A technológiai váltásokkal kapcsolatban gyakran alakulnak ki előfeltevések a piac irányáról; ezek sokszor helyesek irányt tekintve, de alábecsülik, hogy a szervezetek miként igazítják az új technológiákat saját működésükhöz. Ugyanez a dinamika érvényesül az üzleti célú mesterséges intelligencia (AI) terjedésénél is.
Sok jelenlegi diskurzus arra számít, hogy a vállalati rendszerekhez a jövőben egységes, beszélgetés-alapú felületen férnek majd hozzá az alkalmazottak: ez lenne a központi belépési pont információkhoz, feladatvégzéshez és szoftveres interakciókhoz. A vállalati technológia története azonban bonyolultabb képet mutat. A különböző szervezeti egységek eltérő korlátok és prioritások mentén dolgoznak, ezért ritkán történik meg az új képességek egységes bevezetése.
Egy pénzügyi osztály, amely a jelentések pontosságáért, kontrollokért és jóváhagyásokért felel, másként közelít technológiához, mint egy operatív analitika csoport vagy egy ügyfélszolgálat. Ennek megfelelően a felhőalapú szoftverekre való átállás is eltérő ütemben zajlott le: míg egyes egységek gyorsan modernizáltak, mások hosszabb ideig hibrid környezetben maradtak.
Nincs egyetlen, mindenre jó AI
Bár az AI felgyorsította a technológiai változásokat, nem változtatta meg ezt az alapdinamikát. A szervezetek továbbra is az meglévő folyamatok, felelősségek és működési követelmények szűrőjén keresztül értékelik az új képességeket.
Sok munkavállaló esetében a leghasznosabb AI-képességek nem feltétlenül látható felületeken jelennek meg. Egy pénzügyi vezetőt rendszerint kevésbé érdekel egy új interfész, sokkal inkább a riportolási ciklus lerövidülése. Egy operációs vezető inkább azt értékeli, ha a készletproblémákat korábban észlelik és gyorsabban oldják meg. Ezekben az esetekben az AI értéke abban rejlik, hogy csökkenti a meglévő munkafolyamatok elvégzéséhez szükséges erőfeszítést.
Ugyanakkor vannak felhasználói csoportok — például elemzők, tervezők és operatív csapatok — akik közvetlen, beszélgetésre képes AI-rendszerekkel szeretnek dolgozni, mert ezek rugalmasabban teszik lehetővé az adatok vizsgálatát, forgatókönyvek összehasonlítását és a nem előre definiált kérdések feltárását. Egy ügyfélszolgálatos, aki naponta nagy számú megkeresést kezel, más követelményekkel bír, mint egy pénzügyi elemző, aki trendeket kutat: az előbbi számára fontos lehet, hogy az információ automatikusan beépüljön a meglévő folyamatba, míg az utóbbi értékeli a kötetlen kérdezés és az interaktív vizsgálódás lehetőségét.
Sok szervezet egyszerre tapasztalja mindkét mintát, ami a vállalati működés természetes fejlődését tükrözi: az operatív komplexitás fokozatosan halmozódik, a rendszerek és folyamatok széttagolódnak, az információk pedig különböző alkalmazásokban, kimutatásokban és táblázatokban szétszórva élnek. Az elmúlt évtizedek vállalati szoftverértéke nagyrészt abból származott, hogy ezeket az információkat egyetlen, összekapcsolt rendszerben egyesítette: pénzügy, operáció, készlet, ügyféladatok, tervezés és jelentések együtt jobban tükrözték a vállalat működését.
Az AI most egy kapcsolódó problémát kezd megoldani: még ha az adatok egy összekapcsolt rendszerben elérhetők is, az alkalmazottaknak továbbra is meg kell találniuk, értelmezniük és alkalmazniuk azokat. A riportolási ciklusok időt emésztenek fel, az egyszereű kérdések után nyomozásra lehet szükség, és a döntéshozatal előkészítése sok esetben jelentős emberi figyelmet igényel. Az AI ígérete, hogy csökkenti az információból a cselekvésig vezető út erőforrásigényét.
Gyakorlati példák: Dura Software és S&B Filters
A Dura Software-nél AI-kapcsolt munkafolyamatok automatizálnak olyan bevételi jelentési feladatokat, amelyeket korábban minden riportolási ciklusban manuálisan készítettek elő. Sloan Session, a Dura Software pénzügyi igazgatója így foglalta össze: „The agents handle the pull. The humans handle the judgment and the personal touch.” Ez jól tükrözi a jelenlegi AI-bevezetés lényegét: a cél nem az emberi ítélőképesség kiváltása, hanem az információgyűjtés és előkészítés idejének csökkentése, hogy a tapasztalt munkatársak a szakértelmet igénylő döntésekre koncentrálhassanak.
Hasonlóan járt el az S&B Filters is: korábban a munkatársak perceket töltöttek azzal, hogy ügyfélinterakciók közben több rendszerből gyűjtsék össze a visszarendelésre vonatkozó adatokat. Az AI és az operatív adatok összekapcsolásával ezt a folyamatot másodpercekre rövidítették, majd a funkciót ügyfél-önkiszolgáláson keresztül is elérhetővé tették. Berry Carter, az S&B Filters vezérigazgatója világosan megfogalmazta a governance elvének jelentőségét: ha egy felhasználó nem férhet hozzá bizonyos információhoz a NetSuite rendszerben, akkor ugyanazt az információt nem szabadna, hogy az AI-asszisztens keresztül elérje.
Ne hanyagoljuk el a szabályozást és hozzáférés-kezelést
Az említett példákban az előny az információhoz való hozzáférés csökkentett súrlódásából származott, nem pusztán egy új felület bevezetéséből. Amint az adatok könnyebben elérhetők lesznek, a hozzáférés szabályozására vonatkozó kérdések felértékelődnek. Hozzáférési jogosultságok, jóváhagyási struktúrák és biztonsági házirendek azért léteznek, hogy a vállalkozások képesek legyenek kontrollálni az információhoz jutást és a kockázatokat. Ezek a követelmények nem tűnnek el az AI megjelenésével; sőt, az AI révén az információk könnyebb hozzáférhetősége miatt még hangsúlyosabbá válnak.
Lauren Polasek, korábbi NetSuite-adminisztrátor és a Texas NetSuite User Group igazgatótanácsának tagja, arra hívta fel a figyelmet, hogy maga a technológiák összekapcsolása gyakran egyszerűbb feladat; nehezebb meghatározni, hogy mely eszközöket érdemes használni, kik kapjanak hozzáférést, és hogyan kell a governance-nek alkalmazkodnia a bővülő használathoz.
Következmények: több megközelítés párhuzamos alkalmazása
Ez az elemzés megmagyarázza, miért nehéz összeegyeztetni az egyetlen AI-interfészről szóló jóslatokat a valós vállalati működéssel. A pénzügyi zárási folyamatokra vonatkozó elvárások eltérnek az ügyfélszolgálati csapat több ezer interakciójának kezelésétől. Egyes AI-képességek közvetlenül beágyazódnak az üzleti folyamatokba, és a felhasználók alig veszik észre őket; mások közvetlen hozzáférést biztosítanak a működési adatokhoz beszélgetés-alapú rendszereken keresztül. A legtöbb vállalat végül mindkét megközelítést alkalmazni fogja, mert a munkafolyamatok és igények eltérnek.
NetSuite szemlélete és termékmegoldásai
E gondolkodásmód alakította a NetSuite AI-stratégiáját is. Néhány ügyfél azt kéri, hogy az AI közvetlenül az operatív munkafolyamatokba legyen beépítve; mások azzal a igénnyel lépnek fel, hogy a NetSuite-adatokat külső modellekhez és asszisztensekhez kapcsolhassák, hogy a napi munkában használt eszközökön keresztül érjék el az információkat. Egyre több szervezet akarja mindkettőt.
A NetSuite AI Connector Service és a Model Context Protocol (MCP) támogatása e valóság figyelembevételével készült: a cél, hogy a vállalatok biztonságosan kapcsolhassák össze üzleti adataikat azokkal a munkafolyamatokkal és rendszerekkel, amelyek számukra értelmesek, miközben továbbra is élvezhetik a NetSuite-ba épített AI-képességek előnyeit.
Záró gondolatok
A vállalati szoftverek története azt mutatja, hogy az új technológiák bevezetése ritkán egyenes vonalú. Az AI elterjedésénél a vezetőknek az üzleti célt és az érintett munkafolyamatokat kell meghatározniuk, hogy a megoldásokat a valós munkavégzési környezethez igazítsák. Ugyanakkor nem szabad megfeledkezni a hozzáférés-kezelés, jóváhagyások és biztonsági szabályok megerősítéséről: az AI többféle felületet hoz majd az üzleti életbe, de a kontrollok és governance nélkülözhetetlenek maradnak.
A cikk szponzorált tartalom: bemutatja Oracle NetSuite. További információért kapcsolat: sales@venturebeat.com.
