SAP Business AI in der Schweiz: Use Cases für ERP, Finance und Supply Chain

Learn about how AI operates inside SAP S/4HANA, from clean core and data quality to embedded use cases, real-time decisions, and secure, transparent execution.

Künstliche Intelligenz wird zunehmend Teil von Unternehmensprozessen – auch im SAP-Umfeld. Für Schweizer Unternehmen stellt sich dabei weniger die Frage, ob KI grundsätzlich eingesetzt werden kann, sondern wo sie einen messbaren Beitrag leisten kann. SAP Business AI verbindet KI-Funktionen mit Geschäftsanwendungen und Prozessen und eröffnet damit Anwendungsfälle von der ERP-Nutzung über Finance bis zur Supply Chain.

Wie können Schweizer Unternehmen SAP Business AI nutzen? Besonders relevant sind Anwendungsfälle, bei denen grosse Mengen an Geschäftsdaten analysiert, wiederkehrende Aufgaben unterstützt oder Mitarbeitende bei Entscheidungen und Prozessen entlastet werden. Dazu gehören beispielsweise die Verarbeitung von Finanzdokumenten, Prognosen, die Analyse von Abweichungen sowie die Unterstützung von Supply-Chain- und Beschaffungsprozessen.

Dabei ist SAP Business AI nicht mit SAP Joule gleichzusetzen. Joule dient als KI-basierte Interaktions- und Unterstützungsebene innerhalb des SAP-Portfolios, während SAP Business AI ein breiteres Spektrum an KI-Funktionen und Anwendungsfällen umfasst.

Für Schweizer Unternehmen ist zudem der Kontext der bestehenden SAP-Landschaft entscheidend. Datenqualität, Prozessstandardisierung, Integration, Governance und die eingesetzte SAP-Architektur beeinflussen, welche KI-Anwendungen sinnvoll und technisch umsetzbar sind. Bei internationalen SAP-Landschaften kommen zudem Anforderungen an grenzüberschreitende Prozesse und den Umgang mit Daten hinzu.

Dieser Beitrag zeigt, welche KI-Use-Cases in SAP für ERP, Finance und Supply Chain relevant sind, welche Voraussetzungen dafür bestehen und wie Unternehmen ihre ersten SAP-Business-AI-Initiativen strukturiert priorisieren können.

Was ist SAP Business AI?

SAP Business AI bezeichnet KI-Funktionen, die direkt in SAP-Anwendungen und Geschäftsprozesse integriert werden. Ziel ist nicht nur die Generierung von Texten oder die Beantwortung von Fragen, sondern die Unterstützung konkreter geschäftlicher Aufgaben – beispielsweise in Finance, Beschaffung, Personalwesen, Vertrieb oder Supply Chain.

Der entscheidende Unterschied zu einer allgemeinen KI-Anwendung liegt im Geschäftskontext. SAP Business AI kann Informationen aus Geschäftsanwendungen und Prozessen nutzen, um beispielsweise Daten zu analysieren, Inhalte zusammenzufassen, Prognosen zu unterstützen oder Mitarbeitende bei bestimmten Prozessschritten zu begleiten. Welche Funktionen tatsächlich verfügbar sind, hängt von der jeweiligen SAP-Lösung, Edition, Systemarchitektur und den entsprechenden Berechtigungen ab.

SAP Business AI und generative KI

Generative KI kann Inhalte wie Texte, Zusammenfassungen oder Antworten erzeugen. Im Unternehmensumfeld entsteht der grössere Nutzen jedoch häufig dann, wenn solche Fähigkeiten mit verlässlichen Geschäftsdaten und definierten Prozessen verbunden werden.

Ein einfaches Beispiel: Eine allgemeine KI kann eine Erklärung zu einer verspäteten Lieferung formulieren. Eine in einen Geschäftskontext eingebettete KI kann – sofern die entsprechende Funktion und Datenbasis vorhanden sind – relevante Liefer-, Bestands- oder Auftragsinformationen berücksichtigen und die Analyse innerhalb des entsprechenden Prozesses unterstützen.

Für Unternehmen bedeutet das: SAP Business AI sollte nicht als isoliertes KI-Tool betrachtet werden. Entscheidend ist die Verbindung zwischen Use Case, Geschäftsprozess, Daten und bestehender Systemlandschaft.

Das macht auch die Vorbereitung eines AI-Projekts wichtig. Ein technisch interessantes KI-Szenario ist nicht automatisch ein sinnvoller Business Case. Unternehmen sollten zunächst prüfen, welches Problem gelöst werden soll, welche Daten dafür benötigt werden und wie sich der Use Case in den bestehenden SAP-Prozess integrieren lässt.

SAP Joule und SAP Business AI: Was ist der Unterschied?

SAP Joule ist die KI-basierte Interaktions- und Unterstützungsebene von SAP, während SAP Business AI das breitere Portfolio von KI-Funktionen innerhalb des SAP-Ökosystems bezeichnet. Für Unternehmen ist diese Unterscheidung wichtig, weil Joule nicht als Synonym für sämtliche SAP-KI-Funktionen verstanden werden sollte.

Was ist SAP Joule?

SAP Joule unterstützt Anwender dabei, Informationen und Funktionen innerhalb ihrer Geschäftsanwendungen über natürliche Sprache zu nutzen. Je nach SAP-Lösung und verfügbarer Funktionalität kann Joule beispielsweise Informationen bereitstellen, Inhalte zusammenfassen, bei Aufgaben unterstützen oder bestimmte Aktionen innerhalb eines Geschäftsprozesses ermöglichen.

Mit der Weiterentwicklung von KI-Agenten geht der Ansatz über einen klassischen Chat-Assistenten hinaus. Agentische Funktionen können darauf ausgelegt sein, mehrere Schritte eines Geschäftsprozesses zu unterstützen. Welche Möglichkeiten tatsächlich zur Verfügung stehen, hängt jedoch von der eingesetzten SAP-Lösung, der jeweiligen Version beziehungsweise Edition und den vorhandenen Berechtigungen ab.

SAP Business AI und Joule im Vergleich

Was kann SAP Joule im Unternehmen?

Der praktische Nutzen von SAP Joule hängt vom jeweiligen Geschäftsprozess ab. Typische Anwendungsmuster sind:

• Information: Mitarbeitende können relevante Geschäftsinformationen schneller auffinden und verständlich aufbereiten lassen.
• Analyse: Daten und Geschäftssituationen können in natürlicher Sprache untersucht werden.
• Prozessunterstützung: Anwender können bei bestimmten Aufgaben innerhalb einer SAP-Anwendung unterstützt werden.
• Zusammenfassung: Komplexe Informationen können für eine schnellere Entscheidungsfindung zusammengefasst werden.
• Agentische Unterstützung: Bei geeigneten Szenarien können mehrere Prozessschritte durch KI-Agenten unterstützt werden.

Für einen CFO kann beispielsweise die schnelle Analyse von Finanzinformationen relevant sein, während ein Supply-Chain-Verantwortlicher eher Unterstützung bei Beständen, Aufträgen oder Lieferketteninformationen benötigt. Der Mehrwert entsteht daher nicht durch Joule allein, sondern durch die Einbettung in einen konkreten Geschäftsprozess.

Ein weiterer wichtiger Punkt ist die Berechtigungs- und Governance-Struktur. KI-Unterstützung sollte nicht als Umgehung bestehender Zugriffskontrollen verstanden werden. Welche Informationen ein Anwender sehen oder welche Aktionen er ausführen kann, bleibt von der zugrunde liegenden SAP-Landschaft und den jeweiligen Berechtigungsmodellen abhängig.

Für Schweizer Unternehmen ist deshalb vor einer Einführung zu klären, welche Joule-Funktionen für die eigene SAP-Landschaft tatsächlich verfügbar sind, welche Daten einbezogen werden und welche Governance-Anforderungen gelten.

SAP Business AI beschreibt den übergeordneten Einsatz von KI im SAP-Ökosystem. Joule macht einen Teil dieser KI-Funktionen für Anwender direkt zugänglich und kann – abhängig vom jeweiligen Szenario – von der Informationssuche bis zur Unterstützung komplexerer Geschäftsprozesse reichen.

SAP Business AI für ERP und SAP S/4HANA

SAP Business AI kann ERP-Prozesse gezielter unterstützen, wenn KI mit Geschäftsdaten, standardisierten Prozessen und der bestehenden SAP-Landschaft verbunden wird. Besonders relevant ist das im Kontext einer ERP-Modernisierung mit SAP S/4HANA oder SAP Cloud ERP.

Dabei geht es nicht darum, bestehende ERP-Prozesse einfach um eine zusätzliche KI-Anwendung zu ergänzen. Sinnvoller ist die Frage, an welchen Stellen KI einen bestehenden Prozess verbessern kann – beispielsweise durch schnelleren Informationszugriff, automatisierte Aufgaben, Analyse von Geschäftsdaten oder Unterstützung bei Entscheidungen.

KI als Bestandteil der ERP-Modernisierung

Bei einer S/4HANA-Transformation kann KI bereits bei der Gestaltung zukünftiger Prozesse berücksichtigt werden. Unternehmen können beispielsweise prüfen:

• Welche manuellen oder wiederkehrenden Tätigkeiten lassen sich reduzieren?
• Wo benötigen Mitarbeitende häufig Informationen aus mehreren Systemen?
• Welche Entscheidungen basieren auf grossen Datenmengen?
• Wo entstehen Verzögerungen durch manuelle Analysen oder Freigaben?
• Welche Prozesse sollten zunächst standardisiert werden, bevor KI eingesetzt wird?

Gerade bei einer ERP-Modernisierung ist dieser letzte Punkt entscheidend. KI kann einen schlecht standardisierten Prozess nicht automatisch in einen guten Prozess verwandeln. Deshalb sollten Prozessharmonisierung, Datenqualität und eine möglichst klare Systemarchitektur vor oder parallel zur Einführung von KI betrachtet werden.

SAP S/4HANA, Clean Core und SAP BTP

Für Unternehmen mit einer bestehenden SAP-Landschaft spielt zudem die Architektur eine wichtige Rolle. KI-Funktionen sollten möglichst so integriert werden, dass der standardisierte ERP-Kern langfristig wartbar bleibt.

SAP Business Technology Platform (BTP) kann dabei eine Rolle spielen, beispielsweise für Integration, Datenmanagement, Automatisierung und Erweiterungen ausserhalb des ERP-Kerns. Welche Architektur sinnvoll ist, hängt jedoch vom jeweiligen Use Case und der bestehenden Systemlandschaft ab.

Ein typisches Zielbild kann beispielsweise so aussehen:

SAP beschreibt Business AI als in Geschäftsanwendungen integrierten Ansatz für unter anderem Finance, Supply Chain und Spend Management. Auch SAP Cloud ERP integriert KI-Funktionen in zentrale Geschäftsbereiche. Welche Funktionen verfügbar sind, hängt von der eingesetzten Lösung, Edition, Konfiguration und entsprechenden Entitlements ab.

Drei typische ERP-Szenarien

1. Informationszugriff verbessern
Mitarbeitende verbringen in komplexen ERP-Landschaften häufig Zeit damit, relevante Informationen zu suchen und Zusammenhänge herzustellen. KI-basierte Funktionen können den Zugriff auf Informationen vereinfachen und Inhalte kontextbezogen aufbereiten.

2. Wiederkehrende Aufgaben unterstützen
Bei geeigneten Prozessen kann KI Mitarbeitende bei standardisierten Tätigkeiten unterstützen – etwa bei der Zusammenfassung von Informationen, der Vorbereitung von Prozessschritten oder der Analyse von Abweichungen.

3. Entscheidungen datenbasiert unterstützen
ERP-Systeme enthalten Informationen zu Aufträgen, Beständen, Kosten, Lieferungen und weiteren Geschäftsprozessen. KI kann dabei helfen, relevante Muster oder Abweichungen schneller zu erkennen und Entscheidungsprozesse zu unterstützen.

Der entscheidende Erfolgsfaktor ist dabei die Verbindung von KI und Prozess. Ein isolierter KI-Pilot kann technisch funktionieren und trotzdem wenig geschäftlichen Nutzen bringen. Bei der ERP-Modernisierung sollte deshalb früh definiert werden, welcher Prozess verbessert werden soll, welche Daten dafür benötigt werden und wie das Ergebnis in den operativen Ablauf integriert wird.

Für Schweizer Unternehmen ist das besonders relevant, wenn eine bestehende SAP-Landschaft schrittweise modernisiert wird. SAP Business AI sollte dabei nicht als separates Transformationsprojekt betrachtet werden, sondern als möglicher Bestandteil einer übergreifenden ERP-, Daten- und Prozessstrategie.

KI-Use-Cases in Finance

Finance gehört zu den Bereichen, in denen SAP Business AI besonders konkrete Anwendungsfälle bietet. Finanzabteilungen arbeiten mit grossen Mengen strukturierter Daten und wiederkehrenden Prozessen – beispielsweise bei Rechnungen, Abstimmungen, Forderungen, Abschlüssen und Forecasts. KI kann hier vor allem bei Analyse, Automatisierung und Entscheidungsunterstützung ansetzen.

Welche Funktionen tatsächlich eingesetzt werden können, hängt von der jeweiligen SAP-Lösung, Systemarchitektur und verfügbaren Funktionalität ab. SAP nennt unter anderem Finance als zentralen Bereich für Business-AI-Szenarien.

Die wichtigsten Finance-Szenarien im Überblick

1. Rechnungen und Accounts Payable

In der Kreditorenbuchhaltung entstehen viele wiederkehrende Prozessschritte. KI kann beispielsweise dabei unterstützen, Informationen aus Rechnungsdokumenten zu erfassen, Inhalte zu klassifizieren oder die weitere Bearbeitung vorzubereiten.

Der Nutzen liegt dabei nicht allein in der Dokumentenerkennung. Interessanter wird der Use Case, wenn die gewonnenen Informationen mit dem bestehenden SAP-Prozess verbunden werden – etwa mit Bestellungen, Wareneingängen, Lieferanteninformationen oder Freigabeworkflows.

2. Abstimmungen und Abweichungen

Finance-Teams müssen regelmässig unterschiedliche Datenbestände miteinander abgleichen. KI kann dabei helfen, Abweichungen zu erkennen und relevante Informationen für die weitere Prüfung zusammenzustellen.

Das kann beispielsweise bei Abstimmungen zwischen Transaktionen, Belegen und Buchungen relevant sein. Die finale fachliche Beurteilung bleibt dabei beim zuständigen Finance-Team.

3. Financial Close

Der Monats- oder Jahresabschluss besteht aus zahlreichen wiederkehrenden Aufgaben und Kontrollen. KI kann geeignete Prozessschritte unterstützen, indem Informationen zusammengefasst, Auffälligkeiten hervorgehoben oder Aufgaben vorbereitet werden.

Gerade hier sollte jedoch zwischen Automatisierung und fachlicher Verantwortung unterschieden werden. KI kann die Bearbeitung unterstützen, ersetzt aber nicht automatisch die notwendigen Kontrollen und Freigaben.

4. Cashflow und Forecasting

Für CFOs ist die Frage nach der zukünftigen Liquiditätsentwicklung zentral. KI kann historische und aktuelle Geschäftsdaten analysieren und damit Forecasting- und Planungsszenarien unterstützen.

Entscheidend ist die Qualität der zugrunde liegenden Daten. Wenn beispielsweise offene Forderungen, Zahlungsbedingungen oder relevante Geschäftsvorgänge nicht konsistent erfasst sind, kann auch ein KI-gestützter Forecast nur eingeschränkt belastbar sein.

5. Anomalien und finanzielle Risiken

KI kann grosse Datenmengen darauf untersuchen, ob bestimmte Transaktionen oder Entwicklungen vom erwarteten Muster abweichen. Solche Hinweise können Finance-Teams dabei unterstützen, potenzielle Fehler oder ungewöhnliche Vorgänge gezielter zu prüfen.

Dabei sollte ein Anomalie-Use-Case nicht mit einem automatisierten Betrugsnachweis gleichgesetzt werden. KI liefert Hinweise und Prioritäten für die Prüfung; die fachliche Bewertung bleibt ein kontrollierter Prozess.

6. Reporting und Management-Informationen

Eine weitere Anwendungsmöglichkeit liegt in der Aufbereitung komplexer Finanzinformationen. KI kann beispielsweise bei der Zusammenfassung von Daten oder der Beantwortung natürlich formulierter Fragen unterstützen.

Für das Management ist dabei weniger die reine Textgenerierung entscheidend als die Frage: Welche Information wird benötigt, aus welcher Datenquelle stammt sie und wie zuverlässig ist sie?

Genau deshalb sollten Finance-KI-Projekte eng mit Datenmanagement, Berechtigungen und Governance verbunden werden.

Was ist für Finance der beste Einstieg?

Nicht jeder Finance-Prozess eignet sich gleich gut für einen ersten KI-Piloten. Besonders interessant sind Szenarien mit:

• hohem manuellen Aufwand,
• wiederkehrenden Prozessschritten,
• grossen Datenmengen,
• klar definierten Ergebnissen,
• vorhandenen strukturierten SAP-Daten,
• messbaren Qualitäts- oder Zeitzielen.

Ein sinnvoller Start kann beispielsweise ein klar abgegrenzter Prozess in Accounts Payable, Reconciliation oder Reporting sein. Nach einem erfolgreichen Pilot lassen sich weitere Finance-Szenarien schrittweise ergänzen.

Für Schweizer Unternehmen bedeutet das: SAP Business AI in Finance sollte nicht als allgemeines „KI-Projekt“ gestartet werden, sondern als gezielte Verbesserung eines konkreten Finanzprozesses.

KI-Use-Cases in Supply Chain

In der Supply Chain kann SAP Business AI dabei unterstützen, Nachfrage, Bestände, Beschaffung und operative Prozesse datenbasiert zu steuern. Der besondere Mehrwert entsteht dort, wo viele Einflussfaktoren zusammenkommen und Entscheidungen regelmässig angepasst werden müssen.

Für Schweizer Unternehmen kann das beispielsweise bei internationalen Lieferketten, schwankender Nachfrage, begrenzten Lagerkapazitäten oder komplexen Beschaffungsstrukturen relevant sein. SAP nennt Supply Chain, Beschaffung und verwandte Geschäftsbereiche als zentrale Einsatzfelder für Business AI.

Die wichtigsten Supply-Chain-Szenarien im Überblick

1. Demand Forecasting und Supply Planning

Eine präzisere Einschätzung der zukünftigen Nachfrage ist eine wichtige Voraussetzung für die gesamte Supply Chain. KI kann historische Daten, aktuelle Entwicklungen und weitere verfügbare Geschäftsinformationen analysieren, um Planungsprozesse zu unterstützen.

Dabei geht es nicht darum, eine Prognose als automatisch „richtig“ zu betrachten. Vielmehr kann KI Planerinnen und Planer bei der Bewertung von Szenarien und Abweichungen unterstützen.

2. Bestandsoptimierung

Zu hohe Bestände binden Kapital und Lagerkapazität. Zu niedrige Bestände können hingegen Lieferfähigkeit und Produktion beeinträchtigen.

KI kann relevante Daten zu Nachfrage, Beständen, Beschaffung und Lieferzeiten zusammenführen und damit Entscheidungen zur Bestandssteuerung unterstützen. Besonders interessant ist der Use Case, wenn Unternehmen grosse Artikelportfolios oder unterschiedliche Beschaffungsstrategien verwalten.

3. Beschaffung und Procurement

Auch im Einkauf entstehen zahlreiche Datenpunkte: Bedarfe, Bestellungen, Lieferanten, Preise, Lieferzeiten und Vertragsinformationen.

KI kann dabei helfen, Informationen schneller auszuwerten, Auffälligkeiten zu erkennen oder Mitarbeitende bei der Vorbereitung von Beschaffungsentscheidungen zu unterstützen. In SAP-Umgebungen kann dieser Kontext beispielsweise mit SAP S/4HANA Procurement und SAP Ariba verbunden sein.

Der Fokus sollte dabei auf konkreten Entscheidungen liegen: Wo bestehen Abweichungen? Welche Lieferanteninformationen sind relevant? Welche Beschaffungsvorgänge benötigen besondere Aufmerksamkeit?

4. Lieferkettenrisiken frühzeitig erkennen

Lieferketten sind von zahlreichen internen und externen Faktoren abhängig. KI kann verfügbare Daten analysieren und Hinweise auf ungewöhnliche Entwicklungen oder potenzielle Risiken liefern.

Ein solcher Ansatz kann beispielsweise relevant sein, wenn sich Lieferzeiten verändern, Bestände unerwartet entwickeln oder bestimmte Beschaffungsvorgänge vom bisherigen Muster abweichen.

Wichtig ist die Unterscheidung zwischen Risikoerkennung und automatischer Entscheidung. Ein KI-System kann auf ein potenzielles Problem hinweisen; die Reaktion sollte entsprechend dem jeweiligen Geschäftsprozess und den definierten Governance-Regeln erfolgen.

5. Warehouse und Transport

In der operativen Logistik können KI-Szenarien ebenfalls interessant sein. In einem SAP-Umfeld betrifft das beispielsweise Prozesse rund um SAP Extended Warehouse Management (EWM) oder SAP Transportation Management (TM).

Mögliche Ansatzpunkte sind die Analyse von Auftrags- und Bestandsdaten, die Identifikation von Prozessabweichungen oder die Unterstützung bei der Priorisierung operativer Aufgaben.

Der konkrete Funktionsumfang hängt dabei von der eingesetzten SAP-Lösung, Version, Architektur und verfügbaren KI-Funktionen ab.

6. Produktion und Materialfluss

In produzierenden Unternehmen können KI-gestützte Analysen bei der Abstimmung von Materialverfügbarkeit, Produktionsplanung und Nachfrage unterstützen.

Besonders relevant wird das, wenn ERP-, Supply-Chain- und Produktionsdaten zusammen betrachtet werden. So können Unternehmen beispielsweise besser erkennen, wo sich Planabweichungen auf nachgelagerte Prozesse auswirken.

Wo liegt der grösste Hebel?

Bei Supply-Chain-KI sollte nicht versucht werden, möglichst viele Prozesse gleichzeitig zu automatisieren. Sinnvoller ist eine Priorisierung nach Business Impact, Datenverfügbarkeit und Umsetzbarkeit.

Ein einfacher Bewertungsrahmen kann so aussehen:

Der beste Supply-Chain-KI-Use-Case ist deshalb nicht zwingend der technisch komplexeste. Häufig ist ein klar abgegrenzter Prozess mit verfügbaren Daten und einem messbaren Ziel der bessere Ausgangspunkt.

Damit wird auch die Verbindung zu ERP und Finance sichtbar: KI entfaltet ihren Nutzen besonders dann, wenn Daten und Prozesse über einzelne Funktionsbereiche hinweg zusammenwirken – statt isolierte KI-Anwendungen für einzelne Abteilungen zu schaffen.

Welche Voraussetzungen braucht SAP Business AI?

SAP Business AI lässt sich nicht unabhängig von der bestehenden SAP- und Datenlandschaft einführen. Vor einem KI-Pilot sollten Unternehmen deshalb prüfen, ob Daten, Prozesse, Systeme und Governance die geplante Anwendung unterstützen.

Die konkreten technischen Voraussetzungen unterscheiden sich je nach SAP-Lösung und Use Case. Auch bei SAP Joule können verfügbare Funktionen, Berechtigungen und Entitlements von der jeweiligen Anwendung und Systemumgebung abhängen.

1. Datenqualität und Datenverfügbarkeit

KI-Anwendungen benötigen einen verlässlichen Datenkontext. Sind Stammdaten unvollständig, Geschäftsdaten inkonsistent oder relevante Informationen über mehrere nicht integrierte Systeme verteilt, kann dies die Qualität eines KI-Szenarios einschränken.

Vor einem Pilot sollten Unternehmen deshalb klären:

• Welche Daten benötigt der Use Case?
• Wo liegen diese Daten?
• Sind sie aktuell und konsistent?
• Wer darf auf sie zugreifen?
• Müssen Daten aus SAP und Non-SAP-Systemen zusammengeführt werden?

Datenqualität ist damit eine zentrale Voraussetzung für den geschäftlichen Nutzen von KI.

2. Standardisierte Geschäftsprozesse

Ein KI-Use-Case sollte möglichst auf einem klar definierten Prozess aufbauen. Wenn Prozessvarianten, manuelle Workarounds und individuelle Sonderlösungen dominieren, wird eine zuverlässige Automatisierung schwieriger.

Im Rahmen einer ERP-Transformation kann es deshalb sinnvoll sein, zunächst Prozesse zu harmonisieren und unnötige Komplexität zu reduzieren. KI kann anschliessend gezielt dort eingesetzt werden, wo sie einen zusätzlichen Nutzen bringt.

3. Eine passende SAP-Architektur

Die technische Architektur muss zum jeweiligen Szenario passen. Je nach Use Case können beispielsweise SAP S/4HANA, SAP Cloud ERP, SAP Business Technology Platform (BTP), SAP Business Data Cloud oder weitere SAP- und Non-SAP-Systeme beteiligt sein.

BTP kann insbesondere für Integration, Datenmanagement, Automatisierung und Erweiterungen relevant sein. SAP positioniert die Plattform zudem als Bestandteil des technischen Umfelds für die Entwicklung und Integration von AI-Anwendungen und -Agenten.

Dabei sollte die Architektur nicht unnötig komplex werden. Ein guter Use Case braucht nicht automatisch eine umfangreiche neue Systemlandschaft.

4. Berechtigungen und Governance

KI greift je nach Anwendung auf Geschäftsdaten und Prozesse zu. Deshalb müssen Zugriffsrechte, Verantwortlichkeiten und Kontrollmechanismen frühzeitig berücksichtigt werden.

Zu klären sind beispielsweise:

• Welche Benutzergruppen dürfen welche Informationen nutzen?
• Welche Aktionen darf eine KI unterstützen oder ausführen?
• Welche Entscheidungen benötigen weiterhin eine menschliche Freigabe?
• Wie werden KI-Ergebnisse kontrolliert?
• Wie werden Änderungen und relevante Aktivitäten nachvollziehbar dokumentiert?

Governance sollte dabei nicht erst nach dem technischen Pilot beginnen. Sie gehört bereits zur Auswahl und Gestaltung des Use Cases.

5. Klare Business-KPIs

Ein KI-Projekt sollte anhand eines konkreten Geschäftsziels bewertet werden. Je nach Szenario können beispielsweise folgende Kennzahlen relevant sein:

• Bearbeitungszeit
• manueller Aufwand
• Durchlaufzeit
• Prognosequalität
• Bestandsniveau
• Anzahl oder Wert offener Vorgänge
• Fehler- und Abweichungsquote
• Reaktionszeit bei Störungen

Dabei sollte vor dem Pilot möglichst klar definiert werden, welcher Ausgangswert mit welchem Zielwert verglichen werden soll. Nur so lässt sich später beurteilen, ob ein KI-Use-Case tatsächlich einen relevanten Beitrag leistet.

Eine einfache AI-Readiness-Prüfung

Je mehr dieser Punkte vor einem Pilot geklärt sind, desto einfacher lässt sich ein KI-Use-Case belastbar bewerten. Gleichzeitig müssen nicht alle Architekturfragen für einen ersten Pilot vollständig gelöst sein. Entscheidend ist, die für den konkreten Anwendungsfall kritischen Abhängigkeiten früh sichtbar zu machen.

SAP Business AI in der Schweiz: Datenschutz, Governance und Cloud

Für Schweizer Unternehmen ist bei der Einführung von SAP Business AI nicht nur die technische Machbarkeit relevant. Auch Datenschutz, Datenflüsse, Zugriffsrechte und Governance müssen zum jeweiligen Use Case passen.

Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte (EDÖB) weist ausdrücklich darauf hin, dass das Schweizer Datenschutzgesetz auch auf KI-gestützte Datenbearbeitungen anwendbar ist. Das Recht ist dabei technologieneutral. Unternehmen sollten deshalb bereits bei der Planung berücksichtigen, welche Daten verarbeitet werden, zu welchem Zweck KI eingesetzt wird und welche Informationen dabei an Systeme oder externe Dienste übermittelt werden.

Was bedeutet das für SAP Business AI?

Vor der Aktivierung eines KI-Szenarios sollten Unternehmen unter anderem folgende Fragen beantworten:

• Welche Daten werden verarbeitet? Handelt es sich beispielsweise um Finanz-, Lieferanten-, Kunden-, Mitarbeiter- oder andere besonders schützenswerte Informationen?
• Wo werden die Daten verarbeitet? Relevant sind unter anderem Systemarchitektur, Cloud-Services und mögliche Datenflüsse zwischen verschiedenen Systemen.
• Wer hat Zugriff? KI-Funktionen sollten in die bestehende Berechtigungs- und Zugriffskontrolle eingebettet werden.
• Für welchen Zweck wird KI eingesetzt? Der konkrete Verwendungszweck sollte nachvollziehbar und angemessen definiert sein.
• Wie werden Ergebnisse kontrolliert? Bei relevanten Geschäftsentscheidungen muss klar sein, wann eine menschliche Prüfung erforderlich ist.

Der EDÖB betont zudem die Bedeutung von Transparenz bei KI-basierten Datenbearbeitungen. Je nach Szenario kann es relevant sein, Informationen über Zweck, Funktionsweise und verwendete Datenquellen bereitzustellen.

Cloud, Datenflüsse und internationale SAP-Landschaften

Viele Schweizer Unternehmen betreiben SAP nicht isoliert in der Schweiz. Internationale Konzerne verfügen häufig über globale ERP-Templates, zentrale Plattformen und Prozesse über mehrere Länder hinweg.

Damit wird die Frage nach Datenflüssen und Verantwortlichkeiten besonders wichtig. Bei einem KI-Use-Case sollte deshalb nicht nur betrachtet werden, welche Daten im SAP-System vorhanden sind, sondern auch, welche weiteren Systeme, Services und Integrationen beteiligt sind.

Eine Cloud-Strategie ist dabei nicht grundsätzlich mit einem bestimmten Datenschutzrisiko gleichzusetzen. Entscheidend ist die konkrete Architektur: Welche Daten werden wo verarbeitet, wer ist verantwortlich und welche technischen sowie organisatorischen Kontrollen bestehen?

AI Governance sollte Teil der SAP-Transformation sein

AI Governance sollte nicht als separates Compliance-Thema behandelt werden. Sie lässt sich in bestehende Prozesse für IT-Governance, Security, Datenschutz und SAP-Architektur integrieren.

Ein praktikabler Governance-Rahmen kann beispielsweise folgende Bereiche abdecken:

Schweizer KI-Regulierung: Was Unternehmen beachten sollten

Neben dem bestehenden Datenschutzrecht entwickelt sich auch der regulatorische Rahmen für KI weiter. Der Schweizer Bundesrat hat 2025 das Eidgenössische Justiz- und Polizeidepartement beauftragt, bis Ende 2026 einen Vernehmlassungsentwurf für Regeln zur Nutzung von KI auszuarbeiten. Dabei stehen unter anderem Transparenz, Datenschutz, Nichtdiskriminierung und Aufsicht im Fokus.

Für Unternehmen bedeutet das: KI-Governance sollte langfristig ausgelegt werden und nicht nur auf die heute verfügbaren Funktionen reagieren. Wer Use Cases, Datenflüsse, Verantwortlichkeiten und Kontrollmechanismen von Anfang an dokumentiert, schafft eine bessere Grundlage für die spätere Skalierung.

Für SAP Business AI gilt damit ein ähnliches Prinzip wie für jede grössere SAP-Transformation: Technologie, Daten, Prozesse und Governance müssen gemeinsam betrachtet werden. Gerade in regulierten oder international organisierten Unternehmen kann diese Vorbereitung entscheidend dafür sein, ob ein erfolgreicher Pilot später auch auf weitere Geschäftsprozesse ausgeweitet werden kann.

Wie starten Schweizer Unternehmen mit SAP Business AI?

Der sinnvollste Einstieg in SAP Business AI ist meist kein gross angelegtes KI-Programm, sondern ein klar abgegrenzter Use Case mit messbarem Geschäftsziel. Unternehmen können zunächst einen bestehenden Prozess analysieren, geeignete KI-Szenarien priorisieren und einen kontrollierten Pilot umsetzen.

Ein strukturierter Ansatz lässt sich in sieben Schritte unterteilen:

1. Assess: Ausgangslage analysieren

Zunächst sollte die bestehende SAP- und Prozesslandschaft betrachtet werden. Dazu gehören unter anderem SAP S/4HANA oder SAP Cloud ERP, relevante Fachlösungen, Non-SAP-Systeme, Datenquellen und bestehende Integrationen.

Gleichzeitig sollte festgehalten werden, welche Prozesse besonders viel manuellen Aufwand verursachen oder wo Entscheidungen regelmässig auf umfangreichen Datenanalysen basieren.

Ziel: Eine Liste potenzieller KI-Use-Cases erstellen – nicht bereits eine bestimmte Technologie auswählen.

2. Prioritize: Use Cases bewerten

Nicht jeder interessante Use Case sollte sofort umgesetzt werden. Eine Priorisierung kann anhand von vier Faktoren erfolgen:

Ein Use Case mit hohem Nutzen und überschaubarer technischer Komplexität ist häufig ein besserer Startpunkt als ein sehr ambitioniertes Szenario, das zahlreiche Systeme und Datenquellen gleichzeitig betrifft.

3. Data: Datenbasis prüfen

Im nächsten Schritt wird geprüft, ob die erforderlichen Daten vorhanden, zugänglich und ausreichend konsistent sind.

Dabei sollten insbesondere Stammdaten, Transaktionsdaten, historische Daten und relevante externe Datenquellen betrachtet werden. Ebenso wichtig sind Berechtigungen und mögliche Datenschutzanforderungen.

Wenn die Datenbasis für den Use Case nicht ausreicht, sollte das vor dem Pilot sichtbar werden.

4. Pilot: Einen konkreten Anwendungsfall testen

Der erste Pilot sollte möglichst klar abgegrenzt sein. Statt beispielsweise „KI für Finance“ zu implementieren, könnte ein Unternehmen einen einzelnen Prozess wie Rechnungsverarbeitung, Abstimmung oder Reporting auswählen.

Für den Pilot werden vorab Erfolgskriterien definiert. So kann nach der Testphase beurteilt werden, ob der Ansatz tatsächlich einen geschäftlichen Mehrwert liefert.

5. Integrate: In den Geschäftsprozess integrieren

Ein erfolgreicher Pilot ist noch keine produktive Lösung. Der nächste Schritt besteht darin, die KI-Funktion in den tatsächlichen Geschäftsprozess einzubetten.

Dabei geht es beispielsweise um:

• Integration in SAP-Anwendungen und bestehende Workflows
• Rollen und Berechtigungen
• Datenzugriff und Schnittstellen
• menschliche Kontrollpunkte
• Fehler- und Ausnahmebehandlung
• Monitoring und Betrieb

Gerade bei komplexeren SAP-Landschaften kann SAP BTP für Integration, Erweiterungen, Automatisierung und Datenanbindung relevant sein.

6. Measure: Business Value messen

Nach der Einführung sollte nicht nur geprüft werden, ob die KI technisch funktioniert. Entscheidend ist der Effekt auf den Geschäftsprozess.

Je nach Use Case können beispielsweise Bearbeitungszeit, manueller Aufwand, Prognosequalität, Bestandsentwicklung, Fehlerquote oder Reaktionszeit gemessen werden.

Ein klar definierter Ausgangswert macht den Vergleich wesentlich belastbarer.

7. Scale: Erfolgreiche Szenarien erweitern

Erst wenn ein Use Case technisch stabil ist und einen nachvollziehbaren Business Value liefert, sollte eine Skalierung auf weitere Prozesse erfolgen.

Dabei können Unternehmen beispielsweise von einem Finance-Use-Case auf weitere Finance-Prozesse erweitern oder Erfahrungen aus Finance auf Supply Chain und Procurement übertragen.

Wichtig ist, dass Governance, Architektur und Betriebsmodell mitwachsen. Ein einzelner Pilot kann mit überschaubarem Aufwand betrieben werden; mehrere produktive KI-Szenarien benötigen dagegen klare Verantwortlichkeiten und standardisierte Vorgehensweisen.

Ein pragmatisches Zielbild

Für Schweizer Unternehmen kann daraus ein schrittweises Vorgehen entstehen:

Assess → Prioritize → Data → Pilot → Integrate → Measure → Scale

Dieser Ansatz reduziert das Risiko, KI nur aus technologischer Begeisterung einzuführen. Stattdessen steht zunächst ein konkretes Geschäftsproblem im Mittelpunkt.

Die entscheidende Frage lautet deshalb nicht: „Wo können wir KI einsetzen?“ Sondern: „Welchen Geschäftsprozess können wir mit KI messbar verbessern – und sind unsere Daten, Systeme und Governance dafür bereit?“

Wann ist ein SAP-Partner für Business AI sinnvoll?

Nicht jedes SAP-Business-AI-Projekt benötigt externe Unterstützung. Unternehmen mit eigener SAP- und AI-Kompetenz können viele Aufgaben intern bewerten und umsetzen. Ein SAP-Partner kann jedoch sinnvoll sein, wenn Use Cases, Systemlandschaft, Integration und Governance über mehrere Bereiche hinweg betrachtet werden müssen.

Besonders relevant ist externe Unterstützung bei komplexen oder strategischen Szenarien.

Wann externe SAP-Beratung Mehrwert bietet

• Bei einer heterogenen SAP-Landschaft:
  Wenn SAP S/4HANA, SAP Cloud ERP, BTP und weitere SAP- sowie Non-SAP-Systeme zusammenspielen, muss vor der Umsetzung geklärt werden, wo Daten und Prozesse tatsächlich liegen und wie eine AI-Funktion integriert werden kann.
• Bei einer ERP-Modernisierung:
  Wird Business AI parallel zu einer S/4HANA-Transformation betrachtet, können AI-Use-Cases bereits bei der Prozess- und Architekturplanung berücksichtigt werden. Dadurch lässt sich vermeiden, dass KI später als isolierte Zusatzlösung an eine bereits komplexe Landschaft angebunden werden muss.
• Bei bereichsübergreifenden Use Cases:
  Finance, Procurement und Supply Chain arbeiten häufig mit miteinander verbundenen Prozessen und Daten. Ein AI-Szenario kann deshalb Auswirkungen auf mehrere Geschäftsbereiche haben.
• Bei Integrations- und Erweiterungsszenarien:
  Wenn Standardfunktionen nicht ausreichen, können Integrationen, Erweiterungen oder individuelle Lösungen erforderlich werden. SAP BTP kann dabei je nach Architektur eine Rolle spielen.
• Bei Governance und Skalierung:
  Ein einzelner Pilot ist vergleichsweise einfach zu kontrollieren. Sobald mehrere KI-Szenarien produktiv eingesetzt werden, werden Fragen zu Verantwortlichkeiten, Berechtigungen, Monitoring, Datenflüssen und Betrieb wichtiger.

Was ein SAP-Partner konkret beitragen kann

Ein geeigneter Partner sollte nicht mit einer bestimmten KI-Technologie starten, sondern mit dem Geschäftsproblem.

Ein strukturiertes Beratungs- und Implementierungsprojekt kann beispielsweise folgende Schritte umfassen:

1. SAP-Landschaft und Prozesse analysieren
2. AI-Use-Cases identifizieren und priorisieren
3. Daten und technische Voraussetzungen bewerten
4. Business Case und Erfolgskriterien definieren
5. Pilot oder Proof of Concept umsetzen
6. Integration in die bestehende SAP-Landschaft planen
7. Produktive Einführung und Betrieb vorbereiten
8. Erfolgreiche Use Cases schrittweise skalieren

Für Schweizer Unternehmen kann zusätzlich relevant sein, dass ein Partner die lokalen Anforderungen und gleichzeitig internationale SAP-Landschaften berücksichtigen kann. Besonders bei globalen Templates, mehreren Gesellschaften oder grenzüberschreitenden Datenflüssen sollte die AI-Strategie nicht isoliert für eine einzelne Anwendung entwickelt werden.

Worauf Unternehmen bei der Auswahl achten sollten

Bei der Auswahl eines SAP-Partners für Business AI sollten Unternehmen weniger auf allgemeine AI-Versprechen und stärker auf die Umsetzungskompetenz im SAP-Kontext achten.

Sinnvolle Auswahlkriterien sind beispielsweise:

• Erfahrung mit SAP S/4HANA und ERP-Transformationen
• Verständnis von SAP Business AI und SAP Joule
• Kompetenz in SAP BTP, Integration und Datenmanagement
• Erfahrung mit den relevanten Fachbereichen wie Finance, Procurement oder Supply Chain
• Verständnis für SAP-Berechtigungen, Security und Governance
• Fähigkeit, einen Use Case von der Analyse bis zum produktiven Betrieb zu begleiten
• Bereitschaft, auch von einem AI-Einsatz abzuraten, wenn der Business Case nicht überzeugend ist

Ein guter SAP-Partner sollte damit nicht nur erklären können, was technisch möglich ist, sondern auch, was für das konkrete Unternehmen sinnvoll ist.

Für LeverX bedeutet dieser Ansatz, SAP Business AI nicht als isolierte Technologie zu betrachten, sondern im Zusammenhang mit SAP-Beratung, Implementierung, Integration, Migration, Datenmanagement und dem laufenden SAP-Betrieb.

So kann aus einem einzelnen AI-Use-Case schrittweise eine skalierbare Lösung für die gesamte SAP-Landschaft entstehen.