当全球企业仍在把AI聊天机器人塞进每个对话框，SAP首席财务官多米尼克·阿萨姆（Dominik Asam）却在第二季度财报会后泼了盆冷水。他直言，眼下企业在AI上花掉的大把代币，多数都用在聊天助手和编程工具这类“低垂果实”上——不是没有价值，而是离真正改变核心业务还差着一道鸿沟。

阿萨姆的提醒很扎心：生成式AI若只是替代写电子邮件、整理会议纪要的低风险环节，当然容易上手；但一旦要把AI嵌入财务、供应链等核心流程，事情就彻底变味了。这里的容错空间几乎为零，因为错误不是孤立的，而是会像多米诺骨牌一样在多个步骤上“统计复合”。

打开网易新闻 查看精彩图片

低垂果实的诱惑与天花板

所谓的“低垂果实”，指的是那些即便AI产生幻觉、输出不靠谱，也不会造成灾难性后果的场景。聊天机器人说错天气，编程助手补全了一段有bug的代码，最多让用户翻个白眼，最多让程序员多花几分钟调试。企业为此买单时，顾虑自然少得多。

这也是为什么过去两年，围绕大型语言模型的应用几乎都集中在对话界面上。各个行业都在“上AI”，但更多是在用户体验层面撒胡椒面，很少触碰那些真正牵动现金流的骨头。阿萨姆没有否认这波探索的成绩，但他用“lion's share”（最大份额）这个词，暗示了资源分配的结构性错配：最需要AI优化的地方，恰恰投入最少。

核心流程里，错误会像滚雪球

一旦AI进入财务结账、供应链排期这类链条式流程，幻觉的可容忍度就归零了。阿萨姆以财务工作流为例解释：“如果你在流程中有一些幻觉，错误实际上会在许多步骤上统计复合。”一个环节的数字偏差，可能层层传导，最终让整份报表失真，触碰到合规红线。

这意味着企业对AI的“可靠性保证”要求会被推到极致。它不是简单地把一个通用大模型插进现有系统，而是要围绕特定业务重新构建系统，让AI在受控的数据环境和规则下运行。阿萨姆把这类应用比作“高垂果实”——摘取它们，需要的不是更炫的模型，而是更严密的治理。

最大的门槛不是模型，是数据

在SAP看来，许多企业还没准备好迎接AI进入核心区，原因不在技术，而在数据底子。阿萨姆的观点很直接：“如果它们的数据还是杂乱、遗留的孤岛，却指望AI来解决所有问题，这种想法并不成立。”他甚至警告，这种试图用AI硬啃脏数据的做法，会带来“极高的代币成本”。

现实是，通用大模型可以吞下整个互联网的知识，却吃不透一家公司内部彼此割裂又缺乏标准化的信息。想让AI输出可靠的财务预测或供应链建议，企业必须先花力气把自己的数据整理干净、打上治理框架，让AI能够基于“公司的知识”而非泛泛的公开语料来运作。这一步不做，再贵的模型也只会放大噪音。

追最强的模型，不如选最对的工具

面对外界对“最先进模型”的迷信，阿萨姆给出了一个更务实的选择哲学：在实际业务中，企业最终会采用那个“能以最低成本安全完成任务的可靠工具”。它可能是一段简单的软件脚本，也可能是一个开源模型，只有在这些选项都无法满足时才轮到昂贵的尖端模型。

换句话说，AI的投入产出比并不系于性能最强的那一条曲线。在确定的数据和业务规则下，很多任务并不需要动用千亿参数的大杀器，一个轻量级、可控且成本合理的方案反而更匹配企业长期运营的账本。这种“够用就好”的清醒，与当下不少公司盲目堆算力、抢购最先进模型的狂热形成了有意思的反差。

热闹背后，真正的回报曲线还没起来

企业砸向生成式AI的真金白银已经相当惊人，但“广泛的生产率提升”依旧停留在期待列表上。阿萨姆的发言，实则点破了一个隐忧：当前AI的产出大多集中在用户感知层，并未大规模穿透企业运营的灵魂。当投资者开始追问真金白银的回报时，仅靠聊天机器人和编码助手的故事可能撑不住估值。

SAP给出的剧本是，未来AI的红利不来自通用模型的通用能力，而来自嵌入特定业务流程的受控系统。这一判断也暗合了企业软件的老规矩：技术是可以买的，但秩序是必须自己建的。那些愿意啃“高垂果实”的公司，也许才能看到AI从成本中心变成利润引擎的那一天。