柏林有家叫 Agent F 的公司，上周拿到了 400 万美元 pre-seed。团队十个人。领投是 Alpha Edison，跟投里有 United Founders 和 Tiny Supercomputer Investment Company，天使名单里能看到 n8n 创始人 Jan Oberhauser、wefox 联合创始人 Julian Teicke，还有一位前 SAP CTO Jürgen Müller。
它卖的东西听起来像 ERP，但讲法不一样。传统 ERP 实施是「把你的流程映射进模块」，需求调研、配置、开发、测试、上线，一条长链。Agent F 的说法是：系统去学客户已有的分类习惯、审批规则和报表逻辑，业务长大后再加上模块。
Tech.eu 的采访里有个数字：原本每周要花五六小时的行政工作，降到约一小时。但公司没有披露客户名字，也没有披露客户数量。
把这两件事放在一起看——一边是「不配置，改学习」，一边是「效果有数字，客户没名字」——会发现 AI 进 ERP 早就不是一条路了。今天至少有三种走法，它们的分水岭不是模型强弱，而是同一个问题：这套东西，能不能复制到第二家公司。
一、三条路，三种失败方式
过去两年大家把「AI 进 ERP」当成一个议题讨论，实际上它已经分岔了。三条路的启动方式、钱花在哪、失败长什么样，完全不同。
| 路径 | 怎么启动 | 钱主要花在哪 | 失败长什么样 |
|---|---|---|---|
| 项目制配置 | 梳理流程、配置模块、必要时二次开发，再培训上线 | 人天。调研、配置、开发、数据迁移、验收 | 上线后没人用；或者每次制度微调都要重新排期 |
| 学习式适配 | 接上现有的银行、会计、支付、业务工具，从历史操作里学分类与审批习惯 | 产品订阅加少量实施，理论上实施更轻 | 每家客户都要重新教一遍，适配变成另一种定制 |
| 平台化租用 | 由园区、平台或服务商统一建设，企业按需接入 | 订阅费或点数，按使用量分摊 | 数据边界不清、点数失控、场景上线了但没人维护 |
第一条路最熟悉，也最容易被骂。但它有个别人比不了的优点：每一步都留痕。流程是怎么梳理的、规则是谁定的、改了什么，都在文档和配置里。出了问题能查，换人接手能看懂。
第二条路最诱人。它承诺的低 disruption 是真的——不用停业半年做实施，不用把流程拆成几十个模块。但它把复杂度从「配置阶段」挪到了「运行阶段」：规则藏在模型的判断里，不在配置表里。这就带出了第二个问题。
二、学习式适配的真考题：换个人触发，结果一样吗
2026 年 11 月 11 日，SAP News 发了一篇对 Sonja Liénard 的访谈。她是 SAP 高级副总裁、ABAP 平台负责人。整篇访谈里最值得抄下来的一句，不是「智能体坐在应用前面」这类愿景，而是她谈可靠性时说的：
数据和结果必须始终可靠、可追溯、可复现——无论智能体由谁触发，或者它走了哪条路径取到数据。
她还补了一句：每个智能体必须有清晰定义的授权范围。这两句话放在一起，正好是「学习式适配」的验收题。
因为学来的规则是隐式的。隐式规则有三个麻烦：
- 出问题时说不清是哪条判断导致的，只能看到结果不对；
- 同一个人重跑两次，可能给出不同答案，尤其在边界情况上；
- 换一个入口——邮件改成聊天、文字改成语音——结果又变一次。
这不是挑剔。财务过账、采购下单、库存调整，这些动作本身要求「同样的输入给同样的输出」。人可以凭经验灵活处理，机器不行，因为机器出错不会不好意思，只会重复。
| 测试动作 | 怎么测 | 结果说明什么 |
|---|---|---|
| 换触发人 | 同一张历史单据，由两名员工分别发起 | 结果不一致，说明判断依赖个人操作习惯，而非规则 |
| 换入口 | 同一内容，分别用邮件、聊天、语音提交 | 差异超出渠道本身，说明系统在补全时做了猜测 |
| 隔期重跑 | 三个月后模型升级，同一批单据再跑一遍 | 差异清单无法逐条解释，说明升级没有回归测试 |
所以第三条要求可以具体化：让供应商拿同一批历史单据，换一个人触发、换一个入口提交，跑出来的字段级结果是否一致；三个月后模型升级了，同一批单据重跑，差异清单能不能逐条解释。能解释，说明规则清楚；解释不了，说明系统在替你猜。
这里有个反常识的地方：「学得快」和「学得稳」经常互相拉扯。越依赖历史数据自动归纳，越容易把偶发操作学成规则——某次特殊审批、某个客户的临时折扣、某个采购员的个人习惯。上线三个月后回头看，你会发现自己把一堆例外变成了标准。
三、租用这条路：87 家企业共用一套智能体
同一天，河北邯郸邯山区政府网站发了一条消息，讲的是之江智慧物流园区的「智链中枢」AI 智能体平台。园区规划面积约 200 亩，入驻企业 87 家，2025 年总产值超 30 亿元。
平台做的事不复杂：把园区企业已经在用的 ERP、WMS、财务、能耗系统打通，用自然语言做统一入口，把业务数据、纸质单据、设备运行状态变成可对话、可计算的东西。一期落六个智能体场景：决策支撑、合同财务、库存台账、加工台账、设备智能监测、安全 AI 监管。管理人员可以对话调数据、生成经营大屏，做合同风控、库存对账、单据电子化。
后面的规划更值得注意：训练园区垂直大模型，打造调度员、单证员、商务专员等「数字员工」，并对外开放 AI 能力平台，向入驻企业和 OPC 创业主体输出服务。
这条路对中国的中小企业可能最现实。一家几十人的公司，养不起一支能做智能体编排、权限管理、模型调用的团队；但园区统一建一套，边际成本立刻降下来。它解决的不是「AI 有多强」，而是「谁来运维」。
代价也很清楚，三件事任何一件没设计好，平台就跑不长：
| 硬约束 | 具体问题 | 没做好的后果 |
|---|---|---|
| 多租户隔离 | 87 家企业的库存台账、合同、加工记录在同一套平台上跑 | A 企业问一句「本月出货多少」，答出 B 企业的数 |
| 身份与授权 | 智能体按谁的身份取数，继承哪个岗位的权限 | 权限给宽了全家可见，给窄了天天报错 |
| 计量与分摊 | 点数、算力、调用次数怎么算到每家企业头上 | 用得多的不付钱，用得少的被摊高价，第二批企业就不来了 |
需要说明的是，这条通稿没有披露平台供应商、上线时间、实际接入企业数量与收费模式。87 家和 30 亿元是园区存量数据，不等于已经用上平台的企业数量。判断这条路的成败，还得等运营数据。
四、怎么选：三个问题，一张成本表
三条路没有绝对优劣，但选错的代价不一样。项目制选错了，亏的是时间和人天；学习式选错了，亏的是把定制包装成了产品；租用选错了，亏的是数据边界和长期锁定。所以问问题的顺序很重要。
第一问：这套东西复制到第二家客户，要重做多少？不要问「有没有行业模板」，模板解决的是「这个行业大概怎么运转」，不解决「这家公司遇到这张单据时先看什么」。要问的是第二家客户的差异清单有多长，谁来做这份清单。
第二问：换个人、换个入口，结果一样吗？这就是上面说的可复现测试。别只看演示，演示永远是准备好的那条路径。取真实单据，让不同的人用不同的入口各跑一遍，看字段级差异。
第三问：出问题时，能不能说清是哪条规则导致的？规则可读，才能改；规则不可读，只能重训。重训的成本不会消失，只是从今年挪到明年，而且往往更贵——因为那时候业务已经依赖它了。
还有一张常被漏掉的表：总成本要放在同一口径下比。项目制按人天算，学习式按订阅加实施算，平台化按点数或分摊算。三种计价单位的首年报价没法直接比。至少要拉三年：人天会不会随制度变化追加、订阅会不会随用户数涨、点数会不会随使用量失控。第一年最便宜的那个，第三年往往最贵。
给管理者的三条
第一，把「可复现」写进验收条款，而不是写「准确率」。准确率是单次结果的质量，可复现是长期运行的性质。前者演示得出来，后者只有回放测得出来。验收单上写「同一批历史单据，换入口重跑，字段级差异需逐条解释」，比写「准确率不低于 95%」有用得多。
第二，把例外单独记账。每一条「这次特殊，先这样」的临时规则，都要记下来：谁批的、为什么、有效期多久。三个月后回看这份清单，你会清楚知道系统里有多少条规则其实是人情。这份账不做，学习式适配迟早会学歪。
第三，如果是租用平台，先要数据边界图，再谈场景清单。场景清单看着热闹，数据边界才决定能不能用。问三个问题：我的数据存在哪、谁能看到、退出时怎么带走。答不清楚的平台，场景再多也别急。
回到开头那家柏林公司。十个人、四百万美元、一个「学你的工作流」的承诺，这些都不足以判断成败。真正的考题在它拿到第十一家客户的时候：需不需要派一个顾问驻场三个月。如果需要，那它做的还是项目制，只是把配置界面换成了对话框。
一句话总结：模型三个月换一代，流程和口径不会自己长出来。选哪条路，最后不看模型多聪明，看的是这条路能不能走出第二家、第三家，还走得一样稳。
资料来源：EUVC《Agent F raises $4m pre-seed for AI-native ERP》（2026-11-10，含 Alpha Edison 领投、United Founders 与 Tiny Supercomputer Investment Company 参投、天使投资人名单、集成范围与「学习工作流」表述，原始来源含 Tech.eu 2026-11-10 对创始人 Felix Schläger 的采访）；SAP News 访谈（Johannes Klostermeier 采访 SAP 高级副总裁、ABAP 平台负责人 Sonja Liénard，2026-11-11）；邯郸市邯山区人民政府网站《智慧物流新实践！邯山区 AI 智能体助力企业破局升级》（2026-11-11，含园区规模、六大智能体场景与后续数字员工规划）。
数据口径说明：Agent F 的「每周五六小时降到约一小时」来自 Tech.eu 采访，公司未披露客户名称与数量，该数字不能作为行业基准；SAP 访谈为厂商观点，不含效果数据；邯山区的 200 亩、87 家企业、30 亿元产值为园区存量数据，通稿未披露平台供应商、上线时间、实际接入企业数与收费模式，本文据此仅作路径判断，不作为落地效果证据。
众谛信息（Zodioo）· 企业数字化观察 · 2026-11-12
