Fiche concept

SAP AI Foundation Vector Store

À jour au 2026-07-24T14:00:00Z

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que SAP AI Foundation Vector Store ?

Le différenciateur n'est pas la capacité RAG elle-même — tous les fournisseurs l'ont — c'est que les attributs de contrôle d'accès sont appliqués au moment de la récupération, éliminant le risque de fuite inter-tenants qui bloque la plupart des déploiements RAG en entreprise.

De quoi il s'agit

Une base vectorielle est la mémoire dans laquelle un agent d'IA va puiser quand il a besoin de faits sur lesquels il n'a jamais été entraîné. Le SAP AI Foundation Vector Store est la réponse managée de SAP à ce besoin : une base de données vectorielle intégrée à la SAP Business AI Platform, de sorte que les agents Joule, les applications BTP sur mesure et tout workflow construit dans Joule Studio puissent récupérer des extraits de contenu d'entreprise sémantiquement pertinents — contrats, politiques RH, bons de commande, documentation produit, descriptions de la couche métier de Datasphere — sans qu'une équipe projet doive déployer et exploiter une base de données vectorielle séparée comme Pinecone, Weaviate, Qdrant, ou une instance pgvector auto-gérée dans HANA Cloud.

Pourquoi c'est important

Élimine le besoin de déployer et sécuriser séparément une base de données vectorielle (Pinecone, Weaviate, Qdrant, pgvector)
Un vecteur issu d'un document RH confidentiel n'est retourné qu'à une requête portée par un principal ayant le rôle de contrôle d'accès correspondant
L'hébergement dans la même région que Datasphere et SAC satisfait la résidence RGPD et les obligations d'ancrage de l'Article 10 de l'EU AI Act

Points clés

Base de données vectorielle gérée sur SAP BTP — pas d'infrastructure Pinecone/Weaviate/Qdrant à provisionner ; tarification par vecteurs stockés et opérations de récupération.
Pipeline RAG standard : découpe + embedding (modèles d'embedding SAP AI Core) → stockage avec attributs de contrôle d'accès → récupération top-K à l'inférence → transmission au LLM via Model Gateway.
Sécurité : attributs de contrôle d'accès appliqués au moment de la récupération — vecteurs RH confidentiels retournés uniquement aux principals avec les rôles de contrôle d'accès SAP correspondants.
Résidence des données RGPD : le Vector Store fonctionne dans la même région SAP BTP que Datasphere/SAC — satisfait la résidence des données UE et la gouvernance des données Art. 10 loi IA UE.
Complémentaire au Knowledge Graph : Knowledge Graph = ancrage d'entités structurées ; Vector Store = ancrage de documents non structurés.
Intégration Joule Studio native : le connecteur Vector Store est une étape de première classe pré-construite dans le canvas du workflow agent.
Tarif pilote : ~200-400 €/mois pour 50 000 documents ; échelle de production 2 000-5 000 €/mois vs coût plus élevé pour les équivalents autogérés.

Termes employés sur cette page

RAG (Génération Augmentée par Récupération): Pattern d'architecture qui améliore les réponses LLM en récupérant des chunks de documents pertinents dans une base de données vectorielle au moment de l'inférence et en les incluant comme contexte d'ancrage dans le prompt LLM — réduit les hallucinations et permet des réponses actualisées.
Embedding: Une représentation vectorielle numérique dense d'un chunk de texte capturant sa signification sémantique — des significations similaires produisent des vecteurs similaires, permettant une recherche sémantique (pas par mots-clés).
Chunk: Une sous-section d'un document (typiquement 200-500 tokens) créée lors du pipeline d'ingestion RAG ; chaque chunk est vectorisé indépendamment et stocké avec les métadonnées de son document source.
Attribut de contrôle d'accès: Un champ de métadonnées stocké avec chaque vecteur dans le SAP AI Foundation Vector Store qui est comparé aux rôles SAP du principal interrogeant au moment de la récupération — prévient les fuites de données inter-tenants et inter-rôles.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →