在数字化浪潮持续推进的背景下，“智能化”“数据驱动”早已成为企业必须面对的关键词。

在本文中，我将逐步拆解：

• SAP 在此次 TechEd 上披露的几项核心技术创新；

• 这些创新对中国／亚太地区企业的意义；

• 企业在实践中可考虑的关键落地路径；

• 未来展望：AI 与企业软件如何更深整合。

希望能为您理解 “企业级 AI 下一步怎么走” 提供一把钥匙。

一、技术基石：AI-原生架构的崛起

在这次公告中，SAP 强调一个关键概念：“AI-原生架构”（AI-native architecture）。也就是说，其不仅是在原有系统上“加 AI 片段”，而是让 AI 成为整套软件与数据架构的核心组成。

1.1 SAP HANA Cloud 与数据织物策略

作为 SAP AI-原生架构的数据库基石，SAP HANA Cloud 扮演了“数据大脑”的角色。公告中指出：

• 新的 Model Context Protocol（MCP）现已全面上线，它支持多模型引擎，让 AI 代理能够“基于完整企业数据情境”进行决策。 
  

• 在后续（2026 年 Q1）将推出知识图谱引擎能力，可自动从 HANA Cloud 的元数据生成知识图谱，从而将原来要花几星期的建模工作缩短到几分钟。 
  

• 引入 “代理记忆”（agentic memory）机制：AI 代理不仅处理当下输入，还可记忆过去决策与输入，模拟“人类”学习与进化。

  
  

  
  

对于中国市场而言，这意味着：企业若具备合适的数据基础（包括表结构、历史交易／行为数据、元数据等），就能在 HANA Cloud 上比以往更快、更智能地开展 AI 驱动的业务创新。

1.2 SAP Business Data Cloud 与 Snowflake 整合

另一重要升级：SAP Business Data Cloud (SAP BDC) 与 Snowflake 的深度整合。公告指出：

• 将推出 “SAP Snowflake” 服务，支持 Snowflake 与 SAP BDC 的零拷贝数据共享。 
  

• Snowflake 用户可通过 SAP BDC Connect，与 SAP／非 SAP 数据建立无缝、实时、语义丰富的数据访问。

  
  

  
  

对于在中国／亚太地区有“多系统–多云–多数据源”特征的企业，这项能力尤为重要：因为现实环境多是 SAP 系统 + 本地系统 +云服务/泛数据仓库多栈并存，而“数据孤岛”与“语义隔阂”正是 AI 推动落地的重大阻碍。

二、重磅亮点：三大核心创新

我们来看三项最具爆点的创新：企业关系型基础模型、智能代理生态、以及开发者工具与主流集成。

2.1 企业关系型基础模型 SAP-RPT-1

在语言模型（LLM）如 GPT-X 盛行的背景下，SAP 提出另一个视角：企业运行的是结构化／关系型数据（表格、供应商、客户、地理依赖等），而传统 LLM 对这类数据的理解并不专精。于是 SAP 发布了 SAP‑RPT‑1（Relational Predictive Transformer-1）——一个专门为关系型业务数据预测而生的基础模型。 它的优势包括：

• 一次训练，支持多个任务：付款延迟、供应商风险、客户流失预测、追加销售机会等。 

• 相比传统窄模型（narrow models），预测质量可提升约 2 倍；相比标准语言模型提升约 3.5 倍。 

• 三个版本：small（快速预测）、large（高精度）、OSS（开源版，Hugging Face／GitHub）将于 Q4 2025 上市。

  
  

  
  

许多中大型企业有丰富的 ERP／CRM／SCM 表格结构数据，但传统 AI 项目往往停留在文本／图像方向。SAP-RPT-1 给了一个“直接用结构化业务数据做 AI”的明晰路径。值得关注的挑战在于：数据治理、表结构语义标准化、业务-模型映射关系，这些将决定“模型真正可用”与否。

2.2 智能代理生态：Joule Agents + Studio + Agent-to-Agent协作

SAP 此次推出的智能代理生态也令人瞩目。关键内容有：

• “Joule Agents” 是 SAP 在其业务套件中提供的预构建智能代理，目前已有 40 个代理、2100 个 Joule Skills，并预计至 2025 底实现 400 个用例。 

• “Joule Studio” 提供低代码／拖拽界面，支持用户构建自定义代理，并与其他 Joule Agents 及 SAP BDC 集成。 

• “Agent-to-Agent (A2A)” 协议即将推出，使代理之间（SAP 或第三方）可发现互操作，实现任务跨代理编排。SAP 与 AWS、Google、Microsoft、ServiceNow 等合作推进该标准。 

• 针对开发者，SAP Cloud SDK for AI 支持 “代码优先” 建设，实现深度整合与灵活性。

  
  

  
  

许多企业内部存在“流程碎片化”“系统孤岛”问题。智能代理生态提供了一个思路：从“角色+任务”维度出发（比如：财务助理、供应商风险监控助理、现金收款助理）进行智能化部署，再通过低代码工具或开发平台扩展定制。值得一提的是，“跨代理协作”对更复杂的流程自动化尤为关键。

2.3 开发者工具 & 平台升维

最后，SAP 在开发者工具、语言集成、云基础设施、安全/主权可控等方面也展开布局：

• 面向 ABAP 开发者：推出 ABAP Cloud 在 VS Code 中的扩展，支持 AI 辅助及现代 ABAP 开发体验。 
  

• 数据主权/欧洲可控基础设施：SAP 在德国沃尔道夫数据中心与 Deutsche Telekom 的合作，聚焦欧洲企业对数据保护、可信 AI 的需求。 
  

• 展望量子：SAP 虽不造量子硬件，但专注开发业务用量子算法，与 IBM 等合作，做好“软件即服务”状态下的量子准备。

  
  

  
  

这些布局告诉我们：AI 不仅是一个模块，而是从数据层、模型层、代理层、基础设施层、开发者层的全栈转型。再就是数据安全和数据主权非常重要。

三、为什么这些创新对你／你的公司重要？

如果你所在的公司是中国／亚太地区中型或大型企业，下面几个维度值得重点思考。

3.1 从 “加 AI” 到 “AI 驱动流程”

过去，“AI 项目”可能是“某个文本分类”“个别预测模型”，但现在 SAP 的公告显示：AI 已进入“流程”核心（如物流、仓库、财务收款、供应商风险、客户续约）。这意味着：

• 企业需要构建“流程＋角色＋任务”视角，而非“模型＋数据”。例如：财务角色下的“现金收款助理”既是流程角色，也是智能代理。

• 数据准备必须基于流程角色，而不仅基于孤立模型。SAP HANA Cloud 的多模型语义支持、知识图谱、生长期记忆，正是为此设计。

  
  

3.2 系统整合与语义打通

很多企业挑战集中在：数据来源多（SAP 系统／本地系统／云服务）、语义不同（供应商 ID 在不同系统不同）、流程跨系统。SAP-BDC ＋ Snowflake 的深度整合能力，提示我们：

• 在引入 AI 前，要先做好“统一数据语义、统一模型语义”基础工作。

• 零拷贝、实时访问意味着新的部署方式：数据不用大量搬移、但要具备实时性／语义桥接。

• 在中国语境下，还要考虑本地数据政策、合规要求、安全与主权。SAP 在欧洲的数据主权布局可给出参考。

  
  

3.3 可扩展性与开发效率提升

当智能代理生态、低代码-拖拽构建、自定义扩展与开放 API 可用的时候：

• 企业的 AI 不再只是“试点”而是“可扩展”。从 1 个代理扩展到整个组织角色网络。

• 开发者既能使用低代码，又能自由编码，这对企业内技术能力有利：可“快启动＋深定制”。

• 代理之间协作（A2A）意味着未来智能化不再是孤立代理，而是一个“智能团队”协作过程。思考好“谁是代理”、 “代理如何协作”将成为新题。

  
  

3.4 面向未来：量子、物理设备与主权可控

SAP 提出的“物理 AI”（与机器人集成）与“量子算法”虽然尚处于早期，但提醒我们：

• 企业要有“未来准备”。不仅要做今天的 AI 数据预测，还要思考“机器人+流程”“量子用例”如何进入业务。

• 在中国／亚太地区，很多行业（制造、物流、仓储）都与物理设备强耦合。SAP 推动机器人与 Joule 代理集成正好契合这一趋势。

• 数据主权、可信 AI、可解释 AI 将成为长期竞争力。SAP 在欧洲的布局值得借鉴。

四、落地建议：你公司下一步该做什么？

实践比理论更关键。以下为你公司（尤其是在中国／亚太地区）可参考的三步推进建议。

4.1 第一步：梳理流程＋角色＋任务地图

• 选定 2-3 个关键流程（如：供应商管理、客户续约、财务收款／支付）进行梳理。明确“流程参与角色”“主要任务”“数据来源”。

• 为每个角色思考“如果有智能助理（代理）参与，会做什么事情”“需要什么数据”“预测／推荐／自动化结果”。

• 在做完流程地图后，评估目前系统中数据是否齐备，语义是否统一，是否存在延迟／孤岛。

  
  

4.2 第二步：数据准备与语义统一

• 建立统一的数据语义层（如：供应商 ID、客户 ID、产品 类别、地理 维度）。这对 SAP HANA Cloud 的知识图谱、语义 搜索、长期记忆机制支撑尤为重要。

• 确保系统中结构化数据（表格、事务数据、供应商关系、地理数据）整合完备。SAP-RPT-1 就是基于这种结构化数据而生。

• 如果已有 Snowflake、数据湖、SAP 系统 等多栈结构，考虑通过 SAP BDC Connect ／ SAP Snowflake 的整合策略。

  
  

4.3 第三步：智能代理快速试点 + 扩展路径

• 利用低代码方式（如 Joule Studio）快速构建一个“代理原型”，选定一个角色（如：应收／应付助理）并上线测试。

• 并发评估代理效果：其对流程的改善、预测准确性、业务价值（比如减少支付延迟、提高收款效率）。观察 SAP 公告中的案例：300+ 用例为一个 100 亿欧元年收入公司创造了 4.41 亿欧元价值。 
  

• 制定扩展路线：从单一代理扩展到“代理网络”＋“跨代理协作（A2A）”＋“物理设备（如机器人或现场自动化）”。同时预研“量子用例”作为长期准备。

五、聚焦中国／亚太市场的特殊视角

• 数据合规与主权：中国有自己的数据合规政策、跨境传输要求。SAP 在欧洲布局的数据主权解决方案（如德国沃尔道夫数据中心）可为中国企业考虑“可信 AI”提供参考。 

• 云与多系统环境：中国企业常常面临“公有云＋私有云＋本地系统”混合环境，SAP 与 Snowflake 的整合能力以及 HANA Cloud 多模型支持可缓解多栈复杂度。

• 制造／物流行业机遇：中国在制造、物流、仓储、供应链拥有强大基础设施。SAP 提出“物理 AI”与机器人集成正好切中制造／智能物流升级需求。 

• 开发者生态与人才落地：智能代理生态、低代码/高代码混合模式、ABAP Cloud VS Code 集成，说明 SAP 正在降低技术门槛。中国企业可借助此生态提升自身「AI 人才＋流程创新」能力。

六、未来展望：AI 与企业软件的深度融合

• “AI-原生软件”将成为主流：不再是“在软件里加 AI”，而是“软件本身是 AI”。SAP 的架构即指向这一方向。

• 辅助决策向自动执行转变：从“推荐”→“预测”→“自动执行”。通过代理协作与物理设备集成，未来智能代理可能直接发起并执行业务流程。

• 业务模型重塑：AI 赋能后的流程可能催生新业务模式。例如：供应商风险管理从事后防控变为实时预警并主动协作。

• 量子＋物理 AI 的中远期价值释放：量子算法虽然尚处起步阶段，但对企业级计算、优化建模、复杂预测有潜力。SAP 已经开始布局。

七、总结

在这次 SAP TechEd 上，SAP 给我们展示了一张相当清晰的 “企业级 AI”路线图：从数据基础（HANA Cloud、BDC ＋ Snowflake）到模型革命（SAP-RPT-1），从智能代理生态（Joule Agents / Studio / A2A）到未来物理/量子融合。对于中国／亚太地区的企业而言，这不仅是一个“技术公告”，而是一个“可操作的转型蓝图”。

如果你负责企业数字化、AI 化、流程优化，以下最值得记住的是三点：

1. 流程＋角色＋任务是落地智能化的关键入口。

2. 数据语义统一、系统整合是不可省略的基石。

3. 智能代理原型试点＋可扩展策略是走向规模化的路径。

最后用一句话总结：企业级 AI 的时代已经到来，落后的不是技术，而是“你准备好了吗”。