SAP verisiyle konuşmak: Yapay zekâ raporlamada nerede işe yarar, nerede yaramaz

Son iki yılda hemen her müşteri görüşmesinde aynı soru geliyor: “SAP verimizde yapay zekâyı nasıl kullanabiliriz?” Soru yerinde, ama cevabı çoğu sunumda olduğundan daha ayrıntılı. Yapay zekâ SAP raporlamasında belirli işlerde gerçekten büyük fark yaratıyor; başka işlerde ise ya gereksiz ya da riskli.

Aşağıda bu ayrımı, kendi ürünümüz Confiq'i geliştirirken ve müşteri projelerinde gördüklerimize dayanarak yapıyoruz.

İşe yaradığı yer: soruyu sorguya çevirmek

SAP'ta veri var, ama ona ulaşmak teknik bilgi ister: hangi tablo, hangi alan, hangi işlem kodu. Bir finans müdürünün “geçen ay hangi müşteri grubunda marj düştü?” sorusu, bugün çoğu şirkette bir talep formuna ve birkaç günlük beklemeye dönüşüyor.

Dil modellerinin en güçlü olduğu nokta tam olarak burası: doğal dildeki soruyu doğru veri sorgusuna çevirmek. Soruyu soran kişi tablo adı bilmek zorunda kalmıyor, teknik ekip de tekrarlayan rapor taleplerinden kurtuluyor. Kazanç hız değil, erişim: daha önce sorulmayan sorular sorulmaya başlanıyor.

İşe yaradığı yer: anormalliği önce fark etmek

Bir stok kaleminin beklenmedik şekilde artması, bir tedarikçi fiyatının sessizce yükselmesi, bir müşterinin ödeme davranışının değişmesi — bunlar genellikle aylık raporda, olaydan haftalar sonra görülür.

Örüntü tespiti, makinenin insandan hızlı olduğu klasik alandır. Burada yapay zekânın işi karar vermek değil, dikkat yönlendirmek: “şu 12 kalemde alışılmadık hareket var” demek. Kararı yine uzman veriyor, ama doğru yere bakarak.

İşe yaramadığı yer: yasal ve kesin hesaplamalar

KDV hesabı, amortisman, enflasyon düzeltmesi veya yasal raporlama gibi alanlar kural tabanlıdır ve tek doğru cevabı vardır. Bu hesapların bir dil modeline yaptırılması yanlış bir tercihtir: sonuç doğru görünse bile, yöntem denetlenebilir ve tekrarlanabilir değildir.

Bu tür işler SAP'ın kendi mantığında, kurallı geliştirmelerle çözülmeli. Yapay zekânın buradaki katkısı hesabı yapmak değil, hesabın sonucunu açıklamak ve sapmaları göstermek olabilir.

İşe yaramadığı yer: veri kalitesi bozukken

En sık gördüğümüz hayal kırıklığı burada yaşanıyor. Mükerrer müşteri kartları, tutarsız malzeme grupları veya boş bırakılmış alanlar varken kurulan yapay zekâ katmanı, hatalı veriyi daha hızlı ve daha ikna edici biçimde sunar.

Bu yüzden yapay zekâ projelerine ana veri fotoğrafıyla başlamayı öneriyoruz. Veri kalitesi düzeltilmeden kurulan çözümler, güven kaybının en hızlı yoludur; bir kez yanlış rakam veren sisteme kimse ikinci kez sormaz.

Peki veri nerede duruyor?

Kurumsal tarafta en sık gelen ikinci soru güvenlikle ilgili: “Verimiz dışarı çıkacak mı?” Bizim yaklaşımımız, verinin kendi sisteminizde kalması ve üzerine bir okuma-yorumlama katmanı eklenmesi yönünde. Yetkilendirme SAP tarafında nasılsa öyle kalır; kullanıcı, kendi göremeyeceği bir veriyi yapay zekâ üzerinden de göremez.

Bu ilke basit görünse de uygulamada belirleyicidir: yetki modeli baypas edilerek kurulan çözümler, kısa vadede etkileyici, uzun vadede sürdürülemezdir.

Başlarken

Yapay zekâyı SAP tarafında denemek isteyen şirketlere önerimiz, geniş bir platform kurmak yerine tek bir gerçek soruyla başlamak: ekibin her ay tekrar tekrar sorduğu, cevaplaması bugün günler alan bir soru. O soruyu uçtan uca çözmek, on farklı senaryoyu yarım bırakmaktan daha çok şey öğretir.

Confiq'i de bu şekilde geliştirdik: sahada en çok tekrarlanan soruları önce elle çözdük, sonra ürünleştirdik. Yapay zekânın kurumsal değeri, gösterişli demolarda değil, tekrar eden işi ortadan kaldırdığı yerde ortaya çıkıyor.