AI智能体需业务上下文才能做对商业决策

企业级AI智能体只有在理解业务结构时，才能做出可靠的商业决策：即客户、供应商、产品和财务记录之间的关系；这些记录所经历的业务流程；以及赋予每个数据点其含义的业务规则。缺乏这种上下文，即使智能体拥有完整且准确的数据，仍可能做出错误决策。例如，它可能拒绝一笔有效的发票付款，因为发票本身并未揭示该供应商与母公司之间的关系，或未体现适用的信用安排。

SAP Labs美国公司研究与创新全球负责人兼管理董事Yaad Oren表示，企业级AI需要三类通用大语言模型（LLM）所不具备的业务知识：业务实体之间的相互关系、每项任务所处的业务流程，以及现实运营中出现的例外情况和变体。

Oren表示：“仅凭客户姓名和总金额检索数据是不够的。你需要围绕该客户的全部关联信息：他们有多少销售订单、客户满意度如何、经历过多少次延迟发货，以及这些订单来自哪个制造工厂。智能体需要一张知识图谱来映射这些关系，之后才能进行良好推理。”

AI理解一家企业的含义

每一项企业级AI任务都属于某个流程，无论是付款、下单、发货还是员工入职；而流程上下文则告诉智能体其所处步骤、此前发生了什么、接下来将发生什么。例外情况则源于运行这些流程的人员——他们基于业务系统之外的人类判断来批准或延迟工作。

Oren表示：“并非所有事情都严格遵循流程字面规定。你需要理解何时出现例外、如何管理该例外，以及如何将该例外作为可理解的上下文重新纳入你所期望的答案或活动中。”

一旦这种理解投入实际应用，其涵盖范围便会迅速扩大。一个始于客户信息的问题（例如营销活动和折扣）会演变为关于交货日期的问题（属于供应链管理范畴），进而又演变为关于付款的问题（属于财务范畴）。

Oren表示：“将一切连接成一张反映你企业全貌的地图——借助知识图谱与本体论（ontology）——正是我们获得价值之处。AI的智能正源于此。”

为何仅有知识图谱和本体论还不够

一张知识图谱或许能链接公司内所有发票，但如果不同业务部门对‘发票’一词的定义各不相同，智能体仍可能接收到相互矛盾的信号。对某一部门而言，‘发票’可能指客户付款；对另一部门而言，可能指差旅报销；对第三部门而言，则可能指供应商账单。本体论通过为每个术语赋予一致的业务含义，并将该含义贯穿于各系统与数据源之间，从而解决此类歧义。

Oren表示：“在全球拥有数十万员工的大型企业中，这些记录不仅需要彼此关联，还必须使用同一种语言沟通。本体论为你提供唯一真相、统一声音，覆盖你拥有的全部数据。”

SAP Business AI Platform（BAIP）旨在将数据与业务上下文整合至受管控的环境中。其知识图谱捕获客户、供应商、资产、产品、组织结构及业务流程之间的关系，使该上下文可在各类智能体间复用。

但共享语义仅能让智能体走完部分路程。该平台还需提供决定任务执行方式的运营上下文：服务水平协议（SLA）与付款条款、税务与安全政策、地域限制、数据匿名化规则及其他约束条件。

为何智能体需要专为业务数据构建的模型

在技术栈更底层，还存在另一项挑战。企业内部大量数据具有关系型与事务性特征，以表格形式组织，而非自然语言。通用语言模型并非专为该结构而设计。

SAP正通过表格型基础模型（tabular foundation models）应对这一缺口，包括其RPT-1.6（关系型预训练Transformer）以及SAP前沿AI实验室Prior Labs开发的TabPFN-3.5 Plus。这些模型专为直接处理结构化业务数据而设计，支持处理缺失值、混合数据类型及高基数字段等特性。SAP在AI Core中提供的表格型编排能力（tabular orchestration capability）可在运行时处理上下文选择与数据访问，从而使这些预测结果可被整合进生产工作流。

Oren表示：“企业内部的数据本质上是关系型与事务性的。你需要原生理解该结构的模型。”

当智能体开始采取行动时，治理要求随之改变

当智能体从回答问题转向采取行动时，风险等级发生变化。错误答案可被复核或忽略；但错误拦截的付款、遭拒的订单或误标的信用风险，则可能立即影响供应商、客户或业务流程。

Oren表示：“你始终需要质疑答案。业务理解既赋予AI更多知识，也为其设定更多边界。你据此检索出的内容涵盖政策、安全考量及决策相关的所有其他要素。”

随着企业将智能体部署至跨系统与跨职能场景，这些边界变得愈发重要。在BAIP平台上，智能体以唯一配置的身份运行，具备限定范围的权限，并留存审计日志，记录执行者身份、授权范围及所采取的具体操作。AI能力须经伦理与风险审查，且智能体需按功能逐项评估，以确保其符合适用的地区性政策、隐私法律及监管要求。

业务规则亦需为例外情况留出空间。Oren以SAP所称的‘暂存文档’（parked document）为例说明：某公司活动结束后，财务控制员可能需先将餐饮发票分摊至多个预算科目，方可继续后续流程。若该控制员暂时离岗，监控该流程的智能体可能将停滞的发票解读为严重延误。而具备更广泛业务上下文后，智能体即可识别出责任人正在休假或休育儿假，并将该延误视为例外情形，而非流程失败。

企业级AI技术栈的四个组成部分

Oren将企业级AI架构描述为包含四层：

模型（Model）： 能够解析企业系统中存储的关系型与事务性数据的模型。

平台（Platform）： 知识图谱、语义层、上下文与治理机制，以及构建与管理智能体的能力。

智能体（Agents）： 可在财务、供应链等各类应用与职能中执行工作的智能体，自动化大部分交易流程。

用户体验（User experience）： 人类与智能体交互的界面，包括文本、语音及动态可视化形式。

该平台是企业理解的关键层级。当关系、定义和流程上下文存在于该平台而非各个独立应用内部时，它们便可在不同智能体（agents）之间复用。财务智能体与供应链智能体无需各自重新构建‘客户’‘供应商’或‘交易’的含义；它们可基于同一套底层业务表征进行推理。治理职能也应归属于此，从而在企业部署越来越多智能体时，确保智能体及其行为具备可追溯性。

SAP 将其产品映射至这些层级：从其表格型基础模型（tabular foundation models）与 BAIP（Business AI Platform），到覆盖财务、供应链等职能领域的 Joule 智能体（Joule Agents）。但奥伦（Oren）更广泛的论点是：模型与智能体自身无法独立理解一家企业。它们依赖于业务上下文，包括知识图谱、语义体系及治理机制。模型需理解业务数据的结构；智能体需获取关系、定义及流程上下文；而平台则需强制执行规则与边界，以决定该上下文可被如何使用。

奥伦表示：‘跨 SAP 数据及更广泛范围的上下文、知识图谱与语义体系，正是我们优势的来源。我相信，任何希望规模化构建有前景的企业级应用的公司，都离不开它们。’