Konzeptkarte

Multimodale Foundation-Modelle und SAP-Integration

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 Multimodale Foundation-Modelle und SAP-Integration?

Multimodale Modelle schließen den blinden Fleck in SAP, an dem die schwierigsten Entscheidungen — Rechnungsausnahmen, Außenhandels-Compliance-Kennzeichen, Anlagenkritikalität — das gemeinsame Lesen eines tabellarischen Datensatzes und eines angehängten Bildes erfordern, wozu regelbasierte Systeme und Modelle mit nur einer Modalität nicht in der Lage sind.

Worum es geht

Ein multimodales Foundation-Modell liest und schreibt mehr als eine Art von Signal — Text, Bilder, Audio, manchmal strukturierte Tabellen — innerhalb eines einzigen Forward Pass durch ein einziges Netzwerk. Diese Eigenschaft des einzigen Netzwerks unterscheidet es vom älteren Muster, eine OCR-Engine, einen separaten Vision-Klassifikator und ein Textmodell mit brüchigem Klebe-Code dazwischen zusammenzustückeln. Die drei Modelle, denen ein SAP-Berater am häufigsten begegnet, sind GPT-4o, Gemini 1.5/2.0 und die Claude-3.x-Familie, und obwohl ihre Benchmarks sich unterscheiden, ist die architektonische Idee dieselbe: Text, Bild-Patches und manchmal Audio-Frames werden alle in Token umgewandelt, die im selben Embedding-Raum leben, und ein gemeinsamer Attention-Mechanismus lässt jedes Token auf jedes andere Token zugreifen, unabhängig davon, aus welcher Modalität es stammt. Das ist der eigentliche Fähigkeitssprung — nicht, dass das Modell „sehen“ kann, sondern dass es in einem einzigen Inferenzschritt gemeinsam über ein Bild und einen Absatz schlussfolgern kann.

Warum es zählt

Die Kombination von gebuchter Rechnungszeile, zugeordneter Bestellung und gescanntem Bild in einem einzigen GPT-4o-Prompt über SAP AI Core senkt die manuelle Ausnahmeprüfung in frühen Pilots um 60-70 %.
Die gemeinsame Auswertung von Produktfotos und HS-Code-Zertifikaten in SAP Global Trade Services senkt das Fehlklassifizierungsrisiko um rund 15 % gegenüber reinem Text-NLP.
Die drei dominanten Modelle von 2026 unterscheiden sich in der Modalität: Nur Gemini und GPT-4o verarbeiten Audio nativ, Claude ist nur Text+Vision — eine echte Einschränkung bei der Modellwahl für audio-einschließende Workflows.

Kernpunkte

GPT-4o, Gemini 1.5 Pro, Claude 3.5 Sonnet sind die drei dominanten multimodalen Modelle im SAP-Integrationskontext (2026).
Wichtigster SAP-Anwendungsfall: Bearbeitung von AP-Rechnungsausnahmen — Bild + Bestellung + GL-Datensatz gemeinsam eingereicht, 60-70 % weniger manuelle Prüfung.
Kosten: 5-20× höher pro Aufruf als ein reines Text-LLM; Latenz bei bildtragenden Prompts 2-5× länger.
Der Generative AI Hub von SAP AI Core unterstützt gemanagte Endpoints für GPT-4o, Claude, Gemini innerhalb der SAP-Vertrauensgrenze.
Joule multimodal (Bildanhänge im Chat) — Preview Q2 2026, gemäß SAP-Roadmap.
Multimodale Foundation-Modelle und SAP-Integration ist erst beherrscht, wenn sie die Entscheidung eines konkret benannten Buyers verändert.
Zuerst den semantischen Vertrag und das Kontrollmodell klären, bevor das Tool vorgeführt wird.
Aktuelle SAP-, Analysten-, Studien-, KG- und News-Signale als Beleg nutzen, nicht als Dekoration.
Verifizierte Fakten klar von richtungsweisenden Trends und modellierten Annahmen trennen.
Vor dem Skalieren Owner, Kennzahl, Schwellenwert, Support-Pfad und Rollback festlegen.

Begriffe auf dieser Seite

GPT-4o: OpenAIs Omni-Modell (GA Mai 2024) — verarbeitet Text-, Bild- und Audio-Token nativ in einem einzigen Forward Pass, ohne Modalitäts-Konvertierungsadapter.
Gemini 1.5 Pro: Multimodales Google-DeepMind-Modell mit einem Kontextfenster von 1 Mio. Token, das Text, Bild, Video, Audio und Code in einem einzigen Prompt unterstützt.
Modalitätsübergreifendes Schlussfolgern: Die Fähigkeit eines Modells, Schlüsse zu ziehen, die gleichzeitig Evidenz aus zwei oder mehr Modalitäten erfordern — z. B. eine Diskrepanz zwischen einem gedruckten Rechnungsbetrag (Bild) und einem gebuchten GL-Betrag (Text) zu erkennen.
SAP AI Core: SAP-BTP-Service zum Hosten und Aufrufen von KI-Modell-Endpoints innerhalb der SAP-Vertrauensgrenze — unterstützt gemanagte Deployments von GPT-4o, Claude, Gemini über den Generative AI Hub.
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 Policy, Zugriff, Lineage, Monitoring und Eskalation über das gesamte Betriebsmodell hinweg durchsetzt.
Evidenzgrad: Eine Kennzeichnung, die verifizierte Fakten, richtungsweisende Signale, modellierte Annahmen und Feldbeobachtungen voneinander unterscheidet.

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 →