 驱动的流程”。换句话说，越是核心的流程，越不敢交给一个可能出错的智能体。
他算了一笔更有画面感的账。训练一个大语言模型，通常需要万亿级参数、高达 50 万张 GPU、连续运行约一个月，成本2000 万到 2500 万美元。“但不幸的是，当企业发生一笔新的订单、销售或者采购时，这些信息并不会被包含在原来的训练数据中”，花 2500 万美元训练出来的最强大脑，不认识你公司昨天刚发生的那笔生意——这就是“上下文缺口”在企业AI中最具象的体现。
当被问及 AI 会不会颠覆 SaaS，Khan 的回答同样克制：企业业务系统是记录系统（System of Record），沉淀了从产品构建、服务到并账关账的完整交易历史；“而 AI 更多是在做 Runtime，运行时是一次性的，它无法完全镜像整个数据的历史”。在他看来，智能体做的事情，是替人按下以前需要人来按的那个按钮，“以前调用流程需要一个人点击一个按钮，现在我们希望的，是由智能体来点击那个按钮”，这是补充，不是替代。而按钮要能被安全地交给智能体，前提是背后的系统里装着这家公司几十年的业务历史，那正是他反复强调的“上下文”。
上下文的“值钱”之处，他举了一个例子。当一个业务员问系统，“我想了解东部排名前 10 的销售人员在某一段时期的业绩表现”，这个问题会被交给 SAP 知识图谱解构，一部分是销售绩效，一部分是历史时期，解构的目的“是完整地回答问题，而不是断章取义，只回答其中某一个部分。如果不这样做，就会造成我们经常谈到的 AI 幻觉”。
但补齐上下文并不容易。Khan 对比过两种路径：如果企业自己动手，先要找到数据在哪里，再搭建管道、把数据搬进自己的仓库——走到这一步，语义层还完全没有开始建立，数据还只是数据；而直接使用带上下文的智能体，“业务上下文可以直接获得，同时你也已经获得了整个数据拓扑”。
一位执掌全球数据产品线的高管，在 SAP 于云栖大会的专属论坛上说得这么直白，这不是唱衰。在他看来，“一个空的知识图谱，仅仅填充源数据，与一个完全填充了业务上下文的知识图谱，是截然不同的”，SAP 手里握着的，正是填满了业务上下文的那一个。
这个判断，他不是第一次做。2009 年，时任 Sybase CTO 的他合著《The New Data Imperative》，讨论资本市场如何用实时数据支持人类交易员的毫秒级决策，彼时数据的使命，是”快”。16 年后，作为 SAP 业务数据云（BDC）的操盘者，他要让数据支持 AI Agent 的自主运营决策，现在数据的使命，是“懂”。
跨越 L2 ，从单点智能到流程协同
Khan 的判断并非孤例，本届云栖大会，SAP 大中华地区总裁原欣借用自动驾驶的“分级”逻辑打了个生动的比方：“大多数企业的智能体（Agent）落地，目前仍停留在 L2、L3的探索阶段——在这把标尺上，L1 是写 PPT、写周报，L2 是供应商资质审查这类单点辅助任务，而到了 L4，才能由多个智能体（Agent）把供应商入库、请购、采购合同整条流程串起来。从 L2 到 L4，差的不是模型。”差在哪里？方案的主张者和场景的验证者，在云栖给出了同一个方向的答案。
“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。”这是她今年 6 月在 SAP 中国峰会上表达过的观点，恰好解释了 L2 的天花板：L2 是单点任务，错一次兜得住；L4 是把整条流程串成一条链，而链条的强度，永远由最薄弱的一环决定，任何一环的数据没打通，整条链就不敢交给智能体（Agent）。而要打通弱链，需要的上下文在SAP 系统里是现成的，上百万个数据项“天然带着企业的上下文属性”。
验证来自伯恩光学，苹果、三星背后的外观结构件提供商（以手机玻璃盖板/背板为主）。伯恩光学用两年多时间把国内外园区的核心业务“搬上了”SAP，今年则进一步与SAP针对主数据治理、月结等场景展开AI智能体（Agent）创新实验。伯恩光学 IT 高级总监李健农在媒体访谈中用了一个技术圈不常听见、但一针见血的词——本体（Ontology）。“SAP 里很多基础数据本身也是本体。如果这个东西出了错，AI 基于错误的本体上的很多应用全是错的。”制造企业最怕幻觉，生成式 AI 有点幻觉、没有标准答案还 OK，但企业应用里，99% 的准确率都不敢用——单点任务错一次还能兜住，整条流程错一次就是事故，这就是企业只敢停在 L2 的原因。而它的解法也藏在这个词里：“你的业务流程就是你的上下文，而且你的上下文不会产生幻觉，因为你的业务流程设计，逻辑上已经帮你把幻觉屏蔽掉了。”
原欣拿出的是打通弱链的材料，伯恩光学跑通的是补好地基之后的路——同一个判断，一头是主张，一头是验证：从 L2 到L4，要穿过数据与流程那一层地基。而地基，恰恰是 SAP 上下文最切近的入口。
先慢后快，跨不过去的“地基工程”
在急于求成的AI热潮中，是伯恩光学先花了两年把地基补硬，而在伯恩光学之外，更多企业正在为跳过这一步付学费。
Gartner （高德纳咨询公司）在 2025 年 6 月预测，到 2027 年底，超过 40% 的AI智能体（Agent）项目将被取消，针对生成式 AI 的判断更直白，到 2025 年底，至少30% 的项目死在概念验证之后，而失败原因的第一条，直指数据。换句话说，多数企业的 AI 预算花在了模型上，项目却死在了地基上。
伯恩光学的路径恰好相反。它在同行里上 SAP 算晚的：2022 年小范围试点，2023、2024 两年把国内外 9 个园区全面铺开，核心业务全部跑上 SAP。李健农把打法总结为“先慢后快”，第一站慢一点，把事做扎实；验证对了就加速，验证错了就止损。
第一仗就是主数据。伯恩借项目把整个集团的物料主数据彻底标准化，大中小分类、全球一套标准，杜绝“一物多码”，“不规范的物料会误导管理决策，可能多买了、乱买了”。更进一步，他们用 AI 在创建源头把控准确性，目前物料主数据的准确性“几乎达到百分之百”。过去物料出错往往带来沉重的管理成本——不仅后续要手动关闭错误的采购订单，发生“一物多码”后还要折腾合并库存；而现在通过引入 AI 智能体（Agent），把老师傅的查重经验沉淀为知识规则，在物料创建源头实现智能识别与实时查重，从根源上杜绝了数据混乱带来的采购失误与库存损耗。
在李健农看来，SAP 在这件事上的优势甚至不在 AI 里，“哪怕是基础数据，它本身的字段定义是符合最佳实践的”，在他看来语义不是 AI 时代补上去的叙事，而是写在这套系统几十年的字段栏位里的“基因优势”。
第二仗是月结。伯恩光学把月结的检查场景和规则交给 AI，让AI智能体（Agent）在日常运行中进行自查自检，“有些可能只是风险，还不是问题，就识别到、解决掉了”。 用上SAP系统后，过去的月结工作已大幅加快至3天，如今通过AI智能体（Agent）将核对规则与风险排查前置化解，原本紧绷的对账能轻松在3天内，甚至2天完成。账面数字同样具体，刚上 SAP 时算过一笔库存账，节约至少 1000 万；2025 年又比 2024 年减少 3000 万库存资金占用，库存周转天数至少缩短 1 天。而这一切跑通的速度让李健农自己都意外，“我本来想可能需要几个月，但是前后实际不到一个月”。
更重要的是，这套打法可以复制。主数据因为集中创建，“一上都上了”；月结跑通一个工厂后，“把标准东西扩充出去就好了”；下一步先推国内、再推海外。支撑可复制性的是标准化，用李健农的话说，全国的高速公路几乎一样，“只是服务区可能有些个性化”，只要主业务流程标准化，局部定制就无伤大雅；对 AI 的定位也一样，车本身得是辆好车，辅助驾驶才有用，否则“再辅助驾驶也可能开到沟里去了”。
李健农把企业 AI 抽象成三类：把物理世界转化成虚拟世界的AI智能体（Agent）（比如主数据创建）；在数据流转中按规则“朝左转还是朝右转”的AI智能体（Agent）；以及把数据直接喂给人用的AI智能体（Agent）。李健农的判断是，其他软件公司提供的是工具，没有数据。企业核心业务数据都在 SAP，“SAP 应该在第三类里先发制人”，他的理由非常直白，“SAP 天然就有业务的上下文，区别只在你是不是把这个提炼成影响 AI 的上下文而已，这是很多系统比不了的优势”。
商业 AI 的下一步，迈向规模化落地
回到双方合作的演进路径。自此前宣布四款核心云方案分批落地阿里云以来，推进的逻辑相当清晰：以 BTP、ERP、IBP 为代表的核心业务平台和应用正分批稳步就位，而 Irfan Khan 在本届云栖上带来的全新信息，则是 SAP 业务数据云（BDC, Business Data Cloud）也计划于明年登陆阿里云。这意味着双方的合作，正从“业务系统上云”，跨入“数据语义层与商业 AI 深度协同”的深水区。
BDC 不是孤注，过去一年，SAP 连续收购了主数据管理公司 Reltio、开放数据查询公司 Dremio 和表格基础模型公司 Prior Labs，“如果把这三家公司各自擅长的数据能力整合起来，我们首先可以确保数据能够以统一的方式进行处理和访问”Khan 在云栖大会期间对媒体说。这正是 SAP 在Sapphire 2026 大会上提出“自主运营企业”愿景，以及宣布在财务、供应链、采购、人力资源与客户体验等核心领域部署 224 个 AI 智能体与 51 个业务助手背后，手中握着的真正的底牌——Agent 可以被追赶和复制，模型更可以随时更换，而几十年业务数据里长出来的语义层，很难换，也很难追。
这种分步推进的背后，体现了典型的企业级工程规律。四款核心云方案构筑的是企业运行的业务底座，而以 BDC 为载体的数据语义层，则是更高阶的协同底牌。从底层业务系统就位，到数据语义层的全面交付与规模化落地，需要跨越扎实的工程周期。商业 AI 的联合创新已经在伯恩光学等先锋企业展开实验与探索，而全行业的规模化普及仍在路上。
行业侧的数据提供了更大的坐标系。Irfan Khan 的介绍是，到今年年底，SAP 计划提供多达 400 个 AI 智能体和用例。SAP 官方数据显示，目前全球已有 超过 3.4 万家客户 在日常运营中使用 SAP Business AI；与此同时，德语区 SAP 用户组织DSAG 今年针对 198 家 企业的调研显示，已投产的 AI 项目中，SAP Business AI 仍处于相对早期阶段，而企业未来两年的投资意愿正持续上升。两组数据反映的并非矛盾，而是企业 AI 从试点走向规模化部署的共同阶段：业务系统、数据治理与业务上下文，正成为决定 AI 能否真正进入核心流程的关键基础。
技术发布总是快于组织准备，模型能力总是强于数据质量。SAP 的底牌是，随着企业 AI 进入规模化落地阶段，客户终会发现，赢家可能不是模型最强的，而是语义最厚的。一年后的今天，或许可以用一个问题来验收企业级AI应用：当一家中国制造业企业的主数据准确率，从“接近百分之百”变成“完全百分之百”，它敢不敢让 AI Agent，自主完成一次月结？
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App