Kan AI bruges sammen med et ældre on-premise ERP-system?
AI bliver ofte omtalt som noget, der hører sammen med cloudbaserede systemer. Derfor møder jeg jævnligt virksomheder, som tror, at de først kan udnytte AI, når deres ERP-system er flyttet i skyen til f.eks. Business Central.
Men sådan behøver det ikke at være.
Har virksomheden et on-premise ERP-system med en SQL-database – eksempelvis en ældre Microsoft Dynamics NAV eller C5-løsning – er det i mange tilfælde muligt at etablere AI-funktionalitet uden først at udskifte hele ERP-platformen.
Det afgørende spørgsmål er ikke kun, hvor ERP-systemet er placeret. Det handler i højere grad om, hvordan data gøres tilgængelige, hvordan sikkerheden håndteres, og hvilket konkret forretningsproblem AI skal løse.
AI behøver ikke være en del af ERP-systemet
AI-funktionaliteten behøver ikke at blive udviklet direkte inde i ERP-systemet.
Man kan i stedet etablere et kontrolleret integrationslag mellem ERP-systemets SQL-database og en AI-løsning. Integrationslaget bestemmer, hvilke data AI'en kan læse, hvordan oplysningerne må anvendes, og om løsningen alene skal komme med forslag eller også må udføre handlinger.
En enkel arkitektur kan se sådan ud:
Det gør det muligt at udnytte eksisterende ERP-data og samtidig bevare kontrollen med systemet.
AI'en bør som udgangspunkt ikke have fri og direkte adgang til hele SQL-databasen. Adgangen bør begrænses til godkendte dataområder, databasevisninger eller API'er.
Alle forespørgsler og handlinger bør desuden kunne logges og kontrolleres.
Hvad kan AI bruges til?
Mulighederne afhænger naturligvis af virksomheden og kvaliteten af dens data. Der er dog flere oplagte anvendelser.
Spørg ERP-systemet med almindeligt sprog
En medarbejder kan eksempelvis spørge:
Hvilke salgsordrer er forsinkede?
Hvilke kunder har overskredet deres kreditgrænse?
Hvilke varer risikerer vi at løbe tør for inden for de næste fire uger?
Hvor har dækningsgraden udviklet sig negativt?
Hvilke indkøbsordrer bør følges op?
AI'en kan omsætte spørgsmålet til en kontrolleret dataforespørgsel og præsentere resultatet i et forståeligt format.
Det kan give flere medarbejdere adgang til relevante oplysninger, uden at de skal kende databasestrukturen eller være eksperter i rapporteringsværktøjer.
Forklaring af nøgletal og afvigelser
Traditionelle rapporter viser ofte, hvad der er sket. AI kan hjælpe med at undersøge, hvorfor det er sket.
Hvis lagerbindingen eksempelvis er steget, kan løsningen analysere udviklingen på tværs af varer, leverandører, lokationer og perioder. Den kan derefter fremhæve de forhold, som sandsynligvis har haft størst betydning.
Resultatet er ikke nødvendigvis en endelig konklusion, men et bedre udgangspunkt for den videre analyse.
Prognoser og planlægning
Historiske data fra ERP-systemet kan anvendes til at understøtte prognoser for blandt andet:
Salg og efterspørgsel
Lagerbehov
Likviditet
Leveringstider
Produktionsbelastning
Risiko for forsinkede leverancer
Her er det vigtigt at skelne mellem generativ AI og mere traditionelle machine learning-modeller. En sprogmodel er god til dialog, forklaring og behandling af tekst, mens specialiserede modeller ofte er bedre til præcise prognoser.
Den bedste løsning kan derfor være en kombination af flere teknologier.
Kontrol og registrering af afvigelser
AI og avanceret dataanalyse kan også bruges til at identificere usædvanlige transaktioner eller mønstre.
Det kan eksempelvis være:
Fakturaer, der afviger fra normale indkøb
Gentagne fejlposteringer
Usædvanlige prisændringer
Ordrer med unormalt lav avance
Lagerbevægelser, som kræver nærmere kontrol
Dubletter i stamdata eller transaktioner
AI'en kan prioritere de observationer, som en medarbejder bør undersøge. Det kan reducere manuelt kontrolarbejde, men bør ikke erstatte virksomhedens almindelige interne kontroller.
Skal AI-løsningen være lokal eller ligge i skyen?
Både data og AI-model placeres i virksomhedens eget miljø.
Det giver en høj grad af kontrol, men stiller også krav til hardware, kompetencer, sikkerhed, vedligeholdelse og løbende opdatering af modellen.
En hybrid løsning
ERP-systemet og de følsomme data bliver lokalt, mens udvalgte, filtrerede eller anonymiserede oplysninger sendes til en ekstern AI-tjeneste.
Denne model kan give adgang til stærke AI-modeller uden at åbne hele ERP-systemet mod omverdenen.
En privat cloudløsning
ERP-systemet forbliver on-premise, men kommunikerer med en afskærmet AI-tjeneste gennem sikre forbindelser og fastlagte regler for databehandling.
Valget bør baseres på virksomhedens sikkerhedskrav, datatyper, eksisterende it-arkitektur, økonomi og interne kompetencer – ikke alene på, hvilken teknologi der er mest moderne.
Sikkerhed og governance skal på plads først
Teknologien er kun en del af løsningen.
Når en AI-løsning får adgang til økonomiske data, kundeoplysninger, priser, lagerbeholdninger eller andre forretningskritiske informationer, skal der etableres klare spilleregler.
Virksomheden bør blandt andet tage stilling til:
Hvilke data må AI'en anvende?
Hvem må stille hvilke spørgsmål?
Må data sendes til en ekstern tjeneste?
Hvordan håndteres personoplysninger og GDPR?
Hvordan logges forespørgsler og handlinger?
Hvordan kontrolleres AI'ens svar?
Hvem har ansvaret, hvis et forslag er forkert?
Må AI'en kun læse data, eller må den også oprette og ændre poster?
Især den sidste forskel er vigtig.
Der er langt fra en AI-assistent, som udarbejder en analyse, til en AI-agent, som selv ændrer en indkøbsordre eller bogfører en transaktion. Jo mere handlekraft AI'en får, desto større bliver behovet for kontrol, validering og menneskelig godkendelse.
Start med et konkret og afgrænset behov
Den største fejl er ofte at begynde med teknologien:
"Vi skal have AI – hvad kan vi bruge det til?"
Et bedre udgangspunkt er et konkret forretningsproblem:
"Vi bruger mange timer på at finde årsagerne til leveringsforsinkelser. Kan vores data hjælpe os med at gøre det hurtigere?"
Et godt første projekt kan være en skrivebeskyttet AI-assistent, der arbejder med et begrænset og veldefineret dataområde.
Det kan eksempelvis være analyse af salgsordrer, lagerbeholdning eller indkøb. Løsningen må gerne give svar og anbefalinger, men bør i første omgang ikke ændre data i ERP-systemet.
På den måde kan virksomheden afprøve værdien, kontrollere datakvaliteten og opbygge erfaring, før løsningen udvides.
Datakvaliteten bliver hurtigt synlig
AI gør ikke dårlige data gode.
Hvis stamdata er ufuldstændige, registreringspraksis varierer, eller centrale oplysninger ligger i regneark uden for ERP-systemet, vil det påvirke resultaterne.
Et AI-projekt bliver derfor ofte også et dataprojekt. Det er ikke nødvendigvis en ulempe. Tværtimod kan projektet synliggøre, hvor virksomheden har behov for bedre datastyring, tydeligere processer og mere konsekvent registrering.
Et ældre ERP-system behøver ikke blokere for AI
Et on-premise ERP-system kan godt indgå i en moderne AI-løsning.
Det kræver ikke nødvendigvis en fuld migration til en ny cloudplatform. Men det kræver en gennemtænkt arkitektur, sikre integrationer, tilstrækkelig datakvalitet og klare regler for anvendelsen.
Derfor bør virksomheden ikke starte med spørgsmålet:
"Kan vores ERP-system understøtte AI?"
Det mere relevante spørgsmål er:
"Hvor kan vores ERP-data og AI tilsammen skabe en konkret og målbar forbedring?"
Når det spørgsmål er besvaret, kan man vælge den løsning, der passer til både behovet, sikkerhedskravene og virksomhedens tekniske udgangspunkt.
Vil I undersøge mulighederne?
Overvejer I, hvordan AI, automatisering eller avanceret dataanalyse kan anvendes sammen med jeres nuværende ERP-løsning?
Jeg hjælper virksomheder med at skabe overblik over muligheder, risici og realistiske næste skridt – med udgangspunkt i forretningens behov og den eksisterende ERP-platform.
Kontakt mig gerne for en uforpligtende drøftelse.