You must agree to the functional cookies so that the video can be displayed.

TRANSKRIPT

Einordnung: KI im SAP-Umfeld

Andreas:

Jo, hallo zusammen zu unserem Podcast AI or DIE.

Und wir beschäftigen uns heute mal mit dem Thema, was ist eigentlich, wenn du SAP im Haus hast und dir dann überlegen musst, hey, jetzt möchte ich auch AI angehen. Wir werden merken, das ist völlig toolabhängig, was wir hier teilweise sagen, weil der Christian Bühler, der heute zu Gast ist, der ist ja in erster Linie aus einer Beratung. Der möchte euch ja nicht die SAP verkaufen. Wenn ihr ganz genau tief in die SAP rein wollt, hört euch auch gerne die anderen Folgen an.


Wir machen jetzt nur mal am Beispiel der SAP, welche AI-Komponenten hat man? Was kann man da genau mitmachen? 

Welche Prozesse kann man denn irgendwie optimieren? Was sind denn sinnvolle Prozesse? Was sind nicht sinnvolle Prozesse, wie geht es mit Assistenztätigkeit?

Und all das werden wir dann heute zusammen erörtern.  Damit ihr dem auch gut folgen könnt, ihr kennt das schon aus ein anderen Folgen, haben wir euch ein Playbook erstellt. 
Da könnt ihr alles noch mal nachlesen, Schritt für Schritt. Wenn wir uns hier irgendwie verfachsimpelt haben, dann kriegt ihr das alles nacheinander noch mal geliefert. Ist kostenfrei, tragt euch ein und sagt Bescheid, dann kriegt ihr immer jedes neue Playbook. Dafür haben wir uns entschieden, das bei mehreren Folgen zu machen. Dann haben wir gesagt, dann habt ihr was an der Hand, könnt es Kollegen schicken, weiterverarbeiten, machen, was ihr wollt. Oder es euch einfach zusammenfassen lassen, was ich sehr schade finden würde, weil es ist schon kurz. 

Aber heute soll es vorrangig um die SAP gehen.

Und ich sag erst mal, hallo Christian und sag mal, wie lange arbeitest du eigentlich jetzt schon mit SAP-Produkten?

Und was macht ihr denn eigentlich bei der Five1?

Ihr seid ja sowohl SAP-lastig als auch Microsoft-lastig. Hole uns mal bisschen ab zur Five1, ich wurde noch mal gefragt, Christian Bühler, wo arbeitet er denn? Deswegen dachte ich, erzähl mir das jetzt hier nochmal.

Was macht Five1 heute?

Christian:

Na klar, doch gerne. Also erstmal guten Morgen oder guten Tag Andreas.

Wir haben es ja eben schon über die unterschiedlichen Zeitzonen in Heidelberg und Hamburg gehabt. Aber ja, was macht denn die Five1?

Ich selbst bin seit ja mittlerweile zwölf Jahren bei der Five1 und tatsächlich ist es so, vor zehn Jahren hätte ich dir die Frage, was macht die Five1, noch ganz anders beantwortet als heute. Vor zehn Jahren waren wir nämlich wirklich so eine SAP Beratung aus dem Lehrbuch, also im Bereich BI rein das Thema hier SAP BW und alle Frontends, die es da darauf dann gab.


Und ja, wie der ganze Markt, haben wir uns natürlich auch massiv weiterentwickelt in den letzten zehn Jahren. Wie gesagt, zwölf bin ich jetzt dabei und haben neben der Unabhängigkeit von der SAP, wir waren noch nie Reseller, weil wir immer gesagt haben, zum objektiv beraten musst du eigentlich objektiv reingehen können, ohne das  du irgendwie eine Fahne allein durchs Haus trägst.

Haben wir natürlich noch Cloud Technologien und die Thematik Data Science oder KI in den letzten Jahren für uns massiv weiterentwickelt, sodass wir heute in unseren Teams eben unterwegs sind in dem klassischen SAP Geschäft, in der SAP Planung, wie man es kennt, aber eben ganz viele auch machen mit Microsoft Fabric Architekturen, auch in Power BI Reporting oder eben, und das ist für mich so das interessanteste Thema auf all diesen Grundlagen, eben einfach auch zukunftsorientiert und skalierbar KI einsetzen, um Mehrwerte zu erreichen.

 

Die Demo sieht toll aus, der Alltag ist etwas anderes

Andreas:

Jetzt haben wir in diesem Playbook mal so sieben Schritte zusammengefasst und haben gesagt Hey, du bist schon ewiger SAP User.

Was soll man da so eigentlich machen? Und was sind so die Dinge, die man dann auf der Rechnung haben muss?

Was muss man tun, damit man mit der SAP erfolgreich ist?

Magst du einen kurzen Ausblick mal geben, was uns denn heute so erwartet und welche sieben Schritte wir so angehen und was wir so tun?

 

Christian:

Na klar, also als allererstes vielleicht, du hast es jetzt gerade richtig gesagt, was können wir tun mit der SAP?

Es fängt ja nicht beim Werkzeug an, sondern es fängt bei der Aufgabe an. Und SAP bringt gerade relativ viel mit, haben sich da jetzt hinentwickelt, hat einige integrierte KI-Funktionen, hat mit Joule einen Assistant. Und wir haben hier verschiedene Möglichkeiten, das im SAP-Kontext einzusetzen. Aber gerade wenn man schon eine Weile bei der SAP unterwegs ist oder mit der SAP unterwegs ist, das darf man vielleicht auch ganz offen sagen, weiß man, die Demo sieht oft toll aus. Was im Alltag wirklich funktioniert, ist dann doch noch mal was anderes.

Und dann ist eben auch immer das Thema, wie KI-fähig bin ich selbst an der Stelle dann überhaupt schon?

Und das würde ich auch weniger immer für ein Unternehmen beurteilen wollen, sondern immer für einzelne Bereiche und für eine bestimmte Aufgabe. Das haben wir uns eben zur Aufgabe gemacht, das gemeinsam mit unseren Kunden herauszufinden. Wo macht es für euch Sinn?

Und ja, unser Ding ist das einfach. Und das werden wir jetzt einfach mal Schritt für Schritt durchgehen. Und das findet ihr dann auch im Playbook:

wir gehen von der Aufgabe aus und denken bis zum Betrieb von Anfang an mit.

 

Schritt 1:

Erst das Problem, dann das Werkzeug

 

Andreas:

Ich glaube, dieser ganzheitliche, holistische Ansatz ist da definitiv wichtig. Mit Tools um sich schmeißen funktioniert eher selten. Da muss man eher sagen: Mensch, überleg dir erst, was du machen möchtest.

Wenn ich jetzt SAP im Haus habe und bestehende Prozesse und bestehende Aufgaben: Wo kann ich ansetzen und sagen, wo hilft mir jetzt die KI? Wo kann ich etwas machen? Wie kann ich das tun? Wie finde ich solche richtigen Probleme, die ich vielleicht habe, oder Herausforderungen oder Chancen?

Christian:

Schon sehr gut, dass du anfängst mit der Frage:

Wo finde ich die Probleme? Weil genau das wollen wir nicht: „Wir müssen jetzt was mit Joule machen“ oder „Wir müssen was mit KI machen“.

Das ist ein Wunsch nach einem Werkzeug. Wir brauchen ein messbares Problem. Und das Einfachste, was du messen kannst, ist Zeit, Fehler.

Das sind zwei Dinge: Entweder wo dauert was einfach immer viel, viel zu lange, oder wo habe ich immer wieder fehlende Informationen. Da geht es dann auch darum, genau hinzuschauen: Wer macht an der Stelle die Arbeit? Was fehlt da genau und was würde uns das kosten?

Und auch da wieder gerne noch mal den Schritt zurückgehen und am Anfang überlegen: Ist das ein prozessuales Problem, das ich auch standardmäßig schon im Prozess auslösen kann? Oder brauche ich wirklich eine KI, um zu sagen: Hier schaffe ich einen Mehrwert?

 

Praxisbeispiel: Wenn Rechnung und Bestellung nicht zusammenpassen

Andreas:

Du bist da hart bei der Messbarkeit. Du sagst: Hey, wenn du die KI einsetzt, musst du erst mal ein Problem finden, wo du nachher auch die Verbesserung oder die Verschlechterung, oder du bleibst beim Alten, messen kannst. Wenn man jetzt ein einfaches Beispiel nimmt, das wir auch in diesem Playbook haben: Rechnung und Bestellung passen beispielsweise nicht zusammen.

Das ist immer extrem viel manueller Aufwand. Früher sind die Leute an einen Aktenordner gegangen und haben die Bestellung gesucht: Ist das jetzt die passende Rechnung? Ist es derselbe Betrag? Und so weiter. Da sind wir schon weiter. Und jetzt ist ein bisschen die Frage: Wie läuft das zusammen? Wie geht das und wie könnte da die KI vielleicht unterstützen?

Christian:

Ist ein sehr gutes Beispiel. Klassiker, kennt jeder, der in den Modulen unterwegs ist: Du hast eine Bestellung, die nicht zur Rechnung passt, oder eine Rechnung, die nicht zur Bestellung passt, so rum.

Und da hast du sehr viele Dinge, die du messen kannst: Wie oft passiert mir das? Was bedeutet das an aktiver Arbeitszeit für meine Mitarbeiter?

Und das ist auch schon ein erster Ansatz für eine KI-Nutzung, zu sagen: Hier kann ich in einer ersten Stufe sagen, ich lege mir mit KI genau das, was du vorhin gesagt hast, diese manuelle Suche, um. Ich entlaste meine Mitarbeiter an der Stelle. Die Suche wird kürzer und ich mache auf der Suche weniger Fehler.

Wichtig an der Stelle ist trotzdem, dass du klein anfängst. Dass du dir einen Fall rausschaust innerhalb von einer gekapselten Umgebung und sagst: Okay, wir schauen uns das an und finden raus, wo wir hier wirklich schnell eine Veränderung herbeiführen können. Und dann auch wieder auf die Ursache schauen, um zu sagen: Wo liegt jetzt wirklich das Problem?

Weil wenn das Dinge sind, die sich wiederholen, beispielsweise ein Stammdatenfehler, der beim gleichen Lieferanten immer wieder dafür sorgt, dass du eine falsche Buchung hast, dann ist es wenig sinnvoll, mit einer KI den Fehler einfach schneller auszubügeln. Dann hast du einfach wieder ein Datenproblem. Und das sollte man auch in so einem Fall von Anfang an ausschließen können.

Data_Science_kick_off_picture

Der KI Kickstarter Workshop

Dieser Workshop bietet Ihnen die Gelegenheit, die Grundlagen und Anwendungen der Generativen KI spezifisch auf Ihren vordefinierten Use Case anzuwenden. Ziel des Workshops ist es, dass Sie am Ende eine umfassende Aufwandschätzung für Ihr Projekt in der Hand halten.

 

 

Schritt 2:

Standard vor Eigenbau: Joule, Workflow oder Agent?

Andreas:

Da haben wir etwas, wo wir sagen können, das können wir super messen. Und da kam etwas, wo wir sagen können:

Hey, da kann eine KI echt helfen, weil so was kann sie gut erkennen, nach dem Motto: Das passt nicht zusammen. Ich gleiche das gleich an. Das ist schon öfter passiert. Das ist anders. Das ist etwas, was so eine Assistenz dir relativ gut geben kann, wenn sie einfach nur screent und sagt: Was ist wahrscheinlich in diesem Standardprozess jetzt zu tun? Das kann man so einer KI auch gut beibringen.

Jetzt ist die Frage, da sind wir, glaube ich, schon bei Schritt zwei, den wir hier durchgehen, wo man sagen kann: Ja, Moment. Ich war früher immer ein Freund, als ich als Berater viel unterwegs war, und habe immer gesagt: Bleib im Standard.

Das hieß immer: Wir haben Dashboards gebaut und dann wollten immer Leute irgendwelche Add-ons installieren. Dann wollten Leute immer irgendwas, was angeblich besser ist, wollten eine eigene Lösung bauen. Ich habe immer gesagt: Bleibt im Standard und guckt, was der Standard kann und wie weit wir mit dem Standard kommen. Da haben sich auch kluge Leute was überlegt.

Und jetzt sind wir schon wieder ähnlich. Ich habe jetzt meine SAP-Anwendung und da muss ich mir eine Frage stellen, bleiben wir bei unserem Beispiel:

Womit mache ich jetzt eigentlich was? Im Sinne von: Gibt es da irgendeine Standardfunktion? Kann ich das mit Joule lösen, das einfach nur dieser Chat-Agent ist? Brauche ich dafür einen Workflow? Muss ich dann doch eine andere Lösung nehmen? Muss es außerhalb sein? Warte ich dann auf die SAP? Was würdest du sagen? Was sind die passenden KI-Fähigkeiten, die ich auswählen muss innerhalb der SAP?

 

Christian:

Auch da wieder von der Aufgabe denkend kommen. Das Erste, was man komplett frei schon mal raussagen kann:

Einen Agenten brauche ich nur, wenn der Schritt nicht jedes Mal der gleiche ist, den ich gehe. Und darüber sollte ich mir von Anfang an bewusst sein.

Es gibt verschiedene Wege. Jetzt rein aus unserer Herangehensweise, sich Gedanken dazu zu machen: Erst mal, wie du es richtigerweise sagst, ich starte mit dem Standard. Was ist im Standard vorhanden?

Im SAP-Kontext ist Joule am naheliegendsten. Ich kann mir Joule als Assistent nehmen. Das heißt, ich lasse mir einfach an der Stelle Arbeit abnehmen, die noch relativ simpel steuerbar ist, ohne dass das System allzu sehr selbst denken muss.

Eine Zusammenfassung von Daten braucht keine denkende KI. Kann ich super Joule als Assistent nehmen. Und dann kommt der Punkt, wo ich vielleicht viele verschiedene Quellsysteme habe, viele verschiedene Wege, auf denen ich Daten abholen muss, und dann ein Stück weiter muss, wo ich dann wirklich sage: Okay, jetzt baue ich mir die eigene Lösung.

Es gibt jetzt auch beispielsweise Möglichkeiten, über die SAP andere Modelle anzubinden.

Aber all das würde ich erst dann tun, wenn der Standardweg tatsächlich erschöpft ist, einfach schon von der Wartbarkeit her.

 

Andreas:

Es ist so, dass oft gefragt wird: Hey, wie sieht es aus? Ich habe die SAP im Einsatz, aber dann weiß man immer nicht … Jetzt weiß ich, du sitzt ja nicht den ganzen Tag bei der SAP und guckst dir an, welche Lizenz, welches Modell, was ist da drin und so weiter. Da hast du Leute für, die sich da bestens drin auskennen. Aber die erste Frage ist immer dieses typische:

Geht das auch bei uns?

Wir geben ganz viele Copilot-Schulungen, und da kannst du ganz viel Microsoft haben, und sie sind alle auf unterschiedlichen Ständen, und dann gibt es Premium und nicht Premium und so weiter und so fort. Und eine ständige Frage ist: Geht das auch bei mir?

Ich kann mir vorstellen, einige Hörer der SAP-Häuser sagen auch: Geht das denn bei mir? Was willst du da als Antwort geben? Was kann man da machen, um ein bisschen zu gucken, geht es oder nicht? Vielleicht die KI fragen?

 

Christian:

Die KI könntest du fragen. Das Problem ist an der Stelle wieder: Ich kenne ganze Firmen, die sich nur damit beschäftigen, SAP-Verträge und Lizenzthematiken mit den Kunden bei der SAP zu klären. Da ist es immer ein schwieriger Ankerpunkt, zu schauen, was funktioniert.

Ganz grundsätzlich ist es so: Eine gute Idee ist immer, wenn ich was ausprobieren will, was ich sowieso schon lizenziert habe. Und das gilt es einfach im Einzelfall zu prüfen.

Es heißt aber leider noch lange nicht, nur weil ich irgendetwas lizenziert habe, dass das auch kostenseitig abgedeckt ist. Das heißt auch hier wieder: Ich muss mir vorher Gedanken machen, welche laufenden Kosten könnte ich an der Stelle verursachen?

Und auch dann muss man sich fairerweise eins überlegen:

In der Vergangenheit haben wir oft gesehen, egal bei welchem Hersteller, wenn wir uns auf Funktionen verlassen, die beworben werden oder die wir auch laut Lizenzmodell haben, dauert trotzdem die Entwicklung oft länger, als es auf der Roadmap steht. Und das sollte ich in meine Überlegungen auch mit einfließen lassen, zu sagen: Hey, bin ich da wirklich richtig unterwegs und zukunftssicher aufgestellt?

Lead_magnet_ftb

Check: Braucht Ihr Use Case wirklich einen Agenten?

Mit unserer Scorecard aus sechs Bewertungskategorien prüfen Sie, ob Agentic AI zu Ihrem Anwendungsfall passt oder ob Automatisierung, Machine Learning oder eine LLM-Assistenz der bessere Weg ist.

Schritt 3:

KI macht plausible Fehler – auf die Daten kommt es an

Andreas:

Neulich war ich mit Carsten Bange zusammen, und das muss ich euch jetzt hier zitieren. Das heißt, wir waren mit BARC zusammen im Newscast und wir redeten darüber, dass es jetzt noch immer Halluzinationen in AI-Systemen gibt. Und dann sind wir bei dem Satz rausgekommen, Carsten Bange und ich, den du auch schon mal geprägt hattest, im Sinne von:

Die KI macht plausible Fehler.

Und da ist dann eine Frage die Verlässlichkeit der Daten. Ich glaube, eine Sache, die man ein bisschen mitdenken muss im Geschäftskontext, ist auch:

Ich habe da jetzt mein SAP-System, ich habe da meine Sachen, und dann ist gleich zu sagen: Wieso? Die Daten liegen da alle richtig drin. Die Five1 war da und hat mir damals schon vor 13 Jahren das BW perfekt aufgesetzt, wir sind auf die HANA migriert. Das ist alles ganz großartig. Und die neuen Anwendungen in der Business Cloud, da sind wir richtig gut. Deswegen haben wir das noch alles gemacht.

Wie ist es, da vielleicht noch mal über diese Gefahren als solche zu reden und zu sagen:

Ja, nur weil du alle Daten hast, heißt das nicht zwangsläufig, dass die AI auch ihren Job immer perfekt macht.

 

Christian:

Ja, das ist absolut richtig. Ich meine, du kannst prinzipiell davon ausgehen, dass die AI ihren Job richtig macht, aber die interpretiert auch nur.

Das Sprachmodell ist nicht dafür verantwortlich, dass du deine Daten gepflegt hast und dass du ihm vorher eingebläut hast, wie der Zusammenhang zwischen den Daten ist.

So eine AI muss auch verstehen, wenn wir zurück zu diesem Rechnungsbeispiel gehen, welche Rechnung gehört zu welcher Bestellung. Sie braucht aktuelle Daten. Und welche Regel gilt beispielsweise für welchen Lieferanten?

Ein Sprachmodell wird immer versuchen, dir eine plausible Antwort zu liefern, die sich dann auch richtig gut anhört. Aber das tut sie auf dem Stand, auf dem sie selbst ist.

Und ehrlicherweise legen wir auch immer sehr viel Wert darauf, dass die KI uns darlegt, auf welchem Wissensstand sie das erarbeitet hat. Denn dann hast du als User mit Ahnung von den Daten auch relativ schnell den Einblick, ob da jetzt vielleicht gerade eine Halluzination passiert.

Reifegradanalyse_BDC_FTB

Checkliste: Verlässliche SAP-Daten als Grundlage für KI

Sie wollen AI verantwortungsvoll und skalierbar einsetzen?

KI ist nur so gut wie die Daten dahinter. Mit unserer Checkliste prüfen Sie den Reifegrad Ihrer SAP Business Data Cloud – von wiederverwendbaren Datenprodukten über klare Verantwortlichkeiten bis zum Betriebsmodell.

 

 

Schritt 4:

Informieren, empfehlen, vorbereiten, erledigen, wie viel darf die KI?

 

Andreas:

Wir sind, wie du sagst, gerade wieder in diesem Beispiel Human in the Loop.

Nach dem Motto, das hast du öfter schon mal gepredigt:

Vertraut dem nicht, sondern habt da noch einen Menschen sitzen, der das alles ein bisschen dirigiert. Jetzt mag es so sein, ich will nämlich schon auf den nächsten Punkt hinaus, dass man sagt:

Was darf die KI und was darf die KI nicht?

Im Sinne von: Wie viel Handlungsspielraum gebe ich ihr? Es bedeutet, ich überlege mir jetzt: Hey, die SAP-KI, wie wir sie jetzt auch immer nennen, oder welche Anwendung, es ist ein Unterschied zwischen „Vergleiche mir jetzt erst mal die Bestellung und die Rechnung“. Das ist relativ einfach.

Und in dem anderen Agentic-AI-Thema, das wir schon aufgearbeitet hatten, hatten wir auch schon mal darüber geredet. Es gibt noch einen Unterschied, was jetzt zum Beispiel Machine Learning einfach bedeutet oder wenn die KI jetzt auch selber handelt und wir sagen, wir brauchen dafür einen KI-Agenten.

Beispielsweise würde er jetzt sagen: Die Rechnung ist falsch. Jetzt kann er die anmahnen. Jetzt kann er sie an irgendjemanden weiterleiten. Jetzt kann er sie zur Prüfung geben. Es gibt ganz, ganz viele Möglichkeiten.

Ein Agent würde eigentlich jetzt selber nach dem Problem suchen und dann eine Handlung auslösen. Wie mache ich das mit diesem Handlungsspielraum? Wie kriege ich das hin, dass ich sagen kann: Ja, für die Aufgabe viel, für das wenig. Ich will es aber nutzen. Wo nehme ich den Menschen rein? Was wären für dich die Sachen, wo du sagst: Mensch, so würde ich denken?

 

Christian:

Ich glaube, die ganz grundlegende Sache sind eigentlich zwei Dinge: A, wie kritisch kann so ein Fehler werden?

Im Sinne von persönlichen Daten, Datenschutzkonformität und so weiter. Und auf der anderen Seite, nicht zu vernachlässigen:

Wie teuer kann so ein Fehler werden?

Und das muss ich mir für jede einzelne Aktion, die ich durch eine KI bearbeiten lasse, vorher als Frage stellen und muss das auch valide beantworten.

Wir gehen normalerweise immer in verschiedenen Stufen vor, dass wir sagen: Okay, ganz grundprinzipiell kann uns eine KI informieren. Sie kann uns was empfehlen. Sie kann sogar schon vorbereiten, oder sie kann es dann auch alleine erledigen. Und jetzt kannst du diese Abstufungen auch mischen.

Logischerweise, im täglichen Einsatz, sind die eigentlich immer gemischt. Zurück auf dieses Rechnungsbeispiel:

Du suchst am Anfang die Informationen zusammen. Das ist eine reine Recherchetätigkeit, tut das System komplett automatisch. Jetzt gehen wir den Schritt weiter und sagen: Mensch, hier formulieren wir eine Nachricht vor, die ich an den Lieferanten schicke und ihn darauf aufmerksam mache, dass das nicht passt, dass irgendwo ein Fehler in der Rechnung ist oder Sonstiges. Und am Ende entscheide ich selbst, ob ich diese Nachricht so abschicke. Das wäre jetzt eine klassische Aufteilung.

Man kann das mit Sicherheit zugeschnitten dann auch voll automatisieren. Aber da heißt es einfach: harte Regeln.

Rechnungsbetrag größer X: Darf das System nicht allein entscheiden. Lieferant gehört zu folgender Lieferantengruppe: Darf das System nicht selbst entscheiden.

So kann ich beispielsweise verschiedene Abstufungen fahren und muss mir einfach immer vorher darüber bewusst sein, was der maximal schlechte Ausgang ist. Weil wenn ich jetzt einem System zum Beispiel ermöglichen würde, einfach selbst eine Buchung auszuführen, die hole ich mir so schnell nicht wieder zurück.

 

Andreas:

Ich glaube, was jetzt zum Beispiel gut dazukommt:

Ich war mal vor zehn Jahren oder länger bei einem Versicherer, und da war es schon so, dass der Kunde ein Foto von seinem Schaden gemacht hat. Dann wurde dieser Schaden damals schon geclustert und dann ging automatisiert der gesamte Prozess los.

Hast du eine kleine Beule, hat niemand mehr draufgeguckt. Und dann hat man gemerkt: ein größerer Schadensfall, jetzt muss noch ein Mensch dazwischen.

Jetzt ist, glaube ich, spannend: Das wollen wahrscheinlich die Versicherer, den Menschen dazwischen auch bei den größeren Fällen, einfach mal zu sagen: Hey, pass auf, das nehmen wir jetzt raus. Weil da wäre die Chance, von der AI zu sagen: Das beurteile ich jetzt auch selbst noch. Ist das legit? Funktioniert das? Ist die Frage berechtigt? Was für ein Kunde ist das?

Und so könnte man das Beispiel vielleicht ganz gut stricken.

Zu sagen: Viele Sachen, über die wir reden, sind vielleicht zehn Jahre alt. Viele werden jetzt auch sagen: Ja, Bestellung und Rechnung nebeneinander, das machen wir seit zehn Jahren. Interessant ist nur, wie ich in dem SAP-Kontext, wenn ich das funktionierend habe, jetzt weiter die AI für die Sachen nutzen kann.

Und das war uns noch mal wichtig, hier in dieser Folge auch herauszustellen. Guckt auch gerne da noch mal ins Playbook.

Aber das ist, glaube ich, wirklich noch mal ein Punkt, wo man sich selber fragen muss. Der AI-Agent müsste dazu erst mal eine Frage haben, die er dann weiter löst und wo er noch mehr ablöst als einfach nur das Screening und Lesen. Weil das konnte ich vorher auch schon relativ gut gegeneinander mappen. Und ich glaube, das ist ein bisschen das Besondere.

 

Schritt 5:

Vom Pilot in den Betrieb: Clean Core ernst nehmen

 

Andreas:

Und jetzt ist dann die große Frage:

Das sind immer Einzelfälle und Piloten, und die hören sich immer total toll an.

Da hat man das einmal gemacht, und das ist ein Beispiel für AI, wir können es im Podcast erzählen. Jetzt muss ich das alles in Integration und den Betriebsplan übersetzen und muss einfach sagen: Hey, wo sind die Dinge, die total spannend sind? Worauf muss ich achten? Wie kriege ich das eigentlich hin in meine SAP-Landschaft, meine SAP-Anwendung?

 

Christian:

Wichtig ist, glaube ich, an der Stelle die Frage oder der Vergleich von Prototyp und produktivem Betrieb. Und wir wissen: Um so eine Lösung, wenn ich mal so einen innovativen Pilot geschafft habe, auch wirklich in mein System zu bringen, muss ich schon noch einige Schritte gehen.

Das heißt, so ein Prototyp läuft meistens mit Handarbeit: Ich habe ein kleines Team, einen gekapselten Fall. Aber ich muss mir, um so was dann wirklich skalierbar zu machen, den kompletten Weg aufzeichnen. Ich muss mir vorher drüber im Klaren sein: Woher kommen meine Daten? Was genau macht die KI mit diesen Daten und was passiert mit dem Ergebnis?

Im SAP-Kontext ganz wichtig: Clean Core. Nehmt es ernst, bindet eure Sprachmodelle an über freigegebene Schnittstellen, aber haltet euer Grundsystem so, dass es updatefähig bleibt, dass ich die Möglichkeit habe, mein SAP-System im Standard zu fahren.

Und was wir auch einfach immer wieder feststellen, jetzt haben wir vorhin gesagt, wir wollen ein Stück weiterkommen durch KI, also vielleicht nicht nur Dinge nebeneinanderlegen, sondern auch den nächsten Schritt beschleunigen: Die Lösung muss dorthin, wo die Leute damit arbeiten. Dinge wie Systembrüche, die sich im Alltag wiederfinden, die dich dann wieder Zeit kosten, die dich eine Umgewöhnung kosten – die nehmen dir genau den Faktor, den du eigentlich versuchst, mit der KI zu beschleunigen, wieder raus.

 

Schritt 6:

Die Verantwortung bleibt im Unternehmen

 

Andreas:

Jetzt ist es so:

In Deutschland machen wir es sehr gerne, Verantwortung klären, soll jetzt gar nicht so negativ klingen. Wir hatten auch schon in anderen Folgen, könnt ihr auch mal reinhören, das Thema AI Governance hier öfter auf dem Tisch, das eher so sein soll, dass wir sagen: Das soll Prozesse beschleunigen, vereinfachen, besser machen. Wer ist für welchen Agenten verantwortlich?

Ich glaube, das ist jetzt gar nicht so ein SAP-spezifisches Thema, sondern eher ein Thema, wie man jetzt in Schritt sechs, da sind wir nämlich mittlerweile, könnt ihr im Playbook noch mal nachgucken, sagt: Ja, Moment, wo sind wir denn jetzt gerade? Was machen wir gerade und wer macht gerade was? Wie setzen wir da die Governance drauf? Das ist jetzt weniger eine Frage an dich als eine Feststellung, zu sagen: Ja, wir müssen hier noch mal Governance machen. Aber wer sitzt da eigentlich am Tisch und wer trägt da die Verantwortung?

 

Christian:

Wichtig an der Stelle, wie bei jedem System, du hast gesagt, gar nicht so SAP-spezifisch: Die Verantwortung bleibt weiter im Unternehmen.

Und da gibt es viele verschiedene Stellen, wo die aufgehängt ist.

Was du immer brauchst: Du brauchst einen Fachbereich, der die Daten kennt. Du brauchst eine IT, die die Systeme kennt. Und immer wichtiger wird einfach das Thema Datenschutz und Data Security, was mittlerweile an den meisten Stellen in separaten Einheiten aufgehängt ist.

Und dann, je nach Investitionshöhe, muss man auch ganz klar sein: Abteilungsleitung bis Geschäftsführung, je nach Unternehmensgröße, wenn es um die entsprechenden Investitionen geht. Am Ende ist es so, dass du für jeden Anwendungsfall jemanden brauchst für fachlichen Nutzen, für die Daten und für den Betrieb von der Lösung. Und wie hart du das fährst, hängt auch damit zusammen, wie viel am Ende schiefgehen kann bei der Nutzung.

Es ist jetzt wieder was anderes, ob du dir interne Zusammenfassungen schreiben lässt oder ob du vielleicht im Bereich Personalwesen oder Kundendaten arbeitest mit KI.

Was auch wichtig ist, ist eine Übersicht zu haben, was ich an KI in meinem Unternehmen habe. Einfach zu wissen: Welche KI-Anwendungen habe ich? Und da die Klarheit zu haben:

Was ist der Zweck? Auf welche Daten greift es zu? Wer verantwortet das und wo genau liegen die Grenzen?

KI darf auch nicht ein Einfallstor werden, um sämtliche früher mal dagewesenen Berechtigungssysteme auszuhebeln.

Das ist auch ein ganz klarer Faktor.

leitfaden-von-data-governance-zu-ai-governance

Leitfaden: Von Data Governance zu AI Governance

Viele Unternehmen starten mit KI, bevor Verantwortung und Regeln geklärt sind. Unser Leitfaden zeigt, wie Sie Ihre Data Governance gezielt in Richtung AI Governance weiterentwickeln und welche 6 Aspekte dabei entscheiden.

 

 

SCHRITT 7:

Was theoretisch möglich ist, zählt nicht

 

Andreas:

Und zum Schluss haben wir noch den letzten, siebten Schritt. Ich bin ganz froh, wir kriegen es tatsächlich in der Zeit hin. Ich habe gesagt: niemals, wir müssen aufs Playbook verweisen. Aber wir sind hier straff durchgezogen.

Und jetzt ist immer die Frage am Ende des Tages nach dem Nutzen.

Es gab immer das große Problem, dass wir erzählt haben: Ja, Daten sind wichtig. Und dann haben wir immer versucht, einen ROI zu rechnen. Es war immer eine Katastrophe, weil dann kamen wir bei raus: bessere Entscheidungen treffen.

Hier bei der AI, finde ich, verhält sich das anders. Hier kannst du wirklich sagen:

Spart es jetzt wirklich Zeit ein? Ist es wirtschaftlich besser? Funktioniert es anders? Dass KI auch Geld kostet, ist relativ klar. Und Mitarbeiter auch. Und dass man dann ausrechnen kann: Was funktioniert jetzt besser? Was geht jetzt? Und deswegen ist der siebte Punkt noch mal: diesen Nutzen nachweisen.

Und wie finde ich das jetzt heraus? Wir haben jetzt diesen Piloten, das läuft alles super in der Rechnung, der macht auch alles, wir haben auch Agents drauf, es läuft alles großartig. Wie komme ich jetzt darauf: Ist das wirklich wirtschaftlich und spart diese Lösung Zeit? Wie versuche ich das jetzt zu messen?

 

Christian:

Indem du dir von Anfang an, schon vor dem Pilot, klarmachst, was dein Ziel ist und wie du es erreichen willst, und dafür auch wirklich harte Grenzen setzt. Wichtig ist einfach an der Stelle, gilt überall:

Das, was theoretisch möglich ist, interessiert uns nicht. Uns interessiert, was de facto passiert.

Aus 3.000 werden 1.000 Stunden: die ehrliche Rechnung

In der Theorie kann ich dann sagen: Jetzt habe ich 40.000 Fälle und spare fünf Minuten pro Fall, dann wäre ich bei 3.000 Stunden.

Realistisch ist dann: Meine KI-Anwendung passt für ca. 80 Prozent aller Fälle, wird in drei Viertel der Fälle genutzt und ich spare dann vielleicht 1.000 Stunden.

Dann bin ich schon nur noch bei einem Drittel von dem, was ich mir mal irgendwann gerechnet habe.

Und der nächste Punkt an der Stelle, da kommen wir jetzt ein bisschen weg vom System, auch wieder hin zur Arbeitsorganisation und zum Unternehmen an sich:

Gewinn habe ich erst, wenn ich die Zeit dann auch sinnvoll nutze, die mir übrig geblieben ist oder die ich dadurch einspare. Deswegen sind für uns in so einem Pilot immer messbare Themen:

Zum einen die echten Kosten, die müssen auf den Tisch: die Lizenz, der Verbrauch, was hat uns die Integration gekostet? Was kostet die Schulung? Was kostet der Betrieb? Sowohl einmalig für den PoC oder für den Pilot als auch insgesamt laufend über den Betrieb.

Und auf der anderen Seite dann tatsächliche Zeitersparnis, wenn wir jetzt so ein Beispiel nehmen, wo es in der Hauptsache um die Arbeitszeit geht. Und dann vielleicht auch tatsächlich dagegenstellen: Was wurde aber mit dieser Zeit dann Gewinnbringendes anderes getan? Oder wo konnte ich die positiv einbringen?

 

Das Fazit: Ein begründeter Stopp ist kein Scheitern

 

Andreas:

Guckt gerne dazu einmal in das Playbook. Wir haben euch da auch noch mal sieben Fragen für das nächste Meeting zusammengestellt, wenn ihr das auf dem Tisch habt, wo ihr sagen könnt: Hey, können wir die eigentlich hier gemeinsam beantworten? Haben wir da alle einen Weg? Ihr habt die sieben Schritte, wo wir sagen: Hey, wenn du die schon mal anwendest und dich als Fahrplan danach verhältst, glaube ich, geht es ganz gut.

Auch für Leute, die jetzt keine SAP nutzen, die Beispiele sind in SAP, jetzt haben wir das alles in SAP gemacht etc. –, ist das vielleicht auch noch mal interessant. Mal gucken, Christian, ob wir auch noch was Allgemeines machen. Wir wollten uns auch noch zu anderen Themen demnächst unterhalten. Aber da könnt ihr auf jeden Fall mal reingucken. Es lohnt sich sehr.

Aber wie es gute alte Tradition ist, auch wenn wir jetzt perfekt in der Zeit sind: Du hast die letzten Worte, Christian. Du kannst tun und lassen, was immer du möchtest. Du kannst nur nicht sagen: „Lieben Dank für die Einladung, Andreas. Ich sage viel Spaß mit dem Playbook. Ich bin raus und tschau.“

 

Christian:

Ich habe tatsächlich noch ein Anliegen, was das Thema Pilotprojekte im KI-Segment angeht, nämlich eins: Ein begründeter Stopp für so ein Projekt ist kein Scheitern, sondern der macht klar, wo man nachbessern muss.

Und deshalb sollten wir eins ganz besonders in dem Umfeld immer im Auge haben, wenn wir gemeinsam mit Kunden oder wenn Kunden für sich auf diese Reise gehen, zu sagen: Ich mache mir ein ganz klares Framing für meinen Use Case. Ich lege mir ganz klare Kennzahlen fest, an denen ich das messen will. Und wenn das nicht funktioniert hat, dann bin ich auch bereit, zu sagen: Das war der falsche Weg und das beende ich an dieser Stelle und probiere vielleicht dann einfach was anderes.

Haltet nicht zu lange an euren Initiativen fest, wenn sie eigentlich gescheitert sind.

In dem Sinne: Gute Zeit, und wir sehen uns!

 


UNSER PLAYBOOK ZU DEM THEMA SAP AI

Sie finden das Thema spannend?  

Dann melden Sie sich gerne bei uns, um sich zu dem Thema persönlich auszutauschen.