Hype vs virkelighet i SAP AI
Det er mye AI-prat i SAP-verdenen akkurat nå. SAP snakker om Joule, AI Core, Business AI, og hele spekteret av "intelligente" løsninger. Men for en norsk virksomhet som vurderer å investere i SAP AI, er det viktig å skille mellom hva som er tilgjengelig og fungerende i dag, og hva som er på veien.
La oss gå gjennom det vi faktisk ser fungere.
## Det som fungerer godt i dag
1. Automatisk klassifisering av strukturert SAP-data
Dette er det mest modne AI-brukstilfellet i SAP. Eksempler:
Disse bruker historiske SAP-transaksjoner som treningsdata, og norske virksomheter med 2-3 år med god SAP-data kan typisk oppnå 85-95% nøyaktighet. Det gjenværende 5-15% flagges for manuell behandling.
#
2. Anomalideteksjon i økonomidata
AI-basert deteksjon av avvikende transaksjoner i FI og CO er et annet modent område. SAP har innebygde tjenester for dette via SAP AI Services, og løsningen kan identifisere potensielle feil, duplikater og uvanlige mønstre raskere og mer konsekvent enn manuelle kontroller.
3. Prediktiv vedlikeholdsplanlegging med SAP PM
For virksomheter med god vedlikeholdshistorikk i SAP PM kan maskinlæringsmodeller predikere utstyrsfeil basert på historiske mønstre. Dette er særlig aktuelt i produksjon og energisektoren. SAP Asset Intelligence Network og SAP AI Core gir infrastrukturen.
### 4. SAP Joule for enkle brukeroppgaver
SAP Joule er nå tilgjengelig i S/4HANA Cloud og gir brukerne naturlig-språk-interaksjon for enkle SAP-oppgaver. I praksis fungerer Joule best for informasjonshenting ("Vis meg åpne innkjøpsordrer fra leverandør X") og enkle godkjenninger. For komplekse transaksjoner er Joule fortsatt begrenset.
## Det som er under utvikling
Generativ AI i SAP (utover Joule) er under sterk utvikling, men ikke produksjonsklart for de fleste norske virksomheter i 2025. Det inkluderer automatisk generering av SAP-kode fra beskrivelser, avansert naturlig-språk-spørring mot SAP-data, og autonome SAP-agenter. Disse vil være relevante, men planlegg ikke produksjonsklar implementasjon ennå.
## Hvordan komme i gang
Det beste rådet vi gir norske virksomheter er å starte med et begrenset, konkret brukstilfelle med klar ROI – ikke en stor AI-strategi. Klassifisering av innkjøpsfakturaer er et godt startpunkt fordi datakvaliteten er typisk god, resultatet er lett å validere, og besparelsen er kvantifiserbar.
Start med en PoC på 4-8 uker, mål resultatet mot manuelle prosesser, og ta beslutningen om full implementasjon basert på reelle tall – ikke AI-hype.
Har du spørsmål til artikkelen?
Ta kontakt