柏林有家叫 Agent F 的公司，上週拿到了 400 萬美元 pre-seed。團隊十個人。領投是 Alpha Edison，跟投裡有 United Founders 和 Tiny Supercomputer Investment Company，天使名單裡能看到 n8n 創辦人 Jan Oberhauser、wefox 共同創辦人 Julian Teicke，還有一位前 SAP CTO Jürgen Müller。
它賣的東西聽起來像 ERP，但講法不一樣。傳統 ERP 實施是「把你的流程映射進模組」，需求調研、配置、開發、測試、上線，一條長鏈。Agent F 的說法是：系統去學客戶已有的分類習慣、審批規則和報表邏輯，業務長大後再加上模組。
Tech.eu 的採訪裡有個數字：原本每週要花五六小時的行政工作，降到約一小時。但公司沒有披露客戶名字，也沒有披露客戶數量。
把這兩件事放在一起看——一邊是「不配置，改學習」，一邊是「效果有數字，客戶沒名字」——會發現 AI 進 ERP 早就不是一條路了。今天至少有三種走法，它們的分水嶺不是模型強弱，而是同一個問題：這套東西，能不能複製到第二家公司。
一、三條路，三種失敗方式
過去兩年大家把「AI 進 ERP」當成一個議題討論，實際上它已經分岔了。三條路的啟動方式、錢花在哪、失敗長什麼樣，完全不同。
| 路徑 | 怎麼啟動 | 錢主要花在哪 | 失敗長什麼樣 |
|---|---|---|---|
| 專案制配置 | 梳理流程、配置模組、必要時二次開發，再培訓上線 | 人天。調研、配置、開發、數據遷移、驗收 | 上線後沒人用；或者每次制度微調都要重新排期 |
| 學習式適配 | 接上現有的銀行、會計、支付、業務工具，從歷史操作裡學分類與審批習慣 | 產品訂閱加少量實施，理論上實施更輕 | 每家客戶都要重新教一遍，適配變成另一種定製 |
| 平台化租用 | 由園區、平台或服務商統一建設，企業按需接入 | 訂閱費或點數，按使用量分攤 | 數據邊界不清、點數失控、場景上線了但沒人維護 |
第一條路最熟悉，也最容易被罵。但它有個別人比不了的優點：每一步都留痕。流程是怎麼梳理的、規則是誰定的、改了什麼，都在文件和配置裡。出了問題能查，換人接手能看懂。
第二條路最誘人。它承諾的低 disruption 是真的——不用停業半年做實施，不用把流程拆成幾十個模組。但它把複雜度從「配置階段」挪到了「運行階段」：規則藏在模型的判斷裡，不在配置表裡。這就帶出了第二個問題。
二、學習式適配的真考題：換個人觸發，結果一樣嗎
2026 年 11 月 11 日，SAP News 發了一篇對 Sonja Liénard 的訪談。她是 SAP 資深副總裁、ABAP 平台負責人。整篇訪談裡最值得抄下來的一句，不是「智慧體坐在應用前面」這類願景，而是她談可靠性時說的：
數據和結果必須始終可靠、可追溯、可重現——無論智能體由誰觸發，或者它走了哪條路徑取到數據。
她還補了一句：每個智能體必須有清晰定義的授權範圍。這兩句話放在一起，正好是「學習式適配」的驗收題。
因為學來的規則是隱式的。隱式規則有三個麻煩：
- 出問題時說不清是哪條判斷導致的，只能看到結果不對；
- 同一個人重跑兩次，可能給出不同答案，尤其在邊界情況上；
- 換一個入口——郵件改成聊天、文字改成語音——結果又變一次。
這不是挑剔。財務過帳、採購下單、庫存調整，這些動作本身要求「同樣的輸入給同樣的輸出」。人可以憑經驗靈活處理，機器不行，因為機器出錯不會不好意思，只會重複。
| 測試動作 | 怎麼測 | 結果說明什麼 |
|---|---|---|
| 換觸發人 | 同一張歷史單據，由兩名員工分別發起 | 結果不一致，說明判斷依賴個人操作習慣，而非規則 |
| 換入口 | 同一內容，分別用郵件、聊天、語音提交 | 差異超出渠道本身，說明系統在補全時做了猜測 |
| 隔期重跑 | 三個月後模型升級，同一批單據再跑一遍 | 差異清單無法逐條解釋，說明升級沒有回歸測試 |
所以第三條要求可以具體化：讓供應商拿同一批歷史單據，換一個人觸發、換一個入口提交，跑出來的欄位級結果是否一致；三個月後模型升級了，同一批單據重跑，差異清單能不能逐條解釋。能解釋，說明規則清楚；解釋不了，說明系統在替你猜。
這裡有個反常識的地方：「學得快」和「學得穩」經常互相拉扯。越依賴歷史數據自動歸納，越容易把偶發操作學成規則——某次特殊審批、某個客戶的臨時折扣、某個採購員的個人習慣。上線三個月後回頭看，你會發現自己把一堆例外變成了標準。
三、租用這條路：87 家企業共用一套智能體
同一天，河北邯鄲邯山區政府網站發了一條消息，講的是之江智慧物流園區的「智鏈中樞」AI 智能體平台。園區規劃面積約 200 畝，入駐企業 87 家，2025 年總產值超 30 億元。
平台做的事不複雜：把園區企業已經在用的 ERP、WMS、財務、能耗系統打通，用自然語言做統一入口，把業務資料、紙本單據、設備運行狀態變成可對話、可計算的東西。一期落六個智能體場景：決策支撐、合約財務、庫存台帳、加工台帳、設備智能監測、安全 AI 監管。管理人員可以對話調資料、生成經營大屏，做合約風控、庫存對帳、單據電子化。
後面的規劃更值得注意：訓練園區垂直大模型，打造調度員、單證員、商務專員等「數字員工」，並對外開放 AI 能力平台，向入駐企業和 OPC 創業主體輸出服務。
這條路對中國的中小企業可能最現實。一家幾十人的公司，養不起一支能做智能體編排、權限管理、模型調用的團隊；但園區統一建一套，邊際成本立刻降下來。它解決的不是「AI 有多強」，而是「誰來運維」。
代價也很清楚，三件事任何一件沒設計好，平台就跑不長：
| 硬約束 | 具體問題 | 沒做好的後果 |
|---|---|---|
| 多租戶隔離 | 87 家企業的庫存台帳、合約、加工記錄在同一套平台上運行 | A 企業問一句「本月出貨多少」，答出 B 企業的數 |
| 身份與授權 | 智能體按誰的身份取數，繼承哪個崗位的權限 | 權限給寬了全家可見，給窄了天天報錯 |
| 計量與分攤 | 點數、算力、調用次數怎麼算到每家企業頭上 | 用得多的不付錢，用得少的被攤高價，第二批企業就不來了 |
需要說明的是，這條通稿沒有披露平台供應商、上線時間、實際接入企業數量與收費模式。87 家和 30 億元是園區存量數據，不等於已經用上平台的企業數量。判斷這條路的成敗，還得等運營數據。
四、怎麼選：三個問題，一張成本表
三條路沒有絕對優劣，但選錯的代價不一樣。專案制選錯了，虧的是時間和人天；學習式選錯了，虧的是把客製包裝成了產品；租用選錯了，虧的是資料邊界和長期鎖定。所以問問題的順序很重要。
第一問：這套東西複製到第二家客戶，要重做多少？不要問「有沒有行業模板」，模板解決的是「這個行業大概怎麼運轉」，不解決「這家公司遇到這張單據時先看什麼」。要問的是第二家客戶的差異清單有多長，誰來做這份清單。
第二問：換個人、換個入口，結果一樣嗎？這就是上面說的可復現測試。別只看演示，演示永遠是準備好的那條路徑。取真實單據，讓不同的人用不同的入口各跑一遍，看欄位級差異。
第三問：出問題時，能不能說清是哪條規則導致的？規則可讀，才能改；規則不可讀，只能重訓。重訓的成本不會消失，只是從今年挪到明年，而且往往更貴——因為那時候業務已經依賴它了。
還有一張常被漏掉的表：總成本要放在同一口徑下比。項目制按人天算，學習式按訂閱加實施算，平台化按點數或分攤算。三種計價單位的首年報價沒法直接比。至少要拉三年：人天會不會隨制度變化追加、訂閱會不會隨用戶數漲、點數會不會隨使用量失控。第一年最便宜的那個，第三年往往最貴。
給管理者的三條
第一，把「可重現」寫進驗收條款，而不是寫「準確率」。準確率是單次結果的品質，可重現是長期運行的性質。前者演示得出來，後者只有回放測得出來。驗收單上寫「同一批歷史單據，換入口重跑，欄位級差異需逐條解釋」，比寫「準確率不低於 95%」有用得多。
第二，把例外單獨記帳。每一條「這次特殊，先這樣」的臨時規則，都要記下來：誰批的、為什麼、有效期多久。三個月後回看這份清單，你會清楚知道系統裡有多少條規則其實是人情。這份帳不做，學習式適配遲早會學歪。
第三，如果是租用平台，先要數據邊界圖，再談場景清單。場景清單看著熱鬧，數據邊界才決定能不能用。問三個問題：我的數據存在哪、誰能看到、退出時怎麼帶走。答不清楚的平台，場景再多也別急。
回到開頭那家柏林公司。十個人、四百萬美元、一個「學你的工作流」的承諾，這些都不足以判斷成敗。真正的考題在它拿到第十一家客戶的時候：需不需要派一個顧問駐場三個月。如果需要，那它做的還是專案制，只是把配置介面換成了對話框。
一句話總結：模型三個月換一代，流程和口徑不會自己長出來。選哪條路，最後不看模型多聰明，看的是這條路能不能走出第二家、第三家，還走得一樣穩。
資料來源：EUVC《Agent F raises $4m pre-seed for AI-native ERP》（2026-11-10，含 Alpha Edison 領投、United Founders 與 Tiny Supercomputer Investment Company 參投、天使投資人名單、集成範圍與「學習工作流」表述，原始來源含 Tech.eu 2026-11-10 對創始人 Felix Schläger 的採訪）；SAP News 訪談（Johannes Klostermeier 採訪 SAP 高級副總裁、ABAP 平台負責人 Sonja Liénard，2026-11-11）；邯鄲市邯山區人民政府網站《智慧物流新實踐！邯山區 AI 智能體助力企業破局升級》（2026-11-11，含園區規模、六大智能體場景與後續數字員工規劃）。
數據口徑說明：Agent F 的「每週五六小時降到約一小時」來自 Tech.eu 採訪，公司未披露客戶名稱與數量，該數字不能作為行業基準；SAP 訪談為廠商觀點，不含效果數據；邯山區的 200 畝、87 家企業、30 億元產值為園區存量數據，通稿未披露平台供應商、上線時間、實際接入企業數與收費模式，本文據此僅作路徑判斷，不作為落地效果證據。
眾諦信息（Zodioo）· 企業數位化觀察 · 2026-11-12
