一家做 ERP 做了五十年的公司，最近自己承认了一件事。

SAP 的 CEO 克里斯蒂安·克莱因，在 10 月 1 日首播的一期播客里说了一句话：只用一个大模型，没办法运营仓库，也做不了财务结账。

SAP 是欧洲最大的软件公司，管着全球大量企业的财务、供应链和人力系统。这句话从一个卖 AI 的 CEO 嘴里说出来，分量不一样。

更有意思的是他给员工的比喻。他在全员大会上放了一座山：SAP 已经爬过了「云」这座山，现在要爬「AI」这座山。山上有一道坎，他给了一个具体的数字——93%。

SAP 做了一个财务结账智能体。克莱因说，AI 已经能理解业务了，但准确率大概只有 93%。

93% 放在大多数场景里是好成绩。但财务结账不行。

因为审计师在公司发布财务结果之前，要逐项核对。偏差 7%，这份结果就过不了关。财务结账要的是经过认证的、100% 的准确率。

他判断这道坎几个月内能跨过去，但有个前提：针对特定任务。SAP 接下来要做的供应链优化智能体，他估计还要 8 到 9 个月。

这里有个更值得老板记住的细节：不是所有场景都要 100%。

克莱因出差时，会让 SAP 的 AI 同事 Joule 写一份客户简报。他说 90% 就够用，95% 同样可以接受。因为这件事原来是一群人坐在办公室里，为每一次客户拜访准备材料。现在 SAP 的数据本来就在系统里，公开信息交给大模型去理解。

所以真正的分界线不在「AI 准不准」，在于你把这个活儿归到哪一类——它错了，要不要有人签字。

「软件末日」的说法流行起来以后，克莱因的第一反应不是反驳，是去问产品组合团队一个问题：我们产品线里，哪些方案可以被「用提示词做软件」轻易复制掉？

答案很快就出来了。

一个 ERP 有 700 万个数据字段，需要关联的数据超过数亿处，才能理解一家企业是怎么运转的。背后还有分行业、分国家的深层流程知识，以及各地的合规要求——SAP 每年为了保持软件合规，要投入数亿欧元。

他们的结论是：可能有一两个小方案流程和数据背景少，可以复制，其余没那么容易。

克莱因的答案因此很直接：大模型旁边必须放上企业自己的 AI 基础——用业务数据和业务流程知识训练，建知识图谱和语义本体层。大模型、AI 基础、治理，三样缺一不可。

他举了个例子。做资产管理，智能体要理解机器发出的传感器信号，判断这台机器什么时候该维护；再把信号和 SAP 的数据配对——生成维修工单、找到能修这台机器的工人、查到备件在哪里，这些还要在时间上接得起来，才能避免停机。

只有一个大模型，做不了这件事。

这也是这句自曝对买方最有用的一点：你买了 AI 发现没解决问题，往往不是员工不会用，是模型压根不懂你的仓、你的单、你的流程。

判断标准就一句：别问 AI 会不会取代你现在的软件，问「我那套系统里，有多少活是不看我的仓、不看我的单就干不了的」。那些活，就是你的软件还活着的原因，也是你要花钱去接线的地方。

节目录制前一个小时，克莱因去拜访了纽约的一家大客户。

对方说：财务结账助手挺好，就是它只有 93% 的准确率。

克莱因当场判断，问题不完全在助手身上——这家公司里散落着上百个财务系统，其中一部分不是 SAP 的。所以第一步不是让 AI 更聪明，是清理房子。

数据质量差、数据孤岛多，智能体再好也会被拖低准确率。

他给的解法是：SAP 和 Databricks、Snowflake、BigQuery 这些数据平台合作，用零拷贝的方式共享数据，不搬数据；在上面做语义层，匹配数据、修复数据质量问题；AI 帮着把 SAP 系统的数据和 Salesforce、Workday 这些系统的数据对上，让智能体可以直接访问开箱即用的语义层。

按他的说法，企业不再需要一支数据科学家大军，每个月把财务、人事、员工、薪资数据来回清洗和对接。AI 擅长做这类匹配，这正是智能体背后正在发生的事。

这里有一处值得留意。主持人问他：数据基础是所有 AI 试点上不了线的常见原因，那越来越聪明的 AI，为什么不能自己解决？克莱因的回答是——AI 本身就会解决这个挑战。

把这两句话放在一起看，就是这件事的真相：AI 能帮你收拾，但「先收拾哪一间」得你自己定。 那上百个系统里，哪套是主数据源、哪套该退休、哪套先接进来，这是管理决策，不是模型能力。

判断标准：你的 93% 里，多少是模型的问题，多少是你自己那一百个系统的问题？

成本已经成了企业 AI 的硬约束。

克莱因说得很清楚：如果员工生产力提高了 20%，成本却涨了 30%，这件事就没有意义。 作为软件公司，要帮客户做的事，是别让客户在庆祝生产力提升的时候，回头发现利润没达标。

SAP 自己就是这么管 token 的。

用 token 最多的那 1% 员工，人均支出在一个月内下降了 9.7%。SAP 的做法是分岗位设上限：对做模型训练的那 1%，不设上限，因为他们的工作直接关系到智能体的准确率；对开发、产品经理、设计师，以及财务、人力岗位，都设了上限，但阈值定得「健康而且公平」，让大家用 AI 做本职工作不会月月撞线。真需要更多，可以申请，由经理审批。

克莱因自己也承认，他拖了一段时间才推这个上限。因为公司一直在对所有人说「用 AI、再培训自己、变得更有效率」，如果他第一个设上限，传出去的信息不是他想要的。

但他说，比上限更有效的，是切换模型：从一个模型换到另一个，成本可以降低十倍。

这组数字能佐证他的话。企业 AI 支出里，前沿模型的占比已经从 53% 降到 45%。克莱因的总结是，标准模型往往是用 10% 的价格换 80% 的性能。

SAP 内部的规矩是：每个要发布的智能体，产品经理都要用不同模型测试，而且要一直做——不少智能体在开发期间已经换到了第五个模型。模型切换本身也快，一两周就能完成，改的是 API，调的是 MCP 服务器。

同时有一条线不许松：准确率到 95% 或更高，智能体才值得发布；客户简报这类，94% 也可以接受。

判断标准：别把「用最好的模型」当默认值。把模型的档位、任务的性质、业务能接受的准确率，三样对上。

主持人问克莱因：SAP 有十万人上下，员工怎么看这件事？

克莱因说的是全员大会上真正的问题——不是「我会不会更累」，是「我的工作还安全吗？公司会不会重组？」

他没有绕开。他承认很多工作会发生剧变：财务和人力里的各类控制、合规检查，正在被智能体自动化，这在过去是成千上万人的全职工作。

他的判断是：工作类型会变，但不认为会变得更累或更无聊。他自己的经历是，财报发布前材料已经备好，包括他的发言稿，AI 甚至提示他什么时候提高嗓音、什么时候压低，他因此有更多时间想怎么把财报讲好。

岗位会变成不同的组合：公司要招数据科学家、全栈开发人员，其他一些岗位需要更少的人。两条路径并行——一条是对现有员工再培训，另一条是引进带新技能、新思维的人，和老同事搭配起来用。

而再培训最难的，不是技能，是思维方式。

他举了 SAP 自己的例子。公司过去有大批开发人员，写的是本地部署软件；现在要写云软件，方式是 DevOps、代码自动测试、发布上线之后还要负责它稳不稳。这是编码方式的变化，也是思维方式的变化。克莱因说，再培训不只是功能性的技能转换，一个人愿不愿意走进一个新领域，本身就是问题。

他还举了 SAP 自己的 AI 同事 Joule Work：录制节目时约 8 万人在用，但一开始有抵触——「它对我的工作会有什么影响？我到底该怎么用？它真有帮助，还是我最后还是要纠正它做出来的东西？」经过培训和辅导，员工发现事情可以做得更快、精力可以放到更值钱的任务上，才愿意在法务、人力、财务、销售这些部门用起来。

最有意思的是产品经理的变化。过去 50 年，SAP 一直在给软件加客户提的新功能，产品经理不必常去客户那里。现在公司要求产品经理不要坐在公司里，去客户那里——重新设计供应链怎么运转、库存怎么优化、薪资未来怎么处理。

判断标准：别只算要裁几个人，先算要转几个人。员工问的不是「AI 会不会让我更累」，是「我的位置还在不在」——这个题答不上来，办多少场培训都没用。

这周先做一件事：

这条线拖下去，最贵的不是钱，是你团队里那个人先不信了。