Konzeptkarte

SAP AI Foundation Vector Store

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 SAP AI Foundation Vector Store?

Das Unterscheidungsmerkmal ist nicht die RAG-Fähigkeit an sich – die hat jeder Anbieter –, sondern dass Zugriffskontrollattribute bereits beim Retrieval durchgesetzt werden und so das Risiko eines mandantenübergreifenden Datenlecks schließen, das die meisten Enterprise-RAG-Einführungen blockiert.

Worum es geht

Ein Vector Store ist das Gedächtnis, auf das ein KI-Agent zurückgreift, wenn er Fakten benötigt, die ihm nie antrainiert wurden. Der SAP AI Foundation Vector Store ist SAPs verwaltete Antwort auf diesen Bedarf: eine in die SAP Business AI Platform integrierte Vektordatenbank, mit der Joule-Agenten, kundenspezifische BTP-Anwendungen und jeder in Joule Studio gebaute Workflow semantisch relevante Ausschnitte von Unternehmensinhalten abrufen können — Verträge, HR-Richtlinien, Bestellungen, Produktdokumentation, Beschreibungen der Datasphere-Business-Schicht — ohne dass ein Projektteam eine separate Datenbank wie Pinecone, Weaviate, Qdrant oder eine selbstverwaltete pgvector-Instanz innerhalb von HANA Cloud aufsetzen und betreiben muss.

Warum es zählt

Macht das Aufsetzen und separate Absichern einer Vektordatenbank (Pinecone, Weaviate, Qdrant, pgvector) überflüssig
Ein aus einem vertraulichen HR-Dokument abgeleiteter Vektor wird nur an eine Anfrage von einem Principal mit passender Zugriffskontrollrolle zurückgegeben
Das Hosting in derselben Region wie Datasphere und SAC erfüllt die DSGVO-Datenresidenz sowie die Pflichten nach Artikel 10 des EU AI Act für Grounding-Daten

Kernpunkte

Verwaltete Vektordatenbank auf der SAP BTP — keine Pinecone-/Weaviate-/Qdrant-Infrastruktur bereitzustellen; Preisgestaltung nach gespeicherten Vektoren und Retrieval-Operationen.
Standard-RAG-Pipeline: chunken + embedden (Embedding-Modelle von SAP AI Core) → speichern mit Zugriffskontrollattributen → Top-K bei der Inferenz abrufen → über das Model Gateway an das LLM übergeben.
Sicherheit: Zugriffskontrollattribute werden zum Zeitpunkt des Retrievals durchgesetzt — vertrauliche HR-Vektoren werden nur an Principals mit passenden SAP-Zugriffskontrollrollen zurückgegeben.
DSGVO-Datenresidenz: Der Vector Store läuft in derselben SAP-BTP-Region wie Datasphere/SAC — erfüllt die EU-Datenresidenz und die Data-Governance-Anforderungen nach Art. 10 EU AI Act.
Ergänzend zum Knowledge Graph: Knowledge Graph = strukturiertes Entity-Grounding; Vector Store = unstrukturiertes Dokumenten-Grounding.
Native Joule-Studio-Integration: Der Vector-Store-Connector ist ein fertiger First-Class-Schritt in der Agenten-Workflow-Oberfläche.
Pilotpreise: ~200-400 €/Monat für 50.000 Dokumente; im Produktionsmaßstab 2.000-5.000 €/Monat gegenüber höheren Kosten für selbstverwaltete Äquivalente.
Der SAP AI Foundation Vector Store ist erst dann beherrscht, wenn er eine konkret benannte Kaufentscheidung verändert.
Vor der Tool-Demonstration mit dem semantischen Vertrag und dem Kontrollmodell beginnen.
Aktuelle Signale aus SAP-Quellen, Analystenberichten, Studien, dem Knowledge Graph und News als Beleg nutzen, nicht als Dekoration.

Begriffe auf dieser Seite

RAG (Retrieval-Augmented Generation): Architekturmuster, das LLM-Antworten verbessert, indem zum Zeitpunkt der Inferenz relevante Dokument-Chunks aus einer Vektordatenbank abgerufen und als Grounding-Kontext in den LLM-Prompt aufgenommen werden — reduziert Halluzinationen und ermöglicht wissensaktuelle Antworten.
Embedding: Eine dichte numerische Vektordarstellung eines Text-Chunks, die dessen semantische Bedeutung erfasst — ähnliche Bedeutungen erzeugen ähnliche Vektoren und ermöglichen so eine semantische (statt schlagwortbasierte) Suche.
Chunk: Ein Teilabschnitt eines Dokuments (typischerweise 200-500 Token), der während der RAG-Ingestion-Pipeline erzeugt wird; jeder Chunk wird unabhängig eingebettet und zusammen mit den Metadaten seines Quelldokuments gespeichert.
Zugriffskontrollattribut: Ein Metadatenfeld, das mit jedem Vektor im SAP AI Foundation Vector Store gespeichert wird und zum Zeitpunkt des Retrievals mit den SAP-Rollen des anfragenden Principals abgeglichen wird — verhindert mandanten- und rollenübergreifende Datenlecks.
Entscheidungsverantwortlicher: Die verantwortliche Person, die den Trade-off akzeptiert und die nächste Aktion finanziert.
Semantischer Vertrag: Die gemeinsame Definition von Geschäftsbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.
Kontrollebene: Die Ebene, die Policy, Zugriff, Lineage, Monitoring und Eskalation über das 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 →