Για περισσότερα από 30 χρόνια, τα εμπορικά και λογιστικά προγράμματα ERP (Enterprise Resource Planning) αποτέλεσαν τη «ραχοκοκαλιά» της πληροφορικής κάθε επιχείρησης. Κατέγραφαν συναλλαγές, διαχειρίζονταν αποθέματα, παρακολουθούσαν οικονομικά στοιχεία και διασφάλιζαν τη συμμόρφωση με τη νομοθεσία. Ήταν, με απλά λόγια, συστήματα καταγραφής (systems of record) επιχειρησιακών κινήσεων (αγορών, πωλήσεων, εισπράξεων, πληρωμών κλπ.) αλλά και αναφορών (reporting) για την πληροφόρηση της διοίκησης και των αρχών (αναλυτικά καθολικά, ισοζύγια, ισολογισμοί κλπ.)
Η τεχνητή νοημοσύνη αλλάζει ριζικά αυτό το μοντέλο. Τα ERP μετατρέπονται από συστήματα καταγραφής και αναφορών σε συστήματα αποφάσεων και δράσης (systems of decision & action). Και το πιο ώριμο παράδειγμα αυτής της μετάβασης σήμερα είναι το SAP S4HANA, το οποίο ως το μεγαλύτερο επιχειρησιακό λογισμικό του κόσμου (ERP Business software) λειτουργεί ως λογισμικό αναφοράς (reference software) δηλαδή πρότυπο που αργά ή γρήγορα θα ακολουθήσουν εξελισσόμενα όλα τα ERP του κόσμου.
Οι βασικές αλλαγές που επιφέρει η ενσωμάτωση της Τεχνητής Νοημοσύνης στα ERP προκύπτουν από τρεις βασικές τεχνολογικές δυνατότητες:
- Την κατανόηση φυσικής γλώσσας (γραπτής ή προφορικής), ώστε οι χρήστες να επικοινωνούν με το ERP χωρίς να χρειάζεται να αναζητούν λειτουργίες σε πολύπλοκα μενού επιλογών
- Την κατανόησης από την Τεχνητή Νοημοσύνη ψηφιακών πληροφοριών (όπως εικόνων, κειμένων, αρχείων PDF, e-mails κλπ.) και
- Τη δυνατότητα κατάστρωσης δεδομένων προβλέψεων από ιστορικά δεδομένα (που αφορούν π.χ. πωλήσεις, αποθέματα, ταμειακά διαθέσιμα κλπ.) επιτρέποντας στους χρήστες να διαχειρίζονται πληροφορίες πέρα από το “Τι συνέβη” σε πληροφορίες που αφορούν το “Τι θα συμβεί” (Predictive Analytics)
Ας δούμε αναλυτικά τις σημαντικότερες αναμενόμενες αλλαγές στα ERP.
Από την καταχώριση δεδομένων στη συνομιλία
Τα παραδοσιακά ERP για να εξασφαλίσουν την καταχώρηση των δεδομένων για την καταγραφή των επιχειρησιακών κινήσεων και την παρουσίαση των αναφορών περιλάμβαναν κατάλληλες διεπαφές χρηστών (User interfaces) που απαιτούσαν:
- οθόνες,
- πεδία,
- κωδικούς βασικών αρχείων και,
- εξειδικευμένη εκπαίδευση από τους χρήστες.
Με την ενσωμάτωση της τεχνητής νοημοσύνης, οι διεπαφές χρηστών (User interfaces) αλλάζουν ριζικά. Οι χρήστες δεν χρειάζεται να «βρουν και να μπουν σε συναλλαγή» π.χ. αναφοράς και να δηλώσουν κωδικό εταιρίας, ημερομηνίες από έως κλπ. για να πάρουν μία εκτύπωση, αλλά αρκεί να ρωτήσουν σε φυσική γλώσσα. «Γιατί μειώθηκε το περιθώριο κέρδους τον Φεβρουάριο;» Στο SAP, ο ψηφιακός βοηθός Joule αναλύει το αίτημα και :
- Το σύστημα δεν εμφανίζει απλώς ένα report που αφορά το αίτημα αλλά
- Αναλύει δεδομένα, εντοπίζει μεταβολές σε κόστη ή εκπτώσεις, και παρουσιάζει σε φυσικό λόγο την ερμηνεία.
- Το ERP γίνεται συνομιλητής.
Σε λίγα χρόνια, κάθε εμπορικό ή λογιστικό πρόγραμμα θα διαθέτει αντίστοιχο ψηφιακό βοηθό Τεχνητής Νοημοσύνης (AI copilot).
Από τις αναφορές (reports) στην αιτιολόγηση
Τα παραδοσιακά ERP πάντα παρήγαγαν αναφορές. Όμως η ανάλυση των δεδομένων και η ερμηνεία τους, ήταν πάντα δουλειά των εξειδικευμένων χρηστών (είτε της οικονομικής διεύθυνσης είτε των πωλήσεων ή της παραγωγής), οι οποίοι συνήθως επεξεργάζονταν τα δεδομένα των αναφορών και παρουσίαζαν στη διοίκηση τα συμπεράσματα τους
Σήμερα η Τεχνητή Νοημοσύνη προσθέτει στα ERP επιπλέον επίπεδα στις : δίνει δυνατότητες ανίχνευσης, επεξήγησης και αιτιολόγησης των δεδομένων.
Για παράδειγμα στο SAP με τον ψηφιακό βοηθό Joule :
- ανιχνεύονται αυτόματα ανωμαλίες σε πληρωμές,
- εντοπίζονται ασυνήθιστες διακυμάνσεις σε δαπάνες,
- προτείνονται πιθανές αιτίες.
Οι χρήστες δεν βλέπουν απλώς ότι «τα έξοδα αυξήθηκαν 12%» αλλά επιπρόσθετα βλέπουν ότι αυξήθηκαν λόγω συγκεκριμένου προμηθευτή ή λόγω ανατίμησης πρώτων υλών.
Η διαφορά είναι τεράστια: το ERP με ενσωματωμένη Τεχνητή νοημοσύνη δεν δείχνει μόνο τα δεδομένα αλλά εξηγεί τι συμβαίνει.
Από τους κανόνες στις προβλέψεις
Τα κλασικά ERP βασίζονταν σε υπολογισμούς απαιτήσεων που βασίζονταν σε προκαθορισμένους κανόνες (rules-based logic) π.χ. για τον προγραμματισμό απαιτήσεων υλικών (Materials Requirements Planning MRP) .
Το ERP με ενσωματωμένη τεχνητή νοημοσύνη εισάγει την έννοια της πρόβλεψης που βασίζεται στην Προγνωστική Νοημοσύνη (predictive intelligence) που μπορεί να αφορά:.
- Προβλέψεις ταμειακών ροών.
- Προβλέψεις καθυστερήσεων εισπράξεων πελατών.
- Προβλέψεις ελλείψεων αποθεμάτων πριν συμβούν.
- Προβλέψεις Προγνωστικής Συντήρησης σε βιομηχανικό εξοπλισμό (Predictive maintenance).
Το ERP παύει να είναι απλώς ένα ιστορικό αρχείο επιχειρησιακών κινήσεων και μετατρέπεται σε εργαλείο πρόβλεψης και πρόληψης.
Αυτό το μοντέλο που σήμερα έχει παρουσιαστεί στο SAP θα μεταφερθεί σταδιακά και στα μικρότερα εμπορικά προγράμματα και η πρόβλεψη ρευστότητας, πωλήσεων και κινδύνου θα γίνει στάνταρ λειτουργία.
Από τη διαχείριση δομημένων στη διαχείριση μη δομημένων δεδομένων
Τα κλασικά ERP βασίζονταν σε οθόνες καταχώρησης επιχειρησιακών κινήσεων όπως είναι τα τιμολόγια των προμηθευτών, οι κινήσεις της αποθήκης, οι παραγγελίες πωλήσεων κλπ. Οι οθόνες καταχώρησης απαιτούσαν δομημένα δεδομένα όπως ημερομηνίες, ποσά, ποσότητες, μονάδες μέτρησης κλπ. οι οποίες εισάγονταν στο σύστημα από τους χρήστες, ελέγχονταν και τελικά καταχωρούνταν στη βάση δεδομένων του ERP.
Το ERP με ενσωματωμένη τεχνητή νοημοσύνη δεν απαιτεί δομημένα δεδομένα που προετοιμάζουν οι χρήστες αλλά μπορεί να επεξεργάζεται απευθείας αδόμητα δεδομένα όπως
- Email που αναγνωρίζει ως παραγγελίες πωλήσεων,
- PDF που αναγνωρίζει ως τιμολόγια προμηθευτών,
- Αναγνώριση φωνής που αναγνωρίζει ως αιτήματα αναφορών ,
- Φωτογραφιών αναγνωρίζει ως εξοδολόγια συνεργατών κλπ.
Δηλαδή το ERP με ενσωματωμένη τεχνητή νοημοσύνη αποκτά «αισθητήρια» και αλληλεπιδρά με τον πραγματικό κόσμο και:
- τα τιμολόγια διαβάζονται και καταχωρούνται αυτόματα με Τεχνητή Νοημοσύνη χωρίς ανθρώπινη παρέμβαση, μειώνοντας τα λάθη κατά 90%
- τα αιτήματα των πελατών αναλύονται απευθείας από το email και
- δημιουργούνται εγγραφές service ή συντήρησης εξοπλισμού από φωνητικές περιγραφές τεχνικών.
Σε λίγα χρόνια όλα εμπορικά προγράμματα, θα παρέχουν ως στάνταρτ λειτουργία δυνατότητες αυτόματης καταχώρισης παραστατικών και επικοινωνίας με πελάτες
Από τις ροές εργασίας (workflows) στην αυτονομία
Μέχρι σήμερα, τα κλασικά ERP λειτουργούσαν με αυστηρές ροές εργασίας (workflows). Ο κάθε χρήστης ενέκρινε, επιβεβαίωνε, εκτελούσε.
Με τους πράκτορες τεχνητής νοημοσύνης (AI agents) που περιλαμβάνονται στα ERP με ενσωματωμένη τεχνητή νοημοσύνη, αυτά μπορούν:
- να προτείνουν αποδέσμευση πιστωτικών ορίων,
- να εισηγούνται επιλογή προμηθευτή βάσει ρίσκου και απόδοσης,
- να εκτελούν αυτοματοποιημένες συμφωνίες υπολοίπων.
Οι πράκτορες τεχνητής νοημοσύνης (AI agents) δεν απαντούν μόνο σε ερωτήσεις αλλά εκτελούν και πολλαπλά βήματα διαδικασιών.
Το ERP με ενσωματωμένη τεχνητή νοημοσύνη μετατρέπεται σε «συνεργάτη» και όχι απλώς σε ένα εργαλείο.
Από την παραμετροποίηση (customization) για την προσαρμογή του ERP συστήματος στην εκπαίδευσή του (training)
Η διαφοροποίηση των αναγκών των επιχειρήσεων που χρησιμοποιούσαν ERP γινόταν παραδοσιακά με παραμετροποίηση ή την custom ανάπτυξη προγραμμάτων.
Στο ERP με ενσωματωμένη τεχνητή νοημοσύνη η διαφοροποίηση μετακινείται προς τα δεδομένα και την εκπαίδευση των μοντέλων στις διαδικασίες κάθε εταιρίας.
Στο SAP, μέσω του Joule Studio, οι επιχειρήσεις μπορούν να δημιουργήσουν εξειδικευμένους πράκτορες τεχνητής νοημοσύνης (AI agents) που αντικατοπτρίζουν τις δικές τους επιχειρησιακές διαδικασίες.
Αυτό σημαίνει ότι στο μέλλον, η «παραμετροποίηση» θα περιλαμβάνει και εκπαίδευση πρακτόρων τεχνητής νοημοσύνης σε επιχειρησιακά σενάρια.
Από τα απομονωμένα modules στην ενοποιημένη νοημοσύνη
Ένα από τα μεγαλύτερα προβλήματα των ERP ήταν τα λεγόμενα «σιλό» δηλαδή απομονωμένα τμήματα της επιχείρησης που δεν επικοινωνούν μεταξύ τους (που συχνά ονομάζονται και “νησίδες πληροφορίας” ) .
Η Τεχνητή Νοημοσύνη λειτουργεί ως οριζόντιο επίπεδο που διαπερνά σιλό όπως τα:
- Λογιστήριο
- Πωλήσεις
- Προμήθειες
- Αποθήκη
- Ανθρώπινοι πόροι (HR)
Στο SAP με ενσωματωμένη τεχνητή νοημοσύνη, ο ίδιος AI copilot έχει πρόσβαση σε όλα τα υποσυστήματα (modules) και μπορεί να συνδυάζει πληροφορίες.
Παράδειγμα: «Ποιοι πελάτες έχουν καθυστερήσεις πληρωμών και χαμηλή κερδοφορία;»
Αυτό απαιτεί διασύνδεση πληροφοριών από πολλά σιλό (όπως τα τμήματα και οι διευθύνσεις πωλήσεων, οικονομικών και πιστωτικού ελέγχου).
Από το ERP back-office σto ERP στρατηγικό σύστημα
Το μεγαλύτερο ίσως άλμα στην εξέλιξη των ERP φαίνεται να είναι φιλοσοφικό.
Το ERP με ενσωματωμένη τεχνητή νοημοσύνη παύει να είναι εργαλείο λογιστηρίου ή μηχανογράφησης και γίνεται:
- εργαλείο διοίκησης,
- εργαλείο στρατηγικής,
- εργαλείο πρόβλεψης και προσομοίωσης σεναρίων.
Με τη χρήση της τεχνητής νοημοσύνης, μπορούν να γίνουν:
- What-if σενάρια κόστους.
- Προσομοιώσεις αυξήσεων τιμών.
- Ανάλυση επιπτώσεων σε κερδοφορία.
Το SAP ήδη επενδύει σε αυτή τη λογική με ενσωματωμένα εργαλεία προγνώσεων (predictive) και προσομοιώσεων (simulation).
Τα υπόλοιπα ERP θα ακολουθήσουν, γιατί η αγορά θα το απαιτήσει.
Τι σημαίνει η ενσωμάτωση της Τεχνητής Νοημοσύνης στα ERP για τις επιχειρήσεις
Η τεχνητή νοημοσύνη δεν είναι ένα ακόμα χαρακτηριστικό «feature» που προστίθεται στα προγράμματα ERP, καθώς αλλάζει:
- τον τρόπο που δουλεύουν οι χρήστες,
- τον ρόλο του λογιστηρίου,
- την ταχύτητα λήψης αποφάσεων,
- τη δομή των διαδικασιών.
Οι επιχειρήσεις που θα επενδύσουν:
- σε καθαρά δεδομένα,
- σε σωστή οργάνωση διαδικασιών,
- σε στρατηγική αξιοποίηση AI,
θα μετατρέψουν το ERP από εργαλείο καταγραφής σε μηχανισμό επιχειρησιακής ευφυΐας.
Σημείωση: Η Τεχνητή Νοημοσύνη είναι τόσο καλή όσο τα δεδομένα που τροφοδοτείται (Garbage In, Garbage Out) και όσο αξιοποιείται από τις διαδικασίες που ακολουθούν.
Το SAP με ενσωματωμένη τεχνητή νοημοσύνη ως δείκτης της εξέλιξης των ERP. Όπως στο παρελθόν το SAP προανήγγειλε:
- την ενσωμάτωση real-time analytics,
- την μετάβαση στο cloud,
- τη λογική των embedded workflows,
έτσι και σήμερα λειτουργεί ως προπομπός της «AI-native ERP» εποχής.
Ένα Ρεαλιστικό Σενάριο στην Παραγωγή: Όταν η Τεχνητή Νοημοσύνη σώζει μια κρίσιμη παραγγελία
Ας δούμε ένα πραγματικό παράδειγμα από την Παραγωγή που είναι ένας χώρος όπου πολύ συχνά ο χρόνος είναι χρήμα και η συνταγή παραγωγής (recipe) αποτελεί «επτασφράγιστο μυστικό».
Ένας Διευθυντής Παραγωγής βλέπει στο dashboard του μια κόκκινη ένδειξη:
Μια μεγάλη παραγγελία για έναν πολύ σημαντικό πελάτη θα καθυστερήσει 6 ημέρες λόγω έλλειψης μιας συγκεκριμένης πρώτης ύλης. Σε ένα παραδοσιακό ERP, αυτό σημαίνει:
- Έλεγχος MRP
- Επικοινωνία με αγορές
- Άνοιγμα Excel
- Υπολογισμοί κόστους
- Αναζήτηση εναλλακτικών γραμμών παραγωγής
Χρόνος: 2–3 ώρες στην καλύτερη περίπτωση.
Με ένα AI-enabled ERP όπως το SAP η διαδικασία αλλάζει. Η Αλληλεπίδραση γίνεται σε φυσική γλώσσα καθώς ο Διευθυντής ανοίγει το Joule και γράφει: “έχουμε καθυστέρηση στην παραγγελία #890. Ποιες είναι οι εναλλακτικές μου για να παραδώσουμε στην ώρα μας χωρίς να αυξηθεί το κόστος πάνω από 5%;” Δηλαδή δεν τρέχει πολύπλοκες αναφορές MRP, δεν ψάχνει πίνακες για αποθέματα, lead times κλπ. απλά ρωτά στα Ελληνικά.
Και να τι κάνει το Joule
- Ελέγχει τα αποθέματα.
- Βρίσκει εναλλακτικούς προμηθευτές.
- Κάνει προβλέψεις και προσομοιώσεις αναλύοντας χρόνους παράδοσης.
- Εξετάζει σενάρια προγράμματα και capacity γραμμών.
- Υπολογίζει τις επιπτώσεις στο κόστος και τέλος
- Συνθέτει την παρακάτω απάντηση:
“Βρήκα λύση. Αν μεταφέρουμε την παραγωγή του ‘Προϊόντος Υ’ στη Γραμμή 3 και χρησιμοποιήσουμε τον εναλλακτικό προμηθευτή από την Ιταλία (που διαθέτει stock), η καθυστέρηση μηδενίζεται. Το κόστος αυξάνεται κατά 3,2%. Θέλεις να δημιουργήσω Εντολή Αγοράς (Purchase Order) τώρα;”
Ο Διευθυντής πατάει “Έγκριση” και το ERP Δημιουργεί Εντολή Αγοράς (Purchase Order) και
- αναπροσαρμόζει το πρόγραμμα παραγωγής.
- Ενημερώνει τις ημερομηνίες παράδοσης.
Όλα τα παραπάνω γίνονται
- Χωρίς αλλαγή οθόνης (από το dashboard)
- Χωρίς Excel.
- Χωρίς 10 διαφορετικά transactions που θα απαιτούσε το «παραδοσιακό SAP»,
- Χωρίς Το μοντέλο Τεχνητής Νοημοσύνης να μαθαίνει τη χημική σύνθεση, το πελατολόγιο, το εμπορικό περιθώριο και άλλες κρίσιμες πληροφορίες.
Η Τεχνητή Νοημοσύνη δεν δίνει απλώς μια πρόταση αλλά επιπρόσθετα εκτελεί, μετατρέποντας το ERP από εργαλείο πληροφόρησης σε εργαλείο πρόβλεψης και δράσης.
Το Επιχειρησιακό Αποτέλεσμα
- Η παραγγελία του σημαντικού πελάτη σώζεται.
- Ο Διευθυντής γλιτώνει πολλές ώρες ανάλυσης.
- Η απόφαση βασίζεται σε πραγματικά δεδομένα του ERP.
Όλα τα παραπάνω γίνονται εντός του SAP περιβάλλοντος και τα δεδομένα:
- Δεν φεύγουν από την εταιρεία.
- Δεν εκτίθενται σε τρίτους.
- Δεν χρησιμοποιούνται για εκπαίδευση δημόσιων μοντέλων.
Αυτό δεν είναι θεωρία είναι η σημερινή πραγματικότητα. Και ότι βλέπουμε σήμερα στο SAP, σε λίγα χρόνια θα αποτελεί βασική απαίτηση και για τα μικρότερα εμπορικά και λογιστικά προγράμματα.
Συμπέρασμα
Η ενσωμάτωση της Τεχνητής Νοημοσύνης στα ERP δεν ήρθε για να αντικαταστήσει τον άνθρωπο, αλλά για να τον απαλλάξει από τη “βαρετή” δουλειά της πληκτρολόγησης και της αναζήτησης. Στο νέο επιχειρηματικό περιβάλλον, κερδισμένη θα είναι η επιχείρηση που θα έχει τα δεδομένα της οργανωμένα και καθαρά, ώστε η Τεχνητή Νοημοσύνη να μπορεί να παράγει αξία.
Η μετάβαση έχει ήδη ξεκινήσει. Η ενσωμάτωση της Τεχνητής Νοημοσύνης στα ERP δεν θα είναι απλά μια τεχνική αναβάθμιση στη νέα έκδοση του ERP, αλλά μια στρατηγική επανεκκίνηση της επιχείρησης.
Το ερώτημα βέβαια δεν είναι αν τα ERP θα εξελιχθούν και θα αλλάξουν. Αυτό είναι σίγουρο. Το ερώτημα είναι πόσο γρήγορα θα προσαρμοστούν οι επιχειρήσεις στη νέα πραγματικότητα.
