Connaissances sur les projets SAP à la demande : les avantages de l'IA pour les environnements SAP

L'Allemagne est confrontée à une perte considérable de savoir-faire. Selon les estimations de l'Office fédéral des statistiques, d'ici 2040, environ 13 millions de personnes actives auront dépassé l'âge légal de la retraite. Cela représente 30 % de la population active actuelle. C'est ainsi qu'un savoir-faire acquis au fil des décennies va se perdre. Deloitte parle déjà d’un „ exode des connaissances “.

Selon une enquête réalisée par ses soins, 92 % des entreprises interrogées ne recensent ni ne documentent de manière systématique les connaissances de leurs collaborateurs sur le point de prendre leur retraite. Les connaissances essentielles restent donc souvent confinées dans l’esprit de certains experts plutôt que d’être intégrées dans les systèmes. Gartner constate également un „ déficit d’expertise “ croissant dû aux départs à la retraite et aux évolutions technologiques, et recommande aux entreprises d’organiser de toute urgence leur transfert de connaissances comme un processus continu.

Cela constitue également un enjeu crucial pour de nombreux environnements SAP mis en place au fil des années, car là encore, une grande partie du savoir-faire réside dans l’esprit de développeurs et de consultants expérimentés. On répond généralement à ce problème par une documentation exhaustive et une redondance des effectifs, mais la difficulté réside dans l’accès à l’information : devoir se frayer un chemin à travers une montagne de documents juste pour comprendre un petit programme est non seulement fastidieux, mais aussi chronophage et coûteux. L’IA générative offre désormais la possibilité non seulement de documenter une partie de ce savoir empirique, mais aussi de le rendre immédiatement disponible dans le processus de développement.

La connaissance comporte plusieurs niveaux

Dans le cadre du développement logiciel assisté par l'IA dans l'environnement SAP, trois niveaux s'imbriquent les uns dans les autres :

Connaissances générales du modèle d'IA : Un modèle linguistique connaît les langages de programmation, les architectures logicielles typiques et de nombreuses méthodes de développement courantes. Il est capable de générer, d'expliquer ou de vérifier du code et connaît de nombreuses procédures documentées publiquement. Ces connaissances restent toutefois générales. Au départ, le modèle ne sait ni quels logiciels une entreprise donnée utilise, ni comment les processus y sont organisés, ni comment les applications y ont été personnalisées.

Connaissances spécifiques à SAP : À cela s'ajoute la connaissance de l'univers SAP. SAP enrichit donc l'IA générative de ses propres informations et fonctionnalités, par exemple dans Joule for Developers. L'IA peut ainsi prendre en compte les règles de développement spécifiques à SAP ou, dans le cadre d'une transformation S/4, analyser et adapter les développements propres existants. Cette couche connaît donc les règles techniques et les particularités de SAP, mais pas encore les spécificités d’une installation SAP donnée chez un client.

Connaissance des clients et des projets : Cette troisième couche ne se forme qu’au sein de chaque entreprise. Elle comprend les définitions propres à l’entreprise, les extensions individuelles, les interfaces, les normes de développement et les décisions prises lors de projets antérieurs. La question de savoir pourquoi un processus donné a été mis en œuvre exactement de cette manière il y a des années en fait également partie. Ni SAP ni un nouveau modèle linguistique plus performant ne peuvent connaître automatiquement ces informations, car elles proviennent de l’historique concret du client et du projet.

Le troisième niveau revêt une importance particulière pour les utilisateurs SAP. Alors que SAP fournit les fondements technologiques et métier généraux, des cabinets de conseil tels qu'Abat enrichissent cette base en y ajoutant leur expertise sur la configuration concrète de l'environnement SAP chez chaque client.

Connaissances relatives au projet sous forme lisible par machine

Le prestataire de services SAP Abat a développé à cet effet une approche qui lui est propre, dans laquelle une grande partie des connaissances en matière de développement et de conseil est stockée sous une forme lisible par machine. Cela s'effectue à deux niveaux de connaissances : le premier est constitué de ce qu'on appelle les « compétences ». Il s’agit de fichiers Markdown dans lesquels les développeurs décrivent des règles et des expériences de manière à ce qu’elles puissent être automatiquement prises en compte par l’assistant de développement. Cela inclut aussi bien les connaissances techniques en matière de développement que le comportement de l’IA : en cas d’informations manquantes, l’assistant doit demander des précisions plutôt que d’inventer une réponse supposée plausible. Les connaissances qui étaient auparavant diffusées par le biais de formations, de wikis ou de transmissions orales sont désormais directement intégrées au processus de développement. Les nouvelles connaissances issues des projets sont quant à elles réinjectées dans les « Skills ».

Le deuxième niveau est une base de données d'embedding ou de vecteurs gérée par Abat lui-même. Elle permet de stocker des connaissances plus approfondies sur l'entreprise et les clients : documentation, terminologie, spécificités propres à chaque projet ou informations sur le déroulement concret de certains processus. Cette base de données peut être connectée à différents modèles linguistiques. Il en résulte une séparation stratégique importante : les connaissances en matière de développement et de clientèle, accumulées au fil de nombreuses années – c’est-à-dire l’un des principaux actifs de l’entreprise – restent au sein de l’entreprise. Il est néanmoins possible de participer au développement technologique de l’IA, car le modèle linguistique sous-jacent est interchangeable à tout moment.

Lignes directrices en matière de développement

Cette approche est particulièrement évidente dans le cas des règles spécifiques à SAP. Abat définit par exemple des compétences pour le développement RAP, le « Clean Core » ou le codage compatible avec HANA. À cela s'ajoutent ses propres normes en matière de modularité, d'interfaces ou de maintenabilité. La fonction de ces informations s'en trouve ainsi modifiée.

Une consigne « Clean Core » ne figure plus uniquement dans un document d'architecture que le développeur doit connaître. Elle peut être intégrée directement dans la génération de code sous la forme d'une ligne directrice lisible par machine. Dans le cadre des conversions S/4, les règles peuvent par exemple prendre en compte les anciennes constructions ABAP qui posent problème sous HANA. SAP poursuit également dans cette voie. La feuille de route prévoit notamment un soutien par l’IA pour les résultats ATC liés au « Clean Core », ainsi que des fonctions d’agent pour ABAP.

Cela présente un intérêt particulier pour les utilisateurs SAP, car les nouveaux développements s'appuient presque toujours sur des extensions existantes et des règles spécifiques au client. Plus ces éléments sont disponibles sous une forme lisible par machine, moins la qualité dépend des connaissances spécifiques du développeur.

Cependant, les connaissances lisibles par machine ne sont pas automatiquement des connaissances correctes. Ici aussi, le principe „ garbage in, garbage out “ s’applique. Une documentation obsolète peut parfois être mal interprétée. En revanche, une règle lisible par machine erronée sera réutilisée à chaque fois qu’une tâche correspondante se présentera et peut avoir de graves conséquences.

À l'inverse, il faut également enrichir en permanence le socle de connaissances. Chez Abat, les développeurs testent d'abord les nouveautés avant qu'elles ne deviennent une règle générale. Ce n'est qu'une fois qu'une idée a été testée de manière approfondie et validée par le „ gatekeeper “ responsable que le déploiement centralisé a lieu. Ainsi, plus le développement est automatisé, plus il est important de définir clairement les responsabilités et les compétences en matière de maintenance et de validation.

Transition vers le problème de la connaissance

Pour les DSI des utilisateurs SAP, l’avantage réside avant tout dans la continuité. Lorsque de nouveaux développeurs rejoignent un projet, une partie de ces connaissances relatives au projet leur est immédiatement accessible via le Development Assistant. À cela s’ajoute une différence par rapport au transfert de connaissances classique : les connaissances lisibles par machine peuvent être reproduites à l’infini. Si une règle est améliorée ou si une erreur est corrigée une seule fois dans la base de connaissances, la modification est immédiatement disponible pour toutes les instances qui l'utilisent. En revanche, un nouveau collaborateur doit d'abord être intégré et formé. Cette possibilité de reproduction peut constituer un avantage considérable, en particulier dans les grands projets SAP où les équipes changent régulièrement.

Mais ce ne sont pas seulement les personnes qui enrichissent les connaissances relatives à une installation SAP donnée, c'est aussi l'environnement de développement lui-même. Cela facilite les transferts de compétences, réduit la dépendance vis-à-vis d'experts individuels et rend durablement accessible une partie des connaissances liées au projet, qui étaient jusqu'alors le fait de personnes spécifiques.

Test de résistance dans l'environnement SAP

Un projet Abat récent illustre bien l'importance que cela peut revêtir. Le point de départ est un environnement SAP existant comportant une quantité considérable de code que la nouvelle équipe n'a pas écrit elle-même – une situation qui fait partie du quotidien de nombreux utilisateurs de SAP. Pour le premier des sept lots de travail, l'effort nécessaire s'est avéré inférieur de plus de 50 % à l'estimation initiale.

Au fil de son travail, l'assistant au développement acquiert progressivement une meilleure compréhension du système existant et enrichit ainsi ses connaissances. Plus tard, une erreur a été signalée dans ce système. L'assistant a alors indiqué au développeur par où commencer, et l'erreur a pu être rapidement corrigée.

Le savoir, un atout stratégique

Avec l'utilisation croissante de l'IA, le contexte prend de plus en plus d'importance, au même titre que le modèle. La gestion stratégique des connaissances devient un enjeu majeur pour les DSI : les connaissances empiriques doivent être capturées et entretenues de manière à rester disponibles même après des changements de personnel ou des transitions de prestataires. Il en résulte un nouvel actif pour les utilisateurs SAP. Ce n’est pas seulement le code qui compte, mais aussi la représentation lisible par machine des raisons pour lesquelles les processus, le code et l’architecture se présentent tels qu’ils sont. Un environnement SAP qui s’est développé au fil du temps se transforme ainsi en une mémoire lisible par machine. À terme, cette approche va bien au-delà du codage. Abat expérimente actuellement l’intégration de spécifications, de décisions, de procès-verbaux et de glossaires. Les nouveaux membres de l’équipe pourraient alors se familiariser de manière ciblée avec l’historique du projet en posant des questions, plutôt qu’en lisant de grandes quantités de documentation historique.

Vers l'inscription du partenaire :