中国企业AI转型点显现：数据、人才与治理进入重构周期 原创

6月2日，SAP发布了《2026 SAP AI价值报告》，以下简称《报告》。SAP全球副总裁、全球AI市场拓展负责人Varun Thamba表示，通过对中国各行业企业的调研，既看到了与全球一致的AI发展趋势，也观察到了一些中国企业在落地过程中更具本地特征的挑战。

他认为，《报告》中有两个关于中国的调研数据需要重点关注。

第一是，中国受访企业目前平均34%的工作任务是由AI辅助来完成。

Varun Thamba谈到，用AI完成任务，其实覆盖的范围很大。既可以是非常简单的应用，比如在采购场景中，快速检索与原材料采购相关的合规条款、制度要求，帮助完成基础的信息查找与判断。也可以是更复杂的场景，通过智能体技术，把多个步骤串联起来，参与甚至驱动完整的业务流程。

第二是，预计2年后，中国受访企业由AI来辅助完成的工作任务占比将升到52%。

业界一直在讨论：人工智能与人类在工作中的分工比例，最终会走向怎样的结构？调研显示，AI正在经历一个由量变走向质变的关键阶段，SAP把其称为“转型点”。

SAP全球副总裁、全球AI市场拓展负责人Varun Thamba

18%到38%，中国AI回报率预期翻倍

企业其实很难衡量AI的具体投资回报率，核心原因在于成本隐性、收益多元且多数项目尚未嵌入核心业务流程。‌‌

近两年随着AI与企业的深度融合，AI投资回报率也在稳步上涨，从去年的18%，预计上涨到24%，换算成绝对的金额是1800万-2000万美金之间。

中国最大的变化体现在对Agentic AI投资回报率的预期上，中国受访企业预计今年的AI投资回报率也将达到22%，去年则为18%。两年后预计将达到38%，较去年的预测值实现了超过四倍的跨越式增长。

中国企业需要注意三个风险信号

风险1：Agentic AI落地需要获得正确的数据

Varun Thamba谈到《报告》中一个有意思的现象。中国受访企业在讨论智能体落地时，通常会关注应用场景在哪里、哪个部门会率先推进。但SAP的观察是，哪个部门先部署，最终会回到数据本身。

在所有调研指标中，当被问及“是否已经为Agentic AI的落地做好准备”时，69%的企业认为自己已经准备充分，较去年数据略有下滑。

“下滑背后的原因，是在企业AI真正进入实施阶段后才意识到一个现实问题，我有数据，但数据质量不够好。”Varun Thamba说道。

这在很多企业中表现得非常典型。例如人力资源、财务等部门，虽然长期积累了大量结构化数据，但在尝试引入Agentic AI时，会发现这些数据在一致性、完整性和可用性上仍有明显提升空间。类似的情况在物流、供应链等运营部门同样存在，数据可获得性与标准化程度仍是主要挑战。

智能体的落地，本质上高度依赖数据的质量。只有建立在可信、可用、可持续的数据体系之上，AI能力才能真正转化为业务价值，同时也才能更有效地控制潜在风险。

未来两年，随着数据基础能力逐步完善，可以预见AI应用将进入一轮明显的加速扩张期。

风险2：需要让团队员工AI就绪

但随之而来的一个现实的问题是：当AI与人类员工开始在同一工作环境中协同工作时，如何实现“共存”？

AI正在重塑职场格局，然而现有的培训体系与岗位设置已跟不上其发展节奏。《报告》显示，78%的中国受访企业不认为其公司员工技能提升措施能够跟上AI工具的发展速度。

73%的中国受访企业表示，岗位角色的变化跟不上AI工作流程的发展，难以充分发挥其作用。尤其是在大模型和智能体能力持续快速迭代的背景下，模型几乎以周为单位迭代，这种节奏正在不断抬高企业整体的运行速度边界，也倒逼员工必须在更短周期内适应变化、提升产出效率。

因此，这也引出了报告中的另一个关键数据：67%的中国受访企业认为，AI扩大了可处理的任务范围，也让员工的工作负荷和责任压力同步增加。

如果企业在AI技能培训与组织能力建设上无法跟上技术演进的速度，那么AI所带来的效率红利，很可能无法被完整释放，甚至会在执行层面被部分抵消。

风险3：需要AI治理框架，实现可信AI

AI治理，是企业尚未意识到的最大挑战。仅6%的中国受访企业表示，自身已具备有效治理AI所需的完备技能；仅8%认为其AI治理架构已准备就绪。

这组数据恰巧反映了企业对于自身安全的把控表现上。企业数据中往往包含大量商业机密，而当AI被引入业务流程后，如何确保这些敏感信息在调用、训练与流转过程中的安全性，成为一个绕不开的问题。

Varun Thamba做了一个更直观的类比：如果一个地区的执法与治安力量严重不足，那么即便规则存在，也难以保证整体秩序的稳定。同样，在企业AI应用环境中，如果缺乏相应的治理体系与安全能力，再先进的AI工具也可能带来不可控的风险隐患。

《报告》还显示，27%的中国受访企业表示，其智能体部署速度快于标准化与落地能力的速度。因此，AI治理是决定其能否规模化、安全化落地的前提条件。

数据、员工与治理，SAP的三层AI落地架构

SAP从数据、员工与治理三个层面，系统性应对企业在AI落地过程中面临的关键挑战，形成一套从底层数据到上层应用再到整体管控的完整架构。

最底层是数据治理层。在这一层，SAP的核心能力来自SAP Business Data Cloud（业务数据云），它主要解决企业数据的统一接入与可信治理问题，让企业能够在一个受控、标准化的环境中使用高质量数据。

同时，SAP Knowledge Graph（知识图谱）在其中承担语义整合与关系建模的角色，不仅打通企业内部数据，也能够将外部系统、第三方应用乃至开放网络数据纳入统一语义体系。在数据进入AI应用之前，就完成格式统一、语义对齐与安全治理，从源头上保障数据的可信与可用。

第二层是员工团队AI就绪层。很多人会认为，让员工真正用好AI，需要复杂的技术培训甚至重构技能体系。但从SAP“自主运营企业”的角度来看，这个门槛被显著降低了。

SAP的做法是将各种各样的Agent嵌入到业务流程中。例如在财务模块中，就已经预置了60多个智能体。员工不需要理解底层模型或AI技术细节，就可以通过智能体直接调用AI能力完成工作。

最上层是治理能力层。SAP的ERP系统已经实现了非常良好的基于规则、全业务流程的治理，现在则是把这样的一套最佳实践搬到AI的世界中来。

SAP推出了AI Agent Hub，其作为商业AI平台的重要组成部分，不仅可以统一管理SAP自身的智能体，也能够纳管来自第三方甚至非SAP体系的智能体，目前已经有数百家企业在实际使用这一能力。

Varun Thamba使用汽车整体设计来做比喻。用户买一辆车之后，汽车音箱、空调要自己加装，甚至仪表盘也要自己改装，这个工程不仅复杂，后续维护和升级都会变得非常困难。

企业使用AI也是同样的逻辑，SAP强调的是一种端到端的体系化方法，围绕数据、员工就绪能力与治理三个核心环节，构建统一的AI架构。

写在最后

要让企业真正持续获得AI带来的业务价值，关键在于建立一套系统性的AI战略与落地框架。因为AI能力的建设，本质上是一个长达20-30年的工程。

企业要认清，从AI中真正释放价值，并不是“简单上线”，需要一套全新的方法论。无论企业规模大小，都必须把AI嵌入到数据体系与业务流程的核心之中，并围绕数据、人才与治理三个关键支点持续投入，最终走向一种更高阶的运营形态，正是SAP所说的“自主运营企业”。