KI in der SAP-Transformation: Was nach der Experimentierphase kommt

KI-Initiativen verlassen bei vielen Unternehmen gerade die Experimentierphase, doch wie sieht es mit der Skalierung aus? Im Interview mit Chefredakteurin Maike Rose erklärt Dominik Wittenbeck, CTO der SNP Group, warum Datenqualität und ein unternehmensweit gemeinsames Begriffsverständnis über den Erfolg von KI-Projekten entscheiden, welche Rolle agentische Systeme in SAP-Transformationen bereits heute spielen und worauf sich Unternehmen schon bald einstellen müssen.

Zwischen Experimentierphase und Skalierung

Maike Rose: KI ist für viele Unternehmen längst kein Hype mehr, sondern ein strategisches Thema. Welche Erwartungen haben Unternehmen an KI, und wo unterscheiden sich Anspruch und praktische Realität noch?

Dominik Wittenbeck: Viele Unternehmen haben die Experimentierphase verlassen, oder behaupten das zumindest. Laut der aktuellen McKinsey-Studie nutzt inzwischen zwar die große Mehrheit der Unternehmen KI, doch nur etwa ein Drittel skaliert sie bereits unternehmensweit. Das zeigt, wie groß die Lücke zwischen ersten Anwendungen und messbarem Mehrwert auf Unternehmensebene noch ist. Ich bin bei der Einordnung allerdings vorsichtig, denn Skalierung lässt sich unterschiedlich definieren.

Unstrittig ist, dass KI im individuellen Produktivitätsgewinn überall Einzug gehalten hat, vor allem bei der Wissensarbeit. Ob sie aber in den allgemeinen Prozessen wirklich Fuß gefasst hat, muss differenzierter betrachtet werden: Denn das setzt einheitlich ausgerollte Prozesse und eine gute Datengrundlage voraus. Genau daran hapert es vielerorts noch.

Konkreter Mehrwert entsteht dagegen schon jetzt überall dort, wo es um Wissensgewinnung und -auswertung geht: KI ermöglicht es Nutzern, sich deutlich schneller in Themen einzuarbeiten. Die Zusammenfassung von Erkenntnissen und Research-Ergebnissen lässt sich damit ebenfalls spürbar beschleunigen.

Wir selbst setzen beispielsweise seit rund drei Jahren ein System ein, das internes Transformationswissen global für Presales, Support und Service verfügbar macht. Es bündelt im Wesentlichen unsere Best Practices und Guidelines, zum Beispiel für Datenmigrations- oder Datenmanagementprojekte, und stellt benötigte Informationen passgenau zur Anfrage zusammen. Wöchentlich finden darüber mehr als 1.000 Konversationen statt. Ich gehe davon aus, dass sich viele Unternehmen heute auf einem ähnlichen Skalierungsniveau befinden. Hier besteht also noch erhebliches Potenzial.

Was KI für den produktiven Einsatz braucht

Maike Rose: Was brauchen Unternehmen, damit aus KI-Initiativen produktive und skalierbare Anwendungen werden?

Dominik Wittenbeck: Zunächst eine vernünftige Datengrundlage: KI hat häufig keine spezifischen Informationen über das eigene Unternehmen. Das liegt ganz einfach daran, dass diese Grundlage Standard-KI-Systemen fehlt, weil sie nicht öffentlich verfügbar und deshalb nicht in den Trainingsdaten vorhanden ist. Dementsprechend halluziniert KI nach wie vor.

Das heißt, und das ist inzwischen hinlänglich bekannt: Eine belastbare Datengrundlage ist ein elementarer Bestandteil für die KI-Nutzung. Damit KI skaliert, braucht es zudem klare Prozesse mit definierten Verantwortlichkeiten, um eine solche Datengrundlage zu schaffen und dauerhaft aktuell zu halten. Alle relevanten Personen im Unternehmen müssen wissen, wie ein Tool funktioniert und welche Datengrundlage gebraucht und herangezogen wird, nicht nur Einzelne. Die Herausforderung liegt darin, KI nicht nur isoliert in einzelnen Funktionen einzusetzen, sondern sie mit einer belastbaren Datenbasis und mit nachvollziehbaren Ergebnissen in bestehende Prozesse einzubinden, um dort Flaschenhälse zu lösen. Ein wesentlicher Teil ist das das Schaffen einer guten Datengrundlage.  

Mein persönlicher Aha-Effekt war die Bedeutung von Governance, Sicherheit und Compliance. In der Anfangseuphorie wird oft übersehen, wer auf welche Daten zugreifen darf und ob das rechtlich zulässig ist. Legal und IT gehören von Anfang an ins KI-Team, sonst folgt auf die Euphorie möglicherweise eine böse Überraschung.

Maike Rose: Welche Bedeutung haben Datenqualität, Datenkonsistenz und Datenzugänglichkeit für die KI-Fähigkeit eines Unternehmens?

Dominik Wittenbeck: Wie bereits erwähnt, sind hochwertige und konsistente Daten grundlegende Voraussetzung für den KI-Einsatz. Das Problem ist: Jedes Unternehmen hat inkonsistente Daten – zwischen Systemen und Abteilungen, oft sogar innerhalb eines Systems. Ein klassisches Beispiel sind Duplikate bei Kundenstammdaten mit unterschiedlichen Adressen und Kontaktdaten. Wenn ich darauf einen KI-Agenten loslasse, kann ich nicht erwarten, dass er solche Inkonsistenzen automatisch richtig auflöst.

Noch schwieriger wird es systemübergreifend. Selbst bei scheinbar einfachen Begriffen wie „Produkt“ haben unterschiedliche Bereiche oft ein anderes Verständnis, je nachdem, an welcher Stelle im Prozess sie darauf schauen. Deshalb braucht es neben einer vernünftigen Datengrundlage und klaren Prozessen auch einen semantischen Layer, der beschreibt, was eine Begrifflichkeit in welchem Kontext bedeutet. Folgerichtig gewinnen Themen wie Knowledge Graphs und Ontologien gerade wieder stark an Bedeutung.

Ein KI-System braucht diese Grundlage, wenn es zunehmend autonom agieren soll. Sonst besteht die Gefahr, dass es auf Basis falsch interpretierter Zusammenhänge Entscheidungen trifft und Fehler produziert, die möglicherweise erst im Nachhinein auffallen. Und es gibt noch eine vierte Komponente: die Menschen. Wenn KI-Initiativen rein aus der IT und mit dem Ziel der Kostensenkung getrieben werden, verliert man schnell genau die Mitarbeiter, deren Wissen man braucht, um Daten-, Prozess- und semantische Schichten überhaupt aufzubauen und dauerhaft in gutem Zustand zu halten. Change Management gehört deshalb genauso dazu. Jedem muss klar sein, welche Chancen sich ihm oder ihr bieten.

Strukturierte und unstrukturierte Daten zusammenführen

Maike Rose: Wie sollte sich die Datenarchitektur ändern, damit strukturierte und unstrukturierte Daten für KI nutzbar werden?

Dominik Wittenbeck: Man hat letztendlich verschiedene Datentöpfe. In Systemen wie SAP, Salesforce oder anderen Systemen liegen die Daten relativ strukturiert vor und man kann meistens auch per API darauf zugreifen. In diesem Kontext muss man vor allem dafür sorgen, dass die Daten in sich konsistent sind, also beispielsweise Stammdaten konsolidieren und die Datenqualität sicherstellen.

Viel Unternehmenswissen liegt aber auch in unstrukturierten Daten – in Dokumenten und Policies, aber auch in E-Mail- oder Teams-Kommunikationen. Branchenanalysten zufolge entfallen rund 80 Prozent der Unternehmensinformationen auf unstrukturierte Daten. Wenn ich nur die Daten aus den Enterprise-Systemen für KI nutzbar mache, lasse ich also einen großen Wissenstopf außen vor.

Um hier gegenzusteuern, haben wir gemeinsam mit dem US-amerikanischen KI-Spezialisten Structify das Joint Venture Oros Data LLC gegründet. Die daraus entstandene Lösung Kyano Oros erweitert unsere Plattform Kyano um die KI-gestützte Verarbeitung unstrukturierter Daten. Sie kann Informationen etwa aus Verträgen, Unterlagen, IT-Dokumentationen uvm. extrahieren, kontextualisieren und so für SAP-Transformationsprozesse nutzbar machen. Im Rahmen dieses Prozesses wird beispielsweise auch aufgezeigt, wenn Begriffe im Unternehmen unterschiedlich verwendet werden. So unterstützt dies auch den Aufbau einer unternehmensspezifischen Ontologie.

Die Herausforderung ist dann, dieses Modell aktuell zu halten, denn Kommunikation und Prozesse verändern sich laufend. Ein agentisches System kann neue Informationen immer wieder nach bestimmten Kriterien durchforsten und in das Modell einfließen lassen. Das in dieser Größenordnung händisch nachzuhalten, ist kaum machbar.

Anwendungsfälle für KI in der SAP-Transformation

Maike Rose: Wo sehen Sie im Transformationsumfeld heute die interessantesten KI-Anwendungsfälle?

Dominik Wittenbeck: Wir sehen im Wesentlichen drei Anwendungsszenarien, für die wir auch bereits entsprechende Lösungen auf den Weg gebracht haben:

1. Zum einen die Datentransformation selbst. Mit Kyano Lorna haben wir einen Agentic AI Layer für die Plattform Kyano entwickelt. Er verbindet mehr als 30 Jahre SNP-Transformationswissen mit den bewährten Funktionen unserer Plattform. Anwender können in natürlicher Sprache mit den Werkzeugen interagieren, repetitive Aufgaben automatisieren und Fehler schneller analysieren – während sie bei kritischen Entscheidungen jederzeit die Kontrolle behalten. Schon in frühen Phasen eines Projektes unterstützt Kyano Lorna zum Beispiel bei der Validierung von Mapping-Regeln. Ein anderer Anwendungsfall ist, falls während einer Migration ein Fehler auftritt. Dann hilft die Wissensbasis und die Werkzeuge der Plattform z.B. bei der Root-Cause-Analyse. Das spart wertvolle Zeit und reduziert das Risiko von Projektverzögerungen.
   
2. Wenn es, etwa bei einem Carve-out, darum geht, Dokumente zu analysieren, kommt Kyano Oros ins Spiel. Zuvor betrachteten wir vor allem, wie Daten im SAP-System aufgeteilt werden. Nun analysieren wir auch Dokumente wie Arbeits- und Lieferantenverträge: Was muss an den Käufer übergeben werden, was nicht? Eine unzureichende Verarbeitung unstrukturierter Daten kann bei M&A-Transaktionen erhebliche operative und regulatorische Risiken verursachen und nach unserer Erfahrung erheblich den Wert des Deals gefährden.
   
3. Mit Test Data Proposal adressieren wir eine weitere zentrale Herausforderung in SAP-Transformationen: das Testing. In Transformationsprojekten bleibt für Tests häufig zu wenig Zeit und es steigt das Risiko wichtige Fälle nicht getestet zu haben. Daher muss gezielt ausgewählt werden, mit welchen Daten getestet wird. Genau hier setzt die Lösung an: Sie identifiziert relevante Testdaten für vorgegebene kundenspezifische Testfälle. 

Alle drei Lösungen befinden sich aktuell in der frühen Einführungsphase.

Maike Rose: Inwiefern verändert KI nicht nur einzelne Aufgaben, sondern langfristig auch die Art, wie Unternehmen Transformationen planen und umsetzen?

Dominik Wittenbeck: Ich unterscheide dabei zwischen Optimierung operativen Geschäfts und der Transformation des Unternehmens selbst. Aktuell werden Agenten meist für kleine, individuelle Anwendungsfälle gebaut. Interessanter wird es, wenn agentische Systeme systemübergreifend arbeiten, also beispielsweise im Order-to-Cash-Workflow von HubSpot über Salesforce bis SAP. Ich rechne damit, dass solche Szenarien in den kommenden Jahren deutlich an Bedeutung gewinnen werden.

Und auch, wenn ich nicht sicher bin, ob ich den Gedanken überhaupt mag, glaube ich, dass sich das Konzept des Digital Worker etablieren wird: eine digitale Persona mit definierter Rolle, die Aufgaben End-to-End abwickelt. Einige Hersteller arbeiten bereits in diese Richtung. Wir sind gerade an der Schwelle, an der der skalierte KI-Einsatz noch einen Wettbewerbsvorteil darstellt. Perspektivisch dürfte er jedoch zu einem selbstverständlichen Bestandteil der Unternehmensprozesse werden.

Aktuell bremsen Vorbehalte gerade in Deutschland und Europa den End-to-End-Einsatz agentischer KI noch aus. Hier gilt es, Vertrauen aufzubauen. Dazu gehört auch, um die Agenten herum ein technisches und organisatorisches Kontrollsystem – eine sogenannte Harness – zu etablieren. Es reicht nicht, dem Agenten nur eine Anweisung zu geben. Anschließend braucht es einen Überprüfmechanismus, der das Arbeitsergebnis kontrolliert. Das würde ich bei einem neuen Junior-Entwickler, den ich einarbeite, mit Feedback und z.B. Code-Reviews genauso machen.

Vom Wissenswerkzeug zum agentischen System

Maike Rose: Wie entwickelt sich der Einsatz von KI im Zusammenspiel mit Datenmanagement und Unternehmenstransformation weiter, insbesondere mit Blick auf agentische KI?

Dominik Wittenbeck: Schon heute nutzen viele Unternehmen interne Knowledge Bases, um Expertenwissen zu skalieren, oft ohne es bewusst so zu benennen. Zudem lassen sich mit unseren Systemen aber auch Analysetätigkeiten beschleunigen und das Troubleshooting spürbar erleichtern.

Der nächste Schritt ist bereits im vollen Gange: Aus reinen Wissenswerkzeugen werden zunehmend agentische Systeme, die nicht nur Antworten liefern, sondern über eine Anbindung an Tools direkt Arbeit erledigen. Dadurch wird der Zugang zu komplexen Softwareprodukten heute schon deutlich einfacher.

Perspektivisch betrachtet werden wir mit Sicherheit eine deutlich höhere Unternehmensagilität haben. So könnte agentische KI beispielsweise auch Marktinformationen von Wettbewerbern einbeziehen und daraus Handlungsempfehlungen für die Weiterentwicklung der eigenen Systemlandschaft ableiten.

Schließt man diesen Kreis und bindet Transformationswerkzeuge mit ein, bereitet sich die Umsetzung am Ende selbst vor. Vielleicht nicht vollautomatisch, aber deutlich weiter automatisiert, als es heute der Fall ist.

Anzeige

Die SNP-Plattform Kyano® integriert alle erforderlichen Funktionen sowie Angebote von Partnern, um Datenmanagement- und Datenmigrationsprojekte softwarebasiert und End-to-End umzusetzen. Mit Kyano setzt SNP einen ganzheitlichen Branchenstandard für eine schnelle und sichere Restrukturierung und Modernisierung von Unternehmensdaten und profitiert dabei von KI-gestützten Innovationen und mehr als 30 Jahren Erfahrung.

Mehr erfahren