Entfesseltes Potenzial

Viele Unternehmen stellen ihr ERP-Altsystem aktuell auf eine moderne, cloudbasierte Umgebung um und durchlaufen dabei eine tiefgreifende Transformation auf mehreren Ebenen. Mit Rise steht ihnen ein strukturierter Ansatz aus einem standardisierten Framework, einer integrierten Toolchain und Anleitungen durch Experten zur Verfügung, der Projektabläufe im Sinne des Clean-Core-Prinzips vereinfacht und beschleunigt.

Gemeinsam gegen Pain Points

Konkret die Toolchain ist dafür da, eine nahtlose Zusammenarbeit zwischen Fachabteilungen und IT zu ermöglichen. Sie setzt klare Prioritäten und erleichtert Entscheidungen. Und sie soll helfen, Änderungen in der ERP-Landschaft ganzheitlich zu koordinieren. Für jeden Bereich – Menschen, Prozesse, Anwendungen und Daten – und jede der sechs Projektphasen in Activate, von der Bestandsaufnahme bis zum laufenden Betrieb, wurden bestimmte KI-gestützte Werkzeuge entwickelt.

Dazu gehören WalkMe für das Enablement, Signavio für Prozessanalyse und -design, LeanIX zur Abbildung der IT-Landschaft und Cloud ALM, um Anwendungen zu verwalten und zu optimieren. Ergänzt werden sie um Partner-Tools. Alle lassen sich nach Bedarf – da, wo die größten Pain Points in Unternehmen sind – flexibel einsetzen und miteinander verbinden. Eine wichtige Komponente bei der integrierten Toolchain ist SAP Cloud ALM als Klammer, die alles zusammenhält. Sie ist weniger als ein weiteres Spezialtool anzusehen, sondern eher als steuernde und strukturierende Einheit für Planung, Umsetzung und Betrieb.

Orchestrierung mit Cloud ALM

Um die Cloud ALM einzusetzen, müssen Unternehmen die richtigen Voraussetzungen schaffen: die fachlichen und technischen Verantwortlichkeiten klar benennen, einen Owner pro Bereich (Implementierung, Betrieb, Monitoring) bestimmen, alle Projektrollen (PM, IT, Fachbereich, Partner) klar zuordnen und ihre Aufgaben klären, Zugriffe und Berechtigungen sauber einrichten, Rollen schulen und damit verbunden Guides und Best Practices entwickeln sowie sämtliche Prozesse „end-to-end“ definieren. Außerdem sollte die Cloud ALM frühzeitig im Projekt eingeplant, mit festen Meilensteinen für Aktivierung und Nutzung verbunden und auf die gesamte Timeline abgestimmt werden.

Weniger Aufwand dank KI

Eine große Rolle in der Toolchain spielt künstliche Intelligenz. Die Technologie ist in allen Werkzeugen integriert und übernimmt wiederkehrende Aufgaben wie Datenanalysen und Data Mapping, Testings und Mitarbeiterschulungen, indem sie diese automatisiert. In der Discovery-Phase ermöglicht die Funktion „Text-to-Process“ in Signavio beispielsweise, bestehende Prozessdokumentationen aus Texten oder Bildern automatisiert in Prozessmodelle zu überführen.

Das ist besonders relevant für Unternehmen, die ihre Prozesse bislang in Word-Dokumenten oder Grafiken dokumentiert haben. Ergänzend dazu schlägt die KI eigenständig Key Performance Indicators vor – etwa im kreditorischen Bereich, um Automatisierungsraten gezielt zu messen und Prozesse zu optimieren.

Kosten senken, Qualität erhöhen

In der Design- und Build-Phase lassen sich in Cloud ALM Testfälle KI-gestützt generieren und anpassen, direkt abgeleitet aus Prozessneuerungen oder -änderungen. Zum Beispiel, wenn Bezüge verloren gegangen sind, sich ein Objekt verschoben hat oder in der Entwicklung umbenannt wurde. In Kombination mit Tricentis und dessen Change-Impact-Analyse kann der Testscope auf Basis von Konfigurationsänderungen automatisch reduziert werden. Das funktioniert auch risikobasiert, mit Fokus auf kritische Prozesse wie den Monatsabschluss.

Da kleine Änderungen schnell tausende (manuelle) Testfälle nach sich ziehen können, vor allem dann, wenn diese parallel im Alt- und Neusystem anfallen, ist Automatisierung hier sehr wertvoll, um Aufwand und Kosten zu senken und gleichzeitig die Qualität zu erhöhen.

Über die reine Testautomatisierung hinaus unterstützt die Toolchain auch das Testmanagement entlang des gesamten Projektlebenszyklus. SAP Cloud ALM sorgt dabei für eine durchgängige Nachverfolgbarkeit von Anforderungen, Testfällen und Fehlern. Gemeinsam mit Tricentis lassen sich automatisierte Regressionstests etablieren, die insbesondere bei häufigen Cloud-Updates helfen, den Testaufwand deutlich zu reduzieren und gleichzeitig die Qualität zu sichern. Ergänzt wird dies durch ein strukturiertes Testdatenmanagement, das die Bereitstellung realistischer und datenschutzkonformer Testdaten vereinfacht.

Support-Tickets reduzieren

Um Mitarbeiter automatisiert rollenbasiert und in Echtzeit zu schulen und zu unterstützen, gibt es KI-basierte Apps, die mit Daten aus Signavio oder Cloud ALM Lernbedarfe erfassen, Lernprogramme vorschlagen, Inhalte erstellen und kontextbezogen Fragen beantworten. Durch die intelligente Unterstützung direkt im Workflow steigt die Datenqualität, es fallen weniger Support-Tickets an, die Navigation wird schneller und die Interaktion personalisierter.

Außerdem werden Mitarbeiterinnen und Mitarbeiter damit stärker in die Transformation eingebunden und mit Veränderungen vertraut gemacht.

Die Zukunft liegt in AI Agents, sprich KI-gestützten Agenten, die weitgehend autonom arbeiten. Um sie sicher zu koordinieren, gilt es in Hinblick auf den EU AI Act jedoch einiges zu beachten. Denn die Verordnung schafft harmonisierte Vorschriften für KI-Systeme innerhalb der Europäischen Union – und damit klare Regeln für Anbieter, Entwickler und Anwender von KI.

Obwohl sie seit 2025 in Kraft ist, fühlen sich nur wenige Unternehmen auf die Regulierung vorbereitet. Zwar arbeitet ein Großteil an einer AI Governance, doch implementierte Frameworks und eine dezidierte Governance für Agenten sind noch die Ausnahme.

Zeit, zu handeln

Seit August werden Hochrisiko-Systeme vollständig reguliert, verbunden mit strengen Anforderungen an Qualitäts- und Risikomanagement, und ab nächstem Jahr entsprechende KI-Systeme, die in regulierte Produkte eingebettet sind. Spätestens dann benötigen Unternehmen spezifische Governance-Mechanismen, die über klassische Machine Learning Operations hinausgehen, und – darüber hinaus – eine vollständige Compliance inklusive GRC-, ML-Ops- und Data-Privacy-Tools.

Wichtig zu verstehen bei dem Thema ist, was AI Agents können – was wiederum von ihrer Autonomiestufe abhängt. Agenten können einzelne Aufgaben übernehmen oder Empfehlungen geben, Aktionen überwacht ausführen, bis auf Ausnahmefälle eigenständig oder voll autonom handeln.

Unterschiede zu klassischer KI

Hier zeigen sich auch entscheidende Unterschiede zu klassischer künstlicher Intelligenz: Agenten sind in der Lage, autonom und emergent zu handeln, können via APIs mit externen Systemen interagieren, sich dynamisch verhalten und Entscheidungen sehr schnell treffen. Ein praktisches Beispiel aus dem Order-to-Cash-Bereich verdeutlicht das: Zunächst prüft der Order Agent bei einer Bestellung, ob die Daten vollständig sind und der Kunde zahlungsfähig ist.

Dann erstellt der Billing Agent die Rechnung. Der Payment Agent überwacht die Zahlung; ist sie eingegangen, übergibt er an Finance, wenn nicht, erinnert er den Kunden. Alle Agenten arbeiten autonom und in Form eines Multi-Agent-Systems.

Bis Agenten einen Mehrwert bieten, müssen allerdings noch einige Hürden genommen werden. Bisher arbeiten viele Agenten unstrukturiert, isoliert in einzelnen Apps, Teams und Projekten ohne klare Verantwortlichkeiten oder scheitern an Systemgrenzen.

AI Readiness Assessment

Das führt dazu, dass Investitionen stark steigen, Projekte aufgegeben werden und nur wenige Mitarbeitende sie effektiv nutzen.

Um dies zu verhindern, empfiehlt sich als erster Schritt ein AI Readiness Assessment, um zu analysieren, wo das Unternehmen steht, wie der Reifegrad der bestehenden KI-Landschaft ist, wo Risiken bestehen und wo es Lücken in der Governance gibt. Im zweiten Schritt wird mit Hilfe von LeanIX, Signavio und Cloud ALM das Framework in die Toolchain implementiert – im laufenden Betrieb sollte es regelmäßig überprüft, optimiert und auf Regulatoriken hin aktualisiert werden. Als Schaltzentrale für AI Agents in der Toolchain kann der AI Agent Hub dienen.

Mit seiner einheitlichen Oberfläche bietet er einen Überblick und damit Transparenz darüber, wie Agenten innerhalb von Prozessen agieren, wie sie performen, welcher Risikostufe sie angehören und was ihr Einsatz kostet. Auch bei wenigen Agenten lohnt es sich schon, den Hub einzuführen, damit sie bei steigender Anzahl kein Schattendasein führen und zum (regulatorischen) Risiko werden.

Zum Partnereintrag: