当一位对 AI 寄予厚望的企业高管跟下面的运营团队说，" 我希望用了 AI 能给流程节约成本带来 20%-30% 的效益提升。"

接下来会发生什么？

这句话传达下去之后，各个部门各自开始做 AI 实验——有的团队在代码方面做优化，有的做业务流程，有的做采购决策。每个团队做实验都要消耗大量 Token，一段时间下来，管理层发现一个尴尬的事实：实现了自动化，但 Token 的费用已经超过了雇一个人专门做的成本。

这是 SAP 全球副总裁 Varun Thamba 在 SAP 中国峰会上分享的案例，源自他看过的一篇报道，而报道描述场景在当前企业中很常见。

SAP 进行了一项覆盖 13 个国家、2600 位企业高管（其中 200 位来自中国）的 AI 调研，结果显示 39% 的中国企业采取的是零散式 AI 策略，各部门各自行动，做了大量 POC（概念验证），却很难形成可规模化的价值。只有 18% 的企业有战略性整体规划。

与此同时，一组数据也值得关注：中国企业的 AI 投资回报率从去年的 18% 涨到了 22%，预计两年后可能达到 38%。数字在涨，但 SAP 的调研同时揭示了一个隐藏的代价—— 67% 的受访中国企业认为，AI 确实扩大了可处理任务的范围，但也让员工的工作负荷和责任压力同步增加了。

这不止是中国企业 AI 落地的年度群像，根本挑战来自哪里？ 

三个 " 未就绪 "

Varun Thamba 把企业 AI 落地面临的瓶颈归纳为三个维度：数据未就绪、员工未就绪、治理未就绪。 

数据。调研中，当企业被问及 " 落地智能体 AI 是否准备好了 " 时，69% 的中国企业认为自己目前的数据已为 AI 做好准备，较去年的 70% 略有下降。

原因很直接：很多企业在规划 AI 时并不知道自己是否具备足够高质量的数据。

" 当他真正开始做这件事情的时候，会突然意识到，我有数据，但是这个数据还不够好。"Varun 说，人力资源部门和财务部门拥有大量数据，但做 AI 时才发现数据的完整性和准确性远不达标。

员工。78% 的中国受访企业表示，员工技能培训跟不上 AI 技术迭代的速度。AI 几乎按周在进化，这意味着员工必须在更短的时间内掌握新工具、适应新流程。

治理。只有 6% 的中国企业认为自己具备有效治理 AI 所需的完备技能。在 Varun 的比喻中，这意味着 " 在一个地方，你的警力是不足的，无法确保在这里的人是真正守法的 "。

上述三个维度叠加在一起，构成了一个企业级 AI 落地的完整困境：系统碎片化、数据孤岛、语义不一致，使得 AI 难以真正融入核心业务并规模化释放价值。

更深层的 " 弱链 "

SAP 大中华地区总裁原欣在峰会主旨演讲中，用一个经济学争论把这个问题推到了更宏观的层面。

乐观派的代表是斯坦福大学教授 Erik Brynjolfsson，他在 2026 年 2 月的《金融时报》上预测，2025 年美国生产率因 AI 提升到 2.7% ——这个数字看起来不高，但已是过去十年的 2 倍。

悲观派的代表是麻省理工的 Daron Acemoglu（2024 年诺贝尔经济学奖得主），他认为 AI 可覆盖的可盈利自动化运营部分只占经济总量的不到 5%，未来十年 AI 对美国生产力的提升只有 1.1 个百分点。

" 悲观的 1.1%、乐观的 2.7%。对于我一个在 IT 圈子里看到以年计、以月计的工作被 Agent 以天、以小时计完成，生产效率提升几十倍上百倍的人，怎么放到大的经济环境里只有个位数的影响？" 原欣说。

她的答案是一个斯坦福教授 Chad Jones 提出的理论——弱链（Weak Link）。这个理论说，木桶能装多少水不取决于最高的板，而取决于最低的板。在整个技术变革中，企业需要找到自己的弱链并补齐它。

麦肯锡 2025 年全球企业 AI 调查的数据印证了这一点：88% 的企业在至少一个场景使用了 AI，但只有 6% 认为超过 5% 的 EBITDA 增长归功于 AI。剩下 94% 的企业投入了真金白银，却还没有看到商业回报。

原欣的判断是："AI 能为企业创造多大价值，不取决于模型能力有多强，而取决于企业最薄弱的一环能否打通。对今天大多数企业而言，这道‘弱链 ' 就是 AI 与核心业务系统之间的断层。"

IBM 商业价值研究院与 SAP 联合发布的调研白皮书也印证了这一判断——企业推进智能化转型时，内部业务协同困难和 IT 架构老化是最大的结构性障碍，AI 能力往往游离于核心系统之外，既拿不到完整的业务上下文，也无法触发实质性的流程执行。

探索突围

在峰会现场，三一集团、曼森集团、毕马威都分享了他们补齐 " 弱链 " 的行动和思考。

三一集团经历了 90 年代业务线上化、2010 年代全面信息化、全面数字化（灯塔工厂、数字中台），从 2025 年开始到现在迎来全面智能化。许国强总结说，" 没有前面三个阶段，AI 就是空中楼阁。"

2025 年，三一由董事长亲自推动 " 全员 AI 强管控 " ——所有管理岗和关键岗都要思考 AI 与自身业务流程的结合点。一年下来沉淀了 130 多万条领域知识，训练了 10 多款垂域模型，落地了 700 多个赋能场景。去年 AI 引入成效约 2 亿元。但许国强也坦承：700 多个场景提升了个人效率，组织级效率的提升仍在探索中。 

曼森集团总经理杜国亚提供了一个更轻量的样本。在同行纷纷追逐大模型、生成式 AI 的当下，这家年增长 30%-50% 的企业选择的第一步，不是部署 AI Agent，而是先把 ERP 系统建好——把 " 大脑 " 建好，再谈智能。

"AI 能不能回答问题？可以。但能不能带来高效决策？没有数据沉淀不行。" 他的做法是把原有数据全部定义为 " 全新的 "，以最快速度完成系统切换。2025 年 12 月，曼森集团选择部署在阿里云上的 SAP Cloud ERP，正式开始打破这种信息割裂。选择云部署而非私有化，杜国亚的逻辑很直接：" 我们不需要把所有事情想得那么复杂。我们之所以快速切换，是把这套系统定义成一个全新的系统，把我们公司所有的数据定义成全新的数据。"

毕马威亚太及中国咨询服务主管合伙人刘建刚则从用户自身视角提供了另一条实践路径——毕马威率先将自己的核心业务 ERP 迁移至公有云，成为示范性的 " 零号原型客户 "。他的方法论是八个字：大处着眼，小处着手——既要有全面规划，又要从低投入、低风险的领域切入，做 " 最后一公里 " 延伸，先产生实效，再滚雪球式发展。他特别强调：AI 并非零成本。

把以上这些实践放在一起，方法论闭环开始浮现。

第一步：数据就绪，统一业务底座，消除数据孤岛。三一用 SAP S/4HANA 构建全球统一业务底座，曼森在阿里云上部署 SAP Cloud ERP 取代多套独立系统，毕马威把核心 ERP 搬到公有云——三者的起点都是同一个动作：先修好 " 高速公路 "。

第二步：知识就绪，沉淀业务知识，构建企业记忆。三一沉淀了 130 多万条领域知识，曼森把流程标准和业务规则统一写入系统。没有这些积累，AI Agent 面对的将是点状的知识而非体系化的业务认知。

第三步：组织就绪，从 IT 驱动转向业务驱动，全员参与。三一的 " 全员 AI 强管控 " 由董事长推动，要求所有管理岗和关键岗思考 AI 与自身流程的结合点——这不是 IT 部门的事，而是整个组织的事。

这三步对应了 SAP 提出的三级 AI 治理架构：底层是数据治理层（SAP Business Data Cloud，确保 AI 调用的数据是可信、准确的）；中间是应用集成层（ERP 与第三方系统的集成，打通端到端业务流程）；顶层是智能体层（Joule 及 AI Agent Hub，实现统一治理下的智能体协同）。

SAP 在此次峰会上推出的 "AI 奇点启航计划 "，本质上是把这个方法论变成了一个可执行的产品——企业报名参与联合工作坊，从真实业务问题出发，在 2 至 4 周内完成原型验证，看到 AI 带来的实际价值，最终通过 RISE 或 GROW 嵌入日常运营。

回报的起点

所有的方法论最终都要回答一个最朴素的问题：AI 到底值不值？

Varun Thamba 给出的建议是反直觉的——不要从 AI 开始，从瓶颈开始。他建议企业先看全业务流程中哪个环节造成了最大的成本浪费，然后在这个具体位置用 AI，用量化工具计算 Token 投入和回报的关系，确保消耗 Token 的成本是小于可以被证明带来的价值。

许国强的判断则更为直白：" 十年前数字化对很多企业是可选项，五年前是必选项，当下和未来—— AI 一定是生存项。AI 不是取代人，是让会用 AI 的人取代不会用 AI 的人，让会用 AI 的企业跑赢不会用 AI 的企业。"

这句话听起来像是行业共识的宣示，但它的底色是一个更朴素的逻辑：94% 的企业砸了真金白银却没看到回报，不是因为 AI 不行，而是因为企业自身在数据、流程、组织和治理层面还有太多的 " 弱链 " 没有补齐。

补链这件事不性感。它意味着要回到最基础的流程梳理、数据清洗、知识沉淀和标准统一——这些工作是三一集团二十多年从业务线上化、信息化到数字化打下的基础，在曼森表现为 " 先把内存储存好 "，在毕马威表现为 " 零号原型客户自己先试 "。

而这些恰恰是当前企业 AI 落地中最被低估的一课。正如原欣所说：" 自主运营企业不是企业的终点，而是企业进化旅程的起点。"