Wink Pings

80% 准确率在消费场景够用,在企业财务结账就是灾难

企业 AI 做了几年试点,大多数没走出试点。SAP 和 Infosys 的两位高管在 MIT Technology Review 的播客里聊了聊卡点:数据基础、治理缺位、以及把 AI 当数字同事而不是自动化工具。

企业 AI 有一个不太好听的数字:86% 的公司还停在试点、概念验证或者零散试验阶段,真正把 AI 规模化跑起来的只有 14%。这是 Infosys 和 HFS 对 500 家全球 2000 强企业的调研结果。

另一个数据来自 BCG:74% 的组织困在试点模式,没有规模化计划。Anthropic 的调查则显示,42% 的企业卡在数据访问和质量上。

这些数字放在一起,指向同一件事:企业不缺 AI 工具,缺的是让 AI 在业务流程里真正跑起来的基础设施和组织方式。

SAP 商业 AI 平台生态全球负责人 Thorsten Leiduck 和 Infosys 北美区副总裁 Satinder Pal Singh 在 MIT Technology Review 的 Business Lab 播客里,把这个问题拆得比较清楚。这场对话由 Infosys 合作制作,讨论的核心是:企业从孤立试点走向智能体和自动化工作流时,到底该重新配置什么。

先把数据层修好,再谈智能体

Leiduck 的判断很直接:AI 绝对依赖数据基础。企业需要一个连通的、语义丰富的数据层,能反映自己的业务现实,否则智能体只能基于通用模式做事,落不了地。

他举了一个准确率的例子。在消费场景或者日常办公辅助里,80% 的准确率也许够用,人可以在旁边兜底。但在供应链或者财务结账这类任务关键型流程里,80% 是一个很糟糕的结果。

这个区分很重要。很多企业把消费级 AI 的体验直接平移到核心业务系统,忽略了企业流程对准确率、可审计性和业务逻辑嵌入的要求。SAP 的做法是把业务语义和行业上下文放进知识图谱,让智能体在公司的真实约束下运行,而不只是依赖大模型的通用推理。

AI 部门陷阱

Singh 把 86% 这个失败率归因于一个模式:AI 部门陷阱。组织成立一个 AI 团队或者卓越中心,把它和业务隔离开。团队做出了技术上很漂亮的试点,业务部门看了不认识自己。结果是 AI 方案在找问题,而不是问题在找 AI。

他的建议是,把 AI 从技术倡议变成运营模式转型。AI 不再是 IT 替业务做的事,而是每个职能、每个工作流从一开始就参与的事。

评估用例时,Infosys 用三个维度同时过滤:影响、可行性、可扩展性。影响看的是智能体能不能推动关键业务指标,比如收入、成本、营运资金风险。可行性看的是当前的数据基础、平台和人才能不能支撑这个用例。可扩展性问的是,一个验证成功的用例,架构上能不能复制。Singh 的原话是:一个无法规模化的试点,只是一个实验。

他还给了一个很实用的比喻:把 AI 组合当投资组合来管。快速见效的项目养活整个计划,中期赌注保持节奏,一两个长期大胆的仓位让利益相关方在第三年之前也愿意继续投入。

两个跑在生产里的案例

第一个案例是一家全球多元化制造商,SAP 系统规模很大。痛点在月结:80 多个 SAP 事务码,结账团队常年熬夜周末加班,光月结周期就产生每月 300 多起 L1 支持事件。

Infosys 在 SAP 商业 AI 平台上部署了 Topaz Fabric,用一个主智能体协调五个专业子智能体,覆盖 WBS 应计、收入确认、公司间结算、主数据对账和 SOX 审计轨迹生成。智能体自主运行,只在真正的异常上转人工。结果是 L1.5 支持层级整体消失,每月 300 多起事件零人工处理。结账团队从被动救火转向前瞻性财务分析。年度节省超过 100 万美元。

第二个案例是一家北美公用事业公司的 S/4HANA 转型。瓶颈在开发速度:复杂的 SAP 功能规格文档每份需要 80 多人时。Infosys 用商业 AI 平台上的 AI 原生开发环境,配合基于 Claude 的检索系统,把规格文档从 86 人时压到 6 人时,减少 92%,在 51 种 SAP 任务类型上验证,准确率 95%。这套架构正在复制到其他客户。

Singh 还提到一个全球 S/4HANA 转型项目,用 AI 辅助交付工具在五个月内完成了 480 多个 RICEF 对象,常规交付节奏做不到这个速度。另一个客户用 AI 平台每月自动分类超过 12 万起 SAP 事件,零分析师计费。综合效果是交付周期从 12 到 18 个月降到 4 到 6 个月。

治理不是刹车,是防止后面被迫停摆

治理经常被当成规模化的对立面。Singh 的数据反过来:Infosys 知识学院的生成式 AI 雷达发现,48% 的公司部署了生成式 AI,但没有正式的治理政策。近一半企业在没有文档化框架、监督、问责或合规机制的情况下跑 AI。

他的判断是,治理缺位不会加速 AI 采用,只会制造风险积压,最终迫使一次更具破坏性的停摆和审计。

SAP 的 Agent Hub 被设计成企业级 AI 和智能体治理的控制中心。它可以管理 SAP 智能体,也能管理通过 A2A 集成的非 SAP 智能体。功能包括智能体注册表、LLM 注册表、MCP 注册表、可验证的智能体身份和范围化访问权限、可观测性、漂移检测。Leiduck 强调这些能力内置在商业 AI 平台里,不是外挂。

Singh 把治理拆成三层:政策层,组织层面的 AI 使用政策,明确智能体能做什么不能做什么、数据怎么用于训练、披露义务和结果问责,需要法务、合规、技术团队加董事会赞助;平台层,用 Agent Hub 做企业控制塔,让领导层在复杂多智能体环境里有实时可见性;流程层,季度 AI 风险审查、偏见审计周期、模型性能对业务 KPI 的复盘。

这三层跑通之后,治理反而加速部署。每个新用例都有清晰的审批路径和可接入的治理架构。

数字同事,不是自动化工具

两位高管都提到一个认知转变:把智能体当数字同事,而不是高级自动化。

这个说法不只是修辞。自动化工具执行预设规则,数字同事需要在业务上下文里做判断、在异常时升级、对自己的行为留下可审计的轨迹。Singh 说,这个心态转变占实施挑战的 70%,平台本身解决不了。

Leiduck 对未来有一个具体判断:重心会从单体应用层转向智能体价值层,跨系统编排工作。交付会工业化,出现智能体工厂和按结果付费的商业模式。客户特定的知识图谱和本体将成为一等资产,因为它们编码了流程、语义、政策和数据关系,是安全高性能企业智能体架构的蓝图。

Singh 的版本更面向决策:企业系统过去告诉我们发生了什么,下一代帮领导者理解现在正在发生什么、接下来可能发生什么、该采取什么行动。他描绘的场景是,CFO 早上打开系统,一个智能体持续分析财务、供应链、采购和劳动力数据,主动提示最可能影响本季度的三个问题,附推荐行动和量化财务影响。那不是仪表盘,是另一种决策模型。

两位都同意一件事:设计 AI 架构时,要按 18 个月后 AI 的能力来设计,而不是按今天的能力。数据基础、治理框架、灵活架构,这些是吸收未来创新的前提。

本文基于 MIT Technology Review 的 Business Lab 播客,该节目由 Infosys 合作制作。

发布时间: 2026-11-16 21:00