/Logo%202023%20final%20dunkelgrau.png?width=221&height=97&name=Logo%202023%20final%20dunkelgrau.png)
Die richtigen Use Cases identifizieren
Agentic AI in Data und Analytics hat drei sehr unterschiedliche Blickrichtungen. Fachbereiche wollen mit ihren Daten sprechen, Controlling und Planung wollen Szenarien im Dialog rechnen, IT Teams wollen Datenplattformen agentisch entwickeln und betreiben. Jede davon braucht ein eigenes Setting, andere Werkzeuge und andere Beteiligte. Der erste Schritt ist deshalb, zu klären, welche für Sie zählt, welche Werkzeuge dafür in Ihrer Landschaft in Frage kommen und ob der nötige Kontext dort schon greifbar ist oder erst aufgebaut werden muss.
Wir helfen Ihnen dabei, die passende Blickrichtung zu wählen, Werkzeuge und Reife des jeweiligen Felds einzuschätzen und daraus einen realistischen Einstieg abzuleiten.
Systeme, Agenten und Kontext zusammenbringen
Ein leistungsfähiges Sprachmodell allein reicht nicht aus. Damit ein Agent zuverlässig arbeiten kann, benötigt er Zugriff auf die richtigen Systeme und vor allem auf den fachlichen und technischen Kontext Ihrer Datenlandschaft.
Neben der semantischen Schicht einer Datenplattform gehören dazu beispielsweise Modellierungsregeln, Namenskonventionen, Projektwissen, Verantwortlichkeiten und systemübergreifende Zusammenhänge. Genau hier setzt Context Engineering an.
Wir unterstützen Sie dabei, diese Wissensbasis strukturiert aufzubauen und den Agenten über geeignete Schnittstellen wie MCP mit den relevanten Systemen zu verbinden.
Sicherheit und Governance für den produktiven Einsatz
Sobald KI Agenten in produktiven Systemen handeln, stellt sich für jede IT Leitung dieselbe Frage. Wer darf was, wer hat es freigegeben, wer kann es nachvollziehen, und welche Daten gehen überhaupt an ein Modell.
Ein Agent sollte nur das ausführen können, was auch der angemeldete Anwender darf. Lesende und schreibende Funktionen müssen sauber getrennt, kritische Aktionen kontrolliert und Aktivitäten nachvollziehbar protokolliert werden.
Gerade in bestehenden SAP Landschaften lässt sich dieses Prinzip mit vorhandenen Berechtigungen und rollenbasierten Zugriffen kombinieren. Der BW Modeling MCP Server nutzt dieselben Schnittstellen wie die BW Modeling Tools in Eclipse, die BW Berechtigungen gelten also bei jedem Aufruf weiter. Drei zusätzliche Rollen auf der BTP legen fest, welche Werkzeuge der Agent überhaupt sieht, so kann die KI eines Entwicklers auf Lesen beschränkt bleiben, auch wenn er selbst im BW schreiben darf.
Strategie und Use-Case-Workshop
Gemeinsam analysieren wir Ihre bestehende Data & Analytics Landschaft, klären, welche Blickrichtung für Sie zählt, und finden die Einsatzfelder, in denen Agentic AI einen konkreten Nutzen bringt, mit ehrlicher Einordnung, was heute geht und was noch Roadmap ist. Dabei betrachten wir, mit Fokus auf SAP BW, Datasphere und BDC sowie Databricks und hybride Datenlandschaften, die Themenbereiche
- Agentic Analytics für Fachbereiche
- Agentic Business Planning für Controlling und Planung
- Agentische Entwicklung und Betrieb von Datenplattformen für IT Teams
Das Ergebnis ist kein allgemeines KI Konzept, sondern eine priorisierte Auswahl konkreter Szenarien, eine Einschätzung der passenden Werkzeuge und ein Vorschlag für die nächsten Schritte.
Proof of Concept und technische Umsetzung
Wir bleiben nicht bei Konzepten stehen, sondern setzen ausgewählte Szenarien gemeinsam mit Ihnen technisch um.
Wir bleiben nicht bei Konzepten stehen, sondern setzen ausgewählte Szenarien gemeinsam mit Ihnen technisch um. Dafür verbinden wir einen KI Agenten mit Ihrer vorhandenen Datenplattform, etwa bei SAP BW mit dem Open Source BW Modeling MCP Server oder bei Databricks mit dem offiziellen AI Dev Kit. So kann der Agent Ihr System analysieren, Objekte anlegen und Aufgaben direkt im System ausführen.
Dabei nutzen wir möglichst die vorhandenen Schnittstellen und Berechtigungskonzepte der jeweiligen Plattform, statt parallele Zugriffswege aufzubauen.
Context Engineering und Wissensbasis
Ein Agent liefert nur so gute Ergebnisse, wie der Kontext, den er vorfindet. Die semantische Schicht Ihrer Plattform beschreibt, was die Daten bedeuten. Alles, was in keinem System steht, bauen wir gemeinsam mit Ihnen auf, damit Agenten es dauerhaft nutzen können.
Dazu gehören insbesondere
- Erfassen von Projektwissen, Zuständigkeiten, Regelwerken und Namenskonventionen
- Aufbau einer versionierten Wissensbasis, die Menschen und Agenten gleichermaßen nutzen
- Regeln für den Agenten und eine Kennzeichnung, welches Wissen verifiziert ist und welches nicht
- Verbindung mit der semantischen Schicht Ihrer Plattform und den Systemen, in denen Ihr Kontext liegt
So arbeiten Agenten nicht nur technisch korrekt, sondern so, wie es in Ihre Landschaft passt.
