SAP Knowledge Graph: Wenn Beziehungen zu Daten werden

Eine Ontologie für das Autonomous Enterprise

Knoten (Nodes) repräsentieren reale Geschäftsobjekte wie Kunden, Standorte, Bestellungen oder Rechnungen, während Kanten (Edges) die expliziten Beziehungen zwischen diesen Einheiten beschreiben (z. B.: Kunde A initiiert Bestellung B). Auf dieser Struktur baut das formale Modell der Wissensrepräsentation (Properties) auf – die sogenannte Ontologie. Sie definiert standardisierte Begriffe, Hierarchien und Regeln für das gesamte Unternehmen.

Technisch wird dieses Wissen meist über das Resource Description Framework (RDF) in Form von Tripeln abgebildet, die einer klaren grammatikalischen Struktur aus Subjekt, Prädikat und Objekt folgen (z. B.: Lieferant X liefert Produkt Y). Ein solcher Wissensgraph ist im Gegensatz zu einer bloßen SQL-Tabelle sowohl für Menschen als auch für Maschinen logisch interpretierbar.

SAP Hana Cloud Vector Engine

Hierbei ist die Abgrenzung zu Vektordatenbanken (wie der SAP Hana Cloud Vector Engine) von elementarer Bedeutung. Eine Vektordatenbank transformiert unstrukturierte Daten in mehrdimensionale numerische Vektoren (Embeddings). Hierbei können Räume mit hunderten Dimensionen entstehen – für den Computer eine Leichtigkeit, für Menschen jedoch unvorstellbar: Bei vier Dimensionen ist meistens Schluss – drei räumliche und die vierte Dimension für die Zeit.

Beziehungen zwischen Datenpunkten werden in mehrdimensionalen Räumen rein mathematisch über räumliche Abstände (wie die Kosinus-Ähnlichkeit oder euklidische Distanzen) berechnet. Dies eignet sich hervorragend für die Ähnlichkeitssuche in unstrukturierten Texten (Retrieval-Augmented Generation, RAG), bleibt jedoch für den Anwender eine mathematische Black Box, da die berechneten Beziehungen implizit entstehen und nicht logisch erklärbar sind.

Ein Knowledge Graph hingegen definiert Beziehungen explizit, transparent und regelbasiert. Während Vektoren die mathematische Assoziation der KI abbilden, verkörpert der Knowledge Graph deren logisches und erklärbares Regelwerk.

Native Graph-Integration in SAP Hana Cloud

Lange Zeit war der praktische Einsatz von Graphendatenbanken in der SAP-Welt durch einen schmerzhaften Medienbruch gekennzeichnet. Wer komplexe Beziehungsnetzwerke analysieren wollte, musste die Daten mühsam aus dem ERP-System extrahieren und in spezialisierte Drittsysteme wie Neo4j überführen. Mit dem strategisch Hana-Update im ersten Quartal 2025 hat SAP diese funktionale Lücke geschlossen. Die In-Memory-Datenbank Hana Cloud bietet seither nativen Support für das Speichern von und die Suche in Knowledge Graphs.

Die Datenbank greift dabei auf die etablierte RDF-Syntax und die Abfragesprache SPARQL zurück. Der größte architektonische Vorteil dieses „Multi-Model“-Ansatzes liegt in der direkten Kombinierbarkeit: Entwickler können relationale SQL-Daten nahtlos mit Graph-Daten in einer einzigen Abfrage verknüpfen oder über Joins verbinden, ohne dass Daten repliziert werden müssen.

SAP Knowledge Graph und SAP Virtual Data Models

Auf dieser integrierten Datenbank-Engine baut der übergeordnete SAP Knowledge Graph auf. Er greift auf das umfassende Metadaten-Wissen des SAP Virtual Data Models (VDM) zu und erstellt eine Ontologie, die die inhärenten Geschäftsbeziehungen aus S/4 darstellt. Für den KI-Assistenten Joule und autonome Agenten fungiert dieser Graph als Kompass. Wenn ein Anwender Joule in natürlicher Sprache auffordert: „Zeige mir überfällige Bestellungen“, muss die KI die Tabellenstrukturen nicht mehr erraten. Der Knowledge Graph navigiert durch das semantische Netz, identifiziert die korrekten Whitelisted APIs, setzt die passenden Filterparameter und konstruiert eine präzise Abfrage. Das Risiko ungenauer oder irrelevanter Ergebnisse wird dadurch im Vergleich zu reinen LLM-Ansätzen drastisch minimiert.

So elegant das Konzept in der Theorie klingt, so offenbart die Praxis die Hürden und Risiken dieser Technik für den SAP-Bestandskunden: Ein funktionierender, unternehmensweiter Knowledge Graph ist kein schlüsselfertiges Produkt, sondern das Ergebnis eines hochkomplexen Modellierungsprozesses. Die Erstellung und kontinuierliche Pflege von Ontologien und Graph-Strukturen erfordert tiefes semantisches Know-how und bindet erhebliche IT-Ressourcen. Wer glaubt, die Software erledige die semantische Strukturierung vollautomatisch, unterschätzt die Komplexität individuell angepasster Prozesse und historisch gewachsener Custom-Tabellen massiv.

Datenqualität, Capacity Units und API Policy

Ein Knowledge Graph ist kein Heiler für schlechte Datenqualität. Wenn das grundlegende Datenfundament im ERP-System lückenhaft, veraltet oder inkonsistent ist, liefert auch der intelligenteste Graph nur perfekt strukturierte Falschaussagen. Komplexe Graph-Analysen (wie Pfad- und Schleifensuchen) über hochgradig vernetzte, massive transaktionale Datenbestände sind rechenintensiv. In-Memory-Datenbanken stoßen bei solchen Operationen schnell an ihre physikalischen Grenzen, was die Hardware-Kosten für Hana-Cloud-Instanzen unbarmherzig in die Höhe treiben kann.

Technisch ist der Knowledge Graph hervorragend konzipiert, doch kommerziell dient er SAP als strategische Mautstation. Um den vollen Nutzen der Graph-Technik zu erschließen, zwingt SAP seine Bestandskunden in das restriktive Ökosystem der Business Data Cloud (SAP BDC) und der Business Technology Platform (BTP oder BAIP, Business AI Platform). Über verbrauchsbasierte Abrechnungsmodelle (Capacity Units) und restriktive API-Richtlinien versucht SAP, die Lufthoheit über die Geschäftskontexte der Bestandskunden zu behalten und den unlizenzierten Abfluss dieser wertvollen Metadaten zu mächtigen, günstigeren KI-Plattformen von Drittanbietern oder Hyperscalern systematisch zu blockieren.

Souveräne Alternativen jenseits des ERP-Monopols

SAP-Bestandskunden müssen sich dieser monopolistischen Umklammerung jedoch nicht kampflos ergeben. Der Markt für datenbankspezifische KI-Abfragen und semantische Layer entwickelt sich rasant und bietet potente, herstellerunabhängige Alternativen:

Werkzeuge wie vanna.AI bieten flexible Frameworks, um Sprachmodell-Applikationen direkt an bestehende SQL-Datenbanken (von Snowflake über PostgreSQL bis hin zu Oracle) anzubinden. Durch das Hinzufügen von DDLs, Dokumentationen und historischen Beispiel-Queries lernt das System die semantischen Zusammenhänge, ohne dass eine hochpreisige SAP-Infrastruktur lizenziert werden muss.

Das Framework WrenAI zeigt eindrucksvoll, wie sich ein semantisches Modell direkt über einen grafischen Editor aufbauen lässt, in dem Tabellen als Knoten und Beziehungen als Kanten definiert werden. WrenAI übersetzt diesen Knowledge Graph in ein standardisiertes Format, das redundante und ambivalente Abfragen verhindert und präzise SQL-Befehle generiert – ganz ohne den teuren Umweg über den SAP BTP Generative AI Hub oder Datasphere.

Auch spezialisierte Graph-Plattformen wie Graphwise mit GraphDB demonstrieren, wie sich unternehmensweite Knowledge-Graph-Systeme auf Basis offener Standards (RDF, OWL, SPARQL) etablieren lassen. Diese Systeme können heterogene Datenquellen orchestrieren und über intelligente Plugins (wie den ChatGPT Retrieval Connector) direkt mit modernen Sprachmodellen verknüpft werden, während die sensible Datenhoheit vollständig im eigenen Zugriffsbereich verbleibt.

Persönliches Fazit für die SAP-Community

Der Knowledge Graph ist zweifellos das technisch überlegene Paradigma für die Zukunft der Unternehmens-KI, da er die dringend benötigte Brücke zwischen der stochastischen Unschärfe von Sprachmodellen und der deterministischen Präzision betriebswirtschaftlicher ERP-Systeme schlägt. Doch als vorsichtiger SAP-Bestandskunde sollten Sie die Einführung dieser Technik von der kommerziellen Plattform-Doktrin der SAP entkoppeln. Nutzen Sie die multimodalen Fähigkeiten der Hana Cloud Graph Engine zur sauberen Strukturierung Ihrer Daten. Aber wehren Sie sich konsequent dagegen, Ihre gesamte unternehmensweite semantische Landkarte exklusiv in die teure Lizenzfalle der SAP BTP einzusperren. Die Zukunft gehört offenen, interoperablen Datenräumen, in denen das Unternehmen die absolute Souveränität über seinen geschäftlichen Kontext und seine künstliche Intelligenz behält.