Christian Klein 在接受 Big Technology Podcast 主持人 Alex Kantrowitz 采访时，抛出了一个让很多人意外的判断：AI 不会杀死企业软件，但它已经在改变企业运转的节奏。Klein 是 SAP 的 CEO，这家公司为全球最核心的政府、金融和制造业客户提供 ERP 系统，把财务、HR、供应链和销售整合进同一套软件。这场对话录制于2026年9月，是一次关于企业 AI 落地现实的坦率讨论。
这场对话的价值不在于技术展望，而在于 Klein 必须把判断落成计划——AI 是否会越过某个关键门槛，什么时候越过，SAP 应该押在哪里。他不是在预测，他在下注。
1. AI 的"精度墙"：90% 准确率为什么还不够
"我们的财务关账 Agent 今天的准确率是 93%，但审计师不会接受这个数字。"
Klein 用这个例子说明了企业 AI 落地最核心的摩擦点。SAP 已经在为客户运行财务关账智能体，但当一家公司向外部审计师提交财务报告，差了 7% 就是不可接受的错误，而不是"差不多对了"。这和消费级 AI 的容忍标准完全不同——他让 Joule（SAP 的 AI 助理）为客户拜访准备简报，95% 的准确率完全够用，因为即便引用的财报数字是上个季度的，影响也微乎其微。
真正的问题是：不同任务对准确率的要求差着一个数量级，而今天大多数企业部署的 AI 还没有把这两类任务区分开来。
税务申报、供应链预测、销售管道预测——这些任务要求 AI 做到接近 100%，而目前主流 LLM 模型在处理结构化的企业数据时，仍然卡在 90% 到 95% 的区间。Klein 的判断是：这不再是年为单位的工程问题，而是月为单位的。他认为，对于特定任务，AI 在未来 8 到 9 个月内可以突破精度门槛；而对于供应链优化这类更复杂的场景，时间会更长一点，但方向不会变。
2. 数据是地基，AI 是楼——顺序不能反
一个听起来有点沮丧的细节：Klein 在纽约拜访一位大客户，对方说他们很喜欢 SAP 的财务关账助手，但准确率只有 93%，原因是"公司里还挂着 100 个财务系统，有些根本不是 SAP 的"。
Kantrowitz 追问：更聪明的 AI 不应该自己解决这个问题吗？
Klein 的回答很诚实：AI 会帮助清理，但不会绕过。他的逻辑是，即便 AI 有能力跨系统匹配和修复数据质量问题——SAP 现在确实在 Databricks、Snowflake、BigQuery 等数据湖上做 zero-copy 数据共享和语义层匹配——但这本身需要一个前提：数据能被访问，语义能被对齐。系统越多、数据孤岛越深，Agent 读到的原始输入就越嘈杂，准确率自然下降。
这并不是说 AI 无力处理数据混乱，而是说数据治理和 AI 能力是相互解锁的关系，而不是"AI 可以替代治理"的关系。Klein 认为，AI 会让数据科学家的日常清洗工作逐渐消失，但不会让企业绕过建立数据语义层这一步。
3. SAP 的护城河：不是代码，是上下文
随着基础模型越来越强，一个合理的质疑浮现：如果 OpenAI 或 Anthropic 的模型足够聪明，能不能直接理解财务和供应链逻辑，SAP 还有什么不可替代的地方？
Klein 的答案围绕两个词：行业知识和治理上下文。
SAP 在全球运行着最核心的商业系统，积累了几十年的行业流程数据和合规规则。他举了一个具体例子：SAP 现在承接了美国政府的业务，Agent 必须理解什么是 FedRAMP，哪些数据可以访问，哪些不能被带出特定的数据主权边界，什么情况下需要人工复核。这套合规与治理的上下文，不是一个通用 LLM 能从公开互联网上学到的——它深嵌在 SAP 多年积累的客户数据、流程模板和审计规则里。
模型变聪明之后，知道"怎么做"的价值会下降；知道"在这个行业的这个场景里，该做什么、不该做什么"的价值会上升。
这也是 Klein 不担心 OpenAI 和 Anthropic 直接取代 SAP 的原因——他们的逻辑是互补而非竞争的。SAP 接入这些模型的能力，同时提供企业数据层和合规治理层，最终交付的是"可信赖的 AI 运营"，而不仅仅是"会回答问题的 AI"。
4. 谁拥有 AI 界面？这是一场还没结束的争夺
Klein 在访谈中触及了一个企业软件领域最敏感的话题：当 AI Agent 成为员工的主要工作界面，这个界面究竟属于谁？
他的观点是：SAP 的目标是成为"业务 AI 的入口"，而不是被降格成"数据管道"。这意味着 Joule 不只是一个对话窗口，而是一个能协调跨系统工作流的 Agent 平台——它可以调用其他厂商的 Agent，也可以被其他平台调用，但它始终是那个"理解业务上下文"的节点。
这场争夺涉及的不只是用户黏性，更涉及数据流向和决策权归属。一旦一个 AI 界面成为员工处理财务、HR、供应链所有事务的默认入口，它实际上掌握了企业运营最完整的实时数据视图——这比任何单一软件模块的价值都要高。
Klein 没有给出"SAP 一定赢"的保证，但他的逻辑很清楚：谁能在企业里同时提供业务深度和 AI 界面，谁就有机会拿下这个位置。SAP 现在的押注，就是在原有 ERP 内核之上，把 Joule 做成这个入口。
5. Token 成本、更便宜的模型，和企业的真实账单
企业 AI 支出正在进入一个新的阶段——从"试点预算"变成"按 Token 计费的运营成本"。
Klein 坦言，SAP 内部也在重新核算这笔账。随着推理成本快速下降，更便宜的开源或小型模型在很多任务上已经足够用，企业不需要为每一个 Agent 任务都调用最贵的旗舰模型。他的思路是：根据任务复杂度和准确率要求，分层调用不同规格的模型——简单的内容总结用小模型，关账合规校验用更强的模型，这样才能控制住 Token 支出的增长。
这个分层调用的逻辑，也在重塑企业对 AI 架构的理解。以前谈 AI，谈的是"用哪个模型"；现在谈的是"什么任务用什么规格的模型，怎么组织 Agent 之间的协作，怎么在不爆掉 Token 预算的情况下跑完一个完整的业务流程"。这是一个工程问题，也是一个成本管理问题。
6. Agent 集群与安全：自主程度越高，风险边界越模糊
当多个 Agent 协同完成一个业务流程，攻击面也随之扩大。Klein 直接点了这个问题：Agent 的自主程度越高，网络安全的挑战就越复杂。
一个 Agent 如果能自主访问财务系统、触发支付流程、修改供应商数据，那么一旦它被注入恶意指令或者被欺骗执行了错误操作，损失可能是即时且难以撤销的。他认为这是 SAP 必须在产品层解决的问题，而不是让客户自己去配置防护规则。SAP 正在把治理层嵌入 Agent 架构本身——包括数据访问权限、操作审计、异常行为检测——而不是在 Agent 之外单独加一层安全产品。
这个方向和监管趋势也在对齐。Klein 专门提到了欧洲的 AI 法规压力——欧盟的监管框架对高风险 AI 应用要求强制透明度和可解释性，而 SAP 的欧洲客户基础使得合规成本不是可以绕开的选项，而是必须在产品设计阶段就考虑进去的约束。
从这场对话里可以读出一个清晰的轮廓：企业 AI 的主战场已经从"能不能用"移动到了"怎么信任、怎么治理、怎么控制成本"。Klein 认为 AI 会在未来几个月内真正跨越关键精度门槛，让企业敢于把更多核心任务交给 Agent 自主运行。但他同时强调，这不是一个"换掉软件"的故事，而是一个"在已有的业务系统上叠加可信任的自主层"的故事。那些既有业务深度、又能提供治理框架的平台，将在这轮变局中拿到最重要的位置。
