Seminar SAP LeanIX AI-Governance und AI Agent Hub

Wirksame KI-Governance beginnt mit einem vollständigen und kontextbezogenen Inventar. Das Seminar zeigt, wie KI-Initiativen und AI Agents in SAP LeanIX modelliert, organisatorisch verantwortet, risikoorientiert bewertet und über Dashboards sowie regelmäßige Reviews gesteuert werden.

Inhaltsverzeichnis

1. Lernziele
2. Zielgruppe und Voraussetzungen
3. Seminarinhalte
   1. Schritt 1: Governance-Ziele und Geltungsbereich festlegen
   2. Schritt 2: KI-Assets im Metamodell abbilden
   3. Schritt 3: Bestandsaufnahme und Discovery organisieren
   4. Schritt 4: Nutzen und Einsatzreife bewerten
   5. Schritt 5: Risiken kontextbezogen erfassen
   6. Schritt 6: AI Agents über den AI Agent Hub steuern
   7. Schritt 7: Reports und Entscheidungsansichten gestalten
   8. Schritt 8: Governance-Zyklus operationalisieren
4. Praxisübungen
5. Methodik

Lernziele

• ein konsistentes Inventarmodell für KI-Assets und AI Agents aufbauen
• KI-Nutzung mit Anwendungen, Fähigkeiten, Organisationen und Initiativen verknüpfen
• Verantwortung, Lebenszyklus, geschäftlichen Nutzen und Risiken gemeinsam bewerten
• AI Agent Hub und Discovery-Ergebnisse in einen Governance-Prozess einordnen
• steuerungsrelevante Reports, Reviews und Maßnahmen ableiten

Zielgruppe und Voraussetzungen

Zielgruppe: Enterprise Architects, AI-Governance-Verantwortliche, Informationssicherheits- und Risikoverantwortliche, Data- und AI-Leads sowie SAP-LeanIX-Administratoren

Voraussetzungen: Grundkenntnisse in SAP LeanIX und ein grundlegendes Verständnis von KI-Anwendungen, Modellen und organisatorischer Governance

Seminarinhalte

Schritt 1: Governance-Ziele und Geltungsbereich festlegen

Der organisatorische Auftrag wird in konkrete Inventar- und Steuerungsfragen übersetzt. Dabei werden Transparenz, Nutzensteuerung, Risikobehandlung und Architekturkonformität voneinander abgegrenzt.

• Governance-Ziele und Entscheidungssituationen benennen
• einbezogene Organisationen, Anwendungen und KI-Arten definieren
• zentrale und dezentrale Verantwortlichkeiten bestimmen
• Review-, Freigabe- und Eskalationspunkte festlegen

Schritt 2: KI-Assets im Metamodell abbilden

Das Modell wird so aufgebaut, dass technische KI-Assets und ihr fachlicher Einsatz gemeinsam analysierbar sind.

• KI-Use-Cases, Anwendungen, Modelle, Anbieter und Agents unterscheiden
• Beziehungen zu Business Capabilities, Prozessen und Initiativen herstellen
• Verantwortliche, Nutzergruppen und betroffene Datenkontexte erfassen
• Granularitätsregeln gegen doppelte oder unklare Einträge definieren

Schritt 3: Bestandsaufnahme und Discovery organisieren

Manuelle Erhebung, Integrationen und Discovery-Ergebnisse werden in einem kontrollierten Aufnahmeprozess zusammengeführt.

• Datenquellen und Nachweise für bestehende KI-Nutzung bestimmen
• Discovery-Vorschläge prüfen und fachlich bestätigen
• Dubletten und informelle Schattennutzung behandeln
• Owner und Review-Termine direkt bei der Aufnahme zuweisen

Schritt 4: Nutzen und Einsatzreife bewerten

KI-Potenzial und tatsächliche Nutzung werden getrennt bewertet. Dadurch lassen sich Investitionsbedarf, Skalierung und Stilllegung sachgerecht entscheiden.

• strategischen Beitrag und betroffene Fähigkeiten erfassen
• Nutzungsgrad, Reichweite und Abhängigkeiten bewerten
• Reifegrad von Pilot, produktivem Einsatz und Skalierung unterscheiden
• Messgrößen für Nutzen, Adoption und Betriebsfähigkeit definieren

Schritt 5: Risiken kontextbezogen erfassen

Risikokriterien werden mit Geschäftswirkung, Datenbezug und technischer Abhängigkeit verbunden. Das Seminar ersetzt keine juristische Prüfung, schafft jedoch eine nachvollziehbare Architektur- und Entscheidungsgrundlage.

• Risikokategorien und unternehmensspezifische Schwellenwerte festlegen
• Datenkritikalität, Anbieterabhängigkeit und technische Einbettung berücksichtigen
• kritische Anwendungen und Fähigkeiten als Auswirkungsverstärker einbeziehen
• Maßnahmen, Verantwortliche und Fälligkeiten dokumentieren

Schritt 6: AI Agents über den AI Agent Hub steuern

Agents werden über ihren Zweck, ihre Einbettung und ihre Abhängigkeiten betrachtet. Discovery und Inventar werden mit Eigentümerschaft und Lebenszyklussteuerung verbunden.

• Agent-Zweck, ausführende Plattform und genutzte Modelle erfassen
• Beziehungen zu Anwendungen, Daten und Geschäftsaufgaben modellieren
• Status, Freigabe und Ablösung über Lebenszyklen steuern
• ungeklärte oder nicht mehr benötigte Agents in Maßnahmenlisten überführen

Schritt 7: Reports und Entscheidungsansichten gestalten

Die Inventardaten werden in adressatengerechte Steuerungsansichten überführt.

• Portfolio nach Reife, Nutzen, Risiko und Verantwortlichkeit segmentieren
• kritische Kombinationen aus hoher Wirkung und hohem Risiko hervorheben
• Lücken bei Ownern, Bewertungen und Maßnahmen sichtbar machen
• Management-, Architektur- und Kontrollansichten voneinander trennen

Schritt 8: Governance-Zyklus operationalisieren

Zum Abschluss entsteht ein wiederkehrender Prozess von Aufnahme, Bewertung, Entscheidung, Maßnahmenverfolgung und erneuter Prüfung.

• Aufnahme- und Änderungsereignisse definieren
• regelmäßige Portfolio- und Risiko-Reviews terminieren
• Freigaben und Ausnahmen nachvollziehbar dokumentieren
• Kennzahlen für Abdeckung, Aktualität und Maßnahmenstatus festlegen

Praxisübungen

1. Modellierung eines KI-Use-Cases einschließlich Anwendung, Fähigkeit, Modell, Agent und Verantwortlichkeit
2. Aufbau eines Bewertungsrasters für Nutzen, Reife und Risiko
3. Prüfung eines Discovery-Ergebnisses und Behandlung möglicher Dubletten
4. Entwurf eines Dashboards und eines wiederkehrenden Governance-Zyklus

Methodik

Fachliche Einordnung, Live-Demonstrationen, angeleitete Konfigurationen, strukturierte Einzel- und Gruppenübungen sowie die Bearbeitung einer durchgängigen Fallstudie.