工作智能体需要的不只是职位表。推荐培训或内部候选时，它必须区分近期项目实践、旧课程记录与自报技能。SAP 拟收购 TechWolf，使上下文层成为企业 AI 采购问题。
双方于 10 月 6 日宣布协议，预计 2026 年第四季度交割，仍有审批等条件，价格未披露。SAP 计划连接 SuccessFactors、Joule 并继续服务非 SAP 客户。这些是待验证计划，不是已完成成果。
问清推断的证据
TechWolf 从既有 HR 与业务系统关联任务、技能、岗位和劳动力需求，更新工作图景，不只依赖员工维护档案。选择相关关系可让检索更聚焦，但 token 与部署成本节省仍需实际测量。
应问技能来自培训、背书还是多次项目实践，何时观察、置信度多少。这些证据不等价，通用模型的岗位描述不能回答企业具体情况。
例如重设计客服：案例数据找慢流程，任务数据解释工作，技能证据帮助培训或内部流动，比给整个职业贴自动化标签更可执行。
工作地图不是人的判决
代码、工单、共享文档留痕明显；指导、关系、体力劳动及非正式解题未必如此。证据缺失不能默认为能力缺失。
员工获得项目机会也不平等。把历史机会当能力会复制差距。在使用推断档案前，需要可见来源、置信度、权限、保留政策及实际纠错。
规划与人事决定应区分。图谱可辅助任务讨论，不自动授权招聘、晋升或解雇；高影响用途需要更强验证和明确的人类责任。
把开放性当运营承诺验收
TechWolf 已跨 Workday、ServiceNow 等平台，Workday 也内部使用。SAP 说非 SAP 访问会继续，实际要看集成、新模型、支持和发版是否仍适合混合环境。
询问处理地点、可访问团队和退出导出。可移植数据应保留关系、修正与置信度，而非只有平面技能表。
衡量决策改善，不只图谱规模
试点测档案修正、建议采纳、实施成本及不同数字留痕员工的效果；按真实配置比较检索与智能体成本。公司部署人数表明覆盖，不是独立准确率。
价值取决于业务上下文、公平可纠错推断，以及所有权改变后仍开放。企业可以现在定义正当用途并测试证据，等待具体整合路线，而非把协议当成完工产品。