6月2日，SAP發布了《2026 SAP AI價值報告》，以下簡稱《報告》。SAP全球副總裁、全球AI市場拓展負責人Varun Thamba表示，通過對中國各行業企業的調研，既看到了與全球一致的AI發展趨勢，也觀察到了一些中國企業在落地過程中更具本地特徵的挑戰。
他認為，《報告》中有兩個關於中國的調研數據需要重點關注。
第一是，中國受訪企業目前平均34%的工作任務是由AI輔助來完成。
Varun Thamba談到，用AI完成任務，其實覆蓋的範圍很大。既可以是非常簡單的應用，比如在採購場景中，快速檢索與原材料採購相關的合規條款、制度要求，幫助完成基礎的資訊查找與判斷。也可以是更複雜的場景，通過智能體技術，把多個步驟串聯起來，參與甚至驅動完整的業務流程。
第二是，預計2年後，中國受訪企業由AI來輔助完成的工作任務占比將升到52%。
業界一直在討論：人工智慧與人類在工作中的分工比例，最終會走向怎樣的結構？調研顯示，AI正在經歷一個由量變走向質變的關鍵階段，SAP把其稱為「轉型點」。
SAP全球副總裁、全球AI市場拓展負責人Varun Thamba
18%到38%，中國AI回報率預期翻倍
企業其實很難衡量AI的具體投資回報率，核心原因在於成本隱性、收益多元且多數項目尚未嵌入核心業務流程。
近兩年隨著AI與企業的深度融合，AI投資回報率也在穩步上漲，從去年的18%，預計上漲到24%，換算成絕對的金額是1800萬-2000萬美金之間。
中國最大的變化體現在對Agentic AI投資回報率的預期上，中國受訪企業預計今年的AI投資回報率也將達到22%，去年則為18%。兩年後預計將達到38%，較去年的預測值實現了超過四倍的跨越式增長。
中國企業需要注意三個風險信號
風險1：Agentic AI落地需要獲得正確的數據
Varun Thamba談到《報告》中一個有意思的現象。中國受訪企業在討論智能體落地時，通常會關注應用場景在哪裡、哪個部門會率先推進。但SAP的觀察是，哪個部門先部署，最終會回到數據本身。
在所有調研指標中，當被問及「是否已經為Agentic AI的落地做好準備」時，69%的企業認為自己已經準備充分，較去年數據略有下滑。
「下滑背後的原因，是在企業AI真正進入實施階段後才意識到一個現實問題，我有數據，但數據質量不夠好。」Varun Thamba說道。
這在很多企業中表現得非常典型。例如人力資源、財務等部門，雖然長期積累了大量結構化數據，但在嘗試引入Agentic AI時，會發現這些數據在一致性、完整性和可用性上仍有明顯提升空間。類似的情況在物流、供應鏈等運營部門同樣存在，數據可獲得性與標準化程度仍是主要挑戰。
智能體的落地，本質上高度依賴數據的質量。只有建立在可信、可用、可持續的數據體系之上，AI能力才能真正轉化為業務價值，同時也才能更有效地控制潛在風險。
未來兩年，隨著數據基礎能力逐步完善，可以預見AI應用將進入一輪明顯的加速擴張期。
風險2：需要讓團隊員工AI就緒
但隨之而來的一個現實的問題是：當AI與人類員工開始在同一工作環境中協同工作時，如何實現「共存」？
AI正在重塑職場格局，然而現有的培訓體系與崗位設置已跟不上其發展節奏。《報告》顯示，78%的中國受訪企業不認為其公司員工技能提升措施能夠跟上AI工具的發展速度。
73%的中國受訪企業表示，崗位角色的變化跟不上AI工作流程的發展，難以充分發揮其作用。尤其是在大模型和智能體能力持續快速疊代的背景下，模型幾乎以周為單位疊代，這種節奏正在不斷抬高企業整體的運行速度邊界，也倒逼員工必須在更短周期內適應變化、提升產出效率。
因此，這也引出了報告中的另一個關鍵數據：67%的中國受訪企業認為，AI擴大了可處理的任務範圍，也讓員工的工作負荷和責任壓力同步增加。
如果企業在AI技能培訓與組織能力建設上無法跟上技術演進的速度，那麼AI所帶來的效率紅利，很可能無法被完整釋放，甚至會在執行層面被部分抵消。
風險3：需要AI治理框架，實現可信AI
AI治理，是企業尚未意識到的最大挑戰。僅6%的中國受訪企業表示，自身已具備有效治理AI所需的完備技能；僅8%認為其AI治理架構已準備就緒。
這組數據恰巧反映了企業對於自身安全的把控表現上。企業數據中往往包含大量商業機密，而當AI被引入業務流程後，如何確保這些敏感資訊在調用、訓練與流轉過程中的安全性，成為一個繞不開的問題。
Varun Thamba做了一個更直觀的類比：如果一個地區的執法與治安力量嚴重不足，那麼即便規則存在，也難以保證整體秩序的穩定。同樣，在企業AI應用環境中，如果缺乏相應的治理體系與安全能力，再先進的AI工具也可能帶來不可控的風險隱患。
《報告》還顯示，27%的中國受訪企業表示，其智能體部署速度快於標準化與落地能力的速度。因此，AI治理是決定其能否規模化、安全化落地的前提條件。
數據、員工與治理，SAP的三層AI落地架構
SAP從數據、員工與治理三個層面，系統性應對企業在AI落地過程中面臨的關鍵挑戰，形成一套從底層數據到上層應用再到整體管控的完整架構。
最底層是數據治理層。在這一層，SAP的核心能力來自SAP Business Data Cloud（業務數據云），它主要解決企業數據的統一接入與可信治理問題，讓企業能夠在一個受控、標準化的環境中使用高質量數據。
同時，SAP Knowledge Graph（知識圖譜）在其中承擔語義整合與關係建模的角色，不僅打通企業內部數據，也能夠將外部系統、第三方應用乃至開放網路數據納入統一語義體系。在數據進入AI應用之前，就完成格式統一、語義對齊與安全治理，從源頭上保障數據的可信與可用。
第二層是員工團隊AI就緒層。很多人會認為，讓員工真正用好AI，需要複雜的技術培訓甚至重構技能體系。但從SAP「自主運營企業」的角度來看，這個門檻被顯著降低了。
SAP的做法是將各種各樣的Agent嵌入到業務流程中。例如在財務模組中，就已經預置了60多個智能體。員工不需要理解底層模型或AI技術細節，就可以通過智能體直接調用AI能力完成工作。
最上層是治理能力層。SAP的ERP系統已經實現了非常良好的基於規則、全業務流程的治理，現在則是把這樣的一套最佳實踐搬到AI的世界中來。
SAP推出了AI Agent Hub，其作為商業AI平台的重要組成部分，不僅可以統一管理SAP自身的智能體，也能夠納管來自第三方甚至非SAP體系的智能體，目前已經有數百家企業在實際使用這一能力。
Varun Thamba使用汽車整體設計來做比喻。用戶買一輛車之後，汽車音箱、冷氣要自己加裝，甚至儀錶盤也要自己改裝，這個工程不僅複雜，後續維護和升級都會變得非常困難。
企業使用AI也是同樣的邏輯，SAP強調的是一種端到端的體系化方法，圍繞數據、員工就緒能力與治理三個核心環節，構建統一的AI架構。
寫在最後
要讓企業真正持續獲得AI帶來的業務價值，關鍵在於建立一套系統性的AI戰略與落地框架。因為AI能力的建設，本質上是一個長達20-30年的工程。
企業要認清，從AI中真正釋放價值，並不是「簡單上線」，需要一套全新的方法論。無論企業規模大小，都必須把AI嵌入到數據體系與業務流程的核心之中，並圍繞數據、人才與治理三個關鍵支點持續投入，最終走向一種更高階的運營形態，正是SAP所說的「自主運營企業」。
