SAP SE在2026年全美零售联合会大型展会上宣布推出一系列新的人工智能功能,将规划、运营、履约和商务更紧密地整合到其零售软件产品组合中。
该公司表示,这些更新旨在帮助零售商管理日益复杂的运营,因为客户参与正转向AI驱动的发现和自动化决策。这些公告包括数据分析、商品销售、促销、客户参与和订单管理方面的新功能,大部分功能计划在2026年上半年推出。
"人工智能,特别是智能体AI的力量,正在重塑事务处理方式,"SAP客户体验和消费行业总裁兼首席产品官Balaji Balasubramanian表示。"从规划到执行,再到提供卓越的客户体验,这是一个完整的端到端闭环零售系统。"
数据基础
该公告的核心要素是SAP业务数据云的新零售智能组件。SAP表示,该产品旨在统一来自SAP和第三方系统的销售、库存、客户和供应商数据,实现需求和库存规划的AI驱动仿真。
该系统旨在提高预测准确性,减少人工规划工作,降低库存成本,同时保持服务水平。
Balasubramanian表示,这种方法反映了零售商在规划人工和自动化流量方面必须采用的新方式的转变。"这不仅仅是人工流量,还有他们需要规划的机器人流量,"他说。"对于认知度的竞争战场至关重要,因为一旦获得认知度,零售商就能将其转化为推动盈利增长。"
新功能与之前的SAP分析工具不同,它们使用人工智能将前端客户参与与后端规划和执行连接起来。"漏斗顶端的有机流量正在下降,影响力正转向其他渠道,如答案引擎和大语言模型,"他说。"这些正在影响用户的去向。"
SAP还宣布在其面向零售和时尚客户的S/4HANA云公共版中推出AI辅助的商品组合管理。该功能允许规划人员通过SAP的Joule助手使用自然语言创建或修改商品组合。
"零售商最大的成本项目是库存持有、分销和履约,"Balasubramanian说。"我们希望帮助他们最小化这些成本,使他们能够以最优价格提供最广泛的商品组合。"
虽然大语言模型允许技术水平较低的用户规划商品组合,但SAP内置了防护措施,防止不当决策。"一旦设定了这些护栏,系统就会在其中工作,理解自然语言意图,"他说。"我们会显示那些意图与护栏不匹配的内容。"
全渠道感知
SAP还推出了将SAP全渠道促销定价软件与S/4HANA云公共版集成的销售促销功能,允许奖励购买等促销活动在物理和数字渠道中一致应用。
该公司还在其商务云中引入了店面模型上下文协议服务器,据称这允许零售商使店面数据对AI系统具有可理解性。
SAP还宣布在订单管理服务中推出订单可靠性智能体,旨在识别潜在的履约问题,并帮助零售商在影响客户之前解决订单状态和可用性问题。该公司在开发过程中与客户合作,但拒绝分享他们取得的具体性能指标。新宣布的功能将在2026年前六个月开始推出。
Q&A
Q1:SAP新推出的零售智能组件有什么作用?
A:SAP零售智能组件是SAP业务数据云的新组成部分,旨在统一来自SAP和第三方系统的销售、库存、客户和供应商数据,实现需求和库存规划的AI驱动仿真,从而提高预测准确性,减少人工规划工作,降低库存成本。
Q2:SAP如何通过AI帮助零售商管理商品组合?
A:SAP在S/4HANA云公共版中推出了AI辅助的商品组合管理功能,允许规划人员通过SAP的Joule助手使用自然语言创建或修改商品组合,同时内置防护措施防止不当决策,帮助零售商最小化库存、分销和履约成本。
Q3:SAP的订单可靠性智能体能解决什么问题?
A:订单可靠性智能体是SAP订单管理服务中的新功能,旨在识别潜在的履约问题,帮助零售商在影响客户之前主动解决订单状态和可用性问题,提升客户服务质量和订单处理效率。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。