先给一个数字,它比大多数 AI 收益的宣传都更具体。
TechWolf 的联合创始人 Jeroen Van Hautte 在 6 月公布过一次实验:在 250 人的组织里,直接去搜底层记录的智能体,每回答一个问题所花的成本,比走"上下文图谱"的智能体高 50%;组织规模到 1,000 人时,这个差距扩大到 129%。实验是 30 个人物查找任务,每个跑三次。
11 月 16 日,SAP 宣布完成对这家比利时公司的收购,协议 10 月 6 日公布,价格未披露。SAP 计划把它的数据模型接进 SuccessFactors 和 Joule,用来回答"谁能填这个岗""哪个团队有技能缺口""该培养什么能力"。
把这些放一起,有一条判断值得说清楚:企业为 AI 付的钱,很大一部分不是花在"想"上,是花在"重新认识一遍"上。规模越大,这笔钱越显眼。
一、先说明这个数字的边界
TechWolf 那两个组织是模拟的,不是真实客户;SAP 在完成公告里也没有给出任何客户部署的可比结果。Manoj Swaminathan(SAP Autonomous Suite 总裁兼首席产品官)在 10 月说过这张图谱"让 token 使用更高效""降低了部署劳动力智能体的成本",同样只有方向,没有客户数字。
所以正确的读法是:50% 和 129% 不能当作承诺,但可以当作一种方向性的提示——上下文组织得好不好,是会体现在每次调用的成本上的,而且随着组织变复杂,差距会变大。
引用这类数字时请带上限定词。厂商公告里的收益数字,大致分三种:客户实测、厂商内部实测、模拟实验。三者的可信度差得很远,混着用一次,后面所有数字都会被人打问号。
二、图谱里到底存了什么
TechWolf 做的事说起来朴素:把岗位、任务、员工、技能四者连起来,存进它称为"上下文图谱"的结构。
它的数据来源有两类。一类是客户自己连进来的 HR 和业务系统;另一类是工作痕迹,比如从 Jira、Confluence 这类工具里的记录,反推一个人实际在用什么技能。它还接入了劳动力市场数据,用来看某项技能在外部有多抢手。推断出来的技能,员工本人可以复核和修正——这一点很关键,图谱最怕的是"猜错了还没人知道"。
有了这张网,事情就不一样了。项目负责人要找"做过某类任务的人",智能体不需要把所有人的简历和项目记录重读一遍,而是沿着已经建好的员工、项目、角色、技能之间的链接走。它还可能捞出一些职位名称上看不出相关经验的人——一个头衔叫"售后工程师"的人,可能在过去两年里做过十几次现场调试,这类信息在简历上往往没有。
顺带的效果是省材料。每次查询要读的原始记录变少了,token 自然就下来了。这就是那 50% 和 129% 的来源。
已经落地的场景可以看意大利制药集团 Chiesi。它用 TechWolf 的岗位架构重构智能体,把技能要求相近的岗位归并,起草不同资历层级的职位说明,由内部团队审阅定稿,再经实施伙伴 TalenTeam 落到 SAP 的 Job Profile Builder 里,包括职位重映射和员工重映射。据 TechWolf 的案例描述,这项工作连同重映射一起,用时数周。
这个案例的分量在于"审阅定稿"这四个字。智能体做的是归并和起草,最终决定权在人手上。岗位调整涉及每个人的切身利益,这类事上让机器直接定,推行不下去。
三、SAP 那边的三个数字,说明缺的不是模型
11 月中旬,赛迪网和 e-works 分别刊出对 SAP 中国研究院的采访。SAP 全球副总裁、中国研究院院长蔡彦斌讲了一个很具体的失败案例:一位做自行车贴牌加工出口的朋友,让智能体生成"下三个月定价策略",输出结构完整、看着头头是道,但完全用不了。智能体不知道产品的具体工艺与成本,不了解海外客户的议价习惯,也没有历史订单数据作支撑。
他把这称为"冰山困局"。概念验证阶段只调用通用能力解一个单点问题,容易出效果;一旦深入核心业务,缺上下文的模型立刻水土不服。
三个数字值得记住:
- 700 多万个字段、50 多万张数据表、超过 15,000 个业务流程。这是 SAP 五十年积累下来的结构化资产,正在被整理成知识图谱,让模型不只懂行业通识,也懂"你这家企业"。
- 88% 对 6%。SAP《2026 AI 价值报告》显示,88% 的中国受访企业看好智能体带来的变革,认为自身已做好充分准备的只有 6%。这个落差不是意愿问题,是准备度问题。
- 三百多个。SAP 智能体层已发布的智能体数量。但蔡彦斌同时明确,它不会取代应用层,数据层仍承担整理与供给的职能。
他用了一个我觉得很到位的类比:人做判断需要知识和经验两样东西。只有知识没经验,判断不准;只有经验没知识,判断不系统。AI 了解企业,同样两样都要。
很多人以为"经验"是模型规模大到某个程度自然长出来的。其实不是。经验是这家企业自己的记录、自己踩过的坑、自己定过的例外,模型再大也长不出来。
四、落到 Odoo:这些关系本来就写在表里
看到 700 万个字段,中小企业容易得出一个错误结论:这活太大,我们干不了。反过来才对——你的字段数量可能只有它的百分之一,但真正卡住 AI 的那几个关系,一家都不会少。
更巧的是,Odoo 的数据结构本身就是一个关系网络。客户挂上级公司,联系人挂客户;物料挂供应商料号,BOM 有层级,工序挂在工艺路线下;员工挂技能,项目挂客户,库存移动之间还有上下游链条。这些关系不是要新建的东西,是已经在那里的字段。
问题出在维护上。我见过的项目里,这几类字段的空置率最高:
| 关系 | 对应对象与字段 | 常见现状 | 谁该维护 |
|---|---|---|---|
| 客户归并 | res.partner 的 parent_id、vat | 同一客户三份档案,联系人各挂各的 | 销售内勤 |
| 供应商料号 | product.supplierinfo 的 product_code | 一个物料十几种写法,靠人认 | 采购 |
| 物料层级 | mrp.bom 与 bom_line_ids | 改过的 BOM 没有版本痕迹 | 工艺 |
| 员工技能 | hr.skill、hr.employee.skill | 表建了,没人填,等于空表 | HR 与车间主管 |
| 项目与客户 | project.project、project.task 的 partner_id | 客户名写在项目名里,字段空着 | 项目经理 |
| 单据追溯 | stock.move 的 move_orig_ids、move_dest_ids | 手工合并拆分之后链断了 | 仓储 |
这张表可以直接当工作表用。一行一行填,填到哪一行卡住,那里就是未来 AI 答不准的地方。
举个实际的例子。有家做设备维护的客户,售后工程师一天要回答七八个"这台设备上次是谁装的、后来换过什么件"。这些信息散在四张表里:设备档案、安装工单、备件领用、服务记录。人工查一次大约十几分钟,忙起来就凭记忆答,答错的比例不低。
后来做的事不复杂:把设备档案和服务记录的关联字段补齐,要求每次服务必须挂在设备上;再把备件领用与服务单关联。数据补完之后,接个只读的助手,同一类问题几秒钟出结果,还带单据链接。这个项目没有用到什么新模型,收益全来自"关系连上了"。
五、这笔账怎么算回来
讲上下文容易讲成玄学,所以最后落到算法上。我一般让客户算三笔,都很土:
- 找的时间。同一类问题,人工查一次多久,助手查一次多久。差出来的分钟数乘上一年问多少次,是第一个数。
- 返工的时间。因为找不到、找错了导致的重复沟通、重复下单、重复发货。这一类往往比第一笔大,但平时没人统计。
- 调用的成本。如果按 token 计费,就把日均提问次数、每题平均消耗、单价乘起来。图谱建好之后每题消耗会下降,但下降多少要自己测,别照抄厂商的模拟值。
三笔加起来,除以建关系、补数据、定维护人投入的人工,就是这笔投入的回收周期。多数情况下,这个周期比上一套新系统的周期短得多,因为不需要停机切换,也不影响现有流程。
一个可执行的起点:从"最近一个月内被问过五次以上、且答案需要连三张表才能拼出来"的问题里挑一个。把这三张表的关联字段补齐,指定一个维护人,用两周记录基线。能算出差价,就继续;算不出,说明选错了场景,换一个。
六、三句话收尾
第一,上下文是资产,不是开关。它需要人维护、需要定期校正、需要有人对"这个字段填得对不对"负责。买来的系统不会自带你这家企业的关系。
第二,先连关系,再谈模型。同一批问题,关系补齐前后的差距,往往比换个更强的模型更大,而且这个差距不会因为模型升级而消失。
第三,别拿别人的模拟值当自己的目标。50% 和 129% 可以拿去说服老板立项,但不能拿去写进验收指标。验收要用自己跑出来的基线。
蔡彦斌说治理框架必须在项目启动第一天就存在,不是出了问题再补救。这句话放在上下文上也成立:关系字段不是上线前一周补得完的,它得跟着业务一天一天长。
模型每年都在换,供应商也换得勤。真正留下来、并且只会越来越值钱的,是那张画着"谁跟谁有关系"的网。
参考来源:ERP News《SAP Closes TechWolf Deal to Expand Workforce Intelligence in SuccessFactors》(2026-11-16);赛迪网《当 Agent 浪潮撞上 ERP:企业级 AI 需要的不是"更聪明",而是"懂业务"》与 e-works 转载访谈(2026-11 中旬)。TechWolf 的成本对比数据来自厂商公布的模拟实验,非客户实测;SAP 完成公告未披露价格与客户侧收益。文中 Odoo 字段名以 Odoo 19/20 为准。
众谛信息 · 企业管理数字化观察 · 厂商披露数字未经独立验证,引用请以原文为准。
