ERP-flaskehalsen mange CIO'er overser, når de taler om AI

Når organisationer vurderer mulighederne med AI, er fokus ofte på Copilots, intelligente assistenter og kundevendt automatisering. Men nogle af de mest praktiske muligheder findes i arbejdet omkring ERP-leverancer.

Dokumentation og test kræver betydelige ressourcer, skaber afhængighed af nøglespecialister og bliver vanskeligere at vedligeholde, efterhånden som systemerne udvikler sig. De får sjældent stor opmærksomhed i strategiske diskussioner om AI, men de påvirker, hvor hurtigt og sikkert en organisation kan opgradere, skalere og ændre sit ERP-miljø.

De seneste fremskridt inden for AI-agenter og Model Context Protocol, eller MCP, kan gøre disse discipliner mere effektive. For CIO'er handler muligheden ikke blot om hurtigere indholdsgenerering. Det handler om en leverancemodel, som kan forbinde AI med forretningsapplikationer, udviklingsmiljøer og styrede implementeringsprocesser.

Flaskehalsen, der gemmer sig lige for næsen af os 

Under en ERP-implementering bruger organisationer betydelig tid på at dokumentere forretningsprocesser, konfigurationer og systemvalg. Når projektet er afsluttet, flytter fokus sig. Nye krav opstår, teams går videre til andre opgaver, og dokumentationen kommer gradvist bagud i forhold til den løsning, der er i drift.

Konsekvenserne viser sig ofte senere i forbindelse med audits, opgraderinger, regulatoriske ændringer eller udskiftning af medarbejdere. Manglende dokumentation af konfigurationer og forældede procesbeskrivelser kan øge omkostningerne, forsinke beslutninger og gøre det vanskeligere at tilpasse systemerne til nye forretningskrav.

Test udgør en tilsvarende udfordring. Når ERP-miljøer ændrer sig, skal teams vedligeholde testcases, udarbejde testplaner og koordinere regressions- og accepttest på tværs af IT og forretningen. Meget af dette arbejde er gentagende, men det er fortsat afgørende for den operationelle stabilitet.

Dokumentation og test forsinker måske ikke et projekt fra første dag. Med tiden kan de dog begrænse både hastigheden og sikkerheden, når systemerne skal ændres.

Hvorfor er teknologien relevant nu? 

Store sprogmodeller (LLM'er) kan generere og analysere tekst, men generelle sproglige kompetencer er ikke nok til pålidelige enterprise-leverancer. AI har også brug for adgang til relevante applikationsdata, driftsmæssig kontekst og instruktioner om, hvordan den skal interagere korrekt med systemer.

Det er her, MCP bliver relevant.

En MCP-server fungerer som et standardiseret forbindelseslag mellem en AI-model og en forretningsapplikation. Den kan give en AI-agent adgang til applikationsdata og funktionalitet, information om hvordan applikationen fungerer samt instruktioner for, hvordan den skal interagere med systemet.

For en CIO er værdien helt konkret. I stedet for kun at reagere på generelle prompts kan en AI-agent arbejde med konteksten fra en specifik forretningsapplikation og dens processer. Det skaber et stærkere grundlag for at udarbejde konfigurationsdokumentation, forberede testcases og understøtte andre leveranceopgaver.

Teknologien står ikke alene. Et governance-styret leverancerammeværk kan kombinere: 

• AI-understøttet udvikling i Visual Studio Code 

• AI-agenter og promptbaserede udviklingsprocesser 

• GitHub-repositorier, genanvendelige komponenter og fælles standarder 

• Azure DevOps-backlogs og deploymentspipelines 

• Sikkerheds-, compliance- og governance-kontroller 

Tilsammen forbinder disse elementer eksperimentering med etablerede udviklings- og implementeringsprocesser. Forretningsværdien ligger i at arbejde hurtigere uden at adskille AI-innovation fra de kontroller, der anvendes på andre enterprise-løsninger.

Hvor AI kan skabe konkret værdi 

De fem områder nedenfor giver et første indblik i, hvordan denne model kan understøtte ERP-leverancer:

Udarbejdelse af undervisningsmateriale 

En AI-agent kan bruge procesbeskrivelser, løsningskonfigurationer og indhold fra Microsoft Learn til at producere struktureret undervisningsmateriale. Det kan reducere den manuelle forberedelse og forbedre konsistensen på tværs af projekter.

Konfigurationsdokumentation 

En agent, der er forbundet til et Microsoft Dynamics 365-miljø i drift, kan læse konfigurationsdata og generere tilhørende dokumentation. Det hjælper organisationer med at holde dokumentationen på linje med løsningen frem for at være afhængige af periodiske manuelle opdateringer.

Værdien handler ikke kun om mindre manuelt arbejde. Den handler om bedre indsigt, stærkere governance og mindre afhængighed af viden, der i dag ligger hos et begrænset antal nøglespecialister.

Generering af testcases 

Med udgangspunkt i procesbeskrivelser og viden om applikationen kan AI udarbejde strukturerede testcases til menneskelig gennemgang. Specialister har fortsat ansvaret for at sikre, at testene afspejler forretningskrav, undtagelser og risici.

Testplaner og testsuiter 

Genererede testcases kan organiseres i procesbaserede testplaner og testsuiter. Det giver et mere ensartet testgrundlag og reducerer samtidig det administrative arbejde.

Automatiseret testudførelse 

AI-understøttede processer kan også udføre foruddefinerede tests, dokumentere resultater og opdatere testregistre. Potentialet er mindre arbejde med regressions- og accepttest, samtidig med at den menneskelige kontrol og validering bevares.

Disse anvendelsesområder er interessante, fordi de understøtter arbejde, som ERP-teams allerede udfører. AI skaber ikke behovet for dokumentation og test, men kan gøre begge dele lettere at vedligeholde som operationelle kompetencer frem for engangsleverancer i projekter.

Hurtigere leverancer kræver stadig governance 

AI-understøttet udvikling kan forkorte vejen fra idé til prototype, men højere hastighed skaber også nye ledelsesmæssige spørgsmål.

En prototype er ikke det samme som en produktionsklar service. Før en AI-understøttet løsning bliver en del af en ERP-leverancemodel, skal organisationer fortsat have tydeligt ejerskab, sikkerhedskontroller, valideringskriterier, implementeringsprocesser og løbende overvågning på plads.

Det samme gælder det kildemateriale, som AI arbejder med. Hvis procesarkiver er forældede, eller konfigurationsdata er unøjagtige, vil output afspejle disse svagheder.

AI øger derfor betydningen af velkendte discipliner: 

• Pålidelig dokumentation 

• Strukturerede data og procesinformation 

• Standardiserede leveranceprocesser 

• Tydeligt ejerskab 

• Menneskelig validering 

• Sikkerheds- og compliance-kontroller 

Uden dette fundament risikerer organisationer at skabe isolerede prototyper frem for bæredygtige operationelle kompetencer.

Spørgsmål CIO'er bør stille 

Før de investerer, bør CIO'er spørge: 

• Hvilke tilbagevendende aktiviteter bruger mest specialisttid? 

• Hvor skaber manglende dokumentation operationel risiko eller compliance-risiko? 

• Hvor mange ressourcer bruges på at forberede og vedligeholde testaktiver? 

• Hvilke systemer og datakilder skal en AI-agent have adgang til? 

• Hvem ejer kvaliteten af kildedata og genereret output? 

• Hvordan flyttes prototyper gennem sikkerheds-, validerings- og implementeringsprocesser? 

• Hvor skal menneskelig vurdering fortsat være obligatorisk? 

Disse spørgsmål forbinder teknologien med leverancemodellen og hjælper med at skelne mellem en værdifuld operationel kompetence og en attraktiv demonstration.

Styrk de discipliner, ERP allerede er afhængig af

Den stærkeste business case for AI i ERP kommer måske ikke fra introduktionen af en helt ny kompetence. Den kan komme fra at styrke de dokumentations- og testprocesser, som afgør, hvor sikkert organisationen kan ændre sine systemer.

AI-agenter, MCP, GitHub og Azure DevOps udgør det tekniske fundament. Stærk governance, pålidelig information og menneskelig ekspertise afgør, om dette fundament skaber varig værdi.

For CIO'er er det den egentlige mulighed: ikke bare at producere dokumentation eller tests hurtigere, men at gøre vigtige leverancediscipliner mere konsistente, skalerbare og lettere at styre.