在企业 AI 从概念验证走向规模化落地的关键阶段，SAP 正在围绕“自主运营企业”愿景，重塑其应用、数据、AI 与合作伙伴生态。
当前，企业 AI 的竞争已经不再只是模型能力之争，而是系统能力之争：AI 能否嵌入真实业务流程，能否调用可信企业数据，能否实现统一治理，并最终交付可验证的商业价值。为此，SAP 一方面通过 Joule 智能助理、AI Agent Hub、SAP Business Data Cloud 等平台能力，加速企业 AI 落地；另一方面也在通过设立 1 亿欧元 AI 基金、免费开放 Joule 能力、举办智能体开发竞赛等方式，推动合作伙伴生态进入智能体时代。
与此同时，SAP 还用一组数据证明了中国企业正在快速进入 AI 深度应用阶段：中国企业当前平均已有 34%的工作任务由 AI 辅助完成，预计两年后这一比例将升至 52%。SAP 认为，这意味着企业 AI 应用将迎来“量变引发质变”的关键转型点，AI 与人类工作的协作关系将从局部试点走向系统性重构。
SAP 的“自主运营企业”愿景
所谓“自主运营企业”，SAP 亚太区合作伙伴生态系统负责人 Peter Moore 解释称，这并不是一个新的单一产品，而是一种全新的企业运营模式，即企业可以在运营过程中自我感知、自我识别机会与风险，并作出相应反应，但关键商业结果仍由人类把控。
围绕这一战略，SAP 将 AI 能力落到五大业务域和七大行业域之中。其中，五大业务域包括财务、采购、供应链、人力资本和客户体验；七大行业域则包括油气能源、农业、工业制造、生命科学、消费产品、零售和专业服务。Peter Moore 表示，SAP 已经在这些行业中形成参考客户，例如工业制造领域的 Compression、消费品领域的可口可乐，以及专业服务领域的德勤。
在技术底座上，SAP 将“自主运营企业”建立在自主管理套件之上，而该套件由数据、商业 AI 平台和治理三大能力支撑。
Peter Moore 强调，企业级 AI 与消费级 AI 的核心差异在于，企业 AI 必须与业务流程深度结合，并具备准确性、可靠性和治理能力。“很多企业在做 AI 试验和 POC，但如果涉及商业数据、员工工资、供应链等关键业务场景，80% -90%的通用 AI 能力是不够好的。”
在应用层，SAP 正在将 AI 能力嵌入到核心产品之中。其中，Joule Work 正在成为 SAP 产品的统一 AI 入口。SAP 还推出了 Joule Studio，为合作伙伴提供开发智能体的平台环境。据悉，今年 SAP 合作伙伴可以免费接入 Joule 并使用相关能力。
Peter Moore 表示，在合作伙伴侧，Joule 目前主要有两类使用场景：一是顾问咨询，二是程序员开发。
在顾问咨询领域，毕马威、德勤、埃森哲等合作伙伴已经大量使用 Joule。Joule 可以帮助顾问更快理解 SAP 产品、整理项目资料、分析客户需求，从而提升项目交付质量、缩短交付周期，并减少数据整理、基础分析等重复性工作。
在开发侧，Joule for Consultant，Joule for Developer 则可以帮助合作伙伴节省迁移、开发、文档处理等工作时间。过去，合作伙伴需要花大量时间理解产品、界定项目范围、完成开发与文档工作；未来，这些基础环节将更多由 Joule 和智能体辅助完成，合作伙伴则可以把更多精力投入行业知识、客户业务判断和端到端解决方案设计。
为了降低企业采用 AI 的门槛，SAP 今年还在核心应用系统中嵌入了多个 AI 场景。客户如果希望尝试某个应用中的 AI 能力，只需通过 SAP 合作伙伴激活对应 AI 场景单元即可使用。Peter Moore 认为，这是帮助客户迈入 AI 的第一步。
为了进一步推动智能体生态扩张，SAP 也在通过竞赛机制激发合作伙伴参与。Peter Moore 透露，在今年蓝宝石大会前，SAP 全球 CEO 柯睿安（Christian Klein）面向全球合作伙伴发起了一场“预热赛”，鼓励合作伙伴使用 Joule 开发智能体。最初目标是由合作伙伴开发 200 个智能体，但最终实际产出达到 680 个。
目前，SAP 自身已经推出 50 多个智能助理，这些智能助理背后由 200 多个智能体支撑。Peter Moore 表示，这类活动还将继续，SAP 希望通过平台、资金和竞赛机制，让更多合作伙伴围绕企业业务场景开发智能体能力。
对于中国市场，Peter Moore 表示，SAP 主要有两个目标：一是，将 SAP 的全球经验带到中国本地市场，并与本土合作伙伴共同落地。目前，SAP 正在与阿里云等伙伴，推动自主运营企业方案在中国市场的应用；二是，帮助中国企业赋能出海。SAP 拥有全球合作伙伴网络，包括毕马威、德勤等咨询服务机构，也包括 Google Cloud、AWS 等全球云厂商，以及 Snowflake、Anthropic 等 AI 与数据领域伙伴，SAP 希望借助这些全球生态资源，来支持中国企业的国际化战略。
中国企业 AI 辅助任务两年后或过半
在产品和生态布局之外，SAP 还分享了一组企业 AI 调研数据。该调研覆盖全球 13 个国家、2600 位企业高管，其中包括 200 名来自中国企业的高管。
调研显示，当前中国受访企业平均已有 34%的工作任务由 AI 辅助完成，预计两年后这一比例将升至 52%。
SAP 全球副总裁、全球 AI 市场拓展负责人 Varun Thamba 表示，企业一直在追问“未来 AI 和人类工作的占比会是多少”。从本次调研结果看，中国企业正在接近一个关键临界点：当 AI 辅助任务占比超过一半，企业组织方式、流程设计和员工角色都将发生实质性变化。
这些 AI 辅助任务既包括简单的信息检索和合规查询，例如采购流程中对原材料相关条例的检索，也包括更复杂的端到端流程自动化，例如通过智能体技术完成完整业务流程。换言之，AI 在企业中的角色正在从“局部助手”转向“流程参与者”。
调研还显示，中国企业 AI 综合投资回报率正在稳步上升。今年，参与调研的中国企业 AI 综合回报率为 22%，高于去年的 18%；预计两年后，这一数字可能达到 38%。SAP 认为，未来两年，中国受访企业来自智能体 AI 的投资回报率有望实现超过 4 倍增长，智能体 AI 正在成为推动企业业务流程变革的重要力量。
不过，Varun Thamba 指出，企业并不一定将智能体 AI 视为一种完全独立的新技术，而更倾向于把它看作 AI 整体能力的一部分。对企业而言，智能体 AI 的价值在于把 AI 能力更深入地嵌入重复性任务、业务流程和跨部门协作中，从而提升整体投资回报。
从回报来源看，目前企业 AI ROI 的增长主要来自利润端，也就是降本增效。例如，过去建立采购订单可能需要 10 个审批步骤，使用 AI 后可以减少审批环节，加快采购订单生成；在原材料采购决策中，AI 也可以帮助企业更快做出判断。
但 Varun Thamba 向 InfoQ 表示，AI 未来更大的潜力在收入端。随着 AI 治理框架逐步成熟，员工可以与 AI 更好协作，企业将有机会更快开发新产品线、拓展海外市场，并把 AI 用于更高层级的战略决策。
针对近期行业讨论较多的 Token Maxing 和 AI 成本浪费问题，Varun Thamba 表示，企业 Token 成本过高，本质上与零散化 AI 试点有关。
他解释称，很多企业高层对 AI 价值预期很高，希望 AI 带来 20%至 30%的流程效率提升和成本节约。于是，不同部门开始各自试验 AI：有的用于代码，有的用于业务流程，有的用于自动化审批。结果是，每个团队都在消耗大量 Token，但这些试点缺乏统一规划和价值衡量。
在这种情况下，企业虽然实现了局部自动化，但 Token 成本可能高到超过雇用人工完成任务的成本。也就是说，如果 AI 没有和业务瓶颈、流程改造和价值产出绑定，企业很容易陷入“为了使用 AI 而使用 AI”的误区。
Varun Thamba 建议，企业不应从单个 AI 工具或单个试点出发，而应从完整业务流程出发，找到真正造成成本浪费和效率瓶颈的环节。例如，如果某个供应链或财务流程瓶颈带来 2 亿元成本，企业就可以围绕这一瓶颈评估 Token 投入与产出关系，计算 AI 投入是否真正带来可证明的商业价值。
数据、人才和治理成为三大短板
尽管中国企业 AI 应用提速明显，但短板也很明显。调研显示，中国企业要真正获得 AI 价值，不能仅仅部署几个 AI 助手或智能体，更不能采取零散化 AI 战略，而需要补齐数据、人才和治理三方面能力。
首先是数据基础不足。调研显示，今年有 69%的中国企业认为自身数据已为 AI 做好准备，较去年的 70%略有下降。SAP 认为，这一变化反映出一个现实问题：不少企业在真正推进 AI 项目后才发现，自己虽然拥有大量数据，但数据质量并不足以支撑高质量 AI 应用。
这一问题在财务、人力资源、物流和供应链等部门尤为突出。财务和人力资源部门通常拥有大量数据，但在落地智能体 AI 时，企业会发现这些数据仍需要更高质量、更好治理和更强语义一致性；物流和供应链部门则面临数据可获得性不足的问题。
其次是员工技能跟不上 AI 发展。78%的中国受访企业表示，员工技能培训跟不上 AI 技术迭代速度。与此同时，67%的中国企业认为，AI 虽然扩大了可处理任务范围，但也同步增加了员工工作负荷和责任压力。
Varun Thamba 表示，AI 模型和工具更新速度极快，这意味着人类员工必须在更短时间内跟上 AI 节奏，并承担更多工作。如果企业不能让员工团队实现 AI 就绪，AI 带来的增益就无法充分释放。
第三是治理风险。调研显示，仅 6%的中国受访企业表示，自身具备有效治理 AI 所需的完备技能。这意味着 94%的企业在使用多个智能体和 AI 模型时，仍认为自身无法有效管控和治理。
针对这些问题，SAP 给出的建议是系统性推进企业 AI 战略：
第一，获得正确的数据。企业必须建立可信、高质量、可治理的数据基础，让 AI 和智能体能够调用经过授权、语义一致、质量可靠的数据。
第二，让员工团队 AI 就绪。AI 不是替代员工的单一工具，而应成为员工完成业务流程的一部分。企业需要让员工理解如何与 AI 协作，并将 AI 自然嵌入日常工作。
第三，建立 AI 治理框架。企业需要形成统一 AI 政策，对 AI 模型、智能体、数据调用、权限边界、业务流程和结果责任进行管理，真正实现可信 AI。
Varun Thamba 表示，企业级 AI 应用可能持续 20 到 30 年，因此 AI 战略不能只是短期试点，而应成为企业长期运营体系的一部分。不论企业规模大小，都应将 AI 与其支撑运营的数据和流程连接起来，最终走向“自主运营企业”。
