Joule auf Unternehmensdaten gründen
Stand 2026-09-03
Grounding = gesteuerte Antwort versus Halluzination. Zwei Muster: direkt (Joule ruft das DSP-Analytic-Model auf, < 2 s, 70 % der Fälle) und RAG (fünfteilige Pipeline: Corpus → Chunking+Embedding → Vektorindex → Retrieval → Synthese, 3-8 s, 30 % der Fälle). Erfahrenes Muster: DAC-Vererbung wird in den Retrieval-Filter durchgereicht — ohne das verstößt es gegen DSGVO und AI-Act Art. 10 gleichermaßen. Index-Hygiene ist die Jahr-2-Disziplin, die das Vertrauen am Leben hält.
Was Sie lernen
- Die Kernkonzepte hinter Grounding Joule on Enterprise Data verstehen
- Grounding 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
Grounding ist das, was einen Chatbot von einem Enterprise-Assistenten unterscheidet. Ein nicht gegründetes großes Sprachmodell, das nach dem Quartalsumsatz gefragt wird, erzeugt etwas Flüssiges und selbstbewusst Klingendes, weil genau das die Aufgabe des zugrunde liegenden Modells ist: plausible nächste Wörter vorherzusagen. Es hat keine Verdrahtung zu Ihrem Hauptbuch, Ihrer Vertriebspipeline oder Ihrer Kostenstellenhierarchie — eine plausibel klingende Zahl ist also nicht dasselbe wie die richtige Zahl. Ein gegründeter Joule-Skill beantwortet dieselbe Frage, indem er ein governtes Datasphere-Analytic-Model aufruft, gefiltert durch die Datenzugriffskontrollen des fragenden Nutzers, definiert durch einen Glossarbegriff, den das Business tatsächlich vereinbart hat, und über Lineage bis zum Quellsystem der Zahl zurückverfolgbar. Grounding ist die Technik mit der höchsten Hebelwirkung in Enterprise-KI für SAP-Analytics — und gleichzeitig diejenige, die unter Auslieferungsdruck am häufigsten abgekürzt wird, weil eine Demo, die sie auslässt, schnell zu bauen ist, während ein System, das sie nicht auslässt, echte Engineering-Disziplin erfordert.
Voraussetzungen
- Fortgeschrittene praktische Erfahrung in SAP-Analytics-Projekten
- Zuerst die Kernkonzepte wiederholen: C027, C024, C029
Lernergebnisse
- Ein realistisches Szenario durcharbeiten: Pharmaunternehmen, „Warum"-Fragen zu klinischen Studienergebnissen für das Medical-Affairs-Team.
- Das Anti-Muster erkennen und vermeiden: Vektorindex ohne DAC-Durchreichung — falsche Zeilen sickern durch, sowohl DSGVO als auch AI-Act Art. 10 werden verletzt.
- Die Kernentscheidung des Moduls anwenden: direktes Grounding vs. RAG — direktes Grounding für „was ist X" (analytisch) wählen; RAG für „warum" / „erkläre" (offen), nicht RAG, wenn direktes Grounding funktioniert.
- Die Beherrschung mit dem KPI verfolgen: Retrieval-Relevanz (Top-K-Genauigkeit) (Ziel: > 90 % auf dem Golden Set; Warnsignal: < 75 % = Chunking- oder Embedding-Problem).
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.