随着人工智能代理(AI Agent)开始深入企业运营工作流,过去那种将 AI 视为一系列独立实验的模式正逐渐失效。当前,组织从孤立的试点转向自主工作流程时,面临着数据、业务流程、治理及人员协同等深层挑战。这要求企业重新思考如何将 AI 从单纯的工具集合转化为企业运营模式的核心组成部分。

从项目思维转向平台思维
SAP 商业人工智能平台生态系统高级副总裁兼全球负责人 Thorsten Leiduck 指出,这一转变始于将 AI 视为一个企业级平台,而非脱节的项目堆砌。“AI 完全依赖于数据基础,”Leiduck 强调,企业需要构建一个连接且语义丰富的数据层。当 AI 进入关键任务流程时,风险等级也随之改变。对于日常应用,80% 的准确率或许可以接受,但在供应链或财务结账等领域,这种精度意味着灾难性的后果。
Infosys SAP BAIP 和 SAP AI Strategy 北美副总裁 Satinder Pal Singh 则将 AI 代理定位为“数字同事”。他建议通过三个维度评估潜在用例:影响力、可行性和可扩展性。企业应确定代理能在哪些环节推动核心业务指标,验证现有数据和人才是否支持该用例,并确认成功的应用能否被复制。“无法扩展的试点仅仅是一个实验,”Singh 表示。
规模化背后的治理难题
随着规模扩大,治理变得至关重要。明确的政策、访问控制、监控和监督机制是确保 AI 代理可信度及符合业务要求的基础。Singh 警告称,缺乏治理不仅不会加速 AI 采用,反而会造成风险积压,最终迫使企业进行更具破坏性的停止操作和审计。
两位高管均预见了一个未来:代理系统将跨应用程序协调工作,而特定于客户的知识图谱和管理数据将成为关键的企业资产。对 Singh 而言,长期的机遇在于从“AI 作为生产力工具”向“AI 作为决策伙伴”的转变,帮助领导者理解现状、预测趋势并制定应对策略。
对话实录:跨越试点到规模化的鸿沟
Megan Tatum(主持人):许多高级领导者了解 AI 的变革潜力,但往往难以将其转化为实际成果,大量项目仍停留在试点阶段。在将 AI 整合到技术栈时,企业面临的最大障碍是什么?
Thorsten Leiduck:目前,AI 已成为客户对话中的热点议题,但许多客户难以将兴趣转化为运营模式。主要原因在于项目起步时使用了不一致的技术和碎片化的数据基础,导致大量重复工作和表现不一致,且缺乏明确的扩展路径。同时,领导者对安全性、可观测性、代理可靠性以及伦理影响深感担忧。
BCG 的一份报告显示,74% 的组织仍处于试点模式,没有扩展计划;Anthropic 的调查数据显示,42% 的人难以获取高质量数据。AI 不仅仅是一个项目,更是一个整体的企业平台,需要连接统一的数据层与应用程序的流程环境,并在整个生命周期内嵌入 AI 功能。为此,SAP 推出了“SAP 自主企业框架”。
Megan Tatum:为什么我们看到企业在 AI 应用上进展缓慢?需要发生什么样的思维转变?
Satinder Pal Singh:当我们具体审视代理式 AI 时,情况更为清晰。Infosys 和 HFS Research 对全球超过 500 家 2,000 人规模以上的企业进行了调查,发现只有 14% 的企业成功实现了 AI 的规模化部署,86% 仍处于早期探索、概念验证或碎片化试点阶段。对于一项连续两年位居董事会核心议程顶端的技术而言,这一失败率令人震惊。
我将这 86% 的核心问题描述为“AI 部门化陷阱”。许多组织建立了一个独立的 AI 团队或卓越中心,并将其与业务隔绝。虽然技术上建立了出色的试点,但企业整体无法识别自身需求。思维转变必须是从“技术倡议”转向“运营模式转型”。AI 不再是 IT 部门为企业做的事情,而是整个组织共同做的事情,每一个功能和流程从一开始就嵌入其中。
提前行动者正在获得优势。你不能以后购买同一个平台来完成交易。据 Infosys 知识研究所的人工智能成熟度指数显示,目前只有 8% 的公司有资格成为“AI 原生企业”。如果你今天不构建 AI,你就不会停滞不前,你会以加速的速度落后。
Megan Tatum:如何评估 AI 何时是合适的工具?是否存在将其当作万能工具的倾向?
Thorsten Leiduck:在组织中推广 AI 是有意义的,旨在建立势头并激发想法。例如,旅行辅助、会议总结 Copilot 或支持性工作流能提高生产力,让每个人感受到 AI 的好处。但随着采用率增长,讨论焦点转向了经济学和治理,如代币成本、模型性能、安全性和问责制。
并非每个任务都能证明国家层面的价值投入是合理的。在某些情况下,人类努力仍然更经济或更有效。聪明的方法是从一组明确的高价值用例开始,关注每笔交易的成本或顶部线路改进,然后扩展效果。这些用例可以与特定的业务领域或行业场景联系起来,并通过最佳实践扩展到更多客户。
Megan Tatum:Satinder,你对于改进 AI 战略、确保组织专注于最高回报领域的建议是什么?
Satinder Pal Singh:Thorsten 将 AI 代理视为数字同事,这迫使人们精确使用代理式 AI 策略语言。在 Infosys,通过 Topaz AI-first 框架,我们让客户通过三个镜头评估:
- 影响:部署代理会影响哪些重要数字?收入、成本、工作资本风险。我们建立了 300 多个跨行业的企业用例库,避免从零开始。
- 可行性:鉴于当前的数据基础、平台和人才,哪些高影响力应用案例能实际执行?顺序取决于可行性。在破碎的数据基础上,高影响力用例是不可行的。在一个 Infosys 项目中,复杂的 SAP 规范文件处理时间从 86 个工作小时减少到 6 个。
- 可扩展性:一旦证明了投资回报率,什么架构能让你复制它?我的实用建议是将 AI 投资组合当成金融投资组合管理:快速获利为项目提供资金,进行中期投资,并保留一两个大胆的长期投资。
Megan Tatum:组织如何以更有结构的方式处理和管理 AI?有哪些基本问题常被忽略?
Thorsten Leiduck:许多组织忽视的基本要素是数据。如果没有数据结构以及在正确的时间获取正确信息的能力,AI 就无法运作。企业需要建立一个含义丰富的连接数据层。
第二个重要因素是准确性。在企业环境中,特别是在供应链或结账等关键业务流程中,80% 的准确率是非常糟糕的结果。你需要更加精确,因此必须将业务流程逻辑和行业背景嵌入到数据和模型中。
第三个关键因素是治理。所有代理都是流动的,在企业环境中非常重要。你需要制定明确的政策、准入控制和监控能力,确保 AI 代理执行的任务是完全一致、可信且可扩展的。
Megan Tatum:Infosys 和 SAP 如何合作简化这些流程?
Satinder Pal Singh:我们在 Infosys 与 SAP 的关系是独一无二的,既是客户也是主要供应商。SAP 提供了平台基础,包括语义丰富的企业业务数据云、用于管理 LLM 的生成式 AI 中心,以及从第一天开始的生命周期治理代理中心。Infosys 提供深入的实施、行业背景和用例加速器。
通过 Infosys Topaz,我们已在商业 AI 平台上构建了 50 多个预配置的 AI 用例。在实际应用中,一个全球 S/4HANA 转型项目利用 AI 辅助交付工具,在五个月内完成了超过 480 个 RICEF 对象,速度远超传统模式。另一个案例中,由 AI 驱动的平台每月自动分类超过 120,000 起 SAP 事件,且不向分析师收取费用。综合效应下,价值实现时间从 12 至 18 个月缩短至四到六个月。
Megan Tatum:请详细介绍 SAP 商业人工智能平台及其差异化优势。
Thorsten Leiduck:SAP 商业 AI 平台是 SAP 自主企业框架的基础,围绕三个核心支柱组织:
- 构建(Build):客户或合作伙伴可以使用最好的工具和模型创建代理、应用程序和工作流程,扩展 SAP 自己的助手。
- 上下文与理性(Context and Reasoning):这是基础数据层。我们通过 SAP 数据云和综合数据策略,在合作伙伴平台之间建立端到端的数据结构。我们建立和协调语义数据层,允许结合不同的数据源而无干扰。此外,我们将 50 多个语言模型整合到一个单一的驾驶舱中,并将大量的业务语义和语境转移到知识图中。
- 治理(Governance):这是内置的关键支柱。SAP 代理中心是整个企业 AI 和代理治理的指挥中心。你可以管理 SAP 代理,也可以通过 A2A 集成管理非 SAP 代理。团队可以管理从招聘到退休的代理终端生命周期。
Megan Tatum:能否分享一些组织在实践中使用该平台的例子?
Satinder Pal Singh:我分享两个来自 Infosys 实时参与的例子:
- 全球多元化制造商:面临月底关闭挑战,涉及 80 多个 SAP 交易代码,团队需在晚上和周末工作,L1 支持每月吸收 300 多起事件。我们在商业 AI 平台上部署了 Topaz Fabric,一个主代理协调五个专业子代理(WBS 积累、收入确认、公司间结算、主数据协调和 SOX 审计轨道生成)。代理自主运行,仅将真正的例外升级到人类。结果,整个 L1.5 支持层被淘汰,年度储蓄超过 100 万美元,关闭团队从被动救火转向前瞻性财务分析。
- 北美公用事业公司:在 S/4HANA 转型中面临开发速度瓶颈,复杂的 SAP 功能规范文件通常需要 80 人或更多人员。使用商业 AI 平台的 AI 原生开发环境与 Claude 驱动的检索系统,我们将规格编写时间从 86 小时减少到 6 小时。该架构现在已在各个账户中复制。
Megan Tatum:如何确保负责任的 AI 和明确的治理框架嵌入到 ERP 中?
Thorsten Leiduck:在企业规模提供相关、可靠和值得信赖的 AI 时,治理合规性和安全性至关重要。许多公共 LLM 服务在互联网规模数据上进行培训,这意味着它们是公共模型。根据供应商政策,它们可能保留模型改进的输入,如果公司向模型提供数据,这些数据可能进入公共领域,使组织面临重大风险。
公共 LLM 在结构化表(如 ERP 系统)中效果较差,且通常缺乏业务流程逻辑和背景的细微差别。这就是为什么强有力的治理框架至关重要。SAP 代理中心提供了单一来源工具,包括代理注册、LLM 注册和 MCP 注册。你可以管理身份和访问控制,确保代理拥有正确的权限,并提供代理可观察性和技能映射。
Satinder Pal Singh:我们在 Infosys 知识研究所发布的“生成式 AI 雷达”显示,几乎一半运行 AI 的企业没有文档框架、监督、问责或合规。我与客户使用的治理框架有三个层面:
- 政策:明确的全组织 AI 使用政策,界定代理自主行为的边界、数据使用规则及问责制。这需要法律、合规、技术团队及董事会级别的赞助。
- 平台:SAP 商业 AI 平台特别是 SAP 代理中心成为企业控制塔。代理注册表、可验证的身份、范围访问路径、可观察性及漂移检测等功能,为领导者提供了复杂多代理系统的实时可见性。
- 流程:反复出现的治理仪式,如季度风险评估、偏见审计和模型绩效评估。这三层结构实际上加速了部署,因为每个新用例都有明确的批准路径。
Megan Tatum:你们在地平线上看到了哪些可能改变游戏规则的发展?
Thorsten Leiduck:我们正走向一个持续、快速的 AI 应用时期,助理和代理将作为数字合作伙伴嵌入组织。重心将从单一的应用层转变为代理价值层。商业模式也将演变,从基于消费转向基于价值和结果的协议。在技术方面,LLM 领域仍有巨大变化,新的架构和训练方法将降低总拥有成本,提高可控性。本体论和客户特定的知识图将成为一流的资产,是未来安全高性能企业代理架构的蓝图。
Satinder Pal Singh:最令人兴奋的是 AI 从生产力工具转变为决策伙伴。几十年来,企业系统告诉我们发生了什么;现在,AI 帮助领导者了解现在发生什么、接下来会发生什么以及采取什么行动。
想象一下,CFO 每天开始时,有一个代理持续分析财务、供应链、采购和劳动力数据信号,主动浮现最可能影响季度的三个问题,并提供量化财务影响的推荐行动。这不是仪表盘,这是一种根本不同的决策模型。
过去的技术浪潮中,约束是稳定的,你可以围绕限制进行架构设计多年。但 AI 不同,程序开始时看似受限的用例往往在上线前就被解决。SAP 的先验模型一旦填补了清晰的 LLM 缺口,就改变了结构化数据推理。决策智能到来的速度比大多数组织的规划更快。获胜的策略是为 18 个月后的 AI 状态进行设计:灵活的架构、可信的数据基础,以及能够吸收创新的治理体系。





