SAP'ın Claude ve MCP ortaklığı Autonomous Enterprise yığınında gerçekte nasıl çalışıyor

Dev.to'da yayımlanan bir analiz, SAP'nin yoğun şekilde tanıtılan Autonomous Enterprise vizyonunu yakından inceliyor ve 2026 ortası itibarıyla mevcut olan mimariyi, çevresindeki keynote çerçevesinden ayırıyor. Ortaya çıkan tablo, tek bir Anthropic ortaklığından ziyade katmanlı bir platform: Claude, SAP tarafından yönetilen endpoint'lerin arkasında seçilebilir modellerden biri ve asıl entegrasyon işinin büyük kısmını Model Context Protocol (MCP) üstleniyor.

Dört katmanlı bir mimari

Dev.to analizine göre Autonomous Enterprise yığını, SAP uygulamaları genelinde AI runtime, model yönetimi, orkestrasyon ve paylaşılan servisleri sağlayan SAP Business AI (BAI) Platformu üzerine kurulu. Bunun üzerinde finans, tedarik, İK ve tedarik zinciri için önceden hazırlanmış domain agent'ları bulunuyor; bunlar SAP tarafından sunulan ve partnerlerce genişletilen yeteneklerin bir karışımı olarak tanımlanıyor. Kullanıcılar bu agent'lara SAP'nin Joule copilot'u, Ariba'nın rehberli satın alma gibi uygulamalara gömülü konuşma arayüzleri ve sesli endpoint'ler üzerinden erişiyor. Son bir ticari katman ise üçüncü taraf modelleri güvenli endpoint'ler arkasında barındırıyor; yönlendirme, yönetişim ve kurumsal düzeyde SLA'ları SAP üstleniyor ve SAP kendi öncü bir LLM'sini çıkarmıyor.

Claude birincil, ama tek değil

Claude, yüksek riskli, çok adımlı işler için öncül akıl yürütme modeli olarak konumlandırılıyor. Yazar, mali kapanış sapma analizi, onay akışı optimizasyonu ve alanlar arası politika yorumlamasının ona yönlendirilen görev türleri olduğunu örnek veriyor. Ancak bu seçim tek değil, birincil: SAP'nin özel tablo modeli RPT-1 yapılandırılmış veri tahminlerini üstlenirken, Mistral ve Cohere modelleri egemenlik ve gecikme hassasiyeti yüksek kullanım senaryolarına hizmet ediyor.

Özellikle, müşteriler Anthropic ile doğrudan sözleşme yapmıyor. Claude'a BAI Platformu üzerindeki yönetilen endpoint'ler aracılığıyla erişiliyor; SAP burada API kotaları, SLA'lar, alana özgü prompt şablonları, SAP bilgi tabanlarından retrieval augmentation ve çıktıları SAP veri modelleri ile iş kurallarına göre denetleyen bir doğrulama katmanı uyguluyor. Verilen örnek şu: bir CFO, Joule'a belirli bir bölgede üretim maliyetlerinin neden tahminden saptığını sorduğunda, platform prompt'u maliyet merkezi verileri, üretim kayıtları ve bölgesel göstergelerle zenginleştiriyor ve ardından Claude analizi üretiyor.

Bağlayıcı doku olarak MCP

Analiz, MCP'nin SAP'nin daha stratejik katkısı olabileceğini savunuyor. MCP, agent'ların backend sistemlerine nasıl erişeceğini standartlaştırıyor; ister okuma, çalıştırma ister kod üretme işlemleri olsun ve agent ister Claude, Copilot veya şirket içi bir Python scripti olsun fark etmiyor. Her etkileşim kimlik doğrulamasından, yetkilendirmeden ve denetimden geçiyor; yöneticiler ayrıntılı izinler ayarlayabiliyor — örneğin bir agent'ın CRM sorgularında müşteri adlarını gösterirken ödeme ayrıntılarını gizlemesi sağlanabiliyor. MCP ayrıca çoklu agent orkestrasyonunu mümkün kılıyor; agent'lar bağlamı ve denetim izlerini koruyarak birbirlerine görev devredebiliyor.

Anlatıldığı şekliyle tipik bir istek, Joule'dan bir domain agent'ına akıyor; agent MCP üzerinden SAP backend'lerinden olgusal verileri çekiyor, karmaşık akıl yürütmeyi BAI Platformu aracılığıyla Claude'a iletiyor, yanıtı iş kurallarına göre doğruluyor ve tüm etkileşimi SAP Cloud ALM'ye kaydediyor.

Üretim ortamı gerçekte ne gerektiriyor

Yazının önemli bölümü, satıcı demo'larının genellikle atladığı ön koşullara ayrılmış. Sistemler genelinde tutarlı ve tekilleştirilmiş master veri pazarlık konusu bile değil; vazgeçilmez kabul ediliyor. Tek oturum açma, rol tabanlı erişim kontrolü ve servisler arası kimlik doğrulamasının yapılandırılıp gözden geçirilmesi gerekiyor. Tüm MCP etkileşimleri, kullanım sıçramalarında anomali tespiti ve AI etkileşim kayıtları için net saklama politikalarıyla birlikte Cloud ALM'ye veya bir SIEM'e kaydedilmeli. Değişim yönetimi de önemli; kullanıcılar sistemin sınırlarını anlamalı ve şüpheli AI önerilerini ne zaman üst kademeye taşıyacaklarını bilmeli. Yazar, bu temelleri atlamakın, altta yatan model ne kadar yetenekli olursa olsun tutarsız sonuçlar, güvenlik açığı ve zedelenen kullanıcı güveniyle sonuçlanacağı konusunda uyarıyor.

Yönetişim tabloyu tamamlıyor. Bölgesel BAI endpoint'ları GDPR ve CCPA gibi kurallar kapsamında veri ikametini zorunlu kılıyor ve gerektiğinde belirli iş yükleri egemen modellere yönlendirilebiliyor. İnsan onayı eşikleri yapılandırılabilir — verilen örnekte 50 doların altındaki gider raporları otomatik onaylanırken, daha yüksek tutarlar bir yöneticiye veya VP'ye iletiliyor. Mevcut otomasyonların yerini almak yerine birlikte var olacağı öngörülüyor: n8n akışları SAP agent'larını tetikleyebiliyor, tersi de mümkün; yerel modeller genel görevleri üstleniyor ve özel scriptler, kendi makine öğrenimlerini yerelde uygulamadan önce MCP üzerinden SAP verilerini okuyor. Önerilen başlangıç noktası, kurum genelinde bir taahhütten önce manuel bir temel çizgisine göre ölçülen, örneğin aylık mali kapanış için sapma açıklamaları üretme gibi iyi sınırlandırılmış tek bir kullanım senaryosu üzerine odaklı 60-90 günlük bir pilot çalışma.

Neden önemli

Mimarlar için çıkarım şu: "SAP artı Claude" değerlendirmek, bir modeli değil, altyapıyı değerlendirmek anlamına geliyor. Kalıcı parçalar, MCP entegrasyon dokusu, yönetişim sınırı ve LLM'nin etrafına sarılmış doğrulama katmanları — gelecekteki bir model değişiminden sağlam çıkacak bileşenler. Bu, resmi SAP dokümantasyonu değil, dev.to'daki tek bir bağımsız anlatı ve bu şekilde okunmalı; ancak keynote demo'larını, kuruluma hazır bir kurumsal yığından ayırmak için somut bir kontrol listesi sunuyor.