你的公司,AI 每次都要重新認識一遍

先給一個數字,它比大多數 AI 收益的宣傳都更具體。

TechWolf 的聯合創始人 Jeroen Van Hautte 在 6 月公布過一次實驗:在 250 人的組織裡,直接去搜底層記錄的智能體,每回答一個問題所花的成本,比走「上下文圖譜」的智能體高 50%;組織規模到 1,000 人時,這個差距擴大到 129%。實驗是 30 個人物查找任務,每個跑三次。

11 月 16 日,SAP 宣布完成對這家比利時公司的收購,協議 10 月 6 日公布,價格未披露。SAP 計劃把它的數據模型接進 SuccessFactors 和 Joule,用來回答「誰能填這個崗」「哪個團隊有技能缺口」「該培養什麼能力」。

把這些放一起,有一條判斷值得說清楚:企業為 AI 付的錢,很大一部分不是花在"想"上,是花在"重新認識一遍"上。規模越大,這筆錢越顯眼。

一、先說明這個數字的邊界

TechWolf 那兩個組織是模擬的,不是真實客戶;SAP 在完成公告裡也沒有給出任何客戶部署的可比結果。Manoj Swaminathan(SAP Autonomous Suite 總裁兼首席產品官)在 10 月說過這張圖譜「讓 token 使用更高效」「降低了部署勞動力智能體的成本」,同樣只有方向,沒有客戶數字。

所以正確的讀法是:50% 和 129% 不能當作承諾,但可以當作一種方向性的提示——上下文組織得好不好,是會體現在每次調用的成本上的,而且隨著組織變複雜,差距會變大。

引用這類數字時請帶上限定詞。廠商公告裡的收益數字,大致分三種:客戶實測、廠商內部實測、模擬實驗。三者的可信度差得很遠,混著用一次,後面所有數字都會被人打問號。

二、圖譜裡到底存了什麼

TechWolf 做的事說起來樸素:把崗位、任務、員工、技能四者連起來,存進它稱為"上下文圖譜"的結構。

它的資料來源有兩類。一類是客戶自己連進來的 HR 和業務系統;另一類是工作痕跡,比如從 Jira、Confluence 這類工具裡的記錄,反推一個人實際在用什麼技能。它還接入了勞動力市場數據,用來看某項技能在外部有多搶手。推斷出來的技能,員工本人可以複核和修正——這一點很關鍵,圖譜最怕的是「猜錯了還沒人知道」。

有了這張網,事情就不一樣了。專案負責人要找「做過某類任務的人」,智能體不需要把所有人的履歷和專案紀錄重讀一遍,而是沿著已經建好的員工、專案、角色、技能之間的連結走。它還可能撈出一些職位名稱上看不出相關經驗的人——一個頭銜叫「售後工程師」的人,可能在過去兩年裡做過十幾次現場調試,這類資訊在履歷上往往沒有。

順帶的效果是省材料。每次查詢要讀的原始記錄變少了,token 自然就下來了。這就是那 50% 和 129% 的來源。

已經落地的場景可以看意大利製藥集團 Chiesi。它用 TechWolf 的崗位架構重構智能體,把技能要求相近的崗位歸併,起草不同資歷層級的職位說明,由內部團隊審閱定稿,再經實施夥伴 TalenTeam 落到 SAP 的 Job Profile Builder 裡,包括職位重映射和員工重映射。據 TechWolf 的案例描述,這項工作連同重映射一起,用時數週。

這個案例的分量在於「審閱定稿」這四個字。智能體做的是歸併和起草,最終決定權在人手上。崗位調整涉及每個人的切身利益,這類事上讓機器直接定,推行不下去。

三、SAP 那邊的三個數字,說明缺的不是模型

11 月中旬,賽迪網和 e-works 分別刊出對 SAP 中國研究院的採訪。SAP 全球副總裁、中國研究院院長蔡彥斌講了一個很具體的失敗案例:一位做自行車貼牌加工出口的朋友,讓智能體生成「下三個月定價策略」,輸出結構完整、看著頭頭是道,但完全用不了。智能體不知道產品的具體工藝與成本,不瞭解海外客戶的議價習慣,也沒有歷史訂單數據作支撐。

他把這稱為「冰山困局」。概念驗證階段只調用通用能力解一個單點問題,容易出效果;一旦深入核心業務,缺上下文的模型立刻水土不服。

三個數字值得記住:

  • 700 多萬個欄位、50 多萬張資料表、超過 15,000 個業務流程。這是 SAP 五十年累積下來的結構化資產,正在被整理成知識圖譜,讓模型不只懂行業通識,也懂"你這家企業"。
  • 88% 對 6%。SAP《2026 AI 價值報告》顯示,88% 的中國受訪企業看好智能體帶來的變革,認為自身已做好充分準備的只有 6%。這個落差不是意願問題,是準備度問題。
  • 三百多個。SAP 智能體層已發佈的智能體數量。但蔡彥斌同時明確,它不會取代應用層,資料層仍承擔整理與供給的職能。

他用了一個我覺得很到位的類比:人做判斷需要知識和經驗兩樣東西。只有知識沒經驗,判斷不準;只有經驗沒知識,判斷不系統。AI 瞭解企業,同樣兩樣都要。

很多人以為"經驗"是模型規模大到某個程度自然長出來的。其實不是。經驗是這家企業自己的記錄、自己踩過的坑、自己定過的例外,模型再大也長不出來。

四、落到 Odoo:這些關係本來就寫在表裡

看到 700 萬個欄位,中小企業容易得出一個錯誤結論:這活太大,我們幹不了。反過來才對——你的欄位數量可能只有它的百分之一,但真正卡住 AI 的那幾個關係,一家都不會少。

更巧的是,Odoo 的資料結構本身就是一個關係網路。客戶掛上級公司,聯絡人掛客戶;物料掛供應商料號,BOM 有層級,工序掛在工藝路線下;員工掛技能,專案掛客戶,庫存移動之間還有上下游鏈條。這些關係不是要新建的東西,是已經在那裡的欄位。

問題出在維護上。我見過的專案裡,這幾類欄位的空置率最高:

關係對應物件與欄位常見現狀誰該維護
客戶歸併res.partner 的 parent_id、vat同一客戶三份檔案,聯絡人各掛各的銷售內勤
供應商料號product.supplierinfo 的 product_code一個物料十幾種寫法,靠人認採購
物料層級mrp.bom 與 bom_line_ids改過的 BOM 沒有版本痕跡工藝
員工技能hr.skill、hr.employee.skill表建了,沒人填,等於空表HR 與車間主管
項目與客戶project.project、project.task 的 partner_id客戶名寫在專案名裡,欄位空著專案經理
單據追溯stock.move 的 move_orig_ids、move_dest_ids手工合併拆分之後鏈斷了倉儲

這張表可以直接當工作表用。一行一行填,填到哪一行卡住,那裡就是未來 AI 答不準的地方。

舉個實際的例子。有家做設備維護的客戶,售後工程師一天要回答七八個「這台設備上次是誰裝的、後來換過什麼件」。這些資訊散在四張表裡:設備檔案、安裝工單、備件領用、服務記錄。人工查一次大約十幾分鐘,忙起來就憑記憶答,答錯的比例不低。

後來做的事不複雜:把設備檔案和服務記錄的關聯欄位補齊,要求每次服務必須掛在設備上;再把備件領用與服務單關聯。資料補完之後,接個唯讀的助手,同一類問題幾秒鐘出結果,還帶單據連結。這個專案沒有用到什麼新模型,收益全來自「關係連上了」。

五、這筆帳怎麼算回來

講上下文容易講成玄學,所以最後落到算法上。我一般讓客戶算三筆,都很土:

  • 找的時間。同一類問題,人工查一次多久,助手查一次多久。差出來的分鐘數乘上一年問多少次,是第一個數。
  • 返工的時間。因為找不到、找錯了導致的重複溝通、重複下單、重複發貨。這一類往往比第一筆大,但平時沒人統計。
  • 調用的成本。如果按 token 計費,就把日均提問次數、每題平均消耗、單價乘起來。圖譜建好之後每題消耗會下降,但下降多少要自己測,別照抄廠商的模擬值。

三筆加起來,除以建關係、補數據、定維護人投入的人工,就是這筆投入的回收週期。多數情況下,這個週期比上一套新系統的週期短得多,因為不需要停機切換,也不影響現有流程。

一個可執行的起點:從「最近一個月內被問過五次以上、且答案需要連三張表才能拼出來」的問題裡挑一個。把這三張表的關聯欄位補齊,指定一個維護人,用兩週記錄基線。能算出價差,就繼續;算不出,說明選錯了場景,換一個。

六、三句話收尾

第一,上下文是資產,不是開關。它需要人維護、需要定期校正、需要有人對"這個欄位填得對不對"負責。買來的系統不會自帶你這家企業的關係。

第二,先連關係,再談模型。同一批問題,關係補齊前後的差距,往往比換個更強的模型更大,而且這個差距不會因為模型升級而消失。

第三,別拿別人的模擬值當自己的目標。50% 和 129% 可以拿去說服老闆立項,但不能拿去寫進驗收指標。驗收要用自己跑出來的基線。


蔡彥斌說治理框架必須在專案啟動第一天就存在,不是出了問題再補救。這句話放在上下文上也成立:關聯欄位不是上線前一週補得完的,它得跟著業務一天一天長。

模型每年都在換,供應商也換得勤。真正留下來、並且只會越來越值錢的,是那張畫著"誰跟誰有關係"的網。

參考來源:ERP News《SAP Closes TechWolf Deal to Expand Workforce Intelligence in SuccessFactors》(2026-11-16);賽迪網《當 Agent 浪潮撞上 ERP:企業級 AI 需要的不是"更聰明",而是"懂業務"》與 e-works 轉載訪談(2026-11 中旬)。TechWolf 的成本對比數據來自廠商公布的模擬實驗,非客戶實測;SAP 完成公告未披露價格與客戶側收益。文中 Odoo 欄位名以 Odoo 19/20 為準。

眾諦信息 · 企業管理數字化觀察 · 廠商披露數字未經獨立驗證,引用請以原文為準。

关于我们

​我们致力于帮助中小企业实现数字化转型,我们的团队由一群充满激情和创新思维的专业人士组成,他们具备丰富的行业经验和技术专长。

扫一扫获取顾问以及手册

登入 發表評論
兩個智能體搶同一台泵,誰的指令算數