摘要

袁欣把AI对老牌软件的冲击拆成两层：coding让"原来值钱的东西不值钱了"，但更根本的是按坐席定价的认知坍塌——“你以后都agent了，你还按人头？” SAP的应对可能是转向consumption base按用量计费，硅谷更新的公司都是按结果收费的RaaS。股价从二五年年中超300美元回落到160，但以2021年上云元年不到130美元为基点仍有20%多的增长；跌得更厉害的是单点SaaS——Adobe从约480跌到220左右，Zoom"基本上大部分都跌没了"。
壁垒不在代码在业务逻辑：S/4合计几亿行代码，按"一天两万行"的coding中线复刻，数量级上就有差距，但"复刻代码本身其实是简单的，业务逻辑到底是什么，是更大的挑战"。" 只要现在的世界还是一个以碳基生物为主的管理的世界"，企业底层流程不变，标准化基座没必要重做；真正的战场是在标准流程之上用AI低成本满足个性化需求。
对FDE热潮的判断：与传统ERP驻场顾问的本质区别在于FDE是产品工程师、产出会回流成产品，但当下"缺乏一个转化器"——懂业务的人把业务翻成可coding的scenario，所以Anthropic、OpenAI一边设部署公司、一边拉麦肯锡、埃森哲和PE合作。他判断这个岗位可能不会复刻2000年前后咨询业十倍二十倍的爆发，“fewer but better”，工程与业务两拨人最终"合并成一个更综合能力的人"。
落地的残酷基线：麦肯锡访谈两千多家企业，28%在用AI做项目，只有3%认为真正有业务回报，多数停在POC。 他的关务案例是注脚：某大公司自建agent做33国海关申报，准确率只有六七成，“上了agent以后人变忙了”；SAP用GTC税务平台加document AI模板切片进场，“准确率瞬间提升到百分之九十几”，一国试点变33国争相上线。
AI规模化最大的敌人是组织不是技术：真懂AI的人不愿去只有几张卡的传统企业，而组织gravity（惯性）比人才荒更难——“敞开了烧token，even在high tech company也不是所有人都会拥抱”。他的结论：“AI真正scale在现实场景里遇到的技术上的挑战，远小于组织上的挑战。”
中国SaaS没长出全球巨头的病根：企业狂追top line，“底层的很多系统建设都是非常潦草的，因为长得太快了”。 AI不是弯道超车——“AI不会自然而然帮你修复掉你不想做的那一趴”，“出来混总是要还的”；反倒是基础好的国外企业，AI一旦赋能"加速度会更高"。
最有想象空间的一条线：若中国AI的胜负手在应用加physical AI（EV全栈化是缩影，“从芯片到车我都做，把tier one的空间压缩”），软硬结合企业的供应链底座会成为重要支撑——这正是SAP自认"还有可用之处"的位置。 SAP与基模厂商合作、开放接所有第三方模型，同时用表数据训了垂域模型RPT-1（现到1.5），因为财务场景"不是99%就是可接受的准确率，它可能就是100%"。

精读

1. 五十四年的巨无霸：ERP管的就是人、财、物

袁欣（1998年入行，历经甲骨文、VMware、微软，现管SAP大中华区）的开场画像：SAP 1972年创立于德国，从五人startup长成"to B巨无霸"——全球百强里九十九家在用，云用户超过三亿，十一万员工、150多个国家有operation，收入三百多亿欧元（四百多亿美金）。近两年定位从企业应用软件转向"全球最大的商业智能软件"，今年蓝宝石大会官宣做autonomous enterprise自主运营企业——“传统商业软件公司自我颠覆的一个举措”。
ERP的骨架被他讲得极简：企业无非管人、财、物，最核心是财务——SAP起家的R/1就以财务为核心，再扩展到"财务业务一体化"，串起leads to cash（线索到回款）与procurement to pay（采购到付款），“端到端的流程最后汇总成庞大的企业软件系统”。

2. 飞书钉钉啃不动的部分：交互层之下是身份、安全与合规

与飞书钉钉的分界：IM、会议、文档、审批流属于OA日常交互，“真正的业务流程的跑，还是在后端的ERP系统里跑”。AI出现前飞书就想渗透应用（做People），但"一旦深入到企业管理的流程，涉及更多身份管理、安全性管理、要集成的数据来源更多"——光工资计算，各地税则、纳税逻辑不同，“这么简单的一件事，在全球化企业里复杂度也非常高”。
生态杠杆的数字：整个产业大概1.2万亿（他记得是IDC口径），SAP自身收入三百多亿欧元，“撬动的是一个几十倍的产业”——发工资要接银行、税务、电子发票，每个暴露的API都牵出安全和数据一致性问题，“这就是为什么to B不太好干”。

3. 股价从300回落到160：先死的是单点SaaS，塌的是定价模式

曼祺直问：SAP股价从二五年年中超过300美元回落到160，是不是市场在为AI coding冲击老牌软件定价？袁欣换基点回应：以2021年"上云元年"（定义Rise with SAP）不到130美元算，现在仍有20%多的增长，跌掉的更多是"对所有SaaS的恐慌导致大家用脚投票"的部分。
对照组说明谁真被替代：工具类point solution"被更显性地体现出来"——Adobe从快500（480）跌到220左右；竞争加剧类如Zoom"基本上可能大部分都跌没了"（此前吃过疫情红利）。
更根本的冲击在商业模式：“传统SaaS的定价模式都是以user base，数你有多少个用户我就收多少钱……你以后都agent了，你还按人头？可能裁员裁得你减少得慢已经是做得比别人好了。”
SAP主动换定价刀法：未来"更多的还是consumption base按用量定价，不再单纯按user数量或seat base坐席数"；他也点到硅谷更新的公司在按结果收费——“如何有一个准确的定价模式，我觉得是SaaS公司面临的一个挑战。”

4. 几亿行代码可以对比，业务逻辑更难复刻

数量级的账：通用数据是简单编码一小时两三千行、带校验带安全性的复杂代码一小时两三百行，取中线一天约两万行；而S/4所有模块加起来是几亿行代码，现在比较成型要上线的startup应用也就两三百万行。“这只是数量级对比——复刻代码本身其实是简单的，业务逻辑到底是什么，是更大的一个挑战。”
更深一层的判断：“只要现在的世界还是一个以碳基生物为主的管理的世界”，企业运转形式短期不会大调整，该在工厂生产的还在工厂生产，只是人干预变少——所以SAP里沉淀的对通用业务的底层支撑逻辑还在，“已经是相对standardized的东西，你干嘛不用呢？”
由此推出主战场：真正创造价值的是"在既有标准流程上，用更高效和低成本的方式serve更多企业更个性化的需求"——基本流程之上的agent能做什么，“肯定是更重要的一个战场”。

5. 日抛式软件成立，但企业长大后买的是信任

曼祺引阿里陈宇森的"日抛式软件"设想：临时个性需求低成本coding出来，用一两周就扔。袁欣接得痛快：大公司里也会有，现在的架构就给你agent studio手搓日抛工具。但他画出边界——小公司靠人际trust运转，“我只需要让我的业务可见”；一旦要对外协同、上市披露、被审计，权限管理和审计线索就成了企业级诉求，“你要在一个更广泛的大家达成共识的平台上，你的数据才能变成别人可以consume的”。
出海再加一层复杂度：手搓的东西"拿到墨西哥可能就不work了"，税务、regulation、多币种多语言都不同。他的诚实之处值得记录：“我不觉得SAP自然而然就是你唯一的选择——就看我们自我演进的速度快，还是瞄准这块市场的新player演进速度快。”

6. 自我颠覆的抓手：Joule屏蔽掉四亿行代码的复杂度

自我认知先行：“SAP是被颠覆的那一趴，所以更应该奋发图强自己颠覆自己”——继承对业务、对行业的理解，同时解决被抱怨最多的"复杂、实施周期长、交互性差"。
具体架构：Joule作为前端工作助手入口，意图识别后由orchestration agent做指令分派、执行agent落地，“屏蔽掉以前四亿行代码在底层的复杂度”，把用户以前"一个一个找、一个一个点"的过程自动化。五月蓝宝石大会同步推出SAP商业AI平台、Joule Work交互界面和五十多个智能助手。

7. 公司为何存在：两股无形的手

先纠正一个默认印象：SAP百分之八十的客户其实是中小企业（年收入十亿人民币以下），“百强里九十九家"只是品牌宣传打法。
他从公司定理往根上倒：公司存在是因为边界内的交易成本高于和外部交易的成本；“随着AI打破既有定价模式，公司内交易的成本是不是还低于外包给一个agent的成本？如果不一定，公司存在的形态一定会发生改变。“但同时存在聚合的力量——面对未知时，“在一个可信的大umbrella下采用联邦制"更利于建立信任。“有无形的手把它往伞里拆，也有无形的手让它聚合，最后形态是什么，现在说还为时尚早。”
时间轴的历史规律垫底：蒸汽机到全社会生产力提升约七八十年，电力三四十年，互联网二十年左右——AI的外溢"不是不存在，只是历史的规律告诉我们它外溢需要时间，而且轨迹逐步加速，它一定会到来”。现在还是"AI相关领域的狂欢”。

8. 自主运营企业：从记录系统到可执行系统，human in the loop还有五到十年

一句话目标：“把SAP的系统从一个记录型的系统变成一个可执行的系统。“但他明确：未来五到十年"一定还是human in the loop”，复杂作业需要人干预。
财务关账的例子是边界感最好的注脚：inter-company reconciliation企业间往来核对，agent能对上七八成甚至九成，但"汇率导致的差异到底是汇率差异还是数据错误，这是需要人判断的”；坏账计提用什么模式、计提多少同样要人拍板——agent做完百分之七八十的日常自动化，人做最后审核确认，端到端流程才算完成。

9. 与基模厂商合作：接最多的模型，自己练表数据垂域RPT

分工逻辑：“基模的演进速度非常快——Cursor也被收了，以前你认为在一个细分里做，随着基模提升很多领域就被吃掉了。“SAP擅长的是企业运营侧流程数据和用户交互侧的知识积累，所以开放接所有第三方模型、提供可用模型数量最多——他提到，不同厂商各有各的闭源模型，而SAP开放给所有第三方，用最合适的场景对应最合适的模型。
同时自己训垂域：基于表结构数据训出RPT-1，现在到1.5。典型调用是收款预测：外部大模型抓客户商誉、回款压力，系统内部调结构化的历史订单履约数据——“客户一个简单的问题，SAP里会聚合不同模型的能力，最后拼出来一个最符合你要求的答案。”
对幻觉的零容忍是选型的锚：“大模型现在这种技术范式，多多少少会有幻觉……在财务管理领域，不是说99%的准确率就是可接受的，它可能就是100%——百分之九十以上在打榜时已经是很高的benchmark，但在现实里它就是不可用的数据。“所以"有一些技术不一定要用到模型”。

10. 只把模型放进to B不够：CIO最头疼老板的微信转发

他不下绝对定义（“如果真像电影里那个entity无所不能……走到那一天也未见得”），但在可见的五到十年、既有企业形态不变的前提下，“在to B里面只把模型扔进去肯定是不够的”。激进的大公司设AI专项、搞数字化员工与人"pair together”，恰恰说明最后一公里要人肉补。
一线吐槽鲜活：天天打交道的CIO们抱怨"老板经常在微信上读了一个什么AI能干啥，丢给他说我也要”——“总体来讲，很多企业的一号位对技术并不是那么知道。”
最大的错位在数据：“大家认为AI来了，以前和数据相关的苦活脏活累活就不用干了，这是挺大的一个错位。“AI会加速数据清洗但过程不会消失，真正的诉求是让数据在生成那一刻就带着充分的业务上下文，“而不是费这么大的劲、费这么多token去清洗我的数据”。

11. 企业记忆：把老师傅的know-how蒸出来

FDE建本体（ontology）的实质：在茫茫历史数据里按business object业务对象做梳理，才能支撑agent运行。但分两步——固定流程没必要花token重新梳理：“在SAP里一二三四五步是很清晰的，直接把流程加载过去用就好了，这也是SAP最大的differentiator。”
真正需要AI的是体外循环：系统与系统间的断点、开会和邮件形成的人为决议——“这一部分AI能帮助我们把非结构化的历史数据、把老师傅给蒸出来”，比如计提比例背后的判断。标准流程叠加蒸出来的know-how沉淀成company memory企业记忆，“一层一层沉淀下来，可自动化执行的部分就会越来越高”。

12. FDE与传统驻场顾问的本质区别：产出会变成产品

曼祺的疑问：FDE（前向部署工程师，Palantir最早用）和SAP、Salesforce的售前/驻场工程师有啥本质区别？袁欣的拆解：传统ERP顾问是行业专家、财务专家，从业务端切入、从财务分析结果倒推科目架构设计，最终落回标准产品加定制外挂；驻不驻场不是本质——“就算做开发的人，他还是一个consultant，不是产品。”
FDE反过来：“把本身做产品的人提前部署到你那儿，最后跟你做出来的东西会变成我的产品”——因为AI到底能解决什么、以什么形式解决"还停留在离模型比较远的时候”，必须由偏底层engineering的人在现场探。
演进的信号：Anthropic、OpenAI五月各自宣布成立独立的FDE组织/部署公司，合作方是麦肯锡、埃森哲这类咨询公司加PE（把被投企业开放进去做hands-on项目）。原因是大家意识到"不是把product engineering部署到客户那儿，代码就自然而然出来了，它缺乏一个转化器”——懂业务的人把业务变成可coding的scenario。
微软最近也成立了FDE团队，SAP自己也有：“大家对实现方式是达成共识的，但FDE过程里沉淀下来什么东西还没有达成共识，是探索的过程中间。”

13. 关务案例：自建agent准确率六七成，“人变忙了”

案例原样保留：一家很innovate的大公司在33个国家做海关申报，各国关务单据完全不同，自己用low code做数字化员工审核报关，“准确率只有百分之六七十，上了这个agent以后人变忙了——人总要去查剩下那些错误到底来源于哪儿，没有提效，反倒大家怨声载道”。
SAP进场的差异：本身有GTC全球税务平台（对33国税务有基本理解）加document AI按国家做模板配置，“基于一个标准做数据切片，就不用每次都长上下文、token消耗高、准确率低”——“准确率瞬间就提升到百分之九十几”，从一国试点变成三十几个国家争相上线。
他从中抽出的方法论也是全片题眼：“探索AI真正带来业务价值的过程，不用完全摒弃掉那些以前的东西——你现在业务的大部分还是遵循一定之规的，只需要在打底打得好的基础上，把以前不太规范的、收集代价很大的那部分补充上。”

14. 竞合大混战：补业务比补技术难，组织惯性比两者都难

会不会和Anthropic、OpenAI正面竞争？“我觉得肯定会。整个AI的世界就是一个大的竞合，大混战——谁也离不开谁，但同时大家都想圈出来自己的一块地。“胜负手是补短板的速度：SAP补工程能力，Anthropic补业务理解，“就看谁调整得更快”。
曼祺追问哪个更难补，他的个人判断旗帜鲜明：“肯定是技术的容易补一点”——现在有Cloud Code这类能力，“让懂业务的人更容易上手驾驭大模型；但让懂模型的人去懂记账是怎么做的，这个差异还是不太容易的”。
更现实的挑战是组织的gravity（惯性）：“有些人没有意愿，有些人有意愿没能力，有些人既没有意愿又没有能力……敞开了烧token，even在high tech company也不是所有人都会拥抱和使用，更不要说人才密度更低的现实大enterprise。“结论斩钉截铁：“AI真正scale在现实场景里遇到的技术上的挑战，远小于组织上的挑战。“另一个具象的缺口：CHRO们打电话让他推荐人，但真懂AI的人反问传统企业"你能给我几张卡？数据在哪儿？我得带几个人来”——人才落差短期无解。

15. FDE是不是好的就业方向：fewer but better，两拨人合流

对求职者的意味：创业企业从需要五十到两百人变成"二三十个人把两三百个人的活就干了”，“fewer but better——更少的人、更好的人去做这件事，这个statement成立，但并不意味着大多数人没有工作”。FDE的内涵不到一年已经evolve很多，“终极形态什么样，现在你也不知道”。
不变的部分他说得最实在：“你逃不出来脏活累活——梳理企业的流程、组织和数据，逃不掉对客户业务的理解，逃不掉怎么把业务转化成代码。只不过用AI做代码的速度提效了，并不代表转化的过程自然而然加速……业务和技术结合的过程，一定是AI从小圈子的狂欢外溢到更广泛的enterprise天地里必经的路线，这段时间这个工作一定是需要的。”
但规模预期要泼冷水：可能不会复刻2000年上下咨询公司十倍二十倍的爆发（人效提升了），而且两拨人在竞争同一份工作——麦肯锡、波士顿的咨询顾问下沉，与偏AI偏coding的FDE——“两股力量会合并成一个更综合能力的人，持续在这个岗位上工作”。

16. 真金白银的分层现实：28%在做，只有3%有回报

宏观基线：现在IT预算普遍被削减、AI预算在增加，“传统IT项目不和AI挂上钩，立项都会比较困难”。但麦肯锡全球访谈两千多家企业：28%或多或少用AI做项目，只有3%觉得真正有业务回报——所以真上production的项目不多，做POC原型的反倒更多，咨询公司开始接AI场景规划、原型设计、岗位调整的单子。
分层图谱：大客户动得快（数据足、痛点足、财力足以支撑实验）；小公司用开源和AI工具"自己就跑得很快”；最struggle的是几个亿到一百亿的中型企业，与一号位认知强相关——很多头脑里很创新的cool branding企业，愿意投钱的是AI赋能产品（“扫地机器人用大模型、顶尖人才把端侧模型优化一遍”），“真正愿意投钱在企业管理侧做AI提效的并不那么多”。

17. 中国SaaS没长出巨头的病根：追top line欠下的课，出来混总是要还的

他的诊断链条完整：快速发展的企业都在追逐top line，“压力都在获取市场和客户……中间企业底层的很多系统建设都是非常潦草的，因为长得太快了，没有一个喘息的窗口让你好好规划设计”；本土SaaS也没有好的定价模式和价值认可，支撑他们帮企业把foundation建好。
AI不是免修卡：“你觉得AI自然而然能帮一个七拧八歪的非结构化的东西马上站起来跑吗？不行的。AI不会自然而然的帮你修复掉你不想做的那一趴……它不是个弯道超车的逻辑"“出来混总是要还的”。反而是他"有时自己都会嘲笑做个审批这么烦"的国外公司，底层基础好，“AI一旦赋能，加速度会更高”。
麦肯锡那笔成本账放在这里最有分量：每1美元花在软件迭代上，会有3到4美元的变革管理成本——“只是换一个（AI native）平台，本身还是新瓶装老酒，没有实质性的变化。“现在很多所谓AI基建"其实都在补过去信息化的课”。

18. 行业顺序与physical AI：供应链底座的重要支撑

渗透顺序的判断：轻资产、服务类（金融服务、互联网）对AI的融入容易；传统生产制造"生产形态相对变化不大”（机器人还没成为主流可替代方案），冲击在市场端和售后端两头，生产制造侧目前偏供应链多一点。
前瞻的一条线：“even Anthropic也在投physical AI，OpenAI更早。如果我们认为中国更可能取得胜利是在应用和physical、结合供应链的优势，那未来中国这一波高成长的企业一定出现在physical AI领域。“缩影是EV电动车的全栈化——“从芯片到车我都做，把tier one的空间压缩”，说它是传统企业还是创新企业？是个组合。结论落回自家：“把自己供应链的底打好，是支撑未来这波产业升级高速成长非常重要的一件事——从这个角度，SAP还是有可用之处的。”

19. 中国打法：架在阿里云上、千问入MaaS、曼森的闭环与联想的出海

因为"中国的AI是比较独特的生态”，SAP产品先落在阿里云的infrastructure上，并把阿里千问模型嵌入自己的MaaS（Model as a Service）对外提供AI服务；双方还在FDE、后训练和共同客户上探索"更符合中国用户的特定AI场景”，两家的FDE团队可能一起服务客户。
小客户案例讲得具体：服装/羽绒服企业曼森（有品牌也做代工），上了Public Cloud ERP跑在阿里云、日常用钉钉，老板的痛是"服务的都是大厂，订单延期追单天天接电话”——SAP用AI agent把ERP数据和钉钉里的追单信息做了个闭环，排产调度落地，解决订单履约这个核心困扰。
出海是另一个独特位置：SAP产品架构里有专门的localization本地化团队（“巴西的税务是全球最复杂的”，有专组），支持全球两百多个国家的税务合规，“你只需要关心你自己的业务”；中国企业出海收并购时，买来的欧洲企业"天然就是SAP用户”，系统流程整合有天然优势。
大客户样本是联想：“从两百亿一直到现在几千亿的规模一直在合作”，海外占比超80%，历次海外并购的系统整合都在SAP平台上做；现在再用Signavio流程挖掘工具，帮它在全球化视野下看两千多个内部流程的断点和提效空间。

20. 外企人的命题：流程素养叠加超级个体

SAP内部转型的难处他不讳言：“中国的外企人没自己创过业……按流程做非常professional，但要自发去想、去创业的时候，既有的高素质人群会有分化。“命题是营造鼓励take risk的氛围"让超级个体更多地长出来”——公司理念是"重回创业心态，再做一遍”，毕竟七二年SAP也是五个人的startup。
细节生动：内部"无上限使用Cloud随便使”，有想法的员工"自己买两三个Mac Mini架在公司薅羊毛去做各种实现，扔出去可能就是一个超级个体”。他看好的组合：外企训练出的流程尊重、体系架构熟悉、国际视野、驾驭复杂的专业能力，叠加AI赋能的超级个体，“会变得更powerful更强有力”。

21. 三十年三次周期：变的只是速度，不变的是人

从本地部署到云、从信息化到智能化，他的总结浓缩成一句：“区别就是速度。“AI改变了人机交互方式，“AI平权做得非常好，每个人都可以轻松驾驭”，所以演进极快；但底层逻辑没变——突破性技术影响各行各业"就是有一个过程”，向往、恐惧、学习、摒弃的cycle每次都走一遍，“只要人还主宰这个星球，这个底层逻辑就不会变”。
收尾的洞察最耐嚼：“人的判断是没有办法规模化的”——“AI处理海量数据，但人接受不了、处理不了那么多信号……你的想法的实现不是瓶颈的时候，自己的想法就变成了瓶颈。“由此他把冲击推向更远处：怎么在教育体系里培养出能驾驭AI的个体，“可能也会带来教育体系的再造和颠覆”。而VC们高频说的胜出特质——学习能力强——“什么时代都是有这样特质的人最终变成金字塔尖的那些人”。

148. 对游凯超3小时访谈：开源Infra、和模型Co-design 、“如果vLLM失败，我们会后悔一辈子”我还坚信AI！——串台《三点下班》