KI ist kein Buzzword mehr – sondern Umsetzungsfrage

Artificial Intelligence ist längst in der Unternehmensrealität angekommen. Tools wie ChatGPT oder Copilot zeigen, wie selbstverständlich KI heute genutzt wird. Die entscheidende Frage lautet jedoch nicht mehr, ob KI eingesetzt wird, sondern wie sie konkret im eigenen Systemumfeld implementiert werden kann.

Gerade im SAP-Umfeld – etwa in SAP IS-U On-Premise oder im Rahmen einer S/4HANA-Transformation – stehen Unternehmen vor der Herausforderung, bestehende Systemlandschaften mit KI-Anwendungen zu verbinden. Technologisch ist vieles möglich. Entscheidend sind jedoch Datenverfügbarkeit, Architektur und ein klarer Business-Mehrwert.

Daten als Grundlage jeder KI

KI funktioniert nur auf Basis von Daten. Dabei reicht es nicht aus, große Datenmengen zu besitzen. Entscheidend ist, ob diese Daten für KI-Projekte geeignet sind.

Ein bewährtes Modell aus der Big-Data-Welt beschreibt dies über die sogenannten 5V:

• Volume – ausreichende Datenmenge
• Velocity – Geschwindigkeit der Datenverarbeitung (Echtzeit oder Batch)
• Variety – unterschiedliche Datenquellen (Tabellen, Texte, Bilder, Sensorik)
• Veracity – Datenqualität und Zuverlässigkeit
• Value – konkreter geschäftlicher Mehrwert

Viele KI-Projekte scheitern nicht an Algorithmen, sondern an fehlender Datenqualität oder isolierten Datensilos. Fachbereiche arbeiten häufig mit eigenen Systemen, Excel-Dateien oder PDFs, die nicht zentral verfügbar sind.

Die Kernfrage lautet daher:
Sind genügend qualitativ hochwertige, zugängliche Daten vorhanden, die einen messbaren Business Value erzeugen können?

Der KI-Lebenszyklus: Vom Datensatz zum Produktivsystem

Ein KI-Projekt folgt keinem einmaligen Implementierungsschritt, sondern einem kontinuierlichen Zyklus.

1. Data Preparation
   Identifikation relevanter Datenquellen, Bereinigung, Harmonisierung und Aufbereitung. Dieser Schritt beansprucht häufig den größten Projektanteil.
   
   
2. Training und Evaluation
   Auswahl geeigneter Algorithmen, Modelltraining und Bewertung anhand definierter Metriken.
   
   
3. Integration in Fachprozesse
   Einbettung des Modells in bestehende Anwendungen. Hier sind Schnittstellen, Security und Berechtigungskonzepte entscheidend.
   
   
4. Monitoring und Feedback
   Überwachung der Modellqualität im Betrieb, Nachtraining bei veränderten Datenstrukturen.

KI ist damit kein isoliertes IT-Projekt, sondern ein fortlaufender Verbesserungsprozess.

Typische KI-Use-Cases im SAP-Umfeld

Im SAP- und insbesondere im Utilities-Kontext ergeben sich zahlreiche Anwendungsfälle.

Predictive Maintenance

Auswertung von Sensorikdaten zur Vorhersage von Wartungsbedarfen in Erzeugungsanlagen. Ziel ist Kostenreduktion und höhere Anlagenverfügbarkeit.

Intelligente Last- und Erzeugungsprognosen

Kombination historischer Verbrauchsdaten mit externen Einflussfaktoren wie Wetterdaten zur Optimierung von Forecasting-Prozessen.

Chatbots im Kundenservice

Automatisierte Bearbeitung standardisierter Anfragen wie Abschlagsänderungen, Bankdatenpflege oder Angebotsanfragen. Die KI übernimmt die Erstinteraktion und übergibt strukturierte Informationen an Sachbearbeitende.

Bild- und Dokumentenerkennung

Automatische Auswertung von Zählerfotos oder Dokumenten und direkte Übergabe ins SAP-System – ohne manuelle Zwischenbearbeitung.

Viele dieser Use Cases sind bereits heute technisch umsetzbar – auch in bestehenden Systemlandschaften.

Herausforderung: Integration in bestehende SAP-Systeme

Gerade in SAP IS-U On-Premise-Umgebungen besteht häufig Unsicherheit, wie KI technisch integriert werden kann. Standardlösungen sind nicht immer passgenau oder erlauben keinen vollständigen Datenzugriff.

Deshalb empfiehlt sich ein kundenspezifischer Ansatz. Die Einführung von KI sollte nicht pauschal erfolgen, sondern auf Basis der vorhandenen Systemarchitektur und Transformationsstrategie geplant werden.

Ein häufiger Denkfehler ist, auf die vollständige S/4HANA-Transformation zu warten. Sinnvoller ist es, bereits jetzt erste Pilotprojekte zu starten und Erfahrungen zu sammeln.

Methodik: Strukturierte Identifikation von KI-Use-Cases

Ein strukturierter Impulsworkshop hilft dabei:

• Relevante Datenquellen zu identifizieren
• Mögliche Use Cases systematisch zu erfassen
• Machbarkeit und Business Value zu bewerten
• Eine priorisierte Roadmap zu entwickeln
• Ziel ist nicht sofort ein Großprojekt, sondern ein erster klar abgegrenzter Pilot.

Praxisbeispiel: Lastprofilprognose mit KNN-Modell

Ein konkretes Beispiel ist die Prognose von Lastprofilen mithilfe eines KNN-Modells (k-Nearest Neighbors).

Ziel ist die Identifikation typischer und atypischer Verbrauchsmuster auf Basis historischer Daten. Der Mehrwert liegt in:

• präziserem Forecasting
• optimiertem Energieeinkauf
• verbesserten Serviceangeboten für Kunden

Für den Piloten wurden vorhandene historische IS-U-Daten genutzt. Das Modell wird initial mit Trainingsdaten aufgebaut und verbessert sich kontinuierlich mit wachsender Datenbasis.

Technische Architektur auf der SAP BTP