AI-anvendelsestilfælde for ERP, der sparer tid

Hvis man om morgenen først skal åbne tre Excel-filer, e-mail-indbakken og SAP Business One for at besvare et enkelt spørgsmål, er det ikke et erkendelsesproblem. Der mangler direkte adgang til de rigtige data. Det er præcis her, AI-anvendelsestilfælde for ERP bliver konkrete: ikke som et stort fremtidsprojekt, men som en hjælp til opgaver, der i dag koster dit team tid, nerver og koncentration.

For små og mellemstore virksomheder er det ikke afgørende, om en AI formulerer særligt imponerende tekster. Det afgørende er, om den forbereder fakturaer, gør lagre forståelige, leverer oplysninger fra SAP og gør fejl synlige tidligere. Fordelen opstår der, hvor gentagne opgaver forsvinder, og beslutninger baseres på aktuelle ERP-data.

AI-anvendelsestilfælde for ERP begynder ved reelle flaskehalse

De bedste anvendelsestilfælde starter sjældent med spørgsmålet om en model eller en teknisk grænseflade. De starter med en proces, der hver måned skaber unødvendigt arbejde. Måske bliver indgående fakturaer tastet ind manuelt. Måske besvarer regnskabsafdelingen igen og igen de samme spørgsmål om åbne poster. Eller salget spørger om leveringsmuligheder, mens lageret parallelt søger i lister.

AI kan accelerere disse processer, men den erstatter ikke dårlige stamdata og uklare godkendelser. Hvis artikelnumre, kreditorer eller omkostningssteder vedligeholdes inkonsekvent, vil en AI heller ikke levere pålidelige bogføringsforslag. Den pragmatiske tilgang er derfor: først afgrænse flaskehalsen klart, derefter implementere en klar anvendelsestilfælde og måle resultaterne.

Behandle indgående fakturaer fra PDF’er

Behandlingen af indgående fakturaer er for mange virksomheder den hurtigste synlige indgang. PDF’er modtages via e-mail, medarbejdere kontrollerer leverandør, fakturanummer, beløb, skat og poster. Derefter registreres dataene i SAP Business One, afstemmes med bestilling eller varemodtagelse og gives videre til godkendelse.

En AI kan genkende fakturadata fra dokumentet, forberede passende felter og forkorte registreringen betydeligt. Den bør ikke bogføre blindt. En proces med kontrolregler er fornuftig: Passer leverandøren? Er der en bestilling? Stemmer beløb, valuta og skat? Mangler der oplysninger, eller afviger beløbet, lander processen til kontrol hos en medarbejder.

Således forbliver ansvaret i virksomheden, mens det monotone registreringsarbejde reduceres betydeligt. Især ved mange ensartede fakturaer er effekten hurtigt mærkbar. Ved komplekse samlefakturaer, uklare ydelser eller mange særtilfælde har I dog stadig brug for faglig kontrol. AI er her en hurtig forarbejder, ikke en automatisk bogføring uden kontrol.

Spørge og betjene SAP via chat

Mange spørgsmål til ERP er fagligt enkle, men vejen til svaret er unødvendigt lang. Hvilke kunder har forfaldne fakturaer? Hvilke artikler ligger under genbestillingsniveau? Hvor stor var omsætningen i en bestemt periode? Hvilke tilbud er stadig åbne?

En AI-assistent kan modtage sådanne spørgsmål i dagligdags sprog, hente de relevante data fra SAP Business One og præsentere dem forståeligt. I stedet for at arbejde sig gennem menuer og rapporter får I et konkret svar med de underliggende data. Det hjælper ledelse, salg, indkøb og finans lige meget.

Med RC.AI kan SAP Business One betjenes via chat i WebClient, klassisk SAP Client eller via Telegram. Det er ikke en erstatning for en ordentlig rapporteringsstruktur. Det er en tilføjelse til de mange situationer, hvor nogen straks har brug for en pålidelig oplysning uden først at skulle bygge en rapport eller afbryde en kollega.

Vigtige er klare tilladelser. En salgsmedarbejder må ikke automatisk se oplysninger om lønninger, indkøbsbetingelser eller alle finansielle data, bare fordi der er et chatvindue. Assistenten skal overholde jeres roller, klienter og adgangsrettigheder. Databeskyttelse og tilladelseskoncept hører derfor til før den produktive start, ikke bagefter.

Fra data til handlingsdygtige indikationer

Et ERP-system gemmer mange signaler, der let overses i den daglige drift: faldende marginer, usædvanligt høje lagre, udeblevne ordrer eller kunder med øget risiko for misligholdelse. AI kan samle disse oplysninger og påpege uregelmæssigheder. Forskellen til en klassisk evaluering ligger ikke i, at tallene pludselig bliver korrekte. Dataene skal stadig være korrekte. AI hjælper dog med at genkende mønstre hurtigere og stille det passende opfølgende spørgsmål.

Bedre styring af lagre, indkøb og leveringsmuligheder

På lageret afgør ikke kun den aktuelle bestand. Relevante er åbne kundeordrer, bestillinger, leveringstider, sæsonforløb og minimumsmængder. En AI-baseret evaluering kan vise, hvilke artikler der sandsynligvis bliver knappe, hvor kapital er bundet i lageret, eller hvilke leveringstider der er i fare.

Det er især nyttigt, hvis jeres planlægning hidtil har bestået af erfaringstal, Excel-lister og enkelte forespørgsler. AI erstatter ikke dispositionen, for leveringsproblemer, nye store ordrer eller sortimentsændringer kan ikke altid udledes af historiske data. Den skaber dog en bedre prioritering: Hvilke ti positioner har brug for opmærksomhed i dag, i stedet for hvilke hundrede positioner der teoretisk kunne være relevante?

For pålidelige resultater har I brug for vedligeholdte artikelstamdata, realistiske leveringstider og korrekt bogførte til- og afgange. Hvis I vil forbedre dette grundlag parallelt, bør I ikke adskille procesoptimering og AI. Ellers accelererer I blot en uklar proces.

Aflaste salg og kundeservice

Salg og kundeservice bruger forbløffende meget tid på oplysninger, der allerede findes i ERP. Leveringsstatus, sidste ordrer, åbne tilbud, reklamationer eller betalingsstatus skal ofte samles fra flere skærmbilleder. En assistent kan samle disse oplysninger og støtte forberedelsen af en kundesamtale.

Det er også tænkeligt med indikationer på udløbende tilbud, usædvanlige bestillingspauser eller kunder, hvor der gentagne gange opstår delleverancer. Sådanne indikationer er ingen salgsgaranti. De giver dog jeres team en anledning til at følge op rettidigt, i stedet for at opdage muligheder først i månedsrapporten.

Især her gælder: AI må ikke opfinde oplysninger. Svar skal være sporbare til data fra SAP Business One. Hvis en værdi mangler, eller en udtalelse er usikker, skal assistenten klart sige det. En venligt formuleret forkert oplysning er i kundekontakt dyrere end intet svar.

Brug AI-agenter kun med klare grænser

Det næste skridt går ud over spørgsmål og evalueringer. AI-agenter kan iværksætte opgaver: forberede et udkast til en bestilling, anmode om manglende oplysninger, åbne en godkendelsesproces eller overføre data mellem systemer. Det sparer tid, når reglerne er entydige, og processen indeholder et kontroltrin.

RC.MCP åbner SAP Business One kontrolleret for AI-agenter. Produktivt bliver det ikke meningsfuldt gennem så mange automatiseringer som muligt, men gennem snævert definerede opgaver. En agent må for eksempel forberede fakturakladder, men ikke udløse betalinger. Den kan rapportere lagerafvigelser, men ikke ændre artikelstamdata uden godkendelse.

Denne adskillelse er ingen teknisk bagatel. Den beskytter jeres data, jeres betalingsprocesser og jeres ansvarsområder. Start derfor med læseadgang og forberedende handlinger. Når kvalitet, tilladelser og godkendelser fungerer pålideligt, kan yderligere skridt følge.

Databeskyttelse er en arkitekturspørgsmål ved ERP-AI

ERP-data indeholder priser, bankforbindelser, lønoplysninger, kundedata og interne nøgletal. Hvis man bruger AI, skal man derfor ikke kun spørge, hvad der er teknisk muligt, men også hvor dataene flyder hen, og hvem der må behandle dem. Et generelt cloud-værktøj uden klare dataveje er for mange finans- og forretningsprocesser ikke en bæredygtig løsning.

I bør fastlægge, hvilke data en model må se, hvordan protokoller gemmes, hvilke medarbejdere der får adgang, og hvilken behandling uden for jeres netværk der er udelukket, før I starter. Hos RConsult kan I bruge en AI-model hostet i Tyskland, anvende en egen API-nøgle eller drive en model fuldstændigt lokalt i jeres netværk. Dermed kan I tilpasse databeskyttelsen til jeres risikoprofil, helt op til en fuldstændig lokal løsning.

Den rigtige vej afhænger af jeres branche, datatyperne og de tilgængelige IT-ressourcer. En lokal installation giver maksimal kontrol, men medfører driftsomkostninger. En tysk hosting kan udgøre en god mellemvej mellem databeskyttelse og nem anvendelse. Det afgørende er, at dette valg træffes bevidst og ikke forbliver skjult i en standardkonfiguration.

Sådan vælger I det første anvendelsestilfælde

Tag ikke et anvendelsestilfælde, bare fordi det ser godt ud på en præsentation. Vælg en opgave med stort volumen, klare regler og et resultat, der kan verificeres. Fakturabehandling, gentagne SAP-forespørgsler eller prioritering af lagerisici opfylder ofte disse kriterier bedre end en stor, autonom agent for alle virksomhedens processer.

Fastlæg, hvordan I vil genkende succes, før I starter. Det kan være færre minutter pr. faktura, kortere svartider, færre opfølgende spørgsmål eller en lavere fejlrate. Kontroller efter nogle uger ikke kun teknikken, men også accepten i teamet. Hvis medarbejdere omgår assistenten, skyldes det ofte manglende tillid, uklare svar eller en proces, der ikke var klart defineret på forhånd.

AI i ERP behøver ikke starte spektakulært. Hvis jeres regnskabsafdeling taster mindre, jeres salg giver hurtigere pålidelige svar, og ledelsen ikke længere skal vente på månedsrapporten, er meget allerede vundet. Det bedste første skridt er det, som jeres team faktisk bruger i morgen, og hvis resultat I til enhver tid kan kontrollere.