原对话:沿提问、回答和转折完整展开 下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:06–00:32:15 连续对话 100:00:06–00:02:29 开场:AI时代,企业软件的变与不变本期节目以嘉宾原欣的观点节选开场。她认为,企业在探索AI商业价值的过程中,不应全盘否定过去的积累。许多企业在高速发展期,为追逐市场份额和营收增长(top line),往往忽略了底层系统的建设,导致系统基础潦草。然而,无论技术如何演进,企业运营始终离不开对流程、组织、数据的管理,以及对客户业务的深刻理解,并将这些理解转化为代码。她判断,在未来一段时间内,“人”(human in the loop)的干预仍然是必要的。AI技术要从一个小圈子的狂欢,真正应用到广泛的企业(enterprise)世界中,必须经历一个业务与技术结合的漫长过程。
随后,主持人程曼祺介绍本期节目。嘉宾是SAP大中华区总裁原欣。SAP是一家1972年创立于德国的软件公司,从ERP(企业资源计划)起家,现已发展为全球企业级软件巨头,2025年收入近420亿美元,绝大多数世界百强企业都是其客户。2026年以来,AI编程(AI coding)能力的飞速发展带动了AI在企业服务(To B)领域的热潮,也给SAP这类传统企业软件公司带来了挑战与质疑。本期节目将探讨大模型在复杂企业需求中的机会与边界,SAP等老牌公司的壁垒与变化,以及近期热门的FDE(Field Data Engineer)潮流等话题。主持人还介绍了嘉宾原欣近30年的企业市场经验,她曾在甲骨文、VMware、微软等公司任职。
ERP (Enterprise Resource Planning) 企业资源计划。它是一套管理企业核心业务流程的集成软件系统,通常是模块化的。其核心功能是管理企业的“人、财、物”,输入企业运营中产生的各类数据(如财务、采购、销售、库存、人力等),通过标准化的流程进行处理和整合,输出统一、实时的业务视图和财务报表,帮助企业实现“财务业务一体化”,支持决策和运营。
SaaS (Software as a Service) 软件即服务。一种软件交付模式,用户不需在本地安装软件,而是通过互联网访问由服务提供商托管的应用程序。在本段对话中,它泛指所有通过云端订阅模式提供的企业应用软件,包括大型的ERP云服务和功能单一的“单点SaaS”(如CRM、HCM工具)。
AI coding 人工智能编程。指利用AI大模型(特别是代码大模型)自动或辅助生成、补全、调试和优化计算机代码。在本段对话中,它被视为一种能极大提升软件开发效率、降低开发成本的技术,从而对传统软件公司的商业模式和壁垒构成挑战。
自主运营企业 (Autonomous Enterprise) SAP在2026年提出的公司新愿景和产品策略。它指企业能够利用AI技术实现更高程度的自动化运营。其核心是通过一个名为“Joule”的AI交互层,让用户用自然语言下达指令,系统通过意图识别,调度一系列的AI Agent(智能体)来自动完成复杂的业务流程、数据处理和任务编排,从而屏蔽底层系统的复杂性,提升效率和用户体验。
话题推进: 主持人介绍完节目背景与嘉宾后,正式开始访谈。
00:02:29–00:09:38 什么是ERP:从“人财物”管理到复杂的生态系统可以和我们的听友来简单介绍一下SAP是一家什么样的公司? 可以给大家介绍一下ERP是什么吗?它包括哪些模块,核心给企业带来的价值是什么?以及它逐渐变得系统化、比较成熟,是一个大概怎样的过程? (为了让听众更直观理解)可以说说ERP和飞书、钉钉的关系吗? 主持人首先请嘉宾原欣介绍SAP。原欣坦言,尽管SAP在业内被视为ERP的代名词,但对于大众甚至她的家人来说都比较陌生。她介绍,SAP是全球最大的企业应用软件公司之一,世界100强企业中有99家是其客户,云用户超过3亿。公司成立于1972年,在全球150多个国家有业务。近年来,随着AI大模型的发展,SAP的定位也从企业应用软件,转向“全球最大的商业智能软件”。在今年的蓝宝石大会上,公司发布了“自主运营企业”(Autonomous Enterprise)的新产品策略,视其为传统商业软件公司的自我颠覆。
接着,主持人请原欣解释ERP。原欣说明,ERP(Enterprise Resource Planning)即企业资源计划,核心是管理企业的“人、财、物”。一个企业最基础的需求是记账和报税,因此ERP的核心始于财务模块。SAP最早的R/1系统就是以财务为核心。随后,系统会扩展,追求“财务业务一体化”,即将业务数据实时反映到财务上,因为财务指标本身是滞后的。例如,从一个销售线索(lead)的出现,到转化为销售订单,再到最终回款(leads to cash),这个全流程的管理就涉及到CRM(客户关系管理)。一个泛ERP系统管理着企业从收入到回款(procurement to pay)、从采购到付款等所有端到端的流程。
为了让听众更直观地理解,主持人提议对比ERP与飞书、钉钉。原欣解释,飞书、钉钉这类工具属于办公协同软件,提供即时通讯(IM)、会议、文档、审批流等功能,属于传统定义下的OA(Office Automation,办公自动化),主要管理日常交互和操作。而ERP系统(如财务、人力资源管理HCM)是更偏后台的业务系统。两者会通过接口对接,许多交互和审批发生在协同工具上,但最终结果需要回传到ERP系统中,以指导实际的业务运行。例如,一个简单的人力资源管理功能,如计算工资,在全球化企业中会变得非常复杂,因为不同国家和地区的薪金计算逻辑、税务要求都不同。这解释了为何企业应用看似简单,却能支撑起一个庞大的生态系统。
话题推进: 在解释了ERP的复杂性后,对话自然转向了协同工具向ERP核心业务渗透的挑战,以及AI出现后带来的新变量。
00:09:38–00:13:28 AI冲击企业软件:哪些价值会被削弱,哪些依然是壁垒?飞书和钉钉也想做people(人力资源管理)、CRM、发票等,但实际上是不是也没有像之前大家想象中的那么快地就进入到企业最核心的业务数据平台那一部分? (之前互联网浪潮对SAP冲击不大),你觉得AI会怎么改变这件事情?尤其是今年以来,AI coding的能力变得越来越强了。从资本市场的情绪来看,(SAP股价)最近回落也和大家认为coding变强之后,可能会冲击老牌企业软件有关系。您自己会怎么看这个变化?哪些地方可能是高估了AI的冲击?哪些地方是AI确实会带来比较大的变化? 主持人观察到,尽管飞书、钉钉等协同工具尝试进入人力资源、CRM等核心业务领域,但进展似乎不如预期。原欣回应,在AI出现前,市场上存在许多做单点应用的SaaS公司,如Workday主攻HCM(人力资本管理),Salesforce主攻CRM,而像SAP这样的大平台相对较少。AI出现后,在某些单点上提效非常明显,例如用OCR技术识别发票。因此,单点解决方案(point solution)与大型软件集成的模式会很常见。但要实现整个流程的“Agent化”,在实际操作层面,难度远高于做一个简单的demo或在实验室里的构想。将AI技术真正适配到企业实际场景中,需要弥补巨大的差异。
随后,主持人将话题转向AI,特别是AI编程(AI coding)对SAP这类老牌企业软件公司的冲击。她提到,SAP的股价在2025年年终达到高峰后近期有所回落,这可能与市场认为AI编程会冲击其商业模式有关。原欣对此进行了分析:
1. 股价的长期视角:她建议拉长时间轴看。相较于SAP开始上云转型的2021年(当时股价约120多美元),目前的160美元仍有约20%的增长。而同期许多单点SaaS产品,尤其是工具类软件(如Adobe Photoshop相关的工具),股价大幅下跌甚至产品被淘汰,因为它们更容易被AI完全替代。
2. 商业模式的冲击:原欣认为,对SAP这类大型SaaS平台而言,AI带来的更大冲击在于商业模式。传统的SaaS定价多基于用户数(user base)。随着AI Agent逐渐替代人工,按人头收费的模式将难以为继。这导致了市场对SaaS商业模式的“认知坍塌”。
3. SAP的应对:原欣指出,SAP已意识到这一点,并主动革新。未来的定价模式将更多地转向基于用量(consumption base),类似AI token的计费方式。更前沿的模式甚至是RaaS(Result as a Service),即按最终产出的业务价值付费。如何建立一个准确的、基于结果的定价模式,是所有SaaS公司面临的共同挑战。
话题推进: 在明确了AI对商业模式的冲击后,主持人进一步追问AI编程能力对软件本身价值的具体影响。
00:13:28–00:21:22 AI编程时代,SAP的护城河是什么?您刚才说冲击的第一个点在于说coding来了之后,会让有一些之前值钱的东西变得不值钱了。正好可以拆开讲一讲,就哪些东西可能变得没有那么值钱了,哪些作为之前这些软件企业所积累的东西,它还是有价值的,是AI可能短时间内比较难以去冲击的。 你们如果去服务一个客户的话,这个东西假如说在客户那是私有化部署的话,这几亿行代码都要部署在他那吗? 主持人追问,AI编程(AI coding)具体会让哪些东西贬值,而SAP积累的哪些东西仍是壁垒。
原欣首先承认,AI目前最清晰的变现路径就是编程。AI编程的效率极高,一个小时可以生成几千行简单代码或几百行带校验的复杂代码。以一天2万行的中线值计算,要复刻SAP S/4HANA系统数亿行级别的代码,并非易事。她指出,目前一个拥有两三百万行代码的创业公司应用,已经算是比较成型了。这说明在代码体量上存在巨大差异。
但她强调,比代码复刻更复杂、更核心的壁垒是“业务逻辑”。只要当今世界还是由“碳基生物”管理,企业的运转形式就不会发生根本性调整。生产活动依然在工厂进行,ERP底层的核心业务流程不会改变。因此,SAP沉淀了几十年的、支撑这些通用业务流程的底层逻辑依然有价值。她认为,既然这些流程已经相对标准化(standardized),用AI去完全重造一遍是没有必要的。
原欣认为,AI时代真正能创造价值的地方,在于如何在既有的标准流程之上,以更高效、低成本的方式,满足企业更个性化的需求。这才是未来更重要的战场。基于标准流程的Agent到底能做什么来创造业务价值,是各方竞争的焦点。
主持人总结并确认了嘉宾的观点:SAP过去的积累,包括海量的代码系统和沉淀的业务逻辑,构成了一个标准化的基座,这部分价值依然存在。而AI的价值在于这个基座之上,为客户提供更灵活、定制化的服务。
话题推进: 在讨论了AI在标准化和个性化需求中的不同角色后,对话转向了不同规模企业对AI和软件的不同需求。
00:21:22–00:27:38 “日抛式软件”与大型企业的信任需求之前跟阿里的人交流,他认为未来软件可能变成日抛式的,你有很多临时、个性化的需求,就用Web coding低成本地做出来用一用。 您刚才说的有一个价值,我之前没想到过,就是对大公司来说,用一个大家认可的平台,是在市场上给自己信誉背书,是一个信任网络建立的一部分。顺着这个话题,现在有一种激进的想象,就是未来可能没有特别大的公司了。你觉得未来大组织是否还会存在?这种组织变化会怎么影响你们的调整? 主持人引用了业内一种观点,即未来软件可能会变成“日抛式”的,用户可以为临时的、个性化的需求,用AI低成本地生成一个即用即弃的小工具。原欣表示认同这种可能性,并认为需要分场景看待。她指出,即使在SAP自己的新架构设计中,也提供了类似“Agent Studio”的工具,让用户可以自己创建这类“日抛式”应用来满足特定目的。
然而,她强调这主要适用于特定场景。对于小型公司,如果只是为了内部管理,且组织基于人与人之间的信任(如家族企业),那么用AI快速做一个简单的应用是可行的。这种应用的核心诉求是让业务可见,不需要严格的权限管理和审计线索。
但当公司发展壮大,需要与外部世界(如合作伙伴、监管机构)协同,情况就变得复杂。为了建立广泛的社会信任,让外部相信其数据的真实性,公司就必须使用一个业界公认的、有共识的平台。这个平台需要满足合规(regulation)、法律法规的要求。这从一个“手工作坊”的需求,转变成了企业级的诉求。例如,当企业需要出海时,一个在中国“手搓”的系统,到了墨西哥可能完全无法应对当地的税务、法规、多币种和多语言等复杂情况。
原欣总结,企业在不同生命周期阶段,其诉求是高度相关的。她也坦承,SAP并非唯一选择,所有玩家都在AI时代自我演进,最终是速度的竞争。SAP的策略是“自我颠覆”:一方面继承自身对业务和行业的深刻理解,另一方面利用AI技术,如通过名为“Joule”的自然语言交互助手,来解决过去被诟病的系统复杂、实施周期长、交互差等问题。AI可以屏蔽底层的复杂性,让用户通过意图识别来指挥Agent自动执行任务,从而提升体验。
主持人对嘉宾提到的“信任背书”价值表示了兴趣,并引申出一个更激进的问题:未来大公司是否还会存在?如果公司都变小了,对以服务大客户为主的SAP会有何影响?
话题推进: 嘉宾对“大公司是否会消失”这一问题进行了回应,并从更宏观的视角探讨了技术变革的周期和规律。
00:27:38–00:32:15 大公司会消失吗?聚合与拆分的力量并存你觉得未来大公司大组织是否还会存在,或者说它会以什么样的形式存在?未来这种公司本身组织的变化会怎么影响你们的一些调整啊? 正好可以说一下SAP现在自己的AI愿景。 针对“大公司是否会消失”的问题,原欣首先澄清了一个普遍误解:虽然SAP以服务大企业闻名,但实际上其80%的客户是中小企业(SAP定义为年收入10亿人民币以下)。当然,大企业业务复杂度高,对系统的依赖性也更强。
接着,她从经济学理论出发,引用科斯定理:公司的存在是因为其内部交易成本低于外部交易成本。AI技术可能会降低外部交易成本(例如,将任务外包给一个Agent),这确实可能改变公司的存在形态。她个人认为,未来大公司不一定再以当前这种紧耦合的形式存在,组织形态会发生改变。
然而,她指出,存在两种相反的力量在同时作用:
1. 拆分的力量:AI降低了外部协作成本,使得组织可以变得更小、更分散。
2. 聚合的力量:在AI技术本身还充满未知、需要建立信任的阶段,一个大的、可信的平台或品牌(umbrella)能为采纳新技术的组织提供背书。这种“联邦制”的聚合形态,有助于在面对不确定性时建立信任机制。
因此,她认为现在断言最终形态为时尚早。但她乐观地相信,AI长远看一定会重塑企业结构和就业构成。她回顾了历次工业革命的规律:一项颠覆性技术从出现到广泛提升全社会生产力,其周期在不断缩短。从蒸汽机时代的七八十年,到电力时代的三四十年,再到互联网时代的约二十年。当前,我们正处在第四次工业革命中,物联网、AI等技术的影响力从核心领域外溢到传统行业需要时间,但这个过程正在加速。关键问题在于,我们是否准备好迎接这场巨大的产业变革。例如,企业个性化服务的需求将如何被满足,就是一个亟待解决的问题。
在讨论完宏观趋势后,主持人建议将话题转回SAP自身的AI战略。
话题推进: 嘉宾对宏观趋势的分析,自然地引向了SAP为应对这一趋势所制定的具体AI战略和产品愿景。
00:32:15–01:04:26 连续对话 200:32:15–00:37:28 从记录系统到执行系统:SAP的“自主运营企业”愿景如果一句话来总结一下的话,自主运营企业它指向一个什么样的目标呢? 你们选的这条路就是没有自己做基础模型的。……可以讲讲这个选择是怎么形成的,包括你们之前讨论过自己训大模型吗? 嘉宾原欣首先明确,SAP提出的“自主运营企业”(Autonomous Enterprise)愿景在当前阶段及未来5到10年,仍然需要“人在环”(human in the loop)。在这个模式中,Agent负责执行,但关键判断仍由人来完成。SAP希望通过其前端交互入口Joule Work,实现用户意图识别并提供辅助功能。如果现有的Agent无法满足用户的个性化需求,Joule Work还提供一个Studio,允许用户自行创建Agent。
她解释,SAP的策略变化在于“打薄”了应用层,将更多的数据和流程能力暴露给上一层,即Agent所在的语义层,从而使Agent的定义和交互更顺畅。这不仅服务于SAP自身的Agent,也为未来与非SAP数据、外部数据的交互打下基础,最终目标是构建企业的知识图谱和“企业记忆”(company memory)。她指出,当前Agent的能力受限于大模型的“长上下文”(long horizon)能力不足,而SAP的优势在于,其系统语境基于关系型数据库,处理的是结构化数据。因此,SAP可以在其Harness(应为RAG中的一种技术框架)中结合传统机器学习的预测准确性与大语言模型的意图理解能力,为用户提供既轻松又准确的业务执行方案。
在主持人追问下,原欣将“自主运营企业”的目标总结为:将SAP系统从一个“记录型系统”转变为一个“可执行系统”。这意味着Agent自动化执行的部分会越来越多,但她强调,在未来5到10年内,人的干预,尤其是在处理复杂问题时,依然必不可少。
主持人进一步提问,既然SAP的策略侧重于应用层的Agent,并联动已有的业务逻辑与数据,为何选择不自研基础大模型,而是与Anthropic、Google、微软等厂商合作。主持人以嘉宾曾在微软工作的经历作为对比,询问这一决策的形成过程。
自主运营企业 (Autonomous Enterprise) 这是SAP提出的一个愿景,指企业系统能从一个被动记录业务数据的“记录型系统”,转变为一个能主动执行业务流程的“可执行系统”。在这个愿景的当前阶段,系统中的AI Agent会自动执行大量日常任务,但关键的、复杂的决策判断仍由“人在环”(human in the loop)来完成,以确保准确性和合规性。
企业记忆 (Company Memory) 指沉淀在企业内部的、可用于未来决策的知识和经验集合。它不仅包括SAP系统里记录的标准化流程和结构化数据,也包括通过AI技术从邮件、会议纪要等非结构化数据中提炼出的、原本依赖于“老师傅”个人经验的隐性决策逻辑。构建“企业记忆”的目的是让企业的决策和运营越来越自动化和智能化。
FDE (Forward Deployed Engineer) 前项部署工程师。在本段对话中,它指一种新兴的AI应用落地模式,即将具备产品和工程背景的技术人员直接派驻到客户现场,与客户共同探索和开发AI解决方案。这与传统软件公司派驻业务顾问进行标准化产品实施和定制开发的模式不同,FDE更侧重于在不确定的场景下,将一线的探索成果快速反馈并沉淀为产品能力。
原欣 · 00:35:36
以大型集团的财务关账为例,这是一个相对标准的流程。但在月结时,仅“公司间往来对账”(intercompany reconciliation)一项,Agent可以自动完成70%-90%,但剩下由汇率差异或数据错误导致的问题,仍需人来判断。同样,坏账计提的模式和金额也需要人来决策。
话题推进: 在解释了SAP不自研基础大模型,而是选择与多家模型厂商合作的开放策略后,对话自然地转向了AI在企业应用中存在的普遍挑战。
00:37:28–00:49:00 模型与应用的落差:脏数据、非结构化决策与人才缺口现在会有一个很流行的说法,就是模型即产品,在To B市场这个是不是不太成立? 您刚说这个落差,如果从您自己观察的一些案例里面来说,这些落差的一些具体表现有什么,就是从模型到应用的。 那这个是对生产上的数据是吗?如果是企业历史记录的数据,那还是得让AI发token清洗一遍还是? 除了这些之外还有什么别的吗? 主持人首先提出“模型即产品”的说法在To B市场是否成立。嘉宾原欣认为,在当前技术条件下,尤其是在未来5到10年企业形态不变的情况下,仅将模型扔给企业是不足以解决问题的。她观察到,即便是激进采用AI的大公司,也需要设立专项、设置“人机协作”岗位来探索和弥补模型与业务价值之间的“最后一公里”。这背后反映出,如何将企业边界内的私域数据与模型结合以实现价值最大化,目前没有标准答案,这也是FDE(前项部署工程师)模式兴起的原因。
在主持人追问下,原欣分享了她观察到的企业应用AI的几大具体“落差”:
1. 期望错位与数据治理难题:企业老板看到AI的能力后,常简单地要求“我也要”,并错误地认为AI能让过去处理“脏数据”的苦活累活自动消失。原欣澄清,AI能加速数据处理,例如通过AI侦测数据断点,在数据生成时就附带业务上下文,从而减少二次清洗的成本。但对于历史数据,仍然需要投入精力进行梳理。AI可以加速这个过程,但过程本身无法省略。对于SAP系统内已有的标准化流程,可以直接加载使用,无需消耗token重新梳理,这是SAP的差异化优势。
2. 非结构化决策的沉淀:许多关键决策是在系统“体外循环”中产生的,例如通过会议、邮件沟通达成决议,其决策过程并未被系统记录。AI的价值在于能帮助企业处理这些非结构化的历史数据,把依赖专家经验(“老师傅”)的隐性知识“蒸出来”,固化为“企业记忆”(company memory)。这样,企业就能在标准流程之上,叠加这些决策逻辑,逐步提高自动化水平。
3. 人才供需错配:懂AI的顶尖人才大多集中在技术大厂和创业公司,不愿加入传统企业;而传统企业虽然想招聘这类人才,却往往无法理解和满足他们对计算资源、团队配置等要求。这种人才落差导致AI难以在传统行业有效落地。
话题推进: 在谈到企业应用AI面临的人才落差后,话题顺势转向了为解决这一问题而兴起的FDE(前项部署工程师)模式,并探讨了其与传统ERP顾问的区别。
00:49:00–01:04:26 FDE热潮:新旧模式的对比、演进与人才融合这和比如说像SAP、Salesforce这些大型的以前的软件公司都会做的这种授权的工程师或者驻场的工程师的区别是什么?它有啥本质的区别? 当时你们那个流程里面,需要做定制化开发的那部分人,他们是在客户的现场,还是其实不用去客户现场也能开发? 你怎么看Anthropic、OpenAI来做这件事所代表的他们背后的野心啊?……会和你们有更多的竞争和冲突吗? 你觉得哪个更难补? 您觉得FDE这个潮流会持续吗?……这个成像部署到了一定阶段之后,很多产品它又会沉淀成一个相对标准化的东西,是吗?那这些类人它是持续需要还是会变少? 主持人首先提问,新兴的FDE(前项部署工程师)与SAP等传统软件公司的驻场工程师或顾问有何本质区别。嘉宾原欣指出,两者差异显著:
1. 人员背景与切入视角:传统ERP顾问通常是行业或业务专家(如财务专家),他们从业务需求出发,倒推系统如何配置以实现标准化产品落地。而FDE通常是技术或产品背景的工程师,更偏向底层数据和技术实现。
2. 与产品的关系:传统模式下,顾问拿着一个标准化产品去匹配客户需求,超出标准产品范围的部分通过“客户化开发”作为外挂模块实现,这些定制开发并不会成为标准产品的一部分。而FDE模式则是将产品开发人员前置部署到客户现场,与客户共同探索解决方案,其产出最终可能会被沉淀为产品本身。这反映了在AI应用路径尚不明确的当下,需要由最懂产品的人直接深入一线。
原欣观察到,FDE模式自身也在演进。最初大家认为“代码是一切”,但实践发现,若缺乏对业务的理解,工程师无法将业务需求有效转化为可编码的场景。因此,近期OpenAI、Anthropic等公司不仅与PE合作,也开始与麦肯锡、埃森哲等咨询公司合作,正是为了引入“翻译器”——即懂业务的人,形成能力互补。
她通过一个关务系统的案例说明了业务理解的重要性。某客户自研的Agent处理全球33个国家的报关业务,准确率仅六七成,导致人工核查负担加重。而SAP介入后,利用其既有的全球税务合规知识平台(GTC)和文档处理AI(Document AI),通过模板配置和标准化的数据切片,迅速将准确率提升至90%以上。这证明了在AI时代,过去积累的业务知识和标准化能力依然有巨大价值。
对于OpenAI等模型厂商进入To B服务市场带来的竞争,原欣认为竞争是好事。她判断,当前各方都在“扬长补短”:SAP这类公司强于业务理解,需要补充工程能力;而模型厂商技术能力强,需要补充业务理解。她个人认为,技术短板相对更容易补,因为模型本身的能力提升会带来效率增益,而让技术人员深入理解复杂的业务(如记账准则)则更难。此外,她强调,在大型企业中,比技术挑战更大的是“组织惯性”和人的问题,包括意愿、能力和变革阻力。
最后,关于FDE是否会成为持续的就业方向,原欣认为,AI提升人效是必然趋势,未来需要“更少但更优秀的人”(fewer but better)。短期内,连接业务与技术的工作(无论叫FDE还是其他名字)是AI从小圈子走向广泛企业应用的必经之路,因此需求会持续存在。但长期看,这个角色可能会融合工程与业务咨询两种能力,成为一种更综合的人才,其规模增长未必能复制2000年前后咨询行业的爆发,因为人效已大幅提升。
原欣 · 00:54:49
一个大型创新公司自研Agent处理全球33个国家的关务申报,由于各国单据格式迥异,其准确率只有60-70%,导致人工核查工作量不减反增,怨声载道。SAP介入后,利用其GTC平台对各国税务的理解和Document AI的模板配置能力,将准确率提升到90%以上,项目迅速从单个国家试点扩展到全部国家。
话题推进: 在讨论了AI从小众走向普及时,FDE作为一种过渡模式的价值和演变后,对话转向了更宏观的视角,探讨在中国市场,不同行业和规模的企业将如何逐步采纳AI技术。
01:04:26–01:31:43 连续对话 301:04:26–01:07:53 企业AI采纳现状:大企业领跑,中型企业挣扎像在国内的话,你们比较大的客户本身,他比如每年给你们的这个收入体量,或者说客单价是一个什么量级,如果他们开始AI转型的话,他们大概会先从什么量级开始试? 嘉宾原欣首先指出,关于企业采纳AI的浪潮,由于时间尚短(一两年),数据并不全面。根据SAP的观察,大型企业在AI投入上更为积极,愿意投入“真金白银”。
原欣解释了背后的驱动力:大企业数据量充足,且随着规模扩大,提升效率、节约成本的痛点更为强烈,同时他们也有足够的财力去进行技术实验。因此,行动快的多为大型企业。主持人程曼祺追问大客户的客单价体量以及他们尝试AI转型的初始投入规模。原欣没有透露具体数字,但指出一个普遍趋势:传统IT预算在削减,而AI相关的预算在增加,一个项目若不与AI挂钩,现在会比较难立项。
原欣引用麦肯锡的一项全球调研数据来说明现状:尽管88%的企业或多或少在尝试AI项目,但只有3%认为获得了实质性的业务回报。这导致多数企业仍处于探索阶段,进行概念验证(POC)和原型开发,真正投入生产(on production)的项目并不多。咨询公司目前能接到一些关于AI场景规划、原型设计和岗位调整的单子,显示出市场正在起步。
与大型企业不同,原欣提到小公司非常灵活,可以直接利用开源工具或AI工具快速发展。她认为,最挣扎的是处于中间地带的中型企业(年营收约几亿到一百亿人民币)。这类企业的AI采纳情况与创始人的认知强相关:一部分认知领先的创始人会积极拥抱AI,且由于企业规模适中,他们采用颠覆性AI原生工具会更容易;而另一部分则持观望态度,认为当前不是入场最佳时机,表现得非常现实。
Physical AI 实体AI,指与物理世界进行交互的人工智能系统。它不仅处理数字信息,还通过传感器感知物理环境,并通过执行器(如机械臂、轮子)在物理世界中执行任务。输入是传感器数据(如图像、力反馈),输出是物理动作。这里的讨论指向结合了机器人技术和先进制造业的AI应用。
Localization (本地化) 在软件工程和全球化业务中,指为特定国家或地区调整产品或服务以适应其语言、文化、法律和市场规范的过程。在SAP的语境下,输入是全球标准的产品平台,输出是符合特定国家(如巴西、中国)税务、合规、货币等要求的定制化版本。
Signavio SAP旗下的一个企业流程智能(Process Intelligence)和流程管理软件。它通过“流程挖掘”(Process Mining)技术,分析企业现有IT系统(如ERP)中的事件日志数据(输入),来发现、监控和改进实际业务流程(输出),找出瓶颈、偏差和优化机会。
话题推进: 在讨论完不同规模企业的AI采纳情况后,嘉宾进一步分析了中型企业在AI投入上的具体偏好,引出了对中国SaaS产业发展困境的思考。
01:07:53–01:12:02 历史欠账:为何AI无法让企业“弯道超车”比如说就是你的基础没打好,你数据很乱。 不是说你前面有些东西没干,有个新技术之后你就不用干了。 嘉宾原欣观察到,许多中国中型企业,即使是一些品牌形象很酷的公司,在企业管理侧投入AI以提升效率的意愿并不强。他们更倾向于将AI投入到产品创新上,例如用大模型和顶尖人才优化扫地机器人的端侧算法。这反映出一种管理哲学:他们认为投资产品侧AI的回报大于投资管理侧。
原欣将这种心态与一个更宏大的问题联系起来:为什么中国至今没有成长出全球性的SaaS巨头。她认为,这与中国企业过去的发展模式密切相关。在高速增长时期,企业普遍追逐营收(top line)和市场份额,导致资源集中在市场推广和客户获取上,进而引发售后运维压力,资源又倒向业务侧,形成一个“翻滚”的循环。在这个过程中,企业底层的系统建设往往非常“潦草”,因为快速发展使其没有喘息窗口去进行良好的规划设计。
原欣指出,这种“基础不牢”的状况使得本土SaaS公司难以建立起合理的定价模式和获得客户的价值认可,也就无法帮助企业打好数字化基础。现在AI时代来临,一个“七扭八歪”的非结构化系统并不能因为AI的出现就自动站起来快跑。AI不会自动修复企业过去不想做的“功课”。
她进一步对比,许多国外企业虽然流程看起来很慢,但其底层基础架构良好。一旦AI赋能,它们的“加速度”可能会更高。因此,她建议中国企业应冷静思考资源投放,既要满足短期增长,也要为未来AI真正发挥效能时打下整齐的基础架构。否则,现在所谓的“AI基建”很多时候只是在“补课”,弥补过去信息化的不足。如果继续用同样的思维模式,过去犯的错误未来仍会重犯。她总结道:“出来混总是要还的”,技术变革无法让企业跳过基础建设的步骤。
话题推进: 在论证了AI无法弥补企业历史欠账后,主持人将话题转向不同行业的AI采纳顺序,询问哪些行业会先行一步。
01:12:02–01:15:45 行业渗透与未来展望:从轻资产服务到Physical AI他这个东西有什么行业上的区别吗?就比如说科技公司,尤其是互联网公司,肯定是AI接纳AI渗透比较好的……那再往下看的话,什么行业会先接受,然后什么行业,然后什么行业? 主持人程曼祺询问不同行业在AI采纳上的先后顺序。嘉宾原欣认为,轻资产、服务类型的行业会率先接受AI,例如金融服务和互联网企业,因为AI融入这些行业相对容易。而对于SAP擅长的传统生产制造企业,情况则有所不同。
原欣分析,制造业的核心生产形态目前变化不大,工业4.0和智能化工厂虽有发展,但机器人等尚未成为主流的可替代方案。因此,AI对制造业的冲击主要体现在“两头”:市场端(go-to-market)和售后端。目前观察到的情况也印证了这一点,AI应用更多地集中在这两端以及供应链环节,而生产制造本身的核心环节尚未被AI大规模渗透。
展望未来,原欣提到了Physical AI(实体AI)的潜力。她指出,像Anthropic和OpenAI等公司已经开始布局机器人和实体AI。如果中国AI产业的突破口在于结合其强大的供应链优势,发展应用层和实体AI,那么下一波高增长企业很可能出现在这个领域。这涉及软硬件结合,不再是纯粹的轻量级模式。她以电动汽车(EV)行业为例,这些企业最终选择做“full stack”(全栈),从芯片到整车都自己做,压缩了Tier 1供应商的空间,成为了创新与传统制造的混合体。
原欣推断,如果未来中国公司的高增长主要来自实体AI驱动的软硬结合路线,那么打好供应链的数字化基础就至关重要。她认为这正是SAP的价值所在,并提及SAP自身也在进行根本性的商业模式变革,以“重回创业心态”来应对挑战。
话题推进: 在展望了Physical AI的未来后,对话自然地转向了SAP这类老牌巨头如何应对AI带来的挑战,特别是组织和人才层面的转型。
01:15:45–01:19:40 外企转型挑战:在标准化流程中激发“超级个体”主持人程曼祺提到,像SAP、甲骨文这类七八十年代成立的公司穿越了多个技术周期,互联网并未将其淘汰,但AI能否做到,资本市场存在分歧。嘉宾原欣承认,新的定价模式等一定会对传统厂商造成冲击,SAP的应对之道是“回归创业者心态”。
然而,这种转型在组织和人才层面面临挑战。原欣坦言,外企员工的成长路径是在标准化流程中培养起来的,他们非常专业(professional),但让他们自发地像创业者一样思考和行动则很困难,因为“这个业不是他创的”。因此,转型过程中,原有的高素质人群会出现分化。
SAP面临的命题是如何在公司内部营造鼓励创新、承担风险(take risk)的氛围,从而激发和培养出更多的“超级个体”。原欣被年轻创业者的故事所打动,因为AI极大地释放了个人生产力,只要有想法,Agent就能帮助实现和测试,使得“超级个体”成长速度飞快。她相信SAP内部也有这样的人才,公司鼓励员工无上限使用Claude等工具,也确实发现了一些有想法的员工,他们甚至会自己购买设备、“薅公司羊毛”去做各种实验。这些人如果独立创业,可能就是超级个体。
原欣认为,外企的优势在于员工对流程的尊重、对体系架构的熟悉以及国际化视野,这些是他们专业训练的一部分。如果能将这些“驾驭复杂性”的专业技能,与AI赋能下的“超级个体”能力相结合,就能创造出更强大的力量,这也是外企转型的一个潜在方向。
话题推进: 从个人和组织内部的转型,话题转向了SAP如何通过与外部伙伴合作,来服务特定的中国市场。
01:19:40–01:26:14 本土化策略:与阿里合作及助力中国企业出海你们和阿里合作一起来做什么?来给中国的这些客户提供一些什么特别的价值? 你们FDE的团队有可能是会一起去服务客户的? 这个曼森集团是个服装企业,对吧? SAP还有一个在中国的,我觉得比较独特的价值,就是你们是服务很多中国企业出海的。这个可以讲讲,就是有什么比较有意思的例子吗?尤其是AI来了之后对他们出海,不包括怎么解决合规啊、税务啊、供应链的问题,能带来什么新的变化? 主持人询问SAP与阿里的合作细节。嘉宾(此时身份切换为程曼祺,应为口误或转录错误,实际仍为原欣)解释,由于中国AI生态的独特性,SAP在中国采取了特定的合作策略。首先,SAP的产品基础架构落在阿里云上。其次,在AI层面,SAP将阿里的千问模型嵌入其MaaS(Model as a Service)平台,作为向客户提供的模型选项之一。双方还会在FDE(Forward Deployed Engineering)、模型后训练等方面合作,共同为客户打造符合中国市场需求的AI场景。
她举了一个与阿里合作服务小企业“曼森”的例子。曼森是一家服装企业,既有自有品牌也为大厂代工。该公司使用SAP的公有云ERP(跑在阿里云上)和钉钉。老板的核心痛点是订单履约问题,如大厂频繁的订单延期和追单。单纯的ERP无法解决这个问题。SAP与阿里合作,通过AI Agent打通了ERP的生产数据和钉钉中的追单沟通信息,形成了一个闭环,帮助企业优化订单履约流程,提升了运转效率。
接着,主持人将话题转向SAP助力中国企业出海的价值。原欣解释,SAP作为全球化平台,产品本身就内置了对全球200多个国家税务、合规等本地化(localization)的支持,有专门的团队负责,比如针对全球最复杂的巴西税务,就有专门的小组。因此,中国企业出海时,可以利用SAP现成的基础架构,只需关心自身业务。
此外,随着中国企业海外并购(shopping go)增多,它们常常会收购本就是SAP用户的欧洲企业,这就带来了系统和流程的集成问题。SAP在这方面具有天然优势,能帮助企业快速完成整合。她以联想为例,SAP从联想年营收200亿时就开始合作,一直到现在的数千亿规模,支持了其多次海外并购和系统整合。目前,SAP还在用其流程挖掘工具Signavio,通过AI帮助联想分析其全球2000多个流程中的断点和提效空间。
话题推进: 在讨论了具体的业务合作和案例后,主持人邀请嘉宾进行总结性观察,对比本次AI技术周期与以往技术周期的异同。
01:26:14–01:31:43 技术周期的变与不变:速度加快,但人的复杂性依旧最后想问一下,您这么多的一些总结性的观察……就这次技术周期的变化和你之前经历过的那些变化,就是从本地到云,然后到从轻盈化到智能化,你觉得本质的相同和区别是什么? 人的判断是没有办法规模化的,就目至少在目前的这个技术条件下,这其实也是他带来,就说你从模型技术到很多企业应用中间gap的那一部分。 在节目尾声,主持人邀请嘉宾总结本次AI技术周期与以往(如本地部署到云计算)的异同。嘉宾原欣(转录中误标为程曼祺)认为,最大的区别在于“速度”。由于生成式AI改变了人机交互方式,使得普通人更容易上手和驾驭技术,实现了“AI平权”,这导致技术演进的速度远超以往。
然而,她强调技术变革的底层逻辑并未改变。无论是工业革命的蒸汽机、电力,还是后来的互联网和AI,一项突破性技术从诞生到影响各行各业,都需要一个过程。早期总会经历小圈子狂欢和泡沫讨论,然后随着时间推移向外溢出。她相信AI的外溢速度会比前几轮技术周期更快,但这个规律本身不变。
原欣进一步指出,技术对业务或GDP产生影响的复杂性没有变。只要人类社会依然由人主导,人的因素就会在其中扮演加速和减速的双重角色,既有创新力也有抵抗力。每一次技术浪潮来临时,人们都会经历向往、恐惧、学习、摒弃的循环,AI也不例外。因此,对人的根本技能要求,如学习能力等核心特质,并未改变,在任何时代,具备这些特质的人都更容易成功。
主持人补充道,人的判断力目前无法规模化,这是模型技术与企业应用之间的鸿沟。原欣表示赞同,指出虽然Agent可以处理海量信息,但人接收和处理信息的能力是有限的,人成为了“瓶颈”。尽管AI可以生成各种报告辅助决策,但人能否瞬间吸纳信息并形成有效判断,依然非常困难。她认为,这可能会引发对教育体系的颠覆,即如何培养出能驾驭AI能力的个体,这也说明了AI对社会将产生方方面面的冲击。
最后,主持人总结了本期节目,感谢嘉宾分享了SAP在AI领域的观察,探讨了哪些传统积累难以被撼动,以及AI如何与ERP这类核心平台结合创造新价值。
话题推进: 节目结束。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。