KI in SAP: Erst den Business Case, dann die Technologie

KI steht in vielen Unternehmen weit oben auf der Agenda. Doch bevor neue Funktionen in die SAP-Landschaft integriert werden, braucht es eine nüchterne Antwort auf vier Fragen: Welches Problem wird gelöst? Welche Kennzahl verbessert sich? Was kostet die Umsetzung? Und ist der Prozess technisch wie organisatorisch stabil genug?

Kernaussage: AI Readiness ist kein zusätzliches Großprogramm. Richtig aufgesetzt, ist sie ein begrenzter wirtschaftlicher Check, der bereits heute Kosten, Durchlaufzeiten und Risiken sichtbar macht und zugleich die Grundlage für spätere KI-Anwendungen schafft.

Der wirtschaftliche Handlungsdruck besteht schon heute

Im Alltag funktionieren viele SAP-Prozesse nur, weil Mitarbeitende fehlende Informationen ergänzen, Daten in Excel nachbearbeiten oder Freigaben per E-Mail nachverfolgen. Das hält den Betrieb am Laufen, verursacht jedoch auch laufende Kosten in Form von Bearbeitungszeit, Nacharbeit, Rückfragen, Wartezeiten und einem höheren Fehlerrisiko. Gleichzeitig bleiben diese Aufwände in klassischen Systemkennzahlen häufig unsichtbar. Genau hier sollte die Diskussion über KI beginnen. Nicht mit der Frage, welche neue Funktion verfügbar ist, sondern mit der Frage, wo heute wirtschaftlich relevante Reibungsverluste entstehen.

Denn KI beseitigt weder unklare Zuständigkeiten, noch widersprüchliche Daten oder unnötige Prozessvarianten. Im ungünstigsten Fall verarbeitet sie bestehende Schwächen nur schneller. Für die Geschäftsführung und die kaufmännische Leitung ist es deshalb entscheidend, die Ausgangslage messbar zu machen. Relevante Kennzahlen sind beispielsweise die Durchlaufzeit eines Vorgangs, die Zahl manueller Eingriffe, die Fehler- und Nacharbeitsquote, der Anteil von Ausnahmen sowie die Kosten je Vorgang. Erst mit dieser Basis lässt sich beurteilen, ob Standardisierung, klassische Automatisierung oder KI den größten wirtschaftlichen Beitrag leistet.

Nicht die gesamte SAP-Landschaft muss perfekt sein

Ein häufiger Einwand lautet: „Unsere Daten und Prozesse sind noch nicht sauber genug für KI.” Das mag stimmen, führt jedoch schnell zu einem ebenso unwirtschaftlichen Extrem: einem jahrelangen Bereinigungsprogramm ohne klaren Bezug zu konkreten Geschäftsproblemen. Perfekte Daten und vollständig einheitliche Prozesse sind in komplexen Organisationen selten realistisch und auch nicht überall notwendig. Sinnvoller ist eine risikoorientierte Priorisierung. Zunächst stehen Prozesse mit hohem Volumen, hohem manuellem Aufwand, langen Freigabezyklen, wiederkehrenden Fehlern oder besonderer Compliance-Relevanz im Fokus. Dort ist der Handlungsdruck am größten und die wirtschaftliche Wirkung am ehesten nachvollziehbar.

Entscheidungsregel: Nicht jede Datenlücke rechtfertigt ein Projekt. Relevant sind die Daten- und Prozessprobleme, die Kosten verursachen, Entscheidungen verzögern, Liquidität binden, Risiken erhöhen oder eine skalierbare Bearbeitung verhindern.

Stammdaten: Qualität dort sichern, wo sie Wirkung hat

Kunden, Lieferanten, Materialien, Kostenstellen und weitere Stammdaten bilden die Grundlage vieler SAP-Abläufe. Werden sie doppelt, unvollständig oder unterschiedlich definiert, setzt sich der Fehler durch Folgeprozesse und Auswertungen fort. Mitarbeitende kompensieren das häufig durch manuelle Prüfungen. Diese Tätigkeiten wirken wie ein normaler Prozessschritt, stellen jedoch wirtschaftlich gesehen Nacharbeit dar. Vor dem Einsatz einer technischen Lösung sollte deshalb die Ursache geklärt werden. Fehlen verbindliche Pflegeregeln? Werden Informationen mehrfach erfasst? Ist die Verantwortung unklar? Oder verhindert eine Schnittstelle die konsistente Übernahme? Je nach Ursache können eine Bereinigung, eine Governance-Regel, eine Systemintegration oder eine Automatisierung sinnvoll sein. KI ist nur dann die passende Antwort, wenn tatsächlich Interpretation oder Mustererkennung erforderlich sind.

Einen schlechten Prozess zu beschleunigen, spart selten nachhaltig Kosten

Viele Prozesse sind im Laufe der Jahre gewachsen. Es wurden neue Anforderungen, Organisationseinheiten und Ausnahmen ergänzt, ohne den Gesamtablauf erneut zu bewerten. Werden solche Prozesse direkt automatisiert, bleiben unnötige Freigaben, Schleifen und Medienbrüche bestehen. Die Technik wird zwar schneller, der Prozess wird dadurch aber nicht zwangsläufig wirtschaftlicher. Process Mining kann dabei helfen, die tatsächlichen Abläufe anhand vorhandener Systemdaten sichtbar zu machen. Anschließend ist eine gemeinsame Bewertung durch Fachbereich und IT entscheidend: Welche Variante ist fachlich oder regulatorisch notwendig? Welche ist historisch entstanden? Wo wird echte Entscheidungskompetenz benötigt und wo folgen Mitarbeitende stets denselben Regeln? Diese Unterscheidung schafft die Grundlage für eine belastbare Priorisierung.

Klassische Automatisierung oder KI?

Nicht jede manuelle Tätigkeit eignet sich als KI-Anwendungsfall. Sind die Eingaben eindeutig, die Regeln stabil und die Ergebnisse vorhersagbar, ist klassische Automatisierung häufig die wirtschaftlichere Lösung. Sie ist nachvollziehbar, testbar und leichter zu kontrollieren. KI wird hingegen dort interessant, wo unstrukturierte Informationen interpretiert, Wahrscheinlichkeiten bewertet oder komplexe Muster erkannt werden müssen.

Ausgangslage	Naheliegender Ansatz	Wirtschaftliche Prüffrage
Klare Regeln, strukturierte Daten, wiederkehrender Ablauf	Klassische Automatisierung	Sind Aufwand und Ausnahmequote niedrig genug für einen stabilen Regelprozess?
Unstrukturierte Dokumente oder Texte müssen eingeordnet werden	KI-gestützte Verarbeitung	Ist die Erkennungsqualität messbar und ist eine menschliche Kontrolle bei Unsicherheit vorgesehen?
Fehlende oder widersprüchliche Stammdaten	Governance und Datenbereinigung	Welche Fehlerkosten und Folgeaufwände werden tatsächlich reduziert?
Unnötige Freigaben, Schleifen oder Varianten	Prozessvereinfachung	Welche Durchlaufzeit und welcher Bearbeitungsaufwand entfallen?

Ein Readiness-Check muss zu Entscheidungen führen

Ein AI-Readiness-Check ist nur dann wertvoll, wenn er über eine allgemeine Reifegradbewertung hinausgeht. Entscheidend ist eine priorisierte Entscheidungsgrundlage, die wirtschaftlichen Nutzen, Voraussetzungen, Verantwortlichkeiten und Risiken transparent macht.

Dabei sollten sechs Bereiche betrachtet werden:

• Geschäftsnutzen: Welches konkrete Problem soll gelöst werden? Fehlen Zielwerte für Kosten, Zeit, Qualität, Liquidität oder Risiko, lässt sich die wirtschaftliche Wirkung später nicht belastbar bewerten.
• Prozess: Wie läuft der Vorgang tatsächlich ab? Lange Durchlaufzeiten, zahlreiche Varianten, Schleifen und Rückfragen weisen auf strukturelle Ineffizienzen hin.
• Manueller Aufwand: Welche Tätigkeiten wiederholen sich regelmäßig? Viele manuelle Eingriffe, Excel-Zwischenschritte und E-Mail-Freigaben zeigen konkretes Automatisierungspotenzial.
• Daten: Sind die entscheidungsrelevanten Informationen vollständig und eindeutig? Dubletten, fehlende Werte und regelmäßige Korrekturen erschweren stabile automatisierte Abläufe.
• Verantwortung: Wer entscheidet über den Prozess, die Daten und den Umgang mit Ausnahmen? Ohne klare Zuständigkeiten bleiben Probleme häufig zwischen Fachbereich und IT liegen.
• Integration und Risiko: Wie fügt sich die Lösung in SAP, bestehende Berechtigungen und interne Kontrollen ein? Zusätzliche Insellösungen sowie unklare Prüf- und Freigaberegeln erhöhen Komplexität und Betriebsrisiken.

Das Ergebnis sollte keine abstrakte Bewertung sein, sondern eine klare Priorisierung: Wo liegt der größte wirtschaftliche Hebel? Welche Voraussetzungen fehlen? Welche Maßnahme ist geeignet? Wer übernimmt die Verantwortung? Und anhand welcher Kennzahlen wird die Wirkung kontrolliert?

AI Readiness sollte nicht als unternehmensweites Großprojekt gestartet werden. Es ist sinnvoll, einen klar begrenzten Betrachtungsbereich mit wenigen geschäftskritischen Prozessen zu wählen. So lassen sich von Beginn an Aufwand, Beteiligte und Ergebnis festlegen.

1. Ausgangslage und Zielkennzahlen festlegen

Zu Beginn werden Prozessvolumen, Bearbeitungszeit, Durchlaufzeit, Fehler, Ausnahmen und Nacharbeit soweit verfügbar erfasst. Gleichzeitig wird definiert, welche wirtschaftliche Veränderung eine Maßnahme erreichen soll.

2. Tatsächlichen Ablauf und Ursachen untersuchen

Systemdaten, Prozesswissen der Fachbereiche und technische Abhängigkeiten werden zusammengeführt. Ziel ist nicht nur, Symptome zu dokumentieren, sondern Ursachen wie fehlende Datenregeln, Medienbrüche oder unnötige Freigaben zu identifizieren.

3. Maßnahmen nach Nutzen, Aufwand und Risiko priorisieren

Für jede Maßnahme werden erwartete Wirkung, Implementierungsaufwand, Integrationsbedarf, Betriebsrisiken und interne Verantwortung bewertet. Daraus entsteht eine Reihenfolge, die wirtschaftlich begründet ist und nicht von technischer Attraktivität allein abhängt.

4. Mit einem kontrollierbaren Anwendungsfall starten

Der erste Anwendungsfall sollte relevant genug sein, um Wirkung zu zeigen, aber begrenzt genug, um Risiken zu kontrollieren. Nach der Umsetzung werden die vereinbarten Kennzahlen erneut gemessen. Erst dann ist eine Entscheidung über Skalierung sinnvoll.

IT und Fachbereiche brauchen eine gemeinsame Verantwortung

Die IT kennt sich mit Anwendungen, Schnittstellen, Berechtigungen und technischen Abhängigkeiten aus. Die Fachbereiche wissen hingegen, warum ein Ablauf in der Praxis vom Soll-Prozess abweicht, welche Ausnahmen notwendig sind und wo täglich Zeit verloren geht. Beide Perspektiven sind unverzichtbar. Zusätzlich braucht es einen wirtschaftlichen Rahmen mit Zielkennzahlen, Budgetgrenzen und klaren Kriterien für Fortführung oder Abbruch. Zielkennzahlen, Budgetgrenzen und klare Kriterien für Fortführung oder Abbruch sind dafür unerlässlich. Damit ein Vorhaben steuerbar bleibt, müssen die Prozess- und Datenverantwortung eindeutig benannt sein. Andernfalls werden technische Lösungen eingeführt, ohne dass dauerhaft jemand für die Datenqualität, die Ausnahmen oder die Messung des Nutzens verantwortlich ist. Genau diese Unklarheit erhöht später die Kosten und Risiken.

Was ein belastbarer Business Case enthalten sollte

Ein Business Case für Automatisierung oder KI benötigt mehr als ein allgemeines Produktivitätsversprechen. Er sollte die aktuelle Ausgangslage, den angestrebten Zielzustand, einmalige und laufende Kosten, interne Aufwände, den Integrationsbedarf sowie operative und regulatorische Risiken berücksichtigen. Auch der Umgang mit Ausnahmen und menschlichen Freigaben muss berücksichtigt werden. Entscheidend ist außerdem, wann und wie die Wirkung überprüft wird. Verbessert sich die Durchlaufzeit? Sinkt die Zahl manueller Eingriffe? Werden Fehler und Nacharbeit reduziert? Lassen sich zusätzliche Volumina ohne weitere Stellen bewältigen? Erst wenn diese Fragen beantwortet werden können, wird aus einer technischen Möglichkeit eine steuerbare Investition.

Heute wirtschaftlich verbessern, morgen KI gezielt einsetzen

Unternehmen müssen nicht jede neue KI-Funktion sofort einführen. Sie sollten jedoch wissen, wo ihre Daten- und Prozessprobleme eine wirtschaftliche Wirkung entfalten und welche Voraussetzungen für einen sinnvollen Einsatz fehlen. Wer diese Themen heute priorisiert, profitiert doppelt: Einerseits werden bestehende Abläufe transparenter und effizienter, andererseits können spätere KI-Anwendungen auf einer stabileren Grundlage aufsetzen.

Für IT-P bedeutet KI-Readiness deshalb nicht, möglichst viele KI-Projekte zu starten. Es geht vielmehr darum, wenige relevante Prozesse messbar zu bewerten, geeignete Maßnahmen auszuwählen und Investitionen anhand von Nutzen, Aufwand und Risiko zu priorisieren. Manchmal ist die richtige Antwort KI. Manchmal sind es Automatisierung, Standardisierung oder eine bessere Datenverantwortung. Wirtschaftlich ist die Lösung, die das konkrete Problem mit vertretbarem Aufwand löst.

Merksatz: Wer morgen KI in SAP wirtschaftlich nutzen möchte, sollte heute nicht mit der Technologie beginnen, sondern mit einem messbaren Geschäftsproblem.

Der nächste sinnvolle Schritt

Ein begrenzter Readiness-Check schafft Transparenz darüber, welche SAP-Prozesse den größten Handlungsbedarf haben, welche Kennzahlen verbessert werden können und ob Standardisierung, Automatisierung oder KI der passende Weg ist. Das Ergebnis sollte kein unverbindlicher Reifegrad sein, sondern eine priorisierte Maßnahmenliste mit Nutzenhypothese, Aufwand, Risiken und klaren Verantwortlichkeiten.