Konzeptkarte

Vision-Foundation-Modelle im SAP-Kontext

Stand 27. September 2026

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

Was ist Vision-Foundation-Modelle im SAP-Kontext?

Vision-Foundation-Modelle verwandeln SAPs nicht indexierbare Bilddaten — gescannte Rechnungen, Fotos von der Werkstatt, Vertrags-PDFs — in strukturierte Merkmale; Dokumentenklassifikatoren erreichen bei Standard-SAP-Layouts bereits eine Genauigkeit von über 96 %.

Vision-Foundation-Modelle sind große neuronale Netze, die auf Hunderten Millionen von Bild-Text-Paaren vortrainiert wurden, und sie lösen ein strukturelles Problem, für das relationale Datenbanken nie gebaut wurden: SAPs Unternehmensdaten sind voller Bilder — gescannte Rechnungen, Qualitätsprüfungsfotos vom Shopfloor, Vertrags-PDFs, Field-Service-Fotos an Instandhaltungsaufträgen —, die keine SQL-Abfrage direkt indizieren kann. Vision-Modelle wandeln diese undurchsichtigen visuellen Daten in strukturierte Merkmale um, über die ein nachgelagertes Modell oder ein Joule-Agent tatsächlich schlussfolgern kann.

Die drei Referenzmodelle

Drei Vision-Foundation-Modelle bilden das Rückgrat fast jedes Enterprise-Deployments. CLIP, 2021 von OpenAI veröffentlicht, richtet Bilder und Text über kontrastives Training in einem gemeinsamen Embedding-Raum aus, was es zur natürlichen Wahl für bildbasiertes Retrieval macht. ViT, Googles Vision Transformer aus dem Jahr 2020, behandelt ein Bild als Raster von Patches, die in einen Standard-Transformer-Encoder eingespeist werden, und ist damit das Arbeitspferd für Klassifizierung und Feature-Extraktion. SAM, Metas Segment Anything Model aus dem Jahr 2023, führt Zero-Shot-Segmentierung anhand eines räumlichen Prompts durch — einem Punkt oder einer Box —, ohne für jede neue Objektkategorie neu trainiert werden zu müssen. Keines der drei Modelle ist im Sinne der Bildsynthese generativ; es handelt sich um Encoder und Segmentierer, und diese Unterscheidung ist beim Scoping eines Projekts wichtig, denn ein Kunde, der nach „KI, die unsere Rechnungen liest“ fragt, braucht einen Dokumentenklassifikator, keinen Bildgenerator.

Warum es zählt

ViT-basierte Klassifikatoren in SAP DOX extrahieren Bounding-Boxes auf Feldebene mit >96 % Genauigkeit, bereitgestellt als gemanagter SAP-BTP-AI-Core-Endpoint.
Ein fine-getuntes ViT, angebunden an einen PM-Meldungs-Trigger, erreicht >92 % Defekt-Recall bei 30 ms pro Bild auf einer T4-GPU für die Shopfloor-Qualitätskontrolle.
SAM-basiertes Asset-Condition-Scoring senkt die manuelle Infrastruktur-Inspektionszeit in Pilot-Deployments um 40-60 %.

Kernpunkte

CLIP, ViT, SAM sind Encoder/Segmentierer — nicht generativ; sie erzeugen Embeddings oder Masken.
SAP BTP kapselt ViT-basiertes DOX für die Rechnungs- und Bestellextraktion mit >96 % Genauigkeit bei Standard-SAP-Layouts.
Shopfloor-Qualitätskontrolle: ViT, fine-getuned auf Defektbildern, über OData an die S/4-PM-Meldung angebunden.
Fine-Tuning-Budget: 2.000-10.000 gelabelte Bilder, 4-8 GPU-Stunden auf ViT-B/16.
Vermeiden, wenn das visuelle Signal bereits in QM-/PM-Codes strukturiert vorliegt — die GPU-Inferenzkosten übersteigen den Grenznutzen.
SAP Document AI bietet vier Pläne (Base, Embedded, Premium — in AI Units abgerechnet — sowie Free); die Workspace-UI und die OData-v4-APIs sind nur bei Embedded/Premium enthalten, und SAP weist ausdrücklich darauf hin, dass Extraktionsergebnisse „möglicherweise nicht vollständig fehlerfrei“ sind — oberhalb einer Konfidenzschwelle einen Human-in-the-Loop-Prüfschritt vorsehen.
Die Ausgabe eines Vision-Modells, die einen Joule-Agenten oder einen S/4-Prozess speist, sollte wie das Ergebnis eines Tool-Aufrufs behandelt werden, unterworfen derselben Guardrail-Disziplin wie jede andere Tool-Ausgabe — ein falsch segmentiertes Bild oder ein falsch klassifizierter Dokumenttyp ist ein falscher, in die Reasoning-Kette eingespeister Fakt, kein kosmetischer Fehler.

Begriffe auf dieser Seite

CLIP: Contrastive Language-Image Pretraining — OpenAI 2021. Richtet Bild und Text über einen kontrastiven Loss in einem gemeinsamen Embedding-Raum aus; primärer Einsatz: Bild-Retrieval und Zero-Shot-Klassifizierung.
ViT: Vision Transformer — Google 2020. Zerlegt ein Bild in Patches fester Größe, flacht sie zu Token-Sequenzen ab und speist sie in einen Standard-Transformer-Encoder ein. State-of-the-Art auf ImageNet bei ausreichenden Vortrainingsdaten.
SAM: Segment Anything Model — Meta 2023. Liefert pixelgenaue Masken für beliebige Objekte in einem Bild anhand eines Punkt-, Box- oder Text-Prompts. Zero-Shot-Generalisierung ist seine bestimmende Eigenschaft.
DOX: Der intern weiterhin verwendete technische Kurzname für SAP Document AI (früher Document Information Extraction) — der BTP-Service, der ViT-basierte Klassifikatoren und layoutbewusste Modelle nutzt, um strukturierte Felder aus gescannten Geschäftsdokumenten zu extrahieren.
SAP Document AI: SAPs aktueller Produktname für seinen Dokumentenextraktionsdienst; bietet die Pläne Base, Embedded und Premium (Premium/Embedded in AI Units abgerechnet) sowie eine Free-Stufe, wobei die Workspace-UI und die OData-v4-APIs Embedded/Premium vorbehalten sind.
Zero-Shot (Vision): Die Fähigkeit eines Modells, eine neue Objektkategorie oder ein neues Dokumentlayout zu verarbeiten, auf das es nie explizit trainiert wurde — SAMs bestimmende Eigenschaft für die Segmentierung, und der Grund, warum ein einzelnes Basismodell ohne vollständiges Neutraining auf eine neue Inspektionsaufgabe angesetzt werden kann, meist jedoch mit geringerer Genauigkeit als ein fine-getuntes Modell.
Bounding Box: Die rechteckigen Pixelkoordinaten, die ein Dokumentenextraktions- oder Objekterkennungsmodell zurückgibt, um ein Feld oder Objekt in einem Bild zu lokalisieren — die strukturierte Ausgabe, die ein nachgelagerter SAP-Prozess (z. B. ein Rechnungsabgleich-Workflow) tatsächlich konsumiert, nicht das Rohbild.
Domain Shift: Die Lücke zwischen den generischen, internetgroßen Bildern, auf denen ein Vision-Foundation-Modell vortrainiert wurde, und der spezifischen visuellen Verteilung der industriellen, medizinischen oder standortspezifischen Bilder eines Kunden — der Grund, warum für produktionsreife Genauigkeit meist Fine-Tuning nötig ist, nicht das Basismodell allein.

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 →

Offene SAP-Projekte

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