AI落地企业场景：不是推倒重来，而是人机协同演进

当前企业探索AI真正业务价值的过程中，并非需要彻底抛弃既有系统。许多企业在高速扩张阶段，往往聚焦于收入增长（top line），而对底层系统建设投入不足——流程草率、组织冗余、数据割裂，缺乏喘息窗口进行系统性规划。真正绕不开的，是企业流程、组织结构、数据治理，以及对客户业务的深度理解；而将业务逻辑转化为可运行代码，仍需“human in the loop”（人类介入）持续干预。因此，无论技术路径如何命名（如FDE），AI从小圈子走向企业级落地，必经人机协同的渐进式融合过程。

“你逃不出来处理企业的流程、组织和数据，逃不掉对客户业务的理解，逃不掉我怎么把业务转化成我的代码，它还是要用 human in the loop 去做干预的。”

“所以未来的一段时间，不管叫FDE还是叫什么，就是这个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的一个enterprise天地里必经的路线。”

SAP的定位变迁：从ERP巨头到自主运营企业的赋能者

SAP成立于1972年，历经五十余年发展，现已成为全球企业级软件巨头，2023年收入近420亿美元，服务全球百强中绝大多数企业，云用户超3亿家，员工十一万，遍及150余国。其核心起家产品ERP（Enterprise Resource Planning）本质是企业资源计划管理平台，覆盖“人、财、物”三大核心：从财务核算起步，逐步延伸至端到端业务流程——如“leads to cash”（线索到回款）和“procurement to pay”（采购到付款）。ERP并非孤立系统，而是与钉钉、飞书等办公协同工具深度集成：前者负责日常交互（IM、文档、审批），后者驱动真实业务运行（HCM、财务、供应链）。AI兴起后，SAP主动将自身定位从“企业应用软件”升级为“全球最大的商业智能软件”，并提出“autonomous enterprise”（自主运营企业）愿景。

“SAP基本上就是件最大的一百强里面，九十九家都在用SAP的软件……在ERP领域里，我觉得SAP还是响当当的，属于业内数翘。”

To B的护城河：复杂性、集成性与变革成本构成天然壁垒

尽管AI提升了单点工具效率（如OCR识别发票），但企业级AI落地远非简单替代——复杂性、安全性、数据颗粒度、跨系统集成（如银行、税务、电子发票平台）构成巨大鸿沟。以“薪酬计算”为例：全球化企业需适配多国薪资政策、税率规则，远超单点SaaS能力边界。麦肯锡调研指出：每投入1美元用于软件迭代，需配套3–4美元用于变革管理；单纯“换平台”易流于“新瓶装老酒”。当前SaaS定价模式（按用户数收费）正面临挑战：AI虽降低编码成本，却未改变企业客户增长放缓、用户数增长乏力的现实。SAP已意识到此趋势，正转向基于消费量（consumption-based）的新型定价模式。相较之下，工具类SaaS（如Adobe）受冲击更显性，而SAP等平台型厂商虽股价波动，长期仍具韧性。

“你只是换一个平台，它本身还是新瓶装老酒，其实没有实质性的变化。”

商业模式重构：从按用户定价到按用量、按结果收费

AI 的冲击首先体现在企业软件的核心定价逻辑坍塌上：传统按用户数（seat-based）或坐席数（C-space）的订阅模式正面临挑战，市场更倾向于转向consumption-based 定价——即按实际使用量（如 token 消耗）计费，甚至进一步演进为result-based（按结果付费）的服务模式。这种转变意味着企业软件的价值评估标准从“谁用了系统”转向了“系统带来了什么产出”。SAP 已意识到这一趋势，并主动推动自身 SaaS 定价模型的革新，试图在保持客户粘性的同时，适应 AI 时代对弹性与效率的新要求。关键在于：如何构建一个既公平又可衡量的定价机制，成为当前 SaaS 公司最紧迫的挑战之一。

“你以后都A着呢，你还按人头对吧？……更多的冲击是来自于它的业务模式的冲击。”

“consumption base 就是按用量来定价。对，按用量现在 token 基本上都是按用量定价的嘛。”

AI冲击下的价值重估：代码量≠竞争力，业务逻辑才是护城河

AI 能高效生成代码，但单纯代码数量的积累已不再构成核心壁垒。以 SAP S/4HANA 的数亿行代码为例，其价值不在于“代码量大”，而在于其中沉淀的标准化业务逻辑与行业Know-how——这些是企业运转数十年所形成的复杂规则体系，远非通用大模型可短期复现。尤其在当前仍由“碳基生物”主导管理的世界中，企业核心流程（如制造、财务、供应链）的基本范式并未改变，SAP 所积累的标准化基座依然具有不可替代性。

真正的新机会在于：在标准化流程之上，用 AI 实现个性化、轻量级、高效率的增值服务。例如，通过 Agent 架构构建“日抛式”工具，满足临时性、场景化需求；或利用 AI 探针识别流程提效节点，实现自动化增强。大企业需要的是合规、可信、可审计的平台级信任网络，而不仅是快速开发能力——这正是 ERP 在组织生命周期不同阶段（如上市、出海）持续发挥价值的关键。

“只是复刻代码本身其实是简单的……更大的一个挑战……是业务逻辑到底是什么？”

“只要现在的世界还是一个以碳基生物为主的管理的世界的话，那我们短期之内，我们企业运转的形式不会有大的调整……SAP里面沉淀的就是所谓的这个……底层逻辑它还是存在的。”

组织形态与客户分层：大公司未必消失，但信任结构正在重构

尽管存在“公司小型化”“日抛式软件”等激进想象，SAP 的实际客户结构显示：80% 的客户实为中小企业（年收入＜10亿人民币），而大型企业客户仍高度依赖其平台的合规性、多币种/多语言支持、全球监管适配能力等系统性能力。AI 并未直接瓦解大公司存在的逻辑，而是推动其信任结构的重构：企业选择 SAP 等平台，不仅是为功能，更是为在外部协作中获得“被广泛背书的数据可信度”。

未来组织形态将呈现“散与聚并存”的张力：一方面，AI 降低协作成本，可能促使部分职能外包或组织解耦；另一方面，在技术不确定性高、信任成本敏感的领域，企业反而更倾向聚合于可信平台之下，形成“联邦式”协作网络。SAP 的应对策略是：以 Joom AI 助手重构交互层，通过自然语言意图识别与多 Agent 协同，屏蔽底层复杂性，实现“轻交互、强执行”；同时坚持“Human in the Loop”原则，确保 AI 执行始终处于人类监督之下——这既是对风险的敬畏，也是对客户信任的延续。

“进到，比如说我上市以后，我现在很多企业要出海……那你还是需要更复杂的一个平台。”

“整个的这个 Autonomous Enterprise 它 so far 还是 Human in the Loop 的一个形态，对吧？就是说 A 正执行，但是人要去做这个判断。”

自主运营企业的演进路径：从记录系统到可执行系统

SAP在2023年5月的蓝宝石大会上正式提出“自主运营企业（Autonomous Enterprise）”愿景，并同步推出SAP商业AI平台、JouWork AI交互界面及50多个Jou智能助手。这一愿景并非追求完全无人干预的系统，而是强调“Human in the Loop”的协作模式——即AI负责执行，人类负责关键判断。JouWork作为前端交互入口，集成了意图识别与工作辅助功能，并开放Studio环境供用户自定义Agent，从而满足高度个性化的业务需求。

SAP的核心策略在于：将应用层“打薄”，使底层数据结构与流程逻辑更透明地暴露给上层AI Agent，从而提升Agent的定义与编排效率。这不仅服务于SAP自身的Agent生态，也为未来整合非SAP数据与外部数据源打下基础。在技术实现上，SAP依托其结构化数据优势（以Table形式存储），将传统机器学习的高预测准确率与大语言模型的意图理解能力结合，在关键业务场景中实现“零幻觉”的可靠输出。

“我们是希望把 SAP 的系统从一个记录型的系统变成一个可执行的系统。”

“在未来五到十年，一定还是一个 human in the loop。一些复杂作业现在一定是需要人去干预的。”

模型与应用之间的落差：企业落地的真实挑战

当前企业AI落地中，存在显著的“模型—应用落差”。CIO们普遍反映，企业高管常因碎片化信息误判AI能力，误以为“AI来了，苦活脏活就不用干了”，实则AI更像一个加速器而非替代者——它能帮助发现数据断点、预清洗数据，但无法绕过业务上下文建模与流程标准化等基础工作。

SAP的差异化在于其对企业记忆（Company Memory）的系统性沉淀：一方面，通过固定流程模板快速复用已有业务逻辑；另一方面，借助AI从非结构化历史数据（如会议纪要、邮件决议）中提取“Know-How”，将隐性经验转化为可执行规则。这一过程既需要梳理历史数据（FDE建本体），也需构建动态的企业知识图谱，最终推动自动化执行比例从70%向更高层级跃升。

另一个现实挑战是人才断层：真正懂AI的顶尖人才集中于大厂与初创公司，而传统企业既缺乏招聘权限（如“几张卡”），又难以理解AI项目所需的团队协同规模（往往需带人入驻）。这导致企业即便有意愿，也难以快速组建AI落地能力。

“AI可以帮我们做很多的事情，把无序变成有序……但并不是这个过程就不存在了。”

开放合作的技术路线：不自建基模，但构建专属能力

尽管SAP具备雄厚资源，其技术路线仍坚持开放合作而非自建基础大模型。原因在于：基模演进速度极快，且各厂商模型存在平台绑定（如Azure模型不运行于AWS），而SAP选择按场景匹配最优模型，并支持第三方模型接入。目前SAP是市场上提供可用模型数量最多的企业软件厂商。

与此同时，SAP也在构建专属模型能力：例如基于RPT（Real-time Predictive Technology） 训练的结构化数据模型，以及针对特定垂域（如收款预测）的混合模型。这类模型能融合外部大模型的非结构化信息（如客户商誉、回款压力）与内部结构化数据（如历史订单履约记录），在保障准确性的同时避免幻觉。

在技术思路上，SAP更关注Harness（如Reasoning、Reflection）等中间层设计，以提升Agent执行的稳定性与可解释性。尤其在财务等高敏感领域，99%准确率仍不可接受，必须结合业务规则与人工校验，才能实现端到端闭环。

“我们自己也在做自己所谓的专属模型……客户可能一个简单的问题，其实会聚合不同模型的能力，最后拼出来一个最符合你要求的一个答案。”

人才断层与FDE的兴起

当前AI在企业落地的核心瓶颈之一是人才供需错配：真正懂AI的人集中在大厂和初创公司，而传统企业既缺乏足够岗位编制（“几张卡”），也难以理解AI落地所需的复合型人才团队（往往需带人协同），导致高潜力人才不愿进入传统行业。这一结构性缺口催生了FDE（Frontline Deployment Engineer，前向部署工程师）这一新角色——他们深入客户现场，以工程师视角推动AI应用落地。

FDE与传统ERP顾问（如SAP、Salesforce的实施人员）存在本质差异：后者多为行业专家或业务专家（如财务顾问），从客户业务需求出发，倒推系统架构设计；而FDE更偏向产品与技术背景，直接参与模型调优与工程实现，其目标是将客户场景快速转化为可产品化的能力模块。值得注意的是，FDE初期多为志愿者性质，但其价值正被行业快速验证——Anthropic、OpenAI等公司不仅自建FDE团队，还与麦肯锡、埃森哲等咨询公司及PE机构合作，形成“技术+业务+资本”的协同生态。

“我们是拿着一个标准的产品，说我理解你，然后哪些可以放在标准产品里面，哪些不能放在标准产品里，我做客户化的定制。”

“对于现在的模式……他是直接用产品的人去做，所以他更偏底层的 engineer。”

业务理解与工程能力的融合挑战

FDE模式的演进揭示了一个深层矛盾：大模型能力无法自动转化为业务价值，关键在于缺乏“转化器”——即能将模糊业务需求转化为可编码场景的复合型人才。以SAP为例，其GTC平台团队曾协助某跨国企业优化全球33国关务申报Agent：凭借对各国关务规则的深度理解与Document AI模板化能力，将准确率从60%+提升至90%+，并迅速推动多国上线。这印证了业务理解力是AI落地的“压舱石”：在已有流程基础上，精准识别并补足那些“数据难收集、规则不规范、人工易出错”的环节，才能实现价值跃升。

当前，AI公司正尝试通过与咨询公司合作弥补业务理解短板，而传统软件厂商（如SAP）则在补强工程能力。这种双向补缺带来新的组织挑战：技术能力可通过模型进化快速提升，但业务认知的沉淀需要长期积累；更严峻的是组织惯性——在大型企业中，多数人并非不愿拥抱AI，而是既无意愿也无能力突破既有工作范式。因此，AI规模化落地的最大障碍并非技术，而是组织变革的阻力。

“其实你想用AI去拉动一个就是重力更大的一个实体的时候，其实是更难的。”

FDE的未来：从过渡形态到能力融合

FDE是否可持续？这取决于其能否从“应急型人力部署”进化为可持续的能力载体。参考SAP、Oracle等公司的历史经验，初期高度定制化的服务终将沉淀为标准化产品模块，FDE的角色亦可能随之迭代。但短期内，其价值不可替代：AI落地仍需大量“脏活累活”——梳理流程、理解数据、构建业务本体（ontology），这些环节无法被模型自动完成，必须依赖“human in the loop”的深度参与。

未来FDE的终极形态，或将融合技术与业务双重视角：既需掌握大模型工程能力，又需具备行业洞察力。尽管人效提升将减少基础开发岗位（如初级前后端），但“Fewer but better”的人才标准将重塑就业市场——高价值岗位将向复合型人才集中。值得注意的是，当前FDE领域正面临两股力量的竞争与融合：一类是咨询顾问下沉的业务专家，另一类是AI工程师转型的实施者。二者终将走向能力整合，而非简单替代。

“所以这段时间，这个工作一定是需要的。”

FDE角色的融合与演进

未来，FDE（Functional Data Engineer） 这一角色不会消失，但其内涵将发生深刻变化：工程背景的工程师与业务/咨询背景的专业人士正加速融合，催生出一种更综合、更具跨界能力的新一代人才。这种融合并非简单叠加，而是基于真实企业痛点的协同——既要懂数据与代码，也要理解业务逻辑与组织目标。当前，麦肯锡等传统咨询顾问正下沉至技术实施层，而AI原生的FDE人才也在补强业务理解，两股力量最终会汇流为一种“能持续交付业务价值”的复合型角色。值得注意的是，尽管行业普遍担忧AI会替代人力，但现实是：人效提升不等于岗位消失，而是能力要求升级。企业真正需要的，是能将AI工具链与业务目标精准对齐的执行者。

“人效提升了，对吧？”

“工程背景偏工程师的人和偏咨询顾问、偏业务知识的背景的人，他可能这两个角色就合并了，在F D E这个角色上。”

AI落地的行业分层与企业梯队差异

从行业渗透来看，轻资产、服务型行业（如互联网、金融科技）是AI落地的先锋，因其工作流天然具备高编程密度与数据可塑性；而重资产制造企业则呈现“两头热、中间冷”：AI冲击首先体现在市场端（Go-to-Market）与售后端，如智能客服、动态定价、预测性维护；但在生产制造核心环节，AI尚未真正进入主流——当前更多聚焦于供应链优化，而非产线本身。这与行业物理特性高度相关，也解释了为何“Physical AI”（具身智能）将成为下一阶段关键突破口。

从企业梯队看，大型企业因具备数据基础、强痛点与充足预算，是当前AI投入主力；其IT预算普遍向AI倾斜，“不挂钩AI几乎无法立项” 成为新现实。但全球数据显示：88%企业已启动AI项目，仅3%宣称实现明确业务回报，说明多数仍处于POC或原型阶段。中小企业则更依赖开源工具快速试错，而中型企业（数亿至百亿规模） 反成最挣扎的“夹心层”——其AI投入意愿高度依赖创始人认知：部分主动拥抱AI提效，快速重构组织流程；另一些则持观望态度，更愿将资金投向AI赋能产品创新（如端侧模型优化），而非管理侧变革。这种分歧也折射出中国SaaS生态的深层瓶颈：企业普遍重增长、轻基建，导致底层系统草率、数据治理缺失。

“出来混总是要还的。”

AI时代的组织进化与超级个体

AI不仅是技术工具，更是组织能力的催化剂。它极大释放了个人生产力——只要具备思考力与想法，AI即可辅助快速实现、测试与迭代，使“超级个体”成长速度显著加快。在创业生态中，这类个体已展现出颠覆性创造力；而在传统外企内部，同样存在被流程压抑的潜力人才。SAP等企业正尝试“重回创业心态”，通过开放工具（如无上限使用Claude）、鼓励自主实验（如自建Mini架构），激发员工的创新动能。

关键挑战在于：外企培养出的人才虽具备流程意识、体系思维与国际视野，却缺乏创业所需的自发性与风险承担能力。未来组织的竞争优势，将取决于能否将这两类能力结合——用专业素养打底，以超级个体为引擎，叠加AI赋能，形成“结构化创新”能力。这一逻辑也解释了为何SAP等老牌企业仍在进化：它们意识到，AI不是弯道超车的捷径，而是对过往信息化欠账的补课。若继续沿用旧思维推进AI基建，历史错误（如数据混乱、架构松散）仍会重演。唯有夯实基础、重构架构，才能在Physical AI浪潮中真正抓住机遇——正如电动车行业所展示的：软硬结合、全栈自研，才是中国高成长企业的未来路径。

“AI不会自然而然地帮你修复掉你不想做的那一盘，它自然而然就变好了。其实不会。”

本土化AI协同：阿里生态+SAP能力的中国式落地

SAP在中国市场采取了一种高度本地化的AI落地路径：产品底层部署于阿里云基础设施之上，同时将通义千问大模型嵌入SAP的MAS（Microsoft Application Services）平台，构建面向中国客户的AI服务能力。这种合作不仅体现在模型集成，更延伸至联合解决方案开发——例如针对中小企业的订单履约痛点，SAP与阿里团队共同打造了基于AI Agent的闭环系统，打通ERP与钉钉数据流，实现从订单追踪、排产到执行的全流程优化。

典型案例是羽绒服品牌曼森集团：作为一家同时运营自有品牌与代工业务的小型企业，其核心挑战在于服务大客户时频繁遭遇订单延期与追单压力。传统ERP无法独立解决这一问题，而通过AI Agent整合钉钉追单信息与ERP生产数据，系统可自动优化排产顺序与资源调度，显著提升履约效率。这一案例体现了SAP与阿里生态协同的真正价值：不是堆砌技术，而是以场景为驱动，在中国特有的数字化基础设施上构建‘轻量但精准’的AI解决方案。

‘老板就头疼说：“哇塞，我服务的都是大厂，然后大厂一弄就是订单延期、追单，我天天接他们的电话，然后就这个一个订单的履约就是他很头疼的问题。”’

‘我们就用 AI agent 帮他做了一个闭环，帮他把 ERP 的数据和钉钉里的数据做了个闭环，其实就解决了这个企业核心困扰的问题。’

全球化基础设施：合规、并购与AI提效的天然支撑

SAP在全球150多个国家运营，其产品架构中内置了200+国家的本地化（localization）能力，涵盖税务、合规、财务等复杂要求。这一能力对正在加速出海的中国企业至关重要——企业无需重复构建底层合规体系，即可依托SAP的全球化基础设施快速落地。

尤其在企业海外并购场景中，SAP的价值进一步凸显：大量被收购的欧洲企业天然使用SAP系统，使得并购后的系统整合与流程统一大幅简化。例如联想作为全球化程度最高的中国民企（海外收入占比超80%），其从200亿到数千亿规模扩张过程中，历次并购与系统整合均在SAP平台上完成；当前更借助SAP的Signavio流程挖掘工具，用AI分析2000+全球流程，识别断点与提效空间，实现智能化运营优化。

‘在全球范围内所有底层的本地化诉求都是已经有一个Ready的平台供你使用了……你只需要关心你自己的业务，而不需要关心这些打底的服务箱。’

技术本质不变：AI加速的是‘人’的参与方式，而非底层逻辑

回顾从本地部署→云化→生成式AI的技术演进，原欣指出：技术变革的底层逻辑从未改变——突破性技术需经历‘小圈子狂欢→行业外溢→全面渗透’的周期。当前AI虽被热议‘泡沫’与‘小圈层’，但其扩散速度将远快于蒸汽机、电力或互联网革命。

关键差异在于交互方式的革命：AI极大降低了使用门槛，实现‘AI平权’，使非技术人员也能高效驾驭复杂工具。但人的角色仍是核心瓶颈——信息处理能力有限、判断无法规模化、决策依赖经验，这些并未因技术进步而改变。真正稀缺的仍是具备强学习能力、跨领域整合力与商业洞察力的个体。

这也引出对教育体系的深层反思：如何培养能驾驭AI、在信息洪流中提炼判断力的人才？技术冲击的终极问题，始终是‘人如何与技术共生’。SAP五十多年积累的行业Know-how、流程理解与客户信任，恰恰是AI时代最难以被替代的护城河。

‘人和社会和组织的交织和技术冲击的这样的一个交互方式，其实并没有本质上的变化，就是一个速度的变化。’