跨国深谈← 返回←SAP CEO:单靠 LLM 跑不动企业,商业 AI 只差几个月

SAP CEO:单靠 LLM 跑不动企业,商业 AI 只差几个月

关联

人物 Christian Klein

公司 SAP · OpenAI · Anthropic

概念 智能体 · ERP · LLM · 准确率 · vibe coding · 本体 · governance · 开源 · 前沿模型 · 模型切换 · Token 上限 · JouleWork · 财务结账 · AI 法案 · 再培训

这一集是科技播客 Big Technology 的专访,主持人和聊的对象是 Christian Klein——SAP 的 CEO。SAP 是欧洲最大的软件公司,做的是 ERP(企业资源规划)软件,也就是把一家公司的财务、人力资源、制造、供应链、销售整合进同一个系统的那类软件,全球大量最关键任务型的业务跑在上面。

【背景】主持人是 Big Technology Podcast 创始人 Alex Kantrowitz;Klein 七年前开始担任 SAP CEO,主导了公司的云转型。

这期访谈最反直觉的一点:当”AI 冲击 SaaS、人人都能自己写软件、SAP 要被取代”的叙事困扰软件业大半年、SAP 股价今年一度跌去 21% 之后,Klein 给出的回应不是防守,而是进攻——他说商业 AI 是真实的,距离真正能信任 AI 运营你的业务,已经”不是按年算,是按月算”。

100% 准确率:企业 AI 的真正门槛

Klein 承认 AI 今天就”理解业务”,比如 SAP 的财务结账智能体已经能干活,但准确率大约是 93%——而审计场景需要的是 100%,90% 的准确率等于不能用。你的审计师不会接受”这次数字高了 7%“这种说法,数据必须经过审计和认证。

但他判断这个坎很快能翻过去:“对我而言,这更多是一个’还有几个月’的问题,直到我们真正达到一个可以信任 AI 运营你业务的水平。“而且这是分任务推进的:财务结账场景先到,供应链优化智能体可能要再等八到九个月。现在讨论的单位已经不再是”年”。

关键在于:不同场景对准确率的要求完全不同。让同事 Jules(他们的内部 AI 协作者)安排一次客户简报,95% 的准确率完全够用——Klein 不再需要一屋子人帮他准备客户会议材料;但做财务结账就是另一回事。他还给出一条硬规则:智能体上线前必须达到 95% 或更高的准确率,否则根本不值得发布,客户压根不会用。

光有好模型不够:数据烂、治理缺,智能体就废

为什么企业 AI 试点十个里九个落不了地?Klein 认为障碍不只在模型,而在模型底下的东西。

有客户当面夸他的财务结账助手好用,但补了一句”它只有 93% 准确率”——而这家公司里飘着一百个财务系统。“你的数据是一团糟。“系统越多、数据质量越差,AI 智能体的准确率就越低。

他的应对是把数据清理本身也交给 AI:让 AI 自动匹配 SAP 与 Salesforce、Workday 等系统之间的数据,配上开箱即用的语义数据层,让企业不再需要一支数据科学家大军每到月底手动对账。另一个支柱是治理——在美国运营政府等公共部门客户时,智能体必须理解哪些数据能访问、能共享、存到哪。

“智能体不能就那么放任乱来,在不了解某个国家的税务要求的情况下做财务结账。“他的结论是:LLM 超级强大毋庸置疑,但必须加上流程上下文、数据上下文和治理——而这是 SAP 干了 50 年的事。

“SaaS 末日论”为什么没杀掉 SAP

过去大半年流行的叙事是:开发生产力疯涨,人人都能用 vibe coding(用自然语言提示直接生成软件)自己写一个 SAP。Klein 的做法是让产品团队把整个产品组合过一遍,逐个评估”哪个能被重写替代”。

结论很快出来了:ERP 里有 700 万个数据字段需要关联,数亿个数据关联是经营一个企业必须理解的,再加上按行业、按国家的深层流程知识——SAP 每年投入数亿美元只为保持软件合规。真正容易被复制的只有一两个流程和数据上下文很少的小方案。

但他并不因此松口气:“在下一个阶段,价值创造正从记录系统向上移动,我们的 AI 必须是世界一流的,才能捍卫我们在记录系统中的存在。“至于主持人提出的更尖锐的理论——OpenAI、Anthropic 会不会扣住最强模型、自己往上游做企业业务?

Klein 的回答是:市场上有足够多健康的模型竞争,很多开源和自有权重模型性价比更好,他”不担心哪个提供商说不再给我们提供模型了”。纯 API 连接、纯 MCP 服务器,给不了他平台上那种本体(ontology,把 SAP 数据和非 SAP 数据如机器传感器信号串起来的语义逻辑层)和治理。

员工会更累吗?SAP 内部怎么用 AI、管 token

主持人抛出了一个值得琢磨的问题:如果 AI 包揽所有机械性工作,剩下全是高强度认知工作、节奏还更快,这是不是倦怠的配方?Klein 承认”确实有可能是”,很多工作会剧烈改变——财务和 HR 里的控制、合规检查会全部被智能体自动化,而”那是成千上万人的全职工作”。

但他从员工和客户那里听到的是另一面:大家都很乐意摆脱无穷无尽的审批流和合规检查,专注真正重要的事;他的日常被腾出来后,反而有更多时间和团队讨论战略。目前他没观察到疲劳上升。

关于工作安全,他给员工的诚实版本是:12 个月后 SAP 需要的职位画像组合会不同——要招更多数据科学家、全栈开发者,一些岗位需要更少的人;关键不是单纯裁员重组,而是再培训加新旧员工搭配(“你需要领域知识,你需要理解 AI 底下的软件”)。他举了真实案例:大量曾经写本地部署软件的开发者成功转型为云时代开发者,心理转变和工作方式都得换,但确实可行。再培训在实践里最大的敌人是心态,不是技能。

内部管理上,SAP 也经历了 token 成本的觉醒。他们的”最吞 token 的 1% 员工”同样存在,一开始 Klein 不愿设限——“现在我们告诉每个人用 AI 提升自己,结果我第一个引入 token 限制,这个信号不好”。

直到花费真正失控,他们才按职位画像设了”健康且公平”的阈值,超出可以走审批流程追加;而做模型训练的前 1% 不设限,因为智能体准确率全靠他们。但他强调,比设限更有效的是模型切换:“当你从一个模型切换到另一个模型时,这可以把你的成本削减 10 倍、一个数量级。“SAP 现在推向市场的每个智能体都要用不同模型测试,很多智能体已经换到第五个模型,只为准出结果对 token 成本的比。

模型采购的新现实:不用最贵的,用最对的

主持人引用 Ramp 经济实验室的数据:AI 支出里花在前沿模型上的比例一个月内从 53% 降到 45%,说明企业发现不必用最好的 AI 也能成功。Klein 确认 SAP 是同样的模式:写代码仍大量用前沿模型,但”生成一份人数报告""做一份财务报告”这类任务,开源模型表现够好、成本对比之下就直接切换。他甚至收购了一个表格 AI 模型,不用任何数据科学家碰数据,就对一家零售商的全部数据做出了与其之前 10 人数据科学团队相同准确度的预测。

他的总结很直白:前沿模型确实越来越好,但”人们不需要最尖端的东西”,而标准模型往往是”用 10% 的价格获得 80% 的性能”(主持人语,Klein 附议)。对前沿实验室的启示,他认为和 SAP 自己 50 年的经历一样:竞争者会从寥寥无几变成数以百计,“唯一的办法就是持续创新来证明这个价格的合理性”——如果你没有比其他人好很多,某个时点就很难证明溢价了。

至于未来会不会出现 ChatGPT 直接当前端、绕过 SAP 界面的世界?Klein 的答案是”两种都提供”,但层次分明:第三方智能体(包括 OpenAI、Anthropic 的)可以通过 SAP 的 API 网关和智能体网关访问 SAP 系统,这完全没问题;但他赌主路径仍是他家的界面 JouleWork,因为更好的上下文加更好的治理,“你不会想看到一个 AI 智能体在你的 ERP 系统里做不受控的事情”。

欧洲:监管意图是好的,但该管结果、别管技术

Klein 承认布鲁塞尔的监管者”全都是好意图”,但批评他们倾向于监管技术本身,叠加出《AI 法案》《数据法案》层层互相重叠的规定,连企业的数据保护官都搞不清边界,让初创公司在欧洲几乎无法起步。“你需要监管,但应该更多地监管商业结果、对社会的影响,而不是技术本身。

你怎么可能有竞争力,如果你是世界上唯一真正监管技术的地区。“他对回滚有信心:欧洲已启动名为 Omnibus 的简化与去监管措施,西门子等企业也在传递同样信息。

本集带走

• 企业 AI 的门槛是准确率,不是聪明度:审计级任务要 100%,简报类任务 94% 就够;SAP 的规则是准确率不到 95% 的智能体根本不上线。按任务分级,而不是一刀切。
• Klein 的时间表:几个月,不是几年——财务结账等场景即将达到可信水平,供应链优化约再等八到九个月;企业 AI 的爆发卡点正在被逐个拆除。
• 模型下面才是护城河:700 万数据字段、数亿数据关联、按行业和国家的合规知识,加上治理(谁能看什么数据、懂各国税法),这些是”LLM + AI 基础 + 治理”公式里 LLM 之外的部分,也是 vibe coding 复制不了的。
• 成本管理靠切换模型,不是靠限流:同一个任务换模型能省一个数量级的钱,SAP 的很多智能体已迭代到第五个模型;前沿模型仍留给代码和主权合规场景。
• 不想被绕过,就做别人给不了的前端:第三方智能体放行,但必须走它的智能体网关;赌用户为了完整上下文和治理留在自家界面。

AI 理解业务,但有时你需要 100% 的准确率,90% 是不够的。
AI understands business, but sometimes you need an accuracy of 100%, 90% accuracy is not enough.
—— Christian Klein · [05:36]

这更多是一个”还有几个月”的问题,直到我们真正达到可以信任 AI 运营你业务的水平。
this is more a question of now months until we are really reaching a level where you can really trust AI running your business.
—— Christian Klein · [06:02]

商业 AI 是真实的,商业 AI 正在到来。
business AI is real, business AI is coming.
—— Christian Klein · [06:54]

所以我们的 AI 必须是世界一流的,才能捍卫我们在记录系统中的存在。
So, absolutely, our AI needs to be world class to still also defend our existence in the system of record.
—— Christian Klein · [27:19]

它们往往是用 10% 的价格获得 80% 的性能。
They tend to be like 10% of the price for 80% of the performance.
—— 嘉宾 · [47:29]

当你从一个模型切换到另一个模型时,这可以把你的成本削减 10 倍、一个数量级。
And when you switch from one model to another, that can cut your cost by 10, by a factor of 10.
—— Christian Klein · [54:00]

我想你需要监管,但你应该更多地监管商业结果、对社会的影响,而不是技术本身。
I guess you need regulation, but you should regulate more the business outcome, the impact on a society and not the technology per se.
—— Christian Klein · [59:33]