
【2026年3月版】SAP × AI連携の全体像と導入戦略|Basis層・ABAP層・BTP層の3レイヤーで読み解くAIインテグレーション設計【第1回/全5回】
はじめに
2027年、SAP ECCの標準保守が終了する。この「2027年問題」は、日本国内のSAPユーザー企業にとって、S/4HANAへのマイグレーションを否応なく迫るタイムリミットとして機能してきた。しかし2026年現在、このマイグレーションの文脈は大きく変わりつつある。生成AIの急速な進化により、単なる「移行プロジェクト」ではなく、「AI活用を前提としたERP基盤の再設計」という戦略的テーマへとシフトしているのだ。
本シリーズ「SAP × AI連携」では、全5回にわたり、SAPシステムとAI技術のインテグレーションを実務レベルで解説する。第1回となる本稿では、SAP × AIの全体像を3つのレイヤーモデルで整理し、各レイヤーで何ができるのか、どこから着手すべきかの判断軸を提供する。
筆者は現役のITコンサルタントとして、SAP導入・運用プロジェクトに複数年携わってきた経験をもとに、机上の空論ではない実装寄りの情報をお届けする。
📋 目次1. なぜ今「SAP × AI」なのか?市場背景と必然性
2. SAP AIインテグレーションの3レイヤーモデル(Basis層・ABAP層・BTP層)
3. 各レイヤーで実現できるAI活用パターン一覧
4. 主要AIツール×SAPレイヤー 適合マトリクス
🔒 ここから先は有料(¥1,500)
5. Basis層:SAP AI Core / AI Launchpadの実装アーキテクチャと権限設計
6. ABAP層:CDS View×ODataを活用したLLMデータパイプライン設計
7. BTP層:CAP+HANA Cloud Vector Engineで構築するRAG基盤の全体像
8. 導入判断フレームワーク:どのレイヤーから攻めるべきか
1. なぜ今「SAP × AI」なのか?市場背景と必然性
■ 2027年問題とAI活用の交差点
SAPユーザーの多くが頭を抱える「2027年問題」と「AI活用」は、表面上は無関係に見える。しかし、この2つは実はコインの裏表だ。マイグレーションプロジェクトを成功させるには膨大なドキュメント整理・テスト設計が必要であり、それ自体がAI活用の最初のユースケースになり得る。そして、S/4HANAに移行した後のアーキテクチャは、AI基盤を組み込むことを前提にした設計でなければ将来的な改修コストが跳ね上がる。
つまり「マイグレーション」と「AI導入」は別々のプロジェクトとして切り分けるのではなく、統合的なロードマップで設計すべきなのだ。
【2027年問題×AI活用のタイムライン】
┌─────────────────────────────────────────────────────────┐
│ フェーズ │ 期間 │ AI活用テーマ │
├─────────────────────────────────────────────────────────┤
│ AS-IS分析 │ 2026年前半 │ カスタムコード分析自動化 │
│ To-Be設計 │ 2026年中盤 │ AI前提のアーキテクチャ設計 │
│ 移行・実装 │ 2026年後半 │ テスト自動化・データ変換支援 │
│ 本番稼働 │ 2027年〜 │ RAGチャットボット・予測分析稼働 │
└─────────────────────────────────────────────────────────┘
■ SAP自身のAI戦略の転換
SAP × AIが注目される背景には、3つの構造的な要因がある。
第一に、SAP自身のAI戦略の転換である。SAPは2023年以降、「Business AI」を全面に押し出し、Joule(対話型AIアシスタント)をS/4HANA CloudやSuccessFactorsなどの主要製品に統合した。2025年にはSAP AI Coreの機能が大幅に拡充され、企業が独自のAIモデルをSAP環境内でデプロイ・管理できる基盤が整った。
特筆すべきは、SAPが「Embedded AI」と「Extended AI」という2つの戦略軸を明確に定義したことだ。
Embedded AI(標準機能として組み込まれたAI)は、Jouleに代表される。Jouleは単なるチャットボットではなく、S/4HANAの業務コンテキストを理解した上で、購買発注の提案、財務異常の検出、HR手続きのガイドなどをネイティブに実行できる。既存のSAPライセンスの範囲内で利用できる機能も多く、追加投資なしにAI体験を始められる入口として機能する。
Extended AI(SAP AI Coreによる拡張)は、企業が独自のAIモデルをSAP環境に統合するための基盤だ。GPT-4oやClaude 3.5などの商用LLMから、社内データで学習したカスタムモデルまで、BTP上のMLOps基盤(AI Core)で一元管理できる。
【SAP標準AIと拡張AIの比較】
┌──────────────┬────────────────────┬──────────────────────────┐
│ 項目 │ Embedded AI(Joule) │ Extended AI(AI Core) │
├──────────────┼────────────────────┼──────────────────────────┤
│ 対象ユーザー │ エンドユーザー │ 開発者・データサイエンティスト│
│ 導入工数 │ 低(設定のみ) │ 高(設計・実装が必要) │
│ カスタマイズ性 │ 低(SAP提供範囲内) │ 高(独自モデル可) │
│ ライセンス │ S/4HANA Cloudに含む │ AI Core別途ライセンス │
│ ユースケース │ 既定のSAP業務プロセス │ 独自業務フローへのAI統合 │
│ MLOps管理 │ SAP任せ │ 企業が自社で管理 │
│ データプライバシ│ SAP標準設定 │ 企業ポリシーで制御 │
└──────────────┴────────────────────┴──────────────────────────┘
第二に、生成AI技術の実用化が急速に進んだことがある。GPT-4以降、LLM(大規模言語モデル)の性能は企業ユースケースに耐えうるレベルに到達した。特に2025年以降は「RAG(Retrieval-Augmented Generation)」技術の成熟により、企業固有のデータを安全にLLMに渡す仕組みが確立された。これにより、SAPの業務データを活用したAIアプリケーション構築が現実的になった。
第三に、2027年問題に伴うS/4HANAマイグレーションのタイミングである。システム刷新のタイミングでAI活用を前提としたアーキテクチャを組み込むことは、後から追加するよりはるかに効率的だ。
■ 市場規模と導入実態
IDCの調査(2025年)によれば、SAP環境でのAI活用プロジェクトは前年比230%の伸びを示している。日本国内では、SAP導入企業の約35%が何らかのAI連携PoCを実施済みで、そのうち約40%が本格導入フェーズに移行しつつある。
【業種別SAP×AI導入状況(日本国内・2025年調査)】
┌──────────┬──────────┬──────────────────────────┐
│ 業種 │ PoC実施率 │ 主なユースケース │
├──────────┼──────────┼──────────────────────────┤
│ 製造業 │ 52% │ 需要予測・品質異常検知 │
│ 流通業 │ 48% │ 在庫最適化・発注自動化 │
│ 金融業 │ 41% │ 会計自動化・リスクスコアリング│
│ 建設業 │ 28% │ 原価管理・調達分析 │
│ サービス業 │ 23% │ 顧客対応・HR自動化 │
└──────────┴──────────┴──────────────────────────┘
この3つの波が同時に押し寄せている2026年は、SAP × AI連携に取り組む絶好のタイミングと言える。
2. SAP AIインテグレーションの3レイヤーモデル
SAP環境にAIを組み込む方法を理解するために、本シリーズでは「3レイヤーモデル」というフレームワークを提唱する。SAP技術スタックを以下の3層に分解し、各層でのAI連携パターンを整理する。
■ 3レイヤーの全体構造
【SAP × AI 3レイヤーモデル全体図】
┌────────────────────────────────────────────┐
│ 外部AI・クラウドサービス │
│ Azure OpenAI | AWS Bedrock | Google Vertex AI │
└───────────────────┬────────────────────────┘
│ API連携
┌───────────────────▼────────────────────────┐
│ ★ BTP層(拡張・クラウドネイティブ層) │
│ CAP / HANA Cloud / Integration Suite / AI Core │
│ → RAGチャットボット / 予測分析 / インテグレーション│
└───────────────────┬────────────────────────┘
│ OData/RFC/BAPI
┌───────────────────▼────────────────────────┐
│ ★ ABAP層(アプリケーション・データ層) │
│ CDS View / OData Services / ABAP Classes / BAdI│
│ → データ供給パイプライン / AI推論結果の業務反映 │
└───────────────────┬────────────────────────┘
│ SAP Basis管理
┌───────────────────▼────────────────────────┐
│ ★ Basis層(インフラ・プラットフォーム層) │
│ SAP AI Core / AI Launchpad / BTP Subaccount │
│ → MLOps基盤 / モデル管理 / セキュリティ制御 │
└────────────────────────────────────────────┘
│
┌───────────────────▼────────────────────────┐
│ SAP S/4HANA(コアシステム) │
└────────────────────────────────────────────┘
■ Basis層の詳細
Basis層は、AIシステム全体の「土台」を担う。SAP AI CoreはKubernetesベースのマネージドMLOps基盤だ。AWSのSageMakerやAzureのAzure MLに相当するSAP版MLOpsと理解すると分かりやすい。
AI Launchpadは、AI Coreの管理UIだ。開発者がコードを書かずにGUIでモデルの状態確認やデプロイ操作ができる。DevOps観点では、AI CoreがCI/CDパイプライン、AI Launchpadがそのオペレーションコンソールというイメージだ。
■ ABAP層の詳細
ABAP層は、SAPの心臓部だ。何十年もの業務ロジックとデータ資産がここに集積している。CDS View(Core Data Services)は、ABAP層でのデータ供給の主役で、テーブル結合やデータ変換ロジックをビューとして定義し、OData V4サービスとして公開することで外部へのAPIアクセスを実現する。
2025年以降、SAP Build Code(Joule連携)により、ABAPコードの自動生成・補完・リファクタリングがAI支援で行えるようになった。これはABAP層自体をAIで強化する「インナーループ」の活用であり、開発生産性向上の観点から見逃せない。
■ BTP層の詳細
BTP層は、SAPシステムの外側でクラウドネイティブなAIアプリケーションを構築するための場所だ。
CAP(Cloud Application Programming)はNode.jsとJavaをサポートするBTP上の開発フレームワークで、AIアプリケーションのバックエンドとして最適な選択肢だ。
HANA Cloud Vector Engineは2024年にリリースされたSAP HANA Cloudの拡張機能で、テキストデータをベクトル化して高速に類似検索できる。従来はPineconeやWeaviateなどの専用ベクトルデータベースが必要だったが、HANAに統合されたことでSAPエコシステム内で完結できるようになった。
【3レイヤー詳細比較表】
┌──────────┬──────────────────┬──────────────────┬──────────────────────┐
│ 比較項目 │ Basis層 │ ABAP層 │ BTP層 │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 主要技術 │ AI Core │ CDS View / OData │ CAP / HANA Cloud │
│ │ AI Launchpad │ ABAP Classes │ Integration Suite │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 役割 │ MLOps・モデル管理 │ データ供給 │ 拡張AIアプリ │
│ │ セキュリティ制御 │ ビジネスロジック統合│ クラウド連携・UI提供 │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 担当チーム │ Basisチーム │ ABAPチーム │ BTPクラウドチーム │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 導入難易度 │ ★★★★★ │ ★★★ │ ★★★★ │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 初期コスト │ 高($5K〜/月) │ 低〜中 │ 中(従量課金) │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 既存環境影響│ 低(独立基盤) │ 高(コード改修) │ 低(サイドカー型) │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ 推奨フェーズ│ 本格運用期 │ PoC〜本格運用 │ PoC〜拡張期 │
├──────────┼──────────────────┼──────────────────┼──────────────────────┤
│ PoC期間目安│ 3〜6ヶ月 │ 1〜3ヶ月 │ 1〜2ヶ月 │
└──────────┴──────────────────┴──────────────────┴──────────────────────┘
■ 典型的なデータフロー例
【受注AIアシスタントのデータフロー】
① S/4HANA(受注データ)
↓ CDS View + OData V4でデータ抽出(ABAP層)
② BTP Integration Suiteでデータパイプライン構築
↓ HANA Cloud Vector Engineにベクトル格納(BTP層)
③ SAP AI CoreにデプロイしたEmbedding + LLMモデルで推論(Basis層)
↓ 推論結果をOData経由でS/4HANAに書き戻し
④ ABAPのBAdI出口でAI提案をUIに表示(ABAP層)
3. 各レイヤーで実現できるAI活用パターン一覧
各レイヤーで具体的にどのようなAI活用が可能なのか、代表的なユースケースを「なぜそのレイヤーか」という理由と技術コンポーネントも含めて整理する。
■ Basis層のAI活用パターン
Basis層の強みは「モデルの集中管理」と「セキュリティ境界の維持」だ。企業が複数のAIモデルを運用する場合、各アプリが個別にAPIキーを持つのではなく、AI Coreを窓口にすることでガバナンスを効かせられる。
【Basis層ユースケース詳細】
┌────────────────────┬────────────────────┬────────────────────────┐
│ ユースケース │ 技術コンポーネント │ ビジネス効果 │
├────────────────────┼────────────────────┼────────────────────────┤
│ カスタムMLモデルの │ AI Core │ 自社データで学習したモデル │
│ デプロイ・推論API公開 │ Execution Engine │ をSAP環境内で安全に運用 │
├────────────────────┼────────────────────┼────────────────────────┤
│ モデルバージョニングと │ AI Core │ A/Bテストで精度向上を │
│ A/Bテスト運用 │ Artifact Store │ 継続的に実証できる │
├────────────────────┼────────────────────┼────────────────────────┤
│ 推論エンドポイントの │ Serving Infra │ ピーク負荷に応じた自動 │
│ 動的スケーリング │ Kubernetes │ スケールでコスト最適化 │
├────────────────────┼────────────────────┼────────────────────────┤
│ モデルドリフト検知と │ AI Launchpad │ 予測精度劣化を早期検知し │
│ アラート管理 │ Monitoring API │ 再トレーニングを自動化 │
├────────────────────┼────────────────────┼────────────────────────┤
│ LLMゲートウェイとしての│ AI Core │ APIキーの一元管理でセキュ │
│ 外部AI呼び出し管理 │ Proxy Configuration │ リティリスクを最小化 │
└────────────────────┴────────────────────┴────────────────────────┘
■ ABAP層のAI活用パターン
ABAP層の強みは「SAPコアへのリアルタイムな読み書きが可能」な点だ。BTP層からOData経由でデータ取得するより低レイテンシで、リアルタイム性が求められるユースケースに適している。
【ABAP層ユースケース詳細】
┌────────────────────┬────────────────────┬────────────────────────┐
│ ユースケース │ 技術コンポーネント │ ビジネス効果 │
├────────────────────┼────────────────────┼────────────────────────┤
│ 受注データの │ CDS View(SD) │ 異常受注(過大発注など) │
│ リアルタイム異常検知 │ AI Core推論APIコール │ をリアルタイム警告で防止 │
├────────────────────┼────────────────────┼────────────────────────┤
│ 仕入先評価スコアリング │ CDS View(MM) │ 主観を排除した定量的な │
│ の自動化 │ ABAP ML Framework │ 仕入先選定を実現 │
├────────────────────┼────────────────────┼────────────────────────┤
│ 会計伝票の │ FI標準テーブル │ 月次決算の自動化率を │
│ 自動仕訳提案 │ ABAP ML + AI Core │ 向上し決算工数を削減 │
├────────────────────┼────────────────────┼────────────────────────┤
│ 品目マスタの類似検索と │ MARA/MAKT CDS View │ 重複品目や類似品目を自動 │
│ 重複チェック │ Embedding + VE検索 │ 検出しデータ品質を向上 │
├────────────────────┼────────────────────┼────────────────────────┤
│ SAP Build Codeによる │ Joule(ABAP Asst.) │ ABAPコーダーの生産性を │
│ ABAPコード自動生成 │ ABAP Dev Tools │ 30〜50%向上(SAP実績値) │
└────────────────────┴────────────────────┴────────────────────────┘
■ BTP層のAI活用パターン
BTP層の強みは「SAPシステムへの影響を最小化しながら高度なAIアプリを独立して構築できる」点だ。既存SAPへの変更リスクを取らずにAI活用を始められる「サイドカーアーキテクチャ」として、PoC段階の企業に最も推奨できる。
【BTP層ユースケース詳細】
┌────────────────────┬────────────────────┬────────────────────────┐
│ ユースケース │ 技術コンポーネント │ ビジネス効果 │
├────────────────────┼────────────────────┼────────────────────────┤
│ SAP業務データを用いた │ CAP + HANA Cloud VE │ SAP操作の問い合わせを │
│ RAGチャットボット │ AI Core + LLM │ 自然言語で即解決 │
├────────────────────┼────────────────────┼────────────────────────┤
│ 請求書OCRと自動照合 │ Doc Info Extraction │ 請求書処理工数を70%削減 │
│ │ + AI Core │(SAP顧客事例) │
├────────────────────┼────────────────────┼────────────────────────┤
│ サプライチェーン │ Analytics Cloud │ 在庫過剰・欠品リスクを │
│ 需要予測ダッシュボード │ Predictive Analytics │ 事前に可視化 │
├────────────────────┼────────────────────┼────────────────────────┤
│ 社内ナレッジ検索 │ HANA Cloud VE │ SAPマニュアル・設定情報 │
│ エンジン │ CAP + UI5/React │ を全文検索より高精度で検索 │
├────────────────────┼────────────────────┼────────────────────────┤
│ カスタマイズドキュメント│ AI Core + LLM │ AS-IS分析の工数を60%削減 │
│ の自動要約・整理 │ Integration Suite │(移行プロジェクト効果) │
└────────────────────┴────────────────────┴────────────────────────┘
■ SAP × AI導入のメリット・デメリット
【メリット(5つ)】
① 業務プロセスの自動化・高速化
伝票入力・照合・判断業務をAIが代替し、人的リソースを高付加価値業務にシフトできる。SAPの試算ではJoule活用で管理業務の40%を削減できるとしている。
② データドリブンな意思決定の実現
SAPに蓄積された何年分もの業務データをAIが分析することで、属人的な経験・勘に頼らない定量的な意思決定が可能になる。需要予測・発注最適化・リスク評価での効果が特に高い。
③ SAP標準機能との統合でオーバーヘッドを最小化
SAP AI CoreなどのSAP純正サービスを使えば、BTPのサービス連携機能を活用し、認証・接続の実装工数を大幅に削減できる。
④ 段階的な導入によるリスク低減
BTP層からPoC → ABAP層でデータ基盤整備 → Basis層でMLOps確立という段階的アプローチが可能。初期投資を最小化しながら効果を積み上げられる。
⑤ 競合に対する技術的優位性の確立
SAP × AI連携を先行実装した企業は、業務効率・意思決定精度・サービス品質で差別化できる。製造業・流通業では需要予測精度の向上が在庫コスト削減に直結する。
【デメリット・リスク(5つ)】
① 追加ライセンスコストとROI試算の複雑化
SAP AI CoreはBTPの追加サービスとして課金される。Standard Editionで月額数百ドル〜、本格運用では月額数千ドル以上になるケースも。ROI算出には業務効率化効果の定量化が必要だ。
② MLOps体制の構築が必要
AIモデルは一度デプロイすれば終わりではない。精度モニタリング・データドリフト検知・定期再トレーニングのMLOps体制が不可欠。多くの企業でこの体制構築が最大のハードルになっている。
③ 既存ABAP資産との整合性担保
AI連携のためにCDS Viewを新規作成する際、既存のABAPロジックとの整合性確認が必要だ。特に勘定科目・組織構造・マスタデータのモデリングは、ABAP専門家との緊密な協業が不可欠だ。
④ データガバナンス・セキュリティリスク
SAPには取引機密・個人情報が大量に含まれる。LLMにデータを渡す際のマスキング、ファインチューニングデータの管理、クラウドLLMへのデータ送信可否の判断など、データガバナンス設計が甘いと情報漏洩リスクが生じる。
⑤ 組織的な変革管理の必要性
AIが提案・自動化するプロセスは従来の業務フローを変える。現場担当者の抵抗・不安への対処、AI提案の最終確認プロセスの設計(ヒューマン・イン・ザ・ループ)など、技術以外の変革管理が成功の鍵を握る。
4. 主要AIツール×SAPレイヤー 適合マトリクス
「どのAIツール・サービスをどのレイヤーで活用すべきか」の判断を以下のマトリクスで整理する。
適合度の凡例:◎最適・推奨構成 / ○適用可 / △条件付き / ×非推奨
【主要AIツール×SAPレイヤー 詳細適合マトリクス】
┌──────────────────────┬──────┬──────┬──────┬────────────────────────────────┐
│ AIツール/サービス │Basis層│ABAP層│BTP層 │ 適用時の主な注意点・特記事項 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ SAP AI Core │ ◎ │ ○ │ ◎ │ SAP純正。BTPサービスバインディングで │
│ │ │ │ │ 認証が容易。他サービスとの統合も簡単 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ SAP Joule │ △ │ ○ │ ◎ │ S/4HANA Cloudのみ対応(ECC不可)。 │
│ │ │ │ │ ABAPコード生成はCloud環境限定 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ Azure OpenAI Service │ ○ │ △ │ ◎ │ Integration Suite経由でSAP連携可。 │
│ (GPT-4o, GPT-4.1等) │ │ │ │ ABAPからの直接API呼び出しは要設計 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ Amazon Bedrock │ ○ │ △ │ ◎ │ Claude 3.5 Sonnet等が利用可。 │
│ (Claude, Titan等) │ │ │ │ SAPとAWSのプライベートネットワーク推奨│
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ Google Vertex AI │ ○ │ △ │ ○ │ Gemini 1.5 Pro等が利用可。 │
│ (Gemini等) │ │ │ │ BTPとGCPの接続にVPC Peeringが必要 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ HANA Cloud VE │ △ │ ○ │ ◎ │ 2024年〜登場。既存HANA Cloud契約で │
│ (Vector Engine) │ │ │ │ 追加費用なく利用可能 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ SAP Build Code │ × │ ◎ │ ○ │ ABAP/CAPコード生成に特化。 │
│ (Joule for Dev) │ │ │ │ ADT(Eclipse)との統合が前提 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ Doc Info Extraction │ △ │ ○ │ ◎ │ 請求書・納品書OCR特化。 │
│ │ │ │ │ FI/MMのAP自動化に直結 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ SAP Analytics Cloud │ △ │ △ │ ◎ │ 予測分析・シナリオプランニング特化。 │
│ (Predictive AI) │ │ │ │ S/4HANAライブ接続で最新データを活用 │
├──────────────────────┼──────┼──────┼──────┼────────────────────────────────┤
│ LangChain/LlamaIndex │ △ │ △ │ ◎ │ OSSフレームワーク。BTP上のCAPアプリに │
│ (OSSフレームワーク) │ │ │ │ Pythonで組み込み可 │
└──────────────────────┴──────┴──────┴──────┴────────────────────────────────┘
■ ユースケース別 推奨ツール選択フロー
▶ ケース1:まず試したい(PoC・コスト最小)
→ BTP層 + HANA Cloud Vector Engine + Azure OpenAI
理由:HANA CloudはS/4HANAのDBを既に使っているなら追加費用なし。Azure OpenAIは従量課金で試しやすく、BTP上のCAPで1〜2週間でプロトタイプ構築可能。
▶ ケース2:既存ABAPコードを活かしたい
→ ABAP層 + SAP Build Code (Joule)
理由:既存のABAP開発チームがいる場合、コード生成・リファクタリング支援でまず生産性向上を狙う。追加インフラ投資が最小。
▶ ケース3:本格的なMLOps基盤を構築したい
→ Basis層 + SAP AI Core + External LLM
理由:複数のAIモデルを運用管理する場合、AI Coreを中央基盤にしてガバナンスを確立。
▶ ケース4:請求書・受発注書の自動処理
→ BTP層 + Document Information Extraction
理由:SAP純正のOCRサービスで、FIへの直接連携がネイティブにサポートされている。
ここまでが無料パートとなる。ここから先では、各レイヤーの具体的な実装アーキテクチャ、設計上の注意点、そして「どのレイヤーから着手すべきか」の導入判断フレームワークを詳細に解説する。