Wer heute als Fertigungsunternehmen eine SAP S/4HANA Migration durchführt oder plant, steht vor einer Entscheidung, die über das nächste Jahrzehnt hinaus wirkt: Bauen Sie ein modernes ERP auf - oder bauen Sie eine KI-fähige Unternehmensplattform?
Der Unterschied ist nicht trivial.
Viele IT-Leiter, die wir in der DACH-Fertigungsindustrie begleiten, beschreiben denselben Moment: Der S/4HANA-Rollout läuft. Die Daten werden bereinigt, Prozesse neu strukturiert, Legacy-Abhängigkeiten gelöst. Und plötzlich liegt eine Frage auf dem Tisch, die vorher nie so greifbar war: "Wäre jetzt nicht der richtige Zeitpunkt, KI direkt einzubetten?"
Die Antwort ist: Ja - und die Frage stellt sich nur einmal. Wer die S/4HANA Migration ohne KI-Architektur abschließt, baut morgen teuer nach. Wer sie mit KI-Planung abschließt, hat eine Plattform, die sich selbst verbessert.
Dieser Leitfaden zeigt, wie Fertigungsunternehmen die laufende S/4HANA Migration als KI-Beschleuniger nutzen - konkret, schrittweise, ohne DSGVO-Risiken.
Warum S/4HANA der ideale KI-Einstiegspunkt für die Fertigung ist
SAP S/4HANA ist kein ERP-Upgrade. Es ist eine Datennormalisierung auf Enterprise-Niveau. Genau das, was KI-Modelle brauchen, um zuverlässig zu funktionieren.
Was sich in S/4HANA ändert, das für KI entscheidend ist:
- Einheitliches Datenmodell (Universal Journal): Finanz-, Controlling- und Logistikdaten liegen erstmals in einem konsistenten Modell. KI-Modelle für Predictive Analytics, Demand Forecasting und Anomalie-Erkennung können direkt darauf aufsetzen - ohne aufwändige Datenpipelines.
- Embedded Analytics (SAP Analytics Cloud / BW/4HANA): S/4HANA liefert Echtzeit-Reporting nativ. KI-Layer können auf denselben Daten operieren, auf denen Ihr Controlling-Team arbeitet.
- SAP BTP (Business Technology Platform): Die offizielle Erweiterungsplattform für Custom KI-Applikationen. Schnittstellen zu externen Modellen (REST APIs, Python-Microservices, LLMs) sind standardisiert und DSGVO-konform konfigurierbar.
- Fiori / UI5 als Interface-Layer: KI-Assistenten lassen sich direkt in bestehende Fiori-Oberflächen einbetten - ohne separate Portale oder Parallelinfrastruktur.
Was das für den IT-Leiter bedeutet: Die Datenbasis, die für S/4HANA vorbereitet wird, ist dieselbe, die KI-Modelle brauchen. Einmal sauber gemacht - zweimal genutzt.
Die 3 häufigsten KI-Anwendungsfälle in der S/4HANA-Fertigungsumgebung
Diese Use Cases haben wir in den letzten 24 Monaten bei DACH-Fertigungsunternehmen mit 200-5.000 Mitarbeitern erfolgreich implementiert. Alle sind produktiv und laufen seit mindestens sechs Monaten.
1. Predictive Maintenance mit Maschinendaten-Integration
Was es ist: KI-Modelle analysieren Sensor- und Maschinendaten (IoT, SCADA, MES) kontinuierlich und prognostizieren Wartungsbedarf, bevor Ausfälle entstehen.
Wie es in S/4HANA integriert wird:
- Maschinendaten über SAP IoT oder externe MQTT-Broker in den S/4HANA Plant Maintenance (PM/EAM) Modul eingespielt
- KI-Modell läuft als Python-Microservice auf SAP BTP oder on-premise
- Wartungsaufträge werden automatisch in S/4HANA PM erzeugt, wenn das Modell einen kritischen Schwellenwert überschreitet
- Fiori-Dashboard zeigt Wartungsprognosen mit Konfidenzintervall für Schichtleitung
Typischer ROI-Faktor: Ungeplante Ausfallzeiten sinken um 25-40%. Bei einer Anlage mit 8h Ausfallkosten von 50.000 EUR amortisiert sich das Projekt in unter 6 Monaten.
DSGVO-Relevanz: Maschinendaten sind personenbezogen, wenn sie Rückschlüsse auf Schichtverantwortliche ermöglichen. Betriebsratseinbindung frühzeitig planen. DSFA empfohlen.
2. Demand Forecasting und automatische Bestellauslösung
Was es ist: KI-Modelle prognostizieren Bedarfsmengen auf Basis historischer Auftragsdaten, Saisonalität, Lieferkettensignalen und externen Daten (Markttrends, Energiepreise). Bestellvorschläge werden direkt in S/4HANA MM erzeugt.
Wie es in S/4HANA integriert wird:
- Historische Auftragsdaten aus S/4HANA SD/MM als Trainings-Datenbasis
- Externe Daten (Lieferanten-Leadtimes, Rohstoffpreise) über API-Integration angereichert
- Modell läuft wöchentlich, Ergebnisse als Bestellvorschläge in S/4HANA MM
- Ausnahme-Handling: Abweichungen > X% werden als Aufgabe an Einkäufer geroutet
Typischer ROI-Faktor: Lagerbestand sinkt um 15-25% bei gleichzeitiger Verfügbarkeitsverbesserung. Für ein Unternehmen mit 50M EUR gebundenem Lagerkapital: 7,5-12,5M EUR Kapitalbindungsreduktion.
Häufiger Fehler: Modell wird mit 2-3 Jahren historischer Daten trainiert, ohne COVID-Ausreißer (2020-2022) als Anomalien zu kennzeichnen. Das Modell lernt falsche Muster. Datenqualitätsprüfung vor dem Training ist nicht optional.
3. KI-gestützte Qualitätskontrolle mit S/4HANA QM-Integration
Was es ist: Bilderkennungs-KI (Computer Vision) oder statistische Modelle (SPC-KI) erkennen Qualitätsabweichungen in Echtzeit - direkt in der Linie oder kurz danach. Befunde werden automatisch in S/4HANA QM (Quality Management) dokumentiert.
Wie es in S/4HANA integriert wird:
- Kamerasystem oder Messgerätdaten in Echtzeit-Pipeline eingespeist
- Computer Vision Modell läuft on-premise (DSGVO-konform) auf GPU-Edge-Hardware
- Qualitätsmeldungen (Q-Meldungen) werden automatisch in S/4HANA QM erzeugt
- Rückverfolgbarkeit: Chargen- und Seriennummern-Verknüpfung über S/4HANA Batch Management
Typischer ROI-Faktor: Ausschussquote sinkt um 30-60%. Rückrufrisiken und Garantiekosten sinken proportional. Bei einem Ausschusswert von 2M EUR/Jahr: 600K-1,2M EUR Einsparung.
Besonderheit für Fertigungsmesstechnik: In Präzisionsbranchen (Messtechnik, Medizintechnik-Zulieferer) ersetzt KI-Qualitätskontrolle aufwändige manuelle Sichtprüfungen und ermöglicht 100%-Kontrolle statt Stichproben.
Was Fertigungsunternehmen bei der S/4HANA-KI-Integration falsch machen
In der Praxis beobachten wir dieselben vier Fehler, die Projekte verzögern oder scheitern lassen:
Fehler 1: KI als Phase 2 planen - nach dem Go-live
"Erst S/4HANA stabilisieren, dann KI." Das klingt vernünftig. Es ist ein teurer Fehler. Die KI-Architektur - welche Daten wo gespeichert werden, welche APIs verfügbar sind, wie der BTP-Tenant konfiguriert wird - muss während des S/4HANA-Projekts entschieden werden. Nachträglich sind diese Entscheidungen zehnmal teurer.
Fehler 2: US-Cloud-KI-Tools ohne DSGVO-Prüfung
SAP AI Core, AWS SageMaker, Azure OpenAI - alle haben EU-Rechenzentren, aber unterschiedliche Datenverarbeitungsverträge. Für Fertigungsunternehmen mit Betriebsgeheimnissen (Konstruktionsdaten, Prozessparameter) gilt: Jedes Datenmodell, auf das ein US-Unternehmen im Rahmen des Cloud Act potenziell Zugriff hat, ist ein juristisches Risiko. DSFA-pflichtig, Betriebsrat-relevant.
Fehler 3: KI-Projekte als IT-Projekte behandeln
Predictive Maintenance scheitert nicht an Technik - es scheitert, wenn Schichtleitung und Instandhaltung nicht eingebunden sind. Demand Forecasting scheitert, wenn der Einkauf den KI-Vorschlägen nicht vertraut. Jedes KI-Projekt in der Fertigung ist ein Change-Management-Projekt mit einer IT-Komponente.
Fehler 4: Zu groß starten
"Wir wollen alle drei Use Cases gleichzeitig einführen." Nach 18 Monaten ist keiner produktiv. Der richtige Ansatz: Ein Use Case, der messbaren ROI in 90 Tagen liefert, als Referenz für alle anderen. Die Organisation lernt, der Vorstand sieht Zahlen, das nächste Projekt hat Rückenwind.
Ihre nächsten 90 Tage: Ein konkreter Fahrplan
Wenn Sie gerade mitten in der S/4HANA Migration sind oder sie in den nächsten 12 Monaten starten:
Woche 1-2: KI-Readiness Assessment
- Welche Datenpipelines sind im S/4HANA-Projekt bereits geplant?
- Welche KI-Anwendungsfälle haben den höchsten ROI-Hebel für Ihr Unternehmen?
- Wie ist Ihr BTP-Tenant konfiguriert? Welche API-Schnittstellen stehen zur Verfügung?
- DSGVO-Status: Liegt ein DSFA für geplante KI-Anwendungen vor?
Woche 3-4: Use-Case-Selektion und Business Case
- Einen Use Case auswählen, der in 90 Tagen produktiv sein kann
- Business Case rechnen: erwarteter ROI, Investition, Payback-Periode
- Stakeholder-Alignment: IT, Betriebsrat, Fachabteilung, Geschäftsführung
Woche 5-12: Pilot-Implementierung
- Modell trainieren auf S/4HANA-Daten (Datenqualitätsprüfung zuerst)
- Integration über SAP BTP oder on-premise Microservice
- User Acceptance Testing mit Fachabteilung (nicht nur IT)
- Go-live + Monitoring: KPIs täglich, Modell-Performance wöchentlich
Nach 90 Tagen: Messbarer ROI, erste interne Referenz, Entscheidungsgrundlage für den nächsten Use Case.
DSGVO-Checkliste für KI in S/4HANA-Fertigungsumgebungen
Bevor Sie mit dem ersten Use Case starten, prüfen Sie diese sieben Punkte:
- Datenspeicherort - Liegen alle Trainings- und Inferenz-Daten auf EU-Servern?
- Auftragsverarbeitung - Liegt ein AVV mit allen Cloud-Anbietern vor (SAP BTP, externe Modell-APIs)?
- DSFA - Ist eine Datenschutz-Folgenabschätzung für KI-Entscheidungen mit Mitarbeiterrelevanz durchgeführt?
- Betriebsrat - Ist der Betriebsrat eingebunden, wenn KI-Systeme Arbeitsprozesse überwachen oder Entscheidungen beeinflussen? (§ 87 BetrVG)
- Transparenz - Können Betroffene erfahren, dass eine KI-Entscheidung sie betrifft? (Art. 22 DSGVO)
- Löschkonzept - Ist definiert, wie lange Trainings- und Inferenz-Logs gespeichert werden?
- EU AI Act Compliance - Fällt Ihr Use Case unter Hochrisiko-KI (Art. 6 EU AI Act)? Fertigungsmesstechnik und Sicherheitskomponenten sind betroffen.
Fazit: Das Fenster ist jetzt offen
Die SAP S/4HANA Migration ist kein Pflichtprogramm - sie ist der größte Modernisierungsschub, den Ihr Unternehmen in dieser Dekade durchläuft. Wer KI von Anfang an mitdenkt, baut eine Plattform, die sich selbst optimiert. Wer es nicht tut, zahlt morgen für eine zweite Digitalisierungsrunde.
Die gute Nachricht: Ein erster Use Case - mit klarem ROI, DSGVO-konform, 90 Tage bis zur Produktion - braucht keine Millionenbudgets. Er braucht die richtigen Architekturentscheidungen im S/4HANA-Projekt, einen fokussierten Pilot und einen Partner, der Fertigung und KI kennt.
Lassen Sie uns in 30 Minuten prüfen, ob Ihr S/4HANA-Projekt KI-ready ist - kostenlos.