Big Technology Podcast播客在2026年10月1日首播的一期节目中，主持人亚历克斯·坎特罗维茨（Alex Kantrowitz）邀请到欧洲最大的软件公司SAP的CEO克里斯蒂安·克莱因（Christian Klein），聊了这一年压在软件公司头上的“SaaS末日”担忧，以及招聘、再培训、token开销、网络安全和欧洲监管等一连串经营决策。

克莱因1999年以学生身份加入SAP，2020年成为公司唯一的CEO，据报道，SAP在2024年把他的合同延长到了2028年底。SAP在2026年7月23日发布的第二季度财报显示，截至6月30日，SAP用来衡量云业务未来收入的指标“当期云订单积压”（Current Cloud Backlog）为229亿欧元，同比增长27%，按固定汇率计算增长26%；云收入约63亿欧元，按固定汇率计算增长24%。克莱因在财报电话会上说，当季最大的50笔订单里，超过90%包含了AI和SAP的数据平台Business Data Cloud。这期节目里，他要回答的是：这些数字背后，AI到底会不会反过来吞掉软件。

93%的准确率，审计师不会签字

克莱因给出的第一个数字是93%。他说，SAP做了财务结账智能体，AI已经能理解业务，但准确率可能只有93%。审计师在公司发布财务结果前要逐项核对，如果数字偏差了7%，这份结果过不了关，财务结账需要的是经过认证的、100%的准确率。

这个话题来自坎特罗维茨开场时的一个问题。他说，自己的节目只需要谈论AI会怎样，SAP却必须做规划：如果AI就停在现在的水平，是一套决策；如果它发展一段后撞墙，是第二套；如果进入递归自我改进，是第三套。他问克莱因，SAP押的是哪一种。

克莱因先讲了他在全员大会上给员工看的一座山。SAP已经爬过了云这座山，现在要爬AI这座山，路上有AI必须越过的障碍。大模型热起来之初，客户都在试验，现在客户的问题变成了：价值在哪里？AI能概括邮件、概括文档，但落到业务上，准确率总有上限。另一个障碍是治理。SAP运行的是全球最关键的业务，在美国服务政府和公共部门客户时，智能体必须清楚自己能访问哪些数据、能共享哪些数据、数据最终存放在哪里。

坎特罗维茨追问，他的工作很大一部分就是判断AI能不能越过这些障碍、什么时候越过。克莱因的回答是“100%会”，并且认为这更像是几个月的问题，不再是几年的问题。到了那个水平，企业就可以决定智能体的自主程度，人是否留在环节里，由企业自己定规矩。

坎特罗维茨又确认了一遍：从90多个百分点到100%，几个月内可能吗？克莱因说绝对可能，不过是针对特定任务。SAP接下来会做供应链优化等新的智能体，他估计要8到9个月。

不过克莱因也强调，并非所有场景都要100%。他出差时让SAP的AI同事Joule写一份客户简报，90%准确就够用，最新财报是不是最新一期，偏差一点也无所谓，95%同样可以接受。重要的是，他不再需要一群人在办公室里为每次客户拜访准备材料，因为SAP的数据本来就在系统里，公开信息则由大模型理解。准确率的要求取决于用例。

客户要先清理的，是自己的数据

但准确率并不只取决于智能体本身。克莱因说，就在节目录制前一个小时，他拜访了纽约的一家大客户。对方说喜欢SAP的财务结账助手，只是它只有93%的准确率。克莱因的判断是，这家公司里散落着上百个财务系统，一部分不是SAP的，所以先要“清理房子”。数据质量差、数据孤岛多，智能体再好，也会被拖低准确率。

坎特罗维茨对此有疑问。企业AI试点只有很少一部分能真正投产，常见的解释就是数据基础有问题，那么越来越聪明的AI，为什么不能自己把这个问题解决？

克莱因的答案是，AI本身就会解决这个挑战。他描述了SAP的数据平台：SAP与Databricks、Snowflake、谷歌（Google）的BigQuery这些数据湖提供商合作，通过零拷贝的方式共享数据，不必搬动数据。接下来是语义层的工作，包括匹配数据、修复数据质量问题。SAP的数据平台里，AI会帮助把SAP系统的数据，与赛富时（Salesforce）、人力资源软件公司Workday等系统的数据对上，智能体可以直接访问开箱即用的语义数据层。按他的说法，企业不再需要一支数据科学家大军，每个月把财务数据、人事数据、员工数据和薪资数据来回清洗、对接。AI擅长做这类匹配，这也是智能体背后正在发生的事。

规划周期在变短，文化是另一道坎

业务节奏已经在变快，克莱因说，企业必须重新设计自己的规划周期。坎特罗维茨提到，一些公司的规划从一年一次，缩短成了按季度甚至按月。克莱因认同执行速度确实在提高，并说SAP内部已经要求，供应链规划、财务规划、人力规划，都要把虚拟的智能体和真人员工放在一起看，不能分开规划。软件和AI的进步更快，规划也要跟着快。

坎特罗维茨提到，流程混乱、文化有问题的公司，业务也一样在往前走。克莱因接着这个话头说，文化的确重要。他回顾以往的ERP项目：技术上迁移到新系统，业务端却什么都不改，因为业务本身没有改变的理由，结果只是制造不确定性，看不到业务收益。现在客户的心态已经完全不同，他们认为错过这一波，对公司就是颠覆性的，所以必须变。他对此的概括是：执行速度更快，规划周期更短，业务也更清楚，要么骑上这波浪，要么就太晚了。

员工问的是饭碗，不是累不累

坎特罗维茨先说了自己的体验。他经营着一家基本只有他一个人的媒体公司，开票由Claude Code负责，Claude Cowork即将接手财务预测，还会替他盯收件箱和报销。他的时间因此集中在采访准备和采访上，全是高强度的认知工作，几乎没有喘口气的间隙。他自己喜欢这种状态，却分不清是不是更累了，并引用《华尔街日报》的一篇报道：老板们开始怀念繁琐工作的消失。他问克莱因，SAP有10万人上下，员工怎么说。

克莱因承认，这确实可能发生，要看后续。他说，很多工作会发生剧变，财务和人力里的各类控制、合规检查会被AI智能体自动化，这在过去是成千上万人的全职工作。他自己的经历是，财报发布前，材料已经备好，包括他的发言稿，AI甚至提示他什么时候提高嗓音、什么时候压低，他因此有更多时间专注于怎么把财报讲好。他对工作的判断是，工作类型会变，但他不认为会变得更无聊或更累，只是需要用不同的方式安排日程。

坎特罗维茨再问：真的没有疲劳增加吗？克莱因说，到目前为止没有，他和很多客户以及AI的终端用户聊过，没听到这种说法，大家乐于摆脱流程审批、合规检查和控制。

他在全员大会上真正听到的问题是另一类：我的工作还安全吗？公司会不会重组？克莱因说，他理解这个担忧。同时他强调，SAP现在全速运转，转型全速推进，员工的工作量并没有下降。AI让他们更有效率，但公司在研发、财务、人力等部门并没有没活可干的情况。

岗位会换一种组合

大规模失业会不会发生？坎特罗维茨说，他和克莱因的一位同事聊过这个问题，自己的回答过去是“不会”，现在是“我认为不会”，指的是以目前的技术而言。理由是企业都有庞大的路线图，有想做的事，也有竞争对手在做的事。企业面对的选择是：用更少的人加技术做同样的事，还是留住人，借技术做更多。能活下来的公司会做得更多，靠的是人加技术。

克莱因说他相信这一点，也是这样告诉员工的。他的预期是，SAP的岗位结构会变成不同的组合：公司会招数据科学家、全栈开发人员，其他一些岗位则需要更少的人。这里面有两条路径，一条是对现有员工再培训，另一条是引进带着新技能和新思维的新员工，把他们与经验丰富的同事搭配，因为SAP需要行业领域知识，也需要理解AI底下的那套软件。所以他的说法是，这是一次劳动力转型，并不一定只关乎重组，关键是技能和人员的搭配合适。

再培训最难的，是思维方式

很多人听到“再培训”这个词并不相信。坎特罗维茨说，大家觉得这是学者想出来的好东西，真要对一个做了多年A工作的人说“你去做B工作”，在实践里行不通。他问克莱因见过成功的案例吗？

克莱因的回答是，在SAP内部就有。公司过去有大批开发人员，写的是本地部署软件，如今要写云软件，方式不同：更偏DevOps，写下的代码要自动测试，然后发布上线，上线之后软件是否没有缺陷、系统能否稳定运行，由SAP负责。这是编码方式的变化，也是思维方式的变化。他说，再培训不止是功能性技能的转换，一个人是否愿意走进新领域，也是问题。

他还举了SAP自己推出AI同事Joule Work的例子。节目录制时，已有约8万人在使用，但一开始有抵触：它会对我的工作产生什么影响？我怎么实际用它？它真的有帮助，还是我仍然要纠正它做出来的东西？经过培训和辅导，员工发现事情可以做得更快，可以把精力放到更有价值的任务上，这时他们就愿意在法务、人力、财务、销售部门使用这个工具，也能学会新技能。

坎特罗维茨还提起了自己的书。这本书在2020年4月出版，主张科技巨头已经用AI减少重复性工作、腾出创新的空间，收到的主要反驳是：习惯了把数据从一处搬到另一处的人，不会愿意做更有创造性的工作，因为那需要不同的思维方式、不同的文化和权限。他问克莱因怎么看。

克莱因的回答取决于个人，并拿SAP的产品经理举例。50年来，SAP一直在给软件加客户提出的新功能，产品经理不必常去客户那里，重新想象业务怎么运转，因为多一个功能，软件就能稳定地运行业务。现在，SAP要求产品经理不要坐在公司里，而是去客户那里，重新设计供应链怎么运转、库存怎么优化、薪资未来怎么处理，不再需要一大批人确保发薪正确。对绝大多数员工，这带来的是兴奋，他们觉得自己在重塑未来的工作方式。克莱因也承认，或许有少数人觉得自己习惯了某种工作方式，并不想这样做。他不说每个员工都会迈出这一步，但相信很多人会觉得“这太令人兴奋了”。

七百万个数据字段，能被复制的只有一两个小产品

“用提示词就能做出软件”的想法流行起来之后，有一种说法认为，SAP这类为大众设计的软件，里面有大量用户永远点不到的功能，被氛围编程（vibe coding）做出的新软件取代只是时间问题。坎特罗维茨说这个叙事困扰了软件公司将近一年，请克莱因谈谈当时的反应。

克莱因说，他第一反应是，开发效率确实在飞速提高，为什么别人不能复制SAP用50年搭起的东西？他于是去问产品经理和产品组合团队：产品线里哪些方案可以靠氛围编程轻易复制、替换？答案很快就出来了。一个ERP有700万个数据字段，需要关联的数据超过数亿处，才能理解怎么运行一家企业；背后还有分行业、分国家的深度流程知识，以及各地的合规要求，SAP每年为保持软件合规要投入数亿欧元。结论是，可能有一两个小方案流程和数据背景较少，可以复制，其余的肯定没那么容易做出来。

这给了克莱因信心，但他没有打算松口气。在他看来，价值正在从记录系统向上移到智能体层，SAP的AI必须做到世界级，才能守住记录系统里的位置。

坎特罗维茨换到SaaS末日论者的立场反问：领域知识、流程知识、数据整合，这些壁垒只是因为AI还不够好；等AI够好了，壁垒也就没了。克莱因回应说，前面谈到的准确率，指的是SAP的AI平台，而不是单个大模型：SAP在大模型旁边放上自己的AI基础，用业务数据和业务流程知识训练，构建知识图谱和语义本体层，这样智能体才能达到前面说的准确率目标。只用一个大模型，没办法运营仓库，也做不了财务结账，需要大模型加AI基础，再加治理。智能体也不能在不了解某个国家税务要求的情况下乱做财务结账。他对这些模型的能力没有怀疑，也知道它们在变强，但认为它们需要流程背景、数据背景和治理，这正是SAP50年来的主业。

如果模型公司把最强的模型留给自己

模型公司会不会收回最强的模型？这是坎特罗维茨自己的推论：现在OpenAI和Anthropic这两家模型公司通过API开放最好的模型，未来它们可能把最强的模型收起来，只投入到SAP这类公司已经长期耕耘的问题上，因为它们需要找到赚钱的路径，AI模型不会被商品化，它们只能向上游走。他提到，已经见过OpenAI尚未发布的技术，可以组成多个智能体的蜂群，连续工作88小时，解决最难的数学问题。

克莱因的回答从SAP的平台讲起。无论是业务用户、IT人员还是开发者，都可以在SAP的平台上开发智能体，SAP自己提供数百个面向财务、供应链、人力的标准智能体。平台上接入了各类模型，同时连接着SAP的ERP对业务的了解，这些了解被SAP复制进了它的本体层和数据层。

坎特罗维茨请他解释“本体”。克莱因说，企业既有SAP的数据，也有非SAP的数据。比如做资产管理，智能体要理解传感器数据，也就是机器发出的信号，才能判断机器何时需要维护；再把这些信号与SAP的数据配对：生成维护工单，找到能修这台机器的工人，备件在哪里，所有这些要在时间上衔接，才能避免停机。这套逻辑就是本体，也就是语义层。他的反问是，既然在SAP平台上能找到这些好模型，又能得到语义和治理，企业为什么要去第三方平台？

坎特罗维茨确认：如果这些模型公司把最新模型从SAP平台撤走，自己来做，SAP认为它们做不成吗？克莱因说，多年前也有人这样问过他，对象是超大规模云厂商。这两件事技术不同，但道理类似：云厂商同样强大，运行着世界上最多的系统，也可以说不再提供基础设施。他的观察是，市面上的模型越来越多，竞争是健康的，并不存在一个模型解决所有问题，开源模型、开放权重模型也有出色表现，企业还要看智能体的价格与产出比。不仅要智能体做得好，还要看它花多少成本把事做好，所以他不担心某个供应商不再提供模型。

谁来当入口：Joule Work，还是别人的聊天界面

SAP愿不愿意让OpenAI或Anthropic成为自己软件的前端？坎特罗维茨说明了他的意思：用户过去习惯登录图形界面，或者用SAP的智能体，如今能否通过ChatGPT这样的聊天工具查询SAP的数据？

克莱因的答案是，SAP的界面是Joule Work，也就是SAP的AI同事。SAP把各类模型内嵌其中，用户可以切换：做某些任务用Anthropic的模型，在欧洲看重主权的场景也可以用法国的Mistral最新模型。而界面始终是SAP的工具。同时，赛富时、Adobe这类公司的智能体也会需要访问SAP数据，只要它们通过SAP的API网关和智能体网关，就没有问题。他预期，使用SAP软件的用户主要通过Joule Work，也会有第三方智能体通过智能体网关访问SAP系统，包括OpenAI和Anthropic在内，但必须受到控制，因为让AI智能体在ERP系统里不受控地做事，没人想要。

坎特罗维茨觉得问题还没答完，换了个例子。Meta推出了个人助手Muse，可以替用户购物，但亚马逊（Amazon）拦下了这类第三方智能体，电商平台软件公司Shopify则表示欢迎。他问，SAP走的是亚马逊的路，还是Shopify的路？克莱因说，两种都提供。但他认为，理想的情形是，客户和终端用户会想明白：既然单用大模型得不到同样的业务背景和治理，为什么要单用大模型？单纯的API连接、单纯的MCP服务器，拿不到SAP平台上的本体和语义，也拿不到深层的流程壁垒和治理。SAP管理下，做财务分析时，只有被允许看到数字的人才能拿到报告，智能体懂这套规则。他的结论是，主要路径会通过Joule Work。

股价的过山车，他说已经习惯

今年下跌21%，过去两个月又上涨43%。这是主持人在节目里引用的SAP股价数字。坎特罗维茨说，真正坐下来听克莱因这样的人讲，才发现事情没有一句推文那么简单，市场似乎也在这样回应。他问克莱因，是不是一路坐过山车。

克莱因说是，也习惯了。他在做云转型时，市场也在问SAP能不能成功，股价下跌过，随后又创下历史新高，转型最终证明了可行。眼下是又一次转型，规律相似。不同的是，这一次SAP不是孤身一人，整个软件行业都跌了。他认为，越来越多的投资者、分析师和客户已经意识到，单靠大模型不够，还需要软件、应用、权限、上下文和治理，大模型是释放价值的关键，但必须和业务流程背景、治理结合。他说，过去两个月里很多人在市场上意识到了这一点。

便宜的模型已经够用，SAP也在换

前沿模型占AI支出的比重在下降。坎特罗维茨引用了金融科技公司Ramp的经济实验室数据，Ramp能看到大量创业公司的信用卡支出，他认为可以作为经济整体走向的参照。数据显示，企业AI支出中，前沿模型的占比从53%降到了45%，他举的前沿模型例子是Anthropic的Opus和Fable。这说明企业发现自己不必用最好的AI也能成功。他问，SAP有没有同样的发现？

克莱因说，规律相似。SAP最早也是用大量前沿模型开始编码的，如今编码仍大量使用前沿模型。但对于很多智能体，比如“给我的经理生成一份人员编制报告”“做一份财务报告”，SAP发现一些开源模型表现出色，把成本摆上桌面比较之后，就会切换。SAP在平台上不锁定任何一个模型，并且在不同智能体之间也不使用同一个模型，SAP甚至会自动在模型之间切换，以优化token花费和产出的比例，客户喜欢这种多模型、不绑定的做法，因为每次模型发布都可能改变排名。他还说，SAP已经要求产品经理，每个要发布的智能体都要用不同模型测试，而且要一直做，不少智能体在开发期间已经换到第五个模型。

token开销也在涨。克莱因说，总体token花费上升是好事，但如果员工生产力提高了20%，成本却涨了30%，就没有意义。SAP作为软件公司，要帮客户做这件事，让客户在庆祝生产力提升的时候，不至于回头看损益表发现利润没达标。

坎特罗维茨觉得这里有两层含义：一是AI已经好到前沿模型只适用于特定场景，二是标准模型的性价比极高，往往是10%的价格换80%的性能。克莱因接着举了一个例子：SAP收购了一个表格数据的AI模型，用于预测。他们把一家零售商的SAP数据和非SAP数据全部交给它，没有数据科学家去建数据管道、做语义、匹配数据，这个模型对客户达到的准确率，与过去一个10人数据科学家团队做出来的相当。他说，不只是前沿模型和开源模型之分，针对结构化的业务数据，也有新的模型在出现。

主持人随后给出了自己的判断：如果标准模型就能满足很多客户，前沿实验室又在训练上砸下数十亿美元，那对它们的生意可能是个问题。他也说，不指望克莱因附和，只是需要记录在案。克莱因的回应是，这也是每家前沿模型公司在问自己的问题，但他自己并不担心哪家供应商不再提供模型，因为市场上模型已经太多。他拿SAP做比较：SAP创始人之一哈索·普拉特纳（Hasso Plattner）创办SAP时竞争对手不多，现在有数百个，这是游戏规则，唯一的办法是不断创新，来证明自己的定价；没有明显好过别人，到了某一点，价格就难以支撑。

他还补充了SAP内部的准确率门槛：财务结账、库存、出货这类场景，准确率必须创纪录；SAP有一条规定，智能体准确率要达到95%或更高才值得发布，否则客户不会用。而客户简报这类用例，94%也可以接受，因为准备材料的人节省了时间，可以把精力放在有价值的事情上。不需要总是用最好的模型，要把模型与价格、任务性质以及业务能接受的准确率匹配起来。

token上限：第一个设上限的人，是他不愿当的人

用token最多的那1%员工，人均支出在一个月内下降了9.7%。这是坎特罗维茨引用的另一组Ramp数据。他问克莱因，SAP内部有没有类似的收紧？

克莱因说，SAP也有这样的1%，首席财务官问过，这条线会走到哪里。他自己拖了一段时间才推出token上限，原因是公司一直在对所有人说用AI、再培训自己、变得更有效率，如果他第一个设上限，传出去的信息是他不喜欢的。但到了某个节点，token花费确实涨到必须设限的地步。

SAP的做法是分岗位。对做模型训练的那批人，也就是前面说的1%，SAP没有设上限，因为他们的工作关系到智能体的准确率，而AI的成败取决于此。对开发人员、产品经理、设计师，以及财务、人力岗位，SAP都设了上限，不允许没有看到相应产出的情况下随便试验、消耗token，但阈值设得“健康而且公平”，让大家觉得做本职工作用AI，不会月月撞线。如果有人认为某项任务确实需要更多，可以提出申请，由经理审批，给这个月、这个任务或这个项目更多额度。克莱因说，员工接受得不错，传递的信号也对：没有禁止用AI，也没有让大家很快撞线。

在他看来，比上限更有效的是切换模型：从一个模型换到另一个，成本可以降低十倍，效果远超给各类岗位设token限额。token预算按岗位设置，是三四个月前做的；模型切换则从平台设计第一天就有，但过去SAP忙着把智能体做出来、庆祝成功、拿到客户案例。最近三个月，产品经理才加大了模型切换、测试和优化的投入，开始盯总拥有成本，因为从经济角度看，智能体必须合理。

智能体蜂群，以及网络安全

几百个智能体协同攻关，在前沿实验室里已经出现。据坎特罗维茨描述，OpenAI让数百个智能体对Hugging Face发起攻击，另有智能体蜂群攻克了千禧年大奖难题。但企业里即便说有多智能体系统，通常也只有六七个。他问，从前沿的新行为出现，到进入企业，要多久，智能体蜂群在企业里走到哪一步了？

克莱因说，网络安全是必须一直走在前面的领域，SAP一直在测试不同的模型。至于其他用例，只要新模型发布，SAP就会立刻测试，模型切换在一两周内可以完成，需要改的是API，调整MCP服务器，速度很快。蜂群方面，SAP也在测试，在构建智能体之间协作的A2A场景时，也要测试智能体间的协作以及各模型的表现，这些都在做。

坎特罗维茨说，如果他坐在克莱因的位置，最担心的是网络安全。客户的财务、供应链、销售、人力记录是企业最敏感的数据，如果智能体开始发现零日漏洞，并且可以被人操控，他会害怕。克莱因说，这正是SAP在做的：在公司内部的开发运营模式里，SAP一直在用AI更早地发现漏洞，更主动地测试公司和产品的防火墙，并且在打补丁上用AI。他认为这对每家科技公司都应该放在议程最上面。SAP的网络安全预算在上升，一方面因为在投入AI，另一方面发现漏洞、打补丁的效率也在提升，所以涨幅合理。

总结

克莱因的判断围绕三件事展开：一是企业AI的门槛是准确率、数据质量和治理，他认为准确率这一项几个月内可以追上；二是SAP的价值在于大模型之外的业务数据、流程知识和治理，因此仍然站得住；三是成本已经成为企业AI的硬约束，模型切换和token限额都在SAP内部落地。坎特罗维茨另外追问了两个压力点：前沿模型的定价，以及网络安全。克莱因认为前者是各家模型公司要自己回答的问题，对后者则表示SAP已经把它放在最优先的位置。

marketing@zhiding.cn

PEC 2026 AI创新者大会暨第三届提示工程峰会顺利召开：赢得Token、赢得世界

《AI启示录》：埃森哲，100年前是电机，今天是AI，企业价值正在重新排序