KI-Governance als Schlüssel zur Steigerung der Unternehmensprofitabilität bei SAP

KI-Governance im Unternehmenskontext: Ein Weg zur Profitabilität

Die Integration von Künstlicher Intelligenz (KI) in Unternehmensprozesse hat sich von einem experimentellen Ansatz zu einer strategischen Notwendigkeit entwickelt. Insbesondere im B2B-Sektor, wo Entscheidungen weitreichende finanzielle und operative Auswirkungen haben, gewinnt die Governance von KI-Systemen zunehmend an Bedeutung. SAP, als ein führender Anbieter von Unternehmenssoftware, positioniert KI-Governance als zentralen Faktor zur Sicherung und Steigerung von Profitmargen. Dabei wird der Übergang von statistischen Schätzungen zu präziser, deterministischer Kontrolle als essenziell betrachtet.

Die Bedeutung präziser KI-Systeme

Manos Raptopoulos, Global President of Customer Success Europe, APAC, Middle East & Africa bei SAP, hebt hervor, dass der Unterschied zwischen nahezu perfekter und perfekter Genauigkeit im Unternehmensumfeld existenziell ist. Während ein verbraucherorientiertes Modell bei der Wortzählung in einem Dokument möglicherweise zehn Prozent daneben liegen kann, sind solche Abweichungen in geschäftskritischen Anwendungen nicht tolerierbar. Die Evaluierungskriterien für KI-Modelle in Produktionsumgebungen haben sich daher auf Präzision, Governance, Skalierbarkeit und den nachweisbaren Geschäftsnutzen verlagert.

Die größte Herausforderung für Unternehmensvorstände liegt in der Entwicklung von passiven Werkzeugen zu aktiven digitalen Akteuren. Agentische KI-Systeme, die in der Lage sind zu planen, zu argumentieren, mit anderen Agenten zu orchestrieren und Workflows autonom auszuführen, interagieren direkt mit sensiblen Daten und beeinflussen Entscheidungen in großem Maßstab. Eine fehlende Governance dieser Systeme, vergleichbar mit der Steuerung menschlicher Arbeitskräfte, birgt erhebliche operative Risiken. Die Etablierung eines Agenten-Lebenszyklus-Managements, die Definition von Autonomie-Grenzen, die Durchsetzung von Richtlinien und die kontinuierliche Leistungsüberwachung sind daher unerlässlich.

Herausforderungen und Lösungsansätze in der KI-Implementierung

Die Integration moderner Vektordatenbanken mit bestehenden relationalen Architekturen erfordert erhebliche technische Ressourcen. Es ist notwendig, die Inferenzschleife der Agenten aktiv zu beschränken, um sogenannte "Halluzinationen" zu verhindern, die finanzielle oder lieferkettenbezogene Ausführungspfade beeinträchtigen könnten. Diese strengen Parameter können jedoch die Berechnungszeit verlängern und die Kosten für Hyperscaler erhöhen, was anfängliche Rentabilitätsprognosen beeinflusst. Wenn autonome Modelle ständig hochfrequente Datenbankabfragen benötigen, um deterministische Ergebnisse zu liefern, steigen die damit verbundenen Token-Kosten rasch an. Governance wird somit zu einer harten technischen Anforderung, die über eine reine Compliance-Checkliste hinausgeht.

Vor dem Einsatz agentischer Modelle müssen Unternehmensvorstände grundlegende Fragen klären:

• Wer ist für Fehler eines Agenten verantwortlich?
• Wie werden Audit-Trails für maschinelle Entscheidungen etabliert?
• Welche genauen Schwellenwerte erfordern menschliches Eingreifen?

Die geopolitische Fragmentierung und regulatorische Anforderungen wie souveräne Cloud-Infrastrukturen und Datenlokalisierungs mandates in wichtigen Märkten erschweren diese Fragen zusätzlich. Unternehmen müssen deterministische Kontrolle direkt in probabilistische Intelligenz einbetten, was Raptopoulos als eine Aufgabe der C-Suite und nicht als reines IT-Projekt betrachtet.

Strukturierung relationaler Intelligenz für kommerzielle Operationen

Der Erfolg von KI-Systemen hängt maßgeblich von der Qualität der Daten und Prozesse ab, auf denen sie basieren. Fragmentierte Stammdaten, isolierte Geschäftssysteme und übermäßig angepasste ERP-Umgebungen können zu unvorhersehbaren Ergebnissen führen. Wenn ein autonomer Agent auf solchen fragmentierten Grundlagen basiert, um Empfehlungen zu geben, die den Cashflow, Kundenbeziehungen oder Compliance-Positionen betreffen, kann der resultierende operative Schaden sofort eskalieren.

Um einen spürbaren Mehrwert zu erzielen, ist es erforderlich, über generische, auf internetweiten Texten trainierte Large Language Models (LLMs) hinauszugehen. Echte Unternehmensintelligenz muss in proprietären Unternehmensdaten verankert sein, einschließlich Aufträgen, Rechnungen, Lieferkettenaufzeichnungen und Finanzbuchungen, die direkt in Geschäftsprozesse eingebettet sind. Relationale Basismodelle, die speziell für strukturierte Geschäftsdaten optimiert sind, werden generische Modelle bei Prognosen, Anomalieerkennung und operativer Optimierung übertreffen.

Die Anpassung einer stark individualisierten ERP-Umgebung an ein Basismodell stellt oft ein Hindernis dar. Dateningenieur-Teams verbringen viel Zeit damit, fragmentierte Stammdaten zu bereinigen, nur um eine Basis für die KI-Aufnahme zu schaffen. Wenn ein relationales Modell komplexe, proprietäre Lieferkettenaufzeichnungen zusammen mit Rohrechnungsdaten präzise interpretieren muss, müssen die zugrunde liegenden Datenpipelines latenzfrei arbeiten. Ein Fehler bei der Datenaufnahme würde die prädiktiven Fähigkeiten des Modells sofort beeinträchtigen und den Agenten für das Geschäft funktional gefährlich machen. Die Integration von Legacy-Architekturen mit moderner relationaler KI erfordert eine Überarbeitung tief verwurzelter Datenpipelines. Ingenieurteams stehen vor der Aufgabe, Jahrzehnte schlecht klassifizierter Planungsdaten zu indexieren, damit Einbettungsmodelle genaue Vektorrepräsentationen generieren können. Vorstände müssen daher bewerten, ob ihre aktuellen Datenbestände wirklich bereit sind, anstatt probabilistische Intelligenz einfach über disparate Grundlagen zu legen.

Gestaltung absichtsbasierter Schnittstellen

Die Interaktion mit Unternehmensanwendungen wandelt sich von statischen Schnittstellen zu generativen Benutzererfahrungen. Anstatt komplexe Software-Ökosysteme manuell zu navigieren, werden Mitarbeiter ihre Absicht dem System mitteilen. Ein Beispiel hierfür ist, dass ein Benutzer die Software anweist, ein Briefing für den wichtigsten Kundenbesuch der Woche vorzubereiten. Die KI-Agenten orchestrieren dann die notwendigen Workflows, stellen den Kontext zusammen und schlagen empfohlene Maßnahmen vor.

Die Akzeptanz bei den Mitarbeitern hängt jedoch vom Vertrauen ab. Sie werden diese digitalen Teamkollegen nur dann annehmen, wenn sie darauf vertrauen, dass die Systemausgaben etablierte Governance-Grenzen respektieren, authentische Geschäftsregeln widerspiegeln und nachweisbare Produktivitätssteigerungen liefern. Die Entwicklung dieser Systeme erfordert rollenspezifische KI-Personas, die auf Positionen wie CFO, CHRO oder den Leiter der Lieferkette zugeschnitten sind. Diese Personas müssen auf vertrauenswürdigen Daten basieren und in vertraute Unternehmensworkflows eingebettet sein, um die Akzeptanzlücke erfolgreich zu schließen.

Dieses Integrationsniveau ist eine Designentscheidung mit weitreichenden Konsequenzen. Unternehmen, die in KI-native Architekturen investieren, beschleunigen ihren Return on Investment, während Unternehmen, die probabilistische Modelle auf Legacy-Schnittstellen aufsetzen, erhebliche Schwierigkeiten mit Vertrauen, Benutzerfreundlichkeit und Skalierung haben. Technologieführer, die moderne KI-Orchestrierung auf monolithische Softwareanwendungen erzwingen wollen, stoßen oft auf erhebliche Integrationsverzögerungen. Die Weiterleitung von probabilistischen API-Aufrufen durch veraltete Unternehmens-Middleware führt zu Verzögerungen der Benutzeroberflächen, was den absichtsbasierten Workflow zerstört. Die Gestaltung rollenspezifischer Personas erfordert mehr als nur Prompt Engineering; sie erfordert die Abbildung komplexer Zugriffssteuerungen, Berechtigungen und Geschäftslogik in den aktiven Speicher des Modells.

Aufbau einer Wettbewerbsverteidigung

Der finanzielle Nutzen von KI zeigt sich am schnellsten bei Kundeninteraktionen. Durch das Training von Modellen mit proprietären Aufzeichnungen, internen Regeln und historischen Protokollen entsteht eine Schicht kunden spezifischer Intelligenz, die Wettbewerber nicht leicht kopieren können. Dies ist besonders effektiv bei ausnahmeintensiven Workflows wie Streitbeilegung, Schadenersatzansprüchen, Retouren und Service-Routing. Der Einsatz autonomer Agenten, die in der Lage sind, Fälle zu klassifizieren, relevante Dokumentationen anzuzeigen und richtlinienkonforme Lösungen zu empfehlen, wandelt diese kostenintensiven Prozesse in eine klare Wettbewerbsdifferenzierung um. Diese Modelle passen sich basierend auf den Ergebnissen jeder Interaktion an. Unternehmenskäufer priorisieren zuverlässigen, relevanten und reaktionsschnellen Service gegenüber technologischen Spielereien. Unternehmen, die KI zur Bewältigung hoher Arbeitslasten einsetzen – unter strenger Überwachung der endgültigen Ergebnisse – schaffen Eintrittsbarrieren, die generische Tools nicht durchdringen können.

Der Einsatz von Unternehmensintelligenz erfordert, dass die C-Suite drei verschiedene Schichten parallel orchestriert:

• Eingebettete Funktionalität: Personengesteuerte Produktivitätssteigerungen werden direkt in Kernanwendungen integriert, um schnelle Erträge zu erzielen.
• Agentische Orchestrierung: Ermöglicht die Koordination mehrerer Agenten über systemübergreifende Workflows hinweg.
• Branchenspezifische Intelligenz: Tief spezialisierte Anwendungen, die gemeinsam entwickelt werden, um die wertvollsten Herausforderungen eines bestimmten Sektors zu bewältigen.

Es besteht die Gefahr einer falschen Abfolge. Eine Konzentration ausschließlich auf eingebettete Tools lässt enorme finanzielle Werte ungenutzt, während ein aggressiver Sprung zu tiefen Branchenanwendungen ohne vorherige ordnungsgemäße Governance und Datenreife das Unternehmensrisiko vervielfacht. Die Skalierung dieser Modelle erfordert, dass die Unternehmensambitionen mit der tatsächlichen technischen Bereitschaft übereinstimmen. Führungsteams müssen in "Clean Core"-Architekturen investieren, Datenpipelines aktualisieren und eine funktionsübergreifende Verantwortlichkeit durchsetzen, um über die Pilotphase hinauszukommen. Die profitabelsten Implementierungen behandeln KI als eine zentrale Betriebsschicht, die dieselbe Governance wie menschliches Personal erfordert. Die finanzielle Lücke zwischen 90 Prozent Genauigkeit und vollständiger Sicherheit bestimmt, wo der wahre Unternehmenswert liegt. Governance-Entscheidungen, die in den kommenden Monaten getroffen werden, werden darüber entscheiden, ob spezifische KI-Implementierungen zu einer dauerhaften Wettbewerbsvorteilsquelle oder zu einer kostspieligen Lektion werden.

SAP Business AI: Eine mehrschichtige Architektur für Unternehmensvertrauen

SAP Business AI ist darauf ausgelegt, Intelligenz direkt in Geschäftsanwendungen einzubetten und KI-gesteuerte Aktionen innerhalb derselben architektonischen Grenzen auszuführen, die auch die Kern-Workloads des Unternehmens steuern. Dies bedeutet, dass KI mit vollem Bewusstsein für Geschäftskontext, Benutzeridentität, Autorisierung, Datensensibilität und regulatorische Einschränkungen arbeitet.

Die Architektur ist als geschichtetes System konzipiert, wobei jede Schicht eine bestimmte Verantwortung hat, aber eng mit den angrenzenden Schichten integriert ist. Diese Trennung der Zuständigkeiten ermöglicht es Unternehmen, KI-Funktionen inkrementell zu übernehmen, ohne Identität, Sicherheit oder Governance-Kontrollen zu beeinträchtigen.

• Erfahrungsschicht: Dies ist der Einstiegspunkt für Geschäftsbenutzer und Entwickler. Hierzu gehören bekannte SAP-Benutzer-Touchpoints wie SAP Fiori, SAP Build Work Zone und Joule Co-Pilot. Diese Schicht präsentiert KI-Funktionen so, dass sie sich nativ in SAP-Anwendungen anfühlen. Joule fungiert als konversationelle Schnittstelle und übersetzt Benutzerabsichten in strukturierte Anfragen.
• Orchestrierungsschicht: Hier werden KI-Anfragen vorbereitet, gesteuert und ausgeführt. Sie umfasst SAP AI Core als Ausführungs-Backbone und den SAP Generative AI Hub als kontrollierten Zugangspunkt zu Basismodellen. Diese Schicht ist für die Gestaltung von Anfragen verantwortlich, bevor sie ein Modell erreichen, wobei Prompts standardisiert, sensible Daten maskiert und Inhaltsfilter angewendet werden.
• Grounding-Schicht: Diese Schicht stellt sicher, dass KI-Antworten auf der Unternehmensrealität basieren. Sie ist für die Kontext- und Evidenzgewinnung verantwortlich und verbindet die KI-Ausführung mit maßgeblichen Geschäftsdaten und Dokumenten aus Quellen wie SAP Business Data Cloud, SAP Datasphere und dem SAP HANA Vector Engine.
• Ausführungsschicht: Hier werden KI-gesteuerte Entscheidungen in konkrete Geschäftsaktionen umgesetzt, beispielsweise über SAP APIs, Joule Skills und SAP Build Process Automation Workflows. Die Ausführung ist dabei nicht unkontrolliert autonom, sondern durch Identität, Autorisierung und Laufzeitrichtlinien eingeschränkt.
• Governance-Schicht: Diese Schicht überspannt die gesamte Architektur und stellt sicher, dass SAP Business AI im Laufe der Zeit konform, auditierbar und verwaltbar bleibt. Dazu gehören Funktionen wie der AI Agent Hub in SAP LeanIX, Joule Studio, AI Launchpad und Audit-Log-Services.

Zusätzlich zu diesen Schichten gibt es übergreifende Kontrollen für Sicherheit, Datenschutz und Beobachtbarkeit, die konsistent über den gesamten Stack hinweg durchgesetzt werden. Dies stellt sicher, dass SAP Business AI bestehende Unternehmenssicherheitskontrollen erweitert, anstatt parallele Sicherheitsmodelle einzuführen.

Verantwortungsvolle KI bei SAP

SAP verfolgt einen umfassenden Ansatz für verantwortungsvolle KI, der Ethik, Governance und Vertrauen in den Mittelpunkt stellt. Die ethischen Grundsätze von SAP sind darauf ausgelegt, die Entwicklung und den Einsatz von KI zu leiten und eine freie, zivile Gesellschaft zu fördern, die den Menschen stärkt. Ein zentrales Versprechen ist, dass SAP keine Kundendaten zum Training oder zur Verfeinerung seiner KI-Modelle oder Agenten verwendet. Dies ist eine feste Richtlinienzusage.

Der ethische Rahmen von SAP umfasst drei Dimensionen:

• KI-Systemdefinition: Hier wird festgelegt, was ein KI-System tun soll und was nicht, einschließlich der Modelle für menschliche Aufsicht (Human-in-the-Loop, Human-on-the-Loop, Human-in-Command).
• KI-Systementwicklung: Hier geht es um Fairness und Nichtdiskriminierung (Bias-Tests, Barrierefreiheit), Transparenz und Erklärbarkeit (Dokumentation, Erklärungs-Tools wie SHAP und LIME), Sicherheit und Schutz (umfangreiche Tests, kontinuierliche Überwachung) sowie Datenschutz.
• Organisatorische Praxis: Diese Dimension behandelt Verantwortlichkeit (Menschen sind für KI-Ergebnisse verantwortlich), Bewusstsein und Kompetenz (Lernressourcen für Kunden und Partner) sowie Multi-Stakeholder-Governance (Zusammenarbeit mit Wissenschaft, Regulierungsbehörden und Industriepartnern).

Ein besonderes Augenmerk liegt auf der Prompt-Sicherheit, um das Manipulieren von KI-Systemen zu verhindern. Der Orchestrierungsdienst von SAP adressiert dies durch Schichtensicherheit: Eingabefilterung, Datenmaskierung und Ausgabefilterung. Die Einhaltung regulatorischer Vorschriften, wie der EU AI Act, ist ebenfalls integraler Bestandteil des SAP-Ansatzes, wodurch die Compliance-Belastung für regulierte Branchen erheblich reduziert wird.

Fazit

Die Implementierung und Governance von KI-Systemen sind entscheidend für den Geschäftserfolg in der heutigen datengesteuerten Welt. SAP betont, dass eine präzise und gut gesteuerte KI nicht nur Kosten senken und die Effizienz steigern, sondern auch neue Wettbewerbsvorteile schaffen kann. Durch einen mehrschichtigen Architekturansatz, der von der Benutzererfahrung bis zur Governance reicht, und einem starken Fokus auf verantwortungsvolle KI, zielt SAP darauf ab, Unternehmen eine vertrauenswürdige und profitable Nutzung von KI zu ermöglichen. Die Investition in eine solide Dateninfrastruktur und klare Governance-Rahmenwerke ist dabei unerlässlich, um das volle Potenzial der KI auszuschöpfen und Risiken zu minimieren.

Bibliographie:

- SAP Business AI Whitepaper, veröffentlicht am 8. Januar 2024. - Daws, Ryan. "SAP: How enterprise AI governance secures profit margins." AI News, 1. Mai 2026. - Daws, Ryan. "SAP: How enterprise AI governance secures profit margins." prodSens.live, 1. Mai 2026. - Subramanian, Jana. "Securing SAP Agentic AI for the Autonomous Enterprise." SAP Community, 15. März 2026. - Subramanian, Jana. "Securing SAP Business AI: A Multi-Layer Architecture for Enterprise Trust." SAP Community, 11. Januar 2026. - Saurav, Prakash. "Responsible AI: SAP's Approach to Ethics, Governance, and Trust." Aditheos, 20. April 2026. - SAP. "A practical guide for maximizing AI ROI." Verfügbar unter: https://www.sap.com/resources/maximizing-ai-roi - SAP. "SAP research reveals AI to drive 31% return on investment." Verfügbar unter: https://www.sap.com/research/ai-drives-return-on-investment - Fatima, Nikhat. "Enterprise Generative AI and Governance in SAP." SAP Community, 13. November 2025.