Predstavte si, že si kúpite vozidlo Formuly 1. Technologický vrchol svojho odboru – telemetria v reálnom čase, tisíce senzorov a výkon závislý od toho, aby bol každý signál úplne presný.
Teraz si však predstavte, že si nie ste istí kvalitou paliva, polovica senzorov nie je správne nakalibrovaná a tri technické tímy vám zakaždým hlásia inú rýchlosť. Problém nie je v samotnom aute. Problém je v informáciách, podľa ktorých funguje.
Presne tak dnes vyzerá množstvo diskusií o umelej inteligencii v prostredí SAP. Vedenie firiem rieši AI. Manažéri sa zaujímajú o využitie copilotov. Dodávatelia predstavujú inteligentných agentov a prediktívne scenáre. Keď však príde reč na vlastníctvo dát, konzistentnosť reportingu, dátovú líniu, vlastnú aplikačnú logiku alebo správu dát, nadšenie často vystrieda ticho.
Cieľom tohto článku nie je tvrdiť, že SAP nie je pripravený na AI. Práve naopak – SAP výrazne investuje do dátových platforiem, analytiky aj funkcií založených na umelej inteligencii. Skutočná otázka znie inak: sú SAP prostredia, ktoré dnes firmy prevádzkujú, pripravené poskytovať AI čisté, dôveryhodné a dobre spravované dáta? Vo väčšine prípadov zatiaľ nie.
Častou chybou je začať výberom AI nástroja. Ktorého copilota by sme mali používať? Ktorý model je najlepší? Dokážeme nad SAP dátami vytvoriť chatbota? To sú oprávnené otázky, ale len málokedy by mali byť tie prvé.
Skôr než môže AI poskytovať dôveryhodné odpovede, musí organizácia vedieť, ktoré dáta sú správne, kto za ne zodpovedá, ako sú definované, odkiaľ pochádzajú a aké obchodné pravidlá ich ovplyvnili na ceste až k reportu.
Mnohé firmy sa roky spoliehali na neformálne postupy a skúsenosti ľudí. Kľúčoví používatelia vedeli, ktorému reportu môžu dôverovať. Controlling vedel, ktorá excelová tabuľka obsahuje finálne čísla. Architekti vedeli, do ktorej vlastnej tabuľky alebo integrácie nie je vhodné zasahovať pred uzávierkou. AI však túto „firemnú ľudovú múdrosť“ nepozná. Pracuje s dátami, metadátami a kontextom. Ak niektorá z týchto častí chýba, AI základy neopraví. Len rýchlejšie odhalí ich slabé miesta.
Jednu dôležitú vec je ľahké prehliadnuť: pripravenosť na AI by nemala znamenať budovanie ďalšieho paralelného sveta reportingu. V mnohých prípadoch nie je prvým krokom vytváranie ďalších objektov, duplicitných dátových modelov ani novej vrstvy procesnej logiky. Prvým krokom je zjednodušenie.
Moderný dátový a BI model v prostredí SAP by mal obmedziť duplicity, zjednotiť význam dát a zjednodušiť pochopenie obchodných definícií. Ak sú tržby, zákazníci, materiály alebo výpočty marže interpretované na rôznych miestach odlišne, AI tento zmätok neodstráni. Naopak, bude ho ďalej šíriť.
Práve v tomto kontexte je potrebné správne chápať technológie, ako sú SAP Business Data Cloud, SAP Datasphere, SAP Analytics Cloud, Microsoft Fabric alebo Databricks. Nie sú zázračnou skratkou. Ich skutočná hodnota závisí od toho, či ich organizácia využije na vytvorenie prehľadnejšieho, riadeného a opakovane využiteľného dátového základu, namiesto toho, aby iba presunula existujúcu zložitosť na novšiu platformu.
| Otázka | Ak odpoveď nie je jasná | Praktický ďalší krok |
|---|---|---|
| Dôverujú používatelia reportovaným údajom? | AI môže ďalej prehlbovať nekonzistentný reporting. | Overte logiku reportingu a definície KPI. |
| Sú pre kmeňové dáta jasne určení vlastníci? | Odporúčania AI budú preberať duplicity aj lokálne úpravy dát. | Nastavte vlastníctvo dát a pravidlá ich kvality. |
| Je možné vysvetliť dátovú líniu (data lineage)? | Používatelia nebudú schopní overiť výstupy AI. | Zdokumentujte transformácie dát od zdroja až po report. |
| Je vlastná aplikačná logika prehľadne zdokumentovaná? | AI môže vychádzať zo skrytých zákazníckych pravidiel. | Zmapujte vlastné tabuľky, reporty a rozhrania. |
Aj preto je potrebné byť opatrný už pri samotnom názve tohto článku. Jeho posolstvom nie je, že problémom je SAP ako dodávateľ. Často je to práve naopak – SAP poskytuje štandardné funkcionality, predpripravený business obsah a jasný smer pre správu dát a využitie AI.
Skutočná zložitosť zvyčajne začína až v prostrediach prispôsobených konkrétnym zákazníkom: vo vlastnom vývoji, Z-tabuľkách, lokálnej logike reportingu, historických rozhraniach, manuálnych úpravách v Exceli alebo projektových skratkách, ktoré zostali súčasťou produkčného prostredia dlhé roky.
Žiadne z týchto rozhodnutí pritom nemuselo byť vo svojej dobe nesprávne. Naopak – mnohé z nich riešili reálne obchodné potreby. Vo chvíli, keď do hry vstupuje AI, sa však každá nezdokumentovaná úprava stáva súčasťou dátového základu. Ak má AI vysvetliť maržu, predpovedať dopyt alebo odpovedať na obchodnú otázku, musí rozumieť aj vlastnej logike, ktorá sa za týmito číslami skrýva.
Inými slovami: pripravenosť na AI nie je o hľadaní vinníka v SAP. Ide o to zviditeľniť, riadiť a efektívne využiť všetko, čo je špecifické pre konkrétne zákaznícke prostredie.
V mnohých organizáciách v strednej a východnej Európe nie je problémom nezáujem o modernizáciu. Firmy k nej jednoducho pristupujú pragmaticky. Niektoré zatiaľ zostávajú na platforme ECC. Iné zvažujú prechod na S/4HANA alebo Private Cloud Edition. Niektoré najskôr modernizujú integračnú vrstvu. Ďalšie sa sústreďujú na SAP BI, plánovanie a analytiku, pretože práve v oblasti reportingu už pociťujú najväčšie problémy.
Nejde o prejav nízkej úrovne vyspelosti. Je to odraz prevádzkovej reality, rozpočtových možností, lokálnych procesov aj historických úprav systému. Pre mnohých zákazníkov v regióne CEE by preto mala byť pripravenosť na AI vnímaná ako prirodzené pokračovanie práce, ktorú aj tak potrebujú vykonať: zjednodušiť reporting, jasne definovať vlastníctvo dát, obmedziť skrytú logiku a pripraviť riadený dátový základ pre budúcu analytiku a využitie AI.
SoftwareOne pomáha zákazníkom posunúť diskusiu od otázky „Chceme AI“ k oveľa dôležitejšej otázke: „Aký dátový základ pre AI potrebujeme najskôr vytvoriť?“ V Českej republike, na Slovensku aj v celom regióne CEE pritom prepája skúsenosti so SAP architektúrou, oblasťou SAP Data & BI, technológiami SAP Datasphere a SAP Analytics Cloud, dátovými technológiami Microsoft aj scenármi postavenými na platforme Databricks.
Prvým krokom zvyčajne nebýva rozsiahly transformačný program. Začína cieleným posúdením dôveryhodnosti reportingu, vlastníctva kmeňových dát, vlastnej aplikačnej logiky, dátovej línie (data lineage), governance aj dostupných technologických platforiem. Na základe týchto zistení sa zákazníci môžu rozhodnúť, či potrebujú poradenstvo v oblasti SAP Datasphere, stratégiu pre SAP Business Data Cloud, rozvoj SAP Analytics Cloud, scenáre využívajúce Databricks alebo jednoducho lepšie nastavený prevádzkový model pre správu kvality dát a ich vlastníctva.
Cieľ je jednoduchý: menej duplicít, menej skrytej logiky, väčšia dôvera v podnikové dáta a realistická cesta k efektívnemu využitiu AI.
Najúspešnejšie iniciatívy v oblasti AI sa zvyčajne nezačínajú ako AI projekty. Začínajú ako dátové projekty s jasným cieľom – pripraviť kvalitný základ pre budúce využitie AI.
Ak sa doterajšie diskusie okolo SAP sústreďovali na získanie času, zníženie integračného dlhu alebo modernizáciu architektúry, tá ďalšia bude ešte zásadnejšia: môže vaša organizácia dôverovať dátam, s ktorými bude AI pracovať?
Skôr než si položíte otázku, či je vaše SAP prostredie pripravené na AI, skúste si odpovedať na jednu jednoduchšiu: Dôverujete dnes svojim dátam? Ak odpoveď nie je jednoznačné áno, práve tu by ste mali začať.
Zistite, ako vybudovať dôveryhodný dátový základ pre AI. Obráťte sa na našich odborníkov na SAP Data & BI.
Zistite, ako vybudovať dôveryhodný dátový základ pre AI. Obráťte sa na našich odborníkov na SAP Data & BI.
