Konzeptkarte

BARC — Lessons from the Leading Edge: Erfolgreiche Umsetzung von AI/GenAI

Stand 2026-07-24T14:00:00Z

Redaktion: Cédric-Olivier Mâry, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Was ist BARC — Lessons from the Leading Edge: Erfolgreiche Umsetzung von AI/GenAI?

Die Auswahl des Use Case ist die wirkungsvollste Einzelentscheidung bei der KI-Umsetzung — fünf konkrete Kriterien trennen einen Use Case mit hoher Erfolgswahrscheinlichkeit von den vorhersehbaren Fehlermustern, die Enterprise-KI-Projekte immer wieder scheitern lassen.

BARCs „Lessons from the Leading Edge“ destilliert ein Muster, das sich mittlerweile jeder SAP-Analytics-Berater verinnerlichen muss: Enterprise-KI- und generative-KI-Initiativen scheitern weit häufiger, als dass sie gelingen, und die Fehlermuster sind weder zufällig noch mysteriös — sie wiederholen sich über Branchen, Anbieter und Use Cases hinweg auf eine Weise, die vermeidbar ist, wenn ein Delivery-Team weiß, worauf es achten muss, bevor Budget gebunden wird.

Warum KI-Delivery anders scheitert als konventionelle Software

Konventionelle Enterprise-Softwareprojekte scheitern aus bekannten Gründen — Scope Creep, schwaches Sponsoring, schwache Anforderungen. KI-Systeme fügen eine eigene Fehlerfläche obendrauf hinzu: Sie degradieren lautlos, wenn die Datenverteilung, auf der sie gebaut wurden, von den Daten abdriftet, denen sie in der Produktion begegnen; sie erzeugen selbstbewusst falsche Antworten (Halluzination) unter Bedingungen, die zur Entwurfszeit schwer vorherzusehen sind; und ihr realisierter Wert hängt von einem menschlichen Adoptionsverhalten ab — wird der Fachexperte dem Output tatsächlich vertrauen und danach handeln —, das Projektpläne routinemäßig überschätzen. Die Lücke zwischen einem beeindruckenden Prototyp-Demo und einem Produktionssystem, das sechs Monate später weiterhin Wert liefert, ist bei KI größer als bei fast jeder anderen Softwarekategorie — genau deshalb gehört das Verständnis dessen, was die beiden trennt, zu den kommerziell wertvollsten Urteilsleistungen, die ein Berater einem Kunden bieten kann.

Warum es zählt

Die fünf Erfolgskriterien sind konkret, nicht generisch: eine abgegrenzte Aufgabe mit klaren Erfolgskriterien, ausreichendes historisches Datenvolumen, ein verfügbarer Fachexperte als Bewerter, erkennbare/behebbare Fehler, und Ergänzung statt Ersatz menschlichen Urteilsvermögens.
Die benannten Fehlermuster sind ebenso konkret: vollständig autonome folgenreiche Entscheidungen ohne menschliches Review, spärliche/unstrukturierte Daten unbekannter Qualität, Use Cases, die aus technischem Interesse statt Geschäftswirkung gewählt werden, und Erfolg, der als „das Modell ist genau“ statt „das Geschäftsergebnis hat sich verbessert“ definiert wird.
Speziell für SAP-Analytics werden starke Startkandidaten benannt: automatisierte Narrativgenerierung aus strukturierten Finanz-/Betriebsberichten, intelligente Suche über Wissensbasen, Anomalieerkennung und natürlichsprachliche Abfragen über governierte semantische Schichten wie Joule-über-Datasphere.

Kernpunkte

BARC-Forschung mit Fokus auf tatsächliche produktive AI/GenAI-Umsetzung (nicht Pilotprojekte).
Leading-Edge-Stichprobe = selbstselektierte Organisationen mit hoher Reife.
Deckt sowohl klassische KI- als auch GenAI-Delivery-Muster ab.
Bildet die Joule- + Knowledge-Graph-Delivery-Welle ab, in die SAP-Kunden gerade eintreten.
Konkrete Erkenntnisse liegen hinter einer Paywall — die Karte dient als Gesprächsanker, nicht zum Zitieren von Prozentzahlen.
BARC — Lessons from the Leading Edge: Successful Delivery of AI/GenAI ist erst gemeistert, wenn es eine benannte Kaufentscheidung verändert.
Beginnen Sie mit dem semantischen Vertrag und dem Kontrollmodell, bevor Sie das Tool vorführen.
Nutzen Sie aktuelle SAP-, Analysten-, Studien-, KG- und News-Signale als Beleg, nicht als Dekoration.
Trennen Sie verifizierte Fakten von richtungsweisenden Trends und modellierten Annahmen.
Definieren Sie Owner, Kennzahl, Schwellenwert, Support-Pfad und Rollback, bevor Sie skalieren.

Begriffe auf dieser Seite

Leading-Edge-Stichprobe: BARCs selbstselektierte Teilstichprobe von Organisationen, die AI/GenAI bereits produktiv im Einsatz haben — im Unterschied zu Pilotprojekten. Wird genutzt, um Delivery-Lektionen zu ziehen, denen der breitere Markt noch nicht begegnet ist.
Delivery-Modell: Das Betriebsmodell, das ein AI/GenAI-Produkt in der Produktion umgibt: Change Management, Vertrauensaufbau, Datenqualitätskontrollen, Governance-Prozess und Model-Lifecycle-Management. Getrennt von der ML/LLM-Technologie selbst.
GenAI: Generative AI — KI-Systeme, die aus Prompts Text, Code oder strukturierten Output erzeugen. Im SAP-Kontext: Joule, Joule for Consultants und die in BDC eingebetteten KI-Copiloten.
Entscheidungsverantwortlicher: Die verantwortliche Person, die den Trade-off akzeptiert und die nächste Maßnahme finanziert.
Semantischer Vertrag: Die gemeinsame Definition von Geschäftsbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.
Kontrollebene: Die Schicht, die Richtlinien, Zugriff, Lineage, Monitoring und Eskalation über das Betriebsmodell hinweg anwendet.
Evidenzgrad: Eine Kennzeichnung, die verifizierte Fakten, richtungsweisende Signale, modellierte Annahmen und Feldbeobachtungen voneinander trennt.
Adoptionskennzahl: Das messbare Verhalten, das belegt, dass das Konzept die tatsächliche Arbeit nach dem Go-Live verändert hat.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →