Anfang des Jahres war das Thema KI in der SAP Analytics Cloud noch recht überschaubar. Es gab ein paar marginale Funktionen, und der größte Teil davon lag hinter einer Token-Paywall in Form von AI Units. Joule gab es zwar, allerdings eher außerhalb der SAC. Über Joule ließen sich Fragen an SAC-Modelle stellen, in der SAC selbst hat Joule aber weder eine Story gebaut noch mal eben ein paar Charts in einer bestehenden Story umgestellt. Die SAP arbeitete daran, Joule richtig in die SAC zu bringen, und wer sich nach Alternativen umgeschaut hat, fand eigentlich nur einen frei zugänglichen MCP-Server aus der Community, der Inhalte auslesen und Daten exportieren konnte. Eine hilfreiche Ergänzung in der SAC allgemein, aber bezogen auf Dashboarding kein großer Wurf.
Fast forward Oktober 2026. Auf dem DSAG Jahreskongress hieß es von Seiten der SAP, dass mit dem QRC4 2026 die AI-assisted Story Generation kommt: Aus Datenmodell, Kontext und einem Prompt sollen ganze Dashboards entstehen. Auf der Sapphire im Mai war das Feature bereits als Private Preview zu sehen. Klingt erstmal gut. Nach den Gesprächen auf dem Kongress blieb bei uns allerdings eher Ernüchterung zurück, und die hat sich bestätigt: Im What’s New zum QRC4 taucht die Story Generation nicht auf. In der Roadmap steht sie inzwischen unter neuem Namen als „Data and Analytics Insights Agent“, weiterhin für Q4 2026. Intern haben wir uns deshalb gefragt, ob Claude das nicht mindestens genauso gut kann.
Das wollten wir genauer wissen und haben einen eigenen SAC MCP-Server gebaut. Der Fairness halber muss man allerdings sagen, dass ihn größtenteils Claude gebaut hat. Wir waren vor allem Product Owner: Ideen, Fragen und sehr viel „Geht das nicht auch anders?“
Der erste Commit ging an einem Samstagabend kurz vor Mitternacht raus, und nach einem Wochenende stand bereits ein Prototyp, der aus einem Prompt ganze Dashboards baut. In den Wochen danach ist daraus ein ausgewachsener MCP-Server geworden.
MCP steht für Model Context Protocol und ist ein offener Standard, über den Sprachmodelle (LLMs) wie Claude mit anderen Systemen sprechen können. Im Grunde ist ein MCP-Server ein Adapter. Er beschreibt, welche Werkzeuge ein System anbietet, zum Beispiel „Story anlegen“, „Chart hinzufügen“ oder „Theme setzen“, und das LLM entscheidet selbst, wann es welches Werkzeug benutzt. Aus einem Prompt wie „Bau mir ein Umsatz-Dashboard mit drei KPIs und einer Tabelle nach Regionen“ wird so eine Abfolge von echten Aktionen in der SAC.
Als ersten Blueprint haben wir den SAC MCP-Server von JumenEngels genommen, also den eingangs erwähnten Community-Server, der die offizielle REST-API der SAC abdeckt. Darauf haben wir eine eigene Schicht gesetzt, die die gleichen internen Schnittstellen nutzt wie die SAC-Oberfläche selbst. Mittlerweile kommt unser Server auf rund 180 Werkzeuge. Zeitgleich mit diesem Blogartikel haben wir ihn als Open Source unter MIT-Lizenz auf GitHub veröffentlicht: sac-workbench-mcp. Nach dem BW Modeling MCP Server ist es unser zweiter Open-Source-Server.
Beim Bauen von Stories legt das LLM die Story an, bindet das Datenmodell an, platziert KPIs, Charts, Tabellen und Filter und setzt Theme und Template. Auch nachträgliche Änderungen sind kein Problem, etwa einen Charttyp wechseln, Farben je Version vergeben oder eine berechnete Kennzahl ergänzen.
Im folgenden Video sieht man, wie aus einem einzigen Prompt ein komplettes Dashboard entsteht. Theme und Template sind dabei vorher festgelegt, der Rest kommt von Claude. Das Ganze funktioniert in unter 2 Minuten und 30 Sekunden. Damit es nicht ganz so langweilig ist, läuft das Video natürlich etwas schneller.
In unserem letzten Blogartikel haben wir das Dark-Mode-Dashboard der fiktiven Kölner Bäckerei NextCookie Cologne vorgestellt und am Ende angedeutet, dass Story, Datenmodell und Theme von Geisterhand gebaut wurden. Die Geisterhand war Claude, und zwar für die Story genauso wie für alles, was dahinter liegt:
Datenmodell - Filialen, Lieferdienst, Produkte, Datum und Version mit den Kennzahlen für Cookies und Getränke.
Ist-Daten - fiktive Verkaufszahlen für den Oktober, Tag für Tag erzeugt und über die Import-API geladen.
Plandaten - Tagesziele je Filiale und Cookie bis zum 31. Oktober, inklusive des Halloween-Peaks.
Modell nachschärfen - eine Kategorie-Hierarchie für Cookies vs. Getränke sowie Hilfsdimensionen für Tag und Kalenderwoche. Dafür wurden die Daten exportiert, um die neue Spalte ergänzt, neu geladen und über die Summen abgeglichen.
Theme - NL_DARK mit rund 400 CSS-Regeln für Karten, Leuchteffekte und Hover-Zustände.
Story - KPI-Kacheln, Charts, Umschalter per Scripting und Breakpoints für Tablet und Smartphone.
Von uns kamen die Idee, die Design-Regeln und viele Runden Feedback. Gebaut hat das alles Claude mit unserem MCP-Server.
Ist es perfekt? Nein.
Kann es die SAC rundum steuern? Ja.
Baut es perfekte Dashboards? Nein, zumindest nicht ganz.
Lässt man Claude oder ein anderes LLM ohne Vorgaben los, entsteht schnell AI Slop: technisch korrekt, aber mit zu vielen Charts, wild gemischten Farben und einem Layout, das so fast niemand bauen würde. Mit einem sauberen Theme, einem guten Template und ein paar klaren Design-Regeln, etwa wie viele KPIs in die obere Reihe gehören oder welche Charttypen erlaubt sind, werden daraus schnell brauchbare Dashboards. Für ein sauberes Standard-Dashboard bringt der Server bereits Basis-Guidelines mit. Gutes Design lässt sich aber nicht als Einheitslösung für alle mitliefern, denn jedes Unternehmen hat sein eigenes Corporate Design, eigene Kennzahlen und eigene Lesegewohnheiten. Damit wirklich schöne und logisch aufgebaute Dashboards entstehen, braucht es erfahrene Entwickler und Designer, die das LLM mit passenden Design-Regeln und Skills erweitern. Bei NextCookie waren das unsere eigenen, und genau da kommen wir als Beratung ins Spiel.
Am Ende greift die klassische 80/20-Regel: Rund 80 Prozent der Arbeit übernimmt das LLM. Spezialfälle, Sonderwünsche und die berühmten Extralocken müssen weiterhin von Hand oder mit gezielten Prompts nachgeschliffen werden, oft weil sie sich schlicht nicht in einem einzigen Prompt erklären lassen.
Bei NextCookie haben wir einmal nachgezählt: Von rund 1.800 Aufrufen in die SAC lief nur gut ein Drittel über fertige MCP-Werkzeuge, der Rest über Klicks im Builder, eigenes JavaScript und Screenshots, vor allem beim Konfigurieren von Charts. Genau daraus sind neue Werkzeuge entstanden, und so arbeiten wir seitdem: Jede Story zeigt uns, wo Claude noch Umwege geht oder wir nachbessern mussten, und an diesen Stellen entwickeln wir den Server weiter.
Damit das LLM in der SAC nichts anstellt, bringt der Server klare Leitplanken mit. Jede Änderung muss ausdrücklich freigegeben werden, und auf Wunsch läuft der Server auch rein lesend. Vor größeren Änderungen an einer Story entsteht ein Snapshot, Daten werden vor dem Neuladen gesichert, und geschriebene Planwerte sind zunächst nur für den Nutzer selbst sichtbar, bis er sie veröffentlicht. Der Server läuft lokal mit der eigenen SSO-Anmeldung und speichert keine Passwörter. Das LLM darf also genau das, was der angemeldete Nutzer selbst darf, und nicht mehr.
Für viele Funktionen nutzt der Server dieselben internen Schnittstellen wie die SAC-Oberfläche selbst und nicht nur die offiziell dokumentierte API. Genau das macht ihn so mächtig, denn nur so lassen sich Stories, Themes und Planungsmodelle wirklich bauen. Es heißt aber auch, dass ein Quartalsupdate einzelne Werkzeuge verändern kann. Dafür gibt es einen Smoke Test, der nach jedem Update zeigt, was anzupassen ist. Der Server ist ein Open-Source-Projekt, das wir bei NextLytics entwickeln und pflegen. Er ist weder ein kommerzielles Produkt noch ein offizieller MCP-Server der SAP, und jeder kann ihn frei nutzen.
Die AI-assisted Story Generation konnten wir selbst noch nicht testen, vergleichen lässt sich aber der Ansatz. Joule ist der Assistent der SAP, direkt in die SAC eingebaut, mit dem Modell, das die SAP dafür vorsieht, und an die Lizenz- und AI-Unit-Logik der SAP gebunden. Unser MCP-Server arbeitet von außen, mit dem LLM, das man selbst wählt, und deckt neben dem Bau von Stories auch Themes, CSS, Scripting und Planning ab.
Erste Schritte in Richtung MCP hat die SAP bereits gemacht: Auf der TechEd 2025 hat sie MCP-Unterstützung für mehrere Produkte angekündigt, in SAP HANA Cloud ist sie bereits verfügbar. Joule Studio hat inzwischen einen eigenen MCP-Builder, und auf der Sapphire 2026 wurde die Partnerschaft mit Anthropic angekündigt, um Claude auf die SAP Business AI Plattform zu holen. Einen offiziellen MCP-Server für die SAC gibt es bis heute trotzdem nicht.
Die SAP kann Joule weiter ausbauen, und wenn die Story Generation kommt, wird sie sicher ein spannendes Feature für die SAC. Langfristig wird sich die SAP aber nicht vor MCP und der freien Wahl des LLMs verschließen können. Etwas überspitzt könnte man auch sagen: Während die SAP ihre Story Generation noch vorbereitet, baut Claude schon Stories in der SAC.
Apple schreibt auf seine Geräte „Designed by Apple in California. Assembled in China.“ Gilt für unsere SAC Stories also bald „Designed by NextLytics, made by Claude“?
Wir bleiben gespannt, wie sich die AI-assisted Story Generation der SAP im direkten Vergleich schlägt
In den kommenden Wochen schauen wir uns im zweiten Teil an, was unser SAC MCP neben Stories noch alles kann - von Planning über Datenmodelle bis zur Administration. Wer nicht so lange warten will, findet den Server ab sofort auf GitHub.
Haben Sie Fragen zur SAP Analytics Cloud oder wollen Sie KI-gestütztes Dashboarding selbst ausprobieren? Nehmen Sie einfach Kontakt zu uns auf - wir freuen uns auf den Austausch mit Ihnen!