十分之七的高管认为传统ERP系统需要变革,但对于这一关键业务系统的未来发展方向存在分歧。
Censuswide对全球4295名CFO、CISO、CIO和CEO进行的研究显示,大多数组织(70%)认为传统ERP不是未来发展方向。
然而,对于下一步发展方向,意见出现分歧。36%的受访者认为传统ERP将被"可组合、模块化、灵活、API驱动的最佳解决方案模式"所取代。与此同时,33%的人认为未来在于"智能体ERP,具备自主的AI驱动决策能力"。这项研究由Oracle和SAP软件第三方支持服务提供商Rimini Street委托进行。
Rimini Street首席技术官Eric Helmer表示,第一种选择更适合那些试图从纯粹的历史报告转向跨多个业务应用程序(包括ERP)实时决策支持的组织。
"你可以将所有AI功能集中在某个特定供应商那里,这意味着你依赖该供应商为你提供特定结果。但为了实现这一点,需要完全替换你现有的所有系统,然后迁移到他们基于订阅的云服务上,"他说。
然而,他认为就AI智能体而言,ERP的价值在于数据,而非应用程序本身。
"如果你得出这个结论,那么ERP的版本就变得无关紧要了,因为你今天已经掌握了关键要素。与其将ERP视为实现AI愿景的平台,不如将其视为数据源。你将AI从ERP中分离出来,获取数据,然后创造美好的成果,"他说。
调查显示,绝大多数高管(97%)对其当前ERP系统在很大程度上满足业务需求表示满意,这消除了用户急于迁移到最新SaaS平台的想法。
在Oracle和SAP主导的市场中,用户也对围绕其最大企业软件块的供应商锁定感到沮丧:35%的受访高级管理人员将供应商锁定、灵活性有限以及强制升级和迁移列为最令人沮丧的压力之一。
11月,Rimini Street客户Kingfisher——运营着包括英国品牌Screwfix和B&Q在内的2000家欧洲零售店——放弃了SAP升级和云迁移,转而使用第三方支持将其现有应用程序迁移到云端,并围绕其构建分析和新服务。
然而,Kingfisher选择的路径——也是Rimini Street偏好的路径——忽略了调查中33%认为未来是将AI智能体集成到ERP平台中的观点,这正是SAP和Oracle等供应商的偏好。
Gartner ERP策略高级总监Dixie John告诉The Register,虽然使用第三方支持来扩展现有应用程序在短期或中期可能是一个不错的战术选择,但最终组织仍需要升级其ERP。这是因为某些基础功能——现金管理、应收账款、发票开具——在单一应用程序中运行效果更好。
用户对构建AI智能体系统的混合匹配方法变得更加风险规避,并希望通过选择现有供应商的解决方案来降低风险。
"这为用户提供了低风险项目的机会,在某些情况下,如果软件作为更新的一部分提供,他们甚至可能不需要为此额外付费,"Gartner的John-David Lovelock上周告诉我们。
Q&A
Q1:传统ERP系统真的要被淘汰了吗?
A:调查显示70%的高管认为传统ERP不是未来发展方向,但97%的高管对当前ERP系统满足业务需求表示满意。这表明ERP系统需要变革,但不会立即被完全淘汰。
Q2:ERP系统未来发展有哪两个主要方向?
A:36%的受访者支持"可组合、模块化、灵活、API驱动的最佳解决方案模式",33%的人认为未来在于"智能体ERP,具备自主的AI驱动决策能力"。两种方向各有支持者。
Q3:为什么很多企业对供应商锁定感到沮丧?
A:在Oracle和SAP主导的市场中,35%的高级管理人员将供应商锁定、灵活性有限以及强制升级和迁移列为最令人沮丧的压力,这限制了企业的选择自由度。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。