SAP: как корпоративное управление AI защищает прибыльность бизнеса
По мнению SAP, корпоративное управление AI защищает маржу прибыли, заменяя статистические догадки детерминированным контролем.
Попросите потребительскую модель посчитать слова в документе — и она нередко ошибется на десять процентов. Манос Раптопулос, глобальный президент по Customer Success в Европе, APAC, на Ближнем Востоке и в Африке в SAP, отмечает, что разрыв между почти идеальной и идеальной точностью абсолютен.
«Разница между точностью 90% и 100% не является постепенной. В нашем мире она экзистенциальна», — говорит Раптопулос.
По мере того как организации выводят large language models в production-среды, Раптопулос подчеркивает, что критерии оценки официально сместились в сторону точности, governance, масштабируемости и ощутимого бизнес-эффекта.
Перед советами директоров сейчас стоит насущная задача, связанная с переходом от пассивных инструментов к активным цифровым агентам. Раптопулос называет этот переход ключевым моментом governance и говорит, что SAP будет делать на нем акцент на AI & Big Data Expo North America в этом году.
Agentic AI-системы уже умеют планировать, рассуждать, координироваться с другими агентами и автономно выполнять workflows. Поскольку такие системы напрямую работают с чувствительными данными и влияют на решения в масштабе, Раптопулос считает, что управлять ими нужно так же, как и человеческой рабочей силой; иначе организация сталкивается с серьезным операционным риском. Он предупреждает, что расползание агентов повторит кризисы shadow IT прошлого десятилетия, хотя ставки сегодня значительно выше.
Согласно его подходу, обязательными требованиями становятся управление жизненным циклом агентов, определение границ автономности, обеспечение соблюдения policy и непрерывный мониторинг производительности.
Интеграция современных vector databases, которые отображают семантические связи корпоративного языка, с устаревшими relational architecture требует огромных инженерных затрат. Команды должны жестко ограничивать inference loop агента, чтобы hallucinations не испортили финансовые или логистические execution paths. Такие строгие параметры увеличивают вычислительную latency и затраты hyperscaler на compute, меняя первоначальные прогнозы P&L.
Когда автономной модели нужно постоянно и с высокой частотой обращаться к базе данных, чтобы сохранять детерминированные результаты, token costs быстро растут. В таких условиях governance становится жестким инженерным ограничением, а не просто чек-листом compliance.
Раптопулос утверждает, что корпоративные советы должны решить три базовые задачи до внедрения agentic-моделей: определить, кто несет ответственность за ошибку агента, выстроить audit trails для машинных решений и задать точные пороги для эскалации к человеку. Геополитическая фрагментация делает ответы на эти вопросы еще сложнее.
Суверенные cloud-инфраструктуры, AI-модели и требования data localisation — это уже регуляторная реальность на крупных рынках, включая New York, Frankfurt, Riyadh и Singapore. Предприятиям необходимо встраивать детерминированный контроль прямо в probabilistic intelligence. Раптопулос считает это требованием уровня C-suite, а не IT-проектом.
Структурирование relational intelligence для коммерческих операций
AI-системы по-прежнему полностью зависят от качества данных и процессов, на которых они работают; это то, что Раптопулос называет моментом data foundation.
Фрагментированные master data, разрозненные бизнес-системы и чрезмерно кастомизированные ERP-среды вносят опасную непредсказуемость в самые неподходящие моменты. Раптопулос объясняет: если автономный агент опирается на слабую основу, чтобы дать рекомендацию, влияющую на cash flow, отношения с клиентами или позиции по compliance, операционный ущерб возникает мгновенно.
Чтобы извлечь ощутимую ценность для бизнеса, нужно выйти за пределы generic large language models, обученных на интернет-корпусе текста. Настоящий enterprise intelligence, по версии Раптопулоса, должен опираться на proprietary corporate data, включая заказы, счета, записи supply chain и финансовые проводки, встроенные непосредственно в бизнес-процессы. Он утверждает, что relational foundation models, оптимизированные именно под структурированные бизнес-данные, будут стабильно превосходить generic-модели в прогнозировании, обнаружении аномалий и operational optimisation.
Чисто операционная сложность превращения чрезмерно кастомизированной ERP-среды в понятную foundation model тормозит многие внедрения. Команды data engineering тратят слишком много циклов на очистку фрагментированных master data только для того, чтобы создать базовый слой, который AI сможет загружать.
Когда relational model нужно точно интерпретировать сложные proprietary supply chain records вместе с сырыми invoice data, базовые data pipelines должны работать без latency. Если ingest данных не удается, predictive capabilities модели мгновенно деградируют, и агент становится функционально опасным для бизнеса.
Интеграция устаревшей архитектуры с современным relational AI требует перестройки глубоко укоренившихся data pipelines. Инженерным командам приходится индексировать десятилетия плохо классифицированных planning data, чтобы embedding models могли формировать точные vector representations. Следуя логике Раптопулоса, советы директоров должны оценивать, действительно ли их текущий data estate готов, а не просто накладывать probabilistic intelligence на разрозненную основу.
Проектирование intent-based интерфейсов
Взаимодействие с enterprise applications смещается от статических интерфейсов к generative user experiences — и Раптопулос называет это employee interaction moment.
Вместо ручной навигации по сложным программным экосистемам сотрудники будут выражать системе свой intent. Раптопулос приводит пример: пользователь просит software подготовить брифинг к визиту самого выручкоемкого клиента на этой неделе. Затем AI agents orchestrate необходимые workflows, собирают контекст и показывают рекомендованные действия.
Однако, подчеркивает Раптопулос, внедрение среди сотрудников зависит от доверия. Сотрудники примут таких цифровых напарников только тогда, когда будут уверены, что выводы системы соблюдают установленные governance-границы, отражают реальные business rules и дают измеримый рост productivity.
Для таких систем нужны role-specific AI personas, адаптированные под роли CFO, CHRO или руководителя supply chain. Раптопулос отмечает, что такие персоны должны опираться на trusted data и быть встроены в привычные корпоративные workflows, чтобы действительно сократить разрыв во внедрении.
Достижение такого уровня интеграции — это дизайнерское решение с серьезными последствиями. Компании, готовые инвестировать капитал в AI-native architecture, ускоряют окупаемость, тогда как предприятия, пытающиеся пристроить probabilistic models к legacy interfaces, сталкиваются с проблемами доверия, удобства и масштаба.
Технологические руководители, пытающиеся навязать современную AI orchestration монолитным приложениям, часто сталкиваются с серьезными задержками интеграции. Передача probabilistic API calls через устаревший enterprise middleware приводит к задержкам интерфейсов и разрушает intent-based workflow. Проектирование role-specific personas требует не только prompt engineering: необходимо перенести сложные access controls, permissions и business logic в активную память модели.
Построение конкурентной защиты
Финансовая отдача от AI быстрее всего проявляется в клиентских взаимодействиях. Раптопулос отмечает, что обучение моделей на proprietary records, внутренних правилах и исторических журналах создает слой customer-specific intelligence, который конкурентам трудно скопировать. Лучше всего такая схема работает в workflows с большим числом исключений, например в dispute resolution, claims, returns и service routing.
Внедрение автономных агентов, способных классифицировать кейсы, находить нужную документацию и рекомендовать решения, соответствующие policy, превращает эти дорогие процессы в заметное конкурентное преимущество.
Такие модели адаптируются на основе результатов каждого взаимодействия. Раптопулос указывает, что корпоративные покупатели ценят прежде всего надежный, релевантный и отзывчивый сервис, а не технологические трюки. Компании, которые используют AI для обработки больших объемов работы, сохраняя при этом жесткий контроль над конечными выводами, создают барьеры входа, которые generic tools не могут преодолеть.
Внедрение корпоративного intelligence требует, чтобы C-suite параллельно выстраивал три отдельные слоя — это Раптопулос называет strategy moment.
Первый слой — embedded functionality, когда прирост продуктивности за счет персон создается прямо внутри core applications и быстро дает отдачу. Второй слой требует agentic orchestration, то есть координации нескольких агентов в cross-system workflows. Третий слой сосредоточен на отраслевом intelligence и включает глубоко специализированные приложения, создаваемые совместно для решения самых ценных задач конкретного сектора.
Лидеров подстерегает ловушка ложной последовательности. Если сосредоточиться только на embedded tools, можно не получить огромную финансовую ценность, а слишком ранний рывок к глубоким отраслевым приложениям без должного governance и зрелости данных многократно повышает корпоративный риск.
Раптопулос советует масштабировать такие модели, соотнося амбиции компании с реальной технической готовностью. Руководству нужно финансировать clean core architecture, обновлять data pipelines и закреплять cross-functional ownership, чтобы перейти от пилотов к промышленной эксплуатации. Самые прибыльные внедрения рассматривают AI как центральный операционный слой, требующий того же управления, что и человеческий персонал.
Финансовый разрыв между 90-процентной точностью и полной определенностью и определяет, где находится реальная enterprise value. Решения по governance, принятые в ближайшие месяцы, покажут, станут ли отдельные AI-внедрения мощным источником устойчивого преимущества или дорогим уроком.
См. также: Управление AI-агентами выходит на первый план, поскольку регуляторы указывают на пробелы в контроле
Хотите узнать больше об AI и больших данных от отраслевых лидеров? Посетите AI & Big Data Expo, которая пройдет в Amsterdam, California и London. Это масштабное мероприятие входит в TechEx и проводится совместно с другими ведущими технологическими событиями, включая Cyber Security & Cloud Expo. Для получения дополнительной информации нажмите здесь.
AI News работает на базе TechForge Media. Ознакомьтесь с другими предстоящими мероприятиями и вебинарами по корпоративным технологиям здесь.
Материал — перевод статьи с английского.
Оригинал: SAP: How enterprise AI governance secures profit margins