时隔三周，从奥兰多到北京，SAP 用两场大会完成了一次完整的战略闭环。5 月 13 日，SAP 全球 CEO 柯睿安在奥兰多蓝宝石大会上首次提出"自主运营企业"（Autonomous Enterprise）愿景；6 月 3 日，SAP 大中华地区总裁原欣在北京中国峰会上，将同一战略注入了中国企业的落地语境。而最引人注目的一个数字是：224。基于 ERP 领域超过 50 年的积累，SAP 已经在财务、供应链、采购、人力资源和客户体验等核心业务领域，部署了 224 个 AI 智能体和 51 个业务助手。
如果说 2025 年 AI 的主战场是对话（ChatGPT 式的人机交互）和编程（Claude Code 式的代码生成），那么 2026 年的主战场正在悄然转向第三个领域——ERP，也就是企业核心业务运营系统。聊天可以偶尔出错，代码可以调试修改，但 ERP 里的每一笔财务凭证、每一条供应链指令、每一个采购决策，都直接关系到企业的真金白银。
SAP CEO 柯睿安在蓝宝石大会上说了一句非常直白的话："对于客户的关键业务流程而言，'差不多对'是远远不够的。"这也是为什么 SAP 选择和 Anthropic 合作引入 Claude 模型、与 NVIDIA 合作提供安全运行环境、与 AWS 实现零拷贝数据集成——每一项合作伙伴的选择，都在解决同一个问题：如何在保证企业级可靠性的前提下，让 AI 真正参与业务决策。
在 6 月 3 日的中国峰会上，SAP 大中华地区总裁原欣提出了一个令人警醒的判断："AI 能为企业创造多大价值，不取决于模型能力有多强，而取决于企业最薄弱的一环能否打通。对今天大多数企业而言，这道'弱链'就是 AI 与核心业务系统之间的断层。"什么叫"断层"？简单说就是：企业在外面买了一堆 AI 工具、部署了各种大模型、建了不少智能体，但这些 AI 能力往往游离于 ERP、财务系统、供应链系统之外。
它们既无法获取完整的业务上下文，也无法触发实质性的流程执行。一个财务分析智能体可以帮你分析利润表，但它不知道这笔成本异常是因为供应链那边的一个订单延迟，因为它根本连不到供应链系统。结果就是——分析归分析、业务归业务，AI 沦为挂在外面的装饰品。
变革一：统一语义层——让 AI 听懂业务。SAP 在蓝宝石大会上正式推出了业务数据云（Business Data Cloud）和知识图谱（Knowledge Graph）。前者的目标是打通企业的异构数据，形成统一语义层；后者则是构建业务地图，让 AI 理解流程与数据之间的关系。如果企业的"毛利率"在 ERP 里算一个数、在 BI 系统里算另一个数、在 Excel 里还有第三个版本，AI 再聪明也会算出错误结论。
变革二：Agent 化流程——从人找数据到数据找人。SAP 公布的 224 个智能体覆盖了经营分析的所有核心场景：财务智能体可以自动识别异常费用并追溯根因，供应链智能体可以预测库存风险并生成补货建议，销售智能体可以分析区域业绩偏差并给出归因。这些智能体的共同特征是什么？它们不是等待用户来问，而是主动发现问题、主动分析根因、主动推送建议。
变革三：统一 Agent 治理——多厂商智能体的指挥塔。SAP 的 AI Agent Hub 是一个不绑定特定厂商的统一管控中心。它能够管理来自不同厂商的 AI 智能体、大语言模型和 MCP 工具——无论是 SAP 自己的智能体、合作伙伴的智能体，还是企业自建的智能体，都可以在一个统一平台上进行调度、监控和审计。
三一重工依托 SAP ERP 为业务底座，深度融入 AI 的全球统一部署架构，支持其全球化、数智化、低碳化三大战略。联想集团以价值驱动为核心，将 AI 从单点探索推进到全价值链的规模化应用。曼森集团则借助部署在阿里云上的 SAP ERP 云，以云部署的敏捷性支撑高速发展与智能化转型。三家企业的路径不同，但底层逻辑高度一致：以统一的数据与流程底座为前提，AI 才能真正嵌入业务运行。
第一，SAP 和微软不是互斥的。SAP 自己就和微软深度合作：Joule 与 Copilot 实现双向互操作，SAP 数据与 Fabric OneLake 对接。在越来越多企业同时使用 SAP ERP + Power BI 做经营分析的现实下，两条线的融合是必然趋势。
第二，语义层是共同的命门。无论 SAP 的业务数据云还是微软 Fabric 的 Semantic Model，都在围绕同一件事竞争：给 AI 一个统一的"数据字典"。
第三，智能小 V 的定位恰好卡在了这个"融合点"上。企业的 ERP 数据在 SAP（或金蝶/用友）里，BI 可视化在 Power BI 里，中间缺了一层经营分析 Agent 层。智能小 V 的角色正是打通这一层——对接 ERP 的业务语义、整合 Power BI 的指标模型、叠加 AI 的归因和推理能力，让经营分析从"我操作 BI 系统"变成"我问 Agent 一句"。
举个例子：当SAP智能体检测到某SKU的库存周转天数异常上升时，智能小V会自动调出Power BI中的相关指标面板，结合天气数据、竞品促销日历和区域销售趋势，给出"这不是库存管理问题，而是竞品提前做了618预售"的归因分析——三分钟完成过去需要三个部门开一上午会才能搞清楚的事情。
如果把SAP的"自主运营企业"看作经营分析的终极形态——"自动驾驶"，那么大多数企业目前还处在"辅助驾驶"的阶段。但方向是明确的。从Gartner的预测、SAP的战略布局、中国先行企业的实践来看，经营分析的演化路径已经清晰可见：
• Level 1（现在的大多数）：报表+手工分析，AI辅助解读
• Level 2（1-2年内达到）：统一语义层+指标管理，AI主动监控异常
• Level 3（3-5年内达到）：Agent化流程，AI自动归因+建议+触发执行
• Level 4（终极目标）：自主运营，AI运行核心业务流程，人类监督例外
SAP的224个智能体正在把Level 3变成现实。而对大多数中国企业来说，当务之急不是部署224个智能体，而是做好Level 1到Level 2的过渡：统一数据底座、建立指标语义层、标准化经营分析流程。
正如原欣所说："企业竞争壁垒不在于有多少智能体，而在于数据、流程与业务知识是否已经为智能体做好准备。"
这个准备，今天就可以开始。
