Choisir le modèle derrière votre SAP AI — Claude, GPT, Gemini, Llama, Mistral et les modèles propres à SAP dans le generative AI hub
À jour au 2026-10-04
Enseigne la décision de choix de modèle pour SAP AI comme une boucle de preuves : qui choisit (SAP dans Joule, vous dans le generative AI hub), ce que le hub propose de façon vérifiable aujourd'hui (Claude, GPT, Gemini, Mistral, SAP-RPT ; Llama non vérifié), pourquoi courant chez l'éditeur n'est pas courant dans le hub, comment fonctionnent raisonnement, cache et replis en orchestration V2, pourquoi les benchmarks ne servent qu'à présélectionner, un laboratoire d'évaluation reproductible sur données propres masquées, le coût par tâche réussie en capacity units (distinct des AI Units), les limites de résidence et le cycle de vie des modèles. Chaque nom de modèle est daté et marqué vérifié, annoncé seulement ou non vérifié.
Ce que vous apprendrez
- Expliquer qui choisit le modèle dans les fonctions livrées par SAP (Joule) et dans l'IA sur mesure du generative AI hub, en n'affirmant que ce que SAP a publié
- Construire un catalogue de modèles daté à partir du point de découverte du hub et du journal What's New, en marquant chaque modèle vérifié, annoncé seulement ou non vérifié
- Configurer raisonnement (reasoning_effort, renvoi de reasoning_content), prompt caching et replis en orchestration V2 et nommer les modèles concernés
- Mener une évaluation reproductible sur des données propres masquées avec la fonction Evaluations du hub, versions figées, répétitions et juge validé
- Calculer le coût par tâche en GenAI tokens et capacity units, séparer AI Units et tarifs éditeur, et classer les modèles par coût par tâche réussie
- Concevoir pour la résidence et le cycle de vie : exploitant, région et limites souveraines, liste de restriction, épinglage contre latest, alertes de retrait
À qui s'adresse ce module. Vous savez déjà appeler le generative AI hub (M325), vous maîtrisez jetons, fenêtres de contexte et grounding (M333), et un client vient de poser la question que tout projet SAP AI rencontre dans le premier mois : « Quel modèle utiliser — Claude, GPT, Gemini, Mistral, Llama ou l'un des modèles de SAP ? » Ce module traite cela comme une décision d'architecture fondée sur des preuves. Tout a été vérifié le 4 octobre 2026 dans la documentation SAP AI Core (dont le journal « What's New for SAP AI Core », révision du 7 septembre 2026), SAP News, la page tarifaire IA de SAP et la documentation des éditeurs. Lorsqu'un fait ne figure que dans une SAP Note protégée par authentification, le module le dit.
1. Qui choisit réellement le modèle — trois couches
Avant de comparer des modèles, demandez qui détient le choix : la réponse détermine ce que vous avez le droit d'optimiser.
Prérequis
- Avoir suivi M325 (SAP Generative AI Hub — Hands-on) ou équivalent : vous savez créer un déploiement d'orchestration et l'appeler avec une configuration
- Avoir suivi M333 (fondamentaux IA et LLM pour consultants SAP) ou disposer d'une connaissance équivalente des jetons, fenêtres de contexte et du grounding
- Accès à l'appel de découverte d'un tenant generative AI hub (ou à son export) — le laboratoire peut se faire à partir du journal What's New à défaut
Acquis
- Répondre à « quel modèle utiliser ? » avec un catalogue daté, une présélection justifiée par des contraintes et un taux de réussite mesuré, non une capture de classement
- Dire précisément à un client ce que l'on sait et ne sait pas des modèles derrière Joule, et quels noms de modèles sont vérifiés dans le hub ou seulement chez l'éditeur
- Produire un dossier d'évaluation reproductible (jeu masqué, versions figées, répétitions, juge validé) qu'un second consultant peut rejouer
- Citer le coût par tâche réussie en capacity units avec hypothèses explicites, sans mélanger AI Units ni tarifs éditeur
- Livrer une conception de cycle de vie avec chaîne de repli, liste de restriction, gestion des limites de débit et cadence de revue des dates de retrait
Module complet réservé aux abonnés. Le module complet ajoute : le cadre de décision · le cas guidé de bout en bout · la grille de KPI · les anti-patterns · les blocs de code · le contrôle de connaissances · les schémas.