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，

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​

用后，才真正 转化为推动社会变革的生产力。一项技术若只能在实验室、在少数专家的手中、 针对少数问题创造“奇迹”，那它便只是珍稀的“炼金术”，而非普惠的“工业 革命”。 人工智能今日之困境，正在于此。其规模化之路面临两大根本性障碍：一是 生产力的问题，即如何将 AI 的能力系统性、可靠性、低成本、规模化地应用于 千行百业的核心场景；二是生产关系的问题，即如何构建与之匹配的商业模式、 工 我国完备的产业链为工程智能的应用落地提供了得天独厚的沃土；同时，以大模 型为代表的新一代人工智能技术突破，为工程智能在各工程领域的全面渗透提供 了强大的技术驱动力。 然而，实现工程智能规模化赋能的进程并非坦途。核心挑战在于如何跨越工 程领域固有的专业壁垒，满足其对可靠性的严苛要求，解决人工智能技术落地时 面临的效率与成本问题、系统融合与协同问题等瓶颈。此外，人才培养、治理机 制与生产关系等配套体系尚不完善，也为规模化发展带来复杂挑战。 识世界”为目标，致力于探索自然规律、构建理论体系，其方法论核心在于理论 工程智能白皮书 AI for Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 3 推导与实验验证；而工程则以“改造世界”为目标，聚焦于将科学理论转化为现 实的产品、设施或解决方案，其方法论核心在于可行性验证与实践优化。这一“理 论”与“实践”的分野，正是理解工程智能定义的逻辑起点。

入霍尼韦尔卓越运营体系，浙江锦华用六年时间 完成了令人瞩目的蜕变――营收增长 3 倍，人均效能提升近 4 倍，从后进单位跃升为行业标杆。 作为这一历程的参与者、亲历者，我深切感受到锦华成功的核心在于把握住了转型升级的关键，首 先是“空杯心态”的勇气，全盘接纳先进管理体系；其次是“铁三角”领导团队的担当，将精益理 念转化为组织共识；最重要的是“持续改进”的坚持，使精益管理从工具方法升华为企业文化。 、开 花结果。 当前，中国制造业正处于从“制造”向“智造”转型的关键时期，锦华的经验证明，数字化转型不 仅需要技术升级，更需要管理变革和组织能力建设作为支撑。这个案例的价值，不仅在于其取得的 量化成果，更在于它展示了一条可复制、可持续的转型升级路径。 霍尼韦尔愿将这样的成功经验分享给更多中国企业。让我们以卓越运营为基石，以持续创新为动力， 共同推动中国制造业实现高质量发展，为建设制造强国贡献力量。 提供具有学术价值和实践意义的参考样本。 锦华公司的转型升级具有显著的研究价值。作为曾经面临严峻经营挑战的集团“后进单位”， 该公司通过六年的精益管理实践，成功实现了向行业标杆的跃升。其独特之处在于，这一转 变主要依托于系统性管理创新，而非依赖大规模技术改造，这一路径选择为理解中国制造企 业的转型升级提供了全新的视角。 本研究采用了深度访谈、现场观察和文献分析相结合的多元化案例研究方法。在研究过程中，

控派梯、 人脸识别技术、云计算等逐渐走入我们的生活中，进一步影响到楼宇人员的出入。 1.2 需求分析 目前现代化企业大楼的管理模式逐步迈向信息化，企业管理的方式也在逐渐转型， 楼宇管理的重点在于对楼宇人员的进出管理。大厦管理方均希望提供给业主租户提供 一个具有很强科技感、高效、安全、便利、用户体验良好的高科技大楼。因此大厦对 人行道闸及访客系统在做深化设计，含人脸识别、门禁、二维码访客、智能派梯系统， 值。 1.2.2 数据运营 数据管理体系构建的基础和核心都已不再是传统管理模式的团队和制度，当然大 数据商业管理体系技术的战略意义也不在于掌握庞大的数据信息，而是对这些数据进 行专业化处理、分析与发掘的能力养成和发展。数据商业管理体系产业化的关键在于 对数据的“训练”能力，通过“训练”实现数据增值的过程。 1.3总体目标 本大厦智能人员通行管理解决方案，是基于我公司自主研发的楼宇出入口信息化 在人脸识别的基础上，可以结合刷卡、密码等多种验证方式，来提高通行安全性。 下图是北京宝马办公室采用人脸+刷卡形式 3.4.4 便捷性与安全性 人脸识别技术相对于传统的门禁交互方式，最显而易见的优势在于识别过程中不 需要人员配合，就能够完成整个验证过程，从而解放了双手，最大程度上做到了方便 通行。 人脸信息作为人员自身携带唯一性的标志，解决了刷卡式通道一卡多刷、人卡不 一的弊病，真正做到通

按资产属性和技术属性分类 如果从资产属性和技术属性两个维度对数据资产进行 分类。从资产属性看，可分为传统资产的数字化与线上数字 内容的资产化。从技术属性看，可以分为非代币化资产与代 币化资产。其中，代币化是指将存在于传统账本上的金融或 实际资产的所有权记录到区块链可编程平台上的过程。 （三）数据资产的关键特性 数据资产的独特价值，源于其一系列区别于传统资产的 关键特征。深入理解这些特征，对于制定有效的数据战略、 据作为独立资产进行确权、流通和交易，通过交易、抵押、 融资等方式实现从数据资源向数据资产的跃迁，最终完成价 值变现。 当前数据资产化仍处于探索阶段，尚未形成统一认知。 一方面受限于制度和技术条件，另一方面在于数据资产评估 缺乏共识，价值认定存在分歧，尽管已有数据资产评估的国 家标准出台，但推广应用仍需加强。要实现数据资产的社会 化流转，还需增强社会对数据资产价值的认可度。 （二）实施路径 9 单响应周期缩短 50%，不入库率达到 65%，成衣生产周期缩 短 36.6%，产能提升 50%。 14 五、数据资产驱动制造业数字化转型 （一）数据资产是制造业企业数字化转型的基础 数字化转型的核心在于利用数字技术和数据资源，重构 业务流程、客户体验与商业模式，以提升效率、增强竞争力 并推动创新。数据资产作为信息和知识的关键载体，是企业 数字化转型的基础，而且高质量、结构化、可治理的数据资

标准及其他协议，如蓝牙、Thread、Zigbee、Matter 等。 工作频段 分为单频（2.4GHz 或 5GHz）、双频（2.4GHz+5GHz）、三频（2.4GHz+5GHz+6GHz）。2.4GHz 频段优势在于覆盖广、穿透性强， 短板是易受其他无线设备干扰，速率受限；5GHz 频段速率优势显著，但覆盖与穿透能力较弱；6GHz 频段则解决了 5GHz 频段带 宽资源紧张问题，进一步提升传输速率。双频及三频设 标准的演进路径呈现显著差异化特征，其核心驱动 力始终围绕带宽拓宽与传输速率提升展开，并未绑定特定应用场景。这种技术迭代逻辑直接导致不同类型终端对 Wi-Fi 最 新标准的跟进节奏呈现明显分化，而背后的核心决策变量在于性能诉求与成本控制的动态平衡。 从终端适配优先级来看，路由器、网关等网络基础设施作为 Wi-Fi 信号的核心输出端，往往成为最新标准的率先落地 载体，对应的 Wi-Fi 路由 AP 芯片市场长期 有效下降前，高性能 Wi-Fi 产品极易因技术过剩 导致市场接受度不足，难以形成规模化应用。 但从产业发展规律来看，Wi-Fi 从 4 代向 6 代的技术演进仍具备不可替代的战略价值，其核心意义在于通过优化网络 延迟、提升连接稳定性，为物联网场景提供更适配的通信解决方案，进而支撑终端产品的功能创新与差异化竞争。 当前，对传输速率和时延有刚性需求的音视频类物联网产品，如 IPC（网络摄像头）、猫眼可视化智能门锁等，已成

理的需求，但传统刷卡验证的方式，给人们通行带来了不便，而冒用他人证件通行的行 为也给整体安全性埋下隐患。 1.2 需求分析 随着企业管理模式逐步迈向信息化，企业管理的方式也在逐渐转型，企业管理的重 点在于对企业人员的管理。 1.2.1 智能管理 随着信息技术的发展，企业管理进入了信息时代，而企业生存发展的需要、信息管 理的发展、人工智能思想与技术在企业的延伸共同造就了企业智能管理的出现， 智能管 值。 1.2.2 数据运营 数据管理体系构建的基础和核心都已不再是传统管理模式的团队和制度，当然大数 据商业管理体系技术的战略意义也不在于掌握庞大的数据信息，而是对这些数据进行专 业化处理、分析与发掘的能力养成和发展。数据商业管理体系产业化的关键在于对数据 “ ” “ ” 的 加工 能力，通过 加工 实现数据增值的过程。 第 3 页/共 36 页 智能人员通行管理解决方案 1.3 智能人员通行管理解决方案 3.4.3 多种验证方式结合 在人脸识别的基础上，可以结合刷卡、密码等多种验证方式，来提高通行安全性。 3.4.4 便捷性与安全性 人脸识别技术相对于传统的门禁交互方式，最显而易见的优势在于识别过程中不需 要人员配合，就能够完成整个验证过程，从而解放了双手，最大程度上做到了方便通行。 人脸信息作为人员自身携带唯一性的标志，解决了刷卡式通道一卡多刷、人卡不一 的弊病，真正做到通行人

XAI 评级标准）。这种方案已在原油期货市场的实证测试 中展现优势，在 2023 年 1-6 月期间实现了夏普比率 2.7、年化收益 率 23%的表现，且未出现单日超过 1.2%的回撤。其技术核心在于 构建了动态权重分配机制，如下所示的市场状态识别模块： 这种方案的价值不仅体现在直接的经济收益上，更重要的是为 机构提供了符合监管要求的可审计技术路径。根据我们的成本测 算，部署该方案的初期投入约为传统量化系统的 AI 量化交易概述 人工智能量化交易（AI Quantitative Trading）是指通过机器 学习、深度学习等 AI 技术对金融市场数据进行建模分析，并自动 执行交易决策的系统化方法。其核心在于将传统量化交易的数学统 计模型与 AI 的动态学习能力相结合，通过数据驱动的方式捕捉市 场非线性规律，实现收益优化和风险控制。典型的 AI 量化交易系 统包含数据层、算法层、交易层三大模块，形成从市场信号识别到 括单日亏损超过 5%自动暂停、连续 3 次信号失效触发人工干预等 保护措施。 2.2 AI 在量化交易中的应用 在量化交易领域，AI 技术的应用已从辅助决策发展为驱动交易 策略的核心引擎。其核心价值在于通过机器学习、深度学习及自然 语言处理等技术，实现对海量异构数据的高效挖掘与动态建模，从 而提升策略的适应性与收益稳定性。以下是 AI 在量化交易中的典 型应用场景与技术实现路径： 数据预处理与特征工程