Die entscheidende Ressource für den produktiven Einsatz von Künstlicher Intelligenz im Unternehmen ist Geschäftskontext – und nicht allein die Leistungsfähigkeit der LLMs (Large Language Models). Ein generisches, externes Sprachmodell weiß nicht, was eine spezifische Werksstruktur ist, wie Teil-Lieferungen bei Ihnen verbucht werden oder welche semantische Beziehung zwischen einer IoT-Maschinenmeldung und einem Wartungsvertrag besteht. Erst mit diesem Kontext entfalten KI-Agenten im ERP-Umfeld ihre volle Wirkung.
Mit der Ankündigung des SAP Knowledge Graphs und der Neuausrichtung der SAP Business Data Cloud (BDC) hat SAP das Fundament gelegt, um genau diese Lücke zu schließen. Dieses „digitale Gedächtnis“ aufzubauen und kontinuierlich zu pflegen erfordert eine hochspezialisierte, neue Schlüsselrolle: Der Enterprise Semantic Engineer (Kontext-Architekt).
Er programmiert keine klassischen Schnittstellen mehr, sondern er modelliert die Semantik und das Wissen des gesamten Unternehmens, damit die KI-Modelle (wie SAP RPT-1) fehlerfrei logische Schlüsse (Reasoning) ziehen können.
Der direkte Vergleich: Gestern vs. Heute vs. Morgen
| Dimension | Der klassische Daten- / MDM-Koordinator (Gestern/Heute) | Der neue Enterprise Semantic Engineer (Morgen) |
|---|---|---|
| Primärer Fokus | Datenstruktur & Bereinigung: Erstellung von Tabellen-Schemata, ETL-Strecken und Überwachung von Stammdaten-Duplikaten in relationalen Datenbanken. | Daten-Semantik & Kontext: Verknüpfung von Daten über logische Beziehungen und Ontologien. Er erklärt der KI, warum Daten wie zusammenhängen. |
| Technologie-Stack | SQL, klassische SAP-Stammdatenwerkzeuge (MDG), relationale Datenbankarchitekturen, Data Warehouses. | SAP Knowledge Graph, Graph-Abfragesprachen, SAP Business Data Cloud (BDC), Graph-Datenbanken, HANA Cloud Vector Engine. |
| Zielsetzung | Daten konsolidiert in Berichten (Dashboards, Berichte) für den menschlichen Betrachter darzustellen. | Daten semantisch so aufzubereiten, dass KI-Agenten autonom logische Verknüpfungen und Ableitungen treffen können. |
Was muss ein Enterprise Semantic Engineer konkret wissen? (Hard Skills)
Diese Rolle erfordert den Übergang von rein tabellarischem Denken (Zeilen und Spalten) hin zu vernetzten, graphenbasierten Strukturen:
1. Knowledge Graph Architektur & Graph-Abfragesprachen
Er ist der absolute Experte für den SAP Knowledge Graph. Er beherrscht die Abfrage und Manipulation von Graph-Strukturen und weiß, wie semantische Netze performant skaliert werden.
2. Ontologien & Business-Semantik
Er versteht es, reale Geschäftsobjekte und deren Beziehungen in abstrakten Modellen (Ontologien) abzubilden. Er definiert exakt, wie Entitäten wie „Kunde“, „Anlage“, „Vertrag“ oder „Lieferant“ über alle Systemgrenzen (SAP und Non-SAP) hinweg logisch miteinander korrelieren.
3. SAP Business Data Cloud (BDC) & HANA Cloud
Er strukturiert harmonisierte Datenlayer in der Cloud. Er weiß, wie strukturierte ERP-Daten mit unstrukturierten Daten (z. B. PDF-Verträgen oder Telemetriedaten) über die HANA Cloud Vector Engine so kombiniert werden, dass KI-Modelle sie zeitgleich im Kontext analysieren können.
4. Metadaten-Management & AI Readiness
Er sorgt für das lückenlose Data-Provenance- und Metadaten-Management. Die KI muss exakt wissen, woher eine Information stammt, wie aktuell sie ist und ob sie für sensible logische Berechnungen (z. B. Finanzprognosen mit Modellen wie SAP RPT-1) herangezogen werden darf.
Das erweiterte Praxisbeispiel (Rechtlich & operativ sicher)
Szenario: Ein Industrieunternehmen stellt sein Geschäftsmodell um und führt eine neue Produktlinie für „As-a-Service“-Maschinenvermietung ein. Die Maschinen verbleiben im Besitz des Unternehmens, der Kunde zahlt basierend auf der tatsächlichen Nutzung. Die Business AI Platform versteht standardmäßig jedoch nicht, wie die eingehenden IoT-Telemetriedaten der Maschine mit den monatlichen SAP-Abrechnungszyklen zusammenhängen.
Die Aufgabe des Enterprise Semantic Engineers:
- Semantische Modellierung im SAP Knowledge Graph: Er erweitert das semantische Netz des Unternehmens direkt im SAP Knowledge Graph. Er definiert ein neues Datenobjekt
EquipmentAsAService. - Kontextuelle Verknüpfung: Er verknüpft die technischen Objektdaten der Maschine (Asset Management) logisch mit dem kaufmännischen Abrechnungsmodell (SAP Subscription Order Management). Er „erklärt“ dem Graphen: „Der Knoten ‚IoT-Sensor-Datenstrom‘ steuert den Wert des Attributs ‚Nutzungseinheit‘, welcher wiederum die Basis für die Entität ‚Monatliche Abrechnungsposition‘ im Vertrag XYZ bildet.“
- Freigabe für das KI-Reasoning: Durch diese graphenbasierte Verknüpfung „weiß“ die Business AI Platform bei zukünftigen Abfragen sofort und vollautomatisch, wie der Kontext aufgebaut ist.
⚠️ Die rechtliche & regulatorische Absicherung
Bei der Modellierung dieser Datenbeziehungen muss der Semantic Engineer strikte regulatorische Richtlinien beachten, die er im Graphen hart verdrahtet:
- Datenschutz (DSGVO-Compliance): Er stellt sicher, dass bei der Verknüpfung von Maschinendaten keine personenbezogenen Daten der Maschinenbediener in den sichtbaren Kontext der KI-Agenten gelangen.
- Data Governance & Lizenzrecht: Er markiert sensible Finanzdaten mit Metadaten-Tags, sodass externe, via BTP angebundene Drittanbieter-LLMs für dieses Datencluster gesperrt sind. Nur das geschützte, interne SAP-Modell darf diese semantischen Knoten auslesen.
Fazit für Unternehmen
Daten sind das neue Gold – Semantik ist der Schlüssel, der diesen Schatz für KI-Systeme erschließt. Der Enterprise Semantic Engineer ist der Architekt, der den Datenschatz eines Unternehmens für künstliche Intelligenz überhaupt erst lesbar und nutzbar macht. Er baut das neuronale Netz des Enterprise-Wissens. Für IT-Abteilungen bedeutet das: Wer im Zeitalter des Autonomous Enterprise gewinnen will, muss jetzt anfangen, in graphenbasierte Datenstrukturen und semantische Kompetenzen zu investieren.