🌐 SAP redefine la IA empresarial para integrarla en modelos operativos
Construir IA que pugui treballar a tota l'empresa
Durant anys, les empreses han abordat la intel·ligència artificial (IA) com una sèrie d'experiments aïllats. No obstant això, a mesura que els agents d'IA comencen a integrar-se en els fluxos de treball empresarials, aquest enfocament s'està tornant insuficient. Les organitzacions que estan passant de pilots aïllats a agents d'IA i fluxos de treball autònoms enfronten un desafiament més profund: repensar com s'integren les dades, els processos empresarials, la governança i les persones, transformant la IA d'una col·lecció d'eines a una part integral del model operatiu de l'empresa.
Per a Thorsten Leiduck, vicepresident sènior i cap global de l'Ecosistema de la Plataforma d'IA Empresarial de SAP, aquest canvi comença en tractar la IA com una plataforma empresarial en lloc d'una sèrie de projectes desconnectats. "La IA depèn absolutament de la base de dades", afirma, argumentant que les empreses necessiten una capa connectada i semànticament rica que reflecteixi el seu negoci abans de poder desplegar la IA de manera fiable a través dels processos. Les apostes també canvien a mesura que la IA s'integra en fluxos de treball crítics. Per a algunes aplicacions quotidianes, "un 80% podria ser suficient", diu, però en àrees com les cadenes de subministrament o el tancament financer, aquest nivell de precisió és "un resultat molt terrible".
Aquesta base també determina quines aplicacions d'IA valen la pena perseguir. Satinder Pal Singh, vicepresident associat per a Amèrica del Nord de SAP BAIP i Estratègia d'IA de SAP a Infosys, descriu els agents d'IA com "companys de treball digitals" i recomana avaluar els casos d'ús potencials a través de tres lents: impacte, viabilitat i escalabilitat. Les empreses han d'identificar on un agent pot moure mètriques comercials significatives, determinar si les seves dades i talent poden donar suport al cas d'ús, i després establir si les aplicacions exitoses es poden replicar. "Un pilot que no pot escalar és només un experiment", diu.
L'escalabilitat també posa un enfocament més nítid en la governança. Es necessiten polítiques clares, controls d'accés, monitoratge i supervisió per garantir que els agents continuïn sent fiables i estiguin alineats amb els requisits comercials. "L'absència de governança no accelera l'adopció de la IA", diu Singh. "Crea una acumulació de riscos" que, en última instància, pot obligar a una parada i auditoria més disruptiva.
Aquestes consideracions es tornaran més importants a mesura que els agents d'IA assumeixin més responsabilitats com a companys de treball digitals. Tots dos executius veuen un futur en què els sistemes agèntics coordinin el treball a través d'aplicacions, mentre que els gràfics de coneixement específics del client i les dades governades es converteixen en actius empresarials crítics. Per a Singh, l'oportunitat a llarg termini és un canvi de la IA com a eina de productivitat a "IA com a soci de presa de decisions", ajudant els líders a entendre el que està passant, anticipar el que ve a continuació i determinar com respondre.
Font: https://www.technologyreview.com/2026/11/16/1146070/building-ai-that-can-work-across-the-enterprise/
Building AI that can work across the enterprise
Durante años, las empresas han abordado la inteligencia artificial (IA) como una serie de experimentos aislados. Sin embargo, a medida que los agentes de IA comienzan a integrarse en los flujos de trabajo empresariales, este enfoque se está volviendo insuficiente. Las organizaciones que están pasando de pilotos aislados a agentes de IA y flujos de trabajo autónomos enfrentan un desafío más profundo: repensar cómo se integran los datos, los procesos empresariales, la gobernanza y las personas, transformando la IA de una colección de herramientas a una parte integral del modelo operativo de la empresa.
Para Thorsten Leiduck, vicepresidente sénior y jefe global del Ecosistema de la Plataforma de IA Empresarial de SAP, este cambio comienza al tratar la IA como una plataforma empresarial en lugar de una serie de proyectos desconectados. «La IA depende absolutamente de la base de datos», afirma, argumentando que las empresas necesitan una capa conectada y semánticamente rica que refleje su negocio antes de poder desplegar la IA de manera confiable a través de los procesos. Las apuestas también cambian a medida que la IA se integra en flujos de trabajo críticos. Para algunas aplicaciones cotidianas, «un 80% podría ser suficiente», dice, pero en áreas como las cadenas de suministro o el cierre financiero, ese nivel de precisión es «un resultado muy terrible».
Esta base también determina qué aplicaciones de IA valen la pena perseguir. Satinder Pal Singh, vicepresidente asociado para América del Norte de SAP BAIP y Estrategia de IA de SAP en Infosys, describe a los agentes de IA como «compañeros de trabajo digitales» y recomienda evaluar los casos de uso potenciales a través de tres lentes: impacto, viabilidad y escalabilidad. Las empresas deben identificar dónde un agente puede mover métricas comerciales significativas, determinar si sus datos y talento pueden respaldar el caso de uso, y luego establecer si las aplicaciones exitosas se pueden replicar. «Un piloto que no puede escalar es solo un experimento», dice.
La escalabilidad también pone un enfoque más nítido en la gobernanza. Se necesitan políticas claras, controles de acceso, monitoreo y supervisión para garantizar que los agentes sigan siendo confiables y estén alineados con los requisitos comerciales. «La ausencia de gobernanza no acelera la adopción de la IA», dice Singh. «Crea una acumulación de riesgos» que, en última instancia, puede obligar a una parada y auditoría más disruptiva.
Estas consideraciones se volverán más importantes a medida que los agentes de IA asuman más responsabilidades como compañeros de trabajo digitales. Ambos ejecutivos ven un futuro en el que los sistemas agénticos coordinen el trabajo a través de aplicaciones, mientras que los gráficos de conocimiento específicos del cliente y los datos gobernados se convierten en activos empresariales críticos. Para Singh, la oportunidad a largo plazo es un cambio de la IA como herramienta de productividad a «IA como socio de toma de decisiones», ayudando a los líderes a entender lo que está sucediendo, anticipar lo que viene a continuación y determinar cómo responder.
Fuente: https://www.technologyreview.com/2026/11/16/1146070/building-ai-that-can-work-across-the-enterprise/
Building AI that can work across the enterprise
For years, companies have approached artificial intelligence (AI) as a series of isolated experiments. However, as AI agents begin to integrate into business workflows, this approach is becoming insufficient. Organisations transitioning from isolated pilots to AI agents and autonomous workflows face a deeper challenge: rethinking how data, business processes, governance, and people are integrated, transforming AI from a collection of tools into an integral part of the company's operating model.
For Thorsten Leiduck, Senior Vice President and Global Head of the SAP Enterprise AI Platform Ecosystem, this shift begins by treating AI as an enterprise platform rather than a series of disconnected projects. "AI absolutely depends on the database foundation," he states, arguing that companies need a connected and semantically rich layer that reflects their business before they can reliably deploy AI across processes. The stakes also change as AI integrates into critical workflows. For some everyday applications, "80% might be enough," he says, but in areas like supply chains or financial closing, that level of precision is "a very terrible outcome."
This foundation also determines which AI applications are worth pursuing. Satinder Pal Singh, Associate Vice President for North America of SAP BAIP and SAP AI Strategy at Infosys, describes AI agents as "digital co-workers" and recommends evaluating potential use cases through three lenses: impact, feasibility, and scalability. Companies must identify where an agent can move significant business metrics, determine if their data and talent can support the use case, and then establish if successful applications can be replicated. "A pilot that cannot scale is just an experiment," he says.
Scalability also puts a sharper focus on governance. Clear policies, access controls, monitoring, and oversight are needed to ensure agents remain reliable and aligned with business requirements. "The absence of governance does not accelerate AI adoption," Singh says. "It creates a build-up of risks" that can ultimately force a more disruptive halt and audit.
These considerations will become more important as AI agents take on more responsibilities as digital co-workers. Both executives see a future where agentic systems coordinate work across applications, while client-specific knowledge graphs and governed data become critical enterprise assets. For Singh, the long-term opportunity is a shift from AI as a productivity tool to "AI as a decision-making partner," helping leaders understand what is happening, anticipate what comes next, and determine how to respond.
Source: https://www.technologyreview.com/2026/11/16/1146070/building-ai-that-can-work-across-the-enterprise/
¿Te ha interesado esta noticia?
Recibe cada mañana el resumen de IA y sociedad directo en tu email.
Suscríbete gratis →