程曼祺
袁欣总，您可以先和我们的听友简单打个招呼，做一下自我介绍吗？
袁欣
大家好，我是袁欣，负责 SAP 大中华区的业务，非常高兴来到《晚点聊》。
程曼祺
可以和我们的听友简单介绍一下 SAP 是一家什么样的公司吗？有的人可能知道这是一家全球的软件巨头，但由于它是 To B 的公司，对更多人来说可能不太了解。比如，它具体是做什么的，现在核心业务是什么？
袁欣
1. SAP Reinvents Enterprise Software
大多数人确实不太了解。我刚来 SAP 的时候，家里人问我：“你换工作了？去哪儿？”我说：“去 SAP。”家里人其实都不知道 SAP 是干什么的。但是在 ERP 领域里，我觉得 SAP 还是响当当的，属于业内翘楚。
在我的认知里，做 ERP 的人多少都会把 SAP 和 ERP 这 3 个字画上等号，所以 SAP 基本上是世界上最大的 ERP 软件公司。全球前 100 强企业里，有 99 家在使用 SAP 的软件。我们云转型以后，云用户也超过了 3 亿。公司的规模很大，全球有 11 万名员工，在 150 多个国家都有业务运营，所以确实是一个 To B 的巨无霸。
但它也是一家成立于 1972 年、从一家创业公司逐渐发展成庞大软件体系的企业。特别是近两年，随着人工智能和大模型的发展，我们整个产品的定位也从企业应用软件，转向希望成为全球最大的商业智能软件公司。
今年我们在蓝宝石大会上正式发布了最新的产品策略，就是要做“自主运营企业”（autonomous enterprise）。这也是在 AI 的大背景下，一个传统商业软件公司进行自我颠覆的举措。
程曼祺
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？您也可以简单讲讲，ERP 从最开始还没有完全产品化，到后来逐渐变得系统化、成熟，大概经历了怎样的过程？
袁欣
2. How ERP Runs A Business
ERP 是 Enterprise Resource Planning，也就是企业资源计划管理平台。一个企业在运转时，主要要管理人、财、物这几件事。
如果一个企业最开始什么都没有，但总要做账、报税，也要管理运营，那么最核心的就是财务。所以 SAP 最早起家的 R/1 系统，也是以财务为核心的。后来财务逐渐扩展到大家熟悉的“财务业务一体化”，也就是如何让业务数据更实时地反映到财务上，因为财务指标本身是对业务的滞后反映。
业务端发生的事情，比如后来演进出来的 CRM，就会涉及从线索到回款，也就是从一个销售线索出现，到一步步转化成销售订单，再到回款、最终收到钱的企业全流程。
所以，一个 ERP 系统，或者说泛 ERP、企业管理系统，管理的是企业从收入到回款的过程。另一端则是 procure to pay，也就是从采购什么、去哪里采购，到供应商入库、议价、供应商管理，再到采购订单和付款。
这些端到端的流程串联起来，最后就汇总成了庞大的企业软件系统。
程曼祺
我觉得也可以跟大家对比一下 ERP 和飞书、钉钉的关系，这样更多人会更直观地理解它们之间的区别。一般来说，很多大型企业肯定两类系统都要用，对吧？
袁欣
3. Why To B Is Hard
对。企业会有一个业务管理平台，也会有即时通讯、文档等办公协同工具。
在我们的客户群体里，基本上客户既会使用企业微信、飞书或者钉钉，也会和 SAP 的 ERP 系统做集成。日常办公肯定需要办公协同，包括即时通讯、会议、文档、工作流和审批流，这些属于日常交互的部分。
企业生产力以前有一个传统定义，叫 OA，也就是 Office Automation，办公自动化。这些系统主要管理日常操作。更偏后台的财务系统、人力资源管理系统，则会和企业交互系统通过接口对接。
一些交互和协同发生在钉钉或者飞书里，但最终交互的结果，还是要回传到 HCM，也就是管理人的系统，或者财务、采购、生产制造等系统里，去指导业务运行。真正的业务流程，还是在后端的 ERP 系统里跑。
当然，AI 出现以后，原本划分好的阵地一定会被重新打乱、重新审视。在 AI 出现之前，我们也看到钉钉和飞书在做应用层面的渗透。它们不满足于只做会议系统和即时通讯，比如飞书也在做 People。
因为做企业应用，尤其是在中国做企业应用，并不是一件容易的事。在应用层面，大家会发现，如果只是管理交互，相对比较简单；但一旦深入企业管理流程，就会涉及更多身份管理、安全管理，以及更多数据来源的集成。
比如管理人，就要做工资计算。每个地方都有当地的政策，更不要说支持全球化企业时，不同地区的工资薪金计算逻辑不同，纳税要求也不同。这样一件看似简单的事情，在全球化企业里的复杂度其实非常高。
这也是为什么企业应用看起来像一件很简单的事，却会支撑起一个庞大的生态系统。SAP 只是其中一家软件公司，但整个产业规模大概有 1.2 万亿美元，而 SAP 自己的收入是 300 多亿欧元、400 多亿美元。它撬动的是几十倍规模的产业。
这个产业沿着企业软件系统的路径，延伸出所有相关的外部数据协同。比如发工资，要和银行系统、税务系统对接；现在还有电子发票以及各种其他系统。一个看似简单的系统，暴露出来的 API 接口可能非常多，所有这些都会涉及安全、数据一致性和数据颗粒度的问题。
这就是为什么 To B 不太好做。
程曼祺
另一方面，像飞书、钉钉也想做 People、CRM、发票和电子签名。但它们是不是也没有像之前大家想象的那么快，进入企业最核心的业务数据平台？
袁欣
我觉得先不说 AI。其实在 AI 出现之前，单点做一些小应用的公司已经很多了。全球 SaaS 公司里，Workday 还是以 HCM 为主，Salesforce 还是以 CRM 为主，当然它们也会扩展到其他领域，但相对来说，还是点状地做企业管理的某一个方面。像 SAP 这样的综合性大平台，相对还是比较少的。
进入 AI 时代以后，从提效的角度看，比如发票识别可能使用 OCR，马上就能看到非常明显的效率提升。所以，单点解决方案和大型软件集成的情况会比较多。
但如果真的要把整个系统一体化，实操层面的难度远高于做一个单点应用、一个 Demo，或者在 Frontier Lab 里想出一个东西。真正让它适配企业实际场景，仍然有巨大的差异需要弥补。
更不要说 SAP 周边的咨询公司也需要学习新的技能，帮助客户完成这样的转型。麦肯锡有一份调研报告提到，AI 并不是简单地换成一个所谓 AI Native 的平台，事情就完成了。每花 1 美元在软件迭代上，可能还会有 3 到 4 美元的变革管理成本。
只换一个平台，本身还是新瓶装老酒，并不会带来实质性变化。
程曼祺
这正好也是我想问的。之前互联网和移动互联网的浪潮，对 SAP 这类公司的冲击，实际上没有大家想象得那么大。您觉得 AI 会怎么改变这件事？尤其是今年以来，AI Coding 的能力越来越强。
从资本市场情绪来看，2025 年年中 SAP 的股价曾经达到这几年以来的高点，超过 300 美元，但最近又回落到 160 美元。我觉得这也和大家认为 Coding 能力变强后，可能会冲击老牌企业软件有关。
您怎么看这个变化？市场哪些地方可能高估了 AI 的冲击，哪些地方又确实会带来比较大的变化？
袁欣
4. AI Rewrites SaaS Economics
我先说 SAP 本身。大家如果用高点去比较，从 300 美元跌到 160 美元，确实幅度很大。但如果稍微拉长时间轴，比如从 2021 年开始看，情况就不一样了。
2021 年是 SAP 上云的元年，我们当时定义了 Rise with SAP。也就是说，从上云到逐渐把 AI 嵌入更多流程里，产品定义经历的是一个更完整的周期。
2021 年 SAP 的股价大概在 120 多美元，不到 130 美元。即使现在跌回到 160 美元，其实仍然有 20% 多的增长。反观一些公司，如果也拿 2021 年和现在对比，会发现它们很多产品几乎已经不存在，或者已经夭折了。
AI 带来的冲击，在单点解决方案上确实可能是完全替代。比如 AI 对 SaaS 的冲击，单点 SaaS 的公司跌得更厉害。Adobe 当时差不多接近 500 美元，后来跌到 200 多美元，最近大概在 220 美元左右。
这类工具型产品被替代的情况，可能会更明显地体现出来。还有一些属于竞争加剧，比如 Zoom，基本上也跌掉了大部分市值。当然它当时也吃到了疫情红利。现在 AI 出现以后，很多公司面临竞争加剧，原有功能也可能被 AI 同化和替代。
SAP 除了受到所有 SaaS 公司共同面临的恐慌影响、被市场用脚投票打压股价之外，传统 SaaS 的商业模式本身一定会受到冲击。传统 SaaS 的定价模式都是按照用户数收费，你有多少用户，我就收多少钱。
程曼祺
我想先问一下，ERP 算 SaaS 吗？
袁欣
云化以后就算 SaaS。在广义上都算 SaaS，只不过我们属于比较大的 SaaS，和单点 SaaS 不一样。单点 SaaS 跌得更厉害，而 SAP 可能还算保持正向增长。
对于不是完全可替代的 SaaS 公司，冲击主要有两方面。第一是竞争加剧，Coding 效率提升、成本降低，原来值钱的东西可能变得不值钱。
第二，大家对于原有定价模式的认知发生了变化。以后都 AI 化了，还按照人头收费吗？即使你裁员速度比别人慢，可能也只是说明你做得比别人好，而不是你有明确的路径通过增加用户数来支撑业务增长。
所以，更多冲击还是来自商业模式本身。SAP 也意识到了这一点，不会坐以待毙。未来 SaaS 的定价模式，可能更多是 consumption-based，也就是按照使用量定价，而不再单纯按照用户数或者坐席数收费。
程曼祺
Consumption-based 就是按使用量收费。现在 Token 基本上也是按使用量定价。
袁欣
对。硅谷更新的一些公司还会采用 RaaS，也就是 Result as a Service，按结果收费。问题就变成，如何建立准确的定价模式，这也是 SaaS 公司面临的挑战。
程曼祺
您刚才说的冲击有两个点。一个是商业模式上，大家会从按坐席收费，更多转向按消耗量收费，未来也有可能按照服务价值和成果收费。
另一个冲击是 Coding 出现以后，一些过去值钱的东西可能变得不值钱了。哪些东西可能不再那么值钱？软件企业过去积累的哪些东西仍然有价值，是 AI 短时间内比较难冲击的？
袁欣
现在 AI 变现路径比较清晰的，主要还是 Coding。资本之所以加码 Coding，也有这个原因。
5. The Business Logic Moat
简单编码可能 1 个小时生成几千行，达到两三千行；复杂一些的，比如需要加入校验和安全性，可能 1 个小时生成两三百行。以这样的 Coding 产出，纯粹从数量上比较，我们取一个中间值，比如每天 2 万行代码。
SAP 现在的 S/4 有几亿行代码。
程曼祺
如果你们服务一个客户，而这个系统在客户那里是私有化部署，那这几亿行代码都要部署在客户那里吗？
袁欣
传统意义上的 On-Premise 部署是这样的。但 SAP 是模块化的，我说的几亿行是所有模块加在一起的总量。
如果要复刻这些代码，用 AI 跑，也不是一件轻易的事情。现在一些创业公司有两三百万行代码，已经算是比较成型、可以上线运行的应用了，所以在数量级上还是有差异的。
当然，更复杂的其实是业务逻辑。复刻代码本身相对简单，但业务逻辑到底是什么，可能才是更大的挑战。
只要现在的世界还是一个以碳基生物为主的管理世界，短期内企业运转的形式就不会发生大的调整。该生产的东西，还是要在工厂里生产，只不过生产流程里人的干预可能会减少。
但整个企业，也就是 ERP 底层的流程，其实并不会改变。SAP 沉淀下来的，不管是几亿行代码，还是对通用业务的底层逻辑支撑，仍然存在。当然，流程中一定会有提效的空间。
我们现在也在使用 AI 工具去探索，哪些流程节点可以提效。反过来说，如果已经有其他方式可以复刻这样的功能，其实没有必要重新做一遍。如果它已经是一个相对标准化的东西，为什么不用呢？
未来真正能创造价值的地方，还是如何在既有标准流程之上，用更高效、更低成本的方式，服务更多企业的个性化需求。这是未来非常广阔的空间。
所以，我们说在基本流程之上的 AI 到底能做什么，哪些事情真正能够带来业务价值，这一定会是更重要的战场。
程曼祺
总结一下您刚才的意思，是不是说 SAP 过去积累的很多软件能力，一方面体现在系统层面，有海量代码；另一方面体现在业务逻辑上。因为现在这个世界的商业和制造仍然这样运转，所以这部分积累依然有用。
标准化的底座是 SAP 积累下来的，在这个基础上，如何用 AI 更定制化地服务客户的个性需求，是 AI 可以发挥价值的地方。
袁欣
6. Trust Keeps Enterprise Software Alive
我觉得这里还要细分不同的业务形态，因为大公司和小公司的路径不太一样。
小公司可能只需要管理十几类简单事项。如果只是做一个简单的管理系统，那完全可以用 Web Coding 做一个很简单的应用，服务于自己可见、可管理的目的。对于小公司来说，用低成本做这件事是很容易的。
程曼祺
之前我和阿里的陈宇森交流时，他也提到，未来软件可能有一种形式会变成“日抛式”的。很多需求比较临时、比较个性化，可能用比较低的成本，通过 Web Coding 做出来，自己用一用，过一两周之后也许就不需要了。
袁欣
我觉得不排除这种情况。我们还是要把它分成不同形态来看。即使在大公司里，也会有日抛型工具。
现在的架构设计基本上都会提供 Agent Studio。如果现成的工具都不能满足需求，你可以自己做一个日抛型工具，服务某一个特定目的，用完以后就不再使用了。这类工具可以随时产生。
但回到 ERP 领域，如果是一家小公司，只是自己管理业务，大家还是以家庭式或者熟人之间的信任为基础，不需要对外披露财务报表，也不需要接受审计，那么权限管理和审计线索是否足够严格，可能并不是最关键的。
它最大的诉求只是让业务可见。这样的话，快速构建一个工具，服务自己的目的，就可以了。
但如果公司逐渐长大，不再只是和认识的人协同，而是要和外部的人协同，那么在现在的社会条件下，如何建立更广泛的信任基础，就变得很重要。别人要相信你的数据代表真实业务，和你进行数据交互时，也要相信这些数据是可靠的、有人背书的。
这时，你还是需要一个得到更广泛共识的平台，才能让你的数据变成别人可以消费的数据。社会的基准值里包含各种法律法规和监管要求，你就必须合规。合规之后，它就变成了企业级诉求，而不再是自己手搓一个小作坊，只要业务能运转就可以。
所以，它和企业的生命周期高度相关。你处于生命周期的哪一步，诉求是什么，决定了你需要什么样的系统。
进入上市阶段以后，很多企业还要出海，复杂度就更高了。我在中国了解、做出来的东西，拿到墨西哥可能就不一定能用。当地的税务和监管都不一样，多币种、多语言支持也有不同要求。
所以，你还是需要一个更复杂的平台。当然，我不认为 SAP 自然而然就是唯一选择。所有新的 AI 平台都在自我演进，关键要看 SAP 自我演进的速度，和瞄准这块市场的新玩家相比谁更快。
SAP 在这个时间点首先有一个自我认知：我们属于可能被颠覆的那一方，所以更应该奋发图强，主动颠覆自己。我们要把对业务、对不同行业的理解继承下来，同时解决过去大家对 SAP 的一些抱怨，比如系统复杂、实施周期长、交互性差。
AI 出现以后，自然语言交互已经成为大家默认的方式。用户可以通过 Joule 告诉系统自己的意图，我们通过意图识别，指挥不同的 Agent 完成任务。有的 Agent 负责辅助，有的负责编排和指令分派，有的负责实际落地执行。
这样的架构可以屏蔽底层几亿行代码的复杂度，让用户拥有更友好的交互界面。很多 Agent 也能够自动执行过去需要用户逐个进入系统、逐个查找和点击的操作。
我们希望通过这样的架构和功能变化，让客户真正体验到 AI 给传统 ERP 软件带来的不同。
程曼祺
您刚才说了一个我之前没有想到的价值。对大公司来说，我能想到 ERP 的价值在于，大公司的业务比较复杂，流程更长，对外联系的人也更多，所以需要更复杂的系统。
但您刚才还提到，使用一个大家认可的平台，也是在市场上为自己的信誉背书，是建立信任网络的一部分。这个角度很有意思。
顺着这个话题，现在有一种比较激进的想象：未来可能没有特别大的公司，公司都会变小。而 SAP 的客户肯定还是偏中大型客户。
您觉得未来大公司和大组织是否还会存在？它会以什么样的形式存在？未来公司组织形态的变化，又会怎样影响 SAP 的调整？
袁欣
7. The Future Of The Company
这是个很好的问题。一提到 SAP，大家默认它是一家大公司。但从我们的实际数据来看，SAP 80% 的客户其实是中小企业。
程曼祺
你们把多少规模以下的企业算作中小企业？
袁欣
年收入 10 亿元人民币以下。
对外宣传时，我们肯定会说世界前 100 强里有 99 家在使用 SAP，因为用大品牌做宣传，尽人皆知，所以这部分会被说得更多。但从实际情况来看，企业复杂度越高，对系统的依赖性越强，这也是一个天然属性。
往根本上说，为什么公司会存在？是因为在公司边界内的交易成本，高于和外部交易的成本，所以公司才会以这样的形态存在。
随着 AI 打破很多既有定价模式，公司内部交易的成本，是否还会低于把事情外包给 Agent 的成本？如果不一定，公司存在的形态就一定会发生改变。
所以我个人认为，这个趋势是会出现的。大公司未来是不是一定还会以大公司的形态存在，是不是还会以紧耦合的形式存在，都不一定。
但一方面有让组织变小、变分散的力量，另一方面也有让组织聚合的力量。AI 还处在大家都未知的阶段时，一个东西到底如何提升可信度？在一个可信的平台、一个大的 umbrella 下面，采用联邦制的方式，可能会让企业在面对未知时，更容易建立信任和背书机制。
所以你会看到，有无形的手把组织往伞下拆，也有无形的手让组织聚合。最后会形成什么样的形态，现在说还为时尚早。
但比较形成共识的是，我对 AI 的长期发展仍然非常乐观。我认为它一定会影响现在企业的结构，也会影响就业构成。有一些岗位会逐渐减少，甚至消失，但 AI 带来的很多新需求也一定会长出来。
我们现在处在所谓第四次工业革命的中间点。回看蒸汽机、电力和互联网出现后的工业 1.0、2.0、3.0，它们都经历了从新技术扰动，到生产力在全社会大面积提升的过程。
第一次工业革命大概经历了七八十年，才出现大面积的全社会生产力提升；电力时代可能缩短到了三四十年；互联网时代则缩短到 20 年左右。
现在，AI 以及物联网等技术带来的冲击，什么时候会泛化成更多新产业形态？当整个社会的资源分配和生产资源分配以新的形式出现时，生产力才会外溢到其他行业。
现在看到的可能还是 AI 相关领域的狂欢，传统领域还没有很好地显现和享受到这种变化。我觉得这不是不存在，而是历史规律告诉我们，技术外溢需要时间。
但这个时间周期正在逐步缩短，所以它一定会到来。问题是，我们是否已经准备好迎接这样一次巨大的产业变革和重塑。
程曼祺
刚才您提到，企业个性化服务的需求如何被满足。正好可以请您介绍一下 SAP 现在自己的 AI 愿景。
今年 5 月的蓝宝石大会上，SAP 发布了自主运营企业的愿景，推出 SAP Business AI 平台、Joule Work 作为 AI 交互界面，同时也推出了 50 多个 Joule 智能助手。
袁欣
8. SAP Builds An Autonomous Enterprise
我们希望，autonomous enterprise 到目前为止仍然是 human in the loop 的形态。也就是说，由 Agent 执行，但人要做判断。
在人做判断时，我们希望 Joule Work 成为前端交互入口。它包含意图识别，以及所有辅助工作的功能。如果现有 Agent 不能满足个性化需求，Joule Work 也可以让用户进入 Studio，自己构建 Agent。
SAP 主要的变化，是把应用层面做薄，把更多数据和流程暴露到上一层，让 Agentic 这一层的定义和使用更加顺畅。
这些能力不仅服务 SAP 自己的 Agent。未来和非 SAP 数据、外部数据交互时，如何让业务流程运行得更顺畅，也是我们现在要做的事情。
更重要的是，如何基于既有知识构建企业知识图谱。很多知识图谱，都是从企业自己的业务流程中梳理出来的。随着个性化需求增多，企业还会形成大量和自身相关的“企业记忆”。
现在很多 Agent 的能力受到限制，是因为它们的长上下文、长期任务处理能力还不够。除了基础模型本身，我们还要在上层通过上下文和 Harness，提升 Agent 执行的效率和准确度，这可能也是 SAP 比较有优势的地方。
SAP 的语境主要基于 Table，也就是关系型数据库，更多是结构化数据。在结构化数据的语境下，我们既可以发挥传统机器学习在预测准确度上的优势，也可以在合适的场景里吸收大语言模型的意图理解能力。
这样的组合，能够让用户更轻松地完成业务，同时保证准确性。
程曼祺
如果用一句话总结，自主运营企业指向的目标是什么？
袁欣
我们希望把 SAP 的系统从一个记录型系统，变成一个可执行的系统。
程曼祺
也许越往后，人的部分会越来越少，系统会更加自主，Agent 自动执行的部分越来越多。
袁欣
我觉得未来 5 到 10 年，一定还是 human in the loop。复杂作业现在一定需要人干预。
比如大型集团的财务关账，听起来是一个相对标准的流程，但每次月结关账时，光是企业间往来的核对，也就是 intercompany reconciliation，就会出现各种情况。Agent 运行完以后，可能完成 70%、80%，甚至 90% 的核对，但剩下的差异可能是汇率导致的，也可能是数据错误，这就需要人来判断。
再比如坏账计提，到底采用什么模式、计提多少，也需要人判断。所有这些计提，都还需要人在里面做判断。
所以，在企业管理的典型场景里，一定是 Agent 先完成日常 70% 到 80% 的自动化工作，然后由人做最后的审核和确认。对于那些不能直接通过数据推演出来的关键问题，也要由人做判断，最后才能完成端到端的流程。
程曼祺
听下来，SAP 主要是在 Agent 应用这一层做很多工作，同时联动过去积累的企业业务逻辑、系统里沉淀的数据，以及源源不断新进来的数据。
你们选择的路径，是不自己做基础模型，而是和 OpenAI、Google、微软等拥有基础模型的公司合作。您之前在微软工作了很多年，微软可能会自己训练一些模型。能不能讲讲这个选择是怎么形成的？SAP 之前讨论过自己训练大模型吗？毕竟 SAP 的体量和资源也比较多。
袁欣
总体来说，大家还是分工合作。
9. Models Meet Enterprise Reality
从 SAP 的历史和业务发展来看，现在做建模的公司关注重点各不相同。SAP 擅长的是企业运营侧的流程和数据处理，以及用户交互侧的知识积累。
现在模型演进的速度非常快。以前做 Coding 时，大家认为自己是在一个细分领域里做产品，但随着模型能力提升，很多领域都可能被覆盖。Cursor 也被收购了，这就是一个例子。
我们一方面希望利用所有最强模型的能力，所以 SAP 会和基础模型厂商合作。我们提供的可用模型数量很多，因为我们对比过，不同厂商的模型适合的场景不一样。有些模型主要运行在自己的云上，有些模型有自己的闭源体系，而 SAP 对第三方模型保持开放。
因此，我们会根据具体场景，选择最合适的模型。
另一方面，从基础模型到最终满足客户诉求之间，还有 Harness、Reasoning 等层级。这些都是大家在技术路线探索过程中，逐渐形成的结果校正和改进方式。
现在技术路线还没有完全收敛，尚未明确什么样的组合是最优组合。基础模型的能力还在不断提升，也有人尝试通过后训练做小模型，让它们在特定私域数据上表现更好。
对 SAP 来说，我们也对这种合作模式保持开放。把可能性打开以后，可以选择的技术组合就更多。
我们自己也在做专属模型。刚才提到，SAP 的数据基本还是以表结构的形式存储，属于结构化数据。我们有 SAP-RPT-1，现在已经发展到 SAP-RPT-1.5，这是基于表格数据训练出来的垂直领域模型。
在真正满足客户需求时，比如预测未来回款，它可能会调用外部大模型获取客户商誉、近期是否有回款压力等信息。同时，系统内部还可以获得客户过去所有历史订单的履约情况，这些都是结构化数据，不应该出现任何幻觉，必须非常准确。
客户可能只是提出一个简单问题，SAP 就会聚合不同模型的能力，最后生成最符合要求的答案。
简单来说，SAP 持开放的合作态度，什么样的技术组合更能满足客户诉求，就采用什么样的组合。
程曼祺
有些技术不一定要用到模型，对吧？
袁欣
对。大模型现在的技术范式，多多少少都会有幻觉。
我们会通过 Agent 的反思和校正机制，尽量排除幻觉。但在企业，尤其是财务管理领域，99% 的准确率也不一定能接受，可能需要 100% 的准确率。
在模型评测中，90% 以上可能已经是很高的 Benchmark，但在现实业务里，它可能仍然不可用。所以，具体场景下要判断应该采用什么技术和实践方式。
程曼祺
这正好也是我想展开问的。从模型到企业应用之间有一个 Gap。现在有一个很流行的说法，叫“模型即产品”，但它在 To B 市场可能并不成立。
袁欣
我不想下一个很绝对的定义，因为未来模型会发展成什么样，确实还不知道。如果真的像电影里的 The Entity 一样无所不能，泛化能力非常好，走到那一天，情况也未必如此。
程曼祺
那可能就变成超级人工智能了。
袁欣
对，无所不能。但在目前的现实条件下，模型有时连很基本的事情都不一定做得好。
在未来 5 到 10 年，如果既有的业务形态和企业形态不发生变化，那么在 To B 领域里，只把模型放进去肯定是不够的。
现在比较激进的大公司，都会设立 AI 专项进行投入。有些企业还会采用人机协同的方式，除了人作为员工，也有数字化员工，大家一起配合工作。
大家为什么用这样的形态来补足最后一公里？因为模型在什么场合能帮助业务多少，仍然是一个逐渐推进和探索的过程。它还没有收敛到一个阶段，不是把模型丢进去，提供清晰的选项一、二、三、四、五，让用户选择就可以了。
我觉得现在 FDE 之所以变成共识，是因为每个企业都要研究，如何把企业边界内的私域数据和模型结合起来，实现最大化转化。这是一个需要探索的课题，目前没有标准答案。
程曼祺
FDE 等会儿可以展开聊。我们先把这个 Gap 讲完。
您刚才提到，从模型到应用之间存在落差。从您观察到的案例来看，这些落差具体表现在哪里？
袁欣
我每天都会和 CIO、CLO 打交道。他们经常吐槽，老板在微信上看到一篇“AI 能干什么”的文章，就转给 CIO 说：“我也要。”
这是现在尤其让大型企业 CIO 头疼的事情。总体来说，很多企业的一号位对技术并没有那么了解。
现在最大的错位和落差，是大家以为 AI 来了，以前那些和数据相关的苦活、脏活、累活就不用干了。其实并不是这样。
AI 可以帮我们做很多事情，把无序变成有序。你可能不需要自己先把数据完全梳理清楚，再喂给 AI。但以前做数据仓库，或者做数据湖仓一体时，为了让数据变得可用，企业要耗费大量精力进行数据清洗。
AI 的出现会加速这个过程，但并不意味着这个过程不存在了。一方面，我们可以通过 AI 侦测底层数据的断点，找到问题在哪里；另一方面，要让底层数据在生成的那一刻，就带有充分的业务上下文，而不是之后再花大量精力和 Token 去清洗、加工数据。
这是现在非常普遍的诉求。
程曼祺
这主要针对新产生的数据吗？如果是企业历史积累的数据，还是要让 AI 花 Token 清洗一遍吗？
袁欣
所以现在 FDE 的一个重要工作，就是建立本体。你要在海量历史数据里，把 Business Object，也就是典型的数据对象，按照业务对象梳理出来，这样才能支撑 Agent 运行。
AI 也可以帮助加速这个过程。以前都是人做，现在 AI 也可以帮助梳理历史数据。
程曼祺
固定流程里的数据就不需要再梳理了？
袁欣
对，这里要分两步。
固定流程不需要再花 Token 梳理。SAP 里的流程一、二、三、四、五都很清晰，直接把流程加载过去使用就可以。这也是 SAP 最大的差异化优势之一。
企业里还有更多系统之间的断点。刚才提到的钉钉、飞书，很多时候系统之间的断点会在系统外完成，或者需要人为判断。
为什么会有人为判断？可能是开会、发邮件、沟通之后形成了一个决议，最后只把决议的结果记录在系统里。但这个决定是如何形成的，仍然发生在系统外。
这一部分，AI 可以帮助我们把非结构化的历史数据里老师傅的经验提炼出来。过去可能要靠人判断，计提应该怎么做。大家开了两次会，形成决定，然后按照某个比例做计提。把这些 Know-how 提炼出来以后，在建立企业记忆时，就可以把标准流程、企业自己的非结构化数据，以及线下形成的决策结合起来。
这样，企业记忆就会一层一层沉淀。面向未来提供支持时，可以自动化执行的部分也会越来越多。
程曼祺
除了这些之外，还有其他经常被吐槽的问题吗？
袁欣
还有一个经常被吐槽的问题。我认识的 CHRO 基本都会给我打电话说：“Bessie，给我推荐个人。”
现在真正懂 AI 的人，很多都在大厂和创业公司里，怀揣着对 AI 的各种想象去做事情。传统企业也需要这类人才，但真正懂 AI 的人又不愿意加入传统企业。
他们会问：“你能给我几张卡？你们在这上面花多少钱？数据在哪里？”而且他们可能不是一个人过来，还要带几个人一起做。
对传统企业来说，首先可能没有那么多资源；其次，企业虽然向往 AI，但想找顶尖人才，而顶尖人才又会提出很多要求，企业却未必理解这些诉求。这里面的人才落差非常大。
这是我现在看到的一个问题：AI 还没有在人才供给侧形成足够大的辐射，让更多人才进入传统行业，帮助企业完成这件事。
程曼祺
这正好可以聊到前面提到的 FDE。FDE 是 Forward Deployed Engineer，我的理解是一个驻场的 AI 应用工程师：他去客户现场，帮助客户把 AI 用得更好。
我最开始看到这个概念时有一个疑问：它和 SAP、Salesforce 这类大型软件公司过去一直会做的售前工程师或者驻场工程师，有什么区别？本质区别是什么？
袁欣
10. FDE Connects AI To Business
FDE 这个模式最开始是 Palantir 使用的，对吧？在那个时间点，工程师进入客户现场，更多是从数据底层的角度去看问题，所以 FDE 工程师的背景，还是偏产品和技术。
反观 SAP 这样的 ERP 软件，我们派顾问去做访谈时，他更多是行业专家或者财务专家。他会先了解客户的财务记账准则，了解客户如何做财务分析，再从客户希望看到的财务分析结果倒推科目架构应该如何设计，应该做几段定义，以及应该把什么业务信息埋在科目里。
这样才能保证客户最终要得到财务分析结果时，知道应该如何走到那里。
首先，两类人的技能和背景不一样；其次，切入的视角也不同。传统 ERP 顾问从业务端切入，最后要落到标准化产品里。
标准化产品可能从 A 到 B，大致要走 5 步。客户可能有一些个性化诉求，需要在第 3 步做额外的定制化开发，增加一些模块或功能。但总体流程仍然沿着既有的标准化流程走下来，这就是传统 ERP 实施的过程。
程曼祺
在过去的流程里，需要做定制化开发的人是在客户现场工作，还是不去现场也可以开发？
袁欣
原来通常是在客户现场，后来远程交付也没有问题。
但我觉得关键不在于是否驻场，而在于这个人的背景。过去即使是做开发的人，也往往是 Consultant，而不是产品人员。
最终做出来的客户化开发，会作为功能模块挂在标准产品之外。现在的 FDE 则是把做产品的人提前部署到客户那里，最后和客户一起做出来的东西，有机会沉淀为我的产品。
这两者不一样。传统模式是拿着标准产品去理解客户，判断哪些需求可以放进标准产品，哪些不能，然后做客户化定制来满足诉求。
但在现在的模式下，AI 到底能解决客户什么问题，最后以什么形式解决，还处在模型能力和现实应用距离比较远的阶段。产品能力未来哪些可以沉淀进标准产品，需要由真正做产品的人去探索，所以它更偏底层工程。
现在 FDE 模式也在演进。Anthropic、OpenAI 不仅和私募股权公司合作成立 FDE 组织，也会和咨询公司合作。这是因为大家越来越意识到，不是把产品工程师部署到客户现场，代码就会自然而然生成。
中间还缺少一个转化器：懂业务的人，要把业务转化成可以 Coding 的场景，最后才能回到产品侧。
一开始大家觉得代码是一切，工程师过去之后就可以快速做出来。但后来发现，Ontology 的建立，其实依赖于对客户的深度理解。
所以现在缺少的是这样一种复合型人才：既懂技术本身，又能深入理解客户业务，完成从业务到代码的转化。
这也是为什么 Anthropic 开始和波士顿咨询、麦肯锡等咨询公司合作。大家需要互相补足能力。
程曼祺
相当于 FDE 更偏工程师，而咨询师更偏过去流程中的业务顾问。
袁欣
对。最近有很多类似的大型合作。5 月，Anthropic 和 OpenAI 都分别宣布成立独立的 FDE 组织和部署公司。
它们的合作方包括麦肯锡、埃森哲等咨询公司。另外，也有一些 PE 参与进来。我理解，PE 可以把自己的被投企业开放给这些 FDE 团队，让他们进入 Portfolio Company，做一些 Hands-on 项目。
而且参与这件事的很多 PE，都是 SaaS 公司的重要投资方。理论上，它们 Portfolio 里的单点 SaaS 公司，也可能会跟随这个趋势，寻找自己的出路。
SAP 自己也有 FDE Team。微软最近也成立了 FDE Team。
大家现在对于实现方式基本达成了共识，但 FDE 过程中最终沉淀出什么东西，还没有完全形成共识。现在大家都认为应该这么做，但做完以后沉淀什么，仍然处在探索过程中。
SAP 的优势是，我们本身具备一些业务理解。
举一个例子。有一家很有创新精神的大型公司，我先不说名字。它自己也通过 Low Code 做了很多数字化员工，比如做了一个关务系统，在全球 33 个国家进行海关申报。
不同国家的关务单据完全不一样，单据数据量也非常大。他们自己做了一个 Agent，去做关务审核和报关，但准确率只有 60% 到 70%。
结果上了 AI 以后，人反而变得更忙了。大家需要检查剩下 30% 到 40% 的错误到底来自哪里，最后没有提效，反而怨声载道。
我们进去以后，因为 SAP 本身有 GTC，也就是我们全球做税务的平台，对这 33 个国家的税务有基本理解。我们还有 Document AI，通过模型和模板配置，大致知道每个国家基本的数据项是什么样的。
基于这样的标准做数据切片，就不需要每次都处理很长的上下文，Token 消耗更低，准确率也更高。
我们进去以后，准确率马上提升到 90% 以上。他们原本只打算先做一个国家的试点，结果很快 30 多个国家都要求上线。
我想说的是，在探索 AI 真正能够带来业务价值的过程中，不需要完全摒弃过去的东西，并不是过去的东西都不好。
毕竟现在大部分业务仍然遵循一定的规则。只要把基础打好，再把过去不够规范、难以读取，或者收集成本很高的那部分数据补充上，就是很好的状态。
程曼祺
从 Anthropic 和 OpenAI 做法的改变和演进中，其实也能看出一些端倪。原来 FDE 可能是工程师去做，后来逐渐变成进入一个客户群体，引入更了解业务的人，大家一起做。
这其实是在试图分离出哪些内容是业务顾问可以直接理解的，不需要重新通过大模型做泛化生成；哪些内容则可以通过 AI 快速叠加增量价值。
您怎么看 Anthropic 和 OpenAI 做这件事背后的野心？如果它们把 FDE 这套模式跑通，能够独立服务 To B 大客户，会不会和 SAP 产生更多竞争和冲突？
袁欣
肯定会。现在整个 AI 世界就是一个大的竞合世界，也是一场大混战。大家谁也离不开谁，但同时又都想圈出自己的一块地。
我觉得有竞争是好事，不是坏事。SAP 擅长的是业务理解，我们需要补上原来缺失的工程能力。
Anthropic 的 Coding 能力和模型能力很强，它需要快速补上业务理解。大家都是在发挥自己擅长能力的同时补短板，最后看谁调整得更快。
程曼祺
您觉得哪个更难补？
袁欣
我个人判断，技术更容易补一点。技术本身是水涨船高的，基础模型能力提升以后，会带动整体效率提升。
尤其现在有 Cloud Code 这样的能力，懂业务的人更容易上手、驾驭大模型。但让懂模型的人去理解记账是怎么做的，差异就没有那么容易弥补。
另外还有一个更现实的挑战，就是组织惯性。
刚才我们聊到人才能力的缺失：我招不到想招的人。但更大的问题，是组织的 Gravity，也就是组织惯性。真正进入组织做事以后，大多数人不会因为 AI 来了，就自然而然拥抱 AI。
有些人没有意愿，有些人有意愿但没有能力，有些人既没有意愿也没有能力。组织越大，惯性就越强。大家更倾向于用自己熟悉、了解、会做的方式继续工作，而不是来了一个很好的工具，就自然而然地学习使用。
前一阵我们甚至开放让大家使用 Token，鼓励大家尽管使用。但即使在 High-Tech 公司，也不是所有人都会拥抱和使用 AI，更不要说进入现实中的大型企业。那里的人员构成可能更复杂，人才密度也可能更低。
所以，用 AI 拉动一个组织惯性更大的实体，难度更高。AI 真正要在现实场景里规模化，技术上的挑战远小于组织上的挑战。
程曼祺
您觉得 FDE 这个潮流会持续吗？很多人会关心，这是不是一个好的就业方向。
一方面，Coding 肯定替代了很多程序员，比如基础的前端、后端程序员。于是有人说，大家可以去做 FDE，去做前向部署工程师。
但借鉴过去 SAP、甲骨文等大型公司的发展历程，前向部署到了一定阶段以后，很多产品可能又会沉淀成相对标准化的东西。那这类人是会持续需要，还是会逐渐变少？
袁欣
总体来说，效率一定会提升。现在一个创业企业，过去可能需要 50 到 200 人，现在可能 20 到 30 个人就能完成两三百人的工作。我觉得这是一个趋势，也是 AI 带来的现实。
所以，不管是做 FDE，还是做其他工作，都可能需要 fewer but better，也就是更少、更优秀的人来完成这件事。这个判断成立，但并不意味着大多数人就没有工作，这一部分我们之后还可以再聊。
FDE 这个角色本身的内涵，在不到 1 年的时间里已经发生了很多变化。最终 FDE 的形态是什么样，现在还不知道。
但我们看到，企业的流程、组织和数据这些脏活累活逃不掉，对客户业务的理解逃不掉，如何把业务转化成代码也逃不掉。
只不过现在 AI 提高了代码生成的速度，并不代表业务转化过程会自然而然加速。它仍然需要 human in the loop 去干预。
所以在未来一段时间，不管这个角色叫 FDE 还是别的名字，业务和技术结合的过程，一定是 AI 从小圈子的狂欢外溢到更广泛企业世界的必经路线。这段时间，这类工作一定需要。
至于 FDE 会不会像 2000 年前后咨询公司爆发时那样，出现 10 倍、20 倍的规模增长，我觉得不一定。因为人的效率已经提升了。
同时，现在有两拨人在竞争这类工作：一拨是波士顿咨询、麦肯锡等公司的顾问下沉去做；另一拨是偏 AI、偏 Coding 的 FDE。到底哪一拨会占据更主要的地位，现在还不好说。
我觉得最后两股力量会合并成一种更综合的能力，由既懂工程、又懂咨询和业务的人持续承担这个角色。工程背景和业务背景，可能最终会在 FDE 这个岗位上合并。
程曼祺
您刚才提到，AI 会从小圈子外溢到更多行业。可以以 SAP 大中华区为例，讲讲这个过程吗？
从科技行业向外扩展，哪些行业正在逐渐普及更加 AI 化、更加自主化、更加 Agent 化的企业运营方式？
袁欣
11. Enterprise AI Finds Its Market
这股浪潮真正起来也就是过去一两年的事情，所以我们的采样数据并不完整。我们也不是和所有企业都有接触，只能看到一些片段，但大客户和小客户都有。
从趋势上看，真正愿意投入资金做这件事的，还是大客户更多。因为它们有足够的数据，也有足够的痛点。企业规模越大，提效、节省成本的诉求可能越强，同时也有足够财力去实验，用新技术解决最痛的地方。
这是一个非常原始的驱动力，所以我们看到，行动比较快的确实是一些大型企业。
程曼祺
在国内，比较大的客户每年给 SAP 的收入体量，或者说客单价，大概是什么量级？如果它们开始进行 AI 转型，最初会从什么规模开始试？
袁欣
具体数量我们不讲，但现在基本上是传统 IT 预算在削减，AI 预算在增加。一个传统 IT 项目如果没有和 AI 挂钩，现在立项都会比较困难。
这不只发生在中国。麦肯锡做过一项全球调研，访谈了 2,000 多家企业。其中 28% 的企业或多或少都在用 AI 做一些项目，但只有 3% 的企业认为自己真正获得了业务回报。
所以，现在真正把 AI 上到 Production 的项目并没有那么多。刚才提到的关务系统，是真正上 Production 的项目，但更多企业还处在探索阶段，做 POC 和原型。
大家也意识到，单点投入一些钱，可能能够砸出效果。但要做得更大，现在也有咨询公司接到项目，帮助企业规划 AI 场景、设计原型，以及调整岗位和组织。这些都还在起步阶段，机会正在逐渐出现。
小公司的路径不一样。小公司可能用一些开源工具，或者直接使用 AI 工具，很快就能跑起来。这是另一种 AI 演进路径。
反而最 struggle 的是中间层，也就是规模大概在几亿元到 100 亿元左右的中型企业。它们是否行动，和创始人或者企业一号位的认知高度相关。
有些企业会自然而然地认为要拥抱 AI，用 AI 提效，这类企业行动会快一些。它们规模相对不大，使用 AI 工具，或者采用 AI Native 工具进行颠覆，会更容易。
但有些企业会觉得，等你们把事情做清楚以后我再入场，现在还不是最好的时间。尤其是中国的中等规模企业，往往非常现实。
即使有些企业在理念上非常创新，真正愿意投钱用 AI 做管理提效的也并不多。它们投入 AI，更多还是用于赋能产品。比如扫地机器人因为大模型出现了，就使用更好的算法和更顶尖的人才，把端侧模型全部优化一遍。
程曼祺
也就是说，它们愿意在产品创新上投入，但不一定愿意在组织管理上投入。
袁欣
对。这和企业自己的管理哲学有关。它可能不认为现在把钱投入 AI 管理，收益会大于投入产品侧。
我觉得这也是一个缩影。中国的 SaaS 企业为什么到今天还没有长出全球巨头，其实和这种企业心态有很强的关系。
很多企业在快速发展时，都在追逐 Top Line 的成长：更快 Go to Market，更快抢夺市场和客户，更快增长。增长越快，压力就越集中在获取市场和客户上。
之后，售后和运维压力变大，资源又不断倒向售后。业务侧不停翻滚，反而是企业底层的很多系统建设非常潦草。因为企业增长太快，没有一个喘息的窗口，好好规划和设计。
很多中国公司变大以后也是这样。在这个过程中，中国本土 SaaS 公司没有形成好的定价模式，也没有形成足够的价值认知，来支撑它们帮助企业把基础打好。
所以，AI 来了以后，七扭八歪的非结构化系统，能不能自然而然地马上站起来运行？其实不行。
AI 不会自然而然帮你修复过去不愿意做的事情，也不会让一团混乱自动变好。你需要在底层打好基础，把以前不规范的地方补起来。
现在很多国外企业看起来很慢，有时我自己也会嘲笑它们：“做一个审批为什么这么麻烦？很多事情为什么这么慢？”但 AI 一旦赋能到这些公司，底层基础比较好时，它们的加速度可能会更高。
所以，我们还是希望更多企业冷静地想清楚：资源到底应该投放到哪里，既能支撑短期增长诉求，也能给未来留下 Runway。等 AI 真正开始提效时，企业要有一个相对整齐的技术架构。
否则，现在很多所谓的 AI 基建，确实都在补过去的信息化课程。
程曼祺
如果用过去的思维指导现在走向 AI，过去犯过的错误可能还会再犯。比如基础没打好，数据很乱，却认为 AI 可以解决一切，不需要完整的数据治理架构。
袁欣
对。你可能会觉得，AI 可以即用即抛，快速运行，主要把 AI 放在产品侧，而不去管底层。
这么做不是完全不行。很多中国企业就是这样发展起来的，而且发展得很好，在全球也有竞争力。但遇到下一轮技术变革时，新技术不会自然而然帮你跨越过去落下的课程。
它不是弯道超车的逻辑。不是前面有些事情没做，新技术出现以后就可以不用做了。对企业来说，出来混总是要还的。
程曼祺
不同行业之间会有什么区别吗？科技公司，尤其互联网公司，肯定更容易接纳 AI，因为它们内部需要编程的工种和工作都比较多。
再往下看，什么行业会先接受 AI，哪些行业会更晚？
袁欣
轻资产行业一定会更容易受到 AI 影响。现在的趋势也偏向服务类型，不管是金融服务还是其他类型的服务，包括互联网企业，融入 AI 都会相对容易。
这也是 SAP 比较擅长的领域。
传统生产制造企业会有一些不同。一方面，它的生产形态目前变化还不大。尤其在早期工业 4.0、智能工厂建设已经初具规模之后，在各种机器人还没有成为主流生产制造替代方案之前，生产制造本身不会发生特别大的变化。
但它产品售卖的方式，也就是 Go to Market 的方式，会发生变化，售后方式也会发生变化。所以 AI 的冲击，一定会首先出现在市场端和售后端。
在这类企业里，我们观察到，AI 更多会出现在生产制造的前端和后端。生产制造本身，目前更多还是供应链领域受到影响，真正进入生产制造核心环节的 AI，还没有成为主流。
我觉得这也符合行业特性。
但未来如果继续畅想 AI，现在 Anthropic 也开始投入 Physical AI，OpenAI 更早就开始做了。如果中国走的 AI 路线，更可能在应用和 Physical AI 上取得优势，再结合供应链优势，那么未来中国高成长企业很可能出现在 Physical AI 领域。
这就要求企业必须拥有自己的生产制造能力，必须有软硬结合的能力，不再是纯轻量级的公司。
电动车就是一个缩影。你可以说它是互联网企业，也可以说它是传统制造企业。最后，很多企业选择做 Full Stack，从芯片到整车都自己做，压缩 Tier 1 的空间。
那它最后到底是传统企业还是创新企业？它是一个组合。
如果未来中国企业的大部分高增长都来自 Physical AI 驱动的软硬结合，那么把供应链基础打好，就是支撑下一轮产业升级和高速成长非常重要的一件事。
从这个角度来说，SAP 仍然有可用之处。我觉得 SAP 敢于进行 Fundamental Change，敢于颠覆自己的商业模式，这也是它可取的地方。
毕竟 1972 年成立时，SAP 也只是一家 5 个人的创业公司。现在我们的公司理念就是重回创业心态，再做一遍。
程曼祺
SAP 已经有 50 多年的历史了。
袁欣
1972 年到现在，54 年。
程曼祺
我觉得比较有意思的是，那个年代甲骨文差不多也是七八十年代成立的。这些公司穿越了很多周期，一直都在。互联网并没有把这块市场吃掉，AI 能不能吃掉，现在大家还有分歧，所以资本市场也会有一些波动。
袁欣
我刚才解释过，定价模式这些底层逻辑，一定会对传统厂商造成冲击。我们自己也会做调整，更多是回归创业者心态。
但这不意味着我们不能做出有中国特色的东西。只是外企员工的成长路径，通常是在标准化流程里培养起来的。
如果现在要讲重归创业者心态，中国外企人并没有真正创过业，企业不是他们自己创办的。所以转型会遇到挑战，人的挑战就是：按照流程做，我可以很专业；但如果让我自发思考、像创业者一样去做，就会发现原本的高素质人群也会出现分化。
我们现在面临的问题，是如何激发更多有想法的人，在公司相对宽松、鼓励创新、鼓励 Take Risk、鼓励承担风险和尝试不同事情的氛围里，让更多超级个体成长起来。
我也听很多外部播客，包括您的播客。我会被那些年轻创业者打动，是因为 AI 对个人生产力的释放非常大。只要他有思考、有想法，AI 就能帮助他实现、测试和实验。
超级个体成长的速度会非常快。在创业群体里，自然会有很多很有想法的人，被 AI 赋能后做出传统框架下做不出来的东西。这是 AI 带来的很好的一面。
程曼祺
外企里没有这样的人吗？
袁欣
有。所以我们现在鼓励大家使用 Cloud，也基本上是没有上限地使用。
我们也看到，很多平时按部就班工作的人，一旦被激发出来，会有很多想法。他可能自己买两三个 Mac mini，架在公司里，利用公司的资源做各种实现。这样的人有可能变成超级个体。
对外企来说，命题就是如何激发更多这样的人，让他们带动组织向前走。
外企培养的人，通常比较尊重流程，熟悉体系架构，也有国际视野，知道如何驾驭复杂性。这些都是专业技能训练的一部分。
如果超级个体能够和这些能力结合，再叠加 AI 的赋能，我觉得会是非常好的组合。他们既保留了懂企业、懂流程的思维，又具备超级个体的能力，在 AI 辅助下会变得更强大。
程曼祺
您刚才说的是个人层面。在组织层面，SAP 和中国的一些公司也有合作，比如和阿里的合作比较多。你们和阿里合作，主要是做什么？为中国客户提供什么特别的价值？
袁欣
中国的 AI 生态确实比较独特。
SAP 在全球和大型云厂商及 AI 公司都有合作。在中国，我们的产品首先会落在阿里云的基础设施上，由阿里云提供底层基础架构支持。
面向 AI，我们会把阿里的通义千问模型嵌入 SAP 的 MaaS，也就是 Model as a Service，成为 SAP 对外提供 AI 服务的一部分。
同时，在 FDE、后训练，以及针对共同客户提供服务时，我们会探索如何把双方优势结合起来，做出更符合中国用户需求的 AI 场景。
程曼祺
所以，你们的 FDE 团队也可能和阿里一起服务客户？
袁欣
我们已经在做了。
比如在北京举办的 SAP Now 活动上，我们请到了一家很典型的小企业，曼森集团。它使用 SAP Public Cloud ERP，系统运行在阿里云上，同时还使用钉钉。
对一家小企业来说，它可能没有特别宏大的 AI 诉求。老板最头疼的是：客户都是大厂，大厂一旦下订单或者追单，就会不断打电话。订单履约是他每天最头疼的问题。
只上一个 ERP，并不能解决这个问题。我们还要把钉钉里追单的信息接入系统，再根据这些信息安排生产顺序，推动生产执行落地。
所以，我们用 AI Agent 把 ERP 和钉钉的数据打通，形成一个闭环，解决了这家企业最核心的问题：如何优化订单履约，保证运营效率。
这些就是 SAP 和阿里可以一起针对中国市场做出来的 AI 案例。
程曼祺
曼森集团是一家服装企业，对吧？做服装品牌，也做羽绒服，同时还给其他品牌做代工。
袁欣
对。它有自己的品牌，也给很多其他品牌做代工，客户都是大品牌、大老板。
程曼祺
SAP 在中国还有一个比较独特的价值，就是服务很多中国企业出海。尤其是 AI 出现以后，对它们出海、解决合规、税务和供应链问题，能带来什么新的变化？
袁欣
全球化这件事，本身不只是 SAP，所有全球化厂商的平台都需要解决这些问题。SAP 自己就在 150 多个国家运营，对全球 200 多个国家的税务和合规要求都有持续积累。
SAP 的产品架构里有一个 Localization 团队，专门处理本地化诉求。中国有中国的本地化要求，巴西有巴西的本地化要求。巴西税务是全球最复杂的之一，所以 SAP 也有专门负责巴西税务本地化的团队。
你可以理解为，全球范围内各个国家底层的本地化诉求，都已经有一个 Ready 的平台可以支持。
因此，中国企业出海，不管去哪个国家，都可以借助 SAP 已经搭建好的基础设施运行，只需要关心自己的业务，不需要从头处理底层服务。
另外，中国企业现在有很多收购和并购，这个趋势非常明显。收购以后，尤其是收购欧洲企业时，会发现对方天然就是 SAP 用户。
于是就会涉及组织集成、系统集成和系统对接。SAP 在这方面天然有优势，可以帮助出海企业在并购后快速完成系统和流程整合。
至于如何用 AI 赋能企业，刚才提到的关务就是一个很好的例子。
联想也是一个全球化程度非常高的民营企业，海外业务已经超过 80%。SAP 从联想收入 200 亿元时就开始和它合作，一直到现在几千亿元的规模。包括它多次海外并购和系统整合，也都是在 SAP 平台上完成的。
现在我们还在使用 Signavio，也就是流程挖掘工具，借助 AI 帮助联想分析企业流程。它目前有 2,000 多个流程，需要在全球化视野下看这些内部流程，找到断点和提效空间。
在这样复杂的架构下，SAP 能够比较自然地融入其中，支撑企业全球化运营，也能支持面向未来的 AI 提效。
我们当然也希望帮助更多中国企业，从几十亿元增长到几百亿元、几千亿元。
程曼祺
最后想请您做一些总结性的分享。您之前在甲骨文、微软和 SAP 都工作过，经历了大型企业软件从本地部署，到云化，再到现在生成式 AI 的技术变化。
这几轮技术周期，从本地部署到云，从信息化到智能化，您觉得本质上有哪些相同和不同？
袁欣
不同的是速度。
AI 改变了人与技术的交互方式，让人更容易上手和驾驭技术。以前的技术更多属于专业领域，而现在 AI 平权做得非常好，每个人都可以轻松驾驭 AI，所以技术演进的速度非常快。
但回到本质，大的技术变革，包括工业革命中的蒸汽机、电力、互联网，再到今天的 AI，底层逻辑并没有改变。
一个突破性的底层技术，要影响各行各业，都需要经历一个过程。现在大家讨论 AI 泡沫、小圈子狂欢，在初期一定会呈现这样的形态。随着时间推移，技术会逐步外溢。
我相信 AI 外溢的速度会比之前几轮技术周期更快，但底层逻辑没有变。最终，真正影响业务和整体 GDP，并不是简单的技术迭代问题，复杂度并没有消失。
只要人还主宰这个星球，底层逻辑就不会变。人会带来加速，也会带来减速；人有抵抗力，也有创新力。各种复杂因素糅合在一起，最后才会呈现出结果。
每一次技术出现，人都会经历向往、恐惧、学习和摒弃这样的周期。AI 带来的冲击也一样，人会逐步从担心和恐惧，走向适应、使用和学习。
所以，我觉得这个过程的本质没有变。对人的技能要求，本质上也没有变。
我也听很多 VC 的访谈，他们会讨论什么样的人更容易在 AI 领域胜出。其实那些 Fundamental 的特质没有变。无论什么时代，具备这些特质的人，最终都会成为金字塔尖的人。
大家最常提到的，通常是学习能力强、学习速度快。
程曼祺
您之前也说过，人的判断目前还没有办法规模化。这其实也是模型技术和企业应用之间 Gap 的一部分。
袁欣
现在很多人会说：“我一天不睡觉去做就行了。”但一天也只有 24 个小时，人也只有一个脑袋。
真正有创业冲动的人，往往是在想法的实现不再成为瓶颈时，发现自己的想法反而变成了瓶颈。
现在很多事情信息量巨大，AI 可以处理海量数据，但人接受不了、处理不了那么多信号。所以，人本身会成为瓶颈。
但很多事情又需要人判断。AI 可以跑各种各样的报告，让你做决策，但你能不能瞬间吸收这么多有用信息，并形成自己的判断？其实很难。
所以，如何在教育体系里培养更多有能力驾驭 AI 的人，可能会带来教育体系的再造和颠覆。这也是为什么我说，AI 带来的冲击会影响社会的方方面面。
程曼祺
今天非常感谢袁欣总做客《晚点聊》，分享 SAP 在 AI 领域看到的机会，哪些是 SAP 过去 50 多年积累下来的、AI 技术也很难撼动的能力，以及哪些新的事情和新的价值，可以在 AI 到来之后，结合 SAP 这类长期存在的 ERP 企业核心资源平台，带来新的价值和创新。
今天的节目就到这里，感谢您的收听。再见。
袁欣
再见。