深入解析：SAP如何借清洁核心与HANA Cloud破解AI在ERP中的落地难题

如果你认为AI只适合运行在敏态系统中，而ERP天生不适合AI，那么你真正低估的不是AI，而是ERP的复杂性。

在生成式AI席卷企业软件的当下，一个被反复强化却极少被质疑的认知正在主导决策：SAP ERP是稳态系统（Steady State），而AI属于敏态系统（Agile State）。

在这一叙事中，ERP被视为稳定、缓慢、以合规和一致性为中心的“系统记录（System of Record）”；而生成式AI则被视为快速试错、持续进化、充满不确定性的“创新引擎”。两者似乎天然分属不同世界，价值难以叠加。

这种“稳态”与“敏态”的对立，不仅是技术架构上的差异，更是企业管理逻辑与创新速度之间的张力体现。传统观点认为，这两个世界互不兼容——稳态追求预测性、可靠性和数据完整性，而敏态追求探索、实验和敏捷响应。

更极端的观点甚至认为：

AI在ERP世界中的价值，远低于它在消费互联网、营销、内容生成等敏态领域的价值。

然而，深入分析SAP近年来的架构演进与AI战略可以发现，这种二元对立正在被系统性地瓦解。SAP并未试图“把AI塞进ERP”，而是通过一场更深层的重构——在稳态之上构建可执行的智能层，从而重新定义企业软件中AI的真正价值边界。

一、稳态与敏态的冲突：双模IT理论下的ERP困境

理解这一转变，绕不开Gartner提出的“双模IT（Bimodal IT）”理论。

在该理论中：

• 模式1（Mode 1） 追求稳定性、预测性与效率，适用于财务、供应链、人力等核心系统。
• 模式2（Mode 2） 面向探索与不确定性，强调实验、快速迭代与失败容忍。

在过去十多年里，SAP ERP无疑是Mode 1的典型代表。任何变更都必须经过严苛的测试与审批，因为一条错误的会计分录、一次错误的库存结转，都可能引发系统性风险。

但问题在于：生成式AI并不属于Mode 2。它并不是一个“独立运行的探索系统”，而是一种必须同时访问稳态数据、并反向影响稳态流程的认知执行者。它既要读取ERP中最真实、最权威的数据，又要对这些数据产生行动建议，甚至直接触发业务操作。

这意味着：双模IT是一种组织分工模型，而AI要求的是一种跨模式的执行架构。当AI需要在“理解—决策—执行”之间形成闭环时，简单的Mode 1 / Mode 2并行已不再成立。

特征维度	稳态 (ERP/模式1)	敏态 (AI/模式2)
主要目标	可靠性、准确性、稳定性	敏捷性、速度、探索性
方法论	结构化、长周期、瀑布式	迭代式、实验性、敏捷/DevOps
系统定位	系统记录 (System of Record)	系统参与/智能 (System of Intelligence)
风险偏好	风险规避，失败代价高昂	风险容忍，失败是学习的一部分
关键指标	运行时间、数据完整性、合规性	创新速度、用户采用率、业务洞察

二、为什么AI在ERP中“看起来没价值”？——真正的“最后一公里的失效”

“AI在ERP中价值感不强”的判断，并非空穴来风。大量企业确实投入了生成式AI，却迟迟看不到实质性的财务回报。

在消费互联网领域，AI的价值体现在即时的推荐、个性化体验和流量变现上，这种价值是显性且易于衡量的。而在ERP领域，由于核心业务流程的复杂性和僵化性，AI的洞察往往停留在“观察层”而非“操作层”。

根据麦肯锡的研究，尽管企业在生成式AI上投入了巨额预算，但只有约40%的公司报告了明显的息税前利润（EBIT）提升，许多项目陷入了“试点炼狱（Pilot Purgatory）”。

但问题并不在于ERP，甚至也不在于AI，而在于价值断裂发生在“最后一公里”：

• AI的洞察停留在“观察层”，无法进入“操作层”。
• 生成的建议被组织流程、审批链条和经验主义稀释。
• 模型输出无法被系统级信任，更谈不上自动执行。

在消费互联网领域，AI的价值体现在推荐、点击率和转化率上；而在ERP领域，AI的价值只有在它能改变事务处理结果时才会成立。究其根本原因：

• 在敏态世界（营销、创意、增长）

  • AI的输出是建议、灵感、概率性判断。
  • 人类永远是最终决策者。
  • 出错的成本是“机会成本”或“体验成本”。

• 在ERP世界（财务、供应链、合规）

  • AI的输出一旦进入流程，就会触发会计分录、库存变动、付款、申报。
  • 责任主体必须可追溯。
  • 出错的成本是法律责任、审计失败、现金风险。

所以问题不在于ERP排斥AI，而在于：ERP只接受“能被判责的智能”。

这正是为什么ERP里的AI看起来“保守”“不性感”，但每一个落点都极其昂贵。

三、SAP的战略抉择：通过清洁核心（Clean Core）解耦与平台化AI

SAP的真实策略：不是AI + ERP，而是AI被驯化为Enterprise Capability。

不是改变稳态，而是自动化稳态。

面对稳态与敏态的对立，SAP并没有试图在僵化的ERP内核中强制嵌入AI，而是通过“清洁核心（Clean Core）”战略进行架构上的“手术式解耦”。这种从僵化单体应用转向现代化云原生/IaaS范式的思路，为AI的集成开辟了道路。

这一策略的核心在于：保持ERP底座的标准化和稳定性（稳态），同时将所有的AI创新、自定义逻辑和实验性应用迁移到云端的创新层——SAP业务技术平台（SAP BTP）上。

清洁核心原则包括五个引导维度：流程、扩展、数据、集成和运营。其逻辑非常直接：通过消除ERP后端中老旧的、基于ABAP的“Z开发（自定义代码）”，企业可以实现ERP系统的无缝升级，从而保证“稳态”的持续健康。

在这种模式下，AI不再是ERP内部的累赘，而是作为“侧向扩展（Side-by-side Extension）”运行在BTP上，通过稳定的API和事件流与核心数据交互。这种架构演进解决了稳态与敏态的矛盾：ERP负责提供“事务授权”和“真实数据源”，而BTP负责提供“认知能力”和“敏捷实验空间”。

如果核心复杂，AI的采用将变得异常困难，因为每一个新的AI功能都可能触碰过往复杂的自定义逻辑，导致系统崩溃或不可预测的行为。因此，清洁核心不仅是一个IT治理概念，更是SAP推进AI落地的先决条件。

四、ODM-AI的责任边界定义器

ODM = AI在企业系统中“允许知道什么、允许推断什么、允许驱动什么”的边界协议。

1. AI不允许拥有自己的业务语义。
2. AI必须继承ERP的确定性、合规性与组织结构。
3. AI必须被嵌入到企业的责任链中。

这也是为什么我们看到的不是“AI inside ERP Core”，而是：

• SAP BTP 承载模型与推理。
• SAP BTP 提供敏态算力、事件、扩展。
• SAP S/4HANA 只负责“记账、执行、控制”。

没有ODM的AI，只能当Copilot；有ODM的AI，才有资格接管流程。

AI永远不会被允许成为“新的核心”，它只能成为“被核心驯服的能力”。

五、语义护城河：SAP知识图谱与数据布料

为什么AI在敏态领域（如对话机器人）容易实现，而在ERP领域难以产生高价值？核心障碍在于“语义缺失”。

通用大语言模型（LLM）理解语言，但不理解企业的业务逻辑。例如，LLM可能不知道在特定的行业背景下，“物料流转”涉及哪些合规约束。

SAP的人工智能战略中，最深的一道护城河是“SAP知识图谱（SAP Knowledge Graph）”。这一技术将SAP过去50年积累的行业专业知识进行了编码。它不仅包含数据，还包含数据之间的“语义连接”。例如，它知道“客户A”与“产品B”之间不仅是交易关系，还受到“合同C”的约束，且受“法规D”的地理限制。

六、SAP知识图谱的技术规模与影响

据披露，仅针对S/4HANA，SAP知识图谱就涵盖了452,000个ABAP表、80,000个CDS视图和730万个字段。这并非简单的“大数据”，而是结构化的“业务逻辑”。通过将Joule智能体锚定（Grounding）在这一知识图谱上，AI可以避免幻觉，产生符合企业运营规则的输出。

对于非SAP数据，SAP推出了业务数据云（Business Data Cloud, BDC），通过与Snowflake、Databricks等hyperscalers的集成，实现“零复制（Zero-copy）”的数据共享。这种策略确保了AI既能访问ERP的“稳态数据”，也能集成外部的“敏态数据”，在不移动数据的前提下进行联合推理。

七、数据底座的演进：HANA Cloud的多模态智能

为了支撑上述复杂的AI应用，SAP底层的智能 & 数据 & 云数据技术——HANA Cloud——经历了一次结构性的飞跃。传统的ERP数据库优化的是事务处理（OLTP），而AI就绪的数据库需要同时处理向量、图、文本、空间和关系数据。

在2025年第一季度，SAP引入了知识图谱引擎（Knowledge Graph Engine, KGE），使其成为业界首个在同一PERSISTENCE层支持RDF/SPARQL图查询和向量相似度搜索的多模态数据库。这意味着开发者不再需要像以前那样，将向量数据存储在Pinecone、将图数据存储在Neo4j、将交易数据存储在关系型数据库中，然后进行复杂的跨库拼接。

HANA Cloud多模态能力的对比优势

• 统一性：在单一SQL查询中合并关系运算、SPARQL语义推理和向量搜索，消除数据迁移（ETL）延迟。
• GraphRAG能力：传统的向量搜索（RAG）擅长寻找“听起来相似”的信息，但无法处理“多跳推理”（如：谁负责撰写了那份出现异常的Q3报告所属部门的绩效？）。通过结合图引擎，HANA Cloud实现了GraphRAG，能够遍历复杂的企业关系链条提供精准答案。
• 可解释性：在监管严格的金融和制造行业，AI必须解释其决策路径。图谱技术提供了可视化的逻辑路径，满足了合规性要求。

价值兑现的障碍：为什么很多企业还没感觉到AI的价值？

回到用户最初的疑问：为什么AI在ERP世界给人的感觉价值较低？这往往是因为企业在实施过程中掉入了“技术陷阱”。

麦肯锡与OpenText的分析指出，AI价值的流失主要发生在“最后一公里”。

首先是数据迁移的片面性：许多企业在实施RISE with SAP时，为了节省存储成本，只迁移了最低限度的运营数据。这导致AI模型失去了训练所需的历史语境，输出结果往往显得肤浅。

其次是数据清洗过度：企业往往追求异常干净的数据用于报表，但AI需要从“噪音”和“错误”中学习，过度清洗反而抹去了预测风险的信号。

此外，组织设计也是关键阻碍。如果AI生成的洞察（例如预测某零件将短缺）到达业务部门后，依然需要经过层层审批或被经验主义的管理层无视，那么AI的敏态价值在稳态的官僚体系中就会被稀释殆尽。SAP通过在Joule中引入“治理中心（AI Agent Hub）”，试图量化AI的使用率和ROI，将AI从“建议项”推向“必选项”。

稳态与敏态的终极融合——自主式ERP

综上所述，SAP的AI策略并非在稳态和敏态之间二选一，而是通过技术架构的演进，构建一个“在稳态之上运行敏态”的新型企业操作系统。

ERP的“稳态”特征不会消失，因为它代表了企业的合规底线和运营一致性。但AI将这种稳态从“僵化的约束”提升为“智能的底座”。通过BTP的解耦、知识图谱的语义赋能以及智能体的自主执行，SAP正在引领企业迈向“自主式ERP（Autonomous ERP）”阶段。在这个阶段，系统不仅记录过去，更能通过实时推理预测未来，并在风险发生前自动执行修正流程。

对于企业决策者而言，关键的认知转变在于：AI在ERP中的价值不是通过“流量”或“点击率”体现的，而是通过“业务韧性（Resilience）”、“决策效率（Velocity）”和“人力释放（Human Augmentation）”体现的。

我对SAP未来5–10年的判断（一点个人立场）

我认为SAP真正押注的不是某个模型、也不是某个Copilot，而是三件事：

1. ODM成为企业AI的“事实语义层”。
2. AI从“建议系统”升级为“可审计的自动执行系统”。
3. 企业运行模式从“人驱动流程”转向“AI维持稳态、人处理异常”。

Joule、Process Mining、Autonomous Enterprise在我看来都是同一条路径上的不同阶段。

如果您对SAP、企业智能化转型或云栈社区的其他技术话题有更深入的探讨兴趣，欢迎持续关注。