Joule im Fiori-Launchpad – eingebettete Co-Piloten

Worum es geht

Klassische Chatbots sitzen "neben" dem Geschäftsprozess – in einer eigenen URL, mit eigenem Kontext, getrennt vom Arbeitsplatz des Anwenders. Joule kehrt das um: der Assistent sitzt direkt im Fiori-Launchpad und im jeweiligen Fiori-App-Kontext. Er kennt den aktiven Datensatz, den User, die Berechtigungen.

Der Skill Builder in Joule Studio ist die Werkbank, mit der Fachbereiche und IT zusammen zweckgebundene Skills definieren. Ein Skill ist die kleinste sinnvolle Aufgabe, die der Assistent übernimmt – keine Multi-Modal-Wundertüte, sondern eine klar abgegrenzte Funktion mit Tool-Use auf vorhandene SAP-APIs.

Anatomie eines Skills

mermaid flowchart TD IM["INTENT-MATCHING<br/>Kann ich Bestellung 4500001234 freigeben?"] IE["INPUT-EXTRACTION<br/>LLM mit JSON-Schema"] TL["TOOLS mit Berechtigungs-Check<br/>get_purchase_order · get_supplier_risk_score<br/>get_three_way_match_status · release_purchase_order"] PO{"POLICY – Mensch im Loop"} AU["AUDIT<br/>Tools, Inputs, Outputs, Entscheidung"] IM --> IE --> TL --> PO --> AU click IM call mmdInfo() "Mehrere Formulierungen, ein Skill: ob nach Freigabe, Freigabe-Status oder den Voraussetzungen gefragt wird – das Matching erkennt die Absicht, nicht den Wortlaut." click IE call mmdInfo() "Die Extraktion läuft gegen ein striktes JSON-Schema: purchase_order_id, supplier_name, user_intent. Was das Schema nicht hergibt, wird nachgefragt statt geraten." click TL call mmdInfo() "Vier deklarierte Tools, jedes mit Berechtigungs-Check gegen die SAP-Rolle des Anwenders. Die eigentliche Freigabe ist gated – sie läuft nur nach bestandener Policy." click PO call mmdInfo() "Beträge über 50.000 CHF erfordern explizite Bestätigung, ein Risk-Score über 0.6 eskaliert. Sonst: direkte Freigabe – aber erst nach Anzeige der 3-Way-Match-Daten." click AU call mmdInfo() "Jeder Schritt wird protokolliert: aufgerufene Tools, Eingaben, Ausgaben, Policy-Entscheidung und finale Aktion. Revisionsfähig pro Vorgang."

Wie wir ihn implementieren

Phase 1 – Skill-Discovery (1–2 Wochen)

Wir setzen uns mit Power-Usern eines Fachbereichs zusammen und finden 5–8 Skills, die sich klar abgrenzen, nicht zu komplex sind und einen messbaren Nutzen haben. Anti-Pattern: "ein Universal-Skill, der alles kann" – funktioniert in der Praxis nie zuverlässig.

Skill-Discovery-Kriterien:

Phase 2 – Erste 2 Skills (3–4 Wochen)

Phase 3 – Skalierung (laufend)

Drei realistische Beispiele aus 2026

a) Reporting-Co-Pilot für Finance

Anstatt sich durch Embedded Analytics zu klicken, formuliert ein Controller eine Frage in natürlicher Sprache: "Wie haben sich die Personalkosten der DACH-Region im Q1 gegenüber Plan entwickelt, mit Ausreissern grösser 5%?"

Der Skill:

  1. Erkennt die Intent-Klasse (variance analysis)
  2. Extrahiert Filter (Region: DACH, Periode: Q1, Schwellwert: 5%)
  3. Ruft das richtige CDS-View-Modell auf
  4. Liefert Tabelle, Top-Ausreisser, mögliche Ursachen-Hypothesen
  5. Bietet als Folgefrage einen Drill-Down auf die Top-3 Abweichungen

b) Service-Techniker im Feld

Ein Service-Techniker auf einer Maschine in St. Gallen fragt: "Was war beim letzten Service hier schief?"

Der Skill:

  1. Geo-Kontext aus dem Mobilgerät → Equipment-ID
  2. Letzte 3 Service-Reports zur Equipment-ID
  3. Identifizierte Wiederholmuster, offene Punkte
  4. Empfohlene erste Diagnose-Schritte

c) Bestelleingang-Triage

Eingehende Bestellungen aus E-Mails landen in der Joule-Inbox eines Vertriebs-Innendienst-Mitarbeitenden. Joule:

  1. Klassifiziert (Standard-Bestellung vs. Sonderfall)
  2. Extrahiert Felder (Kunde, Artikel, Menge, Wunschtermin)
  3. Validiert gegen Stammdaten – fehlende oder mehrdeutige Felder werden als Review-Ticket markiert
  4. Bei "klar": leitet die Erstellung des Sales Orders ein
  5. Bei "unklar": Vorbereitung für Sachbearbeitung mit konkretem Hinweis, was zu prüfen ist

Architektur

mermaid flowchart TD U["Anwender im Fiori-Launchpad"] JF["Joule Frontend<br/>eingebettet im Launchpad"] RT["Joule Studio Runtime<br/>auf BTP"] IMR["Intent-Matcher"] LLM["LLM-Call via AI Hub"] ORC["Tool-Use-Orchestrator"] PE["Policy Engine"] AL["Audit Logger"] S4["SAP S/4HANA APIs"] VE["HANA Cloud Vector Engine"] BA["BTP-Custom-Apps"] U -->|"spricht / tippt"| JF JF --> RT RT --> IMR RT --> LLM RT --> ORC RT --> PE RT --> AL ORC --> S4 ORC --> VE ORC --> BA click U call mmdInfo() "Der Anwender bleibt im gewohnten Launchpad – kein Tool-Wechsel, keine neue Oberfläche. Joule ist ein Panel, kein Produktwechsel." click JF call mmdInfo() "Das Joule-Panel nimmt Sprache oder Text entgegen und ruft die Skill-Runtime über eine klar definierte API auf." click RT call mmdInfo() "Die Runtime auf der BTP orchestriert alles Weitere: Sie ist der kontrollierte Rahmen, in dem das LLM arbeitet – nicht umgekehrt." click LLM call mmdInfo() "Der eigentliche Modell-Call läuft über den AI Hub – austauschbar zwischen Anbietern, mit zentraler Kosten- und Mandanten-Kontrolle." click ORC call mmdInfo() "Der Orchestrator führt deklarierte Tools gegen S/4HANA-APIs, die HANA Cloud Vector Engine für RAG-Quellen und eigene BTP-Apps aus – nichts davon entscheidet das LLM allein." click PE call mmdInfo() "Schwellwerte, Eskalationen und Mensch-im-Loop-Regeln sind deterministischer Code ausserhalb des Modells." click AL call mmdInfo() "Lückenloses Protokoll über alle Schritte – die Grundlage für Audit und kontinuierliche Verbesserung der Skills."

KPIs, die wir tatsächlich messen

Kennzahl Ziel-Korridor
Skill-Trefferquote > 90 % korrekt
Latency end-to-end < 4 s P95
Eskalations-Rate (Policy-Stops) 5–15 %
User-Satisfaction (CSAT) ≥ 4.2 / 5
Cost-per-Skill-Call (avg) < 0.05 CHF
Adoption (DAU / WAU) > 0.4

Datenschutz und Compliance

Was wir nicht tun

Stand: 2026-05-12

SFOUR Consulting — Übersicht · Kontakt