SAP: KI im Jahr 2026 – Fünf bestimmende Themen

Um die Entwicklung von KI zu steuern, müssen Unternehmen verstehen, dass es nicht mehr nur um die Frage geht „Was kann KI tun?“, sondern „Wie bringen wir unser Unternehmen mit KI auf Erfolgskurs? Was müssen wir dafür tun? Welche Probleme löse ich mit welchen Modellen? Wie steuern wir all das?

Sehen wir uns fünf wichtige Themen an, die Unternehmens-KI im Jahr 2026 bestimmen werden und die für Unternehmen sowohl Chancen als auch Herausforderungen bedeuten. Los geht’s!

1. Neue Kategorien von KI-Basismodellen schaffen Mehrwert für Unternehmen

Die Fortschritte in der generativen KI sind auf Durchbrüche bei den sogenannten Basismodellen zurückzuführen. Dabei handelt es sich um umfangreiche neuronale Netzwerke, die mit enormen Datenmengen trainiert werden und an verschiedenste Aufgaben angepasst werden können.

Große Sprachmodelle (Large Language Models, LLMs) waren die erste Welle von umfassenden Basismodellen. Allgemeine LLMs, die mit dem Äquivalent aller Texte im Internet trainiert wurden, ermöglichten viele wertschöpfende Anwendungsfälle wie das Zusammenfassen von Dokumenten, das Schreiben von Code und die Unterstützung von Anwendungen wie ChatGPT und Claude. In den letzten Jahren haben wir bereits gesehen, wie der Ansatz der Basismodelle in anderen Bereichen angewendet wurde, beispielsweise zum Erstellen von Videos und Generieren von Sprache.

2026 werden spezialisierte Basismodelle, die für bestimmte Datentypen und Bereiche optimiert sind, hochwertige Anwendungsfälle für Unternehmens-KI unterstützen. Bei Modellen zur Videogenerierung ließ sich bereits beobachten, dass Modelle, die auf realen physikalischen Daten beruhen, Schlussfolgerungen aus Szenen und physikalischer Dynamik ziehen können. Die aufkommenden Weltmodelle zeigen, dass das Simulieren der physischen Welt neue Möglichkeiten in den Bereichen Simulation, synthetische Trainingsdaten und digitale Zwillinge eröffnet. Vision-Language-Action-Modelle demonstrieren, dass Robotik-Basismodelle Verallgemeinerungen ableiten und auf neue Aufgaben und Umgebungen anwenden können, wodurch die Umwandlung von Wissen im Webmaßstab in reale Maßnahmen in den Bereichen Logistik und Fertigung möglich wird.

Im Unternehmensbereich findet gerade eine ähnliche Veränderung in Bezug auf strukturierte Daten in Datenbanken und transaktionaler Unternehmenssoftware statt. Obwohl LLMs in vielen Anwendungsfällen in Unternehmen beeindruckende Ergebnisse liefern, können sie Aufgaben wie numerische Prognosen, etwa die Herleitung eines Lieferdatums oder einer Bewertung von Lieferantenrisiken, nicht lösen. Arbeiten zu relationalen Basismodellen zeigen jedoch, dass das Training mit strukturierten Datensets – beispielsweise Daten in Tabellen statt allgemeinen Texten oder Bildern aus dem Internet – eine hohe Genauigkeit von Vorhersagen ermöglicht, ganz ohne mühsames Feature Engineering und Training, wie es beim klassischen maschinellen Lernen erforderlich ist. Das bedeutet, dass Unternehmen Prognosemodelle innerhalb von wenigen Tagen statt Monaten implementieren können. Kürzlich eingeführte relationale Basismodelle wie SAP-RPT-1, Kumo und Distil Labs zeigen, wie neue Modelle Anwendungsfälle wie Prognosen, Erkennung von Anomalien und Optimierung in ERP-, Finanz-, Fertigungs- und Supply-Chain-Szenarien direkt unterstützen können.

Es ist zu erwarten, dass diese spezialisierten Modelle 2026 skaliert werden und für strukturierte Geschäftsaufgaben erstklassige, effiziente Leistung liefern. Damit werden sie allgemeine LLMs und moderne Algorithmen für maschinelles Lernen übertreffen. Diese Modelle werden künftig die Zugpferde für wertschöpfende Aufgaben in Unternehmen sein.

2. Software entwickelt sich hin zu einer KI-basierten Architektur

Im Bereich der KI waren im Laufe der Jahrzehnte verschiedenste wertschöpfende Ansätze zu beobachten – von den ersten regelbasierten Expertensystemen über probabilistisches Deep Learning bis hin zum jüngsten Boom bei generativer KI. 2026 werden Unternehmen von der Erweiterung bestehender KI-Anwendungen und -Prozesse zu KI-basierten Architekturen übergehen, die das Versprechen moderner KI voll einlösen werden.

KI-basierte Architekturen ergänzen deterministische Systeme um eine Schicht für kontinuierliches Lernen und agentische KI. Dadurch sind absichtsgesteuerte und kontextbezogene Anwendungen möglich, die sich selbst verbessern, und die nicht statisch um festgelegte Workflows herum codiert werden müssen. Agentische Systeme werden jedoch auch weiterhin nur so gut sein, wie die Kontextschicht, auf der sie beruhen und von der sie zuverlässig Informationen abrufen können. Im Hinblick darauf sollten Unternehmen in umfassende, semantisch umfangreiche Wissensgraphen investieren, die eine skalierbare Kontextquelle bieten und eine KI-basierte Software ermöglichen, die zuverlässig ist und sich selbst verbessern kann.

Unternehmensanwendungen werden zunehmend nativ auf KI-Funktionen aufbauen und Benutzererfahrungen bieten, die für Interaktionen mit mehreren Modellen in natürlicher Sprache konzipiert sind. Sie werden mit KI-Agenten ausgestattet sein, die Schlussfolgerungen über komplexe Prozesse hinweg ziehen können und über eine Grundlage zur Verwaltung von Basismodellen, Services und einen Wissensgraphen zum Erfassen semantisch umfassender Geschäftsdaten verfügen. Mit einer auf KI basierenden Architektur können auch mehr Mitarbeiter in kürzester Zeit selbst Apps erstellen – beispielsweise kleinere Ad-hoc-Produktivitätsanwendungen –, ohne dafür IT-Teams beanspruchen zu müssen.

Eine Voraussetzung für eine KI-basierte Architektur sind etablierte SaaS-Prinzipien und Investitionen in moderne Cloud-Anwendungen, auf denen sie aufbauen kann. Der Fachbegriff für die Kombination von probabilistischen, adaptiven KI-Modellen mit deterministischen Aufzeichnungssystemen lautet neurosymbolische KI. Sie vereint die besten Fähigkeiten von KI zur Anpassung an zuverlässige, steuerbare und deterministische Prozesse. Anwendungen der nächsten Generation werden KI nicht nur unterstützen, sie werden im Kern auf KI aufbauen. Das bedeutet, dass Schlussfolgerungen, Geschäftsregeln und Daten kombiniert werden, um nahtlos Erkenntnisse zu liefern und zu automatisieren. Stellen Sie sich ERP-Systeme vor, die proaktiv Anomalien melden, Maßnahmen empfehlen und sogar Workflows autonom ausführen – und all das im Einklang mit Unternehmensrichtlinien und gesetzlichen Vorschriften.

3. Agentische Governance wird zu einem geschäftskritischen Aspekt

In den letzten zwei bis drei Jahren hat generative KI eine Welle von wertschöpfenden Anwendungsfällen ausgelöst. Diese Anwendungsfälle basierten größtenteils auf folgendem Muster: Benutzer senden einen Prompt an ein Modell, erhalten eine Antwort und interagieren erneut mit dem Modell.

Im vergangenen Jahr rollte die nächste Innovationswelle an: KI-Agenten, die mehrstufige Aufgaben planen und iterativ durchdenken können, einschließlich der Auswahl von Tools, der Selbstreflexion über den Fortschritt und der Zusammenarbeit mit anderen KI-Agenten. Diese fortschrittlichen KI-Agenten versprechen, komplexe Geschäftsprozesse anzugehen, die bisher nicht automatisiert werden konnten, etwa die Analyse einer großen Anzahl von Dokumenten, Aufzeichnungen und Richtlinien, um einen Streitfall beizulegen oder eine Reise zu buchen.

Die zunehmende Verbreitung von KI-Agenten, von denen viele kritische Aufgaben und sensible Daten verarbeiten, erfordert jedoch die Entwicklung neuer Funktionen. Agentische Governance wird sich als eine wichtige Funktion herausstellen, wenn Unternehmen Hunderte von spezialisierten KI-Agenten einsetzen. Die Herausforderung des „Agenten-Wildwuchses“ wird an frühere Schatten-IT-Krisen erinnern, doch angesichts der autonomen Entscheidungsfähigkeiten von Agenten wird sie mit höheren Risiken einhergehen.

Zukunftsorientierte Unternehmen werden umfassende Governance-Frameworks schaffen, die fünf Dimensionen abdecken: Lebenszyklusmanagement für Agenten (Versionskontrolle, Testprotokolle, Implementierungsgenehmigungen, Verfahren für die Außerbetriebnahme), Beobachtbarkeit und Auditierbarkeit (Verzeichnis, Protokollierung, Argumentationspfade und Aktions-Traces von Agenten), Durchsetzung von Richtlinien (Einbettung von Geschäftsregeln, gesetzlichen Einschränkungen und ethischen Richtlinien in die Ausführungsabläufe von Agenten), Modelle für die Zusammenarbeit zwischen Mensch und Agent (Definition von Autonomiegrenzen, Genehmigungsanforderungen und Eskalationspfaden) und Leistungsüberwachung (Nachverfolgung von Genauigkeit, Effizienz, Kosten und geschäftlichen Auswirkungen).

Der organisatorische Wandel wird tiefgreifend sein – von der Betrachtung der KI als unabhängiges Werkzeug bis hin zur Verwaltung von Agenten als digitale Mitarbeitende, die ein Onboarding, Leistungsbeurteilungen und kontinuierliche Verbesserung erfordern. HR- und IT-Abteilungen werden beim „digitalen Personalmanagement“ zusammenarbeiten, da Unternehmen die agentische Governance ebenso ernst nehmen wie die herkömmliche Kontrolle des Personals.

4. Absichtsgesteuertes ERP und generative UI bieten neuen Nutzungskomfort

Verbraucher sind zunehmend besser mit Computerinteraktionen vertraut, die Prompts in natürlicher Sprache, Spracheingaben und sogar in Form von Bildern und Gesten erfordern. Gleichzeitig wird sich die Fähigkeit von generativer KI, Texte, Grafiken, Code und HTML dynamisch zu erstellen, rasch verbessern. Parallel dazu wird es möglich sein, dass Nutzer einfach ihre Absichten ausdrücken, sodass KI-Agenten ermitteln können, wie sie dieses Ziels erreichen.

Diese Fortschritte eröffnen Nutzern vielfältige, völlig neue Modalitäten für das Arbeiten mit Unternehmenssoftware und mit ERP-Software ohne App („No-App ERP“). Betrachten wir als Beispiel das Buchen eines Kundenbesuchs. Dafür müssen Mitarbeitende in der Regel eine Analyseanwendung öffnen, um das Kundenkonto zu überprüfen. Dann suchen sie im CRM-System nach der Adresse des Kunden und navigieren schließlich zu einer anderen Anwendung, um die Reise zu buchen. 

2026 werden wir mit digitalen Assistenten häufiger über „Gen UIs“ arbeiten. Generative UI entlastet Nutzer, da sie nicht mehr zwischen mehreren Anwendungen navigieren und manuelle Aufgaben ausführen müssen. Mit der Zeit werden Nutzer dank KI einfach ihre Absicht ausdrücken können: „Bereite eine Reise zu meinem Kunden mit den meisten Leads vor.“ Der KI-Agent plant daraufhin die entsprechenden Schritte und erforderlichen Systeme und interagiert mit dem Benutzer, um sich Reisedetails bestätigen zu lassen. Inzwischen generiert er dynamische Analysediagramme und Briefingmaterial im Fenster. Da KI-Agenten immer leistungsfähigere Berechnungs- und Vorhersagetools entwickeln, werden sie es Nutzern ermöglichen, „natürlicher mit ihren Daten zu sprechen“, während die Agenten im Hintergrund datenbasierte Entscheidungen treffen. Um es noch einmal zu verdeutlichen: Interaktionen mit Agenten werden weit über gängige Chat-Dialoge hinausgehen. Unternehmen werden über umfangreiche Visualisierungen, vollständige Workflows und die Möglichkeit verfügen, mit nur wenigen Befehlen hochgradig personalisierte Apps zu erstellen.

Die Benutzungsoberfläche an sich wird nicht verschwinden. Für das Arbeiten mit ERP unabhängig von einer App und mit autonomen Agenten sind dieselben Grundlagen erforderlich, auf die sich Menschen bereits bei ihrer täglichen Arbeit verlassen: strukturierte Workflows, Sicherheit, Governance und Geschäftslogik, die in Geschäftsanwendungen definiert sind. Der Unterschied besteht darin, dass Agenten diese Grundoperationen programmtechnisch in großem Maßstab konsumieren, nicht nur über eine grafische Benutzungsoberfläche. Menschen können mit diesen Agenten über natürliche Sprache interagieren, ohne die Anwendung überhaupt öffnen zu müssen.

Diese Funktionen werden ein neues Paradigma für die Zusammenarbeit zwischen Mensch und KI und für Produktivität am Arbeitsplatz etablieren. Personalisiertes Arbeiten und anpassungsfähige Workflows über Anwendungen und Datenquellen hinweg werden die Akzeptanz verbessern. Diese Fähigkeit, sich unabhängig von der Interaktionsmodalität und den zugrunde liegenden Systemen ausschließlich auf das Erreichen der Absicht eines Nutzers zu konzentrieren, wird die Investitionsrendite (ROI) von KI und Unternehmenssoftware steigern.

5. Deglobalisierung steigert das Angebot an souveräner KI

KI sorgte für Debatten über digitale Souveränität zwischen verschiedenen Ländern, da sie potenziell Auswirkungen auf alles hat, von wissenschaftlichen Entdeckungen über nationale Sicherheit bis hin zu volkswirtschaftlicher Produktivität und selbst die Kultur. Geopolitische Ereignisse wie Störungen in der Lieferkette durch Zölle und Krieg haben die Dringlichkeit des Erreichens digitaler Souveränität, die viele Nationen und Unternehmen verspüren, noch verstärkt.

Digitale Souveränität hat zwei weit gefasste Definitionen. Erstens ist digitale Souveränität eine Bezeichnung für Informationssicherheit, die die Speicherung und den Zugriff auf Daten regelt, so etwa FedRAMP in den USA und die VSA in Deutschland, die die Voraussetzung dafür sind, sensible Regierungsdaten in einer souveränen Cloud zu verarbeiten. In der zweiten, etwas allgemeineren Definition bezieht sich Souveränität auf die Herkunft von physischen Anlagen, geistigem Eigentum, Gerichtsstand und Services für den gesamten Cloud-Stack. Nutzt eine Anwendung beispielsweise ein KI-Modell, das in Europa, den USA oder China erstellt wurde, und ist das Rechenzentrum geografisch isoliert?

Angesichts der hohen Risiken, der geopolitischen Unsicherheit und der Komplexität von „souveräner KI“ werden Unternehmen zunehmend nach KI- und Cloud-Lösungen verlangen, die gleichzeitig hochmodern, flexibel und vollständig souverän sind. Das forciert den Wandel von einer globalisierten Einheits-Cloud zu regional konformen, KI-gestützten Unternehmensplattformen. Gleichzeitig werden die Regierungen ihre nationalen KI-Strategien weiter verfeinern, um in Bereiche entlang des Stacks zu investieren, in denen sie wettbewerbsfähig sind und Mehrwert schaffen können.

Umsetzung der KI-Themen im Jahr 2026

2026 ist KI auf dem besten Weg, sich von einem unterstützenden Werkzeug zu einer tragenden Säule für Unternehmen zu entwickeln. Dieser Wandel wird durch eine Annäherung entscheidender Trends vorangetrieben – darunter immer leistungsfähigere Agenten, generative Benutzungsoberflächen und KI-basierte Architektur –, die KI aus der Anwendungsschicht in den Kern von Geschäftsabläufen verlagern.

Erfolgreich werden die Unternehmen sein, die diesen Wandel erkennen und ein Unternehmen aufbauen, das speziell auf KI ausgerichtet ist: Sie schaffen eine robuste Governance, um eine neue, kollaborative Belegschaft aus Menschen und KI-Agenten zu verwalten. Sie führen generative Benutzungsoberflächen ein, um die Akzeptanz zu verbessern und Nutzern ein absichtsgesteuertes Arbeiten durch natürliche Interaktion zu ermöglichen. Sie machen spezialisierte Basismodelle ausfindig, die genau auf die Anwendungsfälle des Unternehmens abgestimmt sind, um den geschäftlichen Nutzen zu steigern, und nicht zuletzt entwickeln sie nahtlos Anwendungen rund um die KI, die logische Schlussfolgerungen, Geschäftsregeln und Daten vereinen und proaktive Erkenntnisse liefern und Automatisierung ermöglichen.

Unternehmen werden jedoch auch im Jahr 2026 weiterhin hochwertige, vernetzte Daten benötigen. Datensilos schränken die Effektivität von KI stark ein. Wie bereits erwähnt, setzt eine KI-basierte Architektur Investitionen in moderne Cloud-Anwendungen voraus, die Daten im gesamten Unternehmen harmonisieren – denn einheitliche Daten sorgen dafür, dass die Ergebnisse der KI genauer und relevanter sind.

________________________________________

Jonathan von Rueden ist Chief AI Officer der SAP SE.
Walter Sun ist Senior Vice President und Global Head of AI for SAP Business AI bei der SAP.
Sean Kask ist Vice President und Head of AI Strategy for SAP Business AI bei der SAP.

– – – – –

Weiterführende Links

👉 www.sap.com 

Foto: pixabay