一家企业如果能够像人一样,以“自主性”的方式感知变化、作出判断并采取行动,就有机会在瞬息万变的商业环境中,将机会转化为实际的商业价值。
如果一家供应商延迟交付关键零部件,企业能够提前预测风险,迅速判断供货延迟可能造成的影响,并自动采取补救措施,尽可能降低业务风险,这就是“自主运营企业”的模样。
在工作中,机器承担自主构建、编排和执行,人需要为AI的自主行动设定边界,并对最终结果承担相应的责任。
并且AI还需要理解企业真正的业务意图是什么,不能只关注如何实现自动化,还要考虑自动化最终能带来什么结果。所有工作都需要围绕业务意图展开,智能体就可以通过语义识别理解业务意图,并据此自主编排任务,实现预期的业务目标。
这也是SAP认为商业AI、企业级AI与传统大模型的重要区别。
企业需要建立清晰的业务规则和权限管理机制,确保AI的使用可信、安全。更重要的是,AI需要理解数据在具体业务场景中的含义,以及数据背后的业务逻辑。SAP 全球高级副总裁,SAP 全球研发网络总裁柯曼博士表示,SAP在50多年的企业软件实践中积累了大量具有业务语义的商业数据,这些积累可以帮助智能体理解业务情境,自主编排任务,支持企业的自主运营。
SAP 全球高级副总裁,SAP 全球研发网络总裁柯曼博士
从业务意图出发,还需要哪些能力
为了支持企业实现自主运营,SAP对原有的软件体系架构进行了全面调整。在新的架构中,底层是平台,中间是应用,上层则是统一的AI入口。
上层SAP通过轻量级的Joule Work为用户提供统一的AI入口,中间层划分为智能体层、应用层和数据层,各承担不同的功能。底层,SAP将原有的企业级技术平台升级为SAP Business AI Platform,增加了包括AI治理、数据整合以及企业知识图谱构建等能力,为智能体在企业业务中的应用提供支撑。
在今年的SAP TechEd大会上,SAP通过一系列核心能力的升级,进一步完善了企业AI的应用体系。
首先是Joule Work,它为企业用户提供了一个统一的智能交互入口。用户只需通过自然语言提出需求,Joule Work就能识别背后的业务意图,将其拆解为具体任务,并整合企业内部的数据、系统和相关资源完成执行,最终向用户反馈结果。Joule Work并不止是一个简单的入口或浏览器,它会理解用户的意图完成工作。
其次是Joule Studio。Joule Studio解决的是企业如何构建智能体。企业用户可以通过低代码甚至无代码的方式创建智能体。同时,Joule Studio还支持智能体的全生命周期管理,涵盖治理、安全等方面,让企业能够在可控的环境中开发和使用智能体。
第三项是SAP知识图谱(SAP Knowledge Graph)。大模型虽然具备丰富的通用知识,但却缺乏企业内部的数据和业务上下文。SAP的ERP系统已经积累了700多万个字段、50多万张数据表以及超过15000个业务流程。SAP正在将这些数据资产及其业务关联整理成企业知识图谱,让AI不仅能够理解通用知识,还能理解企业内部的数据及其业务含义,更好地支持具体业务任务的执行。
在SAP看来,未来商业AI的竞争,模型规模和算力固然重要,但真正决定AI能否准确理解并执行任务的,还有数据本身,以及对数据在业务情境中所代表的真实含义和逻辑的理解。只有AI能够按照企业的业务逻辑完成任务,实现既定的商业意图,才能真正创造价值,并赢得企业的信任。
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谈到,SAP希望通过这些变化要达到四个目标:首先,实现更好的业务成果;其次,强调快速实现价值,让客户能够通过快速迭代,持续获得业务价值;第三,充分考虑成本因素;第四,希望企业第一天就可以采用这套架构获得收益,无需经过多年的建设才能看到成效。
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
智能体走向自主执行,治理必须跟上
随着AI在企业中的应用不断深入,越来越多的智能体开始参与实际业务,如何确保它们的行为安全、可控,也让治理成为企业必须面对的问题。
AI的治理需要贯穿整个生命周期,一个智能体从定义、确认,到在特定环境下执行任务,再到后续的监管和优化,每个环节都需要在严格的管理框架下进行。企业不能等到智能体运行出现问题后再考虑治理,应该从部署的第一天起就建立相应的管理机制。
SAP推出的AI Governance Assistant允许用户通过自然语言对话,检查智能体是否合规,并识别存在的问题、提出调整建议。系统还可以在人工干预下自动完成部分调整,帮助企业更高效地开展AI治理。
对于企业而言,AI应用还需要兼顾投资回报和合规要求。一方面,SAP希望企业能够尽快获得AI投资带来的业务价值,无需花费三五年建设系统才能看到回报。另一方面,企业的AI架构必须满足合规要求。SAP应用生命周期管理,能够管理SAP系统从设计、实施到运行、优化的全过程。同时考虑不同国家和地区的法律法规,以及数据隐私、数据安全等要求。
未来每个业务部门都有可能使用类似工具开发自己的智能体,随着智能体数量大幅增加,如何对它们进行统一管理,也会成为企业AI治理的重要内容。
首先是智能体的梳理和登记。企业需要清楚内部有多少智能体,哪些用于部门级应用,参与哪些核心流程。SAP Business AI Platform提供了智能体注册和目录管理功能,可以记录每个智能体的特性,并进行分类和统一管理。
其次是版本管理。智能体会不断迭代,当多个智能体协同完成一项业务流程时,其中一个智能体升级后,能否继续与其他智能体正常协作,就需要通过版本管理来保障。
第三是智能体之间的协作与测试。企业需要通过A2A、MCP等协议实现智能体之间的对接,确保它们能够协同完成端到端的业务流程。同时,新版本智能体上线前,还需要经过沙箱测试、离线评估和准确性评估,避免未经充分测试的智能体直接进入生产环境,影响正常业务。
第四是后续维护。企业业务不断变化,对智能体的要求也会随之调整。例如,原本只需要完成三项任务的智能体,后续可能需要增加新的工作内容。这些调整涉及智能体的版本更新和持续维护,企业需要建立相应的规范和流程。
在蔡彦斌看来,随着智能体逐渐从部门级应用走向企业级应用,管理的复杂程度也会明显增加。企业需要建立一套完整的治理机制,对智能体的开发、测试、部署和维护进行统一管理,确保不同智能体能够在可控的环境下持续运行。
从服务中国客户,到参与全球创新
大约25年前,SAP就确定了全球研发战略,将原本主要集中在德国的研发工作逐步扩展到美国、中国、印度等地,形成全球分布式研发体系。这样的布局最初主要是为了吸引全球人才,同时拉近与当地客户及生态合作伙伴的距离。
进入AI时代,分布式研发体系又体现出新的优势。“不同国家和地区的文化环境、企业数据类型以及数据的可获取性存在差异。”柯曼谈到,通过分布在全球各地的研发团队,SAP能够更好地理解不同市场的数据特点,为AI模型适应不同地区的业务环境提供支持。
与此同时,各地的法律法规、监管要求和文化背景也不尽相同,企业对于AI自动化程度、业务流程以及模型输出结果的预期也存在差异。全球分布式研发体系能够帮助其更好地理解这些差异,让AI产品和解决方案适应不同市场的实际需求。
SAP中国研究院是SAP全球研发体系的重要组成部分,在SAP全面推进自主运营企业软件体系架构的过程中,中国研究院也承担着重要的研发工作,覆盖底层平台、数据、应用和智能体四个层面。
与此同时,SAP中国研究院还承担着服务中国市场和中国客户的工作。比如,在解决方案落地过程中,除了满足中国市场的合规要求,还需要考虑本地AI基础设施的特点。
中国AI产业发展迅速,生态环境与欧美市场存在一定差异,因此,SAP也十分重视与本地合作伙伴的合作与共创。
无论是行业应用还是业务实践,中国客户都十分活跃。蔡彦斌指出,过去SAP更多是将全球最佳实践引入中国,现在则是把中国市场积累的创新实践转化为能够服务全球客户的AI解决方案。
特别是在物理AI等领域,中国拥有丰富的应用场景和产业基础,有机会将本土创新成果推广到全球市场。以仓储场景为例,许多使用SAP仓库管理系统的中国企业已经开始引入机器人,承担拣货、配货等工作。如何让机器人与现有仓库管理系统对接,并通过智能体及A2A协议实现集成,成为企业的实际需求。
“中国拥有庞大的仓储物流管理需求和成熟的机器人产业,这也为SAP在物理AI领域开展创新提供了良好的应用环境。”蔡彦斌说道。
写在最后
从软件架构的调整到具体产品的落地,SAP正在为“自主运营企业”提供更加完整的技术支撑。随着智能体能够理解业务意图、调用企业数据并自主执行任务,企业软件的使用方式也开始发生变化。
SAP过去50多年积累的业务数据、流程和规则,也在AI时代有了新的价值。正如柯曼所强调的,商业AI的竞争不能只看模型规模和算力,更重要的是理解数据在业务情境中的真实含义和逻辑,最终能够实现符合商业逻辑的结果,实现你的商业意图。


