白水简介： 复旦大学本、硕、博（软件工程） 第一届䇹政学者：秦惠䇹-李政道基金会 软件集成方案架构师 供职于全球第一大企业管理软件公司 曾荣获年度最佳ABAP培训师称号 小说《白水边缘人》《流浪狗阿黄》 住在德国海德堡……附近的农村…… 喜欢阅读、写作、骑自行车……， 当然还有撸代码！
欢迎转载，转载请注明来源！ 有条件的，请在文末点一个“在看”！
大家好，我是白水。
近日，据国外媒体报道 ： SAP 将通过 AI 治理，实现差异化竞争 ！
在美国拉斯维加斯举行的 SAP Connect 大会上，SAP 阐述了其旨在推动“自主型企业”发展的 Agentic AI（具备自主行动能力的 AI）框架——Joule。
自 2026 年 5 月以来，SAP 已开发出 20 款针对特定角色的 AI 助手，涵盖采购、供应链、财务、客户体验、人力资源及行业专用 AI 等领域。
AI 治理是 SAP 区别于其他企业软件公司的主要竞争优势。
在美国拉斯维加斯举行的 SAP Connect 大会上，SAP 向现有及潜在客户阐述了为何应选择 SAP 作为合作伙伴，利用 Agentic AI 推动企业向“自主型企业”转型。
SAP 是全球最大的企业级应用软件提供商。
SAP 的自主 AI 框架被称为焦耳（Joule ） ：“Joule 助手”有助于简化工作流程，而整个自主 AI 框架则被称为“Joule Work”。
用户可以询问这些助手某事发生的原因，利用它们分析问题并获取解决方案建议；未来，客户甚至可能放心地让它们直接执行任务。
以全 球顶尖 跨国制药与生物科技公司 诺华（Novartis）为例，该公司与 SAP 联合开发并于近期启动了 SAP Joule 采购寻源助手（Joule Sourcing Assistant）的试点项目。
他们的愿景是让 AI 智能体承担繁重的体力或重复性工作，从而使寻源专业人员能够专注于战略制定和供应商关系管理。
在采购行业中，Sourcing（寻源/采购寻源） 是整个供应链和采购流程的“大脑”与“侦察兵”。
如果把整个采购部门比作一家公司，传统采购（Purchasing/Buying）更多是在处理日常的“买买买”和订单执行，而 Sourcing 则决定了向谁买、以什么价格买、用什么策略买。
华尔街正密切关注 SAP 在 AI 领域的进展。
2026 年 8 月，瑞银（UBS）将这家企业软件巨头的评级从“买入”下调至“中性”，理由是该公司宏大的 AI 愿景与实际交付成果的缓慢落地之间存在显著差距。
尽管 SAP 可能存在预期过高的问题，但与我所关注的其他供应链软件公司相比，它并未落后。
自 2026 年 5 月份的 SAP Sapphire 大会以来，SAP 已经开发了 20 款 AI 助手。
这些助手以角色为导向，并深度集成于业务流程工作流之中；它们协调多个智能体（agent）来完成任务。
这些助手的应用领域涵盖采购、供应链、财务、客户体验、人力资源以及行业专用人工智能（Industry AI）。
行业专用人工智能之所以必要，是因为不同行业的业务流程和成功衡量标准可能截然不同。
例如，物流服务提供商的运作方式与化工制造商有着本质区别。
在台上分享的客户并未谈论已实现的投资回报率（ROI）；大多数客户仍处于与 SAP 共同开发智能体的阶段，或者像诺华（Novartis）那样正在进行试点运行。
投资回报率也取决于智能体的使用成本。
成本将基于使用量模式计算，即 SAP 版本的“Token（词元）计费”模式。
SAP 首席执行官柯睿安（Christian Klein）指出，他们支持多种大语言模型（LLM）解决方案；通常情况下，为最尖端的前沿模型付费未必划算。
我交流过的一位 Beta 测试客户，曾抱怨其自己的供应链智能体的开发进度缓慢。
SAP 正与该客户共同开发这些智能体，客户可在短期内免费试用。
从长远来看，SAP 将按使用量收费，但具体的收费标准尚未明确。
知识图谱是实现商业价值的关键
SAP 的观点是正确的：知识图谱是其区别于 Palantir 等“自建方案型”公司的显著优势。
Palantir 通常派遣“前线部署工程师”为大语言模型构建上下文层，然后再为客户推出定制化的智能体 AI 解决方案。
SAP 首席执行官柯睿安曾这样说道：“前沿模型确实进步了，但问题在于：如果你让模型画一只独角兽，它能生成一幅很棒的图像；可如果你问它下周会有哪些供应商进行交付，它就只能靠猜了。 ”
“大语言模型（LLM）根本不了解你的业务是如何运作的。”
相比之下，“我们的知识图谱映射了超过 700 万个数据字段、50 万张数据表、5 万多个 API，以及我们的私有 API、400 种数据产品和 SAP 业务流程知识。”
他随后补充道：“既然大语言模型本质上是概率性的，只会推测最可能的答案，那么我们的 AI 助手又该如何确保给出正确的答案呢？ ”
“答案在于，我们的 AI 智能体嵌入在应用程序确定性的工作流之中；由于它们基于相同的数据运行并遵循相同的规则，因此能够给出那个唯一的正确答案。”
我不确定 SAP 的智能体（agents）总能给出正确的答案。
假设客户数据是干净的，这些助手确实能定位到知识图谱中的正确位置并提取所需数据。
但模型训练的一个关键环节，是确保它们能完全理解用户提出的问题。
我发现，在使用基于大语言模型（LLM）的搜索引擎时，问题的表述方式决定了能否获得正确答案；表述方式往往决定了答案的来源。
SAP 为其较新的云解决方案开发了知识图谱，而较旧的本地部署版本则没有开箱即用的知识图谱功能。
为每一个旧版本构建此类图谱，投入成本过于巨大。
SAP 计划将其智能体框架扩展到这些旧版本，甚至是企业可能同时使用的其他企业级软件解决方案上。
为此，SAP 部署了其特有的“前沿部署工程师”团队，构建一个支持这些遗留系统的上下文层。
这正是 SAP 所强调的“可扩展性”的含义。
对于那些渴望采用新一代企业级解决方案的公司而言，基于实际业务流程构建的智能体解决方案，将成为其迁移至新云解决方案的强大动力。
一旦有了客户投资回报率（ROI）的数据支撑，Joule 可能会引发新一轮的系统升级潮。
AI 治理是关键差异化优势
尽管知识图谱让 SAP 区别于那些“自行构建”AI 系统的集成商，但其治理模式才是它与其他企业软件供应商拉开差距的主要因素。
SAP 负责运行并治理 SAP AI 平台上的每一个智能体，并确保所有 AI 智能体都具备完善的身份与认证管理机制。
正如软件系统可能遭受黑客攻击一样，网络犯罪分子也有可能控制某个智能体。
试想一下，如果一个负责运输的智能体接到指令，将一批贵重货物运送到由窃贼控制的仓库，后果将不堪设想——这正是身份与认证管理机制的价值所在。
此外，SAP 智能体的设计还旨在符合 60 多个国家和 26 个行业的法规要求，并能够通过企业审计机构的认证。
对于必须遵守银行业监管规则的财务类智能体而言，这一点尤为重要。
但在供应链领域，跨境运输必须遵循众多不同国家的关税规则；负责其他环节的辅助系统需遵守各国关于产品质量及召回的规定；而面向客户的辅助系统则必须遵循全球性的客户数据保护法规。
在人工智能治理这一领域，SAP 领先于大多数企业软件竞争对手。
好了，今天就先聊到这里吧。 如果觉得还行，请随便给一个 小红心 、留言、点赞、 或 转发； 如果你坚持全部都给，我也不会介意!
参考资料： [1]
