Stand: 13. April 2026

Wie audaxes eigene SAP-Dokumentation mit Large Language Models (LLMs) kombinieren – und was dabei für unsere Kunden entstehen könnte

Künstliche Intelligenz (KI) verändert die Art, wie Unternehmen mit Wissen arbeiten. Auch im SAP-Umfeld wird dieses Thema immer konkreter – nicht nur durch neue Produkte wie den Joule-Copiloten, sondern auch durch eigene Möglichkeiten, die die SAP Business Technology Platform (BTP) heute schon bietet. Bei audaxes haben wir begonnen, diese Möglichkeiten aktiv zu erkunden – mit einem ersten internen Prototypen, der zeigt, was technisch möglich ist.

Die Idee: SAP-Dokumentation intelligent nutzbar machen

Im Projektalltag stellen sich regelmäßig dieselben Fragen: Wo steht nochmal genau, wie sich ein bestimmter Prozess in SAP Transportation Management (SAP TM) konfiguriert? Oder welche Customizing-Einstellung greift bei einem spezifischen Szenario in SAP Extended Warehouse Management (SAP EWM)?

Klassische Suche – ob im SAP Help Portal, in internen Wikis oder über Suchmaschinen – liefert oft viele Treffer, aber selten die präzise Antwort. Genau hier setzt das Konzept des Retrieval-Augmented Generation (RAG) an: Statt ein Sprachmodell (LLM) nur mit generischem Wissen zu befragen, kombiniert man es mit einer eigenen, themenspezifischen Wissensbasis. Das Modell antwortet dann nicht aus dem Bauch heraus, sondern gestützt auf tatsächliche, relevante Dokumente.

Prototyp von audaxes: Ein SAP TM/EWM Knowledge Assistant

audaxes hat einen ersten Knowledge Assistant entwickelt, der genau dieses Prinzip demonstriert – spezialisiert auf SAP TM und EWM. Die Architektur besteht aus vier Schichten:

UI Layer
Der Nutzer stellt eine Frage über eine einfache HTML-Oberfläche im Browser – intuitiv, ohne SAP-Transaktionen zu öffnen.

Application Layer
Ein CAP-Service (Node.js), entwickelt in der SAP Business Application Studio (BAS), steuert den gesamten Ablauf: Er empfängt die Frage, koordiniert das Retrieval, erstellt den Prompt für das Sprachmodell und liefert die Antwort zurück.

Retrieval Layer
Die Kernlogik: Die Nutzerfrage wird in ein semantisches Embedding umgewandelt. Dieses Embedding wird mit einer Vektordatenbank verglichen, die unsere aufbereiteten SAP-Dokumentationen enthält. Per Cosine Similarity werden die relevantesten Textabschnitte (Chunks) ermittelt und an das LLM übergeben.

LLM Layer
Die eigentliche Antwort wird von einem Large Language Model (LLM) generiert – in unserem Prototyp aktuell noch über die Gemini API – auf Basis der ausgewählten Kontextdaten und ergänzt durch das allgemeine Sprachverständnis.

Die SAP-native Zukunft: HANA Cloud, AI Core und mehr

Unser Prototyp zeigt, was möglich ist. Der nächste logische Schritt ist die Migration auf vollständig SAP-native Technologien der BTP:

Aktuell (lokal/extern)	SAP BTP nativ
Lokale Datenspeicherung	SAP HANA Cloud
Lokale Ähnlichkeitsberechnung	HANA Vector Search
Gemini API	SAP AI Core
HTML-Test-UI	SAP Fiori / Build Apps

Mit SAP HANA Cloud und dem integrierten Vector Search entfällt die externe Vektordatenbank – die Ähnlichkeitssuche läuft direkt in der vertrauten SAP-Infrastruktur. SAP AI Core übernimmt das Lifecycle-Management der KI-Modelle, inklusive Skalierung, Monitoring und Governance. Und SAP Build Apps oder Fiori sorgen für eine professionelle, unternehmenstaugliche Benutzeroberfläche.

Was das für SAP-Logistikkunden bedeutet

Die praktischen Anwendungsfälle liegen auf der Hand:

• Schnellere Projektarbeit: Berater und Key User können komplexe Customizing-Fragen direkt stellen – und erhalten Antworten, die auf der eigenen Projektdokumentation basieren.
• Wissenstransfer im Team: Projektdokumentationen, Blueprint-Dokumente und interne Handbücher werden für alle Teammitglieder durchsuchbar und dialogfähig.
• Onboarding neuer Mitarbeiter: Ein thematisch geschulter Assistant kann neue Kollegen bei der Einarbeitung in SAP EWM- oder TM-Prozesse unterstützen.
• Hypercare-Support: Im Betrieb können häufige Supportfragen durch einen intelligenten Assistenten vorqualifiziert oder direkt beantwortet werden.

Fazit: audaxes experimentiert – und das bewusst

Bei audaxes liegt unsere Kernkompetenz in der SAP Supply Chain Logistik. Genau deshalb wissen wir, wo KI in SAP-Logistiklösungen echten Mehrwert schafft. Unser RAG-Prototyp ist ein Beleg dafür, dass die SAP BTP bereits heute die Bausteine liefert, um diesen Ansatz produktiv umzusetzen.

Wir werden diesen Pfad weitergehen – mit konkreten Anwendungsfällen aus unseren Projekten, immer nah an dem, was für unsere Kunden in der Praxis tatsächlich Mehrwert bringt.

Sie möchten mehr erfahren oder haben Interesse an einem gemeinsamen Proof of Concept (PoC)? Sprechen Sie uns gerne an.

Bildnachweis: Bild von Freepik