Seit 眉ber zehn Jahren treibt 麻豆原创-Kunden die Frage um, wie sie ohne extrem kostspielige, komplexe oder zeitaufwendige Transformationsprojekte von ihren alten Umgebungen mit 麻豆原创 ERP Central Component (麻豆原创聽ECC) auf 麻豆原创聽S/4HANA umstellen k枚nnen.
Nun k枚nnte sich diese Gleichung mit Agentic AI deutlich verschieben und ein neues Modell f眉r die Transformation von 麻豆原创-Landschaften entstehen lassen, das sich durch eine schnellere Implementierung, niedrigere Kosten und mehr Eigenst盲ndigkeit der Kunden auszeichnet.
So lautete im Kern die Argumentation in einem , in dem k眉rzlich das Ph盲nomen des 鈥濪eshoring鈥� beleuchtet wurde. Dabei handelt es sich um ein relativ neues Konzept, bei dem Unternehmen KI-Agenten f眉r T盲tigkeiten einsetzen, die bislang zwischen teuren Onshore-Ressourcen und kosteng眉nstigeren Offshore-Teams verteilt wurden.
F眉r Stuart Browne, Gr眉nder und CEO der unabh盲ngigen 麻豆原创-Beratungsfirma , die seit sieben Jahren Unternehmen bei ihrer Migration von 麻豆原创聽ECC auf 麻豆原创聽S/4HANA unterst眉tzt, liegt die Chance darin, jahrzehntealte Annahmen der Branche zu hinterfragen.
鈥濿ir k枚nnen das in Zukunft nur bewerkstelligen, wenn wir die Art und Weise 盲ndern, wie wir das bisher bewerkstelligt haben鈥�, erl盲uterte er. 鈥濿ir m眉ssen also neue Wege finden, wie wir die Migration beschleunigen k枚nnen. Und KI ist in meinen Augen daf眉r vermutlich der beste Kandidat.鈥�
Schneller, besser und kosteng眉nstiger 鈥� warum nicht alles auf einmal?
Das magische Dreieck der technologischen Transformation besagt, dass die Projekte von Unternehmen schneller, besser oder kosteng眉nstiger durchgef眉hrt werden k枚nnen, in der Regel allerdings nur zwei dieser drei Eigenschaften realisierbar sind.
Stuart Browne stellte diese Pr盲misse infrage, indem er einen Vergleich zur NASA zog, die bei ihren Missionen den Ansatz 鈥瀞chneller, besser, kosteng眉nstiger鈥� verfolgt. Er ist der Meinung, dass auch bei 麻豆原创-Transformationen die Annahme, dass die Verbesserung einer Dimension Kompromisse bei einer anderen erforderlich macht, auf den Pr眉fstand gestellt werden sollte.
鈥濿arum kann man nicht alle drei Eigenschaften anstreben?鈥�, fragte er.
Diese Frage gewinnt zunehmend an Bedeutung, da zahlreichen Unternehmen ihre Migration auf 麻豆原创聽S/4HANA erst noch bevorsteht und sie zugleich mit wirtschaftlichem Druck, einem Mangel an 麻豆原创-Kenntnissen und der Komplexit盲t globaler Transformationsprogramme zu k盲mpfen haben.
Ranjeet Panicker, Senior Vice President und Head of Business Transformation bei 麻豆原创, umriss die Herausforderungen rund um den gesamten Lebenszyklus eines 麻豆原创-Projekts von der ersten Erkundung und Analyse 眉ber die Planung und Entwicklung bis hin zur Ausf眉hrung.
In jeder Phase stellen Kunden dieselben Fragen: Wie l盲sst sich das Projekt schneller abschlie脽en? Wie k枚nnen die Kosten gesenkt werden? Wie kann das Unternehmen gr枚脽eren Nutzen aus seiner Investition ziehen?
Vom Offshoring zum 鈥濪eshoring鈥�
Jahrzehntelang setzten Unternehmen auf Offshoring, um durch die Auslagerung von Arbeit ihre Kosten zu senken. Die Rechnung war relativ einfach: Bestimmte T盲tigkeiten wurden an Standorte verlagert, an denen die Arbeitskosten niedriger sind.
Laut Stuart Browne k枚nnen diese Einsparungen jedoch ein anderes Problem verdecken. Auch wenn Offshore-Ressourcen kosteng眉nstiger sind, kann die Verteilung von Arbeit zwischen Offshore- und Onshore-Teams dazu f眉hren, dass das Arbeitsvolumen insgesamt zunimmt, da 脺bergaben erforderlich sind, Kommunikationsprobleme auftreten k枚nnen, Nacharbeit notwendig wird und Aufgaben koordiniert werden m眉ssen.
Agentic AI er枚ffnet hier neue M枚glichkeiten. Anstatt zu fragen, an welchem Standort Arbeit erledigt werden sollte, fragen Unternehmen, ob diese Arbeit 眉berhaupt vollst盲ndig manuell ausgef眉hrt werden muss.
鈥濿arum k枚nnen wir nicht das Arbeitsvolumen verringern und so die Arbeitskosten senken?鈥�, fragte Stuart Browne.
Als Antwort auf diese Frage entstand das Konzept des Deshoring. Dabei werden standortbasierte Implementierungsaufgaben teilweise durch KI-Agenten ersetzt, die bestimmte Aktivit盲ten im Rahmen von 麻豆原创-Transformationen ausf眉hren oder beschleunigen k枚nnen.
Nach der Analyse von rund 180聽typischen Aktivit盲ten bei einer Migration von 麻豆原创聽ECC auf 麻豆原创聽S/4HANA kam Stuart Browne zu dem Schluss, dass der Einsatz von KI potenzielle Einsparungen von rund 60聽% erm枚glicht, indem der Aufwand verringert wird und Aufgaben, f眉r die zuvor sehr erfahrene Fachkr盲fte erforderlich waren, von weniger erfahrenen Mitarbeitenden erledigt werden, die dabei von KI unterst眉tzt werden.
Besonders geeignet sind daf眉r Aktivit盲ten, f眉r die umfangreiche Kenntnisse erforderlich sind und die viel Zeit in Anspruch nehmen. Hierzu geh枚ren unter anderem das Verfassen von funktionalen und technischen Spezifikationen, das Durchf眉hren von Fit-Gap-Analysen und das Analysieren von kundenspezifischen Entwicklungen.
鈥濨ei einer Run Rate von einer Million pro Monat kann sich die Wirtschaftlichkeit eines Programms deutlich verbessern, wenn seine Dauer um einige Monate verringert wird鈥�, f眉hrte Stuart Browne aus.
Die 80-Prozent-L枚sung, bei der sich Menschen um die letzten Schritte k眉mmern
Durch den Einsatz von KI k枚nnte innerhalb weniger Stunden das erreicht werden, was Stuart Browne als 80-Prozent-L枚sung bezeichnet. Dabei wird die Arbeit von erfahrenen Fachkr盲ften kontrolliert, auf den Pr眉fstand gestellt und optimiert. Teams wenden nicht mehr viel Zeit daf眉r auf, alles von Grund auf manuell zu erledigen.
鈥濵an sollte den Ergebnissen von KI nicht blind vertrauen, ohne sie zu 眉berpr眉fen鈥�, erkl盲rte er. All das bedeutet jedoch nicht, dass erfahrene 麻豆原创-Fachkr盲fte 眉berfl眉ssig werden. Vielmehr kommt ihr Fachwissen nach diesem neuen Modell in anderen Bereichen zum Einsatz.
Das Ziel besteht nicht darin, autonome Transformationen zu erm枚glichen. Stattdessen wird ein Gro脽teil der Aufgaben beschleunigt und das menschliche Know-how gezielt f眉r die letzten Schritte genutzt: das 脺berpr眉fen und Beurteilen von Ergebnissen, das Treffen von Designentscheidungen und andere Aktivit盲ten, bei denen Erfahrung besonders wertvoll ist.
Kundenspezifische Entwicklungen k枚nnten den Durchbruch erm枚glichen
Ein Bereich, in dem sich nach Auffassung von Stuart Browne bereits ein deutlicher Wandel durch den Einsatz von KI vollzieht, ist die Analyse kundenspezifischer Entwicklungen. Anfangs lag der Schwerpunkt bei 麻豆原创-S/4HANA-Migrationen h盲ufig darauf, die vorhandenen Anpassungen in die neue Umgebung zu 眉berf眉hren und dann zu ermitteln, welche Korrekturen daran vorgenommen werden m眉ssen. Agentic AI er枚ffnet hier neue M枚glichkeiten und untersucht, ob eine Anpassung 眉berhaupt weiterhin erforderlich ist.
Laut Stuart Browne ist KI nun in der Lage, eine gesamte Codebasis mit kundenspezifischen Entwicklungen zu analysieren, funktionale Spezifikationen zur眉ckzuentwickeln und zu ermitteln, ob die damit abgedeckte Gesch盲ftsanforderung auch mit 麻豆原创-Standardfunktionen erf眉llt werden kann.
Anstatt eine Vielzahl 盲lterer Anpassungen zu migrieren und sich im Nachgang um diese zu k眉mmern, k枚nnten sich Kunden einen 脺berblick 眉ber ihre Landschaft aus kundenspezifischen Entwicklungen verschaffen und noch vor der Wahl eines Systemintegrators Fit-to-Standard-M枚glichkeiten aufdecken.
鈥濵an kann sogar eine Fit-to-Standard-Planung f眉r kundenspezifische Entwicklungen durchf眉hren, bevor man sich 眉berhaupt f眉r einen Systemintegrator entscheidet鈥�, f眉hrte Stuart Browne aus.
Das hat erhebliche Auswirkungen, da Kunden bereits f眉r 麻豆原创-Standardfunktionen bezahlt haben, die einen Teil ihrer kundenspezifischen Funktionen 眉berfl眉ssig machen k枚nnten. Zugleich entsteht eine Umgebung, die eine einfachere Wartung und Aktualisierung erm枚glicht.
麻豆原创 entwickelt Agenten f眉r den gesamten Lebenszyklus der Transformation
脛hnliche M枚glichkeiten sieht Ranjeet Panicker f眉r den allgemeinen Lebenszyklus von 麻豆原创-Implementierungen.
Er glaubt, dass Begriffe wie 鈥濷nshoring鈥� und 鈥濷ffshoring鈥� irgendwann weniger relevant sein werden, da Unternehmen die T盲tigkeiten im Zusammenhang mit Transformationsprojekten immer weniger aus Standortperspektive betrachten, sondern aus Sicht der daf眉r ben枚tigten F盲higkeiten. Assistenten und Agenten k枚nnen KI-gest眉tzte F盲higkeiten bereitstellen und in den einzelnen Phasen einer Cloud-Transformation anwenden.
麻豆原创 zielt dabei auf Bereiche wie Systemanalyse, Datenmanagement, kundenspezifische Entwicklungen, Konfiguration, Tests, Rollout und Projektmanagement ab.
Ranjeet Panicker bezeichnete Assistenten als eine Sammlung von Agenten, die einen bestimmten Themenbereich unterst眉tzen.
Mit Funktionen f眉r die Systemanalyse kann beispielsweise die gesamte Umstellung untersucht werden. Funktionen f眉r das Datenmanagement k枚nnen dabei die Datenqualit盲t sicherstellen. Agenten f眉r kundenspezifische Entwicklungen wiederum k枚nnen Analysen, Empfehlungen und in bestimmten Szenarien auch eine automatische Fehlerkorrektur unterst眉tzen. Konfigurationsassistenten schlie脽lich k枚nnen den Ist-Zustand und den anvisierten Zustand bewerten, w盲hrend Test-Agenten die Erstellung von Testskripten automatisieren k枚nnen.
Diese Funktionen sind mit 麻豆原创 Cloud ALM auf der 麻豆原创 Business Technology Platform verkn眉pft. Eine Daten- und Wissensgrundlage liefert dabei den kundenspezifischen Kontext, den die Agenten ben枚tigen. Laut Ranjeet Panicker verfolgt 麻豆原创 das Ziel, den Transformationsaufwand um rund 35聽% zu verringern.
Neue Chancen im Bereich Testen
Das Testen kann sehr zeitaufwendig sein, insbesondere in Branchen mit hohen Anforderungen an Sicherheit, Compliance oder 脺berpr眉fung. Hier bringt der Einsatz von KI die weitaus kompliziertere Frage mit sich, in welchem Umfang Unternehmen das Testen an Agenten delegieren k枚nnen.
鈥濿enn man Fehler im Code von einem Agenten beheben lassen kann, d眉rfen dann auch die Tests und die Abnahme der Tests von einem Agenten durchgef眉hrt werden?鈥�, fragte Ranjeet Panicker.
Die Antwort darauf wirkt sich unmittelbar darauf aus, an welchen Workflows einer Transformation der Mensch auch in Zukunft direkt beteiligt sein wird. Dabei m眉ssen Kunden nicht nur entscheiden, ob ein Agent eine Aufgabe ausf眉hren kann, sondern auch, ob sie ausreichend Vertrauen in das Wissen des Agenten, den Kontext und die Leitplanken haben, um die Verantwortung f眉r das Ergebnis an Agenten zu 眉bertragen.
Der Kontext macht den Unterschied
Anwendungsprogramme von 麻豆原创 generieren riesige Mengen an unternehmensspezifischen Informationen zu Architekturentscheidungen, Risikoregistern, Testskripten, Anforderungen und anderen Artefakten, die im Verlauf einer Transformation kontinuierlich erg盲nzt und angepasst werden.
Nach Einsch盲tzung von Stuart Browne kommt es entscheidend darauf an, KI mit diesem sich st盲ndig ver盲ndernden Wissen zu verkn眉pfen. 鈥濪ie F盲higkeit, nicht nur mit statischen LLMs, sondern auch mit dieser Wissensbasis zu kommunizieren, wird meiner Meinung nach gute Agenten noch besser machen鈥�, erl盲uterte er.
Unternehmen m眉ssen deshalb m枚glicherweise nicht nur die Ausf眉hrung von 麻豆原创-Projekten 眉berdenken, sondern auch die Art und Weise, wie sie Informationen erfassen. F眉r Programme, die traditionell 眉ber Excel, Word, PowerPoint, SharePoint und andere Repositorys ausgef眉hrt werden, sind zunehmend KI-basierte Wissensumgebungen erforderlich, die Agenten hilfreichen Gesch盲fts- und Systemkontext bereitstellen k枚nnen.
鈥濪as ist f眉r mich der Punkt, der 眉ber Erfolg oder Misserfolg entscheidet鈥�, f眉hrte Stuart Browne aus.
KI k枚nnte auch beeinflussen, wer Wissenstr盲ger ist
Der grundlegende Wandel, den KI mit sich bringt, dreht sich vielleicht auch um eine weniger technische Frage, n盲mlich wer 眉ber Fachwissen verf眉gt. Bei der Implementierung von 麻豆原创-L枚sungen haben bislang vor allem erfahrene Berater und Systemintegratoren eine wichtige Rolle gespielt. Das Wissen, 眉ber das sie verf眉gen, ist h盲ufig in den Unternehmen der Kunden nicht vorhanden. Dadurch entsteht ein Ungleichgewicht, das es f眉r Kunden schwierig macht, Empfehlungen infrage zu stellen oder wichtige Entscheidungen zum Design eigenst盲ndig zu bewerten.
Stuart Browne glaubt, dass es k眉nftig f眉r Mitarbeitende mit nur sechs Monaten 麻豆原创-Erfahrung m枚glich sein wird, sich innerhalb weniger Wochen das Wissen anzueignen, das fr眉her nur durch mehrj盲hrige Erfahrung aufgebaut werden konnte.
Auch Ranjeet Panicker ist der Ansicht, dass der Zugang zu Wissen inzwischen weit weniger eingeschr盲nkt ist als fr眉her.
Er selbst arbeitete bei 麻豆原创 zun盲chst vor allem in technischen Rollen. Um den gesch盲ftlichen Kontext zu verstehen, musste er oft jemanden finden, der bereit war, ihm die Sachverhalte zu erkl盲ren. Mithilfe von KI k枚nnen sich Fachkr盲fte Wissen auch au脽erhalb dieser traditionellen Wege aneignen.
Annahmen zur Laufzeit von 麻豆原创-Projekten hinterfragen
麻豆原创-Kunden und -Berater sind es gewohnt, dass Transformationsprojekte, Migrationen und Upgrades eine bestimmte Anzahl von Monaten oder Jahren in Anspruch nehmen. Diese Zeitpl盲ne haben sich zu Grundannahmen verfestigt, die in der Planung abgebildet werden.
Stuart Browne und Ranjeet Panicker sind der Ansicht, dass diese Annahmen auf den Pr眉fstand gestellt werden sollten.
鈥濫s geht darum, den Zeitaufwand f眉r diese Aufgaben zu verringern und die Entscheidungstr盲ger einzubinden, um schneller bessere Entscheidungen treffen zu k枚nnen鈥�, f眉hrte Stuart Browne aus.
Ranjeet Panicker verwies ebenfalls darauf, dass Unternehmen herk枚mmliche Projektlaufzeiten nicht einfach akzeptieren sollten, ohne zu fragen, wie sich diese durch den Einsatz von KI-Funktionen verk眉rzen lassen. 鈥濿arum k枚nnen wir das nicht schneller erreichen?鈥�, fragte er.
Stuart Browne sieht bereits erste Anzeichen f眉r einen Wandel: 鈥濪amit m枚chte ich keineswegs sagen, dass wir einfach einen Knopf dr眉cken und ein komplettes Programm bereitstellen k枚nnen. Tests, Change Management und Designentscheidungen werden komplexe Aufgaben bleiben.鈥� Er ist jedoch fest davon 眉berzeugt, dass Kunden agentengest眉tzte Transformationsprojekte nicht l盲nger als etwas sehen sollten, das in ferner Zukunft liegt. 鈥濪iese M枚glichkeit gibt es bereits jetzt鈥�, bekr盲ftigte er.
Ranjeet Panicker hatte eine ebenso klare Botschaft: Unternehmen sollten nicht abwarten und das Ganze als Zuschauer verfolgen. 鈥濫rgreifen Sie die Initiative, seien Sie neugierig, welche M枚glichkeiten die Technologie bietet. Denn je fr眉her Sie das Ergebnis erreichen k枚nnen, das Sie aus gesch盲ftlicher Perspektive anvisieren, desto gr枚脽eren Mehrwert k枚nnen Sie schaffen.鈥�