SAP Sapphire 2026：Azure 上的企业 AI 正从"能用"走向"好用"

预计阅读时间：11 分钟

微软和 SAP 在 Sapphire 2026 上发布了一轮新公告，核心信号很明确——企业 AI 不再只是演示和试点，而是要在 Azure 上跑出规模。从运营流程、决策辅助到创新加速，双方正在把 AI 能力嵌入 SAP 生态的每一层，而不是停留在"外挂一个聊天窗口"的阶段。

不只是"部署 SAP 到 Azure"，而是让 AI 成为运行时的一部分

过去几年，SAP on Azure 的主叙事是"把 ERP 搬上云"——SAP HANA 上 Azure、S/4HANA 迁移、ACSS（Azure Center for SAP Solutions）提供一键部署。这些基础设施层面的工作已经成熟。

Sapphire 2026 的新方向是：AI 不再是事后叠加的分析层，而是嵌入 SAP 业务运行时的原生能力。这意味着：

SAP BTP（Business Technology Platform）上的 AI 服务直接调用 Azure OpenAI 和 Azure AI Services，无需自建模型基础设施。
Joule（SAP 的 AI 助手）在 Azure 上获得更深的集成路径，能触达 SAP 系统数据的同时调用 Azure 的推理和搜索能力。
企业不再需要在"用 SAP 的 AI"还是"用 Azure 的 AI"之间选边——两者在架构层面被打通。

三个落地方向：运营、决策、创新

公告把企业 AI 的价值锚定在三个方向上，每个方向都有具体的场景支撑：

运营自动化——从采购审批到发票匹配，AI 不只是"建议"，而是能在 SAP 流程中执行动作。例如，匹配异常发票时 Joule 可以直接在 S/4HANA 中创建处置单，而不是只发一封提醒邮件。

决策加速——通过 Azure AI Search + SAP BTP 数据模型的组合，把散落在多个系统中的业务数据变成可查询、可推理的知识库。管理层问"上季度华东区毛利率下降的原因"，AI 能跨系统归因，而不是只返回一张报表。

创新孵化——SAP 和 Azure 提供的 AI 工具链让业务团队可以快速构建行业微应用。比如零售企业用 SAP 主数据 + Azure OpenAI 生成商品描述和定价建议，从想法到原型只需几天。

实践：在 Azure 上为 SAP 数据接入 AI 推理能力

下面是一个可操作的示例——把 SAP 导出的业务数据通过 Azure AI Search 建立索引，再用 Azure OpenAI 实现自然语言查询。这是当前很多企业"让 ERP 数据变得可对话"的最短路径。

注意：以下示例假设你已有 Azure 订阅、Azure OpenAI 资源，以及从 SAP 导出的 JSON 格式业务数据。具体 SAP 数据导出方式取决于你的系统版本和权限配置。

第一步：用 Azure CLI 创建 AI Search 资源

# 设置变量
RESOURCE_GROUP="sap-ai-rg"
LOCATION="eastus"
SEARCH_SERVICE="sap-search-demo"

# 创建资源组
az group create --name $RESOURCE_GROUP --location $LOCATION

# 创建 Azure AI Search 服务（基本层，适合验证）
az search service create \
  --name $SEARCH_SERVICE \
  --resource-group $RESOURCE_GROUP \
  --location $LOCATION \
  --sku basic

# 获取搜索服务 admin key，后续索引需要用到
az search admin-key show \
  --service-name $SEARCH_SERVICE \
  --resource-group $RESOURCE_GROUP

第二步：用 Python 创建索引并导入 SAP 数据

"""
前提：pip install azure-search-documents openai
将 SAP 导出的销售数据保存为 sap_sales_data.json
格式示例：
[
  {"id": "SO-001", "region": "华东", "product": "Widget-A",
   "quantity": 1200, "revenue": 360000, "margin_pct": 22.5,
   "quarter": "Q3-2025", "notes": "大客户折扣导致毛利率偏低"},
  ...
]
"""

import json
from azure.search.documents import SearchClient
from azure.search.documents.indexes import SearchIndexClient
from azure.search.documents.indexes.models import SearchIndex, SimpleField, SearchField, SearchableField
from azure.core.credentials import AzureKeyCredential

# ===== 配置（替换为你的实际值）=====
SEARCH_ENDPOINT = "https://sap-search-demo.search.windows.net"
SEARCH_ADMIN_KEY = "<上一步获取的 admin key>"
INDEX_NAME = "sap-sales-index"

# ===== 创建索引 =====
index_client = SearchIndexClient(
    endpoint=SEARCH_ENDPOINT,
    credential=AzureKeyCredential(SEARCH_ADMIN_KEY)
)

fields = [
    SimpleField(name="id", type="Edm.String", key=True),
    SearchableField(name="region", type="Edm.String", filterable=True),
    SearchableField(name="product", type="Edm.String", filterable=True),
    SimpleField(name="quantity", type="Edm.Int32", filterable=True),
    SimpleField(name="revenue", type="Edm.Double", filterable=True),
    SimpleField(name="margin_pct", type="Edm.Double", filterable=True, sortable=True),
    SearchableField(name="quarter", type="Edm.String", filterable=True),
    SearchableField(name="notes", type="Edm.String"),
]

index = SearchIndex(name=INDEX_NAME, fields=fields)
index_client.create_or_update_index(index)
print(f"索引 {INDEX_NAME} 已创建")

# ===== 导入数据 =====
search_client = SearchClient(
    endpoint=SEARCH_ENDPOINT,
    index_name=INDEX_NAME,
    credential=AzureKeyCredential(SEARCH_ADMIN_KEY)
)

with open("sap_sales_data.json", "r", encoding="utf-8") as f:
    documents = json.load(f)

result = search_client.upload_documents(documents=documents)
print(f"已导入 {len(documents)} 条记录，成功: {result.succeeded_count}")

# ===== 查询示例 =====
results = search_client.search(
    search_text="毛利率偏低",
    filter="region eq '华东'",
    select=["id", "product", "margin_pct", "notes"],
    top=5
)

for r in results:
    print(f"{r['id']} | {r['product']} | 毛利率: {r['margin_pct']}% | 备注: {r['notes']}")

第三步：接入 Azure OpenAI，让数据"可对话"

from openai import AzureOpenAI

# ===== 配置（替换为你的实际值）=====
AOAI_ENDPOINT = "https://<your-resource>.openai.azure.com"
AOAI_KEY = "<your-azure-openai-key>"
AOAI_DEPLOYMENT = "gpt-4.1"  # 你的部署名称

client = AzureOpenAI(
    azure_endpoint=AOAI_ENDPOINT,
    api_key=AOAI_KEY,
    api_version="2025-04-01-preview"
)

def ask_sap_data(question: str) -> str:
    """先从 AI Search 检索相关数据，再让 GPT 基于事实回答"""

    # 1. 从索引中检索相关记录
    search_client = SearchClient(
        endpoint=SEARCH_ENDPOINT,
        index_name=INDEX_NAME,
        credential=AzureKeyCredential(SEARCH_ADMIN_KEY)
    )
    search_results = search_client.search(
        search_text=question,
        top=10,
        select=["id", "region", "product", "quantity", "revenue", "margin_pct", "quarter", "notes"]
    )

    # 2. 把检索结果组装为上下文
    context_items = []
    for r in search_results:
        context_items.append(
            f"订单{r['id']}：{r['region']}区，产品{r['product']}, "
            f"收入{r['revenue']}元，毛利率{r['margin_pct']}%, "
            f"季度{r['quarter']}, 备注：{r['notes']}"
        )
    context = "\n".join(context_items) if context_items else "未找到相关数据"

    # 3. 让 GPT 基于上下文回答
    response = client.chat.completions.create(
        model=AOAI_DEPLOYMENT,
        messages=[
            {"role": "system", "content": "你是 SAP 业务数据分析助手。只根据提供的数据回答，如果数据不足以回答，明确说明。"},
            {"role": "user", "content": f"基于以下 SAP 数据回答问题：\n{context}\n\n问题：{question}"}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

# 测试
answer = ask_sap_data("华东区上季度毛利率下降的主要原因是什么？")
print(answer)

运行前需要修改的配置项： - SEARCH_ADMIN_KEY：从 Azure CLI 输出中获取 - AOAI_ENDPOINT、AOAI_KEY、AOAI_DEPLOYMENT：你的 Azure OpenAI 资源信息 - sap_sales_data.json：替换为你从 SAP 实际导出的业务数据

这个模式的核心思路是 Search → Context → Generate，也是当前企业把结构化数据变成"可对话资产"的主流架构。SAP BTP 上的 AI 服务未来会提供更原生的集成路径，但今天用 Azure AI Search + OpenAI 组合是最快能跑起来的方案。

落地前想清楚的三件事

数据边界比模型选择更重要。 SAP 系统里的数据有严格的权限模型——谁能看哪个组织的数据、哪个成本中心的明细。把数据导出给 AI 查询时，权限边界不能丢。建议在 AI Search 的 filter 中硬编码组织约束，而不是指望 prompt 来"尊重权限"。

先选一个痛点场景闭环，再谈规模。 Sapphire 公告描绘的是全栈 AI 化的愿景，但落地时最有效的路径是选一个高频痛点——比如发票异常处理、供应商风险预警、销售报价生成——做到从数据接入到 AI 辅助决策再到 SAP 系统回写的完整闭环。一个闭环跑通，比十个半成品更有说服力。

Azure 区域和 SAP 系统的就近原则。 AI Search 和 OpenAI 资源部署在离 SAP HANA 同区域，能减少数据传输延迟和合规风险。ACSS 部署的 SAP 系统通常在特定区域，AI 资源应跟随而非跨区。

Sapphire 2026 的公告标志着 SAP on Azure 从"基础设施层合作"进入了"AI 运行时层合作"。对企业来说，这意味着不需要在 SAP 生态和 Azure AI 之间做架构妥协——两者正在变成同一根管道上的不同接口。下一步要做的，不是等更多公告，而是用现有能力在一个真实业务场景里跑出第一个闭环。