首页 > 资讯 > Agent演示惊艳,一进生产就不好用:SAP直指企业AI落地的最大幻觉

Agent演示惊艳,一进生产就不好用:SAP直指企业AI落地的最大幻觉

InfoQ 2026-11-17 15:10 16 阅读 查看原文

“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,如何理解业务上下文、协调不同系统,以及应对生产环境中的异常情况?这些问题决定了 Agent 能否真正承担业务任务。

在日前落幕的 SAP TechEd 2026 上,AI Agent 进入企业核心业务流程成为重要议题。但从技术演示到真正投入生产,仍有不少工程问题需要解决。

围绕这些问题,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。

 

模型能够理解行业知识,却未必知道一家企业究竟如何经营。蔡彦斌举了一个例子:他的一位朋友经营着一家自行车贴牌加工厂,曾让两个 Agent 制定未来几个月的产品定价策略。模型给出的分析看起来相当完整,却无法直接使用,因为它不了解具体产品,也不清楚企业的客户情况。

 

在小范围测试中,企业可以为模型准备数据、设定明确任务。但进入生产环境后,Agent 需要面对分散在不同系统中的业务数据、长期积累的管理规则,以及大量无法提前穷举的实际情况。

 

柯曼认为,企业 AI 的目标应该是能够根据业务意图自主采取行动。例如,一家供应商的关键零部件延迟交付,系统不仅要及时识别风险,还要判断对生产和供应链的影响,并采取相应的补救措施。

 

在这一思路下,SAP 提出了“自主运营企业”(Autonomous Enterprise)愿景,希望让 AI 从辅助工具逐渐进入企业核心业务,承担更多流程编排和执行工作。

 

不过,对于已经运行着大量 ERP、财务和供应链系统的企业,Agent 要真正接手这些工作,仍需要解决数据、流程、权限和系统集成等问题。

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。

 

相比按照固定规则执行任务的机器人流程自动化(RPA),Agent 能够根据环境变化进行判断,选择不同工具和执行路径。但企业内部的数据往往分布在多个系统中,不同部门甚至可能对同一个业务概念采用不同定义。

 

例如,某个系统中的“客户”可能指签订合同的主体,另一个系统则按照实际收货或结算对象管理。如果没有统一的业务语义,Agent 即使能够读取两套系统,也可能在执行任务时产生错误判断。

 

蔡彦斌认为,企业部署 Agent 首先需要做好“干净的数字化核心” (Clean Core),包括数据标准化、流程标准化和主数据治理。在此基础上,还要实现“语义就绪”,让 AI 理解不同数据所对应的业务含义,以及它们之间的关联。

 

为此,SAP 正在将长期积累的业务数据和管理流程整合进知识图谱。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。知识图谱的作用,是将这些数据及其业务关系提供给 AI,使其能够结合企业自身情况进行分析和执行。

 

以财务预算为例,模型需要了解的不只是某个部门的预算金额,还包括成本中心归属、支出规则、审批流程和相关系统接口。具体地,财务人员向 Joule Work 提出一个任务:第四季度电价预计上涨 20%,需要分析哪些部门的剩余预算可能不足。系统随后调用企业后台数据,找出六个成本中心,识别其中三个可能出现预算缺口,并提出进一步核实电价生效时间、部门用电量和追加预算的处理建议。

 

这个体现了企业上下文的重要性。模型可以理解电价上涨的含义,但要判断哪些部门受到影响、预算如何调整,还需要调用企业已有的数据和流程。

Agent 会改变 ERP,但不会取代 ERP

 

那么,随着 Agent 开始理解业务意图、调用系统和执行流程,传统 ERP 未来会变成什么样?

 

蔡彦斌认为,企业软件的使用方式肯定会改变。过去,员工需要熟悉不同的事务代码和功能界面,在 ERP 或 SaaS 系统中找到相应模块才能完成工作。未来,用户可能只需要向 Joule Work 提出需求,由 AI 协调后台系统完成操作。

 

但传统界面不会因此完全消失。“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,通过 AI 入口完成工作的比例会逐渐提高,传统界面的使用频率相应下降。但在可预见的阶段,两种方式仍将并存。

 

SAP 也据此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。

蔡彦斌透露,SAP 目前已经发布了 300 多个智能体,希望通过 Agent 重新组织现有 ERP 流程,逐步覆盖更多端到端的企业业务。但这些智能体不会直接取代底层应用。

 

具体到产品,Joule Work 承担用户交互和任务协调,Joule Studio 则用于构建智能体。后者允许业务人员通过自然语言描述需求,由系统结合企业已有流程、数据和接口,生成相应的 Agent。

 

这种开发方式也在改变企业 IT 团队与业务部门的关系。蔡彦斌认为,业务人员可以更多参与技术开发,技术人员则需要更加理解具体业务。对于 SAP 而言,原来负责传统 SaaS 应用的部分研发人员,也开始将积累的业务知识用于智能体开发。

 

不过,Agent 越容易构建,后续管理就可能越复杂。

企业有几百个 Agent 后,谁来负责升级?

 

蔡彦斌预计,随着开发门槛降低,未来各个业务部门都可能利用类似 Joule Studio 的工具创建自己的 Agent。一家企业同时运行几百个智能体,并非难以想象。

 

但数量增长之后,新的问题会逐渐出现。“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?”

 

蔡彦斌提出的这一问题,涉及多 Agent 系统的版本兼容、依赖关系和持续维护。对于单个 Agent,企业可以在修改后重新测试;但如果多个 Agent 共同完成采购、审批、财务结算等流程,其中一个组件升级,可能影响整个业务链路。

 

企业因此需要知道自己拥有多少个 Agent、分别负责哪些流程、哪些只在部门内部使用、哪些已经进入集团级系统,以及它们之间存在怎样的调用关系。

 

SAP 希望通过统一的智能体目录和版本管理机制,记录不同 Agent 的功能、权限和运行状态。对于需要跨系统协作的 Agent,还需要管理 A2A、MCP、API 等协议连接,并通过网关控制访问范围。

 

蔡彦斌强调,企业必须在 Agent 上线前建立完整的测试流程,包括功能、性能、安全、准确率和合规验证。部署之后,还要持续监控运行情况,并在业务变化时维护相应版本。“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,企业还需要解决另一个问题: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,将自主性进一步划分为不同层级。

 

企业的工作可以分为执行层、管理层和策略层。现阶段,AI 更适合承担执行层任务。随着技术可靠性提高,未来某些业务场景中,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,需要理解的上下文越多,能够自主完成的工作比例也会下降。而不同层级的业务,也需要相应的控制机制。

 

蔡彦斌介绍,SAP 希望将 ERP 现有的用户授权体系延伸到 Agent。智能体执行任务时,应当受到对应用户权限的约束,不能随意读取数据或修改业务信息。

 

同时,企业需要追踪 Agent 执行的每一步,包括读取了哪些数据、依据什么信息作出判断、修改了哪些内容。如果操作出现错误,还要具备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,不同业务需要采用不同的技术手段。SAP Business AI Platform 承担了相关运行治理和追踪能力,Joule Studio 则将测试与验证纳入 Agent 开发、发布流程。

 

对于管理者而言,能够看到 Agent 完成了多少工作还不够,还需要判断它是否遵循了业务规则,以及出现异常时能否及时干预。

 

在蔡彦斌看来,随着更多执行工作交给 Agent,人的职责可能逐渐向管理和策略层转移。但具体能放开多少权限,需要根据不同业务场景的风险和可靠性要求决定。 

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,也开始向物理 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方面具有较好的基础。一些 SAP 客户已经在仓库中使用机器人拣货、配货,随之产生了将机器人与仓库管理系统、业务智能体连接起来的需求。

 

在 SAP 与英特尔成都工厂的合作中,仓库管理系统中的拣配任务可以通过业务智能体传递给机器人。机器人完成零部件拣选与配送后,执行结果再反馈给企业业务系统。其中,SAP 负责理解和协调企业业务指令,机器人合作伙伴负责将任务转化为具体的物理动作。

 

SAP 方面介绍,相关方案针对原有人工拣配、安检和跨区域配送流程进行了优化,并给出了可减少约 90%人工工作量的测算。

 

对 SAP 而言,Physical AI 延续了其在企业软件领域的思路:机器人可以来自不同厂商,但需要接入企业原有的仓储、制造和管理流程,避免形成新的独立系统。

 

蔡彦斌表示,SAP 并不打算开发通用大模型,而是希望将对企业业务和行业的理解,融入可治理的 AI 框架,再与本地模型和技术生态结合。

 

中国研发团队也在这一过程中承担新的角色。过去,SAP 在中国的重要工作之一是将全球软件进行本地化。如今,中国研究院除了承担数据、应用、智能体和平台层面的研发,还希望将中国市场形成的 AI 实践引入全球产品体系。

 

柯曼认为,SAP 分布在德国、中国、美国和印度等地的研发网络,有助于理解不同市场的数据、业务流程和监管要求。对于大量开展国际业务的中国企业,AI 如果要参与供应链管理和跨国业务执行,还必须理解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”

 

实际上,企业的准备程度仍然制约着 AI 落地。在 SAP 此前发布的《2026 年 SAPAI 价值报告》显示,目前仅有 6%的中国受访企业表示已为智能体 AI 做好充分准备。对此,柯曼指出,一些企业尚未找到真正能够产生业务价值的 AI 应用场景,另一些则因模型技术迭代过快而选择观望,担心过早投入后很快面临新一轮技术升级。

 

蔡彦斌也认为,中国企业要把 AI 全面融入核心业务,还有相当长的路要走。企业多年来积累的数据和流程资产,将在这一过程中发挥重要作用,但前提是先把这些资产整理成 AI 能够理解、调用和执行的业务体系。

 

SAP 希望通过 Agent 改变企业软件的使用方式,同时保留 ERP 承载核心业务规则和流程的作用。对企业来说,接下来需要解决的,是如何让越来越多的 Agent 在真实业务中协同运行,并在明确的权限和责任边界内完成工作。