# 174: AI冲击企业软件巨头？与SAP原欣聊大模型to B的颠覆与边界 晚点聊 LateTalk · 2026-07-27 本期《晚点聊》访谈SAP大中华地区总裁原欣，直面AI对SAP这类企业软件巨头的冲击与边界：她认为AI coding不会让业务逻辑和标准流程失效，SAP数十年积累的数据、流程和行业know-how仍是壁垒，但按坐席收费的商业模式将转向按用量和结果付费。原欣介绍SAP从记录系统向可执行的“自主运营企业”转型，与Anthropic、Google、微软、AWS、NVIDIA等基模和云厂商合作而非自研通用大模型；她认为“模型即产品”在To B不成立，企业用AI的落差在于脏数据不会自动消失，老板丢来“我也要”的难题，组织惯性比技术更难解决。她还判断FDE（前线部署工程师）是AI外溢到企业世界的必经路线，它和SAP过去的ERP顾问不同：前者偏工程和产品，后者偏业务和行业知识，未来将融合为既懂技术又懂业务的复合角色；SAP帮一家企业把关务Agent准确率从六七成提升到九成以上，说明标准流程叠加AI仍有价值。节目也谈到麦肯锡对2000多家企业的访谈中，28%的企业尝试AI但仅3%认为获得业务回报；大公司有钱做实验、小公司跑得快、最挣扎的是中型企业，中国没长出全球SaaS巨头源于高速增长留下的系统欠账；AI会先影响轻资产服务业，制造业从市场和售后切入。在中国，SAP与阿里云、千问、钉钉合作服务客户，并以全球本地化平台和流程挖掘工具支撑企业出海；对比本地部署、云到生成式AI，她觉得区别是速度，人的复杂性没有变。 ## Questions this episode answers ### FDE（前项部署工程师）和传统的 ERP 顾问、驻场工程师有什么本质区别？ 原欣认为，FDE 是驻场的 AI 应用工程师，偏产品和技术背景，把产品本身搬到客户现场去做；传统 SAP、Salesforce 的 ERP 顾问则偏行业和财务背景，从业务端切入，最终落到标准化产品上，客户化开发只是外挂模块。两者切入点不同。 [49:16](https://latetalk.podhood.com/764389f7-affe-457e-b86c-72e91faf8d2b?t=2956000) ### SAP 为什么不自研通用基础大模型？ 原欣说是分工配合：SAP 擅长企业运营侧的流程数据处理和用户交互知识，而基础模型演进太快，所以选择与 Anthropic、Google、微软等合作，开放接入所有第三方模型，按场景选最合适的模型；同时自己也在训练基于表数据的专属模型。 [37:06](https://latetalk.podhood.com/764389f7-affe-457e-b86c-72e91faf8d2b?t=2226000) ### SAP 的“自主运营企业”愿景是什么？Joule Work 在其中起什么作用？ 原欣说 Autonomous Enterprise 目前仍是 human in the loop：Agent 执行，人做判断；Joule Work 是前端交互入口，负责意图识别和辅助，用户还能在 studio 里手搓自己的 Agent。目标是让 SAP 从记录系统变成可执行系统，未来 5 到 10 年仍需人工干预。 [32:16](https://latetalk.podhood.com/764389f7-affe-457e-b86c-72e91faf8d2b?t=1936000) ### 麦肯锡关于企业用 AI 的调研，结果如何？有多少企业真的获得了业务回报？ 原欣引用麦肯锡对 2,000 多家企业的全球访谈：28% 的企业都在或多或少用 AI 做项目，但只有 3% 觉得真正有了业务回报，所以真正上 production 的项目不多，多数还在做 POC 和原型探索。 [1:06:07](https://latetalk.podhood.com/764389f7-affe-457e-b86c-72e91faf8d2b?t=3967000) ## Key moments - **[0:00] 开场** - **[2:39] SAP 与 ERP** - [3:12] SAP 全球百强中 99 家是客户，云用户超 3 亿，11 万员工、业务覆盖 150 多国 - [4:09] SAP 在蓝宝石大会官宣“自主运营企业”愿景，定位从企业应用软件转向全球最大商业智能软件 - [4:49] Q: ERP 到底是什么？原欣：ERP 就是企业资源计划，管企业的人、财、物，覆盖线索到现金、采购到付款的端到端流程 - [6:52] Q: 飞书/钉钉和 ERP 有什么区别？原欣：前者管办公协同，真正业务流程仍跑在后端 ERP 系统里，AI 会重划边界 - [9:39] SAP 自身收入 400 多亿美元，却撬动约 1.2 万亿美元企业软件生态；薪酬、税务、发票的安全合规让 To B 变难 - [12:07] 麦肯锡：AI 改造企业时每 1 美元软件迭代对应 3-4 美元变革管理成本；只换平台仍是新瓶装老酒 - **[12:46] AI 冲击** - [13:18] SAP 股价从 300 美元回调到 160，市场担忧 AI 冲击；原欣：拉长到 2021 年约 120 美元仍涨超 20% - [15:23] 原欣：AI 将冲击 SaaS 按坐席收费的商业模式，未来转向按用量（consumption）甚至按结果（RaaS）定价 - [17:51] AI coding 效率差距：简单代码每小时能写 2000-3000 行，带校验和安全的复杂代码只有 200-300 行 - [19:12] SAP S/4 有几亿行代码；原欣：复刻代码本身简单，业务逻辑才是真正的挑战 - [20:28] 原欣：企业软件的未来价值是在既有标准流程之上，用 AI 更低成本地满足个性化需求 - [21:56] 原欣：大公司也会有“日抛式软件”——在 Agent Studio 里为临时目的生成工具，用完即弃 - **[22:16] 日抛软件** - [23:56] 原欣：小公司手搓系统够用；一旦上市、出海，面对合规审计和多国税务，手搓系统可能就不 work - [25:12] SAP 自我颠覆：用 Joule 自然语言交互屏蔽四亿行代码的复杂度，让意图识别指挥 Agent 执行 - **[27:12] 公司形态** - [27:39] SAP 80% 客户是收入 10 亿人民币以下的中小企业，全球 100 强中 99 家只是最显眼的招牌 - [28:34] 原欣预测：AI 会同时产生拆散和聚合力量，未来大公司不一定以紧耦合形态存在，可能走向联邦制伞形结构 - [30:04] 原欣：技术外溢周期从工业革命七八十年、电力三四十年、互联网 20 年逐步缩短，AI 会更快到来 - **[31:59] 自主运营** - [32:30] 原欣：自主运营企业未来 5-10 年仍需 human-in-the-loop；财务关账的汇率差异和坏账计提需要人判断 - [34:30] SAP 的 AI 优势在表格化结构数据：用传统机器学习保证准确率，用大模型做意图理解 - [35:09] “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”——原欣定义自主运营企业目标 - **[37:06] 模型落地** - [37:29] Q: SAP 为什么不自己训练通用大模型？原欣：基模演进太快，SAP 开放接入第三方模型，同时自研表数据模型 RPT-1 - [41:18] 原欣：企业财务场景准确率必须 100%，90% 以上虽是高 benchmark，但对账单不可用 - [41:58] Q: “模型即产品”在 To B 成立吗？原欣：可见的未来 5-10 年，只把模型扔进企业不够 - [44:04] “老板经常在微信上读了一个什么 AI 能干啥，然后丢给 CIO 说‘我也要’”——原欣描述企业 AI 落地落差 - [44:34] 原欣：AI 会加速数据清洗，但不会让数据治理这步消失；以为 AI 来了不用干脏活是最大错位 - [47:28] 原欣：用 AI 把“老师傅”的 know-how 蒸出来，沉淀为企业记忆，可自动化执行的比例才会提高 - **[49:01] FDE 热潮** - [49:08] Q: FDE 和传统 ERP 驻场顾问有何本质区别？原欣：FDE 偏产品/工程技术侧，ERP 顾问是行业专家并落在标准化产品上 - [51:33] 原欣：FDE 是把做产品的人提前部署到客户现场，做出来的东西变成产品；传统顾问是拿标准产品做客户化定制 - [54:26] Anthropic、OpenAI、微软和 SAP 都已成立 FDE 团队；原欣：实现方式有共识，FDE 产出物尚无共识 - [55:20] SAP 关务案例：客户自建 Agent 在 33 国做海关申报准确率仅六七成，人更忙；SAP 用 GTC+Document AI 提升到九成以上 - [56:48] “所有以前的东西肯定都是不好的，不一定”——原欣：探索 AI 业务价值不必完全摒弃旧系统 - **[58:01] 巨头竞争** - [58:01] Q: OpenAI、Anthropic 做 FDE 会威胁 SAP 吗？原欣：AI 世界是大竞合，竞争是好事，看谁补短板更快 - [58:47] 原欣：技术短板更容易补，懂业务的人更易驾驭大模型；AI 规模化最大挑战是组织惯性而非技术 - [1:00:47] 原欣：FDE 是 AI 从小圈子外溢到企业世界的必经路线，但人效提升后不会复刻 2000 年咨询业十倍增长 - **[1:04:27] 行业采用** - [1:05:51] 麦肯锡访谈 2000 多家企业：88% 尝试 AI，只有 3% 认为获得业务回报；多数项目仍停在 POC - [1:07:01] 原欣：AI 落地最挣扎的是年收入几亿到 100 亿的中型企业；小公司跑得快，大公司有钱做实验 - [1:08:52] 原欣：中国没有长出全球级 SaaS 巨头，因为企业长期追 top line 增长、底层系统潦草，不愿为基础建设付钱 - [1:09:57] 原欣：AI 不会自然而然地帮你修复掉你不想做的那部分；企业该补的信息化和数据治理课还得补 - [1:12:28] 原欣：轻资产服务业、金融和互联网会先融入 AI；制造业从市场和售后两端切入，生产制造本身变化不大 - [1:13:39] 原欣预测：中国 AI 高成长企业将出现在 physical AI 软硬结合领域，EV 是缩影，需打好供应链底子 - **[1:19:40] 阿里合作** - [1:20:12] SAP 与阿里深度合作：SAP 产品跑在阿里云上，千问模型嵌入 MaaS，共同探索中国 AI 场景 - [1:21:15] 曼森集团案例：SAP 公有云 ERP + 阿里云 + 钉钉 + AI Agent 做闭环，解决大厂订单延期和履约困扰 - **[1:22:31] 出海总结** - [1:22:42] 原欣：中国企业出海可借助 SAP 覆盖 200 多国的税务合规和本地化团队；并购欧洲企业常需 SAP 系统集成 - [1:24:46] 联想海外收入超 80%，从 200 亿到几千亿一直用 SAP；现用 Signavio 和 AI 分析 2000 多个全球流程找断点 - [1:26:26] 原欣：这次 AI 周期与本地部署到云最大的区别是速度；AI 平权让人人可上手，但人的复杂性没变 - [1:28:55] 原欣：VC 看人最看重学习能力，什么时代都是学习能力强的人最终走到金字塔尖 ## Speakers - **曼祺** (host) - **原欣** (guest) ## Topics AI模型团队动态, 科技公司, 互联网平台 ## Mentioned AWS (company), Anthropic (company), Google (company), Microsoft (company), NVIDIA (company), OpenAI (company), SAP (company), 曼森 (company), 联想 (company), 阿里云 (company), Claude (product), ERP (product), Joule Work (product), 钉钉 (product), 飞书 (product) ## Transcript ### 开场 **原欣** [0:07] 就是大家在探索 AI 真正能够带来业务价值的这个过程 ，其实不用完全摒弃掉那些以前的东西 。 就是说所有以前的东西肯定都是不好的 。 很多的企业在快速发展的时候 ， 它都是在追逐 top line 的成长 。 大家的压力都在获取市场和客户 ， 反倒是中间 。 企业底层的很多系统建设都是非常潦草的 ，因为长得太快了 。 它没有一个喘息的窗口 ， 让你好好地规划设计 。 你逃不出来初级企业的流程 、 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 。 它还是要有 human in the loop 去做干预的 。 所以在未来的一段时间 ，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 的天地里必经的路线 。 **曼祺** [1:23] 欢迎收听 《 晚点聊 》， 我是曼祺 。 本期我访谈了 SAP 大中华地区的总裁原欣 。SAP 从 ERP（ 企业资源计划 ） 起家 ， 自 1972 年在德国华尔道夫小镇创立后， 它经过 50 多年发展成全球企业级软件巨头 。 去年的收入接近 420 亿美元 ， 全球百强企业里大多数都是 SAP 的客户 。 但 2026 年以来 ，AI coding 能力快速发展 ，也带来了大模型 To B 的热潮 。SAP 这类老牌企业软件受到了更多的挑战和质疑 ， 这期节目就直面了这些问题 。 这包括在复杂的企业级需求中， 大模型的机会和边界是什么 ？ 有几十年数据和行业 know-how 积累的 SAP 等老牌软件公司的壁垒和变化又是什么 ？ 最近非常火热的 FDE 潮流是否会持续 ？ 等等。 自 1998 年以来 ， 原欣有近 30 年的企业市场经验 ， 先后在甲骨文 、VMware、 微软等公司工作 。 她也分享了多年来她观察到的企业提升治理能力的一些通用流程和规律 。 本期节目由 SAP 支持播出 ， 我们正式进入节目吧 。 原欣总理 ， 可以先和我们的听友简单打一个招呼 ， 简单自我介绍一下 。 **原欣** [2:33] 大家好 ， 我是原欣 ， 我管 SAP 的大中华区的业务 ， 非常高兴来 《 晚点 》 参加这个节目 。 ### SAP 与 ERP **曼祺** [2:39] 可以和我们的听友来简单介绍一下 SAP 是一家什么样的公司 ？ 因为有的人可能知道这是一家全球的软件巨头 ，但也由于它是 To B 的 ， 那可能对更多人来说不太了解这个公司 ， 比如它具体是做什么的 ， 它现在核心的业务是什么 。 **原欣** [2:54] 对 ， 大多数人都不太知道 。 我来 SAP 的时候 ， 我们家里人问我 ， 比如说那个换工作了 ， 去哪儿 ？ 去 SAP。 我家里人其实都不知道它是干什么的 ，但是在 ERP 领域里 ， 我觉得 SAP 还是响当当的 ， 属于业内主角 ， 对吧 ？ 就是在我的认知里 ， 做 ERP 的人 somehow 都会把 SAP 就等同于 ERP 三个字 。 所以 SAP 基本上世界最大的 100 强里面 ，99 家都在用 SAP 的软件 。 所以我们现在云转型以后， 云的用户也都是超过 3 亿家 ， 所以它的规模是很大的 ， 全球 11 万员工 ， 然后大概在 150 多个国家都有 operation。 所以确实是一个 To B 的巨无霸 ，但是它也是一个现在成立于 72 年的一个从一个 startup 逐渐变成了一个庞大的软件体系 。 那特别是近两年， 随着人工智能 AI 大模型的发展 ， 那在过去的两三年， 其实我们整个的产品定位也从一个企业应用软件变成了一个我们希望自己成为一个全球最大的商业智能的软件 。 特别是今年， 我们在这个蓝宝石大会上也官宣了我们最新的产品策略 ， 就是要做这个 Autonomous Enterprise， 这个自主运营的一个企业 。 这也是属于在 AI 这个大背景下， 传统的一个商业软件公司的自我颠覆的一个举措吧 。 **曼祺** [4:30] 可以给大家介绍一下 ERP 是什么吗 ？ 就它包括哪些模块 ， 或者说它核心给企业带来的一个价值是什么 ？ 以及也可以简单地讲讲 ， 就比如说 ERP 从最开始没有一个非常产品化的东西 ， 到后来它逐渐变得比较系统化 、 比较成熟 ， 是一个大概怎样的过程 ？ **原欣** [4:49] 对 ，ERP 这三个字就是 Enterprise Resource Planning，其实它就是企业所有企业资源计划管理的一个平台 。 那在这个平台里 ，其实你运转一个企业 ， 你想它都有什么 ， 就是主要就管的人 、 财 、 物这三件事 ， 对吧 ？ 所以如果一个企业最开始从最基础的上， 就是你可能什么都没有 ，但是你总要做账 ， 对吧 ？ 你总要报税 ， 对吧 ？ 你要管你的运营 ， 所以最核心的是财务 。 所以最开始其实 SAP 起家的所谓 R1 的这个系统 ，也是以财务为核心先去做的 ， 然后财务慢慢就会扩展到说我如何做 ， 就大家熟悉的一个用语是财务业务一体化 ， 就怎么把业务的数据更实时地反映到财务 。 因为财务指标本身是一个滞后的业务反应 ， 那业务端发生的事情 ， 比如说后面演进出来的所谓的 CRM， 它就会有一个说我从一个例子的出现 ，leads to cash， 说我从一个例子出现到我如何一步一步转化成我的一个销售订单 ， 到我的回款 ， 到我最后收到钱 ， 这样的一个企业的全流程 。 所以基本上一个所谓的 ERP 系统 ， 或者说泛 ERP 系统 ， 一个企业管理系统 ， 就是在管企业的从收入到回款的一个过程 ， 从我花钱 procurement to pay， 说我采购什么 ， 到我把这个巡园我去哪儿买 ， 对吧 ？ 供应商怎么入库 ， 然后我怎么去议价 ， 然后怎么管理我的供应商 ， 然后怎么做采购订单 ， 怎么做付款 ， 就是所有串起来的这些端到端的流程 ， 最后就汇总成了庞大的一个企业软件系统 。 **曼祺** [6:40] 我觉得也可以跟大家来对比一下， 比如说 ERP 和飞书和钉钉的关系 。 我觉得对更多人 ，他会更直观地就知道这个之间的区别 。 因为一般很多大的企业 ， 肯定是这两类东西都对应的 ， 对吧 ？ **原欣** [6:52] 是 。 **曼祺** [6:52] 它会有一个平台 ， 它也会有一些 AI 目击式通讯 ，有一些文档的东西 。 **原欣** [6:56] 对对对 ，因为我们在我们的客户群体里 ， 基本上客户也都是在用会 ， 或者用飞书 ， 或者用钉钉 ， 然后也会和我们的 ERP 系统集成 。 所以其实在一个日常办公里面 ， 就是大家肯定是有办公协同的 ， 对吧 ？ 这个办公协同就是我有 IAM， 我有会议 ， 我有文档 ， 然后我有工作流 ，有审批流 ， 那这些呢 ，其实是属于日常交互的部分 。 所以其实我们说企业的生产力 ， 很多的时候 ， 它是在以前有一个老的传统的定义叫 OA， 就是 Office Automation， 对吧 ？ 办公自动化 ， 这些是管理日常操作的 。 而更偏后台的 ， 我们说这些财务的系统 、 人力资源管理的系统 ， 它其实是和这些企业交互系统是有对接接口的 ， 然后有一些交互和协同是在不管是钉钉还是飞书里面发生 ，但最终的交互的结果 ，其实它还是要回传到或者我的 HCM， 就管人的系统 ， 管钱的系统 ， 管采购的系统 ， 管生产制造的系统里面去指导业务的运行 。 真正的业务流程的跑 ， 它还是在后端的 ERP 系统里面跑 。 当然现在 AI 出现了以后， 就是既有划分好的阵地 ， 一定是被重新打乱 ， 重新去看的 。 那其实在 AI 出现之前 ， 我们也看到不管是钉钉和飞书 ， 它也在去做一些应用的渗透 ， 就是它不满足于我只是做一些会议系统 IAM， 对吧 ？ 你像飞书它也有 people，因为其实做企业应用 ， 尤其在中国做 ， 它也不是一个很容易的事情 ， 对吧 ？ 那在应用层级上， 它会发现 ， 如果我只是管交互 ，是比较相对简单的一件事情 。 一旦深入到企业管理的流程里面 ， 它涉及更多的身份管理 、 安全性管理 ，以及需要集成的数据来源是更加多的 。 比如说我管人， 我就要做工资的计算 ， 工资的计算如果我只是在 ， 就其实我们现在每个地方都会有当地的策略 ， 更不要说我如果支持一个全球化的企业 ， 我在不同的地方 ， 我工资薪金计算的逻辑是不一样的 ， 纳税的要求是不一样的 。 所以就这么简单的一件事 ，其实它在一个全球化的企业里面的复杂度也是非常高的 。 所以这也就是为什么企业应用说起来是很简单的事 ，但是为什么它会支撑这么庞大的一个生态系统要去做这件事 。 这个 SAP 它只是一个软件 ， 就是它有一个数据 ， 我记得是 IDC 还是什么 ， 就是整个产业里面大概就是 1.2 万亿 ， 就我们自己的收入其实才 300 多亿欧元 。 对 ， 对 ， 欧元 ，但是 400 多亿美金 ，但是它撬动的是一个几十倍的一个产业 。 这个产业它就是沿着这个路径出来的所有相关的外部数据的协同 ， 比如说我们要发工资 ， 我就得跟银行系统做对接 ， 我就要跟税务系统做对接 ， 对吧 ？ 然后现在还有电子发票 ， 还有各种 ，其实一个简单系统 ， 你就看它的暴露的 API 接口是很多的 ， 所有的这些都会涉及到安全的问题 ， 对吧 ？ 数据一致性的问题 ， 然后这个数据颗粒度的问题 。 所以就是为什么 To B 不太好干 。 **曼祺** [10:30] 但是另一方面 ， 就像飞书和钉钉 ，他们想做 people， 包括他们也想做 CRM， 做什么发票这些 ， 我看他们也做电子签等等等等。 **原欣** [10:38] 对 。 **曼祺** [10:38] 但实际上是不是也没有像之前大家想象中的那么快的就进入到企业的你说的那个最核心的业务数据平台的那一部分 ？ **原欣** [10:48] 对 ， 就是我觉得就是先不说 AI，其实之前你可以看到 ，其实单点做一些小应用的公司还是挺多的 ， 对吧 ？ 就是在 AI 出现之前 ，其实 SaaS 里面 ， 当然全球的就是像 workday， 它还是以 HCM 这个领域为主的 ，Salesforce 还是以 CRM 领域为主的 ， 当然它也会去扩展到其他领域 ，但相对来讲 ， 它还是属于点状去做企业管理的某一个方面 。 那像 SAP 这种大平台的这种的 ， 相对还是比较少 。 那进入到 AI 以后 ，其实你看到现在就是从提效的角度 ， 比如说我发票的这个识别 ， 对吧 ？ 那我可能就用一个 OCR， 马上的提效是非常明显的 。 所以这种 point solution 和一个大的软件集成的情况会比较多 。 但是你真正就是说我要整个去把它 agentic 化 ， 对吧 ？ 那其实在实操层面的难度是远高于我只是做个单点 ， 或者我只是做一个 demo， 或者我在 Frontier Lab 里面想出来的一个东西 ， 然后真正能让它 fit 到企业实际的场景里面 ， 还是有巨大的差异要去弥补的 。 更不要说刚才我说的 SAP 周边的这些咨询公司 ，其实他们也需要去 pick up 新的技能 ， 然后去帮助客户完成这样的一个转换 。其实那时候这个麦肯锡有一个调研报告 ， 就是其实你 AI 它不是一个简单的说我就换成一个所谓的 AI native 的平台 ， 这个事情就完成了 ，而是可能每一个美元花在软件迭代上的 ， 它会有 3 到 4 个美元的所谓的变革管理的成本在里面 。 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 。 **曼祺** [12:46] 这个正好也是我想问的呀 ，因为就是在之前的互联网和移动互联网的浪潮里面 ， 就这个对 SAP 这类公司的冲击 ， 实际上不如大家之前想象中的那么大 。 ### AI 冲击 **曼祺** [12:57] 你觉得 AI 会怎么改变这件事情 ？ 尤其是今年以来 ，AI coding 的能力变得越来越强了 。其实从资本市场的情绪来看的话 ，25 年年终 SAP 的股价是到了一个这几年以来一个比较高峰的状态 ，是超过了 300 美元 。 但是最近的话 ， 它是又回落到了 160 美元 。 我觉得也和大家认为 coding 变强之后， 可能会冲击老牌企业软件是有关系的 。 您自己会怎么看这个变化 ，以及你觉得市场哪些地方可能是高估了 AI 对这个事情的冲击 ？ 哪些地方是 AI 确实会带来比较大的变化 ？ **原欣** [13:28] 我先说说 SAP 本身的这件事哈 ， 就因为确实如果大家都用高点去比 ， 从这个 300 掉到 160 确实是那个 ，但是我们稍微拉长点时间轴 ， 就是以比如说我们 21 年，21 年因为是 SAP 等于是上云的元年， 它定义了 rise with SAP， 所以从上云到慢慢地让 AI 嵌入到更多的流程里面 ， 那从产品定义的角度是一个更完整的 cycle。 那我们看从 21 年，21 年的时候 ， 那时候的股价还是一百二十几块 ，不到一百三十块 ， 就算现在跌回到 160，其实它还有 20% 多的增长 。 你反观一些 ， 比如说我们还拿这个周期 21 年去对比 ， 就是 21 年和现在的股价 ， 你看到很多的这个产品已经几乎不存在或者夭折了 ， 对吧 ？ 那个 AI 带来的冲击 ， 就是在 point solution 上有完全替代的 ， 比如说像 Photoshop。 **曼祺** [14:25] 就是 SaaS 这类的 。 **原欣** [14:25] 对 ，SaaS 的这种 ， 对吧 ？ **曼祺** [14:27] 就单点 SaaS 的产品 。 **原欣** [14:28] 单点 SaaS， 对吧 ？ 这个种的你像 Adobe 那时候快 500 吧 ，480， 现在 200 多块 ，200、210、220， 我最近没看啊 ，但是 。 **曼祺** [14:38] 220， 对 ， 最近 220 左右 。 **原欣** [14:40] 对 ， 就是这种可能就是工具类的被替代的 ， 它可能会更被显性地体现出来 ， 对吧 ？ 还有一些就属于竞争加剧的这种 ， 你还是像 Zoom 也是基本上可能大部分都跌没了啊 ， 当然那时候它也吃到了疫情的红利 ， 对吧 ？ 那现在可能 AI 出来了以后， 很多的本身的竞争的加剧 ， 包括它功能被 AI 的同化和替代会比较大 。 那看 SAP 本身呢 ， 就是说我觉得它就是除了这种对所有 SaaS 带来的恐慌 ， 导致大家用脚投票对股价的打压之外， 本身对于 SaaS 的 business model 一定是有冲击的 。 因为传统的 SaaS 的定价模式都是以 user base， 就数你有多少个用户 ， 我就收多少钱 ， 对吧 ？ **曼祺** [15:30] 首先我想问一下 ERP 它算 SaaS 吗 ？ **原欣** [15:33] 应用化之后它也算 SaaS。 **曼祺** [15:36] 应用化以后算 SaaS？ **原欣** [15:36] 在广域里面都算 SaaS， 只不过我们是属于比较大的 SaaS 和单点的 SaaS， 单点 SaaS 跌得更厉害 ， 只有我们可能还算挺的 ，是正向的 。 所以 SaaS 其实对于这种就不是完全可替代的这种 ， 它是属于两种 ， 一个是竞争加剧 ， 确实是 coding 的这个效率提升了 ， 成本降低了 ， 那你本身原来值钱的东西不值钱了 ， 对吧 ？ 第二其实更多的还是一个对于大家对于这种定价模式的认知坍塌了 ， 就是你以后都 agent 了 ， 你还按人头 ， 对吧 ？ 可能这裁员裁得你可能减少的慢 ， 已经是做得比别人好了 ，而不是你更有明确的路径说我是增加用户数来去支撑我业务的发展 。 所以更多的冲击是来自于它的业务模式的冲击 。 所以呢 ，其实像 SAP 这样的公司 ， 它也意识到这些点 ， 大家也不会坐以待毙地在这等着 。 所以为什么我们自己也去革新 ，也去讲说未来 SaaS 的这个定价模式 ， 它可能更多的还是 consumption base 的一个定价 ，而不再单纯是一个按 user 数量或者 seat base 的 ， 就是坐席数定价的一个模式 。 **曼祺** [16:54] Consumption base 就是按用量来定价 。 **原欣** [16:56] 对 ，AI 现在 token 基本上都是按用量定价的嘛 。 那但是当然现在硅谷更新的公司都是这种 ， 这种 RaaS， 对吧 ？Result as service。 **曼祺** [17:05] 服务价值 。 **原欣** [17:06] 对 ， 你反正按结果给我钱 。 这样的时候 ， 就是你如何有一个准确的定价模式 ， 我觉得这个是对于 SaaS 公司的面临的一个挑战 。 **曼祺** [17:18] 就是您刚才说这个冲击有两个点 ， 一个是前面其实已经说得比较详细了 ， 就是关于商业模式上， 大家会从按坐席收费 ， 更多的转向按消耗量去收费 ， 未来也有可能是按你的服务的价值成果去收费 。 然后刚才您还说到第一个点的冲击是在于说 coding 来了之后， 会让有一些之前值钱的东西变得不值钱了 。 正好我觉得可以拆开讲一讲 ， 就哪些东西可能变得没有那么值钱了 ， 哪些作为之前的这些软件企业所积累的东西 ， 它还是有价值的 ，是 AI 可能短时间内比较难以去冲击的 。 **原欣** [17:51] 对 ， 就是因为我觉得现在 AI 本身变现的路径 ， 看得清楚的也是 coding， 对吧 ？ 就是大家为什么现在资本也加码加在 coding 上会比较多 。 所以就是一个通用的数据 ， 你看其实就是说简单的编码 ， 可能一个小时几千行 ，2 到 3 千行的代码 ， 可能复杂的 ， 比如说我要带校验 、 带安全性的 ， 那个可能 2 到 300 一个小时 。 所以以这样的一个 coding 产生的 ， 就我们纯从数量对比来讲啊 ， 我们取一个中线值 ， 就是比如说一天 2 万行 ， 对吧 ？ 那以 SAP 现在 S4 是几亿行代码 。 **曼祺** [18:31] 哎 ， 那你们如果去服务一个客户的话 ， 这个东西假如说在客户那是私有化部署的话 ， 这几亿行代码都要部署在他那吗 ？ **原欣** [18:38] 对 ，在传统意义上 OP 的时候是这样的 ，但是因为它是模块化的 ， 就是我说的是 Total 加在一起是大概几亿行代码 。 所以你就是说我复刻 ， 我用 Agent 跑 ， 可能它也不是一个轻易 ， 就是我看现在一些 startup 可能有个两三百万行代码 ， 已经是一个比较成型的要上线去做的应用了 。 所以就是在数量级上还是有差异的 ， 这只是一个就是数量级的对比 。 当然其实更复杂的其实还是业务逻辑 ， 对吧 ？ 就只是复刻代码本身其实是简单的 ， 这个业务逻辑到底是什么 ， 这个我觉得可能是更大的一个挑战 。 就是我们现在在企业里面也看到 ， 就是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 ， 对吧 ？ 那我该生产的 ， 我可能还是要在工厂里生产 ， 只不过这个生产流程里面人干预的少 ，但其实我整个企业就是所谓 ERP 底层的流程 ，其实并不会改变 。 这个时候 SAP 里面沉淀的 ， 就是所谓的这个 ，不管是这些 C 行代码 ， 对于通用业务的支撑的底层逻辑 ， 它还是存在的 。 当然是不是在流程上有提效的点 ， 一定是有的 。 那我们现在也在用 AI 的工具去探查说在什么样的流程节点上， 我们是可以做提效的 。 那反过头来说 ， 我去用其他的手段去复刻这样的功能 ，其实你是没有必要 ，因为如果它已经是一个相对 standardized 标准化的东西 ， 你干嘛不用呢 ， 对吗 ？ 反倒是未来真正能创造价值的地方 ， 还是说如何在一个既有的标准流程上 serve 更多企业更个性化的需求 ， 用更高效和低成本的方式 ， 这倒是未来一个广阔的空间啊 。 就是为什么我们说在基本流程之上的 Agent 到底能做哪些事 ，是真正能带来业务价值的 ， 这一趴肯定是更重要的一个战场 。 **曼祺** [20:59] 总结下您刚才说的这个意思 ，是不是指这种 SAP 过去历史上积累的很多这种软件 ， 一个是系统层 ， 就它有很多海量的代码 ， 然后另外就是业务逻辑 ，因为现在这个世界的商业和制造还是这么运转的 ， 所以这个部分是有用的 。 然后这个标准化的基座是你们积累的东西 ，在这个基础上怎么用 AI 去更定制化的服务 ， 客户的个性需求是 AI 可以发挥价值的地方 。 **原欣** [21:23] 对 ， 我觉得这个里面可能也细分不同的这个业务形态 ，因为其实大公司和小公司的路径还是不太一样的 。 就举你刚才说的那个小公司的意思 ， 就是不管它是管十几个不同的什么东西 ， 对吧 ？ 但是如果我只是用一个简单的管理 ， 那其实我就用 Web coding 去做一个很简单的应用 ，因为就是 serve 我能可见可管理的这样的一个 purpose，其实小的公司是很容易用低成本去做这件事的 。 **曼祺** [21:56] 对 ， 就之前跟别的一些人交流 ， 比如说跟阿里的陈宇森交流 ，他也是提到说他认为未来软件有一种可能的形式 ， 就变成日抛式的 ， 就你的很多需求就是比较临时 、 比较个性化的 ， 然后你可能以比较低的成本 ， 你就 Web coding 出来了 ， 然后你就自己用一用 ， 过了一周两周之后也许你就不需要了 。 ### 日抛软件 **原欣** [22:16] 是 ， 就是我觉得不排除这种情况 ， 就是我们还是把它分成不同的形态去看 。 就是 even 是在大公司里 ， 它也会有日抛型的 ， 就现在的架构设计基本上就是它会给你这种 Agent studio， 就是你如果现成给你做的都不满意 ， 你自己就可以做这种日抛型的工具类型的去 serve 你某一个 purpose， 然后完了以后就日抛了 ， 对吧 ？ 它是这种随时产生的日抛型的工具类的 。 但是呢 ， 我们还回到所谓的 ERP 的这个领域去看 ， 如果是小公司 ， 你只是自己去管理 ， 然后大家还是一个比如说 family 的这种形式 ， 你基于人和人之间的 trust 去做 ， 你不用对外说我是一个上市公司 ， 我要披露财务报表 ， 然后别人要审计我 ， 我其实这个东西是不是有严格的权限管理 ，是不是有足够多的审计 线索 ， 它不是最 critical 的 ， 我只需要让我的业务可见 ， 这是我最大的诉求 ， 那就没有问题 。 所以小公司你快速的上手 build 一个东西 ， 然后 serve 你的 purpose， 然后就可以了 ， 对吧 ？ 但是如果这个公司长大 ， 你不光是和你认识的人去协同 ， 你要跟外部的人协同 ，在现在的这个社会条件下， 如何建立一个更广泛的信任基础 ， 让大家信你的数据是代表着你的实际业务 ， 然后我跟你做数据交互的时候 ， 这个数据是可信赖的 ，有人背书的 ， 那你还是要在一个更广泛的大家达成共识的一个平台上， 你才能让你的数据变成别人可以 consume。 那这个社会的基准值 ， 它就有各种法律法规的要求 ，regulation 的要求 ， 那你就要合规 ， 合规的时候 ， 它就变成了一个企业级的诉求 ，而不是我一个手搓的自己做一个手工小作坊 ，但只要我的业务能运转 ， 我这样就没问题 。 所以它和企业所谓的 life cycle， 就是你在你生命周期的哪一步 ， 你的诉求是什么 ，是高度相关的 ， 对吧 ？ 那进到比如说我上市以后， 我现在很多企业要出海 ， 那这个复杂度就更高了 。 我手搓的东西在中国 ， 我了解我搓出来的东西 ， 拿到说雨森 ， 拿到墨西哥 ，他在墨西哥住了好久 ， 管墨西哥的业务 ， 对吧 ？ 可能就不 work 了 ， 那边的税务也不一样 ， 各种 regulation 也不一样 ， 对吧 ？ 那你包括这种多币种的支持 ， 多语言的支持到底怎么做 ， 对吧 ？ 那你还是需要更复杂的一个平台 。 当然我不觉得 SAP 自然而然就是我是你唯一的选择 ， 大家在新的 AI 的平台上一定都在自我演进 ， 那就再看我们自我演进的速度快 ， 还是更多的也瞄准了这一块市场的新加入的 player，他演进的速度快 。 所以其实我觉得 SAP 在这个时间点 ， 第一 ， 它自己是有这个自我认知说我是被颠覆的那一趴 ， 所以我更应该奋发图强的是去自己颠覆自己 ， 让我好的东西 ， 我对业务的理解 ， 对不同行业的理解能继承下来的同时， 我怎么能让原来大家抱怨比较多的 SAP 复杂呀 ， 实时周期长啊 ， 交互性差呀 ， 这些东西能去做 。 这些呢 ， 反倒是因为有了 AI， 我自然语言交互是大家默认的方式了 ， 那其实我只要通过 SAP 自己去叫 Joom 嘛 ， 就我们的这个工作助手 ， 你就告诉他呢 ， 你的意图 ，其实我们也是通过意图识别 ， 然后指挥我的 Agent，有 Agent 有做 assistant， 就做 orchestration 去做指令分派的 ，有做实际落地执行的 Agent，其实它这个架构也是完整的 。 所以它会屏蔽掉以前所谓的这四亿行代码在底层的一些复杂度 ，而让用户的交互界面变得非常友好 ， 非常轻量 ， 然后很多 Agent 能够帮助你去自动化的执行你以前需要自己进去一个一个找一个一个点的这样的一个过程 。 所以我们是希望就是这样的一些架构上的变化 ， 功能性的变化 ， 能够让客户能体验到 AI 给这个所谓的传统的 ERP 软件带来的不一样 。 **曼祺** [26:46] 您刚才说的有一个价值 ， 我之前没想到过 ， 就是对大公司来说的 ，因为我能想象到的就是 ERP 这种东西 ， 对大公司的价值肯定是在于大公司的业务 ， 它就比较复杂 ， 相对于一个小的组织 ， 它的流程可能也会比较长 ， 它对外联系的人也比较多 ， 所以它需要一个更复杂系统 。 那其实您刚才还说到一个点 ， 就是你用一个相对大家都认可的这种平台 ， 你是在市场上去给自己的信誉背书的 ， 是一个信任网络的一个建立的一部分 。 然后这个点挺有意思 ，但是顺着刚才说的这个话题啊 ， 现在有一种想象 ， 这个激进的想象 ， 就是未来可能没有特别大的公司 ， 就公司都变小了 ，而你们的客户其实肯定还是偏中大客户的嘛 。 ### 公司形态 **曼祺** [27:24] 一个是你觉得就是未来大公司大组织是否还会存在 ， 或者说它会以什么样的形式存在 ， 然后另一个就是说未来这种公司本身组织的变化会怎么影响你们的一些调整啊 。 **原欣** [27:39] 挺好的问题啊 ， 我觉得一说 SAP 就默认就觉得这 SAP 是大公司 ，其实从我们实际数据告诉我们 ，SAP 80% 的客户其实是中小企业 。 **曼祺** [27:51] 你们把多少规模以下的算中小企业 ？ **原欣** [27:54] 我们就是 one billion，10 亿吧 ，10 亿人民币收入 。 **曼祺** [27:58] 收入啊 ，10 亿人民币收入以下算中小企业 。 **原欣** [28:01] 对 ， 所以呢 ， 你看就是对外宣传的时候 ， 我肯定都说世界百强里 99 家是用 ， 对吧 ？ 就是你用大的品牌做宣传 ， 尽人皆知 ， 所以就会说的更多一点 。 当然我觉得也是就是复杂度高 ， 它对系统的依赖性会强 ， 这个也是一个天然的属性 ， 对吧 ？ 那我们往根上倒 ， 就是公司定理 ， 为什么会存在公司 ，是因为在一个公司边界内的交易成本是大于你和外部交易的 ， 所以你会存在公司这样的形态 ， 对吧 ？ 那随着 AI 打破了很多既有的这个定价模式 ， 那是不是你在公司内的交易的成本还低于你外包给一个 Agent 去做的成本 ？ 如果不一定的话 ， 那公司存在的形态一定会发生改变 。 所以我觉得这个就是在我个人的认知里 ， 我觉得这个趋势是会有的 ， 就是大公司到底是不是一定未来还会以大公司的形态存在 ，而且是不是以这种紧耦合的形式存在 ， 都不一定 ， 对吧 ？ 但是有让它变小变分散的力量 ，但同时也有让它聚合的力量 ， 比如说在 AI 还对大家是未知的时候 ， 一个东西到底怎么提升它的可信度 ， 那可能 under 在一个可信的平台下， 一个大的 umbrella 下面的所谓采用这种联邦制的方式 ， 可能能给它在面对未知的时候 ， 我的背书的这个建立信任的机制会更好 。 所以你会看到有无形的手把它往往伞里拆 ，也有无形的手要让它聚合 。 所以最后它的形态会是什么 ？ 我觉得现在说还为时尚早 ，但是比较形成共识的是 ， 就我觉得我还是一个对 AI 长线发展是保有非常乐观态度的一个人。 我觉得它一定会影响现在的企业的一个结构 ， 包括就业构成的一个结构 ， 一定会有一些岗位是慢慢减少甚至消失的 ，但 AI 带来的很多新的需求一定会长出来的 。 因为在未来 ， 我们现在在所谓第四次工业革命的中间点 ， 对吧 ？ 你回看不管是蒸汽机 、 电力 、 互联网出现的所谓的工业 1.0、2.0、3.0 的过程里面 ， 它可能都从一个扰动性的新技术到第一次工业革命 ， 大概七八十年， 你才有大面积的全社会的生产力的提升 ， 到电的时代可能就变成了大概三四十年的一个周期 ， 就从技术变成有效果显现到互联网 ， 这个周期 大概就缩短到 20 年左右 。 那现在我们看到的说 AI 带来的 ， 或者我们说在泛的工业 4.0 的时代 ， 我不管是物联网的技术还是 AI 的技术带来的这些冲击 ， 我到底什么时候能够泛化成更多的新的产业形态的出现 ， 然后这时候你的整个社会资源分配 、 生产资源的分配以一个新的形式出现的时候 ， 它就是整个的生产力就能外溢到其他行业 。 虽然现在看到的可能还是在 AI 相关领域的一个狂欢 ， 对吧 ？ 但是对于传统领域里 ， 大家并没有很好的能够显现和享受到这样的一个东西 。 我觉得不是不存在 ， 只是历史的规律告诉我们 ， 它外溢是需要时间的 ， 然后呢 ， 这个时间你你看这个轨迹 ， 它是逐步加速的 ， 所以它一定会到来 。 那我们的问题还是说 ， 我们 ready 去迎接这样的一个很大的产业变革的重塑吗 ？ 就刚才我说的 ， 比如说企业个性化的服务如何被满足 ， 这个诉求怎么被满足 ， 这个诉求怎么被满足喽 ？ **曼祺** [31:59] 正好可以说一下 SAP 现在自己的 AI 愿景 ， 你们刚好是在今年 5 月的蓝宝石大会上发布了自主运营企业的愿景 ， 推出了 SAP 商业 AI 平台 ， 还有 Joule Work AI 交互界面 ， 同时也推出了 50 多个 Joule 智能助手 。 ### 自主运营 **原欣** [32:16] 对 ， 就是其实我们还是希望说整个的这个 Autonomous Enterprise， 它 so far 还是 human in the loop 的一个形态 ， 对吧 ？ 就是说 Agent 执行 ，但是人要去做这个判断 ， 然后呢 ，在人去做判断的时候 ， 我们希望它是一个以 Joule Work 作为你前端交互的一个入口 ， 然后呢 ， 它里面会有你的意图识别和所有的辅助 ， 你工作的所有的功能 ， 甚至刚才提到的 ， 比如说你个性化的东西 ， 如果我现有的 Agent 不能满足你的需要的话 ，其实 Joule Work 可以给你空间 ， 让你在记一个 studio 里面你手搓自己的 Agent。 我觉得 SAP 主要的这个变化是在于我们把应用的层面打薄以后， 把更多的数据和流程性的东西暴露在上一层 ， 那我们能够让 Agent 的这一层语义层的定义会更顺畅 。 那这些呢 ，其实为未来不光是 serve SAP 的 Agent， 那以后未来还有非 SAP 的数据和外部数据的交互的时候 ， 如何让我们的这个业务流程能够走得更顺畅 ， 这个是我们现在要做的 。 所以其实更多的还是说在既有知识里面 ， 如何 build 你企业的知识图谱 ， 知识图谱很多还是在一个你自己的这个业务流程里梳理出来的 。 那在随着个性化的东西多了以后 ，其实你还是有很多和你企业自己相关的 ， 我们叫企业记忆的 ， 对吧 ？ 就是现在其实很多模型 ， 我们说这个 Agent 还是因为 long horizon 的这个长上下文的能力不够 ， 所以导致其实很多 Agent 的能力受限 ， 对吧 ？ 那我们也在想说 ， 除了基模本身 ， 那我们在上面的层级上如何通过上下文 ， 通过我们的 Harness 能够让 Agent 执行的效率做提升 ， 准确度提升 ， 这个可能也是 SAP 比较有优势的地方吧 。 因为 SAP 的语境 ， 它还是基于 table， 就是这个关系型数据库 ， 所以它更多的是结构化的数据 ， 所以在结构化数据的语境下面 ， 如何既有这种传统的机器学习的优点和我做预测的准确度 ， 同时我还可以在合适的场景里去吸纳大语言模型带来的这个意图理解的好处 ， 那这样的组合就让我们用户能够轻松的完成他的业务 ， 同时还能保证他的 准确性 。 **曼祺** [35:04] 如果一句话来总结一下的话 ， 自主运营企业它指向一个什么样的目标呢 ？ **原欣** [35:09] 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 。 **曼祺** [35:17] 所以就也许越往后 ，他人的部分会越来越少 ， 然后系统会更加的自主和自动 。 **原欣** [35:22] 对 ， 就是 Agent 自动执行的部分会越来越多 。 我觉得可能在未来的 5 到 10 年， 一定还是一个 human in the loop， 一些复杂度也现在一定是需要人去干预的 。 比如说我就说大的集团 ， 比如说我们就就说一个财务关账 ， 对吧 ？ 财务关账其实听上去是一个相对标准的流程 ，但是在每次月结关账的时候 ， 就光是比如说 intercompany 的 reconciliation， 就是企业间往来的一个核对 ， 它就会有各种 Agent 运行完了以后， 它可能完成 70%、80% 甚至 90% 都可以给你对上 ，但是会有那些比如说汇率导致的差异 ， 到底是汇率差异还是数据错误 ， 这是需要人判 断的 。 比如说我的坏账计提 ， 我到底用什么样的模式 ， 计提多少 ， 这些所有的计提其实还都是人要在里面去做这个判断的 。 所以其实我们现在看到一个企业管理的一个典型场景里面 ， 一定是 Agent 把你日常的这个百分之七八十的自动化工作做完了以后， 一定会需要人去做最后的审核确认 ， 包括刚才我说的一些关键性的 ， 就是不能直接用数据推演出来的东西 ， 你要做人为判断 ， 最后它才能完成整个的一个端到端的一个流程 。 **曼祺** [36:51] 这个描述听下来的话 ，SAP 主要是在 Agent 就是应用这一部分 ， 你们会做很多工作 ， 然后会联动上你们之前积累的企业里的这种业务逻辑 ，以及本来就沉淀在这个系统里的数据和源源不断新进来的数据 。 你们选的这条路就是没有自己做基础模型的 。 我觉得如果方便的话 ，也可以对比一下 ，因为您之前在微软其实工作很多年嘛 ， 那微软可能就是它会自己训一些模型 。 ### 模型落地 **曼祺** [37:15] 你们现在是和 Anthropic 和 Google 和微软这些有基模的公司来合作 ， 就可以讲讲这个选择是怎么形成的 ， 包括你们之前讨论过自己训大模型吗 ？ 因为其实 SAP 的体量和它的资源也还是比较多的 。 **原欣** [37:29] 对 ， 我觉得就是大家总体还是一个分工配合的 。 那从 SAP 历史上， 你去看它的这个业务发展本身 ， 你看现在做基模的 ，不管是就是我觉得大家关注的重点还不一样 ，SAP 擅长的还是在企业运营侧的流程数据的处理 ， 包括用户交互侧的一些知识积累会比较多 。 现在说白了 ， 基模的这个演进速度是非常快的 ， 对吧 ？ 你看 Cursor 也被收了 ， 对吧 ？ 以前你做 coding 的时候 ， 你认为你是在一个细分里面做 ， 然后随着基模提升 ， 很多的领域就被吃掉了 。 那我们一方面希望我们能够利用所有最强模型的这个能力 ， 所以为什么其实 SAP 是和基模厂商合作 ， 就是我们提供的可用的模型数量是最多的 。 因为我们对比过你像 Azure 上跑的模型 ， 它不跑 AWS，AWS 跑的模型是没有那个 ， 然后其实很多是因为他们各自有各自闭源模型 ，而我们来讲 ， 我们是开放给所有第三方的 ， 所以我们会在这个模型选择上用最合适的场景去对应最合适的模型去做 。 然后另外就是其实刚才讲的就是说基模和最终满足客户诉求之间 ，其实比如说现在的这种 Harness 也好 ，reasoning 也好 ， 这一层级都是大家逐渐在一个技术路线的摸索过程中形成的新的去做结果修正和改进的一些方式 ， 对吧 ？ 在这里面其实我们认为现在的这个技术路线还没有完全收敛到明确的说什么样的组合是一个最优的组合 ， 当然基模的能力一定还在不断的提升 。 那现在也有很多说我是不是可以通过后训练去做一些小的模型 ， 然后能够在一些特定的私域数据里面提供更好的效果 ， 那对我们来讲 ， 我们也 open to 这样的一个合作模式 。 所以其实你把它打开以后， 你面对的可能性是更高的 。 那我们自己其实我们也在做自己所谓的专属模型 ， 就是刚才我介绍了说 SAP 的数据 ，其实基本上还是结构化的数据 ，以表结构的这个表数据的形式存放 。 那在这里面其实我们很多我们自己有 RPT-1， 现在到 1.5， 就是我们自己基于表数据 train 出来的 ，也有垂域的模型 。 那在真正满足客户的一个诉求里面 ， 比如说我就是做一个未来收款的预测的时候 ， 它会调用比如说外部的大模型能够获取到的 ， 比如说这个客户的商誉 ， 对吧 ？ 然后最近它是不是有回款的压力啊等等的 。 那同时在系统内部可获得的是我跟它打交道的时候 ， 它所有历史订单履约的情况 ， 那这些都是非常结构化的数据 ， 它不应该有任何的幻觉出现 ，是非常准确的 。 那客户可能一个简单的问题 ，其实在 SAP 里面它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 。 所以简单回答就是 SAP 持开放的合作态度 ， 看什么样的技术的组合更能满足客户的诉求 。 **曼祺** [41:00] 有些技术不一定要用到模型 ， 对吧 ？ **原欣** [41:02] 对 ， 就大模型像这种技术范式 ， 它肯定是多多少少也会有幻觉的 。 是 ， 所以我们现在就是在看说什么样的 ， 就当然其实在这一层里面大家会有很多的 ， 比如说 Agent 的 reflection， 做校正 ， 做这个去尽量排除掉幻觉 。 但是在一个企业 ， 尤其比如说像财务管理领域里面 ， 它不是说 99% 的准确率就是一个可接受的准确率 ， 它可能就是 100%， 对吧 ？ 你任何的不准确 ， 你可能到 90% 以上 ， 可能在打搒的时候已经是很高的一个 benchmark 了 。 但是在现实里面 ， 它就是不可用的数据 。 所以这些东西其实是在具体的场景下要去判断用什么样的技术实践手段 。 **曼祺** [41:45] 这个正好也是我想展开问的 ， 就是从模型到企业应用之间的 gap， 一个是现在会有一个很流行的说法 ， 就是模型即产品 ，在 To B 市场这个是不是不太成立 ？ **原欣** [41:58] 对 ， 就我不想下很绝对的那个定义哈 ， 就是因为以后模型长成啥样 ， 确实不知道 。 如果真像那个电影里面那个 Anthropic 无所不能 ， 它可能真的是各种泛化能力都很好 ， 走到那一天也未见得能是一个答案 。 **曼祺** [42:13] 超级人工智能 ， 对对对 ， 无所不能 。 **原欣** [42:15] 对 ，但是现在在目前有的现实条件下， 可能模型一下子很难达到 。 有的时候甚至很基本的事情 ， 它其实也不一定做得很好 ， 对吧 ？ 那在未来 5 到 10 年可见的说 ， 我们既有的业务形态 ， 企业形态不变化的时候 ，其实在 To B 里面只把模型扔进去肯定是不够的 。 现在走的比较激进的大的公司 ，其实它都会有所谓的这个 AI 的专项去投 ， 然后有一些企业也会有龙虾岗 ， 就是除了人作为员工 ，也有数字化员工 ， 大家 pair together， 然后一起联手去做工作 ，其实都会有 。 那在这个过程里面 ， 大家为什么用这样的形态去补足最后一公里 ， 就因为其实模型还是说在什么场合能帮到业务多少 ，其实是一个大家逐渐在往前推进和探索的这样的一个过程 。 它还没有聚敛到说我就丢给你 ， 这就是标准选项 ，12345 菜单很清晰 ， 你就选你要什么吧 。其实我觉得之所以现在这个 FDE 变成了一个大家的共识 ， 就是因为其实你在每一个企业里面 ， 如何把在这个企业边界里的私域数据能结合模型去做最大化的一个一个转化 ， 这是一个现在要研究出来的课题 ， 它没有一个标准答案 。 **曼祺** [43:48] 对 ，FDE 等会可以展开聊一下， 我们可以先把这个 gap 聊完 。 就是您刚说这个落差 ， 如果从您自己观察的一些案例里面来说 ， 这些落差的一些具体表现有什么 ， 就是从模型到应用的 。 **原欣** [43:59] 对 ， 我因为天天跟那些 CIO 啊 、CRO 打交道 。 **曼祺** [44:03] 他们吐槽了什么 ？ **原欣** [44:04] 对 ，他们吐槽的就是老板经常在微信上读了一个什么什么什么 AI 能干啥 ， 然后丢给他说我也要 。 这是现在就是尤其大企业 CIO 最头疼的事 。 因为总体来讲 ， 我们现在的这个很多企业的一号位 ， 它其实对技术并不是那么知道 ， 对吧 ？ 我觉得现在看到的那个落差是在于大家认为 AI 来了 ，以前我干的和数据相关的苦活 、 脏活 、 累活就不用干了 。 这个其实是挺大的一个错位和落差 ， 就是 AI 可以帮我们做很多的事情 ， 把无序变成有序 ， 你可能不用自己去梳理清楚再喂给它 。 因为以前其实你做数据仓库或者数据库仓一体 ， 就是我们天天做 ERP，其实你为了把那些数据加载变得可用 ，其实你耗费了大量的精力在数据清洗这个的过程 。 那 AI 的出现其实它会加速这样的一个过程 ，但并不是这个过程就不存在了 。 所以在 AI 的这个前提下， 一方面我们如何能够通过 AI 的方式侦查到底层我数据的断点在哪 ， 然后把我底层数据在生成的那一刻就带着充分的业务上下文 ，而不是需要我再二次去做数据的清理加工 ， 费这么大的劲 ， 费这么多 token 去清洗我的数据 ，其实就是现在很普遍的一个诉求 。 **曼祺** [45:41] 那这个是对生产上的数据是吗 ？ 如果是企业历史记录的数据 ， 那还是得让 AI 发 token 清洗一遍还是 ？ **原欣** [45:48] 对 ， 所以现在 FDE 其实你建本体 ， 就是要在你茫茫的这个历史数据里去把你的 business object， 就是你的这些典型的数据 ， 按照业务对象做完梳理 ，其实它才能支撑你 Agent 的运行嘛 ，其实就是这样一个过程 。 **曼祺** [46:05] 然后 AI 也可以帮助加速这个过程 ， 就以前都是人干的 ， 现在 AI 也可以帮助去梳理以前的历史数据 。 **原欣** [46:11] 是的 ，是的 ，但是这里面分两步哈 ， 一些是就刚才描述的固定流程的 ， 固定流程的其实你没有必要花 token 再去梳理 ，因为在 SAP 里它 12345 步是很清晰的 ， 对吧 ？ 你在 SAP 里你直接把这流程加载过去 ， 直接用就好了 。 这也就是 SAP 最大的一个 differentiator， 就是我们的差异化 。 那还有一些其实更多的是企业里面刚才提到的 ，不管是钉钉 、 飞书 ，其实很多断点 ， 系统到系统里的断点是体外循环的 ， 或者我的一个人为判断 ， 为什么做这个人为判断 ， 它是开了会 ， 做了邮件的沟通 ， 然后形成了一个决议 ， 这个决议最后的实施是在系统里记录了这个结果 。 但是为什么形成这样一个人为的决定 ， 它也是体外循环的 。 所以这一部分其实 AI 能帮助我们把一些非结构化的历史数据 ， 把老师傅给蒸出来 ， 就是以前可能是靠人去判断说哦 ， 我的记题我到底应该怎么记题 ， 大家开了两个会 ， 哦我知道了 ， 好 ， 按这个比例去做记题 ， 这个 know-how 给它蒸出来以后， 那你再做所谓我们建立企业 ， 就是 company memory， 你企业 记忆的时候 ， 你就有了标准的流程 ， 叠加上你自己的这些非结构化数据和 offline 的这个离线做的很多决策 ， 能给它结合在一起 。 那这样你在面向未来再去做支持的时候 ，其实你企业记忆一层一层沉淀下来 ， 你慢慢可自动化执行的部分就会越来越高 。 **曼祺** [47:52] 除了这些之外还有什么别的吗 ？ **原欣** [47:54] 我觉得还有一个经常被吐槽的 ，也是我认识的 CRO， 基本上都会给我打电话说 Bessie 给我推荐个人。 其实现在呢 ， 就是你看到真正懂 AI 的人 ，他都在大厂和 startup 里面怀揣对于 AI 的各种梦想去做 ， 对吧 ？ 然后呢 ， 你看在传统领域里 ，他需要找 ，但是真正懂 AI 的人又不愿意加入传统企业 。 你能给我几张卡 ， 你们花多少钱在这上面 ， 数据在哪 ， 对吧 ？ 而且我过来 ， 我可能不是一个人过来 ， 我弄 ， 我得带几个人， 我才能把这事干了 。 那对于一个传统企业 ，他就首先他可能没有那么多张卡 ， 然后呢 ， 这个他对于 AI 来讲有向往 ，他又想找 top tier 的 ，top tier 又对他提要求 ，他又不能理解这样的诉求的时候 ，其实人才的落差是很大的 。 这一部分我觉得是我现在看到 ， 就是 AI 还没有在人才供给侧有这么多人才能够辐射到传统行业里帮他把这做了 。 **曼祺** [49:01] 那这个就正好聊到你前面提到的 FDE， 现在变成一个很火的事件 。FDE 就是前项部署工程师 。 ### FDE 热潮 **原欣** [49:08] 对 ， 我理解啊 ， 它就是一个驻场的 AI 应用工程师的一个角色 ， 就是他去客户现场 ， 然后帮客户把 AI 用得更好 。 首先我最开始看到这个概念时候 ， 我其实有一个疑问啊 ， 就这和比如说像 SAP 啊 、Salesforce 这些大型的以前的软件公司都会做的这种授权的工程师或者驻场的工程师的区别是什么 ？ 它有啥本质的区别 ？ **曼祺** [49:28] 你看 FDE 这个模式出现还是 Palantir。 **原欣** [49:31] 对 ，他们最开始用的 ， 对吗 ？ 但是在那个时间点上的工程师进去 ，其实更多的还是从数据梳理 ， 就是他更偏底层数据的角度去看 。 所以你看 FDE 工程师的背景 ，其实他还是一个偏产品侧 、 偏技术侧的一个人。 而反观像 SAP 就是这些 ERP 软件 ， 我们派所谓的顾问去那做访谈的时候 ，他更多的背景是我是一个行业专家 ， 我是一个财务专家 ， 然后你告诉我你的财务记账准则是什么样的 ， 然后你怎么去做你的财务分析 。 我从你期望看到的财务分析的结果倒推到你的科目架构应该怎么设计 ， 然后你应该做几段定义 ， 然后把什么样的业务的信息埋在你的科目里面 ， 这样保证你在要达到你的财务分析的结果的时候 ， 你应该这么走过来 。 所以首先人的技能和背景不一样 ， 另外他切入的视角 ，他是从业务端去切入的 ， 业务端切入以后， 最终他还是要落在一个标准化的产品里面 。 这个标准化的产品是我从 A 到 B， 我可能 roughly 就是五步要走 ， 然后这个客户可能有一些个性化的诉求 ， 可能在这五步里 ， 我在第三步要做一些额外的定制化的开发 ， 所以我们会有额外的模块或者功能外挂在这 。 但是总体的流程 ， 它还是按照既有的这个标准化的流程走下来的 。 所以这就是传统的一个 ERP 实施的一个过程 。 **曼祺** [51:06] 那当时你们那个流程里面啊 ， 需要做定制化开发的那部分人 ，他们是在客户的现场 ， 还是其实不用去客户现场也能开发 ？ **原欣** [51:14] 原来都是在客户现场 ， 当然后面大家都是远程交付 ，也都没有问题 。其实我觉得倒不在于 。 **曼祺** [51:22] 是否驻场 ？ **原欣** [51:23] 对 ，是否驻场不是最基本的 ，而是这个人的背景 。 因为那个时候就我们就算是做开发的人 ，其实他还是一个 consultant，他不是产品 。 就最终你做的客户化开发的东西 ，他是作为一个功能模块挂在你标准产品之外的 。 而现在 FDE 是我把产品 ， 就本身做产品的人提前部署到你那 ， 最后跟你做出来的这个东西会变成我的产品 ， 这个不一样 。 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的 ， 我做客户化的定制 ， 最后满足你的诉求 。 但是对于现在的模式 ，因为 AI 到底能解决你什么 ， 最后以什么样的形式解决 ， 它还停留在模型和离着那比较远的时候 ， 到底我的产品能力的演进哪些可以包在这里面 ，他是直接用产品的人去做 ， 所以他更偏底层的 engineering。 所以现在你看啊 ， 现在 FDE 模式的演进 ， 包括不管是 Anthropic， 包括 OpenAI， 它不光和 PE company 合作成立 FDE 的组织去做 ， 它也会和咨询公司合作去做 。 这就是为什么大家越来越意识到 ， 你不是把一个 product engineering 前期的部署到客户那 ，他就自然而然代码就出来了 。 因为他缺乏一个转化器 ， 就是懂业务的人能把这个业务变成一个你可以 coding 的一个 scenario，他才能回归到产品侧 。 所以这也是一个演进的过程 ， 就一开始大家觉得代码是一切 ， 我过去了咔咔就可以做了 ，但其实发现这个过程里面 ， 就是我的 ontology 的建立 ，其实是依据于你对客户的深度理解 。 所以我们现在缺的人是就是这种组合的 ， 又懂技术本身 ，但是同时还可以深入的了解客户的业务 ， 完成这样的转化 。 所以你看现在 Anthropic 也跟这些咨询公司 ，Boston 啊什么什么这些咨询公司也开始合作 ， 就是大家要有一个能力的互补 。 **曼祺** [53:34] 嗯 ， 就相当于 FDE 那个是偏工程师的 ， 然后咨询师是偏 ，其实就你说之前的那种流程里的业务顾问的那个角色 。 **原欣** [53:41] 是的 。 **曼祺** [53:42] 对 ， 最近有很多这种大的合作 ， 就 5 月的时候 ，Anthropic 和 OpenAI 都是各自宣布成立了这种单独的 FDE 的组织 。 **原欣** [53:50] Company， 对 。 **曼祺** [53:51] 对对对 ， 就是部署公司 ，deploy company， 然后他们合作方就是有什么麦肯锡 ，有艾森哲 ，有这种咨询公司 ， 然后另外也是有一些 PE， 我觉得 PE 是可以给他介绍客户 。 **原欣** [54:02] 对 ，他的 portfolio company， 就是他的备投企业 ，他会开放给他 ， 然后让他进到里面去做这样的一些 hands-on 的项目 。 **曼祺** [54:11] 而且参与他们这个事的很多 PE 都是 SaaS 公司的这种比较重要的投资方 ， 所以理论上他们 portfolio 里面的 SaaS 公司 ， 就一些单点的 SaaS 公司 ， 可能也会和这个趋势来一起合作吧 ， 就也会寻找一些他们的出路 。 **原欣** [54:26] 我们自己其实也有 FDE 的 team， 然后最近微软不是也成立了 FDE 的 team，其实大家现在还是说对于实现方式是达成共识的 ，但是在 FDE 的过程里面出来的东西还没有完全的达成共识 。 **曼祺** [54:43] 就是大家现在都是认为该这么做 ，但是这个东西这么做沉淀下来 ， 什么东西是一个探索的过程中间 。 **原欣** [54:49] 对 ， 嗯 ， 然后 SAP 的好处是因为我毕竟我其实还是有一些业务的理解是在这里面的 。 那我举个例子 ， 我们有一个大的 ， 就我先不说名字 ， 大的很 innovate 的 company， 然后他自己也有很多的所谓的这个自己用 cloud code 去做的数字化员工去做 ， 比如说有一个关务系统 ， 就是他在全球 33 个国家去做关务海关的申报 ， 然后呢 ，因为不同国家他的关务单据是完全不一样的 ， 然 后这一套 document 的数据量是很大的 。 那他们自己做了这个所谓 Agent 去做 ， 然后这个关务的审核报关 ， 然后那准确率只有百分之六七十 ， 所以发现上了这个 Agent 以后， 人变忙了 ，因为人总要去查这些百分之六七十剩下的这些错误到底来源于哪 ， 然后没有 。 啼笑 ， 反倒是大家怨声载道 。 那我们进去了 ，因为我们本身对于这 33 个国家 ， 我们有 GTC， 就是我们有一个 global， 本身就是做税务的一个平台 。 所以我们大概对这 33 个国家的税务是有基本理解的 。 而且我们有一个 document AI， 它通过模型 ， 就是 template 的配置 ， 就是模板的配置 ， 就大概知道每个国家基本的这个数据项大概是什么样 。 这样基于一个标准 ， 你做数据切片 ， 你就不用每次都是长上下文 ， 所有 token 消耗也高 ， 然后准确率也低 。 然后我们进去以后， 准确率瞬间就提升到百分之九十几 。 然后他们就本来是说做一个国家试点 ， 然后马上争相的三十几个国家都说我要上线 ， 我要做 。 所以我想说的是 ， 就是大家在探索 AI 真正能够带来业务价值的这个探索的过程 ， 本身里面其实不用完全摒弃掉那些以前的东西 ， 就说所有以前东西肯定都是不好的 ，不一定的 。 因为毕竟你现在的业务的大部分其实还是遵循一定直规的 ， 你只需要在打底打得好的基础上， 把那些以前不太规范的和你不能读懂的 ， 或者收集那样的数据代价很大的那一部分补充上 ，其实就是很好的一个状态 。其实那从刚才我们分享的这些 Anthropic、OpenAI 的做事的方式的改变和演进中， 你也能看出来端倪 ， 说我想象的是原来 FDE 这样去做 ， 后来演进成哦 ， 我要在一个客户群体里 ， 然后我要引入更了解业务的 ， 然后大家一起去做 。 那那其实就是在企图分离出来哪些是业务顾问能读懂 ， 本身你不需要再去用大模型重新去做泛化生成的 ， 哪些是你可以快速叠加增量价值的部分 。 **曼祺** [57:46] 嗯 ， 你怎么看 Anthropic、OpenAI 来做这件事所代表的他们背后的野心啊 ？ 那如果他们自己把 FDE 这套也跑下来 ， 我看起来他们就能自己的独立服务一些 To B 的这种大客户 ， 会和你们有更多的竞争和冲突吗 ？ ### 巨头竞争 **原欣** [58:01] 我觉得肯定会吧 。 现在大家其实整个 AI 的世界就是一个大的竞合的世界 。 **曼祺** [58:09] 大混战啊 。 **原欣** [58:10] 对 ， 就是谁也离不开谁 ，但同时大家都想去圈出来自己的一块地 。 所以我觉得有这个竞争其实是个好的事 ，不是坏事 ， 对吧 ？ 然后就看以 SAP 建厂的 ， 就我们建厂的是对于业务的理解 ， 我怎么补充上我原来缺失的 ， 比如说工程的能力 ， 对吧 ？ 那对于 Anthropic 来讲 ，他的 coding 的能力很强 ，他的模型的能力很强 ，他怎么快速的补充上他对业务的理解的部分 ， 就是大家其实都是在一个就是发挥自己擅长的 ， 同时补短板的一个过程 ， 然后就看谁调整的更快 。 **曼祺** [58:47] 你觉得哪个更难补 ？ **原欣** [58:48] 我现在的判断 ， 我个人的判断 ， 我觉得肯定是技术的容易补一点 ，因为技术本身它是就是水涨船高 ， 你机模的能力提升了 ，其实它会带动本身的效率的提升 ， 对吧 ？ 然后这个相对来讲 ， 我觉得尤其现在这个模型的本身有 cloud code 呀这些能力 ，其实你让懂业务的人更容易上手去驾驭所谓的大模型 。 但是对于懂模型的人， 让他去懂记账是怎么做的 ， 对吧 ？ 就是这个差异还是不太容易的 。 另外就是其实我觉得更现实的一个挑战 ， 刚才我们聊到人， 人就是说他有能力的缺失 ， 就我 hire 不到我想 hire 的人 ，但更大的一个人的问题是组织的所谓的 gravity， 就是组织惯性的问题 。 就是你真正进到里面去做事的时候 ， 大多数人不会因为 AI 来了就自然而然的拥抱 AI。 有些人是没有意愿 ，有些人是有意愿没能力 ，有些人是既没有意愿又没有能力 ， 对吧 ？ 所以其实在越大的一个组织里 ， 你会发现组织的惯性会更大 ， 就大家更倾向于用我熟悉的了解的会做的方式一直去做 ，而不是你来了告诉我一个很好东西 ， 我就自然而然去学了 。 所以前一阵就是敞开了 short token， 鼓励大家 short token，even 在 high tech company 其实也不是所有的人都会拥抱和使用 。 你更不要说进到一个现实的大的 enterprise 里面 ，其实人才的构成可能人才密度更低 ， 那其实你想用 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 。 所以其实我觉得 AI 真正你去 scale 在现实场景里面遇到的技术上的挑战远小于组织上的挑战 ， 组织上的挑战会更大 。 **曼祺** [1:00:47] 对 ， 您觉得 FDE 这个潮流会持续吗 ？ 我觉得这涉及到一个就很多人会关心的话题 ， 就这是不是一个好的就业方向 。 因为一方面 coding 肯定是替代了很多程序员嘛 ， 比如前段后段中比较基础的程序员 ， 然后就有一种声音说大家可以去做 FDE， 去做那个成像部署工程师 。 嗯 ，不过我就听下来啊 ， 我觉得就比如说借鉴以前的 SAP 啊 ， 像甲骨文这些大的公司发展历程 ， 可能这个成像部署到了一定阶段之后， 很多产品它又会沉淀成一个相对标准化的东西 ，是吗 ？ 那这些类人它是持续需要还是会变少 ？ **原欣** [1:01:21] 我觉得总体来讲效率一定会提升 ， 对吧 ？ 就是我们现在看到一个 ， 比如说一个创业企业 ， 它可能以前是一个需要一个 50 到 200 人规模 ， 我现在可能二三十个人就把两三百个人的活就干了 。 我觉得这是一个趋势 ，也是 AI 带来本身就是一个现实 ， 对吧 ？ 所以不管你是做 FDE 还是做什么样的工作 ， 可能我们都需要 fewer but better， 就是更少的人更好的人去做这件事 。 我觉得这个 statement 我觉得还是成立的 ，但并不意味着大多数人没有工作啊 ， 这个一会我们再去说这一 part。 但是就是说在整个 FDE 的这个过程里面 ，因为它本身包含的内涵 ， 你看就短短的不到一年的时间 ， 它已经内涵 evolve 变化了很多了 ， 对吧 ？ 那到底最后的 FDE 会终极形态是什么样 ， 现在你也不知道 ， 对吧 ？ 但是我们看到的更多的还是说你逃不出来脏活累活处理企业的流程组织和数据 ， 逃不掉对客户业务的理解 ， 逃不掉以前其实就是困扰 ， 说我怎么把业务转化成我的代码 ， 现在还是一样 ， 对吧 ？ 只不过我用 AI 做代码的速度提效了 ，但并不代表着这个转化的过程它就自然而然的加速了 。 所以它还是要有 human in the loop 去做干预的 。 所以在未来的一段时间 ，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 的天地里必经的路线 。 所以这段时间这个工作一定是需要的 。 就是说未来说 FDE 会不会持续的演进 ，是不是会完全复刻在 2000 年上下， 就是咨询公司爆发的那段时间 ， 我觉得可能不一定有那样十倍二十倍规模的增长 ，因为人效提升了 ， 对吧 ？ 同时呢 ，其实是两拨人在竞争这样的一份工作 ， 一个是像波士顿刚才说的这些麦肯锡的咨询顾问 ， 夏辰在做这个 ， 然后 FDE 偏 AI 偏 coding 的人在做 ， 那到底是他占据更主要的地位 ， 还是他占据更主要的地位 ？ 两股力量其实我觉得会合并成一个更综合的一种能力的人， 能最后持续的在这个岗位上去去工作 。 **曼祺** [1:03:57] 就是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 FDE 这个角色上 。 **原欣** [1:04:06] 嗯 ， 对 。 **曼祺** [1:04:07] 嗯 ， 正好我觉得可以聊到就是您说的从小圈子它外溢到更多行业的这个过程啊 ， 可以以 SAP 大中华区为例子来讲讲 ， 就你们看到就是从科技行业然后往外， 它是怎么一步一步的 ， 哪些行业可能用这种更加 AI、 更加自主 、 更加 Agent 的方式来运营企业 ， 正在变得普及 。 **原欣** [1:04:27] 因为这个浪潮其实真正起来也就是过去一两年的事情 ， 所以其实我觉得采样数据并不全 ， 我们也不是和所有的企业打交道啊 ， 可能是片段的 ，但是我们会有大客户和小客户都有 。 ### 行业采用 **原欣** [1:04:40] 那我们看到的趋势上 ，其实真金白银能付出钱去做这件事的 ， 相对来讲大客户会多一点 ，因为他有足够的数据 ， 然后他有足够的痛点 ，因为企业大了 ， 可能他要提效和节省成本的诉求更强烈 ，而他本身有足够多的财力支撑他去实验去用新的技术去解决自己最疼的地儿 。 这是很原始的一个驱动力 ， 让他去做这件事 。 所以我们看到动得快的 ，其实确实是一些大的企业会动得快 。 **曼祺** [1:05:20] 像在国内的话 ， 你们比较大的客户本身 ，他比如每年给你们的这个收入体量 ， 或者说客单价是一个什么量级 ， 如果他们开始 AI 转型的话 ，他们大概会先从什么量级开始试 ？ **原欣** [1:05:31] 对 ， 我觉得具体数量我们不讲了 ，但是我们看到的就是基本上你现在 IT 的预算都是被削减的 ，而 AI 的预算都是增加的 。 所以你基本上一个传统的 IT 的项目 ， 你想立起来 ， 没有一些和 AI 挂上钩 ，其实现在立项都会比较困难 。 所以可以看到是这样 ，但其实不光是在中国 ，其实麦肯锡做了一个全球的访谈 ， 就是他访谈了 2,000 多家 ，28% 的企业都或多或少的都会用 AI 去做一些项目 ，但是只有 3% 的觉得我真正的是有业务回报的 。 所以这个过程就导致现在更多的企业其实真正 AI 上 production 的 ， 就刚才我描述的像关务什么的 ， 真的上 production 的项目并不是那么多 。其实在探索阶段的做 POC 的去做一些原型的 ， 反倒是更多的 。 所以大家也意识到单点可能投一些钱能够砸出来效果 ， 然后呢做更大的时候 ， 现在也看到一些咨询公司能接到一些单子去规划一些 AI 的场景原型设计 ， 然后岗位应该怎么调 ， 这些都在起步 ， 慢慢看到越来越多的机会出现在这一部分 。 然后小公司不一样 ， 小公司就是我刚才描述的 ， 人家可能用点开源的或者这 AI 工具自己就跑得很快了 ， 所以其实那个是另外一个形态的 AI 演进的路数 。 反倒是最 struggle 的就是中间层 ， 可能在这个几个亿到 100 亿左右这个中型企业 。 那这里面我们看到的是和创始人或者和这个企业的一号位的认知是强相关的 ，有一些他会自然而然的认为我要拥抱 AI， 我要用 AI 去做提效 ， 那你看到这样的企业就会动得快一点 。他一旦动起来 ，其实他步子也会大 ，因为他相对来讲企业规模不大 ， 然后这个用 AI 工具或 者是颠覆性的用一些 AI native 的工具会更容易 。 而有一些企业其实就是他还是说我可能等你们捯饬清楚了我再入场 ， 我可能现在不是一个最好的入场的时间 ， 尤其中国的这个中等规模的企业 ， 它是非常现实的 。 即便是你你头脑里想的很多很创新很创新的一些 cool branding 的企业 ， 我不说名字 ，但是在他真正企业管理侧真正愿意投钱去做 AI 提效的并不那么多 。他做 AI 很多的还是在 AI 赋能产品 ， 比如说我可能现在所有的扫地机器人都会因为大模型的出现 ， 我用更好的算法 ， 我用更顶尖的人才把我所有的端侧模型都优化一遍 。 嗯 ，其实他愿意投钱在产品创新上 。他就不是组织层啊 。 对 ，其实他自己的管理哲学相关 ， 就是他不认为我现在投在 AI 在管理侧带给我的收益会大于我投在产品侧 。 所以我觉得这是一个缩影 。 你看中国的 SaaS 企业为什么到今天也没有长出来全球的巨头 ，其实和这种企业的心态有强相关的关系 。 你看很多的企业在快速发展的时候 ，他都是在追逐 top line 的成长 ， 就是我要更快的 go to market， 我要更快的抢夺市场 ， 我要更快的涨 。 你涨得越快的时候 ，其实大家的压力都在获取市场和客户 ， 然后呢导致后续又会售后运维的压力大 ， 然后又会资源又倒到售后上， 然后就在业务侧不停的翻滚 。 反倒是中间企业底层的很多系统建设都是非常潦草的 ，因为长得太快了 ，他没有一个喘息的窗口让你好好的规划设计 。 很多现在中国的公司变大了以后也是这样 。 所以在这个过程里面 ，其实中国本土的 SaaS 公司也没有一个好的定价的模式和大家对价值的认可能支撑着他们 ， 帮助企业把这个 foundation 建好 ， 对吧 ？ 所以现在 AI 来了以后， 你觉得 AI 就自然而然的能帮助这个一个七扭八歪的非结构化的东西马上就能站起来跑吗 ？ 其实不行的 ， 对吧 ？AI 不会自然而然的帮你修复掉你不想做的那一 part，他自然而然就变好了 ，其实不会 ， 对吧 ？ 所以其实我觉得就是虽然我们现在看上去很多国外的企业很慢 ， 然后有的时候就我自己都会嘲笑他们 ， 就是哎呀做个审批这么烦 ， 然后很多东西都很慢 ，但其实有的时候你 AI 一旦赋能到所谓的一些这个国外的公司 ，他底层的基础好的时候 ，其实他的加速度会更高 。 所以我们现在还是希望说更多的企业能够冷静的去想说你到底的资源投放投放在什么地方 ， 能支撑你短期的增长诉求 ， 同时能够给你一个 runway，在未来 AI 真正提效来的时候 ， 你有一个相对整齐的一个基础架构 。 否则现在我们做的很多的所谓 AI 基建 ， 确实都在补过去的很多的课 ， 就可能是在补以前信息化的一些课 。 是 ，但是如果我们用同样的思维去指导我们现在所谓往 AI 走的这一步 ，其实过去犯的错误你现在还是会犯 。 **曼祺** [1:11:11] 嗯 ， 比如说就是你的基础没打好 ， 你数据很乱 。 **原欣** [1:11:14] 对 ， 就是你认为 AI 就可以 ， 我不用做一个完整的数据治理架构 ， 反正我就是即用即抛 ， 然后就可以快速的跑 ，而且我主要的驱动还是把 AI 放在产品侧 ，而不去看底下的这些东西的话 ，其实他不是说不行 ， 这么多企业 ， 中国企业都这么涨起来了 ，而且涨的也都挺好 ，在全球也有竞争力 ， 对吧 ？ 都可以 ， 都可以 。 但是你看你再遇着下一波技术变革的时候 ，他不会自然而然的帮你把以前落的课就自然而然的跨越 。他不是个弯道超车的逻辑 。 **曼祺** [1:11:51] 对 ，不是说你前面有些东西没干 ，有个新技术之后你就不用干了 。 **原欣** [1:11:55] 对 ， 企业其实相对来讲还是比较复杂的一个东西 ， 就是出来混总是要还的 。 **曼祺** [1:12:02] 哈哈哈 ， 那他这个东西有什么行业上的区别吗 ？ 就比如说科技公司 ， 尤其是互联网公司 ， 肯定是 AI 接纳 AI 渗透比较好的 ，因为他们本身里面需要编程的工种和人和工作都比较多 。 那再往下看的话 ， 什么行业会先接受 ， 然后什么行业 ， 然后什么行业 ？ **原欣** [1:12:20] 对 ， 我觉得一定的就是这种轻资产行业 ，其实对于 AI 是很 ， 你看现在的趋势也是偏服务类型的 ， 对吧 ？ 不管是金融服务还是什么类型的服务 ， 包括互联网企业 ，其实他相对来讲对于 AI 的融入都会容易一点 ，而这种也是 SAP 比较擅长的吧 ， 传统的生产制造企业其实会 ， 一个是他生产形态其实相对来讲现在变化不大 ， 对吧 ？ 尤其是在比如说早期的工业 4.0， 所谓智能化工厂的建设其实都出去规模以后， 现在不管各种机器人其实还没有变成主流的生产制造的可替代方案的时候 ，其实他的生产制造本身不会变 ，但是他产品售卖的方式就是偏 go to market 的方式会变 ， 售后的方式也会变 。 所以 AI 冲击一定是在这两头 ， 就是市场端和售后端的冲击是比较大的 。 所以在这个群体里面 ， 我们现在的观察也是在前和后这两侧对 AI 会更多 ， 然后在生产制造侧 ，其实现在看上去还是偏供应链的多一点 ，但在生产制造本身的 AI 的还没有进入到主流的视野里面 。 我觉得这也符合一个行业的这个特性吧 。 但是后续我觉得啊 ， 就是如果我们未来去畅想 AI， 就是现在 even Anthropic 也在投 ， 开始弄那个 physical AI，他那个新的 blog 里面已经开始说我们 robotics。 **曼祺** [1:13:56] 对对对 ，OpenAI 也在搞 。 **原欣** [1:13:58] 对 ，OpenAI 更早一点其实对 physical AI，而且如果我们去看中国走的 AI 的路线 ， 如果我们认为我们更可能取得胜利是在应用和 physical， 就是结合上我们供应链的优势的话 ， 那未来就中国的这一波高成长的企业一定出现在 physical AI 的这个领域里 。 那他就涉及到你必须得有自己的生产制造 ， 你必须得有软硬结合的东西 ， 那这里头他就不是一个纯轻量级去跑的了 ， 对吧 ？ 那你看缩影就是 EV 电动车 ， 你可以说他是一个互联网企业 ， 你可以说他是一个传统制造企业 。 那最后最后大家选择我做 full stack， 就是从芯片到车我都做 ， 我要把 tier one 的空间压缩 ，他最后最后他就是变成一个 ， 你说他是一个传统企业还是一个创新企业 ，他是一个组合 。 那如果未来中国公司大多数的公司的高增长来自于 physical AI 驱动的软硬结合的这个路线的话 ， 那你把自己的供应链的底打好 ，是支撑未来这一波产业升级成长 ， 高速成长非常重要的一件事 。 嗯嗯 ， 从这个角度来讲 ， 我觉得 SAP 还是有可用之处的 ，而且我们自己就我觉得这个公司敢于这么 fundamental 的 change 自己的 business model， 颠覆自己 ， 就是他也有他的可取之处 。 毕竟 72 年的时候他也是一个五个人的 startup， 我们现在就是公司理念就是重回创业心态再做一遍 ， 对吧 ？ 其实就是这样的一个过程 。 **曼祺** [1:15:46] 嗯 ，有五十几年的历史了 ，72 年到现在 ，54 年 。 嗯嗯 ，54 年 。 我觉得比较有意思的一点就是那个年代 ， 就是甲骨文差不多也是七八十年代成立的 ， 对吧 ？ 就这些公司倒是穿越了挺多周期的啊 ， 就他一直都在啊 ，也就是互联网并没有把这块吃掉 ， 对吧 ？ 那 AI 能不能吃掉 ， 我觉得这是现在大家一个有分歧的地方 ， 所以资本市场也会有一些波动嘛 。 **原欣** [1:16:11] 对对 ， 我觉得一定有刚才我解释过的底层逻辑 ， 对吧 ？ 定价模式啊 ， 这些一定是对就是传承厂商会造成冲击的 ， 那我们自己也会去想去做 ， 然后更多的还是怎么有回归创业者心态的这样的一个过程 。 但是并不是说我们在这就不能做出来一些有中国特色化的东西 ，但是外企的人的成长路径都是在一个标准化流程里培养起来的 ， 对吧 ？ 那我们如果现在讲重归创业者心态 ，其实中国的外企外企人没自己创个业 ，他这个业不是他创的 ， 对吧 ？ 所以你看我们现在转型里面会有挑战 ，其实人上的挑战就是我按照流程做 ， 我都非常 professional。 嗯嗯 ，但是呢 ， 你要让我自发的去想一些东西 ， 我要创业我怎么去做的时候 ， 你会发现既有的所谓的一个高素质的人群会有分化 。 所以其实我们现在面临的选择就是如何激发更多有想法的人， 能够在公司相对宽松的一个鼓励创新 ， 鼓励 take risk， 就是承担风险 ， 你去尝试去做不一样的东西的这样的氛围里面 ， 让这些超级个体更多的长出来 。 有的时候我也听很多 ， 包括你的播客 ，也听很多外部的播客 ， 就是我会被那些年轻的创业者所打动的地方是 AI 对于个人生产力的释放是超级大的 ， 只要他思考 ，他只要有想法 ， 然后 Agent 就会帮他去做实现 ， 这样就是测试去实验 。 对 ， 超级个体成长的速度是是非常非常快的 。 嗯 ， 那在创业群体里 ，他自然的会有这样很有想法的人， 被 AI 赋能以后， 会做出来很多在传统框架下出不来的东西 。 我觉得这就是 AI 带来很好的一面的 。 那在外企就我们这里面就没有这样的人吗 ？ 有的 ， 就我们现在鼓励大家 ，因为我们也是无上限使用 Claude 随便使 ， 对吧 ？ 就我们也看到很多有想法的 ， 你可能日常他就按部就班的做工作 ，但是一旦你激发出来他 ，他会有很多的想法 ，而且他会自己买两三个 mini 架在公司薅羊毛去做各种的实现去做 。其实他扔出去可能就是一个超级个体 ， 对吧 ？ 那对我们外企的命题就是如何激发这样的人， 更多的拉动着这样的一个组织去往前走 。 我觉得好处是什么 ？ 反观刚才我说的中国企业也蛮生产的 ， 这个过程其实外企人培养出来的 ，他还是对于流程的尊重 ， 对于体系架构的熟悉 ， 对于国际视野 ， 对吧 ？ 怎么驾驭复杂 ，是这是他专业技能培训的一部分 。 如果这些超级个体可以结合到本土的一些最需要补足的能力 ，其实我觉得这是一个非常非常好的一个结合 。他其实还是可以带着这种被训练好的 ， 相对来讲懂企业懂流程这样的思维 ， 同时叠加上超级个体的这些能力 ，在辅助上 AI 的这些赋能 ，其实他会变得更 powerful， 更强有力 。 ### 阿里合作 **曼祺** [1:19:40] 嗯 ， 你刚说的是个人层面 ， 就在组织层面的话 ， 你们和中国一些公司也有合作 ， 比如说你们和阿里的合作是比较多的 。 **原欣** [1:19:47] 对 ， 你们和阿里合作一起是来做什么 ？ 来给中国的这些客户提供一些什么特别的价值 ？ **曼祺** [1:19:53] 对 ， 我觉得因为中国的 AI 确实是比较独特的一个生态 ， 对吧 ？ 那我们在全球因为和大的这个不管 Hyperscaler 还是 AI 的公司都有合作 ， 那在中国因为 AI 的生态不同啊 ， 那我们产品都首先会呃 ， 就是落在阿里云的这个 infrastructure 上面 ， 基础架构的支撑是在阿里云上 。 那同时面向 AI 其实呃 ， 我们会把阿里的千问的模型嵌入到我们的 MaaS， 就我们的 Model by Service， 变成我们整个对外提供 AI 服务的模型 ， 然后同时其实包括 FDE， 包括后训练 ， 包括我们如果有共同针对的客户 ， 我们如何把双方的优势病例能结合在一起去做出来更符合中国用户的特定的 AI 的这个场景 ，其实是大家现在一起在探索的方式 。 就说你们 FDE 的团队有可能是在一起去服务客户的 。 我们现在已经在 ， 就比如说我们上次在北京的 SAP now 上， 我们请来的那个曼森 ，其实就是我们一个非常典型的一个小企业 ，他就是上了我们的 public Cloud 的 ERP， 本身跑在阿里云上， 然后呢 ，他又用钉钉 。 所以其实你对于一个小企业 ，他可能没有特别高大上的 AI 诉求 ， 对他来讲就是老板就头疼 ， 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 ， 我天天接他们电话 ， 然后就这个一个订单的履约 ， 就是他很头疼的问题 。 这样的问题其实只上一个 ERP 解决不了 ， 对吧 ？ 那如何把我在钉钉里追单的信息 ， 然后我怎么去排我生产的顺序 ， 调动我的这个生产执行落地 ？ 那我们就用 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 ， 对吧 ？ 我如何去更优化我的订单的履约 ， 保证我的运转效率的高效 ， 就这些其实都是我们和阿里就是能一起做出来的一些针对中国市场的 AI 的 case。 嗯 ， 这个曼森集团是个服装企业 ， 对吧 ？ 服装品牌 ， 做做羽绒服的 ， 对 ，他有品牌 ，他也给很多别的代工 ， 对 ， 嗯嗯哦 ， 对 ，他所以会涉及你刚说的那个问题 。 对 ， 嗯嗯 ， 都是大品牌 ， 都是大老板 。 嗯 ， 然后 SAP 还有一个在中国的 ， 我觉得比较独特的价值 ， 就是你们是服务很多中国企业出海的 。 ### 出海总结 **曼祺** [1:22:31] 嗯 ， 这个可以讲讲 ， 就是有什么比较有意思的例子吗 ？ 尤其是 AI 来了之后对他们出海 ，不包括怎么解决合规啊 、 税务啊 、 供应链的问题 ， 能带来什么新的变化 ？ 全球化的这个东西 ， 就是因为本身不光是 SAP， 所有的全球化的厂商 ，其实全球化的平台本身就搭在这了 ， 所以我们本身就支持 ， 就我们自己就在 150 多个国家运营 ， 所以我们对于全球超过 200 国家的这些税务啊 ， 然后合规的要求 ，是我们就日常产品升级迭代的一部分 。 所以 SAP 本身在产品架构里就有一个叫 localization 的团队 ， 就专门做本地化诉求 ， 这个本地化就是对中国有中国的 ， 对巴西 ， 巴西的税务是全球最复杂的 ，有巴西的税务的组 ， 专门做针对巴西的 localization。 所以你可以理解 ，他是在全球范围内 ， 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 。 那所以对于中国企业出海 ，不管你出到哪 ， 那其实你都可以借助我们已经很好的这个 infrastructure 帮你去运行 ， 就是你只需要关心你自己的业务 ，而不需要关心这些打底的这些服务项 。 那另外呢 ， 就是我觉得中国企业现在出去做很多的 shopping go 啊 ， 这个我们也是看到这个趋势是很明显的 。其实 shopping go 以后， 你会发现他买来的 ， 尤其很多欧洲企业 ， 就是天然就是 SAP 的用户 ， 所以他就会有很多的这个组织的集成的问题 ， 系统集成的问题 ， 对吧 ？ 然后系统对接什么的 ， 对 ， 所以我们在这里面也是天然的会有一些优势 ， 会帮这些出海企业在 shopping go 里面能够快速的做一些系统和流程的整合 。 然后涉及到现在就是所谓的如何用 AI 去赋能这个这个企业 ， 刚才我其实提到的这个关务 ， 就是一个特别好的例子啊 ， 还有就是你像像联想 ，其实我觉得联想也是民营企业里面所谓全球化比例最高的 ，因为他海外已经超过 80% 了 。 我们跟联想是从他 200 亿一直到现在几千亿的规模 ， 一直都在合作 ， 就包括他的数次的海外的这个这个并购和系统的整合 ， 都是在我们的平台上做的 。 然后现在我们还在用我们 signavio， 就是这个一个流程 process mining 的工具 ， 帮他去做 ， 用 AI 助力他去看企业 ， 现在已经有 2,000 多个流程啊 ，他在一个全球化的视野里去看他这些内部的所有的流程 ， 然后如何有断点 ，在哪是有提效的空间 。 所以就在这种复杂架构下 ，其实 SAP 是就是非常自然的融入到支撑他全球的这么复杂的一个运转架构 ， 然后包括面向未来的一些 AI 提效的事情 ， 都是大家自然而然就在一起做的 。 嗯 ， 当然我们也希望能够助力很多中国的公司 ， 对吧 ？ 从几十个亿涨到几百个亿 ， 甚至几千个亿 ， 这样的一个快速发展的过程 。 最后想问一下， 您这么多年的一些总结性的观察 ，因为之前您在甲骨文 、 微软 、SAP 都工作过 ， 然后是经历了最开始大型的企业软件 ， 可能是本地部署 ， 后来是云化放到云上， 然后到现在生成式 AI 技术变化 ， 就这次技术周期的变化和你之前经历过的那些变化 ， 就是从本地到云 ， 然后到从轻盈化到智能化的 ， 你觉得本质的相同和区别是什么 ？ 嗯 ， 就是区别就是速度 ， 就是因为他和人的交互方式的改变 ， 导致人会更容易上手去驾驭这些技术 。 就是以前的技术其实相对来讲还是在专业领域的 ， 现在其实真的是 AI 平权做的非常好 ， 所以每个人都可以轻松的去驾驭 AI， 然后所以导致这个技术演进的速度是非常快的 。 但是我觉得回归到本质上 ，其实大的技术变革带来 ， 包括之前我刚才谈到的工业革命的这个这个蒸汽机 、 电力 ， 对吧 ？ 互联网到 AI，他底层的逻辑并没有变 ， 就是一个 disruptive 的 ， 就是突破性的底层技术到影响各行各业 ，他就是有一个过程的 ， 对吧 ？ 现在可能大家也在讨论什么 AI 泡沫啊 ， 小圈子环环 ，他一定是在初期他就是这样的一个形态 ， 然后随着时间去做外溢 ， 然后我相信 AI 带来的外溢的速度会比之前的几波技术周期带来的要短 ， 对吧 ？ 这个是底层逻辑是不变的 ， 然后最终最终其实嗯 ， 很多的时候你看到嗯 ， 对于真正的业务或者总体的 GDP 产生影响 ，他不是一个简单的技术迭代的问题 ， 对吧 ？ 这个复杂度是没有变的 ， 只要是人还主宰这个星球 ， 这个底层逻辑就不会变 ，他一定是人在里面会有加速的部分 ， 人在里面也有减速的部分 ，他有抵抗力 ，也有创新力 ， 对吧 ？ 他一定是方方面面的各种复杂度融合在一起 ， 最后呈现一个结果 。 所以这些东西都没有变 ， 每一次技术出现 ， 大家都会有向往 ，有恐惧 ，有学习 ， 然后有摒弃 ， 这样的一个 cycle 走下来 ， 对吧 ？ 现在 AI 带来的这个冲击 ，其实对于人本身 ，他他也是在一个逐步从担心恐惧到慢慢的适应 pick up， 然后学习的这样的一个过程 。 所以我觉得本质上这样的过程并没有变 ， 然后对于人的技能的要求 ，其实本质上也没有变 。 我也听很多 VC 的访谈 ，他们就看说投什么样的人， 什么样特质的人会更容易在 AI 领域胜出 ，其实那些 fundamental 的特质都没有变 。 嗯 ， 你什么时代都是有这样特质的人， 最终最终会变成金字大街的那些人。 一般高频回答就是学习能力快的人， 学习能力强的人。 哦 ， 对对 ， 所以我觉得这些其实整体的迭代循环还是人的这一趴 ，其实是不太 ， 就是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 。 对 ， 包括您自己之前也说过 ， 说人的判断是没有办法规模化的 ， 就目至少在目前的这个技术条件下， 这其实也是他带来 ， 就说你从模型技术到很多企业应用中间 gap 的那一部分 。 对 ， 现在好多人不是都说哎呀 ， 就反正我一天不睡觉 ， 我去弄你也就是 24 小时， 我就一个脑袋 ， 对吧 ？ 就是你看真正有那种创业冲动的人 ，他就是在你的想法的实现不是平静的时候 ， 自己的想法就变成了平静 ， 对吧 ？ 所以其实你看很多的东西都是信息量巨大 ，Agent 处理是海量数据 ，但是人接受不了 ， 人处理不了那么多信号 ， 对吧 ？ 所以人他就会是一个平静 ，但是很多的事情现在又需要人去判断 ， 对吧 ？ 我可以跑各种各样的 report 给你 ， 让你去做决断 ，但是你能瞬间吸纳这么多有用的信息 ， 形成你的判断吗 ？ 其实很难 。 所以其实为什么就是我觉得 ， 就怎么能够在我们的教育体系里面培养出来更多以后能够有能力驾驭 AI 能力的个体 ， 可能也会带来一些教育体系的一些一些再造和颠覆 。 所以为什么我说这 AI 带来的冲击真的是对于社会里面方方面面都会有冲击呢 。 嗯 ， 那今天非常感谢原欣总做个晚点聊 ， 分享了 SAP 在 AI 领域看到的一些机会 。 哪些 SAP 过往这 50 多年的积累 ，其实是 AI 技术也挺难撼动的 ，而哪些新的事情 、 新的价值是 AI 来了之后可以结合 SAP 这一类存在已久的 ERP 企业核心资源平台 ， 可以去啊 ， 带来新的价值和发挥新的创新的地方 。 嗯 ， 那今天节目就到这里 ， 感谢各位的收听 ， 拜拜 ， 拜拜 。 本期节目就到这里 ， 感谢收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。 你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 推荐更多你想听的主题和嘉宾 。 你可以从小宇宙 、 苹果 podcast 等渠道关注晚点聊 LateTalk，也欢迎关注我们的公众号晚点 LatePost， 下期再见 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。