GenAI Assistants

Ein AI-Agent auf dem Microsoft Agent Framework mit gpt-5.4-mini als urteilendem Kopf — eingebettet im Fiori-Launchpad oder in Custom-Apps. Er arbeitet ausschliesslich über Tools auf veröffentlichten SAP-APIs, klassifiziert und transformiert Daten gegen Norm-Profile (GS1 GPC, ETIM, UNSPSC) und liefert jede Antwort mit Quelle, Tool-Calls und Begründung. RAG über die HANA Cloud Vector Engine, mandantengeschützt, Clean-Core-konform.

Ein Agent, kein Chatbot

Ein Chatbot beantwortet, was im Trainingswissen steht. Ein Agent entscheidet, welche Werkzeuge er aufruft, um eine Aufgabe zu erledigen — und arbeitet sich in einer Schleife aus Beobachten, Werkzeug-Aufruf und Bewerten zum Ergebnis vor. Genau dieser Unterschied trägt den Nutzen: Der Assistent rät nicht über Ihre Bestellung, er liest sie über eine veröffentlichte API. Er schätzt keine Materialklasse, er prüft sie gegen das Norm-Profil.

Unsere Assistenten laufen auf dem Microsoft Agent Framework (MAF) mit gpt-5.4-mini als urteilendem Kopf. MAF übernimmt die Orchestrierung — Tool-Registry, Function-Calling-Protokoll, mehrstufige Tool-Schleife, strukturierte Ausgaben, Memory über den Gesprächsverlauf. gpt-5.4-mini ist dabei bewusst gewählt: schnell und günstig genug für den Tausender-Dialog im Tagesgeschäft, stark genug im Reasoning, um die richtige Werkzeug-Reihenfolge zu planen. Der teure Teil — der Faktenzugriff — passiert nicht im Modell, sondern in den Tools.

Die Tool-Schleife — so denkt der Agent

Eine typische Anfrage durchläuft mehrere Tool-Calls, die das Modell selbst plant:

1. Verstehen — gpt-5.4-mini zerlegt die Frage in Teilschritte und wählt aus der MAF-Tool-Registry die passenden Werkzeuge.
2. Abrufen — Tools lesen strukturierte Daten über veröffentlichte OData-/RAP-Services (S/4HANA, BTP) und unstrukturiertes Wissen über RAG auf der HANA Cloud Vector Engine.
3. Bewerten — das Modell prüft, ob die Treffer genügen, oder ruft weitere Tools nach (Confidence-getrieben, nicht nach festem Skript).
4. Antworten — als strukturierte Ausgabe mit Quelle, ausgeführten Tool-Calls und Begründung.

Kein Bildschirm-Scraping, kein RPA-Klickroboter auf brüchigen UI-Pfaden. Jeder Datenpunkt kommt aus einem benannten API-Vertrag — das ist der Grund, warum die Antworten prüfbar sind.

Daten klassifizieren — über Tools, nicht über Bauchgefühl

Der gleiche Agenten-Mechanismus, der den Product-Sphere-Pfad trägt, steht dem Assistenten als Werkzeugkasten offen. Aus einer Quelle (Freitext, PDF, Bild, URL) leitet der Agent über Tools eine norm­gerechte Klassifikation ab:

• Kandidaten ziehen — ein Retrieval-Tool sucht in der Vector Engine die nächstgelegenen Knoten eines Standard-Profils (GS1 GPC, ETIM, UNSPSC, eCl@ss).
• Urteilen — gpt-5.4-mini entscheidet zwischen den Kandidaten und legt eine Konfidenz plus Begründung bei — kein Black-Box-Label, sondern eine nachvollziehbare Wahl.
• Pflichtfelder anreichern — ein Tool gleicht gegen das Zielprofil ab und fragt fehlende Attribute nach, statt sie zu erfinden.

Das Modell wird dabei nicht trainiert. Die Standards leben in den Tools und im Vektor-Index — neue Profile oder Profil-Versionen sind eine Datenfrage, kein Trainingslauf.

Daten umformen — vom Verstehen zum Liefer-Format

Klassifizieren ist die halbe Strecke; der Nutzen entsteht beim Transformieren. Auch das läuft über Tools mit klaren Verträgen:

• Mapping — der Agent überführt die angereicherten Daten ins Zielschema: SAP-MM-Materialstamm, BMEcat, GDSN, IDoc-/CSV-Strecken.
• Validieren — ein Schema-Tool prüft Pflichtfelder, Einheiten und Wertebereiche vor der Übergabe; was nicht passt, wird markiert statt stillschweigend durchgereicht.
• Schreiben — die Übergabe erfolgt wieder über veröffentlichte APIs in den S/4HANA-Kern oder die BTP-Integrationsschicht, nie an der Schnittstelle vorbei.

Damit wird aus „der Assistent beantwortet Fragen" ein Agent, der Daten liest, einordnet, anreichert und liefert — in dem Format, das das Zielsystem erwartet.

Typische Skills

• Order Status — „Wo steht meine Bestellung 4500001234?" (OData-Read über die Sales-Order-API)
• Lieferanten-Vergleich — Termintreue über die letzten 12 Monate, aggregiert aus Embedded Analytics
• Compliance Check — Sanktionslisten-Abgleich über ein dediziertes Tool, nicht aus dem Modell-Gedächtnis
• Stammdaten-Co-Pilot — Produkt klassifizieren, Pflichtfelder ergänzen, nach SAP-MM überführen
• Reporting Co-Pilot — natürlichsprachige Abfragen auf Embedded Analytics

Eingebettet, nicht daneben

Joule und vergleichbare Assistenten sitzen direkt im Fiori- Launchpad oder in Custom-Apps — nicht in einem externen Chatfenster neben dem System. Identität läuft über IAS/IPS, sodass der Agent nur sieht, was die angemeldete Person sehen darf; die Tool-Aufrufe erben die Berechtigungen des Nutzers. Clean-Core-konform: die Logik lebt Side-by-Side auf der BTP (CAP/RAP), nicht als Modifikation im Kern.

Was wir transparent halten

Jede Antwort des Agenten enthält:

1. die Quelle (z. B. „SAP Sales Order, gelesen am 14.04. um 09:23")
2. die Tool-Calls, die ausgeführt wurden — in Reihenfolge
3. eine Begründung, warum die Antwort so gefasst ist
4. einen Hinweis bei Unsicherheit — der Agent erfindet nicht, sondern sagt, wenn ein Tool keine belastbare Antwort lieferte

Architektur

• Microsoft Agent Framework für Orchestrierung + Tool-Registry
• gpt-5.4-mini als Reasoning- und Planungs-Kopf
• RAG über Ihre Dokumente (HANA Cloud Vector Engine)
• Tool-Use auf veröffentlichten OData-/RAP-Services statt Scraping
• Guardrails gegen sensible Daten und Themen ausserhalb des Anwendungsbereichs
• Logging vollständig, prüfbar, exportierbar — inklusive aller Tool-Calls je Antwort

Einstieg

Ein Architektur-Review (30 Min) klärt, welche APIs schon veröffentlicht sind und welche Tools der erste Agent braucht. Bei konkretem Daten-Anwendungsfall (Klassifikation / Transformation) ist ein Workshop (halbtägig) der schnellste Weg zum lauffähigen Prototyp.

Stand: 2026-06-13

SFOUR Consulting — Übersicht · Kontakt