Un caso bien documentado liberó el 20% del efectivo ocioso y redujo un cierre global de cinco días a tres. Una mirada más amplia a los datos explica por qué ese resultado es real, por qué no está garantizado, y cómo usar casos de éxito sin engañar a tu propio consejo.
En resumen
- El área financiera de Accenture, liderada por el managing director Eli Lambert, usó la nube de datos de SAP y la IA para liberar el 20% de su efectivo ocioso, más que duplicar la automatización de cuentas por cobrar y ahorrar unas 57.000 horas al año en la redacción de comentarios de conciliación: uno de los casos de IA financiera en SAP mejor documentados y publicados en 2026.
- Ese caso convive con un panorama agregado mucho menos favorable: la investigación independiente ya citada en esta serie encontró que cerca del 60% de las migraciones a SAP se retrasan o superan el presupuesto, y que solo alrededor de un tercio de las organizaciones que dicen haber desplegado S/4HANA declara haber completado realmente la transición.
- Un estudio de analistas previo a la ola de IA (IDC, patrocinado por AWS) encontró un ROI a tres años del 503% y un retorno de la inversión en 11 meses para una muestra pequeña de clientes empresariales de S/4HANA: útil como suelo, no como promesa, dado su tamaño, patrocinio y antigüedad.
- Ejemplos con nombre propio en utilities, servicios de TI y manufactura apuntan en la misma dirección que el caso de Accenture: ganancias operativas reales, aunque menos espectaculares y menos cuantificadas, gracias a los agentes de IA de SAP.
- El error más común al usar casos de éxito en un business case de consejo es tratar el mejor caso seleccionado por un proveedor como si fuera el caso esperado. Este artículo ofrece un marco para distinguir ambos antes de construir una cifra alrededor de uno de ellos.
Por qué existe este artículo
Los cuatro primeros artículos de esta serie plantearon qué es posible (agentes de IA en finanzas), qué tiene que ser cierto a nivel de arquitectura para que funcione (clean core), qué tiene que ser cierto sobre tus datos (una base gobernada) y cómo es una hoja de ruta y un business case creíbles. Este artículo es el expediente de pruebas: ejemplos reales y verificables de organizaciones haciendo este trabajo, contrastados con las cifras agregadas que muestran lo desigual que es realmente el resultado en el conjunto de la población.
Esa combinación importa más que cada mitad por separado. Un solo caso brillante, leído de forma aislada, invita a un consejo a anclar un business case en un resultado de mejor escenario. Los datos agregados de sobrecoste y estancamiento del artículo anterior, leídos de forma aislada, invitan a la parálisis. Juntos, dan algo más útil: la prueba de que el resultado es alcanzable, y una lectura honesta de cuánta disciplina hace falta realmente para llegar ahí.
El caso ancla: cómo Accenture convirtió Finanzas en un banco de pruebas de IA
Accenture es una multinacional de servicios profesionales y consultoría de TI y gestión, con cerca de 780.000 empleados en 52 países, que trabaja con 350 partners para dar servicio a más de 9.000 clientes, y opera su propia función de finanzas sobre SAP. En marzo de 2026, SAP News Center publicó una entrevista detallada y con nombre y apellidos a Eli Lambert, managing director de Finanzas en la división de TI global de Accenture, sobre lo que su equipo logró al aplicar IA a procesos financieros centrales. SAPinsider cubrió el mismo caso de forma independiente un mes después, y las cifras coinciden en ambas versiones.
El equipo de Lambert empezó por caja y liquidez. Accenture gestiona efectivo operativo en más de 50 países, una escala en la que las decisiones tienden a apoyarse por defecto en revisiones manuales e históricas. Su equipo construyó lo que llaman «Intelligent Cash»: consolidar los datos de caja de esos más de 50 países en un único data mart y aplicar modelos de machine learning, inspirados en cómo los minoristas gestionan el inventario, para determinar cuánto efectivo hace falta realmente mantener en cada momento. «[La IA] liberó el 20% de nuestro efectivo ocioso, que pudimos destinar a operaciones globales para financiar adquisiciones y crecimiento estratégico», dijo Lambert. También atribuye a la nube de datos de SAP, que reúne SAP Datasphere, Databricks y las cargas de trabajo de machine learning del equipo en un mismo entorno, la compresión de un trabajo de modelización que antes tardaba meses, o más de un año, y ahora se hace en días o semanas.
Cuentas por cobrar fue el siguiente objetivo. La conciliación era inconsistente y lenta, porque los pagos entrantes llegaban a menudo incompletos o con datos parciales, un patrón que cualquier equipo de finanzas reconocerá. Accenture co-desarrolló sobre la plataforma de SAP una solución de cuentas por cobrar basada en machine learning que, en palabras de Lambert, «más que duplicó la tasa de automatización del procesamiento de cuentas por cobrar y triplicó la conciliación automática, una mejora de alrededor del 300%». Un programador de aplicación de cobros construido sobre la misma plataforma logró una mejora del 7% en el auto-clearing, con emparejamientos producidos aproximadamente un 77% más rápido.
El resultado más llamativo vino de aplicar IA generativa a la contraloría. Accenture centralizó la conciliación de balance en más de 50 países, y luego añadió machine learning e IA generativa para analizar categorías de coste, resumir datos y detectar variaciones relevantes. El resultante «Intelligent Financial Advisor» genera comentarios narrativos para esas conciliaciones, y más del 90% se aprueban con poca o ninguna revisión. Eso ahorró unas 57.000 horas al año solo en trabajo de contraloría, y ayudó a Accenture a pasar de un cierre global de cinco días a uno de tres.
Planificación fue la cuarta área. Accenture sustituyó modelos antiguos por SAP Analytics Cloud, aplicando modelos de planificación plurianual potenciados por IA primero a la modelización de fusiones y adquisiciones, donde la precisión de las previsiones tiene un peso financiero real. El resultado, según Lambert, fue previsiones más precisas, menor riesgo de error y una colaboración más estrecha entre finanzas y los líderes de negocio en escenarios de alto riesgo.
El consejo de Lambert para otros líderes de finanzas es un enfoque de «gatear, caminar, correr»: empezar por una única función de alto impacto y rica en datos; invertir pronto en calidad y armonización de los datos; ajustar bien el ritmo del equipo antes de escalar; y trabajar de cerca con proveedores tecnológicos e integradores de sistemas que ya hayan hecho esto antes. «Usa la IA para impulsar el crecimiento», dijo. «En Accenture hemos podido usar la IA para ahorrar una cantidad significativa de caja en un área, que luego invertimos en otro proceso de alto crecimiento, las adquisiciones en nuestro caso. Así es como usas la IA para replantear de verdad tu negocio y llevarlo al siguiente nivel.»
Qué confirma este caso de lo visto antes en la serie
Leído junto a los cuatro artículos anteriores de esta serie, el caso de Accenture no es tanto una historia nueva como una confirmación, a escala real, de los mecanismos que esta serie ha venido describiendo.
- Valida el patrón de agentes de IA del Pilar 1: «Intelligent Cash» es, en la práctica, la misma clase de caso de uso que el Cash Management Agent del primer artículo: IA que razona sobre datos de caja y liquidez para automatizar decisiones que antes requerían revisión manual. Verlo entregar una cifra específica, atribuida y relevante para el consejo (20% de efectivo ocioso liberado) en una de las mayores firmas de servicios profesionales del mundo es prueba de que esa clase de caso de uso funciona, no solo una diapositiva de producto de un proveedor.
- Confirma el problema de fragmentación de datos del Pilar 3, y su solución: la descripción de Lambert de un trabajo de modelización que pasa de meses, o más de un año, a días o semanas, porque la nube de datos de SAP unifica Datasphere, Databricks y las cargas de trabajo de machine learning en un solo lugar, es el problema de fragmentación que esta serie cuantificó en el Pilar 3, resuelto en la práctica y no solo en un anuncio de lanzamiento.
- Depende del requisito previo de clean core del Pilar 2: Lambert lo dice explícitamente: «SAP nos da un core digital donde todos esos datos transaccionales están armonizados.» Nada de la automatización de cuentas por cobrar ni del trabajo de conciliación descrito arriba es posible sobre un core fragmentado y muy personalizado. El caso no menciona clean core por su nombre, pero depende del resultado que clean core está diseñado para producir.
- Es lo que parece un business case completo, el estándar que el Pilar 4 argumentó que la mayoría de las hojas de ruta no alcanzan: un líder de finanzas con nombre propio que puede señalar cifras específicas, cuantificadas y relevantes para el consejo (efectivo ocioso liberado, horas ahorradas, días eliminados del cierre) es exactamente el nivel de evidencia que el artículo anterior de esta serie argumentó que la mayoría de los business case de migración no alcanza. Este caso sí lo alcanza.
Señales de otros sectores
Accenture es el caso más rico y rigurosamente documentado disponible para este artículo, pero es una empresa de servicios profesionales, no un fabricante ni una utility, y un solo caso de un sector no establece un patrón entre industrias. AIMultiple, una firma independiente de investigación en IA, compiló a mediados de 2026 una tabla más amplia de clientes de SAP Joule con nombre propio, basada en casos publicados por el propio SAP, blogs y fuentes de terceros. Vale la pena nombrar tres ejemplos de esa tabla, con una salvedad importante: a diferencia de la entrevista a Accenture, estos son publicados por proveedores y autorreportados, y ninguno lleva un porcentaje cuantificado de forma independiente como sí lo hacen los resultados de Accenture.
- WEL Networks (utilities): con SAP S/4HANA Cloud Private Edition y Joule, reportó conciliación automática de facturas, programación de activos más rápida y automatización más amplia de flujos de trabajo del ERP, descrita como base de un modelo de mejora continua.
- AGILITA AG (servicios de TI): con GROW with SAP y Joule, reportó acceso más rápido a las herramientas de SAP, menos búsquedas manuales y mayor productividad interna.
- TE Connectivity (manufactura y tecnología): con SAP Integrated Business Planning y Joule, reportó comparaciones de escenarios más rápidas, información de planificación más ágil y decisiones de mayor calidad con menos esfuerzo manual.
Leídos por separado, ninguno de estos tres es evidencia suficientemente sólida para anclar un business case por sí solo: son cualitativos, seleccionados por el proveedor y sin cuantificar. Leídos junto al caso de Accenture, van en la misma dirección: organizaciones reales en utilities, servicios de TI y manufactura reportan la misma categoría amplia de beneficio (menos trabajo manual, ciclos más rápidos, mejores decisiones) que la función de finanzas de Accenture documentó con cifras concretas. Esa consistencia entre sectores es en sí misma un dato, aunque los ejemplos individuales no sean lo bastante rigurosos para sostenerse solos.
El benchmark agregado: qué encontraron los analistas independientes antes de la ola de IA
Para una cifra más amplia y metodológicamente transparente, vale la pena volver al Business Value white paper de IDC sobre SAP S/4HANA en AWS, patrocinado por AWS y publicado en agosto de 2023. IDC realizó entrevistas en profundidad con ocho organizaciones (n=8) en abril de 2023, en los sectores de servicios financieros (dos), automoción, consumo, salud, seguros y retail, con un ingreso anual medio de 3.190 millones de dólares y una media de 23.616 empleados. El análisis de IDC encontró un ROI a tres años del 503%, un periodo de retorno de la inversión de 11 meses, migraciones y actualizaciones a S/4HANA un 60% más rápidas, costes de infraestructura un 24% más bajos, un coste de operación a tres años un 29% más bajo, y un valor medio de 11,19 millones de dólares al año por organización entrevistada, además de mayores ingresos y ganancias de productividad atribuidos a un mejor rendimiento del ERP.
A cada una de esas cifras le corresponden tres matices. Primero, el estudio está patrocinado por AWS y mide S/4HANA específicamente sobre infraestructura de AWS, así que no es una lectura neutral respecto a proveedores sobre la modernización de ERP en general. Segundo, la muestra es pequeña, ocho organizaciones, lo que significa que un solo resultado muy fuerte o muy débil puede mover la media de forma significativa. Tercero, y lo más relevante para esta serie, las entrevistas se hicieron en abril de 2023, bastante antes de la ola de agentes de IA que cubren los Pilares 1 a 3. Este estudio mide el retorno de la modernización de infraestructura y plataforma, no el de la capa de IA que describe el caso de Accenture. Si acaso, eso lo convierte en un suelo conservador: un retorno base razonable solo por la modernización, antes de añadir encima casos de uso impulsados por IA como los documentados arriba.
Leer casos de éxito sin dejarte engañar por ellos
Esta es la parte del artículo que más importa para cómo uses realmente todo lo anterior. Un caso con nombre y apellidos, con declaraciones en registro público, como el de Accenture, es un estándar de evidencia bastante más alto que la afirmación de un blog anónimo de un proveedor, pero sigue siendo el resultado de una sola organización, autorreportado y no auditado de forma independiente. Antes de citar cualquier caso de éxito, incluido este, en un documento para el consejo, conviene hacerse tres preguntas de forma explícita.
- ¿Quién lo publicó, y qué interés comercial tiene?: el caso de Accenture lo publicó el propio centro de noticias de SAP y lo cubrió de forma independiente SAPinsider, una publicación especializada, lo que le da una procedencia más sólida que un blog de un solo proveedor. Los ejemplos de AIMultiple están recopilados a partir de material publicado por el propio SAP. El estudio de IDC fue encargado y patrocinado por AWS. Nada de esto hace falsas las cifras subyacentes, pero significa que todas ellas tienen un interés comercial en que el resultado se vea bien, y conviene leerlas con eso en mente.
- ¿La cifra está autorreportada, auditada o encuestada de forma independiente?: las cifras de Accenture del 20% de efectivo ocioso y las 57.000 horas están autorreportadas por un directivo con nombre propio en un registro público, una afirmación real y verificable, pero no auditada de forma independiente como lo estaría un estado financiero. Los datos de ISG y SAPinsider citados en otras partes de esta serie proceden de encuestas independientes a cientos de organizaciones, una categoría de evidencia distinta y en general más fiable que un solo caso.
- ¿Cuál era el punto de partida del caso, frente al tuyo?: Accenture empezó este trabajo operando ya sobre un core de SAP grande y armonizado, con la capacidad interna de ingeniería de datos e IA de una de las mayores consultoras tecnológicas del mundo. Una organización que esté en una etapa más temprana de su camino hacia clean core y gobierno de datos, el tema del segundo y el tercer artículo de esta serie, debería esperar un recorrido más largo hasta un resultado comparable, no el mismo calendario.
Nada de esto es un argumento contra el uso de casos de éxito. Es un argumento a favor de usarlos correctamente: como prueba de que un resultado es alcanzable y un boceto aproximado del mecanismo que lo produjo, no como una promesa de lo que tu organización va a obtener en un plazo comparable. Las cifras agregadas del artículo anterior de esta serie, cerca del 60% de los proyectos que incumplen presupuesto o calendario, son la población de la que salen estos casos individuales brillantes. Un business case de consejo que solo cita el caso atípico, y nunca la distribución de la que salió, no está siendo del todo honesto con quienes aprueban el presupuesto.
Qué implica para los CIO
Para los CIO que construyen la base de evidencia de un business case de IA o de migración, se desprenden cinco implicaciones de los datos anteriores:
- Usa los cuatro casos de uso de Accenture como referencia de mecanismo, no como objetivo: el patrón concreto (un data mart centralizado para caja, automatización de cuentas por cobrar con ML, IA generativa para comentarios de conciliación, planificación potenciada por IA) es un menú de partida creíble sobre dónde mirar primero en tu propia función de finanzas, independientemente de si alcanzas los mismos porcentajes.
- Valida que tu propio core esté lo bastante armonizado para soportar el patrón: los resultados de Lambert dependen explícitamente de un core digital armonizado. Si tu organización todavía arrastra deuda técnica significativa por las decisiones de vía que cubre el artículo de la hoja de ruta, presupuesta ese trabajo antes de esperar resultados comparables de automatización de cuentas por cobrar o conciliación.
- Trata los ejemplos sectoriales de AIMultiple como corroboración direccional, no como prueba autónoma: son útiles para mostrarle a un CFO o a un consejo que la categoría de beneficio aparece en distintas industrias, pero no deberían ser la evidencia principal de un business case, dada su naturaleza cualitativa y publicada por el proveedor.
- Dimensiona tus objetivos internos según el benchmark agregado, no según el caso ancla: el ROI a tres años del 503% del estudio de IDC, matizado adecuadamente por su patrocinio, tamaño de muestra y antigüedad, es una cifra de planificación más defendible que los resultados concretos de Accenture, que reflejan una organización mucho más grande y más madura en IA.
- Diseña tu propio plan de medición antes de empezar, no después: el caso de Accenture es convincente precisamente porque Lambert puede nombrar cifras exactas. Una organización que no mide su propia línea base (niveles actuales de efectivo ocioso, horas actuales de conciliación, duración actual del cierre) antes de empezar no podrá producir el mismo tipo de evidencia dentro de un año, independientemente de si el trabajo subyacente tuvo éxito.
Qué implica para los CFO
Para los CFO que evalúan si citar, y cómo, casos de éxito y benchmarks en un business case, se derivan cinco prácticas concretas:
- Pide la fuente y el patrocinio de cada caso de éxito antes de que entre en un dossier para el consejo: una cifra autorreportada por un directivo con nombre propio en una publicación especializada independiente pesa más que la afirmación anónima de un proveedor, y un estudio de analistas patrocinado por un proveedor debería etiquetarse como tal, no presentarse como investigación neutral.
- Presenta los datos agregados junto a cualquier caso ancla, no en su lugar: citar el resultado del 20% de efectivo ocioso de Accenture sin señalar también que cerca del 60% de los proyectos comparables incumple presupuesto o calendario, según la investigación independiente citada en el artículo anterior, es una imagen incompleta que tarde o temprano pasará factura a quien la presentó.
- Distingue las cifras auditadas de las autorreportadas en tu propio reporting: cuando tu propia organización empiece a producir resultados, aplica la misma disciplina internamente: una reducción del tiempo de cierre auditada y firme es una categoría de evidencia distinta a una estimación temprana y autorreportada de productividad, y el consejo debería saber cuál es cuál.
- Usa el benchmark de IDC como suelo a la hora de validar el caso financiero, no como objetivo: un ROI a tres años del 503% procedente de un estudio pequeño, patrocinado y anterior a la ola de IA es una barra mínima razonable que superar, no la cifra que prometerle al consejo, dado todo lo que explica el punto anterior de este artículo sobre sus límites.
- Financia la infraestructura de medición junto con la propia transformación: el caso de Accenture convence precisamente porque se midieron métricas concretas (efectivo ocioso, horas de conciliación, días de cierre) desde el principio. Presupuestar esa instrumentación es lo que convierte tu propia transformación en el caso de éxito defendible del año que viene, en lugar de una anécdota que nadie puede cuantificar después.
Cómo es «hacerlo bien»: un modelo de madurez sencillo
Como con los demás modelos de madurez de esta serie, la forma en que una organización usa la evidencia, la propia y la ajena, sigue un patrón reconocible de cuatro etapas.
- Etapa 1 — Confianza prestada: el business case se apoya por completo en casos de éxito y afirmaciones de benchmark suministrados por proveedores, citados sin ajustar por patrocinio, tamaño de muestra o lo distinto que era el punto de partida de la organización citada respecto al propio.
- Etapa 2 — Consciente pero sin calibrar: la organización sabe, en principio, que debe ser escéptica con las afirmaciones de los proveedores, pero todavía no ha construido sus propias métricas de línea base, así que cualquier comparación con un caso como el de Accenture sigue siendo cualitativa, no cuantificada.
- Etapa 3 — Con benchmark e instrumentada: la organización ha establecido su propia línea base (niveles de efectivo ocioso, horas de conciliación, duración del cierre, o el equivalente para su caso de uso), ha dimensionado sus objetivos frente a los datos agregados independientes en lugar de un caso atípico, y puede distinguir en su propio reporting las afirmaciones autorreportadas de las auditadas.
- Etapa 4 — Un caso citable por derecho propio: la organización puede producir el mismo tipo de cifras específicas, atribuidas y relevantes para el consejo que demuestra el caso de Accenture, verificadas por su propia medición interna y no tomadas prestadas de la nota de prensa de otra empresa.
La mayoría de las organizaciones que leen por primera vez casos como el de Accenture están en la Etapa 1 o la Etapa 2. El salto a la Etapa 3 no exige igualar los resultados de Accenture. Exige construir la disciplina de medición que te permita saber, con honestidad, qué tan cerca llegaste realmente.
Tres objeciones que merece la pena tomarse en serio
- «Nuestro proveedor nos enseñó un caso con cifras todavía mayores que las de Accenture»: Hazte las mismas tres preguntas que plantea este artículo sobre cualquier caso de éxito: quién lo publicó, si la cifra está autorreportada o auditada, y cuál era el punto de partida de la organización citada. Una cifra mayor procedente de una fuente menos transparente es una evidencia más débil, no más fuerte, sea cual sea la forma en que se presente en un dossier comercial.
- «No tenemos la escala de Accenture, así que nada de esto nos aplica»: La escala cambia el tamaño de la oportunidad, no si el mecanismo funciona. Una organización más pequeña, con una fracción del volumen de caja de Accenture, puede aplicar la misma clase de caso de uso (un data mart centralizado, automatización con ML, conciliación con IA generativa) a una escala proporcionalmente menor pero igual de real. Lo que sí cambia con la escala es cuánto tiempo lleva armonizar tu core lo suficiente como para soportarlo, que es exactamente por qué el Pilar 2 de esta serie importa antes que el Pilar 5.
- «Esto no es más que marketing, ¿no?»: Parte de ello lo es: los ejemplos sectoriales de AIMultiple están publicados por proveedores y sin cuantificar, y el estudio de IDC está patrocinado por un proveedor. Pero el caso de Accenture es un directivo con nombre propio, en declaraciones públicas, describiendo cifras específicas y atribuidas, cubierto de forma independiente por una publicación especializada, una categoría de evidencia bastante distinta a una afirmación de marketing. La respuesta correcta al escepticismo no es descartarlo todo ni aceptarlo todo: es aplicar el marco de las tres preguntas de este artículo a cada fuente por separado.
Una checklist de preparación
Antes de citar un caso de éxito o un benchmark en tu propio business case, repasa estas preguntas:
- ¿Has establecido tu propia línea base para las métricas que reporta un caso comparable (niveles de efectivo ocioso, horas de conciliación, duración del cierre, o el equivalente), para poder medir tu propio resultado frente a ella más adelante?
- ¿Has comprobado quién publicó el caso de éxito o el benchmark que citas, y qué interés comercial tiene en que el resultado se vea favorable?
- ¿Has distinguido, en tu propio material para el consejo, qué cifras son afirmaciones autorreportadas y cuáles están auditadas o encuestadas de forma independiente?
- ¿Has presentado los datos agregados, menos favorables (como los hallazgos de ISG y SAPinsider del artículo anterior de esta serie) junto a cualquier caso ancla, en lugar de citar solo el caso ancla?
- ¿Has dimensionado tus objetivos de planificación según los datos de benchmark más amplios, en lugar de según el caso individual más impresionante que encontraste?
La conclusión
El caso de Accenture es real, está bien documentado y merece tomarse en serio: un directivo de finanzas con nombre propio, en declaraciones públicas, describiendo resultados específicos y atribuidos de aplicar IA a caja, cuentas por cobrar, conciliación y planificación. Confirma, a una escala significativa, los mecanismos que esta serie ha descrito en los artículos de IA, clean core y confianza en los datos. No es, por sí solo, una promesa de lo que va a lograr cualquier otra organización, y nunca debería presentarse a un consejo como si lo fuera.
Las organizaciones que más aprovechan evidencia como esta son las que sostienen las dos mitades del cuadro a la vez: la prueba real de que el resultado es alcanzable, y una contabilidad honesta de lo desigual que es el resultado en la población más amplia documentada en el artículo anterior. Esa combinación, no el caso ancla por sí solo, es lo que debería dimensionar un business case, y lo que debería determinar cuánta contingencia, disciplina e infraestructura de medición interna necesita.
¿Tratando de averiguar si un caso de éxito que te han mostrado aplica de verdad a tu organización? Ofrecemos una conversación gratuita de 30 minutos sobre preparación en IA, Clean Core y retorno de inversión, sin discurso comercial, solo una lectura honesta de dónde estás. Más información en theintelligenthub.com.
Fuentes
- SAP News Center, «AI Road Map: How Accenture Uses AI as a Growth Engine», por Brenda Bown, 31 de marzo de 2026 — https://news.sap.com/2026/03/how-accenture-uses-ai-as-growth-engine/
- SAPinsider, «Turning Finance into a Growth Engine with SAP Business AI», por Chris Vavra, 1 de abril de 2026 — https://sapinsider.org/articles/turning-finance-into-a-growth-engine-with-sap-business-ai/
- AIMultiple, «SAP AI Agents in 2026: Joule Studio case studies», por Hazal Şimşek, actualizado el 11 de junio de 2026 — https://aimultiple.com/sap-ai-agents
- IDC (patrocinado por AWS), «The Business Value of SAP S/4HANA on AWS», Business Value White Paper, agosto de 2023, IDC #US51053623 — https://pages.awscloud.com/rs/112-TZM-766/images/PTNR_SAP_IDC_Whitepaper_Aug-23.pdf
Nota: las cifras de Accenture están autorreportadas por un directivo con nombre propio en una entrevista pública, cubierta de forma independiente por SAPinsider, pero no auditadas de forma independiente. Los ejemplos de WEL Networks, AGILITA AG y TE Connectivity están publicados por el proveedor y son cualitativos, recopilados por AIMultiple a partir de material del propio SAP. El estudio de IDC fue encargado y patrocinado por AWS, cubre una muestra pequeña (n=8) y se publicó en agosto de 2023, antes de los desarrollos de agentes de IA cubiertos en el resto de esta serie; se presenta aquí como un suelo de referencia, no como una cifra actual o neutral respecto a proveedores.
Relacionado
¿Estás evaluando tu propio programa de transformación SAP? Explorar Asesoría →
¿Tienes una brecha de habilidades concreta en tu programa S/4HANA? Explorar Sourcing de Talento →
¿Quieres ver el panorama completo? Explorar la serie completa →