今年的SAP TechEd大会,关于AI的话题比往年更热。
若要用一句话概括这场年度技术大会,笔者的答案是“让AI听懂企业意图”:开发者或业务人员用自然语言描述目标,AI随之调动智能体、应用与数据完成任务。AI不再停留在听懂人话,而是走进真实的业务场景。
这一转向并非凭空而来。几个月前的SAP Sapphire大会上,SAP提出了自主运营企业(Autonomous Enterprise)愿景,彼时更多是宏大叙事的铺陈;到了TechEd,重点则落在技术层面,展示这一愿景如何通过具体技术实现。
SAP TechEd 2026期间,SAP全球首席技术官Philipp Herzig接受了e-works记者采访。这位2025年履新的计算机科学博士,从SAP商业AI平台的全面商用聊到知识图谱的重大更新,从国际空间站合作聊到90%代码由AI编写,他的诸多观点无不在表明——SAP现阶段正在做的,是将已经提出的愿景拆解为可交付的产品线、可运行的能力模块,以及可被开发者调用的平台组件。

300个智能体:从概念到可运行
本届TechEd最值得关注的亮点,是SAP商业AI平台进入全面正式商用阶段,内置约300个智能体。这个数字的意义不在于数量本身,而在于它标志着SAP的商业AI叙事从概念展示进入产品交付阶段。
实际上,过去两年业界关于企业级AI的讨论并不缺少愿景,缺的是打开就能用、并且能够在企业治理框架内运行的产品。
Joule Work的正式商用,是这一平台落地的关键入口。Philipp Herzig告诉记者,“用户如今可以在桌面、移动设备、Apple CarPlay和各类浏览器上使用Joule Work,只需描述一个目标,AI就会编排合适的智能体、应用和数据去完成它”。
交互逻辑听起来简单,背后需要调用的编排能力、模型组合和治理机制却远比表面复杂。他透露,“Joule Work的编排引擎目前会调用大约10种不同的模型,分别处理不同任务”。换言之,SAP对企业AI的理解并不是选择一个最强的模型,而是让合适的模型做合适的事。
与Joule Work同步推进的还有Joule Studio。这款AI优先的开发环境在本届TechEd上新增了可观测性和管理控制能力,并与Joule Work原生集成。借助Joule Studio,业务人员和专业开发者可以分别使用无代码(no-code)和专业代码(pro-code)两种工具,灵活选用70多种AI模型构建和扩展智能体。
回看五个月前,Sapphire大会上描绘的自主运营企业蓝图,如今已经变成每周为数百家客户开通能力的产品组合,博世、诺华、英特尔等早期客户开始交出实践样本。Philipp Herzig强调,这轮发布是对此前战略的延续,而不是方向上的改变。
从这个意义上来看,在概念满天飞的AI浪潮中,把已有愿景做成可用产品,本身就是一种稀缺能力。
SAP商业AI“上天”:小模型的高光时刻
如果说300个智能体的商用意味着平台落地,那么本届TechEd另一个受关注的合作,则是SAP将商业AI送上了太空。SAP与HPE携手,将SAP-RPT表格基础模型部署到国际空间站的太空计算机上。
Philipp Herzig解释称,“这类模型之于表格数据,就像大语言模型之于语言,是面向表格数据的基础模型。其天然具备跨领域泛化能力,供应链预测、零售补货乃至牛津癌症研究中的蛋白质标志物分析,都已有落地案例。”
具体到国际空间站:设备产生的遥测数据约有10GB,传回地球耗时太久,若需快速判断设备是否异常,很难依赖这种方式。而SAP-RPT体积小、无需针对新任务重新训练,只需将实时数据流直接输入模型,就能立即得到预测结果。Philipp Herzig还提到数据漂移这一行业痛点:“传统模型训练完成后便开始过时,而基础模型可以直接消化最新数据流,省去重新训练的过程,这在数据链路受限的环境中尤为关键”。
从产品线看,SAP-RPT系列在本届TechEd上完成了重要扩展。SAP-RPT-TS面向时间序列预测,已全面可用;SAP-RPT-Decisions面向决策智能,计划2026年第四季度全面可用;新增的SAP-RPT-2则将能力延伸至异常与离群值检测和原生多表处理。
Philipp Herzig举了零售业的例子:1000家门店、每家约2000种商品,考虑季节性和天气因素做备货预测。这类模型通常不需要针对具体任务重新训练,企业只需提供表格数据并说明预测目标,就可以直接获得结果。
在笔者看来,商业AI上天的价值不止于话题性,更在于它验证了一条极简路径:让最合适的模型,在最贴近数据的地方工作。
开放还是封闭?SAP给出的第三条路
当前市场上各类智能体越来越多,SAP如何与它们相处,是访谈中绕不开的问题。
Philipp Herzig的回应很明确,“SAP从一开始就采取开放策略。这一策略的现实基础在于客户的机会成本。如果SAP已经在财务、人力资源、供应链、客户体验等核心领域提供了智能体,客户通常不会从头再开发一个类似产品,而是先判断哪些现成能力可以满足需求,再在此基础上扩展。”
但开放并不意味着无条件接入。外部智能体数量众多,表现参差,技术互操作只是第一步,企业还需要判断哪些智能体值得信任、哪些不应在生产环境中自由执行操作。
从这个角度来看,SAP的路径可以概括为开放与治理并行。Agent Gateway负责互操作,外部智能体可以调用SAP智能体,SAP智能体也可以调用其他智能体;SAP AI Agent Hub则负责信任与合规,帮助企业发现、管理、记录和评估SAP及非SAP智能体。
这种思路与Joule Work的编排逻辑相互呼应。Joule Work背后的编排引擎目前调用约10种不同模型,分别匹配不同任务对智能水平、性能表现和成本的要求。企业最终得到的不是一个模型包打天下,而是一组按任务分工的模型协同。
具体如何协作,则取决于业务流程的要求以及整体任务的编排方式。Philipp Herzig补充说,“这正是SAP AI Agent Hub所要解决的问题之一。它允许企业发现SAP和非SAP智能体,并对这些智能体进行管理、记录和合规性评估。”
90%的代码由AI写成之后,开发者去哪了
生态之外,开发方式本身的变化同样值得关注。访谈中,Philipp Herzig透露了一个数据:“如今在SAP内部,Joule Work的交互界面、桌面应用以及BDC Ontology Manager等,这些产品的代码已在很大程度上由AI编写,占比达到90%甚至95%。”
当然,这个数字需要放在完整的开发流程里理解。Philipp Herzig坦言,单看AI编写代码的占比存在误导性,因为开发者的工作已经转移到了其他环节。他们需要花更多时间编写需求文档、产品需求说明书和技术规格,把产品要求、质量标准和预期结果清楚地传达给AI;指令不正确,AI就可能产生偏离目标的结果。
代码生成之后,开发者还要审核其是否足够好、是否安全、是否满足全部质量要求。过去那种把已经想清楚的方案逐行写成代码的机械性工作正在大幅减少,但理解问题、设计解决方案、权衡不同选择、判断最终结果是否正确,这些真正重要的工作仍然需要开发人员完成,只是它们的重要性往往没有得到足够关注。
在Philipp Herzig看来,代码占比的高低并不是衡量AI编程价值的唯一尺度。当AI把开发者从逐行编码中解放出来,需求定义、架构判断、质量审核和审美取舍的分量反而更重了。开发者的专业能力并没有消失,而是向上游和下游转移:向上游是把意图表达清楚,向下游是对结果作出判断。
AI可以写出90%的代码,但决定这90%是否应该合并、是否符合产品逻辑、是否经得起生产环境检验的,仍然是人。AI承担实现,人负责判断,而判断力恰恰是这轮AI浪潮中最不该被低估的能力。
后记
纵观今年的SAP TechEd大会,有一个高频词反复出现:上下文。细想之下,知识图谱的扩展是上下文,BDC Ontology Manager是上下文,Agent Gateway与SAP AI Agent Hub所处理的信任与边界,本质上也是上下文。SAP在TechEd上发布的诸多内容,拆开来看是一件件产品,合起来看,其实在回答同一个问题:AI如何真正理解企业意图?智能体如何在企业业务中做决策?
Philipp Herzig强调,“企业软件的价值不只是一个模型,而是把不同模型以最佳方式组合起来的软件”。笔者还想补一句:组合的前提,是上下文足够扎实。没有上下文的智能体,再强也只是在猜;有了上下文的智能体,才谈得上执行。
这或许也是SAP做AI最不像互联网公司的地方。它不追求用一个模型解决所有问题,而是花大量力气打通那条从意图到执行的管道。
企业级AI发展到今天,市场上最不缺的是愿景,最缺的是确定性。这次对话让笔者印象深刻的,不是多么宏大的图景,反而是Philipp Herzig的判断:平台要能落地,模型要各司其职,生态要开放但有门槛,人要保留最终的判断权。将已有愿景做成可用产品,本身就是一种稀缺能力,这句话放在当下的AI叙事中,显得格外冷静。
