多年来,企业一直将 AI 视为一系列离散的实验。如今,随着 AI 智能体开始进入支撑业务运行的工作流,这种模式开始显得力不从心。那些正从孤立试点转向 AI 智能体和自主工作流的组织,正面临更深层的挑战:重新思考数据、业务流程、治理和人员如何协同,将 AI 从一堆工具转变为企业运营模式的一部分。
对于 SAP Business AI Platform Ecosystem 高级副总裁兼全球负责人 Thorsten Leiduck 而言,这一转变始于将 AI 视为企业平台,而非一堆彼此割裂的项目。“AI 绝对依赖于数据基础,”他说,并主张企业需要一个互联的、语义丰富的层来反映其业务,之后才能跨流程可靠地部署 AI。随着 AI 进入关键任务工作流,风险也随之改变。对于一些日常应用,“80% 可能就够用了,”他说,但在供应链或财务结账等领域,这样的准确率是“非常糟糕的结果”。
这一基础也决定了哪些 AI 应用值得投入。Infosys 的 SAP BAIP 北美副总裁兼 SAP AI 战略负责人 Satinder Pal Singh 将 AI 智能体称为“数字同事”,并建议从三个维度评估潜在用例:影响力、可行性和可扩展性。企业应确定智能体能在哪些环节推动有意义的业务指标,判断其数据和人才能否支撑该用例,然后再确定成功的应用能否被复制。“无法扩展的试点只是一个实验,”他说。
规模化也让治理更加凸显。明确的策略、访问控制、监控和监督是必要的,以确保智能体保持可信并与业务需求保持一致。“治理的缺失并不会加速 AI 的采用,”Singh 说。“它会制造风险积压”,最终可能迫使企业进行更具破坏性的停机和审计。
随着 AI 智能体作为数字同事承担更多责任,这些考量将变得更加重要。两位高管都预见到这样一个未来:智能体系统跨应用协调工作,而客户特定的知识图谱和受治理的数据成为关键的企业资产。对 Singh 而言,更长期的机会是从 AI 作为生产力工具转向“AI 作为决策伙伴”,帮助领导者理解正在发生什么、预判接下来会发生什么,并确定如何应对。
本期 Business Lab 节目与 Infosys 合作制作。
完整文字记录
Megan Tatum:来自 MIT Technology Review,我是 Megan Tatum,这里是 Business Lab,一档帮助商业领袖理解从实验室走向市场的新技术的节目。
本期节目与 Infosys 合作制作。
如今,AI 工具的开发与普及有可能重塑企业的运营方式。但是,在应用正从最初的实验阶段扩大规模之际,我们仍然看到高层领导者在围绕 AI 的价值、风险以及它所带来的复杂性等问题上苦苦思索。越来越明显的是,与过去的自动化方式不同,AI 需要真正的思维转变。简而言之,这项技术不能简单地被加入企业现有的工具包中。它需要对内部包含什么以及如何使用进行彻底的重新配置。
给你两个词:有意识的配置。
今天的嘉宾是 Thorsten Leiduck,SAP Business AI Platform Ecosystem 高级副总裁兼全球负责人,以及 Satinder Pal Singh,SAP Business AI Platform 和 SAP AI Strategy 北美区副总裁。
欢迎,Thorsten 和 Satinder。
Thorsten Leiduck:好的,感谢邀请我们。很高兴能与我们重要的合作伙伴 Infosys 一起在这里。期待这次对话。
Satinder Pal Singh:嗨,Megan。感谢邀请参加今天的对话。期待讨论。
Megan:我也是。非常感谢两位能来。Thorsten,我想先从你开始。我们知道许多高层领导都理解 AI 的变革潜力,但他们在实施的各个环节上仍然举步维艰。比如,很多项目仍停留在试点阶段。当你与客户交流时,他们在把 AI 集成到技术栈时面临的最大障碍是什么?
Thorsten:是的。Megan,正如你所说,如今每一场客户对话的议程上都有 AI,但很多客户确实在纠结如何把这种兴趣转化为可运营的模式,并在整个企业范围内释放 AI 的价值。原因在于,太多项目一开始就是针对不同 AI 技术的孤立 POC,且建立在不一致、碎片化的数据基础之上。
这会造成大量重复、性能不一致,并且没有清晰的规模化路径。与此同时,领导者非常关注智能体部署后的安全性、可观测性、可靠性,以及一些伦理影响。一些研究也表明了这一点。例如,BCG 发布了一份报告,显示 74% 的组织卡在试点模式,没有规模化计划。而在 Anthropic 的一项调查中,数据显示 42% 的组织确实在获取数据以及数据质量方面苦苦挣扎,而这基本上正是在整个组织范围内规模化全部 AI 能力的关键。
前进的道路确实是把 AI 不只当作一个项目,而是更整体地当作一个企业平台,一个真正能把统一的数据层与应用中的流程上下文一致地连接起来,然后在整个生命周期内嵌入受治理的 AI 能力。为了让这一愿景落地,我们在 SAP 推出了 SAP 自主企业框架,让组织能够从试点走向规模化成果。
Megan:是的,确实是为了提供那种支持。那么,Satinder,你同意吗?为什么我们会看到企业在这里几乎陷入某种 AI 瘫痪?需要发生怎样的思维转变?或许,为什么这也是组织现在就需要考虑的事情?
Satinder:完全正确,Megan。而且,如果你专门看智能体 AI,情况只会更清晰。Infosys 和 HFS Research 调查了 500 多家全球 2000 强企业,发现只有 14% 成功实现了 AI 的规模化。86% 仍处于早期探索、概念验证或碎片化试点阶段。对于一项两年来一直位居每场董事会会议议程首位的技术来说,这是一个惊人的失败率。而在这 86% 的核心,就是我所描述的"AI 即部门"陷阱。
情况是这样的:组织建立了一个 AI 团队或卓越中心,并将其与业务隔离开来。该团队构建了技术上出色、但业务部门无法从中看到自己的试点项目,最终你得到的是寻找问题的 AI 解决方案,而不是反过来。思维转变很明确。从把 AI 视为一项技术举措,转变为把它视为一次运营模式转型。AI 不再是 IT 为业务做的事情,而是整个组织共同做的事情。每个职能、每个工作流,从一开始就嵌入其中。
那么,为什么这是一个当下就必须解决的问题?先行者正在建立优势。你无法通过日后购买同样的平台来追赶。18 个月的智能体行为数据、经过校准的知识图谱、真正内化了 AI 的员工队伍,这是一种会不断累积的结构性优势。Infosys Knowledge Institute 的 AI 成熟度指数显示,如今只有 8% 的公司符合 AI 原生企业的标准,但它们从 AI 获得的收入贡献是落后者的四倍。如果你今天不构建 AI,你不是在原地踏步,你是在以加速的速度落后。
Megan:对。正如你所说,在领跑者和落后者之间确实存在明显的两极分化。当我们从试点转向规模化应用时,也许第一步是评估什么时候 AI 才是合适的工具。AI 在许多企业里已经迅速成为默认解决方案。Thorsten,如今是否存在一种把它当作有点粗糙的工具来使用的倾向?一开始,高层领导者怎样才能更好地评估哪些用例值得投入时间和投资,从而剔除后期的一些复杂性?
Thorsten:是的,Megan,我认为每个人都需要意识到,在组织中采用和推广 AI 既是一次技术推广,也是一段变革管理的旅程。
现在,当你把这一点放在心上,把 AI 推到尽可能多的团队面前就完全合理了,因为你想建立规范性、激发想法,而且人们也应该看到 AI 在组织中的好处。当你想到差旅协助、通过 Copilot 生成会议摘要,或 AI 赋能的工作流,提高生产力,每个人都能在真实的工作中、真实的日常业务中感受到这一点。而且,这显然会激发创造力,也从自下而上的角度为组织提供一定的创新规模。
然而,随着多数派壮大,对话——这也是我们与许多领导者和客户讨论的内容——更多地转向经济学和治理。诸如 token 成本、模型性能、安全性和问责制之类的事情变得重要得多。而当你采取这种思路,把 AI 智能体视为在业务流程中执行特定任务的数字员工时,那么这意味着,从 AI 的角度来看,并非每项任务都值得自动化。
在某些情况下,人力仍然更经济或更有效。明智的做法——也是我们真正向客户推荐的做法——是从一组明确的、可能规模较小的高价值用例入手,并预先设定成功指标。例如,缩短周期时间、提升准确性、降低单笔交易成本,或提升营收。然后,把行之有效的方案规模化。这些用例可以绑定到具体的业务线领域或行业场景。
然后,从 SAP 的角度,我们与 Infosys 一起,真正帮助客户取得成功。作为我们自主套件的一部分,我们提供相应的领域助手,它们真正端到端地运行业务流程,并为单个端到端业务流程步骤带来可观的 ROI。
最后但同样重要的是,在许多场景中——我认为这在大型行业 AI 用例中尤其常见——是一种联合方式。我们与像 Infosys 这样的合作伙伴,也与客户一起,围绕前置部署工程来做这件事,从而与客户紧密地共同定义 AI 特定的用例及其明确的成果,并将其作为初始项目交付。然后,理想情况下,将其推广到其他客户,并作为最佳实践带回,推广到其他组织。
Megan:对。正如我所说,你们希望实现什么、什么值得投入时间,这一点一直都很清楚。那么 Satinder,在细化 AI 战略、确保组织能够聚焦于 AI 能带来最高回报的领域方面,你有什么建议?
Satinder:好的,Megan。我认为 Thorsten 把 AI 智能体定位为数字同事,这迫使人们做到一种精确性,而智能体 AI 战略的表述往往缺乏这种精确性。当你问我们需要哪些数字同事、它们在哪里创造最大价值时,答案从第一步开始就变得更清晰了。在 Infosys,通过我们的 Topaz AI-first 框架,我们推动客户同时从三个视角来审视。
第一个是影响力。部署智能体在哪里能推动关键数字的变化?收入、成本、营运资金风险。我们建立了一个涵盖各行业 300 多个企业用例的库,所以我们从不从空白页开始。第二个是可行性。鉴于你今天的数据基础平台和人才,哪些高影响力的用例你实际上能够执行?可行性决定你的顺序。在破损的数据基础上做高影响力用例是不可行的。当基础正确时,结果是惊人的。Infosys 的一个项目将复杂的 SAP 规格文档从 86 人时减少到 6 人时,降低了 92%。
第三是可扩展性。一旦你用一个有明确 ROI 指标的用例证明了价值——周期时间缩短、准确性提升、每笔交易成本——那么让你能够复制它的架构是什么?无法扩展的试点只是一个实验。我的实用建议:把你的 AI 组合当作投资组合来对待,快速见效的项目为整个计划提供资金,中期押注,一两个大胆的长期布局来平衡,让利益相关者在每个阶段都保持参与,而不只是在第三年。
Megan:这是一个非常有用的框架,供人们在那里使用。考虑到这里的紧迫性,Thorsten,组织如何能以更结构化、更高效的方式接近和管理 AI?首先,一些组织目前可能遗漏的基本要素是什么?我知道 Infosys 和 SAP 谈论的是平台和数据,然后是 AI,例如。
Thorsten:是的,Megan,我认为许多组织忽视的根本问题是数据,而数据是 AI 的基础。因为归根结底,如果没有数据结构、无法在正确的时间访问正确的信息,并且不能以有意义、受治理且语义化的方式将不同类型的结构化和非结构化数据源整合在一起,就不会有成功的 AI。AI 绝对依赖于数据基础。我认为这一点经常被忽视,这就是为什么我说,当你在不同组织或组织的不同部门用不同技术启动 POC 时,很难在数据侧以及 AI 侧建立一个端到端一致的模型。
公司需要实现的关键目标之一——这也是为什么我们真正强调你需要从数据优先、平台优先开始——是建立一个语义丰富且互联的数据层,真正反映你的业务,使智能体真正扎根于公司的现实,而不仅仅是通用模式。
然后,我认为第二个重要因素是准确性。在企业环境中,这确实很重要。例如,在消费级场景中,80% 的准确率可能可以过关,甚至在员工环境中,你制作 PowerPoint 或起草电子邮件,然后通过人在回路中进行优化,80% 可能就足够了。但是,当你真正考虑供应链或结账等任务关键型或业务关键型流程时,80% 是一个非常糟糕的结果。
风险太高了,你需要更高的准确性。这就是为什么重要的是,将业务流程逻辑和行业上下文嵌入到数据和模型中,这些数据和模型构成了每个 AI 的基础,可以说是 backbone,显然也构成了 ERP 和业务线系统中数据的基础。
然后,最后但同样重要的是,另一个关键要素——你在新闻中显然能看到所有智能体都在失控——就是治理、合规和安全。在企业环境中这一点至关重要。你需要制定明确的策略、访问控制。你需要具备监控能力和手段,才能真正确保 AI 议程能力或智能体所执行的内容完全对齐、值得信赖且可扩展。
Megan:对。这对组织来说要考虑的事情相当多。Satinder,SAP 和 Infosys 如何与组织合作,来简化其中一些流程,或许让释放 AI 能力变得更容易一些?
Satinder:Megan,我想一开始先说明,在 Infosys,我们与 SAP 的关系处于独特位置,因为我们既是 SAP 的客户,也是其关键全球供应商之一。SAP 和 Infosys 的合作方式围绕 Thorsten 所描述的架构设计,这定义了一种连贯的伙伴关系。
SAP 提供平台基础,包括面向语义丰富型企业的业务数据云、用于受治理 LLMX 的生成式 AI 中心,以及用于生命周期治理的智能体中心,从第一天起就达到企业级。Infosys 带来实施深度、行业背景和用例加速器。通过 Infosys Topaz,我们在 Business AI Platform 上构建了 50 多个预配置 AI 用例,这些生产就绪的配置无需从零构建即可部署。我们在 SAP 的行业 AI 合作中共同开发用例,并带有明确的客户特定 FTE 指标。这种对结果的共同担责不同于典型的实施合作。
在实践中,一个全球 S/4HANA 转型项目使用 AI 辅助交付工具,在五个月内完成了 480 多个 RICEF 对象,这是传统交付无法维持的速度。在另一个客户中,一个 AI 驱动的平台每月自动分类超过 120,000 个 SAP 事件,且无需分析师投入。综合效果是,实现价值的时间从 12 到 18 个月降至 4 到 6 个月。
我想强调的是变革管理的难度。技术越来越容易部署,Thorsten 之前也谈到了这一点。难的是帮助一个组织内化这样一个观念:他们的智能体是数字同事,而不是自动化工具。这种思维转变占实施挑战的 70%,单靠平台无法解决,Infosys 和 SAP 正在开展联合采用计划,并行应对这两个维度。
Megan:太棒了。这里也有一些很好的真实案例。Thorsten,你能再详细介绍一下 SAP 的 Business AI Platform,也就是 BAIP 吗?它是如何运作的,与其他平台相比有什么独特之处?
Thorsten:好的,SAP Business AI Platform 可以说是我们 SAP 自主企业框架的基础,该框架实际上由一个统一的用户界面组成,并作为一个智能体编排层启用,我们称之为 Joule。然后你有与所有应用配合的自主读取,接着是 Business AI Platform,它为其他能力提供支持,并与它们紧密相连,基本上围绕三个核心支柱组织。
第一个就是我们所说的构建。这意味着你提供相应的基于意图的开发工具,以便客户或像 Infosys 这样的合作伙伴能够真正使用一流的工具和模型来创建和开发智能体、应用和工作流,以扩展 SAP 自己的助手,或对其进行定制,或根据需要真正构建自己的智能体。
补充 Satinder 所说的,对我们来说至关重要的是,我们拥有一个蓬勃发展的生态系统,它富有创新精神,正在构建创新,并补充我们自己的 SAP 智能体产品组合。我们专注于特定领域,从业务线行业的角度来看,我们在组织内部提供辅助,但为了真正在最后一公里执行中进行定制,真正补充我们未覆盖的领域,并将创新推向客户,我们的生态系统是倍增力量,而 Infosys 确实与我们携手在这方面发挥着主导作用。
第二点,我们之前也谈过,就是我们所说的情境化与推理支柱,它实际上作为基础数据,我们通过 SAP Data Cloud 和全面的数据战略来解决,我们在 Databricks、Snowflakes 等合作伙伴提供商平台上建立端到端的数据编织,在那里我们推动并实现零拷贝的数据访问。对客户来说,这非常重要。所以,我们基本上允许、推动客户——如果你已经在这些平台中的任何一个上做了投资,保留这些投资,只需利用 BDC 来连接,而无需在你的 Databricks、Snowflake 环境与 BDC 之间移动数据。
通过这种方法,我们建立并协调语义数据层,然后可以将其用于整个企业的任何 AI 场景,整合不同的数据源而不会造成任何中断。其中的另一个关键要素是生成式 AI hub。我们已将 50 多个模型、语言模型(包括我们自己的一些模型)聚合到单一驾驶舱中,这样客户就可以访问并选择这 50 个模型中的任何一个,作为生成式 AI hub 的一部分,而该 hub 是平台的一部分。
然后,作为一个关键差异化因素,我们确实将大量业务语义和上下文移入知识图谱,这随后有助于引导智能体,并像公司中的神经或导航系统一样运作,真正为任何智能体执行框架的决策和执行提供与业务相关、客户特定的信息。
然后,最后但同样重要的是,我们谈到了治理。这是第三个支柱,非常关键,而且是内置的。所以,作为第三个支柱,我们有 SAP agent hub,它某种程度上是企业级 AI 和智能体治理的指挥中心。你可以治理 SAP 智能体,也可以治理非 SAP 智能体,只要它们通过 A2A 集成到 SAP。因此,团队可以在客户侧真正管理智能体和功能的端到端生命周期,从入职到退役。
Megan:太棒了。这真是一个非常全面的概述。非常感谢。那么,Satinder,你能否分享一些例子,也许可以说明组织在实践中如何使用 SAP Business AI Platform 来改进他们使用 AI 的方式?也许,他们面临了什么挑战,过程是什么样的,以及他们获得了哪些收益?
Satinder:当然,Megan。我想 Thorsten 刚刚解释了 Business AI Platform 是一个多么强大的平台。这是数十年工作的成果。我们也一直在使用它,我将分享两个来自 Infosys 实际项目的例子,两者都展示了 BIP 的三大支柱在生产中的样子。
第一个是一家拥有庞大 SAP 体系的全球多元化制造商。挑战在于月末结账,80 多个 SAP 事务代码,结账团队通宵和周末工作,L1 支持仅因结账周期每月就要处理 300 多起事件。在 Business AI Platform 上,我们部署了 Topaz Fabric,这是 Infosys 的智能体编排平台,由一个主智能体协调五个专业子智能体:WBS 应计、收入确认、公司间结算、主数据对账和 SOX 审计追踪生成。智能体自主运行,仅在真正的异常情况下升级给人工。结果是,整个 L1.5 支持层级被消除,每月 300 多起事件在零人工干预下得到处理。结账团队从被动救火重新部署到前瞻性财务分析。年度节省管道超过 100 万美元。
第二个案例是一家北美公用事业公司正在进行 S/4HANA 转型。他们面临的挑战是开发速度,复杂的 SAP 功能规格文档通常每份需要 80 人或更多人力,这一瓶颈制约了整个项目。借助 Business AI Platform 上的 AI 原生开发环境以及由 Claude 驱动的检索系统,我们将这些规格文档的编制时间从 86 小时缩短到 6 小时,减少了 92%,并在 51 种 SAP 任务类型上以 95% 的准确率得到验证。该架构目前正在各客户中复制推广。在这两个案例中,模式都与 Thorsten 所描述的相符:受治理的数据基础、SAP 业务流程上下文,以及通过 SAP Agent Hub 实现的完整智能体可观测性。这就是作为日常运营运行的自主型企业,而不是一个概念。
Megan:这些确实是非常有说服力的具体成果,我想人们会很想听到。当然,负责任的 AI,或者说清晰的治理框架,也是 AI 集成中的关键组成部分。我们知道像 LLM 这样的工具很少在开发时就内置合规性。Thorsten,我想知道在这方面你有什么建议,如何确保恰当的治理被嵌入到 ERP 中?
Thorsten:是的,Megan,你说得完全正确。治理、合规和安全对于在企业规模上交付相关、可靠且值得信赖的 AI 确实至关重要。重要的是要理解公共 LLM 服务究竟是如何运作的。其中许多服务是在互联网规模的数据上训练的,这意味着它们是公共模型。取决于提供商的政策和设置,它们可能会保留更早的输入用于模型改进,这意味着如果一家公司把数据回传给模型,这家公司的数据就进入了公共领域。例如管道信息或预测信息,这一点变得非常非常关键,因为这会让你的组织面临重大风险。
所以,尽管 LLM X 非常出色,能够处理大量文本和其他非结构化数据,但它们在处理 EOP 系统或一般业务应用中的结构化表格时效果较差,而且通常缺乏业务流程、逻辑和上下文的细微差别。这就是为什么一个稳健的治理框架至关重要。我们谈到了生成式 AI,以及我们如何将这些模型聚合到一个单一驾驶舱中。
然后,另一个元素,我们之前基于此讨论过,Satinder 也提到过,始终是自定义示例的一部分,就是 SAP agent hub,或者一般来说,当我们谈论 AI 生命周期治理中的能力时,这确实包括智能体注册表、LMN 注册表、MCP 注册表,因此为每个 AI 工件提供单一来源工具,你可以管理身份和访问控制,这样智能体就真正可变,并且你可以真正提供正确的权限,即哪些智能体被允许使用访问哪些数据,然后是智能体可观测性、agent minus,以及将智能体技能映射到组织也非常关键。
作为这一切的一部分,正如我之前提到的,我们将这些能力真正完全嵌入到 Business AI Platform 中,以真正提供开箱即用的治理框架,并完全嵌入到你在 SAP 所做的一切中。
Megan:这非常重要,因为当组织在试验或扩展多个 AI 项目和工具时,在某些情况下,这会增加真正的复杂性。我想知道,Satinder,你是否会补充一些关于组织如何在内置稳健治理层方面的内容,即使技术栈相当复杂?
Satinder:在 Infosys,我们有 Infosys Knowledge Institute,他们运营这本年度杂志《生成式 AI 雷达》,它发现 48% 的公司在没有正式治理政策的情况下部署了生成式 AI。近一半的企业在运行 AI 时没有成文的框架或监督、问责或合规机制。这就是 Thorsten 所描述的差距,必须主动弥合这一差距,否则一旦发生事件,就会被迫做出反应性停止或审计,其破坏性远大于事先构建治理。
Thorsten 刚刚在 SAP Agent Hub 中描述的内容,正是使企业级治理成为可能的平台层,值得把整体架构明确讲清楚,因为如果没有它,治理就只是理论。
我与客户使用的框架包含三个必须协同工作的层次。第一层是政策,即清晰的、全组织范围的 AI 使用政策:智能体可以自主做什么、不可以做什么,数据如何用于 AI 训练,披露义务,以及结果的问责。这需要法务、合规、技术团队共同参与,并获得董事会层面的支持。没有这个基础,每一次部署都会变成临时的治理争论。第二层是平台。这正是 SAP Business AI Platform,特别是 SAP Agent Hub 成为企业控制塔的地方。
Thorsten 所描述的能力——智能体 LLM、作为单一事实来源的 MCP 注册表、具有限定访问轨迹的可验证智能体身份、智能体可观测性、用于漂移检测的智能体挖掘——这些不仅仅是治理功能。它们让领导者能够实时洞察复杂的多智能体格局。你可以看到什么在运行、它在消耗什么,以及它是否按预期表现。这正是把复杂的技术栈从治理负担转变为治理资产的关键。
最后一层是流程,即反复执行的治理仪式、季度 AI 风险审查、偏见审计周期、对照业务 KPI 的模型性能审查,这些结构化的对话让人类随时间推移始终对智能体的行为负责。组织们不断发现的是,这种三层结构实际上加速了部署。每个新的用例都有一条清晰的审批路径和一个可接入的治理架构。治理的缺失并不会加速 AI 的采用。它会制造风险积压,最终迫使出现一次停止和审计运动,其破坏性远大于构建治理能力。
Megan:这是个非常有意思的观点。非常感谢。我们涵盖了很多内容,所以最后做一个前瞻性的展望,我们今天谈到了市场上 AI 工具的激增,其中许多旨在变革企业级运营。我想知道,Thorsten,你认为在视野所及之处,什么可能成为真正的游戏规则改变者?
Thorsten:我认为我们很快就会看到,而且我们之前也简要谈过这一点,就是我们正进入一个持续、快速的 AI 采用期,其中助手和智能体将作为数字同事运作。它们会像今天的员工一样嵌入我们的组织,并且就在我们说话的同时,它们会随着人们执行任务而嵌入流程之中。
现在,随着这种情况发生,重心将越来越多地从单一的应用层转向智能体价值层,后者跨系统、跨不同环境编排工作,而这些环境需要被很好地编排。我认为我们还会看到,而且这很可能至少在规模上,我相信会是一个游戏规则改变者,就是交付将变得工业化。当你想到智能体工厂和真正大规模设计、测试和治理智能体的服务,或者你可以说大规模的智能体框架,我认为我们会看到商业模式的演变,从今天更多基于消费的模式转向真正基于价值和成果的协议,然后与清晰的业务 KPI 挂钩。
在技术层面,我认为 LLM 领域仍有大量变动,包括新架构、训练方法。我认为我们会大幅降低总体拥有成本,同时控制和可行性都会得到改善。我认为市场最近的例子已经体现出一种认知,然后我认为创新将变得可玩。
而且我认为,从这个角度来看,最大的问题是,中国在全球背景下将扮演什么角色,以及这些模型究竟如何被嵌入。最后但同样重要的是,甚至我认为本体和客户特定的知识图谱将成为一等资产,我认为这将是未来的关键差异化因素,因为它们将在代码流程、语义、策略(Satinder 谈到的)以及数据关系方面领先。它们是未来安全、高性能企业智能体架构的蓝图。
Megan:当然,这正是我们的目标。你呢,Satinder?你认为哪个领域的发展真正令人兴奋?
Satinder:当然,Megan。我认为最让我兴奋的是从 AI 作为生产力工具到 AI 作为决策伙伴的转变。这是 Thorsten 的架构所能实现的最重要演进。几十年来,企业系统一直告诉我们发生了什么。下一代系统帮助领导者理解现在正在发生什么、接下来会发生什么、应采取什么行动。
我反复想到的场景是,一位 CFO 在一天开始时使用一个智能体,它持续分析财务、供应链、采购、劳动力数据中的信号,主动呈现最有可能影响本季度的三个问题,并附上建议行动、量化财务影响。那不是仪表盘。那是一种根本不同的决策模型。通过 Infosys Topaz,我们帮助客户迈向 AI 优先的企业,一个能够在不同领域持续感知、学习、决策、适应的企业。
同样让我兴奋的是 AI 的演进速度。在过去的技术浪潮中,约束条件是稳定的。你识别出一个限制,然后围绕它设计架构,一用就是好几年。AI 则不同。项目启动时看似受限的用例,往往在上线之前就已经被解决了。SAP 之前的模型在 LLM 出现明显空白后,改变了结构化数据推理。决策智能的到来速度,比大多数组织的规划都要快。
制胜策略是面向 18 个月后 AI 所处的位置来设计:灵活的架构、可信的数据基础、能够吸收新到创新的治理机制。这样做的组织,会在每一代新能力出现时实现价值复利。
所以,下一个前沿不是 AI 能做更多工作,而是 AI 足够了解你的业务,能帮你做出更好的决策。而这正是 SAP、Infosys 和我们的客户最大的机会所在:记录系统与智能系统的融合。
Megan:太棒了。未来确实有很多值得期待的东西。非常感谢二位今天参与。
以上是 Thorsten Leiduck 和 Satinder Pal Singh 的分享。Thorsten Leiduck 是 SAP Business AI Platform Ecosystem 的高级副总裁兼全球负责人,Satinder Pal Singh 是 SAP Business AI Platform 与 SAP AI Strategy 北美区的副总裁。我在英格兰布莱顿与他们进行了对话。
以上就是本期 Business Lab 的全部内容。我是主持人 Megan Tatum。我是 Insights 的特约编辑兼主持人,Insights 是 MIT Technology Review 旗下的定制出版部门。我们于 1899 年在麻省理工学院创立,你可以在印刷物、网络上以及每年世界各地的活动中找到我们。想了解更多关于我们和节目的信息,请访问我们的网站 thetechnologyreview.com。
本节目可在你收听播客的任何平台获取。如果你喜欢本期节目,希望你能花点时间给我们评分和评价。Business Lab 是 MIT Technology Review 的制作,本期节目由 Giro Studios 制作。非常感谢你的收听。再见。
本内容由 MIT Technology Review 旗下定制内容部门 Insights 制作,并非由其编辑团队撰写。内容由人工调研并撰写,任何可能使用的 AI 工具仅限于在人工监督下的生产流程。