Sprogmodeller i mellemstore virksomheder

En indkøbsleder ønsker at gennemgå bestillingsforslag. Regnskabsafdelingen vil registrere indgående fakturaer fra PDF’er. Ledelsen har brug for et hurtigt svar på et spørgsmål om udestående fordringer. Det er netop i sådanne opgaver, at lokale sprogmodeller viser deres værdi i mellemstore virksomheder: AI arbejder med de data, der alligevel opstår i virksomheden, uden at lønlister, priser eller finansielle data nødvendigvis forlader et eksternt datacenter.

Det lyder først som en ren databeskyttelsesbeslutning. I praksis handler det om mere. Det handler om, hvorvidt AI virkelig anvendes i det daglige arbejde eller forsvinder efter en første test. Hvis man ikke kan give medarbejderne et klart svar på, hvor data behandles, skaber man ikke accept. Hvis man derimod vælger en passende arkitektur, kan AI produktivt integreres i processer - forståeligt, kontrollerbart og uden overengineering.

Hvad lokale sprogmodeller kan gøre i mellemstore virksomheder

En lokal sprogmodel kører i dit eget netværk eller på en dedikeret infrastruktur, som din virksomhed kontrollerer. Den behandler tekster, dokumenter og forespørgsler der, hvor dine forretningsdata også ligger. Modellen kan for eksempel forstrukturere bilag, genkende informationer fra dokumenter, besvare interne spørgsmål eller oversætte naturligt sprog til forberedte forespørgsler til dit ERP.

Det er vigtigt at skelne: En sprogmodel erstatter hverken SAP Business One eller klare processer. Det er ikke en magisk knap til bedre data. Hvis artikelstamdata ikke er vedligeholdt, godkendelser sker mundtligt, og fakturaer lander i forskellige postkasser, overtager AI først kun dette kaos i en ny form.

Dens nytte opstår der, hvor processen allerede har en genkendelig struktur. Et godt eksempel er den indgående faktura. Modellen læser leverandør, fakturanummer, beløb, skat og mulig kontering. SAP Business One kontrollerer derefter regler, tilladelser og godkendelser. Mennesket beslutter ved undtagelser. Således reduceres registreringsarbejdet, uden at kontrollen går tabt.

Databeskyttelse er en arkitekturafgørelse

Mange virksomheder behandler databeskyttelse ved AI som en note i det med småt. Det er ikke nok. Ved finansielle data, personlige oplysninger, kalkulationer eller kundedata skal det stå klart, hvilke informationer modellen må se, hvor de behandles, og hvem der frigiver resultaterne, før den første anvendelse.

For mellemstore virksomheder er der tre fornuftige driftsmodeller. En model hostet i Tyskland er ofte den pragmatiske vej, hvis du hurtigt vil bruge AI, men forventer behandling i et klart kontrolleret miljø. En egen adgangsnøgle til en ekstern model kan passe, hvis din virksomhed allerede har de relevante kontrakter, retningslinjer og en datastrategi. Den mest konsekvente variant er en fuldstændig lokal model i dit eget netværk. Så forbliver data og behandling i din infrastruktur.

Den sidste mulighed giver maksimal kontrol, men medfører også ansvar. Beregningskraft, opdateringer, overvågning og tilladelser skal drives korrekt. For en virksomhed med få, klare anvendelsestilfælde kan det være fornuftigt. Hvis man vil tilslutte mange medarbejdere hurtigt, kan en professionelt hostet løsning under tyske databeskyttelsesregler muligvis være mere økonomisk. Det handler ikke om den teknisk mest spektakulære model, men om den løsning, der fungerer pålideligt i hverdagen.

Begræns dataadgang strengt

En lokal model bør ikke blot have fuld adgang til ERP. Gode løsninger arbejder med klare roller, tilladte funktioner og protokollerede adgang. En salgsmedarbejder har ikke brug for indsigt i løndata. Regnskabsafdelingen må forberede en faktura, men ikke udløse en betaling uden godkendelse. Og en AI må foreslå informationer uden selvstændigt at foretage bogføringer, hvis processen ikke tillader det.

Disse regler er ikke en bremse. De gør AI først driftsklar. For et chatvindue alene er ikke en forretningsproces. Først forbindelsen af tilladelse, kontrol, protokol og defineret handling sikrer, at et svar bliver en brugbar arbejdslettelse.

Det afgørende skridt: Forbind AI med SAP Business One

De mest interessante anvendelsestilfælde opstår ikke ved generel skrivning af tekster. De opstår, når modellen kontrolleret kan få adgang til aktuelle forretningsdata. Så kan du for eksempel spørge, hvilke kunder der har overskredet deres kreditgrænse i 30 dage, hvilke artikler der er under minimumsbeholdningen, eller hvilke fakturaer der venter på godkendelse.

Svaret skal komme fra SAP Business One, ikke fra en usikker kopi i et regneark. Det skaber en bedre databasis og forhindrer, at medarbejdere igen springer mellem ERP, e-mail, Excel og enkelte opbevaringssteder.

For denne forbindelse kræves et teknisk lag, der sikkert oversætter forespørgsler til tilladte ERP-handlinger. En AI-agent bør ikke frit søge i databastabeller eller udføre bogføringer efter egen fortolkning. Den bør kun bruge de funktioner, der er tiltænkt dens opgave. Det er netop her, det afgøres, om AI forbliver et kontrollerbart værktøj eller skaber en ny risiko.

RConsult satser herpå med RC.AI på en assistent, der gør SAP Business One betjenbar via chat i WebClient, i den klassiske SAP Client og via Telegram. Supplerende åbner RC.MCP definerede SAP-funktioner for AI-agenter. Afgørende er ikke kanalen, men kontrollen bagved: Rettigheder fra SAP, klare procesgrænser og en driftsform, der passer til dine databeskyttelseskrav.

Start med små processer, ikke med store løfter

Den mest almindelige fejl er at starte med et for stort mål. “AI skal automatisere vores administration” lyder godt, men er ikke en gennemførlig opgave. Bedre er en proces, der ofte forekommer, er klart afgrænset og i dag mærkbart koster tid.

Egnede indgange er forberedelse af indgående fakturaer, sammenfatning af kundekommunikation, oplysninger om lagre og åbne sager eller støtte ved tilbagevendende ERP-spørgsmål. Opgaver, hvor medarbejdere hidtil har søgt informationer, kontrolleret dem og overført dem til en fast struktur, fungerer særligt godt.

Før starten bør du besvare fire spørgsmål:

• Hvilken konkret opgave skal blive hurtigere, mere fejlfri eller mere gennemsigtig?
• Hvilke data har AI faktisk brug for til det?
• Hvilken beslutning må den kun forberede, og hvilken må den udløse?
• Hvordan måler du efter fire uger, om indsatsen er umagen værd?

Disse spørgsmål holder projektet lille nok til hurtige resultater. Samtidig forhindrer de, at en teknisk imponerende løsning går forbi den virkelige arbejdsdag. En pilot behøver ikke være perfekt. Den skal vise, om medarbejdere sparer tid, om resultaterne er tilstrækkeligt pålidelige, og hvor processen skal finjusteres.

Kvalitet slår modelstørrelse

Mange diskussioner drejer sig om størrelsen eller kendtheden af en sprogmodel. For mellemstore processer er det sjældent det vigtigste punkt. En mindre model med ren adgang til aktuelle, kontrollerede data kan være mere nyttig end en stor model, der ikke kender tilladelser og fejlagtigt kategoriserer gamle dokumenter.

Kvalitet opstår gennem gode input, klare instruktioner, passende datakilder og definerede kontroller. Ved en fakturaindlæsning kan det betyde: Modellen genkender felter, matcher leverandører med stamdata og markerer usikkerheder. Den endelige bogføringslogik forbliver i ERP. Det er mindre spektakulært end fuldautomatiske løfter, men betydeligt tættere på en proces, som din regnskabsafdeling kan stole på.

Betragt omkostninger og drift ærligt

En lokal sprogmodel er ikke automatisk billigere end en ekstern tjeneste. Egen hardware, vedligeholdelse og teknisk drift koster tid og penge. Omvendt kan løbende brugsafhængige gebyrer for eksterne modeller blive relevante ved stigende brug. Den rigtige beregning omfatter derfor ikke kun infrastrukturudgifter, men også sparet behandlingstid, færre forespørgsler, kortere gennemløbstider og lavere fejlrater.

Kravene til tilgængelighed varierer også. En model til interne vidensspørgsmål må gerne pause kort under vedligeholdelse. En AI, der dagligt forbereder fakturaer eller understøtter processer i salget, har brug for en klar drift, overvågning og en kontaktperson, hvis noget ikke fungerer. Hvis man planlægger dette ordentligt fra starten, oplever man ingen overraskelser senere.

Lokal AI bliver meningsfuld, når den ikke behandles som et prestigeprojekt, men som en del af din proceslandskab. Begynd med en opgave, hvis resultat du kan måle. Giv modellen kun de data og rettigheder, den virkelig har brug for. Og beslut først om udvidelsen, når dit team i hverdagen mærker: Det sparer arbejde, skaber gennemsigtighed og lader os alligevel beholde kontrollen.