SAP AI Core & AI Launchpad
Stand 2026-09-03
AI Core = Laufzeitumgebung · AI Launchpad = Cockpit. 4 Aufgaben: Inferenz · Training · GenAI Hub · Modellregister. GenAI Hub ist der EU-AI-Act-Ankerpunkt (ein einziges Audit-Log, SAP-Abrechnung) — direkte OpenAI-Integration verletzt die Datengovernance nach Art. 10. Erfahrenes Muster: Ressourcengruppe pro Domäne, Staging→Prod-Gate, Budget-Alerts je Skill ab Woche 1, Audit-Log-Export für das Art.-11-Dossier.
Was Sie lernen
- Erklären, was AI Core tatsächlich ausführt — Inferenz, Trainings-Orchestrierung, GenAI-Hub-Proxys, Modellregister — und warum AI Launchpad das Governance-Cockpit ist, nicht nur eine Oberfläche
- AI Core in einem typischen SAP-Analytics-Engagement anwenden
- Die 3-5 häufigen Fehler erkennen und wissen, wie man sie vermeidet
- Diesen Skill in der eigenen persönlichen Marke und im Tagessatz-Gespräch positionieren
Modulüberblick
SAP AI Core ist die Laufzeitumgebung; AI Launchpad ist das Cockpit. AI Core hostet und bedient Modelle — sowohl SAP-eigene (Joule, Embedding-Services) als auch mitgebrachte (individuelle Hugging-Face-Modelle, OpenAI-Proxys, Anthropic-Proxys). AI Launchpad ist die BTP-Oberfläche zur Verwaltung von Deployments, Monitoring und Governance.
Die 4 Dinge, die AI Core tatsächlich tut.
- Inference Serving — REST-Endpunkte für Modellaufrufe (Chat, Completion, Embedding, Klassifikation).
- Trainings-Orchestrierung — Fine-Tuning + RAG-Pipeline-Läufe gegen governte Daten.
- Generative AI Hub — vorgefertigte Proxys zu OpenAI, Anthropic, AWS Bedrock, Google Vertex (mit SAP-verwalteter Abrechnung + Audit).
- Modellregister + Versionierung — jedes Modell-Deployment wird mit Metadaten für das Art.-11-Dossier versioniert.
Warum das einen Senior-Berater interessiert. Ohne AI Core + Launchpad ist jede KI-Funktion eine Einmalintegration ohne Governance. Mit ihnen gilt: Inferenz ist eine Fähigkeit, die die Plattform bereitstellt, Deployments sind auditierbar, Kosten sind pro Geschäftseinheit zuordenbar, und die EU-AI-Act-Art.-11-Dokumentation ergibt sich natürlich aus dem Register.
Voraussetzungen
- Fortgeschrittene praktische Erfahrung in SAP-Analytics-Projekten
- Zuerst die Kernkonzepte wiederholen: C033, C026, C008
Lernergebnisse
- Ein realistisches Szenario durcharbeiten: europäischer Handelskonzern, Deployment von Joule + 1 RAG-Flow + 2 GenAI-Hub-Anwendungsfällen (Kampagnentexte + Zusammenfassung von Kunden-E-Mails). 6-wöchiges Setup.
- Das Anti-Muster erkennen und vermeiden: direkte OpenAI/Anthropic-API außerhalb des GenAI Hub — Lücke im Art.-10-Audit-Log; Nachweis der Datengovernance fehlt.
- Die Kernentscheidung des Moduls anwenden: generisches LLM über GenAI Hub vs. SAP-Joule-Modell — Joule für SAP-native Fragen wählen; GenAI Hub für allgemeines Reasoning + Zusammenfassung.
- Die Beherrschung mit dem KPI verfolgen: Kosten pro Skill, wöchentlich (Ziel: stabil ± 15 % WoW; Warnsignal: > 50 % WoW-Spitze = außer Kontrolle geratener Prompt oder Scope Creep).
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.