SAP übernimmt für seine Unternehmens-KI ein Liefermodell von Palantir. Unter dem Begriff Forward-Deployed Engineering schickt der Softwarekonzern eigene KI-Entwickler direkt zu den Kunden, damit die versprochenen Agenten im Betrieb ankommen statt in der Präsentation zu bleiben.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Hinter dem Schritt steht Dominik Metzger, bei SAP Präsident für Industry AI. Seine Teams sollen nicht mehr aus der Zentrale beraten, sondern sich in die konkreten Probleme der Kunden hineinarbeiten.
Das Wichtigste in Kürze
- SAP übernimmt mit Forward-Deployed Engineering ein Liefermodell von Palantir: eigene KI-Fachleute arbeiten direkt beim Kunden statt aus der Ferne.
- Der Grund ist die „letzte Meile“ der Unternehmens-KI, die Strecke zwischen fertigem Modell und produktivem Prozess, an der die meisten Projekte hängen bleiben.
- SAP schneidet seine KI auf 26 Branchen zu; die Vor-Ort-Teams sollen branchenspezifische Fälle lösen, die Standardsoftware allein nicht abdeckt.
- Auch OpenAI, Anthropic und ServiceNow kopieren das Palantir-Modell, ein Signal, dass die Wertschöpfung an der Integration hängt, nicht am Modell.
Was ändert SAP mit Forward-Deployed Engineering?
Statt fertige Module auszuliefern, bündelt SAP Data Scientists und KI-Entwickler in Teams, die beim Kunden vor Ort an dessen Prozessen arbeiten. „Wir werden in direkter Zusammenarbeit mit Kunden branchenspezifische KI-Anwendungen entwickeln, implementieren und skalieren“, sagt Dominik Metzger, Präsident für Industry AI bei SAP.[1]
Der Zuschnitt ist branchenscharf: SAP deckt mit seinem Industry-AI-Portfolio 26 Branchen ab und will die Agenten Prozesse selbstständig zu Ende führen lassen. Die Vor-Ort-Teams fangen genau die Fälle ab, die eine Lösung von der Stange nicht trifft.
Warum bleiben KI-Projekte im Unternehmen stecken?
Das eigentliche Problem liegt selten am Modell, sondern an der Strecke dahinter. Zwischen einem trainierten Sprachmodell und einem laufenden Prozess stehen Hürden, die kein Demo-Video zeigt: die Anbindung an gewachsene SAP-Systeme über Schnittstellen wie IDoc, die Anmeldung gegen das Active Directory des Kunden und die Rechtevergabe über OAuth.
Dazu kommt die Datenfrage. Sobald ein Modell auf Konzerndaten zugreift, muss ein Unternehmen DSGVO-konform klassifizieren, welche Informationen es überhaupt sehen darf. Eine Eval-Pipeline muss die Antworten gegen Halluzinationen prüfen, bevor sie in einen Beleg oder eine Bestellung fließen. Im Betrieb entscheiden dann Monitoring und Kostendeckel, ob die Rechnung für Rechenleistung nicht aus dem Ruder läuft, ein Punkt, der KI-Agenten schnell zum Budgetposten macht.
Wie teuer diese Integration werden kann, zeigt der Blick nach außen: Bei der NHS-Datenplattform von Palantir überstiegen die Kosten den Nutzen deutlich. Die letzte Meile der KI ist also kein Detail, sondern der teuerste Teil des Wegs.
Den Kunden fehlt nicht das KI-Modell, sondern die letzte Meile bis in den laufenden Prozess. Genau diese Integration wird zur Wertschöpfung, nicht das größte Modell im Rechenzentrum.
— Michael Dobler, Herausgeber Dr. Web
Fünf Hürden zwischen Modell und Produktion
Was bedeutet das für Entscheider in der DACH-Region?
SAP ist nicht allein. Das Modell der vor Ort eingesetzten Entwickler stammt von Palantir, das die Rolle schon vor über zehn Jahren erprobte; 2026 bauen auch OpenAI, Anthropic und ServiceNow solche Teams auf. Dass SAP mitzieht und eine Milliarde Euro in KI investiert, zeigt die Verschiebung vom Modell hin zur Umsetzung.
Für Unternehmen im DACH-Raum ergeben sich zwei Konsequenzen. Zum einen wird die DSGVO-konforme Datenklassifizierung zur Grundvoraussetzung jedes KI-Projekts, nicht zur Kür. Zum anderen stellt sich die Abhängigkeitsfrage, denn ein dauerhaft eingekauftes Integrationsteam bindet eng an einen Anbieter.
Entscheider sollten vor dem nächsten KI-Piloten zwei Dinge festzurren: eine DSGVO-konforme Datenfreigabe und einen klaren Betreiber samt Kostendeckel. Wie das im Mittelstand aussieht, zeigt Viessmann, das sein Deal-Screening mit einem KI-Agentensystem beschleunigt. Der Modellzugang ist heute die einfache Hälfte der Aufgabe; die andere entscheidet über den Erfolg.
FAQ: Forward-Deployed Engineering und Unternehmens-KI
Was ist Forward-Deployed Engineering?
Forward-Deployed Engineering bezeichnet KI-Fachleute wie Data Scientists und Entwickler, die direkt beim Kunden vor Ort arbeiten, statt aus der Ferne zu beraten. Sie lösen branchenspezifische Probleme, die Standardsoftware allein nicht abdeckt, und bringen KI-Anwendungen bis in den laufenden Betrieb.
Warum kopiert SAP das Modell von Palantir?
SAP verspricht Kunden autonome KI-Agenten, doch deren Einführung scheitert oft an der Integration. Mit den Vor-Ort-Teams nach Palantir-Vorbild will SAP diese letzte Meile schließen und die versprochenen Umsätze mit Industry AI tatsächlich einfahren.
Woran scheitern KI-Projekte in Unternehmen am häufigsten?
Nicht am Modell, sondern an der Integration: an der Anbindung gewachsener Systeme über Schnittstellen wie IDoc, an Authentifizierung und Rechtevergabe, an der DSGVO-konformen Datenklassifizierung, an der Prüfung gegen Halluzinationen und an Monitoring samt Kostendeckel im Betrieb.
Welche Rolle spielt die DSGVO bei Unternehmens-KI?
Bevor ein Modell auf Unternehmensdaten zugreift, muss DSGVO-konform klassifiziert werden, welche Informationen es sehen darf. Diese Datenklassifizierung ist keine Kür, sondern die Grundvoraussetzung jedes KI-Projekts in der DACH-Region.
Wer bietet Forward-Deployed Engineering außer SAP an?
Das Modell stammt von Palantir, das vor Ort eingesetzte Entwickler schon vor über zehn Jahren erprobte. 2026 bauen auch OpenAI, Anthropic und ServiceNow solche Teams auf, um KI-Agenten in Unternehmen produktiv zu machen.
Quelle
Mehr Newshunger?
- SAP Industry AI: KI, die Branchenprozesse selbst zu Ende führt
- Direkt neben Walldorf: Ex-SAP-Manager bauen eine KI für den Mittelstand
- Während SAP eine Milliarde investiert, kaufen fünf Länder Palantir
- Viessmann beschleunigt sein Deal-Screening mit einem KI-Agentensystem
- KI-Agenten sprengen das Budget: Warum feste Rollen mehr bringen als mehr Rechenleistung
