11 月 16 日,SAP 宣布完成对比利时 AI 工作智能平台 TechWolf 的收购。据财联社当日报道,TechWolf 的专有“工作上下文图谱”(Context Graph)将成为 SAP 智能体查询工作内容、技能规划与人才管理信息的基础层,并整合进 SuccessFactors 产品组合;SAP 表示,该技术能够提高 Token 使用效率、降低部署劳动力智能体的成本,并增强技能导向招聘、劳动力规划、岗位重新设计等场景的 AI 能力。报道未披露交易金额与整合时间表。
一条收购新闻,读成“SAP 又买了一家 AI 公司”很容易。更值得留意的是它给出的收益口径:不是“更聪明”,而是“更省”。这恰好点中了企业智能体现阶段的真实瓶颈——模型的推理能力大体够用,但每次调用之前需要被交代的业务背景,既不便宜,也很难靠提示词长期维持。
智能体的成本,藏在“动手之前的解释”里
“工作上下文图谱”落到的是一组关系:组织里有哪些工作、每项工作由哪些技能构成、技能又如何对应到岗位与人。SAP 把它定义为智能体查询信息的基础层,意味着智能体不必每次从原始系统里重新找人、找岗、找技能,而是查一张已经建好的关系网。
这个差别在演示里看不出来,在账单上很明显。智能体完成一个任务,通常要先检索一批资料、判断哪些相关、再拼成上下文交给模型;检索范围越模糊、口径越不统一,消耗的 Token 就越多,出错后重试的次数也越多。把关系预先结构化,等于把“每次现场解释”换成“一次建好、反复查询”。SAP 把“提高 Token 使用效率”和“降低部署成本”放在同一句表述里,说的其实是同一个工程事实:上下文是有价格的。
语义层的活,常常不在 AI 项目的工作清单上
国内企业做 AI 落地,卡点往往不在模型接入。更难的是把同一个词在不同系统里对齐:一位“客户”在 CRM 里是商机主体,在 ERP 里是结算对象,在工单系统里又是报障方;“岗位”在人事系统里是编制,在项目系统里是资源池标签,在绩效系统里又是考核单元。这些口径不统一,智能体只能靠猜,而猜测的成本最终会以调用费、返工和人工复核的形式出现。
这桩收购给出的提示是:语义与上下文这一层,正在从“项目里的脏活”变成“产品里的基础件”。一旦它被当成基础件,评价标准也随之改变——不是某一次回答是否漂亮,而是同一套定义能否被多个智能体复用,权限与数据边界能否挂在这一层统一管理,换模型、换场景时是否需要推倒重来。
这也解释了为什么大厂选择用收购来补这一层,而不是再训一个更大的模型。图谱本身不是模型能力,它是对业务世界的描述;描述得越准,模型需要现场推断的东西就越少。
对采购和验收的影响
如果上下文层由供应商私有实现,企业很可能在下一次换模型或扩场景时重新付一遍钱。因此,把业务语义的归属写清楚,比在选型阶段比较谁的演示更流畅更有长期价值:数据字典与实体关系怎么定义、由谁维护、能否导出、智能体调用时如何做权限校验,这些都应当落在交付物里,而不是留在供应商的黑盒中。
对做定制系统的团队,这同样是一个交付边界的问题。一套系统真正能被后续 AI 应用复用的部分,往往不是页面,而是数据模型、接口约定和文档。这也是滚水科技在定制项目里坚持把源码、数据、文档与第三方账号一并交给客户的原因:AI 能力会持续迭代,业务语义不该换一次供应商就重建一次。
企业智能体的竞争,正在从“谁的模型更强”转向“谁更懂这套业务怎么说”。这个转向对中小企业其实是好消息——它把门槛落在了可以逐步积累的资产上,而不是一次性的算力采购上。