Wink Pings

86%的企业AI仍停在试点:问题不在模型,在数据和组织

MIT Technology Review与Infosys合作的播客里,SAP两位高管谈企业AI从POC走向智能体工作流:数据底座、治理和可复制性,比模型演示更决定成败。两个落地案例,几组不太好看的数字。

节目音频:

企业AI最常见的翻车方式,是演示很顺,进了业务流程就没人敢关掉人工复核。SAP和Infosys在MIT Technology Review的Business Lab播客里给了一个不新鲜的答案:先把数据和治理补齐,再谈智能体。答案不酷,几组数字让它显得紧迫。

先交代背景。这期Business Lab由MIT Technology Review旗下Insights与Infosys合作制作,SAP和Infosys都是利益相关方。下面的事实和案例来自节目,判断部分我尽量标出来。节目页面在这里。

试点多,规模化少

SAP Business AI Platform生态负责人Thorsten Leiduck提到BCG的一份报告:74%的组织卡在试点,没有规模化计划。Anthropic的调查里,42%的受访者卡在数据访问和质量上。

Infosys与HFS Research调查了500多家全球2000强企业,只有14%真正把AI规模化。86%还在早期探索、POC或碎片化试点。Infosys Knowledge Institute的AI成熟度指数里,只有8%的公司够得上AI native,但它们从AI获得的收入贡献是落后者的4倍。

这些数字放在一起,问题很清楚:企业不缺模型演示,缺的是把模型塞进流程之后还能稳定运行的那套东西。

SAP的答案:平台、数据、治理

Thorsten把企业AI拆成三件事。第一,数据底座要能连通、有语义,反映企业自己的业务,避免只喂给模型一堆公共语料。SAP Data Cloud支持对Databricks、Snowflake等平台做零拷贝访问,让客户保留已有投资。第二,生成式AI hub里聚合了50多个模型,放在一个驾驶舱里选。第三,SAP Agent Hub管智能体的全生命周期,包括注册、身份、权限、可观测性和漂移监测。

SAP Business AI Platform的三个支柱分别是build、contextualize and reason、governance。通俗点说:能造智能体,能让智能体读懂业务上下文,能管住智能体。Joule做智能体编排层。SAP还把客户特定的知识图谱当成一等资产,用来给智能体导航。

这套说法有厂商立场,但方向不神秘。企业级AI的脏活,本来就在语义层、权限、流程上下文和异常处理上。

两个案例里的具体数字

Infosys北美SAP BAIP与AI战略副总裁Satinder Pal Singh给了两个生产案例。

一家全球多元化制造商的月结流程涉及80多个SAP交易码。L1支持每月吸收300多起事件,团队常在夜间和周末处理。Infosys在SAP Business AI Platform上部署Topaz Fabric,用一个主智能体协调五个子智能体,覆盖WBS计提、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,只在真实异常时升级给人。结果是整个L1.5支持层被消除,每月300多起事件零人工触碰,年化节省管线超过100万美元。

另一家北美公用事业公司做S/4HANA转型,瓶颈是复杂的SAP功能规格文档。原先一份文档要80多人时,用AI原生开发环境加Claude驱动的检索系统后,86人时降到6人时,减少92%,在51类SAP任务上验证,准确率95%。

节目里还提到,一个全球S/4HANA转型项目用AI辅助交付工具在五个月完成480多个RICEF对象;另一个账户的AI平台每月自动分类12万起SAP事件,零分析师计费;联合交付把价值实现时间从12到18个月压到4到6个月。

这些数字来自供应商和客户项目披露,不是独立审计。看的时候要打折,但方向值得记:可复制的智能体工作流,价值在流程闭环里,不在单点Demo里。

治理常被当成刹车

Infosys Knowledge Institute的生成式AI雷达发现,48%的公司在没有正式治理政策的情况下部署了生成式AI。Satinder的说法很直接:缺治理不会加快AI采用,它会攒出风险backlog,最后逼出破坏性更大的停机和审计。

他给客户用的框架分三层。政策层,明确智能体能自主做什么、数据怎么用于训练、披露义务和结果问责,需要法务、合规、技术团队和董事会一起定。平台层,用SAP Agent Hub做企业控制塔,管智能体、LLM、MCP注册,给智能体可验证身份和范围化访问轨迹,做可观测性和漂移检测。流程层,做季度AI风险评审、偏见审计、模型表现与业务KPI的复盘。

这三层听起来像大公司官僚系统,实际是在给规模化铺轨道。每个新用例都有审批路径和治理架构可插,反而更快。

开发者该盯什么

如果你做AI应用,接下来更值钱的能力可能包括:把业务语义写进知识图谱,设计智能体权限和工具调用边界,做异常升级和人工复核,搭可观测性,管模型和智能体注册表,算清每次调用的成本和业务收益。

普通用户也不用被“自主智能体”吓到。短期内,最靠谱的智能体大概率藏在月结、供应链、审计、客服工单这些有明确流程和验收指标的地方。它们不性感,但能算出钱。

Thorsten在节目末尾说,未来企业AI的重心会从单体应用层转向跨系统的智能体价值层,客户特定知识图谱会成为一等资产。Satinder则把下一阶段描述为从生产力工具走向决策伙伴,比如CFO一早看到智能体标出最可能影响本季度的三个问题,附推荐动作和财务影响。

这个愿景不新。真正难的是把数据、权限、流程和问责先摆平。企业AI卡在试点,卡的多半就是这些不体面的活。

发布时间: 2026-11-16 21:00