Wann man keinen Agenten braucht: Regeln, Situation Handling, ML oder LLM in S/4HANA und SAP BTP
Stand
Hinter den meisten Anfragen nach einem KI-Agenten in einem SAP-Projekt steckt ein einfacherer Bedarf. Dieses Modul bietet eine Leiter mit vier Sprossen: eine Regel, eine Benachrichtigung, eine Vorhersage, eine Generierung. Es vergleicht Situation Handling in S/4HANA, Intelligent Situation Automation, Entscheidungen in SAP Build Process Automation, ISLM und Machine Learning sowie Joule Skills und Agenten nach Kosten, Determinismus, Prüfspur und Fehlerbildern, gestützt auf SAP-Learning-Seiten, Developer-Tutorials, den AI Golden Path des SAP Architecture Center und die SAP-AI-Core-Dokumentation. Sie bauen eine Entscheidungstabelle, belegen identische Ergebnisse und entscheiden dann, welche Punkte einer realistischen Anfrage ein LLM brauchen. Die Antwort lautet meist: einer, und eine Person versendet das Ergebnis weiterhin.
Was Sie lernen
- Jede Anforderung auf einer Leiter mit vier Sprossen (Regel, Benachrichtigung, Vorhersage, Generierung) einordnen und die Sprosse begründen
- Einen Situation-Handling-Typ aus einer Vorlage konfigurieren und benennen, was Intelligent Situation Automation hinzufügt
- Eine Entscheidungstabelle in SAP Build Process Automation bauen und ihren Determinismus mit sechs Testfällen belegen
- Kosten, Determinismus, Prüfspur und Fehlerbilder von Regeln, ISLM, Joule Skills und Agenten vergleichen
- Eine einseitige Empfehlung schreiben, die Regeln als Werkzeuge behält und das LLM auf Sprache beschränkt
Überblick
Der günstigste Agent ist der, den man nicht baut. Bevor ein Joule-Agent, eine generierte Antwort oder ein trainiertes Modell in einen SAP-Prozess einzieht, stellt ein Senior Consultant eine einzige Frage: Welche Art von Ergebnis braucht dieser Schritt? Ist das Ergebnis eine feste Antwort auf feste Eingaben, liefert eine Regel sie kostenlos und jedes Mal gleich. Ist es ein Hinweis an eine Person, genügt eine Benachrichtigung. Ist es eine aus der Historie gelernte Zahl, übernimmt ein Machine-Learning-Modell. Nur bei Sprache oder bei einem Plan, der sich vorab nicht aufschreiben lässt, braucht es ein LLM oder einen Agenten. Der AI Golden Path von SAP sagt dasselbe: Sein Technology Decision Tree fragt zuerst, ob „process optimization or traditional automation“ das Problem „more effectively“ löst, bevor irgendeine KI gewählt wird (Technology Decision Tree, gelesen am 5. November 2026).
Dieses Modul ist das Entscheidungsmodul des Lernpfads. Es vergleicht fünf Mechanismen, die in einer SAP-Landschaft vorkommen und regelmäßig verwechselt werden:
Voraussetzungen
- Ein SAP-Build-Process-Automation-Tenant (Trial oder produktiv) für das Labor
- Grundkenntnisse zu SAP-S/4HANA-Geschäftsrollen und zum Fiori Launchpad
- Die Nachbarmodule M369, M373 und M341 gelesen oder griffbereit für die Bauseite
Lernergebnisse
- Erklären, warum eine Compliance-Kontrolle nicht auf einer Situation-Handling-Benachrichtigung beruhen darf
- Das Labor nachvollziehen: Die Fälle 1 und 2 liefern SO_APPROVER, die Fälle 3, 5 und 6 liefern SO_MGMNT, Fall 4 liefert ein leeres Ergebnis
- Benennen, was die Quellen zu Intelligent Situation Automation dokumentieren und was sie offenlassen
- Zwischen sap-rpt, klassischem ML mit PAL oder APL und einem LLM für eine gegebene Datenform wählen
- Den Prüfnachweis jeder Sprosse benennen und sagen, wer ihn einschalten muss
Vollständiges Modul im Consultant-Tarif — 19,90 €/Monat. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.
Offene SAP-Projekte
Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.