Konzeptkarte

Vom SAP-Analytics-Berater zum SAP-KI-Spezialisten — die Kompetenzkarte

Stand 8. November 2026

„Vom SAP-Analytics-Berater zum SAP-KI-Spezialisten“ – worum geht es?

Der Abstand von SAP Analytics zu SAP AI ist kürzer, als es die meisten Jobtitel vermuten lassen: Ein Datasphere- oder SAC-Berater besitzt bereits die zwei schwierigsten Zutaten, die ein generatives KI-Projekt braucht — ein sauberes semantisches Modell und geerdete, geregelte Daten. Was fehlt, ist ein konkretes, erlernbares Set: Prompt-/Orchestrierungsmechanik, die Zertifizierung, die es belegt (C_AIG_2604, eine dreistündige systembasierte Prüfung, 76 % Bestehensgrenze), und das Urteilsvermögen, um zu wissen, wann ein tabellarisches Modell, ein klassisches HANA-PAL/APL-Modell oder ein LLM zur Aufgabe passt.

Warum die Distanz kürzer ist, als es die Jobtitel vermuten lassen

Das Reskilling-Gespräch startet meist von einer falschen Annahme: dass ein SAP-Analytics-Berater — Datasphere, SAC, BW/4HANA, BDC — eine KI-Karriere bei null beginnt. Das stimmt nicht. Ein generatives KI-Projekt auf SAP-Daten steht und fällt mit zwei Dingen, die nichts mit Prompting zu tun haben: einer semantischen Schicht, sauber genug, damit ein LLM zuverlässig darüber schlussfolgern kann, und Grounding-Daten, die tatsächlich zugänglich, geregelt und berechtigt sind. Ein Datasphere-Berater, der zwei Jahre damit verbracht hat, Analysemodelle mit sauberen Joins, fachlich verständlicher Benennung und Row-Level-Security zu bauen, hat bereits den schwierigsten Teil dessen geleistet, was über Erfolg oder Misserfolg eines Joule- oder Generative-AI-Hub-Einsatzes entscheidet. Was dieser Berater noch nicht getan hat, ist, die Mechanik zu lernen, die speziell für die generative Schicht gilt: wie sich ein Prompt-Template, ein Grounding-Filter und eine Maskierungsregel zu einer Orchestrierungspipeline zusammensetzen, und wie man über das Verhalten eines Modells statt über die Struktur eines semantischen Modells nachdenkt. Die Kompetenzkarte unten benennt genau diese Lücke, und nur diese — kein Curriculum von Grund auf.

Warum es zählt

Der schwierigste Teil eines generativen KI-Projekts auf SAP-Daten — ein sauberes semantisches Modell, geregelte Grounding-Daten — besitzt ein erfahrener Datasphere- oder SAC-Berater bereits; die Reskilling-Lücke ist schmaler und leichter erlernbar als ein KI-Karrierewechsel von Grund auf.
C_AIG_2604 ist eine praktische, systembasierte Bauübung, kein Trivia-Test — sie belohnt jemanden, der bereits in Pipelines denkt, was ein Analytics-Berater täglich tut.
Die einzige wirklich neue Gewohnheit ist Evaluierungsdisziplin: Ein Analysemodell scheitert laut und sichtbar; eine schlechte Grounding- oder Prompt-Konfiguration scheitert lautlos mit einer plausibel klingenden falschen Antwort — einer LLM-Ausgabe wie einem validierten Bericht zu vertrauen ist das größte Risiko im Übergang.

Kernpunkte

Die zwei schwierigsten Zutaten eines generativen KI-Projekts auf SAP-Daten — ein sauberes semantisches Modell und geregelte Grounding-Daten — sind bereits die Kernkompetenz eines Analytics-Beraters.
Vier Kompetenzcluster, in Reihenfolge: Orchestrierungsmechanik -> Prompt-/Kontext-Engineering für SAP-Daten -> Modell- und Evaluierungsurteil -> Governance-Gewandtheit.
C_AIG_2604: SAP Certified Associate — SAP Generative AI Developer, dreistündige systembasierte Bewertung, eine Aktivität, 76 % Bestehensgrenze — baut eine funktionierende Pipeline, statt Fragen darüber zu beantworten.
Zwei weitere Zertifizierungen passen zur Landkarte: die Joule-Studio-Entwicklerzertifizierung (bis 31. Dezember 2026 kostenlos) und C_BAIPA (Solution Architect SAP Business AI Platform), beide allgemein verfügbar (SAP TechEd 2026 Innovation News Guide, 27. Oktober 2026).
Realistischer 90-Tage-Pfad (komprimiert): Wochen 1-3 praktische Orchestrierung, Wochen 4-6 Prompt-/Kontext-Engineering + Prüfungsvorbereitung, Wochen 7-9 Modell-/Evaluierungsurteil inkl. Vergleich LLM vs. HANA PAL/APL, Wochen 10-12 Prüfung + Governance-Durchgang.
Neben abrechenbarer Arbeit eher vier bis sechs Monate als drei einplanen — die Prüfung nach den praktischen Wochen ansetzen, nicht davor.
Die eine wirklich neue Gewohnheit: Evaluierungsdisziplin, weil eine schlechte Grounding-/Prompt-Konfiguration lautlos scheitert, anders als ein kaputter Daten-Join.
Der SAP-spezifische Teil — geerdete, geregelte, orchestrierte Pipelines auf Datasphere-/HANA-Cloud-Daten — sind dort, wo der eigentliche Kundenwert liegt, nicht in generischer Prompt-Engineering-Kompetenz.

Begriffe auf dieser Seite

C_AIG_2604: SAP Certified Associate — SAP Generative AI Developer; dreistündige systembasierte Bewertung in SAP AI Launchpad, 76 % Bestehensgrenze.
Systembasierte Bewertung (SBA): Ein SAP-Prüfungsformat, bei dem der Kandidat echte Aufgaben in einem Live-System ausführt statt Multiple-Choice-Fragen zu beantworten.
Kompetenzcluster: Die Gruppierung verwandter, sequenziell erlernbarer Kompetenzen in dieser Seite: Orchestrierungsmechanik, Prompt-/Kontext-Engineering, Modell-/Evaluierungsurteil, Governance-Gewandtheit.
Lautloses Scheitern (KI): Ein Grounding- oder Prompt-Konfigurationsfehler, der eine plausibel klingende falsche Antwort statt eines offensichtlichen Ausfalls erzeugt — das zentrale neue Risiko gegenüber Analytics-Arbeit.
Grounding-bewusster System-Prompt: Ein Prompt, der angewiesen wird, nur aus abgerufenem Kontext zu antworten statt aus dem parametrischen Wissen des Modells — die zentrale Prompt-Engineering-Kompetenz im zweiten Cluster dieser Seite.
HANA PAL/APL: SAP HANAs klassische Bibliotheken für Predictive Analytics — die Nicht-LLM-, Nicht-tabellarisches-Foundation-Modell-Alternative, die ein Berater als besser geeignet für eine stabile, gut verstandene strukturierte Vorhersageaufgabe erkennen muss.
Evaluierungsrahmen: Eine strukturierte Testsuite, die die Ausgabe eines Modells oder Agenten gegen erwartetes Verhalten bewertet — die Disziplin, die „einer Demo vertrauen“ im vierten Kompetenzcluster dieser Seite ersetzt.

Quellen

Vollständige Karte im Consultant-Tarif — 19,90 €/Monat. 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 →

Redaktion: Cédric Mary · Wie diese Seite entsteht

Passende Leitfäden

Diese Leitfäden nennen diese Seite als Quelle.

SAP KI Analytics Team Skills 2026: Profile und Lücken

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.