SAP-Wiki

SAP AI Core ist die Maschine darunter. Sie führt KI-Workflows und Modell-Auslieferungen aus, arbeitet hyperscaler-unabhängig und deckt den gesamten Lebenszyklus eines KI-Szenarios ab, vom Training über die Bereitstellung bis zur Ablösung. Unter der Haube laufen Kubernetes, Argo Workflows und KServe. Trainingsdaten und Modelle liegen in einem Objektspeicher, der Code in einem Git-Repository, die Container in einer eigenen Registry. Wer damit arbeitet, arbeitet mit einer MLOps-Plattform, nicht mit einem Klickwerkzeug.

Der generative AI hub ist der Teil, den heute die meisten Projekte zuerst brauchen. Er stellt Sprachmodelle über eine einheitliche, kontrollierte Schnittstelle bereit, von SAP gehostete ebenso wie Modelle anderer Anbieter, und verwaltet Prompts über ihren Lebenszyklus. Rund um diese Schnittstelle liegen Funktionen wie Grounding auf eigene Dokumente, Maskierung sensibler Inhalte und Inhaltsfilter. Wichtig für die Planung: Den generative AI hub gibt es ausschließlich im erweiterten Serviceplan.

Die Abrechnung folgt dem Verbrauch. Generative KI misst SAP in Token, die anhand von Ein- und Ausgabemenge in Capacity Units umgerechnet werden. Eigene, prädiktive Modelle kosten dagegen Rechenzeit, Speicher und eine stündliche Grundlast. Das macht die Kosten schwer vorhersagbar, solange die Nutzung unbekannt ist. In der Praxis empfiehlt sich deshalb ein eng geschnittener Erstanwendungsfall mit gemessenem Verbrauch, bevor eine Plattformentscheidung fällt.