Než nasadíte AI: připravte svá SAP data

Představte si, že si pořídíte vůz Formule 1. Technologický vrchol svého oboru – telemetrie v reálném čase, tisíce senzorů a výkon závislý na tom, že každý signál je naprosto přesný.

Teď si ale představte, že si nejste jistí kvalitou paliva, polovina senzorů není správně zkalibrovaná a tři technické týmy vám pokaždé nahlásí jinou rychlost. Problém není v autě. Problém je v informacích, podle kterých funguje.

Přesně tak dnes vypadá řada diskusí o umělé inteligenci v prostředí SAP. Vedení firem řeší AI. Manažeři chtějí využívat copiloty. Dodavatelé představují inteligentní agenty a prediktivní scénáře. Jakmile ale přijde řeč na vlastnictví dat, konzistenci reportingu, datovou linii, vlastní aplikační logiku nebo správu dat, nadšení často vystřídá ticho.

Smyslem tohoto článku není tvrdit, že SAP není na AI připraven. Právě naopak – SAP intenzivně investuje do datových platforem, analytiky i funkcí založených na umělé inteligenci. Skutečná otázka zní jinak: jsou prostředí SAP, která dnes firmy provozují, připravena poskytovat AI čistá, důvěryhodná a dobře spravovaná data? Ve většině případů zatím ne.

Problémem obvykle není AI

Častou chybou je začít výběrem nástroje AI. Kterého copilota bychom měli používat? Který model je nejlepší? Dokážeme nad daty ze SAP postavit chatbota? To jsou legitimní otázky, ale jen málokdy by měly přijít jako první.

Než může AI poskytovat důvěryhodné odpovědi, musí organizace vědět, která data jsou správná, kdo za ně odpovídá, jak jsou definována, odkud pocházejí a jaká obchodní pravidla je po cestě do reportů ovlivnila.

Řada firem se po léta spoléhala na neformální postupy a lidskou zkušenost. Klíčoví uživatelé věděli, kterému reportu lze věřit. Controlling věděl, která tabulka v Excelu obsahuje finální čísla. Architekti věděli, do které vlastní tabulky nebo integrace není radno zasahovat před účetní uzávěrkou. AI ale tuto „firemní lidovou slovesnost“ nezná. Pracuje s daty, metadaty a kontextem. Pokud některá z těchto částí chybí, AI základy neopraví. Jen rychleji odhalí jejich slabiny.

Jednodušší BI model jako základ pro AI

Jednu důležitou věc lze snadno přehlédnout: připravenost na AI by neměla znamenat budování dalšího paralelního světa reportingu. V mnoha případech není prvním krokem vytváření dalších objektů, duplicitních datových modelů ani nové vrstvy procesní logiky. Tím prvním krokem je zjednodušení.

Moderní datový a BI model v prostředí SAP by měl omezovat duplicity, sjednocovat význam dat a usnadňovat porozumění obchodním definicím. Pokud jsou tržby, zákazníci, materiály nebo výpočty marže interpretovány na různých místech odlišně, AI tento zmatek neodstraní. Naopak jej bude dál šířit.

Právě v tomto kontextu je potřeba správně chápat technologie, jako jsou SAP Business Data Cloud, SAP Datasphere, SAP Analytics Cloud, Microsoft Fabric nebo Databricks. Nejsou zázračnou zkratkou. Jejich skutečná hodnota závisí na tom, zda je organizace využije k vytvoření přehlednějšího, řízeného a znovu využitelného datového základu, místo aby pouze přesunula stávající složitost na novější platformu

Na jaké otázky si odpovědět před nasazením AI nad SAP daty

Otázka	Pokud odpověď není jasná	Praktický další krok
Důvěřují uživatelé reportovaným údajům?	AI může dále prohlubovat nekonzistentní reporting.	Prověřte logiku reportingu a definice KPI.
Jsou pro kmenová data jasně určeni vlastníci?	Doporučení AI budou přebírat duplicity i lokální úpravy dat.	Nastavte vlastnictví dat a pravidla jejich kvality.
Lze vysvětlit datovou linii (data lineage)?	Uživatelé nebudou schopni ověřit výstupy AI.	Zdokumentujte transformace dat od zdroje až po report.
Je vlastní aplikační logika přehledně zdokumentovaná?	AI může vycházet ze skrytých zákaznických pravidel.	Zmapujte vlastní tabulky, reporty a rozhraní.

Vlastní vývoj je místem, kde často vznikají problémy

I proto je potřeba být opatrný už při samotném názvu tohoto článku. Jeho sdělením není, že problémem je SAP jako dodavatel. Často je tomu právě naopak – SAP nabízí standardní funkcionality, předpřipravený business obsah i jasný směr pro správu dat a využití AI.

Skutečná složitost zpravidla začíná až v prostředích přizpůsobených konkrétním zákazníkům: vlastním vývojem, Z-tabulkami, lokální logikou reportingu, historickými rozhraními, ručními úpravami v Excelu nebo projektovými zkratkami, které zůstaly součástí produkčního prostředí dlouhé roky.

Žádné z těchto rozhodnutí přitom nemuselo být ve své době špatné. Naopak – mnohá řešila reálné obchodní potřeby. Ve chvíli, kdy do hry vstupuje AI, se ale každá nezdokumentovaná úprava stává součástí datového základu. Má-li AI vysvětlit marži, předpovědět poptávku nebo odpovědět na obchodní otázku, musí rozumět i vlastní logice, která se za těmito čísly skrývá.

Jinými slovy: připravenost na AI není o hledání viníka v SAP. Jde o to zpřehlednit, řídit a efektivně využít vše, co je specifické pro konkrétní prostředí zákazníka.

Realita v regionu CEE: pragmatismus místo honby za novinkami

V řadě organizací ve střední a východní Evropě není problémem nezájem o modernizaci. Firmy k ní jednoduše přistupují pragmaticky. Některé zatím zůstávají na platformě ECC. Jiné zvažují přechod na S/4HANA nebo Private Cloud Edition. Některé nejprve modernizují integrační vrstvu. Další se soustředí na SAP BI, plánování a analytiku, protože právě v oblasti reportingu pociťují největší problémy.

Nejde o známku nízké vyspělosti. Je to odraz provozní reality, rozpočtových možností, lokálních procesů i historických úprav systému. Pro mnoho zákazníků v regionu CEE by proto měla být připravenost na AI vnímána jako přirozené pokračování práce, kterou stejně potřebují udělat: zjednodušit reporting, jasně definovat vlastnictví dat, omezit skrytou logiku a připravit řízený datový základ pro budoucí analytiku a využití AI.

Jak může pomoci SoftwareOne

SoftwareOne pomáhá zákazníkům posunout diskusi od otázky „Chceme AI“ k mnohem důležitější: „Jaký datový základ pro AI potřebujeme nejdříve vytvořit?“ V České republice, na Slovensku i v celém regionu CEE přitom propojuje zkušenosti se SAP architekturou, oblastí SAP Data & BI, technologiemi SAP Datasphere a SAP Analytics Cloud, datovými technologiemi Microsoft i scénáři postavenými na platformě Databricks.

Prvním krokem obvykle nebývá rozsáhlý transformační program. Začíná cíleným posouzením důvěryhodnosti reportingu, vlastnictví kmenových dat, vlastní aplikační logiky, datové linie (data lineage), governance i dostupných technologických platforem. Na základě těchto zjištění se zákazníci mohou rozhodnout, zda potřebují poradenství v oblasti SAP Datasphere, strategii pro SAP Business Data Cloud, rozvoj SAP Analytics Cloud, scénáře využívající Databricks, nebo jednoduše lépe nastavený provozní model pro správu kvality dat a jejich vlastnictví.
Cíl je jednoduchý: méně duplicit, méně skryté logiky, větší důvěra v podniková data a realistická cesta k efektivnímu využití AI.