KI-Readiness in SAP-Unternehmen – so gelingt die Umsetzung

SAP-Unternehmen stehen vor einer doppelten Herausforderung: Einerseits beschleunigt der Einsatz von künstlicher Intelligenz (KI) die Automatisierung von Geschäftsprozessen. Andererseits fehlen vielen Organisationen die strukturellen Voraussetzungen, um KI tatsächlich produktiv einzusetzen. Zwischen der Verfügbarkeit von SAP Business AI, SAP Joule und der SAP Business AI Platform auf der einen Seite und dem messbaren Geschäftsnutzen auf der anderen Seite klafft in der Praxis oft (noch) eine Lücke.

Diese Lücke hat einen Namen: KI-Readiness. Der Begriff beschreibt die Fähigkeit eines Unternehmens, KI-Anwendungen und KI-Agenten nicht nur technisch bereitzustellen, sondern sie nahtlos in bestehende Prozesse, Datenstrukturen und Governance-Rahmenwerke einzubetten. Dieser Beitrag ordnet die relevanten Handlungsfelder systematisch ein und zeigt, welche konkreten Schritte SAP-Unternehmen auf dem Weg zur KI-Readiness gehen sollten.

Das Wichtigste in Kürze:

• KI-Readiness umfasst vier Dimensionen: Strategie, Daten, Governance und Mitarbeiter. Diese Dimensionen müssen gleichzeitig adressiert werden.

• Hohe Datenqualität und konsistentes Stammdaten-Management bilden das Fundament für jeden produktiven KI-Einsatz im SAP-Umfeld.

• Eine belastbare KI-Governance verbindet regulatorische Anforderungen wie den EU AI Act mit unternehmensinternen Leitplanken.

• Change-Management und eine gezielte Kompetenzentwicklung bei den Mitarbeitern entscheiden darüber, ob KI-Projekte über den Pilotstatus hinaus skalieren.

• IBsolution begleitet SAP-Unternehmen beim strukturierten Aufbau der technischen und organisatorischen Voraussetzungen für den KI-Einsatz.

Produktive KI braucht die richtige Grundlage

Was bedeutet KI-Readiness im SAP-Kontext?

KI-Readiness bezeichnet die Bereitschaft und Fähigkeit eines Unternehmens, künstliche Intelligenz systematisch in seine Wertschöpfungsprozesse zu integrieren. Im SAP-Kontext geht es dabei nicht allein um die Aktivierung von SAP Business AI oder SAP Joule. Entscheidend ist, dass die darunterliegende Systemlandschaft, die Datenbasis und die organisatorischen Strukturen den Anforderungen eines produktiven KI-Einsatzes standhalten.

Konkret umfasst KI-Readiness vier miteinander verknüpfte Handlungsfelder: die strategische Ausrichtung, die Qualität und Verfügbarkeit der Unternehmensdaten, die Etablierung von Governance-Strukturen sowie die Befähigung der Mitarbeiter. Fehlt eines dieser Elemente, bleiben KI-Initiativen meist auf den Status vereinzelter Pilotprojekte beschränkt.

Ein häufig unterschätzter Aspekt betrifft die Architektur der SAP-Landschaft selbst. Historisch gewachsene Systeme mit verteilten Identitäten, heterogenen Datenplattformen und uneinheitlichen Berechtigungsmodellen erschweren den KI-Einsatz erheblich. Vor diesem Hintergrund ist KI-Readiness kein einmaliges Projekt, sondern ein kontinuierlicher Entwicklungsprozess.

Warum SAP-Unternehmen jetzt handeln sollten

Mehrere Entwicklungen erhöhen den Handlungsdruck für Unternehmen. Seit August 2024 ist der EU AI Act, die europäische Verordnung zur künstlichen Intelligenz, in Kraft. Sie verpflichtet Unternehmen, die KI-Systeme einsetzen oder bereitstellen, zu einer risikobasierten Bewertung und Dokumentation ihrer Anwendungen. Für Hochrisiko-Systeme gelten verschärfte Anforderungen an Transparenz, Datenqualität und menschliche Kontrolle.

Gleichzeitig treibt SAP die Integration von künstlicher Intelligenz in das gesamte Produktportfolio voran. Die Vision des Autonomous Enterprise setzt voraus, dass KI-Agenten kontextbezogen und sicher auf Geschäftsdaten zugreifen können. Unternehmen, die ihre IAM-Strukturen und ihre Datenbasis nicht rechtzeitig vorbereiten, riskieren, den Anschluss an diese technologische Entwicklung, die sich mit hoher Geschwindigkeit vollzieht, zu verlieren.

Hinzu kommt ein wirtschaftlicher Faktor. Laut aktueller Bitkom-Umfrage vom September 2026 setzen erst 11 % der Unternehmen in Deutschland agentische KI ein. Die häufigsten Gründe für den Verzicht auf künstliche Intelligenz sind fehlendes Know-how (85 %), Unsicherheiten bezüglich des gesetzlichen Bestimmungen (66 %) und fehlende Daten(-qualität) (53 %). Diese Hemmnisse lassen sich durch eine strukturierte KI-Vorbereitung gezielt abbauen.

Die vier Säulen der KI-Readiness

KI-Readiness ist kein monolithisches Vorhaben. Sie lässt sich in vier Säulen gliedern, die aufeinander aufbauen und parallel bearbeitet werden sollten: Strategie, Daten, Governance und Menschen. Jede Säule adressiert spezifische Fragestellungen, die im Folgenden detailliert behandelt werden.

Säule 1: Eine KI-Strategie entwickeln, die auf Geschäftszielen basiert

Der erste Schritt zur KI-Readiness besteht darin, künstliche Intelligenz nicht als Technologieprojekt, sondern als strategisches Vorhaben zu definieren. Ausgangspunkt sind die konkreten Geschäftsziele: Welche Prozesse sollen durch KI verbessert werden? Welche messbaren Ergebnisse werden angestrebt? Und welche Ressourcen stehen für die Umsetzung zur Verfügung?

In SAP-Unternehmen bieten sich verschiedene Anwendungsfelder an. Prädiktive Instandhaltung in der Fertigung, automatisierte Rechnungsprüfung im Finanzwesen, intelligente Bedarfsprognosen in der Lieferkette oder kontextbasierte Entscheidungsunterstützung im Personalwesen sind typische Szenarien. Entscheidend ist die Priorisierung: Unternehmen sollten mit Anwendungsfällen beginnen, die einen hohen Geschäftswert bei vergleichsweise geringer Komplexität versprechen.

Ein bewährtes Vorgehen besteht darin, die KI-Strategie auf drei Ebenen zu strukturieren. Auf der strategischen Ebene werden die übergeordneten Unternehmensziele mit den KI-Potenzialen abgeglichen. Die taktische Ebene definiert die Zielarchitektur und die erforderlichen technologischen Bausteine. Auf der operativen Ebene werden konkrete Use Cases identifiziert, priorisiert und in ein Umsetzungs-Backlog überführt.

Worauf es bei der Strategieentwicklung ankommt

Eine belastbare KI-Strategie zeichnet sich durch Verbindlichkeit und Messbarkeit aus. Für jeden priorisierten Anwendungsfall sollten klare Erfolgskennzahlen definiert werden: Reduktion der Durchlaufzeiten, Verbesserung der Prognosegenauigkeit, Senkung der Fehlerquoten etc. Diese Kennzahlen bilden den Maßstab, mit dem sich der Fortschritt der KI-Initiativen bewerten lässt.

Darüber hinaus muss die Strategie den organisatorischen Rahmen adressieren. Wer verantwortet die KI-Initiativen? Welche Budgets werden bereitgestellt? Wie werden die Ergebnisse in die bestehende Unternehmenssteuerung integriert? Ohne Antworten auf diese Fragen bleibt die KI-Strategie ein Papiertiger.

Säule 2: Die Datenbasis als Fundament für den KI-Einsatz schaffen

Ohne qualitativ hochwertige Daten bleibt jede KI-Initiative wirkungslos. Das gilt für SAP-Unternehmen in besonderem Maße, denn die Komplexität der Datenlandschaft ist hier oft überdurchschnittlich hoch. ERP-Systeme, CRM-Lösungen, HR-Anwendungen, Produktionssysteme und Analytics-Plattformen erzeugen Daten in unterschiedlichen Formaten, Strukturen und Qualitätsstufen.

Der Aufbau einer KI-fähigen Datenbasis umfasst mehrere Handlungsfelder. Zunächst müssen Unternehmen ihre Stammdaten konsolidieren und harmonisieren. Denn Dubletten in den Geschäftspartnerdaten, unvollständige Materialstämme oder inkonsistente Werke-Zuordnungen verzerren jede automatisierte Auswertung. Zur zentralen Pflege und Qualitätssicherung von Stammdaten sind unterschiedliche etablierte Werkzeuge, zum Beispiel SAP Master Data Governance (MDG), verfügbar.

Darüber hinaus gewinnt die Etablierung einer einheitlichen Datenplattform an Bedeutung. Die SAP Business Data Cloud (BDC) konsolidiert SAP- und Nicht-SAP-Daten auf einer zentralen Plattform und bewahrt dabei den geschäftlichen Kontext. Künftig wird der SAP Knowledge Graph die Bedeutung, die Beziehungen und den Kontext von Geschäftsdaten beschreiben und KI-Agenten so eine verlässliche Grundlage bereitstellen, um fundierte Entscheidungen zu treffen.

Wie Sie die Datenqualität systematisch bewerten

Mithilfe eines strukturierten Ansatzes lässt sich die Datenqualität verlässlich überprüfen und bewerten. In der Praxis hat sich dabei ein dreistufiges Vorgehen bewährt:

• Dateninventar erstellen
  Sämtliche relevanten Datenquellen, Data Owner und Qualitätskennzahlen systematisch erfassen.

• Qualitätsmängel bereinigen
  Dubletten entfernen, fehlende Pflichtfelder ergänzen, Inkonsistenzen zwischen Systemen auflösen.

• Dauerhaftes Monitoring einrichten
  Kennzahlen definieren, Schwellenwerte festlegen und bei Abweichungen automatisiert Korrekturprozesse auslösen.

Als Komponente von SAP MDG unterstützt SAP Data Quality Management (DQM) diesen Prozess mit regelbasierten Prüfmechanismen und automatisierter Qualitätsüberwachung. Über die Rules-Mining-Funktion lassen sich Datenqualitätsregeln sogar teilautomatisiert aus dem vorhandenen Datenbestand ableiten.

Säule 3: KI-Governance aufbauen und regulatorische Anforderungen erfüllen

Governance ist die Klammer, die Strategie, Daten und Technologie zusammenhält. Eine belastbare KI-Governance definiert Verantwortlichkeiten, Qualitätsstandards und Compliance-Vorgaben für den gesamten Lebenszyklus einer KI-Anwendung. Sie stellt sicher, dass KI-Systeme transparent, nachvollziehbar und kontrollierbar bleiben.

Im regulatorischen Umfeld ist der EU AI Act der zentrale Bezugsrahmen. Die Verordnung unterscheidet zwischen verbotenen Praktiken, Hochrisiko-Systemen und KI-Anwendungen mit geringem Risiko. Unternehmen, die KI-Systeme als Betreiber einsetzen, müssen unter anderem sicherstellen, dass die verwendeten Daten den Qualitätsanforderungen genügen, eine menschliche Aufsicht gewährleistet ist und die Systeme angemessen dokumentiert sind.

KI-Governance im SAP-Ökosystem umsetzen

Im SAP-Umfeld hat Governance eine zusätzliche technische Dimension. Die Frage, mit welchen Berechtigungen KI-Agenten auf Geschäftsdaten zugreifen dürfen, ist von zentraler Bedeutung. Ohne ein belastbares Identity & Access Management (IAM) wird der KI-Einsatz zum Sicherheitsrisiko. Der SAP Authorization Management Service (AMS) bietet als Bestandteil der SAP Cloud Identity Services eine technische Grundlage, um Berechtigungen für KI-Agenten konsistent und kontextbezogen zu steuern.

Ein praxistaugliches Governance-Framework für KI im SAP-Umfeld sollte folgende Elemente umfassen:

• Risikoklassifikation
  Jeder KI-Use-Case wird nach Risikograd bewertet und entsprechend dokumentiert.

• Rollen und Verantwortlichkeiten
  Es wird definiert, wer für die Entwicklung, den Betrieb und die Überwachung von KI-Anwendungen verantwortlich ist.

• Datenrichtlinien
  Verbindliche Standards für Datenqualität, Datenzugang und Datenschutz werden festgelegt.

• Monitoring und Auditierung
  Die KI-Systeme werden kontinuierlich überwacht und regelmäßige Audits stellen sicher, dass die definierten Standards eingehalten werden.

Säule 4: Mitarbeiter befähigen und den kulturellen Wandel gestalten

Technologie und Governance allein reichen nicht aus, um KI-Readiness zu erlangen. Der Erfolg von KI-Initiativen hängt maßgeblich davon ab, ob die Mitarbeiter den Wandel mittragen und aktiv gestalten. KI-Readiness ist daher auch ein Thema der Unternehmenskultur und des Change-Managements.

Die europäische KI-Verordnung unterstreicht diesen Aspekt mit Artikel 4 zur KI-Kompetenz. Demnach müssen Anbieter und Betreiber von KI-Systemen sicherstellen, dass ihr Personal über ein ausreichendes Maß an KI-Kompetenz verfügt. Dies umfasst technische Grundlagen ebenso wie das Verständnis für ethische und regulatorische Rahmenbedingungen.

In der Praxis zeigt sich, dass fehlendes Wissen das Haupthemmnis für den KI-Einsatz darstellt. Unternehmen sollten daher frühzeitig in Trainingsprogramme investieren, die auf die jeweiligen Zielgruppen zugeschnitten sind. Für IT-Verantwortliche stehen technische Trainings zu SAP Business AI und zur SAP Business AI Platform im Vordergrund. Fachanwender benötigen praxisorientierte Workshops, die den Nutzen von KI anhand konkreter Szenarien aus ihrem Arbeitsalltag vermitteln. Führungskräfte wiederum brauchen ein Verständnis für die strategischen Implikationen und die Governance-Anforderungen des KI-Einsatzes.

Wie ein wirksames KI-Kompetenzprogramm aufgebaut ist

Ein geeignetes Kompetenzprogramm für KI adressiert drei Zielgruppen mit unterschiedlichen Schwerpunkten:

• IT und Technologie
  Technische Trainings zu SAP-KI-Werkzeugen, Datenarchitektur, Berechtigungsmodellen und der SAP Business AI Platform.

• Fachbereiche
  Workshops mit konkreten Use Cases aus dem jeweiligen Arbeitsumfeld, Vermittlung von KI-Grundlagen und Denkweisen für die Zusammenarbeit mit KI-Systemen.

• Management
  Strategische Einordnung, Governance-Anforderungen, Entscheidungsrahmen für KI-Investitionen und Risikomanagement.

Wichtig ist, dass die Trainingsmaßnahmen nicht einmalig erfolgen. Die KI-Technologien entwickeln sich kontinuierlich weiter. Ein permanentes Lernprogramm, das neue Funktionen, regulatorische Änderungen und Praxiserfahrungen integriert, sichert die nachhaltige KI-Kompetenz im Unternehmen.

Schritt für Schritt zur KI-Readiness: ein strukturiertes Vorgehen

Die Umsetzung der vier Säulen der KI-Readiness lässt sich in einem strukturierten Vorgehensmodell abbilden, das fünf aufeinander aufbauende Phasen umfasst.

Phase 1: Assessment und Standortbestimmung

Im ersten Schritt wird der aktuelle Reifegrad des Unternehmens ermittelt. Dabei werden die vorhandene Systemlandschaft, die Datenqualität, die bestehenden Governance-Strukturen und die KI-Kompetenzen der Mitarbeiter systematisch erfasst. Das Ergebnis ist ein differenziertes Bild der Stärken und Handlungsbedarfe in allen vier Säulen. Auf dieser Basis lassen sich Prioritäten ableiten und die nächsten Schritte planen.

Phase 2: KI-Strategie und Use-Case-Priorisierung

Aufbauend auf der Standortbestimmung wird eine KI-Strategie entwickelt, die auf den Geschäftszielen des Unternehmens basiert. Potenzielle Anwendungsfälle werden identifiziert, hinsichtlich ihres Geschäftswerts und ihrer technischen Umsetzbarkeit bewertet und priorisiert.

Für jeden priorisierten Use Case wird ein Business Case erstellt, der die erwarteten Verbesserungen, die erforderlichen Investitionen und die relevanten Risiken quantifiziert. Auf diese Weise entsteht ein belastbares Portfolio von KI-Initiativen, das die Grundlage für die operative Umsetzung bildet.

Phase 3: Datenbasis aufbauen und Qualität sichern

In dieser Phase werden die identifizierten Datenqualitätsmängel systematisch behoben. Stammdaten werden konsolidiert, Datensilos aufgelöst und eine einheitliche Datenplattform etabliert. Die SAP Business Data Cloud, SAP Master Data Governance und Reltio bilden hier technologische Eckpfeiler.

Parallel wird ein dauerhaftes Datenqualitätsmanagement eingerichtet, das Kennzahlen definiert, Schwellenwerte festlegt und bei Abweichungen automatisiert Korrekturprozesse auslöst. Dieser Schritt ist entscheidend, denn die Qualität von KI-Anwendungen nimmt über die Zeit ab, wenn die zugrundeliegenden Daten nicht kontinuierlich gepflegt werden.

Phase 4: Governance-Framework implementieren

Die vierte Phase fokussiert auf den Aufbau des Governance-Frameworks. Dazu gehören die Etablierung eines KI-Steuerungskreises, die Definition von Rollen und Verantwortlichkeiten, die Erstellung von Richtlinien für den verantwortungsvollen KI-Einsatz und die Integration in bestehende Compliance-Strukturen.

Im SAP-Umfeld sollten Unternehmen in dieser Phase auch ihre IAM-Architektur für den KI-Einsatz in den Blick nehmen. Berechtigungen für KI-Agenten müssen definiert, Identitäten systemübergreifend harmonisiert und Zugriffskontrollmechanismen implementiert werden.

Phase 5: Pilotierung, Skalierung und Weiterentwicklung

In der fünften Phase werden die priorisierten Use Cases in Pilotprojekten umgesetzt. Nach erfolgreicher Validierung erfolgen die Überführung in den produktiven Betrieb und die schrittweise Skalierung. Ein begleitendes Monitoring stellt sicher, dass die definierten Erfolgskriterien eingehalten werden.

Erfahrungen aus den Pilotprojekten fließen zurück in die KI-Strategie und das Governance-Framework. Auf diese Weise entsteht ein kontinuierlicher Verbesserungsprozess, der die KI-Readiness des Unternehmens immer weiter optimiert.

Typische Stolpersteine bei der KI-Vorbereitung in SAP-Unternehmen

Die Erfahrung zeigt, dass bestimmte Fehler in KI-Vorbereitungsprojekten vermehrt auftreten. Ein Bewusstsein für diese Stolpersteine hilft, sie gezielt zu vermeiden.

Technologie vor Strategie setzen

Der häufigste Fehler besteht darin, mit der Technologieauswahl zu beginnen, bevor die Geschäftsziele und Use Cases definiert sind. KI-Tools und KI-Plattformen sind Mittel zum Zweck. Ohne eine klare Vorstellung davon, welche Probleme gelöst werden sollen, führt ein verfrühter Technologiefokus zu Fehlinvestitionen und Frustration in den Fachbereichen.

Die Datenqualität unterschätzen

Viele KI-Projekte scheitern nicht an Algorithmen, sondern an fehlender Datenqualität. Ein Unternehmen kann seine Architektur auf Clean-Core-Niveau gebracht haben und dennoch mit Dubletten in den Geschäftspartnerdaten, unvollständigen Materialstämmen oder Inkonsistenzen zwischen Werken arbeiten. Diese Mängel verzerren jede automatisierte Auswertung und mindern den Nutzen von KI-Anwendungen.

Die Mitarbeiter nicht einbeziehen

Künstliche Intelligenz verändert Arbeitsabläufe und Entscheidungsprozesse. Ohne frühzeitige Einbindung der betroffenen Mitarbeiter entstehen Widerstände, die den Erfolg von KI-Initiativen gefährden. Eine offene Kommunikation über Ziele, Auswirkungen und Beteiligungsmöglichkeiten ist unverzichtbar. Unternehmen, die ihre Belegschaft aktiv in den Transformationsprozess einbinden, erzielen nachhaltigere Ergebnisse.

Governance als nachträgliche Ergänzung behandeln

Die erforderlichen Governance-Strukturen nachträglich aufzubauen, ist aufwendig und fehleranfällig. Unternehmen sollten von Beginn an klare Leitplanken für den KI-Einsatz definieren. Das betrifft sowohl die technischen Berechtigungen als auch die organisatorischen Zuständigkeiten und die regulatorische Konformität.

Fazit: Wie SAP-Unternehmen ihre KI-Readiness gezielt aufbauen

KI-Readiness ist kein Zustand, der einmal erreicht wird und dann bestehen bleibt. Sie ist ein fortlaufender Entwicklungsprozess, der strategische Weitsicht, operative Konsequenz und die Bereitschaft zur kontinuierlichen Anpassung erfordert. SAP-Unternehmen, die jetzt in ihre KI-Readiness investieren, schaffen die Voraussetzungen dafür, künstliche Intelligenz als echten Wertschöpfungshebel zu nutzen.

Die vier Säulen der KI-Readiness bieten dabei ein klares Orientierungsraster: Die Strategie gibt die Richtung vor, die Daten liefern die Substanz, die Governance schafft den Rahmen und befähigte Mitarbeiter bringen die KI-Initiativen in die Umsetzung. Wer diese Felder systematisch bearbeitet, wird den Übergang in die KI-gestützte Wertschöpfung deutlich schneller und sicherer vollziehen.

Häufige Fragen zur KI-Readiness in SAP-Unternehmen

Was ist KI-Readiness im SAP-Umfeld?

KI-Readiness beschreibt die Fähigkeit eines SAP-Unternehmens, künstliche Intelligenz produktiv in seine Geschäftsprozesse zu integrieren. Sie umfasst die strategische Ausrichtung, die Datenqualität, die Governance-Strukturen und die Kompetenzen der Mitarbeiter.

Warum ist Datenqualität so wichtig für den KI-Einsatz?

KI-Modelle treffen ihre Entscheidungen auf Basis der bereitgestellten Daten. Fehlerhafte, unvollständige oder verteilte Daten führen zu verzerrten Ergebnissen. IBsolution unterstützt SAP-Unternehmen dabei, ihre Stammdaten zu konsolidieren, eine einheitliche Datenplattform zu etablieren und eine hohe Datenqualität dauerhaft sicherzustellen.

Welche regulatorischen Anforderungen müssen Unternehmen beachten?

Der EU AI Act verpflichtet Unternehmen, die KI-Systeme einsetzen, zu einer risikobasierten Bewertung und Dokumentation. Für Hochrisiko-Systeme gelten Anforderungen an Transparenz, Datenqualität und menschliche Aufsicht.

Wie lange dauert es, KI-Readiness herzustellen?

Die Dauer hängt vom Reifegrad des Unternehmens ab. Für erste Pilotprojekte sollten Unternehmen mit einem Zeitraum von sechs bis zwölf Monaten rechnen. Ein strukturiertes Phasenmodell, das Assessment, Strategieentwicklung und Umsetzung verbindet, beschleunigt den Prozess. Gemeinsam mit IBsolution bauen Unternehmen das Fundament, das sie benötigen, um KI produktiv und zielgerichtet einzusetzen.

Welche Rolle spielt das Change-Management bei der KI-Einführung?

Das Change-Management entscheidet darüber, ob KI-Projekte über den Pilotstatus hinaus skalieren. Ohne die aktive Einbindung der Mitarbeiter entstehen Widerstände, die den Erfolg gefährden. Das People Enablement sollte daher von Beginn an als integraler Bestandteil der KI-Readiness eingeplant werden.