Unser Ziel ist es, dass unsere Kunden Mehrwert mit KI-L枚sungen erzielen. Wenn Unternehmen Faktoren anf眉hren, die sie daran hindern 鈥� beispielsweise die , die , oder 鈥� machen wir es uns zur Aufgabe, dieses Hindernisse zu beseitigen.
Wir haben deshalb im 4. Quartal 2025 neue Modelle und Angebote f眉r eine souver盲ne Cloud eingef眉hrt, zahlreiche Produkte aktualisiert und neue und vertiefte Partnerschaften bekannt gegeben, um Kunden eine bessere Nutzung von KI zu erm枚glichen. Diese werden im Folgenden im Detail beschrieben.
麻豆原创 Business AI f眉r die IT und Entwickler
Der Agent Builder in Joule Studio
Allgemeine Verf眉gbarkeit
Anwender und IT-Experten k枚nnen mit dem Agent Builder in Joule Studio nun leistungsstarke KI-Agenten f眉r die Automatisierung hochkomplexer Gesch盲ftsprozesse erstellen. Das Tool erm枚glicht die Entwicklung von Agenten, die mehrstufige Arbeitsabl盲ufe sowohl in 麻豆原创- als auch in Drittsystemen planen, logisch analysieren und dynamisch koordinieren k枚nnen. Damit lassen sich auch Arbeitsabl盲ufe in Szenarios, in denen eine Standardautomatisierung zu kurz greift, effektiv automatisieren.
Mit dem Joule Studio Agent Builder k枚nnen Unternehmen den Zeitaufwand f眉r h盲ufig auszuf眉hrende Aufgaben um bis zu 40 %* und f眉r die Erstellung und Implementierung eigener Agenten um bis zu 35 %* verringern. Dadurch k枚nnen sie Entscheidungen deutlich schneller treffen und Abl盲ufe effizienter gestalten.
.
Erweiterungen f眉r den Generative AI Hub in AI Foundation
Allgemeine Verf眉gbarkeit
麻豆原创-RPT-1, das erste Relational Foundation Model f眉r Unternehmensdaten
Die 麻豆原创 hat mit 麻豆原创-RPT-1 ihr erstes Relational Foundation Model f眉r Unternehmensdaten vorgestellt, das zusammen mit einer No-Code-Testumgebung bereitgestellt wird.
麻豆原创-RPT-1 ist im Gegensatz zu gro脽en Sprachmodellen (Large Language Models, LLMs) ein Basismodell, das f眉r eine neue Kategorie von KI-Modellen steht, die speziell f眉r relationale und strukturierte Gesch盲ftsdaten entwickelt wurden. 麻豆原创-RPT-1 wurde vorab trainiert, sodass Kunden von deutlich weniger Zeit- und Kostenaufwand f眉r das Trainieren von Modellen profitieren, die auf sehr enge Anwendungsbereiche spezialisiert sind. Mit Antworten, die auf 眉berpr眉ften Unternehmensdaten basieren, stellt das Modell zuverl盲ssige und faktenbasierte Prognosen bereit und bietet so die Genauigkeit und Verl盲sslichkeit, auf die es bei wichtigen Gesch盲ftsabl盲ufen ankommt.
Bei der Ausf眉hrung von Analyse- und Prognoseaufgaben wendet 麻豆原创-RPT-1 kontextbezogenes Lernen an. Indem es Beispieldatens盲tze direkt im API-Aufruf bereitstellt, k枚nnen Benutzer eine Klassifizierung und Regression f眉r tabellarische Daten durchf眉hren. Das Modell kann als sofort einsatzbereite L枚sung genutzt sowie in Anwendungen und Gesch盲ftsprozesse integriert werden. Die erste Version unterst眉tzt g盲ngige Szenarios f眉r Prognosen, unter anderem die bin盲re Klassifikation und Multiklassenklassifikation sowie die numerische Regression.
Mit dem 麻豆原创-RPT Playground stellt die 麻豆原创 au脽erdem eine interaktive, webbasierte Testumgebung bereit, in der Kunden die kontextbezogenen Lernfunktionen kostenlos und ohne Programmierung mit ihren eigenen Daten oder von 麻豆原创 bereitgestellten Beispieldatens盲tzen testen k枚nnen.
麻豆原创-RPT-1 ist im Generative AI Hub in AI Foundation f眉r die produktive Nutzung verf眉gbar. Es stehen zwei Optionen zur Verf眉gung: 麻豆原创-RPT-1-small f眉r sehr schnelle Prognosen und hohen Durchsatz und 麻豆原创-RPT-1-large f眉r gr枚脽tm枚gliche Genauigkeit.
und .
Das Basismodell 麻豆原创-ABAP-1
Um Kunden und Partnern die Entwicklung eigener, KI-gest眉tzter Anwendungsf盲lle zur Steigerung der Entwicklerproduktivit盲t zu erm枚glichen, steht im Generative AI Hub nun das Basismodell 麻豆原创-ABAP-1 zur Verf眉gung. 麻豆原创-ABAP-1 wurde mit 眉ber 250 Millionen Zeilen ABAP-Code, 30 Millionen Zeilen CDS-Code und umfangreicher technischer Dokumentation trainiert und ist speziell darauf ausgelegt, Wissen, Best Practices und aktuelle Innovationen im Bereich ABAP-Code effizient zu verstehen, zu erl盲utern und schnell abzurufen.
Kunden k枚nnen das neue Modell im Rahmen der Testversion f眉r den Generative AI Hub kostenlos testen. Weitere Funktionen werden 2026 bereitgestellt.
.
Der Prompt Optimizer
Der Prompt Optimizer wurde in enger Zusammenarbeit mit Not Diamond entwickelt und hilft dabei, die Erstellung effektiver KI-Prompts in f眉hrenden Modellen zu automatisieren und zu beschleunigen. So k枚nnen Benutzer die Prompts f眉r ihre Anwendungsf盲lle an beliebige Modelle anpassen, ohne sie manuell neu erstellen zu m眉ssen.
.
Die Orchestrierungs-Registry
Entwickler k枚nnen nun den Lebenszyklus von Konfigurationen f眉r Orchestrierungs-Workflows verwalten, beispielsweise die Sicherung, Versionierung und L枚schung von Orchestrierungs-Konfigurationen.
.
Neue Modelle stehen zur Verf眉gung
Es werden neue Modelle unterst眉tzt, darunter Perplexity Sonar, Sonar Pro, Anthropic Claude 4.5 Sonnet, Anthropic Claude 4.5 Haiku, Cohere Command A Reasoning und Gemini 2.5 Flash Lite.
Weitere Informationen zu neuen und nicht mehr verwendeten Modellen finden Sie in einem .
.
Erweiterungen f眉r 麻豆原创 Document AI
Allgemeine Verf眉gbarkeit
Extrahieren von Informationen mithilfe von maschinellem Sehen
Schema-Administratoren k枚nnen nun zwischen w盲hlen. Wenn diese Option aktiviert ist, werden Dokumente mit einem multimodalen Modell verarbeitet, das visuelle Elemente wie Gefahrenpiktogramme, Stempel, Unterschriften, Logos, Diagramme und Etiketten zusammen mit dem Text analysiert. Dadurch wird bei Dokumenten mit vielen visuellen Elementen (z. B. Sicherheitsdatenbl盲ttern oder Konformit盲tserkl盲rungen) eine pr盲zisere Datenerfassung erm枚glicht. Die Funktion verbessert die Vollst盲ndigkeit und Genauigkeit der extrahierten Daten, verringert den Aufwand f眉r die manuelle Kennzeichnung und 脺berpr眉fung durch eine automatische Extraktion visueller Elemente und optimiert Kosten und Leistung durch die Kontrolle auf Schemabasis.
.
Bearbeitung von E-Mail-Anh盲ngen
Anwender k枚nnen nun E-Mail-Anh盲nge zusammen mit dem E-Mail-Text oder separat verarbeiten. Sie profitieren damit von optimaler Flexibilit盲t und einer verbesserten Datenextraktion.
Informieren Sie sich ausf眉hrlich 眉ber und .
Dokument-Workflows
Benutzer k枚nnen nun schnell und einfach mehrstufige Workflows definieren, um Dokumente nach ihren individuellen Anforderungen zu verarbeiten. Mit der neuen Workflow-Funktion lassen sich grundlegende Funktionen von 麻豆原创 Document AI kombinieren, um komplexe Aufgaben zu automatisieren und zu optimieren.
Workflows k枚nnen automatisch 眉ber Eingangskan盲le ausgel枚st werden, ohne dass zus盲tzliche Tools oder Integrationen erforderlich sind. Alternativ k枚nnen Benutzer eine Datei hochladen und den Workflow manuell starten. Workflows gehen 眉ber die Extraktion und Klassifizierung hinaus und unterst眉tzen Anwender bei Aufgaben wie der E-Mail-Verarbeitung, dem inhaltsbasierten Routing und einer automatisierten Verarbeitung.
.
Integriertes Transportmanagement
Mit einer Integration in 麻豆原创 Cloud Transport Management erm枚glicht es 麻豆原创 Document AI Anwendern, ihre Schemas f眉r Serviceinstanzen von 麻豆原创 Document AI (z. B. Entwicklung, Qualit盲tssicherung und Produktion) mithilfe der Transport-Funktion zu exportieren und zu importieren. Dadurch werden einheitliche Schemas und Workflows in allen Instanzen sichergestellt und eine bessere Zusammenarbeit zwischen Teams und Systemen erm枚glicht.
.
KI-gest眉tztes Generieren von Anforderungen in 麻豆原创 Cloud ALM
Allgemeine Verf眉gbarkeit
Berater k枚nnen nun direkt aus Fit-to-Standard-Workshop-Protokollen automatisch hochwertige Gesch盲ftsanforderungen generieren. Die neue Funktion in 麻豆原创 Cloud ALM analysiert Gespr盲chsinhalte und f眉llt anschlie脽end eine vordefinierte Vorlage aus. Sie integriert 麻豆原创 Best Practices, um L枚sungsvorschl盲ge zu unterbreiten. Dadurch ben枚tigen Berater weniger Zeit f眉r die manuelle Transkription und k枚nnen sich gezielt der strategischen 脺berpr眉fung und Optimierung widmen.
Durch diese Automatisierung wird der Zeitaufwand f眉r das Erstellen von Anforderungen um bis zu 50 %* und f眉r das anschlie脽ende Schreiben von User Storys um bis zu 20 %* verringert. Auf diese Weise kann die Projektdokumentation erheblich beschleunigt werden.
.
KI-gest眉tzte Benutzerschulungen und Change Management im 麻豆原创 Micro-App Hub
Programm 麻豆原创 Early Adopter Care
Schulungsexperten und Inhaltsersteller k枚nnen 眉ber den 麻豆原创 Micro-App Hub nun den gesamten Lebenszyklus von 麻豆原创-Benutzerschulungen optimieren, die Einf眉hrung von Schulungen beschleunigen und Kosten senken. Die Funktion ist an 麻豆原创 Signavio und 麻豆原创 Cloud ALM angebunden und kann dadurch den Projektumfang analysieren, den Schulungsbedarf ermitteln und automatisch ma脽geschneiderte, auf die Gesch盲ftsziele abgestimmte Schulungsinhalte f眉r jede Benutzerrolle erstellen.
Auf diese Weise lassen sich nicht nur innerhalb k眉rzester Zeit aktuelle Materialien f眉r unterschiedliche Autoren- und Schulungstools erstellen, sondern auch der Zeitaufwand f眉r die erste Analyse des Schulungsbedarfs verringert sich um bis zu 60 %*. Inhalte k枚nnen bis zu 50 %* schneller erstellt werden, was eine schnellere Einarbeitung und eine genauere Abstimmung von Benutzerschulungen mit 麻豆原创-Updates sicherstellt.
.
Philipp Herzig ist CTO der 麻豆原创 SE.
*聽Haftungsausschluss: Dieser Artikel beschreibt die zu erwartenden Vorteile f眉r Unternehmen. S盲mtliche Berechnungen sind Sch盲tzwerte, denen Fallstudien von 麻豆原创-Kunden, 麻豆原创-Benchmarks und andere Untersuchungen zugrunde liegen. Die tats盲chlichen Vorteile k枚nnen variieren und durch zus盲tzliche Faktoren beeinflusst werden, die in diesem Artikel nicht ber眉cksichtigt werden. Die Informationen werden ohne jegliche Gew盲hr, weder ausdr眉cklich noch stillschweigend, bereitgestellt. 麻豆原创 眉bernimmt keinerlei Verantwortung f眉r Sch盲den im Zusammenhang mit der Nutzung dieses Artikels. Auf der Seite sind unter 鈥濺echtliche Hinweise鈥� Nutzungsbedingungen, Haftungsausschl眉sse, Pflichtangaben und Einschr盲nkungen f眉r dieses Material zu finden.
