Inhalt
Viele Unternehmen investieren in KI, ohne daraus bereits einen verlässlich messbaren Geschäftsnutzen abzuleiten. Ein entscheidender Grund liegt häufig nicht im Algorithmus selbst, sondern in der Datenbasis, mit der er arbeitet.
SAP bietet Joule, Business AI, eingebetteten Analytics. Die Versprechen sind groß: intelligente Automatisierung, prädiktive Prozesse, autonome Entscheidungsunterstützung. Die Verfügbarkeit dieser Funktionen allein garantiert jedoch noch keinen belastbaren Nutzen. Entscheidend ist, ob die zugrunde liegenden Daten einer KI-Nutzung standhalten.
Clean Core ist notwendig. Reicht aber nicht
SAPs Clean-Core-Strategie hat einen klaren technischen Kern: Der SAP-Standard soll möglichst unverändert und upgradefähig bleiben. Erweiterungen werden über freigegebene, upgrade-sichere Mechanismen umgesetzt – je nach Szenario auch über SAP BTP. Das ist sinnvoll und für KI-Readiness eine notwendige Bedingung. Aber keine hinreichende.
Ein Unternehmen kann individuelle Modifikationen reduziert, seine Erweiterungen upgrade-sicher umgesetzt und das System technisch auf Clean-Core-Niveau gebracht haben – und trotzdem mit Duplikaten in den Geschäftspartnerdaten, unvollständigen Materialstämmen oder Inkonsistenzen zwischen Werken arbeiten, die jede automatisierte Auswertung verzerren.
Clean Core sichert die Architektur. Datenqualität sichert die inhaltliche Grundlage. Fehlt eines von beidem, bleibt das Potenzial der Technologie begrenzt.
Was KI-Readiness in SAP wirklich bedeutet
KI-Readiness in SAP setzt mehr voraus als eine moderne Systemarchitektur. Entscheidend sind eine geeignete Datenbasis, klare Verantwortlichkeiten und nachvollziehbare Prozesse.
Semantische Konsistenz und Vollständigkeit sind das Fundament. Wenn ein KI-Modell auf Materialstammdaten zugreift, muss „Kilogramm“ überall „Kilogramm“ bedeuten. Nicht in einem Werk „KG“, in einem anderen „kg“ und in einem dritten als freies Textfeld eingetragen. Das klingt zunächst trivial, ist es in der Praxis jedoch nicht, besonders in SAP-Systemen, die über Jahrzehnte gewachsen sind, über Fusionen und Carve-Outs hinweg.
Gleichzeitig reagieren KI-Modelle empfindlich auf fehlende Daten. Ein Materialstamm mit 70 Prozent Vollständigkeit mag für das Tagesgeschäft funktionieren, weil Menschen die Lücken im Tagesgeschäft häufig durch Erfahrungswissen ausgleichen. KI- und Analysesysteme können solche Lücken dagegen nur begrenzt kompensieren und benötigen eine möglichst vollständige und strukturierte Datenbasis.
Hinzu kommen regulatorische Anforderungen. Insbesondere bei Hochrisiko-KI-Systemen erhöht beispielsweise der EU AI Act die Anforderungen an Daten-Governance, Nachvollziehbarkeit und den Umgang mit möglichen Verzerrungen. Unternehmen sollten deshalb je nach Anwendungsfall dokumentieren können, welche Daten verwendet werden, woher sie stammen, wie sie aufbereitet wurden und wie ihre Eignung sichergestellt wird.
Die Diskrepanz zwischen technischer Möglichkeit und belastbarer Nutzung
SAPs Vision eingebetteter KI ist überzeugend: Joule unterstützt Anwender im Arbeitskontext, prädiktive Analysen können Bedarfe prognostizieren und automatisierte Verfahren Auffälligkeiten in großen Datenbeständen erkennen.
In der Praxis scheitern diese Funktionen an Datenqualitätsproblemen, die nicht mit der KI selbst zusammenhängen.
Joule kann keine sinnvolle Antwort auf eine Bestandsanfrage geben, wenn die Materialstammdaten unvollständig sind.
Predictive Analytics liefert Prognosen, die so gut sind wie die Eingabedaten.
Anomalieerkennung stößt an Grenzen, wenn die Anomalien schon in den Stammdaten stecken.
Das ist kein theoretisches Risiko. Es ist wohl der Regelfall.
In der Praxis können KI-Pilotprojekte mit gezielt vorbereiteten Testdaten überzeugen, während die Skalierung auf Produktivdaten ins Stocken gerät. Der Grund: Die Datenbasis im laufenden System weist häufig andere Qualitätsprobleme, Abhängigkeiten und Sonderfälle auf als der begrenzte Pilotdatensatz.
Die Datenbasis frühzeitig in die KI-Planung einbeziehen
Viele Unternehmen planen ihre Technologie-Roadmap so: erst die KI-Strategie definieren, dann die passenden Tools evaluieren, dann die Daten vorbereiten. Die richtige Reihenfolge ist genau umgekehrt.
Sinnvoll wäre, den Datenzustand, mögliche KI-Szenarien und Investitionsentscheidungen frühzeitig miteinander abzugleichen:
Ein systematischer Datenqualitäts-Check zeigt schnell und ohne Datenexport, ob Ihr SAP-System die Voraussetzungen für KI-Szenarien erfüllt. Nicht geschätzt, nicht auf Basis einer Stichprobe, sondern automatisiert gemessen mit hunderten Prüfregeln direkt im System.
Die zugrunde liegenden paricon-Lösungen sind SAP-nativ aufgebaut und Clean-Core-konform. So lässt sich die Datenbasis bewerten, ohne neue technische Abhängigkeiten im Kernsystem zu schaffen.
Was Sie jetzt tun können
Bevor Sie den nächsten KI-Vendor-Vertrag unterschreiben, bevor Sie Budget für einen KI-Piloten freigeben, investieren Sie doch eine Woche in eine Frage: Können Ihre SAP-Daten das leisten, was die KI-Strategie verspricht?
Wenn die Antwort „ja“ ist, haben Sie eine belastbare Grundlage für Ihre Investitionsentscheidung. Wenn die Antwort „nein“ ist, wissen Sie, wo Sie ansetzen müssen, bevor die Investition Ergebnisse liefern kann.
In beiden Fällen ist die Messung die bessere Entscheidung, als auf Annahmen zu vertrauen.
Aus unserer Erfahrung bei paricon: Die Unternehmen, die vor einer KI-Investition einen Datenqualitäts-Check durchführen, treffen nicht nur bessere Entscheidungen. Sie sparen auch Budget, weil sie KI-Szenarien priorisieren können. Statt breit in KI zu investieren und zu hoffen, dass die Daten mitspielen, konzentrieren sie sich auf die Bereiche, in denen die Datenqualität bereits ausreicht und bereinigen gezielt dort, wo die vielversprechendsten KI-Anwendungen an der Datenqualität scheitern würden.
Das ist kein sequenzieller Prozess. Es ist eine informierte Priorisierung. Und sie beginnt mit einer gezielten Messung und Transparenz über Ihre SAP-Daten.
