{"id":70220,"date":"2026-08-17T09:30:13","date_gmt":"2026-08-17T07:30:13","guid":{"rendered":"https:\/\/www.cubeserv.com\/?p=70220"},"modified":"2026-08-17T14:03:24","modified_gmt":"2026-08-17T12:03:24","slug":"ai-auf-der-sap-btp","status":"publish","type":"post","link":"https:\/\/www.cubeserv.com\/de\/ai-auf-der-sap-btp\/","title":{"rendered":"Blog-Serie BTP Teil 7: AI auf der SAP BTP – Von SAP AI Core bis Joule"},"content":{"rendered":"\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tAI auf der SAP BTP ist das Themenfeld, das die Plattform derzeit am st\u00e4rksten pr\u00e4gt und genau damit schlie\u00dfen wir unsere Serie \u201eSAP BTP verstehen\u201c ab. In den vergangenen sechs Teilen ging es um Integration, Erweiterbarkeit und Datenmanagement. Im letzten Teil geht es um das Thema, \u00fcber das in unseren Projekten aktuell am meisten gesprochen wird: SAP AI Core, der Generative AI Hub, Joule und SAP Business AI sind l\u00e4ngst keine Randnotiz mehr, sondern das R\u00fcckgrat vieler neuer Vorhaben auf der Plattform.<\/p>
Passend dazu hat SAP auf der Sapphire im Mai 2026 mit der SAP Business AI Platform eine neue, \u00fcbergeordnete Marke eingef\u00fchrt, die BTP, Business Data Cloud und Business AI unter einem Dach b\u00fcndelt. Keine Sorge: BTP verschwindet damit nicht. Der Name bleibt als Cockpit-Bezeichnung und technisches Fundament bestehen; nur die Erz\u00e4hlung dar\u00fcber wird gr\u00f6\u00dfer.<\/p>
Genau dieses Fundament nehmen wir uns hier vor – Baustein f\u00fcr Baustein und als Abschluss unserer Serie. Wer die vorangegangenen Teile noch nicht gelesen hat, findet dort die Grundlagen zu Integration, Erweiterbarkeit und Datenmanagement, auf denen das KI-Portfolio aufsetzt.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
Wer verstehen will, wie SAP AI Core<\/a> auf der SAP BTP technisch verankert, landet zwangsl\u00e4ufig bei SAP AI Core. Der Service l\u00e4uft Kubernetes-basiert im Cloud-Foundry-Environment. Er \u00fcbernimmt den gesamten ML-Lebenszyklus: Training, Deployment und Betrieb von Modellen und KI-Workflows. Dabei ist er mandantenf\u00e4hig, f\u00fcr beliebig viele parallele Projekte.<\/p> In der Praxis hei\u00dft das: Ein Fachbereich l\u00e4sst ein eigenes Prognosemodell trainieren. Parallel arbeitet ein zweites Team an einem generativen Assistenten. Beide Vorhaben kommen sich dabei nicht in die Quere.<\/p> Neben klassischen, selbst trainierten Modellen stellt SAP hier auch eigene Foundation-Modelle bereit, allen voran SAP-RPT-1. Das ist ausdr\u00fccklich kein Sprachmodell, sondern ein tabellen-natives Prognosemodell. Es arbeitet direkt mit strukturierten Gesch\u00e4ftsdaten, etwa f\u00fcr Bedarfsprognosen oder Ausfallwahrscheinlichkeiten. F\u00fcr Projekte, die auf harte Zahlen aus S\/4HANA oder dem Data Warehouse angewiesen sind, ist das oft die praktikablere Wahl als ein generisches Sprachmodell.<\/p> Bei den Sprachmodellen selbst bleibt SAP AI Core konsequent Hyperscaler-agnostisch. GPT-Modelle laufen \u00fcber Azure OpenAI. Claude und Amazon Nova laufen beide \u00fcber AWS Bedrock. Gemini l\u00e4uft \u00fcber Google Cloud Vertex AI. Eine Ausnahme lohnt den genauen Blick, weil sie in vielen Architektur-Skizzen \u00fcbersehen wird: Mistral l\u00e4uft, ebenso wie IBM-Modelle und diverse Open-Source-Modelle, nicht \u00fcber einen Hyperscaler, sondern direkt auf AI Core selbst.<\/strong> F\u00fcr Kunden mit strengen Vorgaben zur Datenresidenz ist das ein handfestes Argument. Das gilt besonders, wenn ein US-Hyperscaler im Beschaffungsprozess Fragen aufwirft.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Damit diese Modellvielfalt nutzbar wird, sitzt dar\u00fcber der Generative AI Hub. Kein Team muss daf\u00fcr eine eigene API-Anbindung bauen. Er bietet eine einheitliche Schnittstelle mit Prompt-Management, Content-Filtering und Grounding, also der Anbindung an eigene Unternehmensdaten.<\/p>\n Ein Punkt, der in Angeboten gerne untergeht: Der Generative AI Hub steht ausschlie\u00dflich im Service-Plan Extended zur Verf\u00fcgung. Im Free Tier und im Standard-Plan fehlt er. Wer mit einem g\u00fcnstigeren Plan gestartet ist, kann zwar ohne Datenverlust auf Extended upgraden. Den Mehrpreis sollte man aber von Anfang an einkalkulieren, nicht erst, wenn das erste generative Szenario ansteht.<\/p> Damit diese Modellvielfalt nutzbar wird, sitzt dar\u00fcber der Generative AI Hub. Kein Team muss daf\u00fcr eine eigene API-Anbindung bauen. Er bietet eine einheitliche Schnittstelle mit Prompt-Management, Content-Filtering und Grounding, also der Anbindung an eigene Unternehmensdaten.<\/p> Ein Punkt, der in Angeboten gerne untergeht: Der Generative AI Hub steht ausschlie\u00dflich im Service-Plan Extended zur Verf\u00fcgung. Im Free Tier und im Standard-Plan fehlt er. Wer mit einem g\u00fcnstigeren Plan gestartet ist, kann zwar ohne Datenverlust auf Extended upgraden. Den Mehrpreis sollte man aber von Anfang an einkalkulieren, nicht erst, wenn das erste generative Szenario ansteht.<\/p> \n\n<\/p> Ein zweiter Punkt geh\u00f6rt gleich daneben: Der Service-Plan ist nur der Zugang, nicht der Preis. Abgerechnet wird die eigentliche Nutzung \u00fcber Capacity Units, tokenbasiert pro Modell. Ein Aufruf gegen ein gro\u00dfes GPT- oder Claude-Modell schl\u00e4gt anders zu Buche als derselbe Aufruf gegen ein kleineres Modell auf AI Core. Das ist im Alltag weniger eine Preis- als eine Architekturfrage: Wer Grounding gro\u00dfz\u00fcgig einsetzt und ganze Dokumentenkontexte mitschickt, erzeugt Kosten, die im Proof of Concept mit zehn Testfragen niemandem auffallen und im Produktivbetrieb mit tausend Anfragen am Tag pl\u00f6tzlich sichtbar werden. Eine grobe Hochrechnung auf das erwartete Anfragevolumen geh\u00f6rt deshalb schon in die Konzeptphase, nicht erst in die erste Rechnungspr\u00fcfung.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Das Cockpit \u00fcber all dem hei\u00dft SAP AI Launchpad. Als Multi-Tenant-SaaS-Anwendung verwaltet es Deployments und Konfigurationen zentral. Es liefert Monitoring \u00fcber mehrere AI-Core-Instanzen hinweg. Von dort aus \u00f6ffnet sich zudem der Zugriff auf die Werkzeuge des Generative AI Hub.<\/p>\n Wer in einem Konzern mehrere AI-Core-Instanzen f\u00fcr unterschiedliche Landschaften betreibt, bekommt hier die eine Stelle f\u00fcr den \u00dcberblick. Nutzung und Kosten lassen sich \u00fcber alle Instanzen hinweg im Blick behalten, statt sich durch einzelne Tenants zu klicken.<\/p>\n SAP unterscheidet dabei zwei Rollen, die sich in Projekten schnell als hilfreiche Trennlinie erweisen. AI Scenario Producers bauen und trainieren die Modelle. Sie konfigurieren Pipelines und verantworten den technischen Betrieb. AI Scenario Consumers nutzen dagegen die fertigen Szenarien, \u00fcber Anwendungen wie Joule oder eigene Frontends. Um Trainingsdaten oder Infrastruktur m\u00fcssen sie sich nicht k\u00fcmmern. Diese Trennung entlastet vor allem den Fachbereich: Niemand dort muss verstehen, wie ein Modell trainiert wird, um von seinen Ergebnissen zu profitieren.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Bild wurde mit Hilfe von KI generiert<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t W\u00e4hrend AI Core und der Generative AI Hub die Maschinerie liefern, ist Joule das Gesicht, das Anwender im Alltag sehen. Als generativer Assistent sitzt Joule direkt in den Anwendungen, die Fachbereiche ohnehin t\u00e4glich nutzen. Dazu z\u00e4hlen S\/4HANA, SuccessFactors, die SAP Analytics Cloud, SAP Build und Datasphere. Genau darin liegt der Unterschied zu einem klassischen Chatbot-Add-on: Joule muss nicht erst gesucht oder separat ge\u00f6ffnet werden. Es taucht dort auf, wo gerade gearbeitet wird.<\/p>\n Fachlich zeigt sich das an drei F\u00e4higkeiten, die in Projekten regelm\u00e4\u00dfig \u00fcberzeugen. Erstens die nat\u00fcrlichsprachliche Interaktion: Eine Eink\u00e4uferin kann nach offenen Bestellungen fragen, ohne die passende Transaktion zu kennen. Zweitens das Kontextbewusstsein. Joule wei\u00df, in welchem Modul und mit welchen Berechtigungen ein Anwender gerade arbeitet. Es liefert Antworten, die zu genau diesem Kontext passen, statt generischer Textbausteine. Drittens Joule Agents und Joule Assistants. Sie orchestrieren mehrere Schritte, etwa eine Anfrage pr\u00fcfen, Daten aus mehreren Systemen zusammenziehen und einen Vorschlag zur Freigabe vorlegen. Das ist der Schritt, der Joule vom Frage-Antwort-Werkzeug zum Prozessbeteiligten macht.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Im BTP Cockpit selbst ist Joule seit 2025 verf\u00fcgbar. Wer den Rollout in der eigenen Landschaft plant, st\u00f6\u00dft schnell auf praktische Fragen: Welche User bekommen Zugriff? \u00dcber welchen Account l\u00e4uft die Runtime? Und wie f\u00fcgt sich das in bestehende Berechtigungskonzepte ein? Der Zugriff ist strikt berechtigungsgebunden. Joule zeigt und tut nur, wozu der jeweilige Anwender ohnehin autorisiert ist, ein Punkt, der in Governance-Gespr\u00e4chen mit dem Fachbereich fast immer als Erstes gekl\u00e4rt werden muss. Die gute Nachricht f\u00fcr den Einstieg: Joule Base, also die grundlegenden Navigations- und Auskunftsfunktionen, ist in allen SAP-Cloud-Subscriptions ohne Zusatzkosten enthalten. Wer dar\u00fcber hinaus eigene Skills oder Agenten bauen will, landet beim kostenpflichtigen Premium-Umfang. Der Grundstock aber kostet nichts extra.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Wer eigene Agenten bauen will, statt nur vorgefertigte zu nutzen, findet in SAP Build das passende Werkzeug. Prozesse, Formulare und Skripte lassen sich per Sprache anlegen. Dazu kommt Joule for Developers f\u00fcr die Code-nahe Arbeit und Joule Studio als vereinheitlichte Umgebung f\u00fcrs Agenten-Bauen, mit Low-Code-Builder auf der einen und Pro-Code-Editor auf der anderen Seite. In der Praxis lohnt hier ein genauer Blick, bevor man sich f\u00fcr einen Weg entscheidet. Das Agent2Agent-Protokoll, \u00fcber das Agenten sich gegenseitig aufrufen, funktioniert nativ derzeit nur f\u00fcr Agenten aus dem Code Editor. Wer im Low-Code-Builder arbeitet, kann A2A zwar ebenfalls nutzen, allerdings nur \u00fcber einen Workaround, den A2A Client Service, nicht als eingebaute Funktion. F\u00fcr einfache, in sich geschlossene Assistenten spielt das selten eine Rolle. F\u00fcr Szenarien mit mehreren zusammenarbeitenden Agenten aber schon, und genau das sollte in die Entscheidung f\u00fcr Low-Code oder Pro-Code einflie\u00dfen, nicht erst danach zum Problem werden.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Bild wurde mit Hilfe von KI generiert<\/em><\/p>\n SAP Business AI ist kein Produkt, das man kauft, sondern eine Strategie, die man in jedem Modul wiederfindet: Joule und die dahinterliegenden Modelle sitzen dort, wo Mitarbeitende ohnehin arbeiten, statt als separates KI-Tool danebenzustehen. Diese Konsequenz zeigt sich am deutlichsten, wenn man die Bereiche nebeneinanderlegt.<\/p>\n Bereich<\/p><\/th> Typisches Szenario<\/p><\/th><\/tr> Finance<\/p><\/td> Joule unterst\u00fctzt bei Belegpr\u00fcfung, Abweichungsanalysen und beantwortet Fragen zu offenen Posten direkt im S\/4HANA-Kontext, ohne Umweg \u00fcber separate Reports.<\/p><\/td><\/tr> Procurement<\/p><\/td> In Ariba hilft Joule bei der Lieferantensuche und bei Empfehlungen, etwa wenn ein Eink\u00e4ufer schnell einen Ersatzlieferanten f\u00fcr einen ausgefallenen Vertragspartner braucht.<\/p><\/td><\/tr> HR<\/p><\/td> SuccessFactors nutzt Joule f\u00fcr Job-Beschreibungen, Zusammenfassungen von Kandidaten-Feedback und f\u00fcr Datenabfragen in nat\u00fcrlicher Sprache, etwa zur Fluktuation in einer Abteilung.<\/p><\/td><\/tr> Supply Chain<\/p><\/td> In SAP Integrated Business Planning unterst\u00fctzt Joule bei der Suche in Dokumentationen und bei der KI-gest\u00fctzten Analyse von Supply-Optimierungsl\u00e4ufen.<\/p><\/td><\/tr> Analytics<\/p><\/td> In der SAP Analytics Cloud l\u00e4uft die Funktion aktuell unter dem Namen \u201eJoule, Analytical Insights\u201c und beantwortet Fragen zu Kennzahlen direkt im Dashboard, per \u201eJust Ask\u201c-Eingabe.<\/p><\/td><\/tr><\/tbody><\/table>\n Der gemeinsame Nenner dieser f\u00fcnf Beispiele: Niemand muss eine neue Oberfl\u00e4che lernen. Wer heute mit SAP Analytics Cloud arbeitet, tippt seine Frage einfach dort ein, wo er ohnehin die Zahlen ansieht. F\u00fcr IT-Leitung und Fachbereich bedeutet das gleichzeitig, dass sich der Erfolg dieser Szenarien nicht an einer neuen Lizenz misst, sondern daran, ob die bestehenden Prozesse sp\u00fcrbar schneller werden.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t Bei aller Begeisterung f\u00fcr generative Modelle stellt sich in jedem Projekt irgendwann dieselbe Frage: Wem geh\u00f6ren eigentlich die Daten, die Joule und der Generative AI Hub verarbeiten? SAP beantwortet das mit drei Leitprinzipien, die als Relevant, Reliable, Responsible durch das gesamte KI-Portfolio ziehen. Relevant hei\u00dft, dass KI dort ansetzt, wo sie einen echten Gesch\u00e4ftsnutzen stiftet, statt als Selbstzweck eingebaut zu werden. Reliable steht f\u00fcr nachvollziehbare, konsistente Ergebnisse, gerade bei Prognosemodellen wie SAP-RPT-1, die harte Zahlen liefern sollen. Responsible schlie\u00dflich adressiert genau die Frage aus dem ersten Satz.<\/p>\n Praktisch bedeutet das: SAP durchl\u00e4uft f\u00fcr neue KI-Funktionen einen internen KI-Ethik-Prozess, bevor sie ausgerollt werden. F\u00fcr Kunden z\u00e4hlt aber vor allem ein Punkt aus der Vertragspraxis: Die Datenhoheit bleibt beim Kunden, und Dritt-LLMs wie GPT oder Claude werden nicht mit Kundendaten trainiert. Wer also \u00fcber Azure OpenAI oder AWS Bedrock eigene Prompts durch den Generative AI Hub schickt, f\u00fcttert damit kein fremdes Modell f\u00fcr andere Kunden. In Vertragsgespr\u00e4chen mit dem Datenschutzbeauftragten ist genau das oft der Satz, der die Zustimmung bringt.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Nach so vielen Einzelbausteinen lohnt sich der Zoom auf das gro\u00dfe Bild: Wie greifen AI Core, Generative AI Hub, Joule und die \u00fcbrigen Komponenten eigentlich ineinander, und wer im Projekt hat womit zu tun? Die folgende Tabelle fasst das zusammen, als Nachschlagewerk f\u00fcr genau die Momente, in denen jemand fragt: \u201eUnd wo im Stack sitzt das jetzt eigentlich?\u201c<\/p>\n Baustein<\/p><\/th> Rolle im Gesamtbild<\/p><\/th> Wer damit arbeitet<\/p><\/th><\/tr> SAP AI Core<\/p><\/td> Kubernetes-basierte Runtime f\u00fcr Training, Deployment und Betrieb von Modellen, mandantenf\u00e4hig<\/p><\/td> AI Scenario Producers, Data Scientists<\/p><\/td><\/tr> Generative AI Hub<\/p><\/td> Einheitliche API zu GPT, Claude, Gemini, Nova, Mistral & Co. mit Prompt-Management und Grounding, nur im Extended-Plan<\/p><\/td> Entwickler, die eigene generative Szenarien bauen<\/p><\/td><\/tr> SAP AI Launchpad<\/p><\/td> Zentrales Cockpit f\u00fcr Deployment, Monitoring und Kosten\u00fcberblick \u00fcber mehrere AI-Core-Instanzen<\/p><\/td> IT-Betrieb, Plattform-Administratoren<\/p><\/td><\/tr> Joule<\/p><\/td> Eingebetteter Copilot in S\/4HANA, SuccessFactors, SAC, SAP Build und Datasphere<\/p><\/td> Fachbereich, AI Scenario Consumers<\/p><\/td><\/tr> Joule Studio<\/p><\/td> Umgebung zum Bauen eigener Agenten, per Low-Code-Builder oder Pro-Code-Editor<\/p><\/td> Entwickler, Citizen Developer<\/p><\/td><\/tr> SAP Business AI<\/p><\/td> Strategischer Rahmen, der KI-F\u00e4higkeiten in bestehende Gesch\u00e4ftsprozesse einbettet<\/p><\/td> Fachbereich, Prozessverantwortliche<\/p><\/td><\/tr> SAP Cloud SDK for AI<\/p><\/td> Bibliotheken und Werkzeuge, um KI-Funktionen aus eigenem Code heraus anzusprechen<\/p><\/td> Entwickler, Architekten<\/p><\/td><\/tr><\/tbody><\/table>\n Wer die Tabelle von oben nach unten liest, erkennt das Prinzip dahinter: Je weiter unten, desto n\u00e4her am Gesch\u00e4ftsprozess und desto weniger technisches Vorwissen ist n\u00f6tig. AI Core und der Generative AI Hub bleiben Sache der IT und der Entwicklung, Joule und SAP Business AI landen direkt beim Fachbereich. F\u00fcr die Projektplanung hei\u00dft das ganz praktisch: Nicht jede Rolle im Team braucht Zugriff auf jeden Baustein, sondern genau auf den, der zu ihrer Aufgabe passt.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t Nach sieben Teilen und unz\u00e4hligen Projektgespr\u00e4chen bleibt am Ende eine einfache Erkenntnis: Wer bei SAP-KI mit der komplexesten Frage anf\u00e4ngt, verliert wertvolle Zeit. Diese Frage lautet meist \u201eSollen wir ein eigenes LLM anbinden?\u201c. Der pragmatischere Einstieg beginnt woanders.<\/p>\n Starten Sie mit eingebetteter KI. Joule in S\/4HANA, in SuccessFactors oder in der SAP Analytics Cloud liefert schnelle, sichtbare Erfolge. Das gelingt ganz ohne eigenes ML-Team, ohne Trainingsdaten und ohne Deployment-Aufwand. Genau diese fr\u00fchen Erfolge sichern in Steuerkreisen oft das Budget f\u00fcr die n\u00e4chsten Schritte. Sie zeigen n\u00e4mlich, dass KI nicht nur eine Folie im Strategiepapier ist.<\/p>\n Erst wenn eigene Szenarien anstehen, kommt der Generative AI Hub ins Spiel. Das kann ein individueller Assistent f\u00fcr einen Nischen-Prozess sein, oder eine Textgenerierung mit unternehmensspezifischem Kontext. Sein gr\u00f6\u00dfter praktischer Wert liegt dabei selten im Modell selbst. Er liegt vielmehr darin, dass Sie GPT, Claude, Gemini oder Mistral \u00fcber eine einzige Schnittstelle ansprechen. Einen eigenen Vertrag und eine eigene Integration pro Anbieter brauchen Sie so nicht mehr. Das spart nicht nur Zeit in der Beschaffung. Es h\u00e4lt Sie auch flexibel, falls sich in einem Jahr ein anderes Modell als besser geeignet erweist.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Bild wurde mit Hilfe von KI generiert<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Was in vielen Projekten untersch\u00e4tzt wird: Bevor \u00fcberhaupt ein Modell trainiert oder ein Prompt geschrieben wird, entscheidet die Datenqualit\u00e4t \u00fcber Erfolg oder Frust. Ein Prognosemodell wie SAP-RPT-1 ist nur so gut wie die Stammdaten, auf denen es rechnet. Wer hier nicht vorab in SAP Datasphere oder der Business Data Cloud f\u00fcr saubere, konsistente Datenstrukturen sorgt, bekommt am Ende schnelle Antworten. Nur sind sie dann falsch, und das ist schlimmer als gar keine Antwort.<\/p> Und ein letzter Punkt geh\u00f6rt von Anfang an auf den Tisch, nicht als Nachgedanke nach dem Go-Live: Governance. Welche Daten d\u00fcrfen \u00fcberhaupt an ein Dritt-LLM gehen? Und wer im Fachbereich pr\u00fcft, ob eine generierte Antwort tats\u00e4chlich stimmt, bevor sie in eine Entscheidung einflie\u00dft? Diese beiden Fragen lassen sich nicht nachtr\u00e4glich anflicken.<\/strong> Wer sie gleich am Anfang des Projekts kl\u00e4rt, statt nach dem ersten Vorfall, spart sich genau die Diskussion, die sonst jedes KI-Projekt irgendwann einholt.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tGenerative AI Hub: der zentrale Zugang zu AI auf der SAP BTP<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
SAP AI Launchpad: das Cockpit f\u00fcr Betrieb und Governance<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tJoule - SAPs KI-Copilot<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
Joule im BTP Cockpit<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tJoule in SAP Build<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\tSAP Business AI \u2013 KI im Gesch\u00e4ftsprozess<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tRelevanz, Ethik und Verantwortung<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\tAI-Architektur auf der BTP - \u00dcberblick<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
Einordnung aus CubeServ-Sicht<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tDatenqualit\u00e4t und Governance von Anfang an mitdenken<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
Blog-Serie:<\/h3>