AI-Agent End-to-End – vom Auftragseingang zur Faktura
End-to-End-AI-Agent in der SAP-Prozesswelt – auf unserem Stack umsetzbar: Auftragseingang per E-Mail oder Portal → GenAI-Klassifikation → Business-Partner-Match → SD-Auftrag in S/4 → Disposition → Faktura. Jeder Schritt mit Confidence, Audit-Trail und Hand-Over-Logik zum Customer Service. Stack: BTP-CAP + AI Hub + HANA Cloud Vector Engine + Joule. Methodik statt Referenz-Folie – der Stack, auf dem auch diese Webseite läuft.
Warum End-to-End statt Punkt-Lösung
AI-Agents in der SAP-Prozesswelt funktionieren nicht als isolierte Black-Box. Ein erfolgreicher Agent ist eine Sequenz von Schritten, jeder mit eigener Confidence, eigenem Audit-Eintrag und einer klaren Übergabe an den nächsten. Wer nur "PDF rein, SAP-Auftrag raus" verspricht, verkauft eine Demo – keine produktionsreife Lösung.
Dieser Use-Case zeigt, wie wir den End-to-End-Pfad bauen würden – auf unserem Stack (BTP-CAP + AI Hub + Vector Engine + Joule), mit der Methodik, die in S/4-Mandaten trägt. Trust-Anker ist nicht eine Refstory (das Marktfeld ist 18 Monate alt) – Trust-Anker sind:
- Stack-Tiefe auf BTP, an dem auch SFOUR selbst täglich baut
- Methodik mit Confidence pro Schritt, Audit-Trail über die ganze Kette, Hand-Over-Disziplin
- Diese Webseite – Sie sind gerade in einem agentic System auf genau diesem Stack. Was auf dieser Seite läuft, läuft auch im O2C. Siehe /agent für den Aufbau im Detail.
Der Agent-Pfad – sechs Schritte
1. Auftragseingang erkennen
Bestellungen kommen per E-Mail, PDF-Anhang, Portal-Upload, manchmal als Bild. Erster Schritt: Intake-Klassifikation mit LLM – ist es eine neue Bestellung, eine Auftragsänderung, eine Lieferanfrage oder eine Rückfrage? Confidence pro Klassifikation, unklare Fälle in die Review-Queue.
2. Strukturierte Extraktion
Für klassifizierte Bestellungen läuft die Feld-Extraktion:
Auftragskopf (Kunde, PO-Nummer, Liefertermin), Positionen
(Artikel, Menge, Preis), Sonderfelder (Liefersplit,
Eskalations-Wunsch). Jedes Feld bekommt Confidence –
erwartbar im 80-95 %-Bereich für strukturierte Felder,
deutlich niedriger für Freitext-Felder.
Siehe usecase.ai.sales_order_extraction als Baustein.
3. Business-Partner-Match
Der erkannte Kunde wird gegen die HANA Vector Engine auf bekannte Business Partner gematcht. Ähnlichkeit über Name, Adresse, Customer-PO-Historie, Banking-Daten. Bei Confidence > 95 % wird automatisch zugeordnet, dazwischen Vorschläge in der Review-Queue, unter 70 % als "neuer Kunde-Kandidat" markiert (separater Workflow).
4. SD-Auftragsanlage in S/4
Der strukturierte Auftrag wird über BTP-CAP-Service nach S/4 übergeben – typisch via BAPI_SALESORDER_CREATEFROMDAT2 oder neuere OData-API. Belegart, Verkaufsorganisation und Vertriebsweg werden aus der Business-Partner-Konfiguration abgeleitet. Konditionstechnik läuft im SD-Standard, Faktura-Splits werden automatisch berechnet.
5. Disposition mit aATP
Bei Auftragsanlage prüft aATP Verfügbarkeit nach Segment-
Strategie (Backorder, Substitution, Allocation – siehe
usecase.sap.pp-aatp-bestand-fertigung). Bei Engpässen
wird die Disposition aktiv: Substitution mit Kundenzustimmung,
Allocation aus Quote-Plan, Backorder-Re-Run-Trigger.
6. Faktura – und zurück zum Kunden
Nach Lieferung läuft die Faktura im SD-Standard. Der Agent schliesst die Schleife: Faktura-Bestätigung an den Kunden über den Kanal, in dem die Bestellung gekommen ist (E-Mail- Reply mit Anhang, Portal-Notification, EDI-Antwort wo relevant).
Quer durch die Sequenz – drei Pflicht-Layer
Confidence + Review-Queue
Pro Schritt eine Confidence. Pro Confidence eine Action: auto, vorschlag, manuell. Die Review-Queue ist nicht "Reste-Stapel" – sie ist der Punkt, an dem der Customer Service den Agent trainiert (Korrekturen fliessen in die nächste Iteration zurück).
Audit-Trail
Jeder Agent-Schritt schreibt einen Audit-Eintrag: was wurde
klassifiziert, mit welcher Confidence, welche Beleg-ID
entstand. Für GxP-Pharma-Mandate (siehe Refstory
refstory.pharma-qm-genai-befundung) ist das Pflicht;
für andere Branchen ein Trust-Signal beim Wirtschaftsprüfer.
Hand-Over zum Customer Service
Wenn der Agent zu unsicher ist, übergibt er strukturiert an den Customer Service – mit Kontext (was wurde versucht, welche Felder unklar, welcher Kunde im Verdacht). Keine "blanke Mail im Postfach" – eine vorstrukturierte Aufgabe mit Erklärung. Das ist der Unterschied zwischen einem lernenden System und einem Excel-Stapel.
Wann ist dieser Agent sinnvoll
Mengenmässig wird der End-to-End-Agent in Häusern mit strukturiertem Bestelleingang interessant – als grobe Daumenregel ab etwa 150 Bestellungen/Tag mit ähnlicher Struktur. Bei kleineren Volumina ist die Pflege teurer als der manuelle Aufwand. Bei hohen Volumina rechnet sich die Investition typischerweise im Mehrmonatsbereich – die konkreten Zahlen rechnen wir im AI-Pilot-Workshop mit Ihrem realen Auftragsstrom durch, nicht aus dem Prospekt.
Wer mit uns spricht
Dieses Angebot richtet sich an SD-/Customer-Service-Leitung mit IT-Mandat und an CFOs mit Effizienz-Auftrag im Backoffice. Ein AI-Pilot-Workshop (halbtägig) ist der Einstieg: wir bringen einen Mandat-tauglichen Auftragsstrom als Testdaten, prüfen pro Schritt was heute schon strukturiert geht und was Lernen braucht, und formulieren die Pilot-Sequenz.
