SAP Sapphire 2026: SAP baut deutlich mehr als neue AI-Features
11. Juni 2026
Collision Handling in SAP SuccessFactors Time Tracking (1H 2026): Mehr Flexibilität, aber auch mehr Verantwortung
15. Juli 2026Viele Unternehmen investieren derzeit stark in KI innerhalb ihrer SAP-Landschaft. Eine zentrale Herausforderung wird dabei schnell deutlich: KI kann nur dann verlässliche Antworten liefern, wenn sie versteht, wie das Unternehmen tatsächlich funktioniert.
Das bedeutet mehr als nur Datenzugriff. KI braucht auch den geschäftlichen Kontext hinter diesen Daten. SAP begegnet diesem Problem mit dem SAP Knowledge Graph und positioniert ihn als zentrales Element der SAP Business AI sowie der breiteren Vision des „Autonomous Enterprise“, die auf der SAP Sapphire 2026 vorgestellt wurde. In den Worten von SAP liefert der Knowledge Graph KI-Agenten einen strukturierten Plan von Geschäftseinheiten, Prozessen und Beziehungen über die gesamte SAP-Landschaft eines Kunden hinweg. Für HR- und IT-Verantwortliche ist die Botschaft klar und praxisnah: zuverlässige KI erfordert saubere Datenstrukturen, klare Berechtigungen, verantwortungsvolle Governance und eine Integrationsstrategie, die die gesamte SAP-Landschaft durchgängig verbindet.
Warum Unternehmensdaten für KI schwierig sind
SAP-Umgebungen sind datenreich, aber selten einfach.
Informationen sind über Transaktionstabellen, Stammdatenobjekte, Metadaten, Workflows, Organisationsstrukturen und Berechtigungskonzepte verteilt. Menschen können diese Zusammenhänge oft intuitiv aufgrund ihrer Erfahrung herstellen. KI hingegen hat Schwierigkeiten, diese konsistent nachzubilden.
Wenn ein Modell nur isolierte Datensätze oder Dokumente „sieht“, kann es Antworten erzeugen, die zwar plausibel klingen, aber im geschäftlichen Kontext falsch oder unvollständig sind. Typische Probleme sind zum Beispiel:
- Empfehlungen, die Genehmigungsprozesse oder Richtlinien ignorieren
- Erklärungen, die ähnliche Begriffe unterschiedlicher Teams verwechseln
- Automatisierungen, die scheitern, weil Abhängigkeiten zwischen Prozessschritten nicht verstanden werden
Auf der SAP Sapphire 2026 wurde betont, dass KI-Agenten Tausende von Prozessen navigieren, Millionen von Datenfeldern nutzen und Identitäts- sowie Berechtigungsprüfungen durchführen müssen, bevor sie Ergebnisse liefern können.
Was der SAP Knowledge Graph konkret macht
Ein Knowledge Graph wandelt Unternehmensdaten in ein verbundenes Bedeutungssystem, in dem Beziehungen zwischen Geschäftseinheiten explizit definiert und maschinenlesbar sind. So werden zum Beispiel Entitäten wie Mitarbeiter, Positionen, Kostenstellen, Stellenausschreibungen oder Lerninhalte über Beziehungen wie „berichtet an“, „genehmigt von“, „gehört zu“, „erstellt aus“ oder „gültig für“ miteinander verknüpft.
SAP beschreibt dies als „Grounding“ großer Sprachmodelle: Durch explizite Bedeutungen und Beziehungen zwischen Entitäten sollen Ungenauigkeiten und Halluzinationen in KI-Ausgaben reduziert werden.
Genau hier zeigt sich der Unterschied zu klassischen Retrieval-Augmented-Generation-Ansätzen: Sie finden zwar relevante Informationen, berücksichtigen Beziehungen, Hierarchien und domänenspezifische Strukturen jedoch häufig nur unzureichend. Um die Größenordnung zu verdeutlichen, verweist SAP auf einen SAP S/4HANA Knowledge Graph, der auf 452.000 ABAP-Tabellen, 80.000 CDS Views (semantische Datenmodelle) und 7,3 Millionen einzelnen Datenfeldern basiert (also Attributen innerhalb dieser Strukturen, etwa Mitarbeiter-IDs, Kostenstellen oder Jobtitel).
Warum das jetzt wichtig ist: KI verschiebt sich vom Antworten zum Ausführen von Geschäftsprozessen
Die Diskussion rund um Enterprise-KI verschiebt sich zunehmend von klassischen Chat-Oberflächen hin zu KI-Agenten, die echte Geschäftsprozesse unterstützen.
Auf der SAP Sapphire 2026 wurde der Knowledge Graph als Kontextschicht für Enterprise AI eingeordnet. Er fungiert als strukturierte Karte von Geschäftseinheiten, Prozessen und Beziehungen und hilft KI-Agenten dabei, relevante Informationen zu finden und deren Zusammenhänge zu verstehen.
Das ist entscheidend, weil Agenten mehr können müssen als nur Fragen beantworten. Sie müssen:
- komplexe Anfragen in Geschäftssprache verstehen
- mögliche Wege und Einschränkungen bewerten
- über verknüpfte Informationen hinweg logisch schließen
- Aufgaben innerhalb definierter Prozesse und Berechtigungen auslösen
SAP betont dabei immer wieder: „fast richtig“ reicht für geschäftskritische Prozesse nicht aus.
SAP Knowledge Graph vs. KI ohne verbundenen Geschäftskontext
| Dimension | KI ohne verbundenen Geschäftskontext | KI mit SAP Knowledge Graph Kontext |
|---|---|---|
| Verfügbare Informationen | Dokumente, Textfragmente und isolierte Datensätze | Geschäftseinheiten, Beziehungen, Metadaten und Prozesskontext |
| Verständnis des Geschäfts | Erkennt einzelne Fakten, aber nicht deren Zusammenhänge | Unterstützt Interpretation innerhalb eines vernetzten Geschäftssystems |
| Umgang mit komplexen Fragen | Schwierigkeiten bei mehreren Systemen, Rollen oder Prozessschritten | Kann über vernetzte Informationen und Abhängigkeiten besser schlussfolgern |
| Berechtigungen und Governance | Oft getrennt vom KI-Anwendungsfall betrachtet | Kann gemeinsam mit Rollen, Berechtigungen und Governance berücksichtigt werden |
| Typische Use Cases | Zusammenfassungen, Entwürfe, Suche und einfache Q&A | Prozessbezogene Unterstützung, Entscheidungsfindung und KI-Agenten |
| Hauptrisiko | Unvollständige oder vereinfachte Antworten | Ergebnisqualität hängt weiterhin von Datenqualität und Pflege ab |
Der zentrale Unterschied liegt nicht in „Daten versus keine Daten“, sondern isolierte Informationen versus verbundener Geschäftskontext.
Klassische Retrieval-Ansätze helfen KI dabei, relevante Informationen zu finden. Der SAP Knowledge Graph geht einen Schritt weiter, indem er Beziehungen, Abhängigkeiten und geschäftliche Bedeutung explizit macht. Dadurch können KI-Anwendungen und Agenten Antworten liefern, die kontextbezogener sind und besser zur tatsächlichen Arbeitsweise des Unternehmens passen.
Bedeutung für SAP SuccessFactors und HR
Für Unternehmen, die SAP SuccessFactors nutzen, wird dieser vernetzte Kontext überall dort besonders relevant, wo Mitarbeiterdaten, Skills, Organisationsstrukturen und Genehmigungsprozesse zusammenkommen.
In der Praxis braucht es dafür eine starke HR-Datenbasis, inklusive sauberer Daten-Governance in Employee Central, klarer KI-Governance in SuccessFactors und ein realistisches Verständnis davon, wie KI in Workforce-Systemen eingesetzt wird.
Typische HR-Szenarien, in denen mehrere Dimensionen gleichzeitig entscheidend sind:
- Workforce-Planung basierend auf der Organisationsstruktur, offenen Stellen, Skills und Budgetverantwortung
- Recruiting-Prozesse unter Einhaltung von Freigabeprozessen, Rollenrechten und Datenschutz
- Talent-Management-Workflows mit konsistenten Skill-Definitionen über Länder und Teams hinweg
- Self-Service für Mitarbeiter, der korrekt, nachvollziehbar und compliant sein muss
In unserem SAP Sapphire 2026 Recap haben wir bereits einen ähnlichen Punkt aus HR-Sicht gemacht: Skalierbare Business-KI entsteht nicht durch immer mehr Tools, sondern durch stabile Prozesse und verlässliche Stammdaten.
Genau hier zeigt sich, wie wichtig die SuccessFactors-Basis weiterhin ist:
- Saubere Datenmodelle, wie sie in Employee Central umgesetzt sind
- Gut designte MDF-Objekte, damit HR-spezifische Strukturen konsistent und wartbar bleiben
- Skalierbare Erweiterungen, wenn Standardfunktionen nicht ausreichen, gleichzeitig aber Governance und Upgrade-Stabilität gewährleistet bleiben müssen
Diese Grundlagen werden zunehmend entscheidend für skalierbare, kontrollierte und kontextbewusste KI-Szenarien in komplexen HR-Landschaften.
Ein praktischer Einstiegspunkt für KI im HR-Bereich
Man muss nicht mit einer groß angelegten KI-Initiative starten. Der effektivste erste Schritt ist Klarheit darüber, wo KI im HR tatsächlich Mehrwert liefern kann. Ausgangspunkt sollten konkrete Use Cases, klare Ziele und eine stabile Grundlage sein, die nachhaltige Fortschritte ermöglicht.
- Mit konkreten Use Cases beginnen
Wähle ein oder zwei Szenarien, in denen Genauigkeit, Compliance und Prozessbezug wirklich entscheidend sind, zum Beispiel Skills-basiertes Staffing, Recruiting-Freigaben oder Zeit- und Abwesenheitsausnahmen. - Datenqualität und Bedeutung bewerten, nicht nur Vollständigkeit
Eine zentrale Frage ist: Verwenden Teams dieselben Definitionen für Jobfamilien, Skills und Organisationseinheiten? Sind Beziehungen konsistent? - Berechtigungen, Governance und Verantwortlichkeiten früh definieren
Wenn Nutzer nicht verstehen, auf welcher Grundlage eine Antwort entsteht oder warum sie Zugriff darauf haben, leidet Vertrauen und Akzeptanz.
Ein verantwortungsvoller Einsatz generativer KI berücksichtigt Datenschutz, Transparenz und menschliche Kontrolle von Anfang an. Leitlinien zum KI-Risikomanagement verdeutlichen, warum diese Schutzmaßnahmen für einen sicheren und vertrauenswürdigen Einsatz unverzichtbar sind.
Eine erfolgreiche HR-Transformation gelingt jedoch nicht allein durch Technologie. Um mit SAP SuccessFactors langfristigen Mehrwert zu schaffen, benötigen Unternehmen klare Strukturen für Entscheidungsprozesse, Zusammenarbeit und Skalierbarkeit. Die folgenden Grundsätze schaffen dafür die notwendige Basis:
- Business- und Technologieteams gemeinsam einbinden
Die Fachbereiche definieren den fachlichen Kontext, während die Technologieteams die Umsetzung und den operativen Betrieb verantworten. HR, IT und Security müssen dabei eng zusammenarbeiten. - Integrationen und Erweiterungen von Anfang an skalierbar gestalten
Systemlandschaften entwickeln sich kontinuierlich weiter und die zugrunde liegende Architektur sollte das ebenfalls können. Eine leistungsfähige Integrationsarchitektur auf Basis der SAP Business Technology Platform (SAP BTP) wird insbesondere dann wichtig, wenn SAP- und Nicht-SAP-Systeme sicher, konsistent und langfristig miteinander zusammenarbeiten sollen.
Aktuelle Empfehlungen zu Bewertung und Governance unterstützen diesen schrittweisen Ansatz. Wenn Unternehmen den Übergang von ersten KI-Experimenten hin zum produktiven Einsatz von KI-Agenten vollziehen, benötigen sie von Beginn an klare Leitplanken, kontinuierliches Monitoring und eindeutig definierte Verantwortlichkeiten.
SAP Knowledge Graph als Grundlage für verlässliche KI
Der SAP Knowledge Graph adressiert eine der größten Hürden für Enterprise-KI: fehlenden Geschäftskontext. Durch die Verbindung von Geschäftseinheiten, Metadaten, Prozessen und Beziehungen schafft er eine stärkere Grundlage für kontextbezogene und zuverlässige KI-Ergebnisse, insbesondere für agentenbasierte Automatisierung in SAP-Landschaften.
Für SAP-SuccessFactors-Kunden ist die Chance klar: der Übergang von isolierten KI-Experimenten hin zu Business-KI, die auf sauberen HR-Daten, klaren Prozessen, kontrollierten Berechtigungen und einer skalierbaren Integrationsstrategie basiert.
Sie denken darüber nach, den SAP Knowledge Graph zu implementieren oder Ihre SAP-Landschaft auf KI-Agenten vorzubereiten? Bei Clarity Solutions unterstützen wir Unternehmen dabei, Use Cases zu bewerten, die richtige Grundlage zu schaffen und ihre SAP-SuccessFactors-Landschaft durch Beratung, maßgeschneiderte HR-Co-Innovation und langfristige Unterstützung vorzubereiten.
Quellen:
SAP Knowledge Graph – AI with Business Context
Exploring SAP Knowledge Graph – SAP Learning
SAP Unveils the Autonomous Enterprise – SAP Sapphire 2026
2026 SAP Sapphire Keynote: Powering the Autonomous Enterprise
