- AI, S4/HANA
- SAP Business AI
- 4 Min Lesezeit
Joana Komnick
In diesem Wiki wird in fünf Schritten gezeigt, wie man in SAP einen AI Agent aufbaut. Das Wiki basiert auf den SAP-Videos „SAP Code–Based AI Agents (Part 1)” vom 01.06.2026 und „SAP Code–Based AI Agents (Part 2)” vom 10.06.2026.
Wer SAP-Prozesse wirklich automatisieren will – also nicht nur Antworten generieren, sondern Aufgaben eigenständig lösen –, kommt an AI Agents nicht vorbei. Ein AI Agent denkt, plant und handelt: Er empfängt eine Aufgabe in natürlicher Sprache, wählt das passende Werkzeug aus, führt es aus und prüft das Ergebnis, bis das Ziel erreicht ist.
Das Wiki richtet sich an Entwickler:innen und technisch versierte SAP-Berater:innen, die zum ersten Mal einen code-basierten AI-Agenten mit Python, LangGraph und SAP AI Core aufbauen möchten. Es erklärt das Konzept, zeigt den vollständigen Code und gibt Best Practices aus der Praxis mit.
Nach diesem Wiki kann man:
– den Unterschied zwischen einem Chatbot und einem echten AI Agenten benennen,
– einen lauffähigen AI Agenten in Python aufsetzen und mit SAP AI Core verbinden,
– eigene Tools definieren und den Agenten damit erweitern,
– den Agenten sicher und nachvollziehbar in einem SAP-Kontext einsetzen.
Inhaltsverzeichnis
Ein AI Agent ist ein Softwareprogramm, das auf einem Large Language Model (LLM) basiert. Im Gegensatz zu einem einfachen Chatbot ist ein AI Agent in der Lage, eigenständig zu denken, Pläne zu entwickeln und Aufgaben Schritt für Schritt auszuführen, ohne dass menschliches Eingreifen erforderlich ist. Genau deshalb spricht man von einem autonomen System.
Der entscheidende Unterschied zu einem klassischen Chatbot zeigt sich in folgender Gegenüberstellung:
Einfacher Chatbot | AI Agent |
Beantwortet eine Frage nach der anderen. | Plant und führt mehrstufige Workflows aus. |
kein Gedächtnis. | Behält Kontext und nutzt Memory. |
Er kann nicht in externe Systeme eingreifen (passiv). | Führt Tools aus (z. B. APIs, Datenbanken usw.).Führt Tools aus (z.B. APIs, Datenbanken, …) |
Basiert auf vordefinierten Antworten. | Denkt kreativ und korrigiert sich anhand der Tool-Ergebnisse. |
2. Kernkomponenten eines AI Agents
Jeder AI Agent besteht aus vier zentralen Bausteinen:
- Brain (Modell): Ein LLM (z.B. GPT-4, Claude oder Gemini) verarbeitet Informationen und trifft Entscheidungen
- Tools (Werkzeuge): Externe APIs, Datenbanken, Taschenrechner, Dokumente oder Programme, die der Agent aufrufen kann, um damit zu handeln.
- Memory & Knowledge: Die Fähigkeit, vergangene Interaktionen zu speichern und externe Dokumente zu referenzieren.
- Anweisungen / Leitlinien: Es gibt eindeutige Richtlinien und Stoppregeln, die festlegen, was der Agent tun darf und was nicht.
3. Warum ist das relevant? (Business-Nutzen):
AI Agents eröffnen im SAP-Umfeld völlig neue Möglichkeiten für die Prozessautomatisierung.Während bisher manuelle Schritte erforderlich waren, trifft der Agent nun intelligente Entscheidungen und handelt kontextbezogen.
Konkrete Vorteile im Überblick:
- Echte Automatisierung: Kein starres Scripting mehr – der Agent passt sich dynamisch an den Prozessverlauf an.
- Höhere Effizienz: Repetitive SAP-Aufgaben (Rechnungsprüfung, Steuerkalkulation, Bestandsabfragen) werden beschleunigt.
- Natürliche Sprache als Interface: Anwender interagieren in Deutsch oder Englisch, SAP-Transaktionskenntnisse sind nicht erforderlich.
- Fehlerreduktion: Der Agent prüft Tool-Ergebnisse, erkennt Fehler und korrigiert sich selbst (Self-Correction).
- Skalierbarkeit: Ein einmal entwickelter Agent kann auf andere SAP-Module und Prozesse ausgeweitet werden.
4. Schritt-für-Schritt-Anleitung:
Die folgende Anleitung zeigt, wie ein AI Agent mit Python und SAP AI Core aufgebaut werden kann:
4.1 Voraussetzungen:
Für die Umsetzung müssen einige Voraussetzungen erfüllt sein. Zunächst ist ein SAP-BTP-Account erforderlich, in dem eine SAP AI Core Service-Instanz (extended plan) bereitgestellt ist. Ausserdem wird Zugriff auf das SAP AI Launchpad (Standard plan) benötigt.
Im nächsten Schritt wird der AI Core Service Key aus dem BTP Cockpit heruntergeladen und entweder als credentials.json gespeichert oder als .env-Variablen exportiert.
Zudem wird die LLM Deployment ID aus dem SAP AI Launchpad (ML Operations -> Deployments) benötigt.
Abschliessend ist eine lokale Entwicklungsumgebung mit Python 3.10 oder höher sowie Visual Studio Code erforderlich.
4.2 Schritt 1: Virtuelle Umgebung einrichten
Virtuelle Python-Umgebung erstellen und aktivieren, um Abhängigkeiten sauber zu isolieren:
# Virtuelle Umgebung erstellen
python3 –m venv myagent
# Aktivierung (Windows)
myagent\Scripts\acrivate
# Aktivierung (macOS/Linux)
source myagent/bin/activate
Alle notwenigen Bibliotheken installieren:
pip install “sap-ai-sdk-gen[all]” langchain-core langchain-comunity langgraph
pip install –upgrade pip
Was die Pakete leisten:
- sap-ai-sdk-gen: Core SDK für die Verbindung zu SAP AI Core. Es stelltdas LangChain-kompatible ChatSapOpenAI-Modell bereit und übernimmt das automatische OAuth2-Token-Refresh.
- langchain-core: Grundlegende Interfaces, Runnables und der @tool-Decorator zur Definition von Agent-Tools mit typisierten Signaturen und Docstrings.
- langchain-community: Erweiterte Integrationen inklusive Memory, Loaders und Utility Chains.
- langgraph: Stellt create_react_agent bereit – ein zustandsbehaftetes Agent-Framework, das den ReAct-Loop implementiert und die Konversationshistorie pflegt.
4.3 Schritt 2: Authentifizierung konfigurieren
Im BTP-Cockpit folgende Werte entnehmen:
AICORE_CLIENT_ID=<Client ID>
AICORE_CLIENT_SECRET=<Client Secret>
AICORE_AUTH_URL=<Auth URL>/oauth/token>
AICORE_BASE_URL=<AI API URL>
AICORE_RESOURCE_GROUP=<Resource Group aus AI Launchpad>
AICORE_DEPLOYMENT_ID=<Deployment ID aus AI Launchpad>
4.4 Schritt 3: Tool erstellen
Tools sind Python-Funktionen, die der Agent aufrufen kann. Erstelle eine neue Datei namens tools.py und definiere darin das gewünschte Tool.
Beispiel aus dem Video ist die Berechnung der Unternehmenssteuer:
# tools.py
from langchain_core.tools import tool
@tool
def calculate_sap_tay(amount:float) -> str:
“””Berechne 13,25% Unternehmenssteuer für einen
Rechnungsbetrag.”””
tax_total = amount * 0.1325
retutn f”Berechnete Steuer: {tax_total:.2f} CHF”
Der @tool-Decorator registriert die Funktion als Tool für den Langchain-Agenten. Der Docstring ist entscheidend, er erklärt dem LLM, wann es dieses Tool aufrufen soll.
4.5 Schritt 4: Agenten aufbauen
Erstelle eine main.py-Datei, die das LLM initialisiert, den Agenten zusammenstellt und eine Nutzeranfrage verarbeitet:
# main.py
import os
from dotenv import load_dotenv
from langgraph.prebuilt import create_react_agent
from gen_ai_hub.proxy.langchain import ChatOpenAI
from tools import calculate_sap_tax
load_dotenv()
# 1. LLM über SAP AI Core initialisieren
llm = ChatOpenAI(
deployment_id=os.environ[„AICORE_DEPLOYMENT_ID“],
temperature=0.0
)
# 2. Agenten aufbauen
agent = create_react_agent(llm, [calculate_sap_tax])
# 3. Agenten aufrufen
query = input(„Rechnungsbetrag für Steuerberechnungeingeben: „)
response = agent.invoke({„messages“: [(„user“, query)]})
print(f“Ergebnis: {response[‚messages‘][-1].content}“)
temperature=0.0 sorgt für deterministische, reproduzierbare Antworten.
4.6 Schritt 5: Agenten testen und ausführen
python main.py
# Beispiel-Interaktion:
# > Rechnungsbetrag für Steuerberechnung eingeben: 5000
# > Ergebnis: Berechnete Steuer: 500.00 CHF
Der Agent ist damit einsatzbereit. Er empfängt die Nutzeranfrage, wählt das passende Tool aus, führt es aus und gibt das Ergebniss zurück.
5. Architektur / Funktionsweise:
Das Herzstück jedes AI Agentes ist der ReAct Loop (Reason + Act Loop). Bei jeder Iteration denkt der Agent über den aktuellen Zustand nach, entscheidet sich für eine Aktion, führt sie aus, beobachtet das Ergebnis und wiederholt den Zyklus, bis das Ziel erreicht ist.
Ziel empfangen: Der Nutzer stellt eine Aufgabe oder Frage in natürlicher Sprache.
- Reason (Denken): Das LLM analysiert das Problem und wählt die beste Aktion aus.
- Act (Handeln): Der Agent ruft ein Tool auf (API, Code, Suche).
- Observe (Beobachten/Prüfen): Der Agent liest das Ergebnis des Tools – Erfolg, Fehler oder Zwischenergebnis.
- Evaluate (Bewerten): Ist das Ziel erreicht? Falls nicht, zurück zu Schritt 2 (Denken)
6. Best Practice
Klein anfangen: Baue den Agenten zunächst für einen einzigen Workflow mit klarer Erfolgsdefinition. Kein Agent sollte von Anfang an alles können.
Tools absichern: Jedes Tool benötigt eine explizite und strikte Eingabevalidierung. Undefinierte Eingaben führen zu halluzinierten Argumenten und Laufzeitfehlern.
Guardrails setzen: Implementiere strenge Validierungen und Human-Approval-Checkpoints, bevor der Agent auf geschäftskritische Aufgaben zugreift. Vertrauen wird schrittweise aufgebaut.
7. Zusammenfassung
AI Agents sind weitaus mehr als klassische Chatbots. Sie können Aufgaben eigenständig analysieren, planen und mithilfe von Tools mehrstufige Worflows ausführen. Die vier zentralen Komponenten Brain (LLM), Tools, Memory und Guardrails bilden die Grundlage jedes Agents. Das eigentliche Herzstück ist dabei der ReAct-Loop, in dem der Agent fortlaufend denkt, handelt, Ergebnisse prüft und sein Vorgehen bewertet, bis das gewünschte Ziel erreicht ist.
Mit SAP AI Core steht eine Unternehmensplattform zur Verfügung, die die erforderliche Infrastruktur für den Betrieb solcher Agenten bereitstellt. Für den produktiven Einsatz sind eine klare Aufgabenabgrenzung, abgesicherte Tool-Aufrufe und geeignete Kontrollmechanismen entscheidende Erfolgsfaktoren, um Zuverlässigkeit, Sicherheit und Nachvollziehbarkeit sicherzustellen.
Sie wollen mehr über AI Units & Co. wissen und erfahren, wie Sie Ihr KI-Projekt erfolgreich starten?
Dann buchen Sie hier einen Termin mit unserem SAP AI-Experten Robert Kehrli.
