基于晚点聊LateTalk「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」的完整转写整理。嘉宾原欣（袁鑫）拥有近30年企业市场经验，先后在甲骨文、VMware、微软工作，现任SAP大中华区总裁。SAP于1972年在德国华尔道夫小镇创立，从ERP（企业资源计划）起家，经过50多年发展为全球企业级软件巨头，去年收入接近420亿美元，全球百强企业中99家使用SAP软件。

一、SAP是谁：ERP的本质与AI出现前的格局

新的变化

2026年以来，AI coding能力快速发展带动大模型to B热潮，SAP这类老牌企业软件公司受到了前所未有的挑战和质疑。SAP股价从2025年中的高点约300美元回落到160美元左右，资本市场用脚投票表达了对"AI颠覆传统企业软件"的恐惧。

嘉宾观点与解释

ERP就是管理企业"人、财、物"的底座系统。 原欣用一个朴素的方式解释ERP：企业运转最核心的是财务——你要做账、报税、管运营。SAP起家的R/1系统就是以财务为核心，然后逐步扩展到财务业务一体化（把业务数据实时反映到财务）、CRM（从线索到回款的全流程）、供应链和采购（从询价到付款的端到端流程）。所有这些串起来，构成了庞大的企业管理系统。

ERP和飞书/钉钉是两个不同层级。 这是很多人混淆的地方。飞书、钉钉、企业微信属于OA（办公自动化）——管的是日常的IM、会议、文档、审批流，是交互和协同层。而ERP是后台核心业务流程——真正的"业务在哪儿跑"的地方。协同工具里的交互结果，最终都要回传到管人（HCM）、管钱（财务）、管采购、管生产制造的ERP系统里去指导业务运行。飞书和钉钉也尝试渗透到企业应用层（做People、CRM、电子签），但深入到企业核心业务数据平台的进展并不如想象中快——因为一旦深入，就涉及身份管理、权限管理、海量数据集成，复杂度骤增。

SAP撬动的是一个几十倍的产业。 SAP自身收入约300多亿欧元（400多亿美元），但IDC数据显示整个相关产业约1.2万亿美元。SAP暴露的API接口极多——发工资要对接银行和税务系统、电子发票、各种合规要求——沿这条路径长出来的整个生态系统，才是SAP真正的护城河。

二、AI对企业软件的两重冲击：功能替代与定价坍塌

新的变化

AI coding让代码生成效率飙升——简单编码一小时可达两三千行，复杂校验和安全逻辑也有两三百行。这直接冲击了SaaS软件的价值基础和商业模式。

嘉宾观点与解释

冲击一：竞争工具被AI同化，功能不值钱了。 这对工具类、单点SaaS冲击最显性。原欣给出了一组对比：Adobe从高峰约480美元跌到220美元左右（Photoshop等设计工具被AI替代），Zoom基本跌没了（疫情红利消退叠加AI冲击视频会议家具）。而SAP这种大平台SaaS相对抗跌——从2021年上云时约130美元到现在160美元，仍有20%多的增长。单点SaaS跌得更厉害，只有SAP还算正向。

冲击二：定价模式坍塌，这是更本质的威胁。 传统SaaS按user-based（坐席数）定价，但AI时代如果裁员减少用户数，这个模式就撑不住了。原欣判断未来SaaS定价会转向consumption-based（按用量），甚至走向outcome-based（按结果/服务价值付费）。SAP已经在主动革新，但"如何有一个准确的定价模式"是所有SaaS公司面临的共同挑战。

几亿行代码不是简单复刻能替代的。 SAP S/4的代码量是几亿行（一个比较成型的上线应用约两三百万行代码），数量级差距巨大。但原欣强调，真正难复刻的不是代码本身，而是业务逻辑——只要世界还是以碳基生物为主的管理世界，企业运转的形式短期不会大变。SAP沉淀的通用业务底层逻辑仍然有价值。标准化流程已经存在，“你干嘛不用呢？“真正能创造价值的空间在：在既有的标准流程之上，用更高效、低成本的方式serve企业个性化需求——这才是AI的战场。

三、AI复刻不了什么：业务理解、合规体系与企业信任网络

嘉宾观点与解释

企业级诉求 vs 手工作坊：取决于企业生命周期。 原欣做了一个精妙的分层：小公司可以用AI快速build一个应用serve自己，基于人和人之间的trust运转即可——这是阿里陈彧森所说的"日抛式软件”。但如果公司长大、要上市、要对外披露财务报表、要被审计、要出海到不同税务和法规体系，就需要一个"更广泛的大家达成共识的平台”，让数据变成外界可信赖的。合规、审计线索、权限管理，这些是社会基准值的要求，不是手搓一个工具能解决的。

33国关务案例：AI不是"摒弃过去"而是"补充过去"。 一个很innovative的大企业自己做AI报关系统，覆盖全球33个国家的关务申报，准确率只有60-70%——上了AI后人反而更忙了，因为总要查那30-40%的错误来源。SAP介入后，因为他们本身有GTC（全球税务平台）对33国税务的基本理解，加上Document AI做模板配置（每个国家数据项长什么样），不需要每次都跑长上下文消耗大量token，准确率瞬间提升到90%以上，马上33个国家争相上线。

原欣的结论是：探索AI业务价值时，不用完全摒弃以前的东西。 现在业务大部分仍遵循一定之规，你只需要在打好基础的前提下，补充那些以前不规范、读不懂、收集代价高的部分。

四、SAP的AI战略：从"记录系统"到"可执行系统"

新的变化

2026年5月蓝宝石大会上，SAP官宣"自主运营企业"（Autonomous Enterprise）愿景，推出商业AI平台、Joule AI交互界面和50多个Joule智能助手。

嘉宾观点与解释

核心理念：从记录型系统变成可执行系统。 SAP希望让AI执行、人做判断，形成一个loop。Joule作为前端交互入口，通过意图识别指挥Agent——有做augmentation的指令分派Agent，也有做实际落地执行的Agent。这个架构屏蔽了底层S/4几亿行代码的复杂度，让交互界面变得轻量友好。

开放合作：提供最多模型选择，不自己造基模。 原欣解释了SAP不做基模的选择：基模演进速度极快（Cursor也被收购了），领域容易被基模吃掉，SAP希望利用所有最强模型的能力。因此SAP开放给所有第三方——比如AWS跑的模型不跑Azure的，Azure跑的不跑AWS的，各自有闭源模型，而SAP"提供的可用模型数量是最多的"。

自有专属模型：基于结构化数据的垂域模型。 SAP的数据基本以表结构存放，他们自己训练了tabular PT-1.5——专门处理表数据的垂域模型。在具体场景中，比如预测客户未来收款，SAP会聚合不同模型能力：外部大模型获取客户商誉和回款压力信息，系统内部获取该客户历史订单履约的结构化数据（不能有任何幻觉），拼出最符合要求的答案。

Human-in-the-loop是未来5-10年的常态。 以财务关账为例：企业间往来核对（Inter-company Reconciliation），AI可以完成70-90%，但那些导致差异的判断（到底是合理差异还是数据错误）、坏账计提用什么模式计提多少，都需要人做最终审核确认。AI做完日常70-80%自动化工作后，一定需要人为判断才能完成端到端流程。

五、模型到应用的"最后一公里"：数据、人才与组织

新的变化

“模型即产品"在to B市场不太成立。麦肯锡全球调研2000多家企业，88%或多或少在用AI做项目，但只有3%认为真正有回报。大规模上生产的项目并不多，更多还在POC和原型阶段。

嘉宾观点与解释

落差一：以为AI来了苦活脏活就不用干了。 这是CIO们最大的错位。AI可以加速把无序变有序的过程，但这个过程依然存在���以前做数据仓库/数据湖仓一体时耗费大量精力的数据清洗，现在AI可以帮忙加速，但不是"不存在了”。更关键的诉求是：让数据在生成的那一刻就带着充分的业务上下文，而不是事后二次清洗消耗大量token。

体外循环数据是最大盲区。 企业里很多系统到系统的断点是体外循环的——开会、邮件沟通形成决议，最后只把结果记录在系统里，但"为什么形成这个决定"却没有结构化。比如计提比例是开了两个会讨论出来的，这个非结构化的"老师傅经验"需要AI帮忙"征出来"，叠加标准流程，一层层沉淀成企业记忆（company memory），面向未来做决策支持时可自动化执行的部分才会越来越高。

落差二：人才供给断层。 CIO们经常打电话请原欣"推荐个人"。真正懂AI的人都在大厂和startup里怀揣梦想，不愿意加入传统企业——传统企业给不了足够的卡、预算和数据规模，top tier人才又要求带团队过来。AI人才供给侧还没有足够多的人能辐射到传统行业。

落差三：组织挑战远大于技术挑战。 原欣反复强调这是最核心的判断。AI在现实场景中scale up遇到的技术挑战远小于组织挑战。大多数组织里的人不会因为AI来了就自然拥抱AI——有些人是没意愿，有些是有意愿没能力，有些人既没意愿又没能力。越是大型组织，组织关系越复杂，大家越倾向于用熟悉的、了解的、会做的方式一直做下去。 大企业的"重力"更大，用AI拉动它更难。

六、FDE潮流：工程师与业务顾问能力的合并

新的变化

2026年5月，Anthropic和OpenAI各自宣布成立FDE（Forward Deployed Engineer，全量部署工程师）公司/组织，合作方包括麦肯锡、埃森哲等咨询公司以及PE（为其被投企业提供hands-on服务）。微软也成立了FDE团队。

嘉宾观点与解释

FDE与传统驻场工程师有本质区别。 传统ERP实施是：行业专家/财务专家进入客户现场，从希望看到的财务分析结果倒推到科目架构设计，最终落地在一个标准化产品上，个性化的部分做定制化外挂——顾问是懂业务的，做开发的人本质也是consultant。而FDE是把做产品的人直接前置部署到客户那儿，做出来的东西会变成产品本身——更偏底层engineer，从数据角度切入。

FDE正在演进：从纯工程师到工程师+业务顾问的组合。 原欣观察到一个关键趋势：一开始大家以为把coding工程师前置部署，代码就出来了，但发现这中间缺一个"转化器"——懂业务的人能把这个业务变成可以coding的scenario。所以Anthropic/OpenAI都在和咨询公司合作，补上业务理解的短板。

技术能力比业务理解更容易补。 原欣给出了明确判断：让懂业务的人上手驾驭大模型更容易（低代码能力），但让懂模型的人去理解记账是怎么做的——这个跨越很难。基模能力水涨船高会带动效率提升，但行业理解需要时间沉淀。这也是为什么"建厂"的SAP（以业务理解为壁垒补工程能力）与"建厂"的Anthropic（以coding能力为壁垒补业务理解）各自都在补短板。

FDE的终极形态：工程师+顾问合并为综合能力角色。 FDE不会像2000年咨询公司爆发那样十倍二十倍规模增长（因为人效提升了），但"fewer but better"——更少的人、更好的人做这件事。两股力量（偏工程师的FDE + 偏咨询顾问的业务专家）会合并成一种更综合的能力角色。

七、AI渗透行业的规律：谁先动，谁最纠结

嘉宾观点与解释

真金白银付费的大客户动得最快。 他们有足够的数据、痛点（企业大了提效和降本诉求更强）、财力支撑实验。现在IT预算都在削减，AI预算都在增加——没有和AI挂钩的传统IT项目立项都很困难。

轻资产行业先接受，制造业前后两端先AI化。 金融服务、互联网等偏服务类型的行业对AI融入更容易。传统生产制造企业的生产形态变化不大（机器人和智能工厂还没成为主流可替代方案），所以AI冲击集中在前端市场（营销/销售）和后端售后，生产制造侧目前偏供应链多一些，还没进入主流视野。

中型企业（几亿到一百亿）最纠结。 这一层和创始人/一号位的认知强相关：有的企业自然而然拥抱AI，动起来步子也大；有的等别人趟清楚了再入场。原欣观察到一个值得深思的现象：即便是很多很创新、很cool brand的中国企业，在企业管理侧真正愿意投钱做AI提效的并不多。他们更愿意投在"AI赋能产品"上（比如扫地机器人公司优化端侧模型），而不是组织层提效。

中国SaaS为什么没有长出全球巨头：企业心态使然。 中国企业在快速发展时都在追逐top line（营收）增长，抢占市场和客户，底层系统建设非常潦草——“涨得太快了，没有一个喘息的窗口让你好好规划设计”。中国本土SaaS公司也没有好的定价模式和价值认可，能帮助企业把foundation建好。

原欣的核心判断：出来混总是要还的。 AI不会自然而然帮你修复以前不想做的那一摊。用同样的思维指导AI转型，过去犯的错误现在还会犯。基础没打好、数据很乱，新技术来了不是弯道超车——“它不是一个弯道超车的逻辑”。甚至，国外企业看着慢（审批繁琐），但底层基础好的时候，AI一旦赋能，加速度反而更高。

八、Physical AI与中国的产业机会

嘉宾观点与解释

中国的高增长企业可能出现在Physical AI领域。 如果中国走的是"应用+Physical AI+供应链优势"的路线，那未来高成长企业一定出现在Physical AI——必须有自己的生产制造、必须软硬结合。电动车就是一个典型：你可以说它是互联网企业，也可以说它是传统制造企业，最后大家选择从芯片到车都做（把Tier-1空间压缩），它变成了一个组合体。

打好供应链基础是支撑这一波产业升级的关键。 如果未来中国公司大多数的高增长来自Physical AI驱动的软硬结合路线，那把自己的供应链底打好，是支撑高速成长非常重要的一件事。从这个角度看，SAP这样的供应链管理平台"还是有可用之处的"。

九、超级个体与组织变革：公司还会以大公司的形态存在吗？

新的变化

AI释放个人生产力的速度极快——有想法的人，AI帮他实现，超级个体成长的周期被大幅压缩。这直接挑战了一个根本问题：公司为什么存在？

嘉宾观点与解释

公司存在的底层逻辑可能被动摇。 原欣引用了科斯的交易成本理论：公司存在是因为公司边界内的交易成本低于与外部交易。AI打破了很多既有的定价模式，如果公司内的交易成本不再低于外包给一个Agent的成本，公司形态一定会改变。

有拆散的力，也有聚合的力。 让公司变小变分散的力量（AI降低外包成本），和让公司聚合的力量（在AI还是未知时，在一个可信平台的大umbrella下用联邦制方式建立信任背书更好）同时存在。最终形态现在还说不清。

外企人+超级个体=更powerful的组合。 原欣坦言，外企人按流程培养、professional，但缺乏创业心态——“中国的外企人没自己创过业”。SAP现在回归创业心态，鼓励take risk、鼓励超级个体成长（无上限使用Cloud和Cursor）。她认为外企人培养出来的对流程的尊重、对体系架构的熟悉、国际视野——这些专业技能叠加超级个体的AI能力，会变得非常powerful。

组织惯性问题：超级个体外企也有。 有些有想法的人平时按部就班，一旦被激发出来会自己买两三个mini AI在公司"薅羊毛"做各种实现——“扔出去可能就是一个超级个体”。挑战是如何激发更多这样的人，拉动整个组织往前走。

十、中国企业出海与SAP的独特价值

嘉宾观点与解释

SAP天然支持200+国家的税务合规。 这本身就在SAP的产品架构里——有专门的Localization团队做本地化诉求（巴西税务全球最复杂，就有专门的巴西税务组）。中国企业出海到哪里，都可以借助这个已经ready的平台，只需要关心自己的业务。

收并购后的系统整合是天然优势。 很多欧洲企业天然就是SAP用户，中国企业收购后面临系统集成和组织整合问题——SAP在这方面有天然优势。联想就是一个典型案例：从200亿到几千亿规模的历次海外并购和系统整合都在SAP平台上完成，现在还在用Cognative（Process Mining工具）帮联想用AI审视2000多个流程的断点和提效空间。

与阿里合作：通义千问嵌入+钉钉闭环。 在中国，SAP的产品跑在阿里云上，通义千问嵌入SAP的Mass Service成为对外AI服务的模型之一。万森案例很典型：这家服装企业（高端品牌、也给大品牌代工）上了SAP的byDesign ERP（跑在阿里云上），用钉钉做日常协同。老板头疼的是大厂客户（订单延期追单电话不断），AI帮他把ERP数据和钉钉里的追单信息做了闭环，解决了订单履约的核心困扰——这就是SAP+阿里在中国市场能做的AI场景。

十一、技术周期总结：速度变了，本质没变

嘉宾观点与解释

区别是速度，本质是相同的。 AI做到了"技术平权"——每个人都能轻松驾驭，所以演进速度极快。但底层逻辑没变：一个颠覆性的底层技术到影响各行各业，一定有一个过程。从蒸汽机到电力（约七八十年外溢）、到互联网（约二十年），再到AI——外溢周期在缩短，但规律不变。现在看到的"AI小圈子狂欢"一定是在初期，随着时间会外溢到更广泛的产业。

人和组织的交织方式不变。 每次技术冲击都会经历向往→恐惧→学习→摒弃的cycle。对人的技能要求本质上也没变——什么时代都是有学习能力特质的人最终成为金子。人的判断无法规模化，至少在目前技术条件下——人只有一个脑袋，一天不睡觉也就24小时，AI能处理海量数据但人接收不了那么多信号。所以模型到应用之间永远需要一个human的loop。

教育体系需要再造。 原欣在最后提出了一个更深层的判断：怎么在教育体系里培养出更多有能力驾驭AI的个体，这本身也会带来教育体系的再造和颠覆。AI带来的冲击是方方面面的。

结语

这期对话的价值在于：它不是从一个AI从业者或投资人的视角谈AI，而是从一个在企业级市场深耕近30年、管理着全球最大企业软件公司之一中国业务的人的视角，给出了对"大模型to B"最冷静、最接地的判断。

核心信息可以浓缩成几句话：AI对企业软件的冲击是真实的（功能替代+定价坍塌），但企业级市场有自己的运行规律——数据治理是前提、业务理解是壁垒、组织惯性是最大障碍。FDE潮流本质上是承认了"从模型到应用"之间有不可跳过的转化层。而"出来混总是要还的"——任何想用AI弯道超车但不愿补基础数据课的企业，最终都会在下一波技术变革时重新面对同样的问题。