Опыт применения AI-инструментов экспертами SAP в России
Применение AI существенно меняет отрасль услуг по внедрению и поддержке ERP-решений. Мы решили собрать, проанализировать опыт применения AI экспертами SAP в России и ответить на некоторые вопросы.
Май 2026 | Результаты анализа практического применения AI специалистами SAP в России
Цели анализа
Применение AI* существенно меняет отрасль услуг по внедрению и поддержке ERP-решений.
Мы решили собрать и проанализировать опыт применения AI экспертами SAP в России и ответить на следующие вопросы:
- Для каких задач используется AI в жизненном цикле ERP-решений?
- Как меняются роли, продуктивность отдельных специалистов и команд?
- Проблемы и ограничения применения AI.
- Направления развития применения AI в жизненном цикле ERP-решений.
*В этом документе под Artificial Intelligence понимается Large Language Models (LLM).
Резюме
o Изменения в профессиональном треке: функциональные специалисты берут на себя часть задач разработки, а для технических специалистов появляется новая область задач —настройка AI-решений и их интеграция в системный ландшафт.
o Наиболее востребованная на текущий момент роль AI–ассистент.
o Главный фактор качества результатов работы AI – наличие качественного бизнес-и системного контекста.
o Главные ограничения не в технических возможностях AI, а в безопасности и «устаревшей» организации работы.
o Потенциал применения AI в командной работе остается нереализованным.
o Принятие решений и ответственности – прерогатива человека.
Подход и методология
Метод:
- Интервью с фокус-группой.
- Обсуждение результатов интервью и корректировка.
Респонденты:
- Функциональные консультанты
- ABAP-разработчики
- Квалификация: эксперты и архитекторы
Опыт работы респондентов с ERP-решениями: более 15 лет.
Типология применимости LLM к задачам
Потенциал применения AI определяется сочетанием Enablers (факторов, способствующих автоматизации) и Barriers* (факторов, препятствующих автоматизации).
*В ходе обсуждений мы типизировали задачи по отношению возможности их решения с помощью AI
Задачи для AI в проектном цикле решений SAP
Проектные фазы и опыт применения AI в проектных задачах:
Discover
- Поиск и суммаризация информации: от понимания бизнес-контекста Заказчика, гипотез по требованиям-до гипотез по возможным решениям.
- Поиск и суммаризация бизнес-кейсов и условий валидации конечных решений.
- Формирование стандартизированных документов по бизнес-требованиям.
Prepare
- Подготовка стандартизированных коммерческих предложений.
- Подготовка и проверка контрактов на соответствие условиям коммерческих предложений и другим условиям.
- Прослеживаемость требований от бизнес-требований до контракта.
Explore
- Анализ покрытия бизнес-требований стандартной функциональностью и структурой данных (fit-to-standard).
- Разработка Проектных решений.
- Разработка требований к миграции данных.
- Прослеживаемость требований от бизнес-требований, контракта, до проектных решений.
Realize
- Разработка: предзаполнениефункциональных спецификаций, ABAP-разработка.
- Тестирование: разработка сценариев, прохождение тестов, подготовка протоколов тестирования.
- Помощь в сдаче новой функциональности: AI-ассистент помогает Заказчику разобраться с настройками и разработками новой функциональности.
- Прослеживаемость требований от от бизнес-требований до реализации.
Deploy
- Разработка пользовательской документации.
- Ассистирование пользователям в обучении (тестирование, ответы на вопросы по системе).
- Нормализация данных.
- Анализ ошибок пользователей, системный ошибок (типизация, группировка, классификация), ошибок работы системы.
Run
- Обновление пользовательской документации.
- Ассистирование пользователям в обучении (тестирование, ответы на вопросы по системе).
- Анализ инцидентов, идентификация проблем.
- Анализ запросов на изменения.
Ограничения применимости AI
Организационные
 |
1. Ролевая модель, процессы и методология ведения проектов не адаптирована к командной работе с AI. 2. Необходимы регулярное обучение персонала и дообучение моделей. 3. Ответственность за оценку результатов и принятие решения за человеком. 4. AI используется как личный инструмент повышения эффективности, не интегрирован в процессы команд. |
Технические
 |
1. Недостаток бизнес-и системного контекстов снижает качество ответов. 2. Требуются механизмы проверки результатов из-за вероятностного характера и усреднения: ошибки, устаревшая информация, галлюцинации. 3. Результаты как правило требуют доработки. 4. Модели требуют дообучения. 5. Отсутствие единой интегрированной среды для управления контекстом проекта, ролями, токеномикой, доступами, интеграцией с ERP и базами знаний и другими системами. 6. Ограничения информационной безопасности затрудняют использование облачных моделей. 7. AI сложно работать с длинной последовательностью шагов с вероятностными промежуточными результатами и развилками. |
Социальные
 |
1. Низкий уровень доверия экспертов к результатам. 2. Сопротивление отказу от привычных методов работы. 3. AI не способен заменить социальное взаимодействие, не понимает невербальный контекст взаимоотношений. 4. AI не понимает глубинного смысла выполняемой работы, ограничена объемом датасета, лишен экспертного мышления. |
Гипотезы и направления развития
Организационные
|
1. Для кратного повышения производительности командной работы требуется AI-native методология проектов ERP с пересмотром процессов, ролевой модели, требований к проектным артефактам, валидации проектных результатов. 2. Необходим другой подход к планированию и развитию компетенций специалистов ERP и компоновке проектных команд. 3. Использование AI встраивается в операционную деятельность ИТ-компаний: требуется методологическая основа для планирования и управления расходами на AI. |
Технические
|
Для корпоративных клиентов требуется построение интеграционной инфраструктуры для управления AI-инфраструктурой: 1. Организация совместной работы разных AI-агентов и специалистов. 2. Интеграция с базами знаний, системами. 3. Дообогащение баз знаний, дообучение моделей. 4. Интеграция в едином интерфейсе работы различных моделей (внешних и развернутых локально). 5. Обезличивание данных и запросов при отправке во внешние сервисы. 6. Таксономия запросов с точки зрения потребления токенов, нормирование расходов, планирование и сбор фактического потребления токенов. 7. Управление ролевой моделью и правами доступа AI-агентов. |
Социальные
|
1. Планирование карьеры сотрудников с учетом применения AIв индивидуальной и командной работе: • Функциональные специалисты: навыки работы с AI, разработки с AI, углубление отраслевой и функциональной экспертизы. • Технические специалисты: навыки по доработке, донастройки AI, интеграция AI с другими системами, архитектура AI ландшафта. 2. Непрерывное обучение команд. |
Ключевые выводы
Исследование. Часть II
Сейчас мы активно изучаем и развиваем тему использования AI-инструментов специалистами SAP.
Мы подготовили небольшой опросник и будем безумно благодарны, если вы сможете нас поддержать в этом проекте и принять участие в исследовании, потому что только вместе мы сможем получить актуальную информацию и оценить динамику использования AI-инструментов в проектах SAP.
❗️Все участники опроса получат расширенную версию отчета по исследованию.Мы очень ценим ваш вклад.
Об авторах
 |
Руководитель проекта Михаил Ковешников Эксперт по цифровизации | PMO |
 |
Исследование продолжается. Авторы приглашают SAP-сообщество принять участие во второй части исследования для получения наиболее полной картины практического применения AI-инструментов.