SAP: agenci AI w firmach potrzebują grafów wiedzy i nadzoru, nie tylko chatbotów

SAP twierdzi, że przejście od firmowych chatbotów do autonomicznych agentów AI, które same wykonują procesy biznesowe, wymaga czegoś więcej niż mocniejszego modelu językowego. Firma stawia na dwa filary: grafy wiedzy osadzające agentów w konkretnym kontekście przedsiębiorstwa oraz warstwę nadzoru kontrolującą, co agent może zrobić.

Od chatbota do współpracownika

McPhee opisał moment, w którym agent AI przestaje być asystentem odpowiadającym na pytania, a zaczyna działać jak członek zespołu. Jego zdaniem to się dzieje wtedy, gdy system dostaje dostęp do rzeczywistego kontekstu firmy, a nie tylko ogólnej wiedzy, na jakiej trenowane są duże modele językowe.

Gdzie zaczynamy widzieć bardziej wyłaniające się zachowanie, przez które to czuje się jak współpracownik, a nie asystent, tam gdzie jesteśmy w stanie dostarczyć kontekst na temat rzeczywistego przedsiębiorstwa - Max McPhee, senior solution advisor, SAP

Tym kontekstem ma być SAP Knowledge Graph - semantyczna warstwa łącząca dane o klientach, dostawcach, zamówieniach i procesach z modelami domenowymi SAP. Zamiast zgadywać znaczenie pojęć branżowych, agent ma odczytywać relacje między konkretnymi obiektami z systemu firmy: fakturami, zleceniami, kontrahentami.

Nadzór jako fundament, nie dodatek

Drugim filarem strategii SAP jest governance, czyli zestaw mechanizmów kontrolujących uprawnienia, tożsamość i odpowiedzialność agentów AI. McPhee porównał wdrażanie nowego agenta do wdrażania nowego pracownika, który musi przejść przez określone ścieżki dostępu, zanim dostanie swobodę działania.

Kiedy wdrażasz nowego agenta, myślę, że ważne jest, by uznać, jak mógłbyś wdrożyć nowego pracownika - Max McPhee, senior solution advisor, SAP

SAP argumentuje, że to pole, na którym ma naturalną przewagę jako firma z pięćdziesięcioletnią historią w automatyzacji procesów biznesowych. Kontrole, które wcześniej pilnowały standardowych przepływów pracy, mają teraz ewoluować w stronę nadzorowania systemów działających z większą swobodą decyzyjną niż klasyczna automatyzacja.

Problem spoza własnego podwórka

Największym wyzwaniem dla SAP nie są jednak jego własne systemy, lecz reszta środowiska IT klienta. Firmy budujące agentów AI muszą uwzględniać dekady niestandardowych wdrożeń, systemów firm trzecich i lokalnych modyfikacji, których SAP nie widzi wprost. Odpowiedzią mają być przejęcia: LeanIX, specjalizujący się w mapowaniu architektury IT, oraz Signavio, zajmujący się process miningiem.

Jesteś tylko 10 procentami mojego środowiska - Max McPhee, senior solution advisor, SAP, cytujący klientów SAP

Nowa architektura Business AI Platform

Wszystkie te elementy SAP spina w Business AI Platform - konsolidacji dotychczasowego stosu Business Technology Platform, Business Data Cloud i Business AI w jedną strukturę, podzieloną na warstwę kontekstową (dane SAP i spoza SAP z wiedzą procesową), budowy (oparty na zaktualizowanym Joule Studio 2.0) i nadzorczą (śledzącą wszystkich agentów w firmie). Samo Joule Studio 2.0 udostępnia Agent Hub do zarządzania cyklem życia agentów, Process Insights do analizy ich zachowania oraz środowisko uruchomieniowe z wbudowanymi mechanizmami kontroli.

Musisz najpierw ulepszyć tor, jeśli chcesz jeździć Ferrari - Max McPhee, senior solution advisor, SAP

Co to oznacza dla firm

Dla przedsiębiorstw korzystających z systemów SAP przekaz jest praktyczny: zanim agent AI dostanie prawo do samodzielnego wystawiania zamówień, zatwierdzania płatności czy modyfikowania danych, firma musi mieć uporządkowaną mapę własnych procesów i jasno określone uprawnienia. Bez tego autonomiczny agent może działać szybciej niż dotychczasowa automatyzacja, ale też szybciej popełniać kosztowne błędy.

To podejście wpisuje się w szerszy trend w branży korporacyjnego oprogramowania, gdzie dostawcy tacy jak SAP, Salesforce czy Microsoft prześcigają się w budowaniu warstw nadzoru nad agentami, zamiast koncentrować się wyłącznie na możliwościach samych modeli. Sygnał dla polskich firm korzystających z SAP jest podobny: wdrożenie agentów AI zaczyna się od porządku w danych i procesach, a nie od wyboru najmocniejszego modelu.