KI-taugliche Daten — Qualität, Semantik und Herkunftsnachweis
Stand 2026-09-25
Gibt erfahrenen SAP-Datenberatern eine verteidigbare Definition von „KI-tauglichen Daten“: kein Feature, sondern vier prüfbare Eigenschaften — Qualität, Semantik, Herkunftsnachweis, Berechtigung — jede an einen realen, zitierten SAP-Mechanismus gebunden. Behandelt SAPs eigene Formulierung der KI-Bereitschaft vom Mai 2026 und die Reltio-basierte Stammdatenharmonisierung, die in die Business Data Cloud einzieht; die SAP-Data-Quality-Management-Microservices für Standortdaten; das Business-Glossar und die KPI-Begriffe des SAP-Datasphere-Catalogs als die Metadaten, die JustAsks Vektorsuche buchstäblich indiziert, bevor eine Abfrage für Joule erzeugt wird; Datasphere’s Impact and Lineage Analysis (Data Analysis vs. Dependency Analysis) und ihre eingebaute Berechtigungsgrenze auf Space-Ebene; sowie das Principal-Propagation-Muster, das den Datenzugriff eines Agenten nie weiter reichen lässt als den des anfragenden Nutzers. Drei Übungen bewerten ein reales Datenprodukt, lesen ein Lineage-Diagramm und schreiben einen maschinennutzbaren Glossarbegriff. Voraussetzung für M347, M348 und M349.
Was Sie lernen
- Erklären, warum sich „KI-tauglich“ in vier prüfbare Eigenschaften auflöst — Qualität, Semantik, Herkunftsnachweis, Berechtigung — und „wir haben es durch die KI laufen lassen“ als Qualitätskontrolle zurückweisen
- Reale SAP-Datenqualitätsmechanismen benennen (SAP Data Quality Management, Microservices für Standortdaten; Reltio-basierte Stammdatenharmonisierung in der Business Data Cloud) und den jeweils adressierten Fehlermodus
- Beschreiben, was JustAsks Vektorsuche über Metadaten analytischer Modelle tatsächlich indiziert, und warum ein undokumentiertes Modell dafür unsichtbar ist
- Die Impact and Lineage Analysis von SAP Datasphere nutzen, Data Analysis von Dependency Analysis unterscheiden, um eine Spalte bis zu ihren Quellsystemen zurückzuverfolgen
- Begründen, warum der Datenzugriff eines Agenten die Space-Berechtigung eines menschlichen Nutzers erben muss statt einer weiter reichenden Serviceidentität
Modulüberblick
Für wen dieses Modul gedacht ist. Sie wissen, wie man einen Datasphere-Space oder einen BW/4HANA-InfoProvider modelliert; jetzt will ein Lenkungsausschuss wissen, ob diese Daten „KI-tauglich“ sind, bevor Joule oder ein Agent daran heran darf. Dieses Modul gibt diesem Wort eine Definition, die sich verteidigen lässt: kein Feature-Schalter, sondern drei prüfbare Eigenschaften — Qualität, Semantik und Herkunftsnachweis (Lineage) — plus die Berechtigungsgrenze, die entscheidet, wer, Mensch oder Agent, was lesen darf. Es baut auf M333 (KI- und LLM-Grundlagen) auf und führt direkt zu M347 (die Semantikschicht als LLM-Kontext), M348 (Abfrage in natürlicher Sprache) und M349 (Vektorsuche auf analytischen Daten).
Voraussetzungen
- M333 (KI- und LLM-Grundlagen für SAP-Berater) oder gleichwertiges Arbeitswissen zu Grounding und RAG
- Praktische Kenntnis mindestens eines SAP-Datenprodukts (Datasphere-Space, BW/4HANA-InfoProvider oder S/4HANA Embedded Analytics)
- Vertrautheit mit dem Datasphere Catalog und der Space-basierten Berechtigung, oder Bereitschaft, einen Test-Tenant zu erkunden
Lernergebnisse
- Ein reales Datenprodukt anhand einer vierteiligen KI-Bereitschafts-Checkliste (Qualität, Semantik, Herkunftsnachweis, Berechtigung) bewerten und jede Bewertung begründen.
- Die Herkunft einer Spalte über Datasphere’s Impact and Lineage Analysis nachvollziehen und erklären, was Dependency Analysis zeigen würde und was nicht.
- Einen Business-Glossarbegriff so strukturiert schreiben, wie JustAsks Retrieval-Schritt ihn tatsächlich konsumiert.
- Einem Kunden ohne Schönfärberei erklären, warum ein ungesteuertes Datenprodukt selbstsicher falsche Agentenantworten erzeugt.
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.