AI冲击企业软件巨头？与SAP原欣聊大模型 to B 的颠覆与边界

概览

本期围绕 AI，尤其是 AI coding 与智能体，是否会颠覆 SAP 这类老牌企业软件公司展开。讨论从 ERP 的基本功能、企业级软件的复杂性讲起，逐步进入大模型在 to B 场景中的机会、边界和落地难点。

核心结论是：AI 会显著改变企业软件的交互方式、开发效率和商业模式，但并不会自动替代企业长期沉淀的业务流程、合规要求、数据结构和行业 know-how。嘉宾认为，企业级场景里“模型即产品”并不充分，真正困难的是把模型能力嵌入组织、流程和可信数据之中。

后半段重点讨论 FDE、企业 AI 转型、不同规模企业的采纳路径、中国企业出海，以及 SAP 与阿里等本土生态的合作。节目最后把 AI 放到更长的技术周期中看：AI 的扩散速度更快，但技术外溢到产业、组织和人的过程仍然需要时间。

分段落总结

[01:29] 节目背景与核心问题

[事实] 节目介绍 SAP 从 ERP 起家，经过 50 多年发展成为全球企业软件公司，全球百强企业中大多数是其客户。 [事实] 本期要讨论的问题包括：大模型在复杂企业需求中的机会和边界、老牌企业软件公司的积累与变化，以及 FDE 潮流是否会持续。 [推测] 这一期开场把 SAP 放在 AI coding 与 to B 大模型热潮的压力测试中，核心不是介绍公司，而是讨论老牌软件的护城河会不会被重估。

[02:29] SAP 与 ERP 的基本盘

[事实] 嘉宾介绍 SAP 在 ERP 领域被许多从业者直接等同于 ERP，本身是一个全球化、员工规模很大的 2B 软件公司。 [事实] SAP 近年从企业应用软件定位，转向希望成为“商业智能”软件，并提出自主运营企业的产品方向。 [推测] SAP 的自我叙事从“管理系统”转向“智能商业系统”，反映其希望把 AI 纳入核心产品战略，而不是作为外挂功能。

[04:48] ERP 管什么：人、财、物与端到端流程

[事实] ERP 被解释为 Enterprise Resource Planning，即企业资源计划管理平台，核心管理人、财、物。 [事实] ERP 最早以财务为核心，后来扩展到财务业务一体化、从线索到回款、从采购到付款等端到端流程。 [事实] 嘉宾强调，ERP 不是单一模块，而是支撑收入、采购、供应商、订单、付款等流程联动的企业管理系统。

[06:41] ERP 与飞书、钉钉的边界

[事实] 飞书、钉钉等更偏办公协同，包括 IM、会议、文档、审批流等日常交互。 [事实] ERP、HCM、财务、采购、生产制造系统则更偏后台，真正业务流程仍在后端系统中运行。 [事实] 嘉宾认为 AI 出现后，原有办公协同与后端系统的边界会被重新审视。 [推测] 这意味着 AI 可能改变入口和交互层，但不等于后端业务系统复杂度消失。

[08:19] 企业应用复杂性的来源

[事实] 进入企业管理流程后，会涉及身份管理、安全管理、数据集成、薪资计算、税务规则和全球合规等复杂问题。 [事实] 一个看似简单的人力或薪资系统，在全球化企业中会受到不同地区税务、薪资和监管规则影响。 [事实] 嘉宾用工资、银行、税务、电子发票和 API 对接说明，企业软件生态之所以庞大，是因为外部协同和安全要求很多。

[10:49] 单点应用与大平台的差异

[事实] AI 出现前，企业软件已有 Workday、Salesforce 等偏单点领域的 SaaS 产品；SAP 则更像大平台。 [事实] AI 在发票识别、OCR 等单点提效场景中效果明显，但把整个企业系统 agent 化的实操难度更高。 [事实] 嘉宾引用观点称，软件迭代之外还会有更高的变革管理成本，单纯换平台并不能完成 AI 转型。

[12:47] AI 对 SaaS 商业模式的冲击

[事实] 嘉宾认为 AI 对 SaaS 的冲击不只来自功能替代，也来自传统按用户数收费模式受到挑战。 [事实] 当 agent 替代部分人类用户后，按席位计费的逻辑会被削弱，未来可能转向按用量或按结果收费。 [事实] 节目中讨论了 consumption based pricing 和 result as service 这类新定价方向。 [推测] 企业软件公司的估值压力，部分来自市场对旧计费模型可持续性的怀疑。

[17:54] AI coding 能替代什么，难替代什么

[事实] 嘉宾承认 AI coding 会降低编码成本，使部分原本值钱的代码生产能力变得不那么值钱。 [事实] 但 SAP S/4 等系统包含大量代码和长期积累的业务逻辑，简单复刻代码并不等于复刻企业运营能力。 [事实] 嘉宾认为标准业务流程仍然有价值，AI 更大的机会是在标准流程之上低成本满足企业个性化需求。 [推测] SAP 的核心防御点不是代码行数本身，而是代码背后的业务规则、流程结构和行业语境。

[21:04] 小公司、日抛软件与大企业信任机制

[事实] 对小公司而言，用 vibe coding 或低成本工具快速做出临时应用，满足可见、可管的需求，是可行的。 [事实] 对上市公司、全球化企业或需要外部审计的企业而言，权限、审计线索、合规和可信数据更关键。 [事实] 嘉宾强调，企业成长后需要在更广泛共识平台上让数据可信、可被外部消费。 [推测] “日抛软件”更适合低风险、轻协同、短周期场景，很难直接覆盖大型企业核心系统。

[25:13] SAP 的自我颠覆与交互层变化

[事实] 嘉宾承认 SAP 需要自我颠覆，继承业务和行业理解，同时改善复杂、实施周期长、交互性差等问题。 [事实] SAP 的工作助手通过自然语言理解用户意图，并调度不同 agent 或 assistant 执行任务。 [事实] AI 被用来屏蔽底层复杂度，让用户界面更友好、更轻量。

[27:39] 大公司会不会消失

[事实] 嘉宾提到 SAP 80% 的客户其实是中小企业，但大型企业因复杂度高，对系统依赖更强。 [事实] 他从公司存在的交易成本逻辑出发，认为 AI 可能改变公司边界，让组织变小、变分散。 [事实] 同时他也指出，面对未知技术时，大平台和联邦式组织可能提供信任背书，所以也存在聚合力量。 [推测] 未来组织形态不是简单变大或变小，而可能在分散执行与可信平台之间重新平衡。

[31:55] 自主运营企业愿景

[事实] SAP 的自主运营企业愿景强调人在回路中，由 Joule Work 作为前端交互入口，识别意图并辅助工作。 [事实] 如果现有 agent 不能满足需求，用户可以进入 studio 自建 agent。 [事实] 嘉宾说 SAP 希望把应用层打薄，把更多数据和流程暴露给 agent 层，以支持 SAP 与非 SAP 数据交互。 [事实] 他把目标概括为：把 SAP 从记录型系统变成可执行系统。

[35:28] 为什么仍然需要人在回路中

[事实] 嘉宾以财务关账为例，说 agent 可能完成 70%、80% 甚至 90% 的自动化工作。 [事实] 汇率差异、数据错误、坏账计提等判断仍需要人来审核、确认和决策。 [事实] 他认为未来 5 到 10 年，复杂企业作业仍会是人在回路中的形态。

[37:05] SAP 的模型策略

[事实] SAP 没有把重心放在自己做通用基础模型，而是与 Anthropic、Google、微软等模型和云厂商合作。 [事实] 嘉宾表示 SAP 希望开放接入不同模型，并针对不同场景选择合适模型。 [事实] SAP 也在做基于表格和结构化数据的专属模型，用于预测、结构化数据分析等场景。 [推测] SAP 的策略是把模型能力作为可替换组件，把自身优势放在企业数据、流程和应用编排层。

[41:01] 模型到企业应用之间的 gap

[事实] 嘉宾认为在当前条件下，把模型直接扔进 2B 场景肯定不够。 [事实] 财务等场景不能接受 99% 准确率，因为现实业务中任何不准确都可能不可用。 [事实] 企业需要通过 agent reflection、校正、结构化数据和场景判断，选择合适技术手段。 [推测] “模型即产品”在企业核心流程中难以成立，因为企业更需要确定性、可解释性和责任边界。

[44:01] 数据清洗、企业记忆与 FDE 的起点

[事实] 嘉宾提到很多 CIO 的压力来自老板看到 AI 案例后要求“我也要”，但底层数据问题并不会因 AI 自动消失。 [事实] AI 可以加速数据清洗，把无序变有序，但不能让数据治理过程不存在。 [事实] FDE 需要在历史数据中梳理 business object，建立本体，才能支撑 agent 运行。 [事实] 企业记忆由标准流程、非结构化数据和线下决策沉淀共同构成。

[47:55] 传统企业的 AI 人才落差

[事实] 嘉宾观察到，真正懂 AI 的人多在大厂或创业公司，传统企业想招 AI 人才并不容易。 [事实] AI 人才往往会要求算力、预算、数据和团队配置，而传统企业未必理解或满足这些条件。 [推测] 传统行业的 AI 落地瓶颈不仅是技术采购，更是人才供给和组织吸引力不足。

[49:02] FDE 与传统实施顾问的区别

[事实] 嘉宾指出，早期 FDE 更偏产品和技术侧，而 SAP 传统实施顾问更偏行业、财务和业务流程理解。 [事实] 传统 ERP 实施是拿标准产品理解客户，再做必要的客户化开发；FDE 则更像把产品工程能力提前部署到客户现场。 [事实] 现在的 FDE 仍需要懂业务的人把客户需求转化成可 coding 的场景。 [推测] FDE 的长期形态可能不是纯工程师，而是工程能力与业务咨询能力的结合体。

[53:10] FDE 生态与业务 know-how 的价值

[事实] Anthropic、OpenAI、微软和 SAP 都在建立或参与 FDE 相关团队，并与咨询公司、PE 等合作。 [事实] 嘉宾认为大家对实现方式形成一定共识，但 FDE 最终沉淀成什么产品或能力仍在探索中。 [事实] 他举例说，一个全球 33 个国家的关务申报 agent 原本准确率只有 60% 到 70%，SAP 结合税务平台和 Document AI 后提升到 90% 多。 [推测] 这个案例说明，AI 落地并不是抛弃旧系统，而是把既有规则、模板和业务知识与模型能力结合。

[57:48] 大模型公司与 SAP 的竞合

[事实] 嘉宾认为 Anthropic、OpenAI 等进入企业服务领域肯定会带来竞争，但 AI 世界本身是竞合关系。 [事实] SAP 的长处是业务理解，模型公司的长处是 coding 和模型能力；双方都在补短板。 [事实] 他个人判断技术相对更容易补，业务理解更难补。 [事实] 他还强调，AI 在现实场景规模化时，组织挑战往往大于技术挑战。

[60:49] FDE 是否是长期就业方向

[事实] 嘉宾认为 AI 会提高人效，未来可能是更少、更好的人完成更多工作。 [事实] FDE 这个概念在不到一年里已发生很多演变，最终形态仍不确定。 [事实] 但他认为企业流程、组织、数据、客户业务理解以及业务到代码的转化都逃不掉，因此业务与技术结合的岗位仍会需要。 [推测] FDE 未必复制 2000 年前后咨询行业的爆发规模，但会推动咨询顾问和工程师能力融合。

[64:31] 不同规模企业的 AI 采纳差异

[事实] 嘉宾观察到，真正愿意真金白银投入 AI 的大客户更多，因为他们有数据、痛点和预算。 [事实] 传统 IT 预算被削减，AI 预算增加，传统项目如果不与 AI 挂钩会更难立项。 [事实] 他引用麦肯锡调研称，很多企业尝试 AI，但认为真正有业务回报的比例较低，生产级项目并不多。 [事实] 小公司可能用开源或 AI 工具快速跑起来，中型企业则更受创始人或一号位认知影响。

[68:14] 中国企业的系统基础与 AI 基建补课

[事实] 嘉宾认为很多中国企业快速发展时追逐 top line，资源集中在市场、客户和售后，底层系统建设相对潦草。 [事实] 他认为中国本土 SaaS 公司没有形成足够好的定价模式和价值认可，难以支撑企业把 foundation 建好。 [事实] AI 不会自动修复过去没做好的数据、流程和系统基础。 [推测] 对中国企业而言，AI 转型常常先要补信息化和数据治理的课，而不是直接弯道超车。

[72:03] 哪些行业会更快接受 AI

[事实] 嘉宾认为轻资产、服务型行业，包括金融服务、互联网企业，相对更容易融入 AI。 [事实] 传统制造业中，AI 当前更多冲击市场端、售后端和供应链，生产制造本身还没有成为主流应用视野。 [事实] 他提到 Physical AI 可能成为中国未来高成长企业的重要方向，尤其是软硬结合与供应链优势结合的领域。 [推测] 如果 Physical AI 成为主线，供应链和制造基础会重新成为 AI 企业竞争力的一部分。

[75:35] SAP 的创业心态与超级个体

[事实] 嘉宾说 SAP 希望重回创业心态，重新做一遍，并承认老牌公司也面临人的转型挑战。 [事实] 他认为 AI 对个人生产力释放很大，有想法的人可以借助 agent 快速实验和实现。 [事实] 在外企内部，也可能通过无限制使用 AI 工具等方式激发有想法的员工成长为“超级个体”。 [推测] 老牌组织的转型难点不只是技术路线，而是能否激发内部人才突破按流程执行的惯性。

[79:41] SAP 与阿里生态合作

[事实] 在中国市场，SAP 产品首先落在阿里云基础设施上，并把通义千问模型嵌入到模型服务中。 [事实] SAP 与阿里也在 FDE、后训练、共同客户场景上探索合作。 [事实] 嘉宾举曼森服装企业案例，说明 SAP ERP、钉钉数据和 AI agent 可以形成订单履约闭环，解决追单、排产和执行效率问题。

[82:24] 中国企业出海与全球化支持

[事实] SAP 自身在 150 多个国家运营，并支持超过 200 个国家的税务和合规要求。 [事实] SAP 有 localization 团队处理各国本地化诉求，包括税务、合规和产品更新。 [事实] 中国企业出海和收并购时，常会遇到被并购企业已有 SAP 系统、组织集成和流程整合问题。 [事实] 嘉宾以联想为例，称 SAP 从其 200 亿规模到几千亿规模持续合作，并用 Signavio 做流程挖掘和提效分析。

[86:00] AI 与过往技术周期的相同和不同

[事实] 嘉宾认为 AI 与本地部署到云、信息化到智能化等变化相比，最大的区别是速度。 [事实] 自然语言交互降低了技术使用门槛，使更多人可以直接驾驭 AI。 [事实] 但他认为底层逻辑没有变：突破性技术从小圈子扩散到各行各业，总需要时间。 [事实] 人仍然既有创新力也有抵抗力，人的判断、组织和社会结构仍会影响 AI 的落地速度。

播客点评/总结

[推测] 这期的价值在于，它没有把 AI 对企业软件的影响简化成“颠覆”或“不颠覆”，而是拆到代码、流程、数据、合规、定价、组织和人才等多个层面。对关注 to B AI 落地的人来说，这种视角比单纯讨论模型能力更接近真实业务环境。

[推测] 节目的亮点是嘉宾能把 SAP 的利益相关立场和企业软件的长期复杂性讲清楚，尤其是 FDE、企业记忆、关务 agent、曼森和联想案例，让“AI 落地最后一公里”变得具体。

[推测] 局限在于讨论主要来自 SAP 视角，对新兴 AI native 企业可能如何真正重构 ERP 或企业系统，展开还不够充分。适合企业软件、SaaS、AI 应用、CIO/数字化团队、咨询顾问以及关注中国企业出海的人收听。