Christian Klein
在接受 Big Technology Podcast 主持人 Alex Kantrowitz 採訪時，拋出了一個讓很多人意外的判斷：AI 不會殺死企業軟體，但它已經在改變企業運轉的節奏。Klein 是 SAP 的 CEO，這家公司為全球最核心的政府、金融和製造業客戶提供 ERP 系統，把財務、HR、供應鏈和銷售整合進同一套軟體。這場對話錄製於2026年9月，是一次關於企業 AI 落地現實的坦率討論。
這場對話的價值不在於技術展望，而在於 Klein 必須把判斷落成計劃——AI 是否會越過某個關鍵門檻，什麼時候越過，SAP 應該押在哪裡。他不是在預測，他在下注。
1. AI 的"精度牆"：90% 準確率為什麼還不夠
"我們的財務關賬 Agent 今天的準確率是 93%，但審計師不會接受這個數字。"
Klein 用這個例子說明了企業 AI 落地最核心的摩擦點。SAP 已經在為客戶運行財務關賬智能體，但當一家公司向外部審計師提交財務報告，差了 7% 就是不可接受的錯誤，而不是"差不多對了"。這和消費級 AI 的容忍標準完全不同——他讓 Joule（SAP 的 AI 助理）為客戶拜訪準備簡報，95% 的準確率完全夠用，因為即便引用的財報數字是上個季度的，影響也微乎其微。
真正的問題是：不同任務對準確率的要求差著一個數量級，而今天大多數企業部署的 AI 還沒有把這兩類任務區分開來。
稅務申報、供應鏈預測、銷售管道預測——這些任務要求 AI 做到接近 100%，而目前主流 LLM 模型在處理結構化的企業數據時，仍然卡在 90% 到 95% 的區間。Klein 的判斷是：這不再是年為單位的工程問題，而是月為單位的。他認為，對於特定任務，AI 在未來 8 到 9 個月內可以突破精度門檻；而對於供應鏈優化這類更複雜的場景，時間會更長一點，但方向不會變。
2. 數據是地基，AI 是樓——順序不能反
一個聽起來有點沮喪的細節：Klein 在紐約拜訪一位大客戶，對方說他們很喜歡 SAP 的財務關賬助手，但準確率只有 93%，原因是"公司里還掛著 100 個財務系統，有些根本不是 SAP 的"。
Kantrowitz 追問：更聰明的 AI 不應該自己解決這個問題嗎？
Klein 的回答很誠實：AI 會幫助清理，但不會繞過。他的邏輯是，即便 AI 有能力跨系統匹配和修複數據質量問題——SAP 現在確實在 Databricks、Snowflake、BigQuery 等數據湖上做 zero-copy 數據共享和語義層匹配——但這本身需要一個前提：數據能被訪問，語義能被對齊。系統越多、數據孤島越深，Agent 讀到的原始輸入就越嘈雜，準確率自然下降。
這並不是說 AI 無力處理數據混亂，而是說數據治理和 AI 能力是相互解鎖的關係，而不是"AI 可以替代治理"的關係。Klein 認為，AI 會讓數據科學家的日常清洗工作逐漸消失，但不會讓企業繞過建立數據語義層這一步。
3. SAP 的護城河：不是代碼，是上下文
隨著基礎模型越來越強，一個合理的質疑浮現：如果 OpenAI 或 Anthropic 的模型足夠聰明，能不能直接理解財務和供應鏈邏輯，SAP 還有什麼不可替代的地方？
Klein 的答案圍繞兩個詞：行業知識和治理上下文。
SAP 在全球運行著最核心的商業系統，積累了幾十年的行業流程數據和合規規則。他舉了一個具體例子：SAP 現在承接了美國政府的業務，Agent 必須理解什麼是 FedRAMP，哪些數據可以訪問，哪些不能被帶出特定的數據主權邊界，什麼情況下需要人工覆核。這套合規與治理的上下文，不是一個通用 LLM 能從公開網際網路上學到的——它深嵌在 SAP 多年積累的客戶數據、流程模板和審計規則里。
模型變聰明之後，知道"怎麼做"的價值會下降；知道"在這個行業的這個場景里，該做什麼、不該做什麼"的價值會上升。
這也是 Klein 不擔心 OpenAI 和 Anthropic 直接取代 SAP 的原因——他們的邏輯是互補而非競爭的。SAP 接入這些模型的能力，同時提供企業數據層和合規治理層，最終交付的是"可信賴的 AI 運營"，而不僅僅是"會回答問題的 AI"。
4. 誰擁有 AI 界面？這是一場還沒結束的爭奪
Klein 在訪談中觸及了一個企業軟體領域最敏感的話題：當 AI Agent 成為員工的主要工作界面，這個界面究竟屬於誰？
他的觀點是：SAP 的目標是成為"業務 AI 的入口"，而不是被降格成"數據管道"。這意味著 Joule 不只是一個對話窗口，而是一個能協調跨系統工作流的 Agent 平台——它可以調用其他廠商的 Agent，也可以被其他平台調用，但它始終是那個"理解業務上下文"的節點。
這場爭奪涉及的不只是用戶黏性，更涉及數據流向和決策權歸屬。一旦一個 AI 界面成為員工處理財務、HR、供應鏈所有事務的默認入口，它實際上掌握了企業運營最完整的實時數據視圖——這比任何單一軟體模組的價值都要高。
Klein 沒有給出"SAP 一定贏"的保證，但他的邏輯很清楚：誰能在企業里同時提供業務深度和 AI 界面，誰就有機會拿下這個位置。SAP 現在的押注，就是在原有 ERP 核心之上，把 Joule 做成這個入口。
5. Token 成本、更便宜的模型，和企業的真實賬單
企業 AI 支出正在進入一個新的階段——從"試點預算"變成"按 Token 計費的運營成本"。
Klein 坦言，SAP 內部也在重新核算這筆賬。隨著推理成本快速下降，更便宜的開源或小型模型在很多任務上已經足夠用，企業不需要為每一個 Agent 任務都調用最貴的旗艦模型。他的思路是：根據任務複雜度和準確率要求，分層調用不同規格的模型——簡單的內容總結用小模型，關賬合規校驗用更強的模型，這樣才能控制住 Token 支出的增長。
這個分層調用的邏輯，也在重塑企業對 AI 架構的理解。以前談 AI，談的是"用哪個模型"；現在談的是"什麼任務用什麼規格的模型，怎麼組織 Agent 之間的協作，怎麼在不爆掉 Token 預算的情況下跑完一個完整的業務流程"。這是一個工程問題，也是一個成本管理問題。
6. Agent 集群與安全：自主程度越高，風險邊界越模糊
當多個 Agent 協同完成一個業務流程，攻擊面也隨之擴大。Klein 直接點了這個問題：Agent 的自主程度越高，網路安全的挑戰就越複雜。
一個 Agent 如果能自主訪問財務系統、觸發支付流程、修改供應商數據，那麼一旦它被注入惡意指令或者被欺騙執行了錯誤操作，損失可能是即時且難以撤銷的。他認為這是 SAP 必須在產品層解決的問題，而不是讓客戶自己去配置防護規則。SAP 正在把治理層嵌入 Agent 架構本身——包括數據訪問權限、操作審計、異常行為檢測——而不是在 Agent 之外單獨加一層安全產品。
這個方向和監管趨勢也在對齊。Klein 專門提到了歐洲的 AI 法規壓力——歐盟的監管框架對高風險 AI 應用要求強制透明度和可解釋性，而 SAP 的歐洲客戶基礎使得合規成本不是可以繞開的選項，而是必須在產品設計階段就考慮進去的約束。
從這場對話里可以讀出一個清晰的輪廓：企業 AI 的主戰場已經從"能不能用"移動到了"怎麼信任、怎麼治理、怎麼控制成本"。Klein 認為 AI 會在未來幾個月內真正跨越關鍵精度門檻，讓企業敢於把更多核心任務交給 Agent 自主運行。但他同時強調，這不是一個"換掉軟體"的故事，而是一個"在已有的業務系統上疊加可信任的自主層"的故事。那些既有業務深度、又能提供治理框架的平台，將在這輪變局中拿到最重要的位置。
