其中，情境推理作为核心能力之一，依托可信数据的持久化支持。SAP Business Data Cloud 以 SAP HANA Cloud [HANA 云] 作为高性能、多模型处理层，提供向量搜索、知识图谱和关系型数据处理功能，确保 AI 服务始终植根于真实的业务数据、关联关系和业务规则之中。这些技术共同助力企业将 AI 从实验阶段推进到创造实际价值的新阶段。

当 AI 不仅能生成令人信服的回应，更能创造真正有意义的价值时，企业级 AI 才能发挥其作用。有效的 AI 解决方案必须能够访问可信的业务数据，理解各利益相关方之间的关系，并在组织治理规则的框架内运行。如果没有这一基础，AI 系统便可能与企业的实际运作脱节。

在 2026 年 SAP Sapphire 大会上，SAP 正式推出了 SAP Business AI Platform，作为构建、连接和管理 Autonomous Enterprise 中 AI 应用的基础。该平台整合了 AI、数据、业务流程背景和治理能力，帮助组织开发可在 SAP 及非 SAP 环境中扩展的智能解决方案。通过构建可复用的功能而非零散的孤立方案，企业能够将 AI 的价值延伸至各个团队、流程和业务领域。

SAP Business AI Platform 的核心能力之一，是情境推理。情境化使 AI 解决方案能够获取与特定任务相关的数据、业务规则、关联关系、语义定义及流程逻辑；推理则利用这些上下文信息，确定合适的响应、建议或下一步操作。

SAP Business Data Cloud 提供可信的数据和业务语义，支持跨企业数据源的情境推理。SAP HANA Cloud [HANA 云] 作为高性能的多模型数据库和处理层，为应用、分析和 AI 服务提供支撑，进一步完善了这一基础架构。这些能力共同帮助数据和 AI 团队构建基于完整业务上下文的解决方案，而不是仅仅依赖零散的信息片段。

构建可信且可复用的数据基础

数据工程师为情境化 AI 建立可信、可复用的数据基础。他们确保相关数据易于访问，定义一致的业务逻辑，并设计满足运营、安全和治理要求的集成模式。他们的工作目标，是让应用程序、分析服务和 AI 工作流能够使用可信信息，而无需创建不必要的数据副本或不一致的定义。

SAP HANA Cloud [HANA 云] 支持对 SAP 及非 SAP 数据进行联邦查询、复制乃至批量传输。这些选项使数据工程师能够根据源系统限制、工作负载需求、延迟要求及治理标准，灵活选择合适的集成方式。在 SAP Business AI Platform 中，这种灵活性有助于将相关业务数据高效交付给所需的服务和团队。

数据就绪后，工程师可使用 SQL、SQLScript 和计算视图创建可复用的数据模型和转换逻辑。计算视图使团队能够在数据库层面定义业务逻辑，从而让应用程序、分析服务和 AI 工作流以一致的方式使用这些数据。工程师无需为每个使用场景重新构建数据准备流程，而是可以创建受管控的模型，以支持多种类型的工作负载。

存储设计同样是高效数据持久化策略的核心。频繁访问且对性能敏感的数据可保留在内存中，而访问频率较低的数据则可通过原生存储扩展（Native Storage Extension）选项进行管理。这种方式有助于数据工程师根据工作负载的变化，在数据存放、访问模式和成本考量之间找到合理平衡。

SAP HANA Cloud [HANA 云] 还有助于构建更广泛的业务数据织网架构。SAP Datasphere 提供业务语义和数据联邦能力，SAP HANA Cloud [HANA 云] 则为数据密集型工作负载提供高性能的数据持久化和处理能力。这两项服务共同为自定义应用、分析体验及基于 AI 的服务建立共享基础。

最后，数据工程师应设计支持基于权限的访问、策略控制、数据血缘和可追溯性的数据架构。这些控制机制有助于确保 AI 服务仅获取与用户身份及业务任务相匹配的信息，同时也为追溯数据的访问、转换及支撑 AI 生成结果的过程提供基础。

将业务数据转化为洞察

数据科学家需要及时、可信的业务数据，以支持实验、分析处理及运营使用。反复将信息迁移至独立的数据科学平台，可能导致延迟、产生额外副本，并增加治理复杂性。SAP HANA Cloud [HANA 云] 提供了一个环境，让关系型数据、多模型数据与机器学习功能能够紧密配合，更贴近支持企业流程的业务数据。

嵌入式机器学习功能支持在数据库环境中直接进行高级分析处理。数据科学家无需依赖必须单独传输、管理和核对的数据抽取过程，即可直接在数据所在位置处理业务信息。当模型需要最新的运营数据，或分析结果需影响应用程序和业务工作流时，这种紧耦合尤为关键。

多模型能力允许数据科学家根据具体的分析问题选择最合适的模型。关系模型可表示结构化指标和业务实体，JSON 可支持灵活的应用数据，空间数据则可支持位置分析。图结构能在保持与企业数据共享连接的前提下，支持对层级、网络及关联实体的分析。

业务数据织网架构还可以通过在整个数据环境中提供受管控的数据产品和业务语义，进一步加强这一工作。数据科学家可在分析工作流中使用经过治理的资产，而 SAP HANA Cloud [HANA 云] 则为数据密集型任务提供持久化存储和处理能力。这种方法有助于保持业务上下文、分析结果与下游服务之间的关联性。

将 AI 植根于业务上下文

AI 工程师必须将AI服务与能够支撑可靠响应或行动的数据、规则和关系相连接。SAP Business AI Platform 为企业构建围绕数据和流程的AI解决方案提供了环境，但每项服务仍需具备特定任务的上下文。SAP HANA Cloud [HANA 云] 提供了向量、属性图、知识图谱和关系型功能，AI 工程师可利用这些能力来构建业务上下文基础。

向量引擎支持嵌入存储和向量相似性搜索。AI 工程师可以为相关内容创建嵌入，并将其与业务记录和运营数据一同存储，然后通过相似性搜索识别出与用户请求在语义上相关的信息。将向量与业务数据保留在共享持久化环境中，有助于减少不必要的重复，并保持检索内容与其源记录之间的紧密关联。

知识图谱和属性图功能则提供了另一种形式的业务上下文。知识图谱能够表示产品、政策、流程、组织概念及其他业务实体之间的事实与关系，而这些信息仅靠文档搜索可能难以捕捉。属性图功能可支持对层级结构、网络和关系路径进行关联数据分析，从而影响 AI 服务对信息的解读方式。

以一个支持采购决策的 AI 智能体为例。该智能体可利用向量相似性搜索识别相关策略内容，通过关系查询确定相关供应商信息，并借助图处理技术评估审批路径或供应商关系。最终生成的推荐结果将综合考虑相关内容、当前业务记录以及流程上下文。

Joule Studio 提供了一个统一的环境，用于在业务上下文中设计、构建和扩展 AI 智能体、应用程序及工作流。SAP HANA Cloud [HANA 云] 可提供持久化与处理层，为这些解决方案提供支持，实现对结构化、语义化且具备关系感知能力的数据的访问。这种组合有助于 AI 工程师构建能够检索相关信息、应用业务约束，并支持企业级智能工作流的服务。

从实验到企业级应用

企业 AI 有赖于数据工程师、数据科学家与 AI 工程师之间的协同配合。数据工程师负责建立可靠的数据访问机制和可复用模型，数据科学家开发分析与机器学习能力，AI 工程师则结合业务场景，构建能够检索、推理并执行操作的服务。共享的数据基础有助于缩小这些专业领域之间的鸿沟，帮助组织将 AI 解决方案从孤立的实验推向企业级应用。

SAP HANA Cloud [HANA 云] 通过高性能处理、多模型支持以及集成的分析与机器学习功能，提供了一个统一的基础平台。SAP Business Data Cloud 提供可信的数据和语义上下文，而 SAP Business AI Platform 则为构建、连接、治理和扩展智能解决方案提供了更广泛的运行环境。这些能力共同助力企业开发出能够体现业务关系、政策与流程的 AI 服务。

一个务实的切入点是：识别一个高价值的工作流，在该流程中 AI 既需要非结构化内容，也需要结构化的业务上下文。团队随后可明确支持该工作流所需的数据源、业务规则、关联关系、治理控制及成功衡量标准。从具体应用场景着手，有助于在将方案扩展至其他应用、分析服务和 AI 智能体之前，先行建立可复用的上下文推理模式。

SAP HANA Cloud [HANA 云] 为希望探索其功能的团队提供试用版和免费层级选项，具体依据适用的服务计划、配额及区域可用性而定。基础试用版提供共享租户环境，包含示例数据和引导资源，便于评估选定功能。当团队确定实际应用场景后，可使用免费层级版本构建技术原型，并可轻松转换为生产项目。