SAP CTO 罕见直言：企业“操作系统”一旦进 AI 时代，旧玩法彻底失效

这期播客里，SAP CTO Philipp Herzig 抛出了一个让很多 AI 从业者不舒服的判断：当 AI 进入企业核心系统，很多你熟悉的工程套路、产品逻辑和“最佳实践”，其实已经过期了。更反直觉的是，最难的根本不是模型，而是设计目标本身。

当“企业操作系统”遇上 AI，问题突然变了

SAP 在企业软件里的位置，有点像“空气”：你平时不讨论它，但全球大量公司的财务、供应链、人力、采购，都跑在它上面。Herzig 在节目里反复强调的一点是——一旦把 AI 放进这种系统，问题就不再是“能不能做个智能功能”，而是“你敢不敢让 AI 触碰公司的核心事实”。

在消费级 AI 世界，我们习惯了“试错”：模型答错了，大不了重来。但在 SAP 管的世界里，一个决策可能影响财报、合规、审计。这也是他所说的那句潜台词：很多看起来很酷的新东西，在这里“essentially， this is over”。不是因为技术不行，而是因为企业系统承受不起不确定性。

这直接解释了一个现象：为什么企业 AI 的节奏，永远比外界期待得慢。但慢，并不等于保守，而是约束条件完全不同。

最大挑战不是模型，而是“为正确结果而设计”

当被问到最大的工程或技术挑战时，Herzig 的回答并不“性感”。他没有谈参数规模，也没有谈最新模型，而是强调：先设计，再谈 AI，而且要“design it then really for the right outcome”。

这句话背后，其实戳中了很多 AI 项目的痛点。大量团队从模型出发：先选一个强模型，再想办法找应用。但在 SAP 这种场景里，顺序是反的——先定义什么是“对的结果”，再决定 AI 在哪里介入。

比如：一个 AI 给 CFO 的建议，究竟是“更快”，还是“更可解释”？是“平均更优”，还是“极端情况下不犯错”？这些都不是模型能替你决定的，而是产品和工程设计阶段必须拍板的事。Herzig 的态度很清楚：如果目标没想清楚，再强的模型都会把系统带向错误的方向。

数据不是越多越好，而是“你收集了什么”

在讨论模型能力变化时，Herzig 提到一个容易被忽略的现实：模型表现高度依赖你到底拥有什么样的数据。听起来像废话，但放在 SAP 语境下，含义完全不同。

企业数据不是互联网文本，它高度结构化、强上下文、强责任归属。一条采购记录、一次库存变动，背后都对应真实世界的约束。也正因为如此，AI 在这里最容易“看起来懂了，其实没懂”。

他隐约点出的难题是：当模型面对跨系统、跨部门、甚至跨国家的数据时，推理步骤本身就成了挑战。这也解释了为什么一些模型“have a really hard time with”企业级任务——不是因为不聪明，而是因为现实世界比 benchmark 混乱得多。

真正的鸿沟，在于采用而不是能力

节目后半段聊到一个很多 AI 创业者不愿正视的话题：能力和采用之间的巨大鸿沟。从技术视角看，很多事“已经能做了”；但从企业视角看，它们“还不能用”。

Herzig 讨论的并不是用户不懂 AI，而是组织层面的摩擦：流程、责任、合规、审计。这些因素叠加在一起，会让一个看似简单的 AI 功能，落地周期成倍拉长。

这也是 SAP 这种公司在 AI 时代的独特价值：它们不只是提供模型或工具，而是嵌在企业运转本身。AI 要真正产生价值，必须顺着这些既有结构流动，而不是强行推翻它们。

给工程师和团队的“反鸡汤”启示

在结尾，Herzig 被问到如何把灵感带回团队。他的态度并不煽情，更像一种冷静的提醒：别被外界的速度焦虑绑架。

如果你在做企业 AI，他给出的隐含建议是——接受复杂性，尊重现实约束，把时间花在设计而不是炫技上。这听起来不“有趣”，但恰恰是最难被替代的能力。

在一个人人都能调用强模型的时代，真正拉开差距的，反而是你是否理解业务的“操作系统”。

总结

这期播客最有价值的地方，不在于具体技术细节，而在于视角的转换：当 AI 进入企业核心系统，成功的标准彻底改变了。对从业者来说，takeaway 很直接——如果你只关心模型能力，你已经落后半步；如果你能定义“什么才是对的结果”，你才站在真正稀缺的位置。一个值得继续思考的问题是：在你正在做的 AI 项目里，哪些假设其实还停留在消费级世界？

关键词： SAP， 企业AI， CTO视角， AI落地， 系统设计

事实核查备注： 需要核查：视频具体时长；Philipp Herzig 的正式职务表述；播客中涉及的原始英文表述是否为转述；引用语句是否为原话或意译。