根据 Gartner 咨询公司的预测,到 2030 年,目前使用 SAP 传统 ERP 系统的客户中仍将有 40% 未能迁移至最新软件,这促使这家企业应用软件巨头重新考虑其支持期限。
2020 年,SAP 将其 Business Suite 7 (BS7) 应用程序(包括 ERP 软件 SAP ECC 6.0)的主流支持期限从 2025 年推迟到 2027 年,并提供延长支持至 2030 年,额外收取 2% 的费用。自那时起,这家欧洲最大的软件供应商一直坚持这个期限,很少有评论人士认为它会改变立场。
上个月,SAP 暗示可能会给其最大的客户一些回旋余地。预计该公司将宣布一项云订阅过渡方案,专门面向那些拥有大型且极其复杂 IT 环境的 ERP 客户,这些客户需要更多时间通过 RISE with SAP(该公司与云服务商和系统集成商合作伙伴提供的云迁移计划)完成转型。
SAP 发言人在 1 月份表示,新方案将面向使用 RISE with SAP 过渡服务并需要保持业务连续性的客户,"该选项将提供从 2031 年到 2033 年底的支持期限"。
然而,在一份详述 SAP 客户从本地部署 ECC 迁移至 S/4HANA(云端或本地)选项的报告中,Gartner 提出了一些推测。
"自 SAP S/4HANA 发布以来已经超过九年,但 Gartner 估计超过 60% 的 SAP 客户仍在使用本地部署的 ECC6,且尚未决定迁移。"
Gartner 估计,到 2030 年,当前 SAP ECC 客户中仍将有四成在关键业务领域使用 ECC。如此庞大的客户群体失去支持(可能转向第三方支持)的前景,将导致"SAP 重新考虑其维护终止日期和云迁移战略"。
不过,在上个月宣布对云迁移服务做出让步后,SAP CEO Christian Klein 向投资者表示:"这与延长本地部署维护期限无关。"
尽管如此,Gartner 有理由相信,一旦商业现实开始显现,SAP 的立场可能会发生改变。
"虽然 Gartner 没有收到 SAP 关于延长 ECC 支持期限超过 2030 年的任何迹象,但现有 ECC 客户采用 S/4HANA 的速度较慢确实使人质疑 SAP 的主张,"该报告指出。
"年度支持是 SAP 业务中利润极高的部分,而其新产品的有限采用率可能迫使其重新考虑当前的方案。因此,一些客户选择推迟决定,等待观察 SAP 是否会重新考虑其立场并延长期限,"Gartner 预测。
对于考虑在主流支持期限之后和 2030 年之后继续使用其 ECC 系统的组织来说,第三方支持是一个可行的选择。
"Gartner 与许多无法为迁移到 S/4HANA 建立令人信服的商业案例的 SAP 客户进行交流。对许多客户来说,主要驱动因素是 SAP 声称 2030 年后将不再支持 ECC,"报告继续说道。
"然而,由于约三分之二的 SAP ECC 客户尚未采取任何行动迁移到 S/4HANA,那些难以量化 S/4HANA 业务价值的客户应该评估在近期继续使用 ECC 是否可行。评估的一部分包括考虑支持选项,无论是来自 SAP 还是第三方,如 Rimini Street、Spinnaker Support 或 Support Revolution。"
SAP 一直主张,从 ECC 迁移到 S/4HANA(特别是云端)存在强有力的商业理由。它声称,在财务和运营控制方面能获得更快的速度和更强的灵活性等好处。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。