HUMAN | People, Culture, and Technology at the center of SAP 1 SAP人力资源 数字化转型洞察 数字化转型行动中 成功的关键在于 以人为本 成功的关键在于以人为本 SAP 企业战略、文化和员工 利用技术赢得成功，实现可持续发展 SAP 云端人力资源管理亮点 人才管理 认知智能和分析 整体劳动力 核心人力资源和共享服务 协作、工作和学习 云端人力资源管理：我们的立场 员工体验 主要的知识习得 成果、绩效和国际认可 展望未来 3 4-5 6 7 8 9 10 11 12-14 15 16 17 18 目录 成功的关键在于以人为本 | 员工、文化和技术是 SAP 的核心 3 如今，变革成为新常态，所有企业都在经历变革。许多首席人力 资源官见证了人力资源管理的重大转变：从卓越交付的事务管理 转变为数字化转型的实践架构。 公司最近在最佳实践型案例研究中特别介绍 了 SAP 的内部人力资源转型计划：云端人力资源管理，并证实 SAP选择了有利于其客户和员工发展的正确途径。* 成功的关键在于以人为本 Stefan Ries SAP 首席人力资源官 成功的关键在于以人为本 | 员工、文化和技术是 SAP 的核心 4 SAP企业战略、文化和员工 孟鼎铭 SAP CEO 在上述几大支柱的指导下，我们加快了对有机创新和战

从教育实践来看，AI教室的构建有助于学校形成 “师—生—机”三元协同、数据驱动的智慧学习空间。 它不仅是传统教室的硬件升级，更是实现大规模因材 施教、培育学生高阶思维与创新能力的基础环境。其 价值在于无缝对接“集成化、智能化、国际化”的战 略方向，将优质资源精准送达每个角落，助力缩小教 育差距。 面对技术适配、伦理安全与常态化应用等挑战，产业 界应推动AI装备从工具属性升级为教育变革的赋能者。 育理念与底层逻辑的系统性重构。它依托AI技术底座， 实现从“教”到“学”的深刻跃迁，推动教学流程再 造、场景融合与生态协同，构建以学习者为中心、数 据驱动的教育新范式。 智慧教室的核心价值，在于其能够重塑教学流程、激 活课堂生态，真正实现“人机协同、教学相长”素养 成长型课堂。它不只关注前端教学场景人机协同育人 升维，更注重后端教育数据的贯通与赋能，为教师精 准施教、学生个性化成长提供新锐力量。在此进程中， 北京师范大学教授、博士生导师 教育部基础教育教学指导专业委员会委员 面向未来，智慧教室承载着素养导向 育人为本的时代使命！ 著名教育专家观点 产业领军人物观点 人工智能正在重新定义教育的未来。其核心在于通过 对学习过程的多维度精准感知与基于数据的自适应反 馈，真正理解每一个学习者：感知他们的学习节奏， 洞察他们的认知特点，从而实现规模化因材施教与个 性化发展支持的协同发展。 在AI教室的整体架构中，鸿合依托多模态感知等技术，

智算产业已形成“硬件-云-模型-应用”的 四层结构，当前正从“算力先行”向“模型 生态构建”与“应用商业化”过渡 02 高端算力为基，垂直行业能 力为王： ◆ IaaS层的核心价值在于销售GPU算力，而 获取高价值的关键在于“高端卡保有量”与 “垂直行业能力模块建设”的结合 04 从直接竞争转向价值整合与 生态赋能： ◆ 为克服SaaS市场固有的销售体系与客户 决策链不兼容等难题，大型云厂商的有 高用量场景：教育科研辅助、药物研发、物理 世界模型、训练仿真推理平台 8 www.leadleo.com 400-072-5588 中国：云计算系列 行业研读 | 2025/07 • SaaS层的价值目标不在于直接盈利，而是作为流量入口，带动云厂商 在IaaS及PaaS的底层能力。在SaaS层的获客路径包括“企业级的降本增 效”、“通用流量级消费产品”以及“AI+硬件”的捆绑销售 智算产业价值路径——云企业价值增长路径 IaaS层增长的商业闭环 行业研读 | 2025/07 10 www.leadleo.com 400-072-5588 中国：云计算系列 行业研读 | 2025/07 • IaaS层的核心价值在于售卖GPU义满足由传统CPU云转向GPU云的产业 价值变革，云厂商获取IaaS价值的关键在“高端卡保有量”与“垂直行业 能力建设”，两者能力结合能够深度绑定头部客户并创造高毛利 IaaS层产业机遇——云厂商在IaaS层的价值实现路径

务，正以前所未有的速度产生指数级数据量，却又深陷数据分散、系统孤立、决策滞 后的矛盾。研不通产、产不连供、供不联销、销不反哺服的现象普遍存在，“研产供 销服”一体化依旧是行业的长期痛点。 更深层的问题在于，汽车产业的复杂性不仅体现在物理制造上，更体现在数据链 条的碎片化。研发端的 PLM、生产端的 MES、供应链的 ERP、销售端的 DMS 与售后 的 CRM 系统各自独立运转，缺乏统一的指标标准与语义体系，使得数据难以穿透、智 % 与此形成对比的是合资品牌的市场份额被持续压缩，其总体份额从过去的半数以 上，收缩至当前的三成左右，并且仍面临进一步的下行压力。 2. 新能源赛道上的发展差距 造成这一格局转变的根本原因，在于双方在新能源转型速度上的显著差异，这种 差异已构成了明显的发展差距。 以 2024 年 12 月的单月数据为例，主流合资品牌的新能源汽车渗透率仅为 4.8%，而同期自主品牌的新能源渗透率则高达 。两者之间存在巨大差距。这清 晰地表明，当自主品牌的业务重心已普遍向新能源转移，并建立了丰富的产品矩阵 时，多数合资品牌的主力销售产品依旧是市场正在萎缩的传统燃油车。 合资品牌在转型上相对迟缓，其根源在于其“路径依赖”。它们在全球市场拥有 成熟且盈利的燃油车技术、生产和供应链体系。这种历史上的成功，在中国市场快速 变化时，反而成为其战略调整的制约因素。庞大的组织惯性、复杂的全球决策流程、 以及

最合适的专家来处理，提高了处理效率，也降低了计算成本。 MoE 架 构 的 基 本 原 理 主 要 包 括 两 个 核 心 组 件 ： GateNet 和 Experts 。GateNet 的作用在于判定输入样本应该由哪个专家模型接管处理。而 Experts 则构成了一 组相对独立的专家模型，每个专家负责处理特定的输入子空间。 输入 专家 1 GateNet 输入 图 2-2 MoE 成本异常的具体环节 2. 异常原因的详细分析 3. 定量评估成本超支的财务影响 4. 具体的成本控制建议 示例：请特别关注材料采购、人工成本等关键环节 CARE 模型在工程审计领域的特殊价值在于其对背景的强调和对示例的整 合：背景维度使审计人员能够充分理解工程项目的特定环境和条件约束；示例维 度则通过类比学习机制，使抽象的审计发现转化为可操作的改进方案，增强审计 成果的实践价值。 4. 背景：该项目作为[地区]重点水利工程，其进度和成本控制影响[具体影响] 5. 示例：请参考[类似水利工程]的优秀管理实践，提出切实可行的改进建议 TRACE 模型在工程审计中的核心价值在于其对任务的多维分解：通过将复 杂 审 计 任 务 拆 分 为 明 确 的 请 求 和 具 体 行 动 ， 并 结 合 背 景 理 解 和 示 例 参 考，TRACE 模型能够有效应对工程审计中的复杂性挑战，提高审计效率和准确

式中塑造自身核心竞争力。这是时代赋予我们的使命，也是实现“中国建造2035”的必由之路。 —— 国家数字建造技术创新中心首席科学家、华中科技大学教授 丁烈云 推动AI在建筑企业的落地，核心在于实现建筑行业复杂知识的结构化表达和智能化重构。建 筑工程大模型的构建，正在通过多模态数据融合与对齐技术，打通文本、工程图表、BIM模型等 多模态数据之间的壁垒，提升大模型对建筑行业语义的识别、理解与生成能力。基于混合专家大 用 门槛。唯有在行业大模型能力上实现系统性跃升，AI才能真正从“可用”走向“有用”，成为建 筑企业可持续发展的新引擎。 —— 中国建筑股份有限公司首席专家 李云贵 建筑企业推进AI赋能，关键在于如何将通用大模型“训练”为真正懂企业业务的专业化大模 型。实践证明，作为基本路径，通过提示工程（Prompt Engineering）、微调（Fine-Tuning）和 检索增强生成（RAG）这三项 行业战略，今天看来，其正在迈入智能化发展的高级阶段。但这并不意味着行业的数字化发展就 已然完备。当前一些建筑企业仍处在数据孤岛、多系统割裂、业务流程未线上化的初级阶段。AI 转型的真正难点，不在于技术本身，而在于如何在基础能力薄弱的情况下实现跃迁。因此，企业 在拥抱AI的同时，更需要系统性补齐数字化短板，夯实数据基础，理顺业务逻辑，重塑组织能 力。只有将数字化能力建设与智能化转型同步推进，才能真正释放AI技术的变革潜力，推动建筑

输出的大盘风险暴露系数作为行业轮动的“顶层约束”，同时行业轮动结果 反哺择时因子，例如，让三标尺中的指标与多因子择时中的宏观因子形成交 叉验证，考虑大盘对行业影响的同时，修正宏观数据滞后问题。 在财务风险识别领域，AI 的优势在于开创性地融合多维度分析框架。通过 结构化财务指标与非结构化文本情感语调的协同分析，构建数值异常检测、 文本语义解析、交易行为分析的三维风控体系。相比 Benford 定律等传统数 值检测方法，AI 子重要性结果作为训练样本输入 DeepSeek 模型，使其学习因子与市场状态的关联 模式；最后结合当前市场环境，AI 基于历史规律生成初始权重框架，再通过动态 赋权机制进行实时调整。这种方法的优势在于既保留了传统模型的逻辑可解释性， 又能通过 AI 动态适应市场变化，同时避免了直接训练大模型带来的复杂性和资源 消耗。 整个流程体现了"历史规律挖掘-规律映射学习-实时预测应用"的技术路径，通过 XGBoost 业特性（如公用事业的低利润率）误读为异常信号。例如，某公用事业公司的低 毛利率若处于行业正常区间，即使绝对值低于全市场平均水平，模型也会结合行 业标签判定其为合理波动。 然而，这种行业属性处理的局限性在于其依赖行业分类的完整性与样本的代表性。 若某些行业（如金融）的造假样本量过少，独热编码引入的稀疏特征可能无法充 分表征其风险模式。对此，项目中进一步采用行业分位数校准和代价敏感学习进 行补充——情感

算法方面，特斯拉引领了 BEV、占据网络以及数据闭环端到端等自动驾驶技术 研发，并且开发了高度真实的仿真平台，兼具 WorldSim 和 LogSim 仿真能力。 Waymo 的主要优势之一在于可依托 Google 在全球的用户网络，通过用户的 机器人验证进行道路交通对象数据标注，帮助 Waymo 建立高质量数据集。此外， Waymo 还通过高保真模拟驾驶环境用于补充真实世界的数据。 架构制造和开发商的身份介入智能驾驶领域开展系 统研发，提供计算平台、系统框架、仿真生成等多种智能驾驶基础功能服务，并 与奔驰等企业达成合作，竞争优势显著。除此之外，其他国外智驾供应商相对于 国内企业，其主要优势仍然在于算力资源获取上，数据方面从公开信息上来看并 未具有显著优势，算法层面也未有突出领先优势。行业合力方面，GAIA-X 和 Catena-X 等项目为智能驾驶领域的数据信息沟通和资源交换奠定了良好基础。 部认为路侧感知数据对提升智驾模型性能十分有效。 高价值数据占比。从所拥有的数据量来看，我国整车企业及智驾供应商的已 有数据中，Corner Case 数据的占比在 5%以下。 数据使用成本。总体来看，成本较高环节在于标注以及采集/获取。 数据共享问题。针对限制智能驾驶数据共享的主要原因，受调单位认为最大 的阻碍来源于各企业和机构之间的数据格式标准不统一，其次是敏感数据的合规 智能驾驶智算数据平台发展研究报告

25%的人则认为数字孪生无法带来减排 效益。 现实情况比较乐观。在所有行业中， 38%采用数字孪生的受访者表示碳排 放显著减少。实现减排的受访者称碳 排放量平均减少了15%。 数字孪生的显著优势在于能够依托数 据驱动，精准洞察特定实体或系统的 碳排放状况。以世界经济论坛上备受 瞩目的数字孪生与人工智能结合应用 为例，这种组合通过预测性维护、情 景测试、风险管理以及实时自动化报 告，促使各类建筑管理系统大幅减少 屏显示。此外，我们还能利用元数据和语言 模型确保用户在特定时刻精准获取所需信 息。” Maunz强调了最后一点——关键信息的访 问。他说：“简化数据访问的重要性不亚于 第一手的数据采集。数字孪生最强大的功能 在于利用大型语言模型（LLM）为现场或野 外工作人员提供更便捷的数据访问。” 众多高层领导正积极投资于人工智能功能的 建设，其中43%的领导者计划在未来一年内 进一步提升其人工智能功能。 关于获取回报，Maunz给出了两点建议。 生，先从小规模起步，再逐步拓展。正如 本报告下文所阐述的那样，数据质量可以 随着时间推移逐步提升。 一味追求数据生成并非正确之举。通常来 说，运营数据是已经存在的，即便是纸质 记录的形式：难点在于数据的数字化、索 引编制和验证。 越来越多的企业通过数 字孪生来获取信息，而 不是期待其自主决策 13 企业构建数字孪生时会遭遇哪些挑战？ 数据质量 43% 误区 4 数字孪生 仅适用于设备

造价值，哪些环 节成为瓶颈，进而在关键痛点处优先引入“小、轻、快、准”的模块化数字化方案。模块之间犹如 积木，可以先局部搭建，再逐步连接，最终形成一个系统性的新型制造体系。 这种方法的核心价值在于：它避免了“一刀切”的大投入，也克服了“零散化”的盲目尝试；它 强调根据企业发展阶段、市场环境和竞争压力，因地制宜地设计转型路径；它既帮助企业解决当 下的生产效率与成本压力，又为未来的全球价值链升级预留空间。 SMEs，NGMS-SME）。这一系统不仅仅 是对现有工艺流程的数字化改造，更强调通过平台化方式沉淀和复用能力模块，以支撑企业快速 应对市场和客户的变化。 很多中小制造企业未能做到与时俱进，问题的根源不在于员工或设备，而是在于我们缺少一 个现代化的“作战指挥系统”。 新型制造系统具有几个显著特征： • 轻量化与模块化：中小制造企业可以从关键痛点环节切入，逐步积累数字能力，而非一 次性投入巨资建设庞大 导致成本上升与质量风险，压低成本又可 能拖慢效率、影响品质。企业只能在三难中艰难取舍，难以形成稳定的生产节奏。 “黑箱”根源在于企业缺乏完整的“数据积木”，关键业务未实现数字化建模，排产依赖经验而 非模拟，需求预测与市场脱节。各部门犹如在黑暗中分散作业。破解之道在于以数据驱动实现从 “估算”到“精算”，从“黑箱”到“可视”，以及从“被动响应”到“主动调控”的转变。 ​决策智能化​ 发展可持续化​