Ausschreibungsanalyse mit SAP Business AI

Thema:

Alexander Brocksieper

Wie Knowledge Graphen, Vektorsuche und LLMs fundierte Entscheidungen ermöglichen

Viele Unternehmen stehen vor derselben Herausforderung: Unstrukturierte Texte, z.B. Ausschreibungen, Bewerbungen, E-Mails oder Support Tickets, müssen mit Unternehmensdaten verknüpft werden, um fundierte Entscheidungen treffen zu können. Gerade bei öffentlichen Ausschreibungen ist dieser Prozess komplex, zeitkritisch und stark reguliert. Relevante Informationen müssen schnell identifiziert, Kompetenzen im Unternehmen bewertet und Entscheidungen nachvollziehbar dokumentiert werden.

In diesem Beitrag zeigen wir, wie sich diese Herausforderung mithilfe von SAP Business AI, Knowledge Graph Engine, Vector Engine und Large Language Models (LLMs) lösen lässt.

Das Ergebnis ist eine KI-gestützte Anwendung, die Ausschreibungen automatisiert analysiert, interne Kompetenzen semantisch abgleicht und eine belastbare, erklärbare Entscheidungsgrundlage über eine Teilnahme und Zuschlagschancen schafft.

Ausgangsszenario: Ausschreibungen effizient und transparent bewerten

Die Entscheidung über eine Teilnahme an einer Ausschreibung wirft zentrale Fragen auf:

Passt das Thema zur strategischen Ausrichtung und zum Leistungsportfolio?
Welche Fähigkeiten und Erfahrungen werden gefordert?
Sind diese Kompetenzen intern vorhanden – und auf welchem Niveau?
Stehen ausreichend Ressourcen zur Verfügung?
Wurden bereits ähnliche Projekte oder Services durchgeführt, die als Referenz dienen?

In der Praxis werden diese Informationen häufig manuell aus unterschiedlichen Dokumenten, CVs und Datenbanken zusammengesucht. Das ist zeitaufwendig, fehleranfällig und kaum skalierbar. Ziel unseres Projekts war es daher, diesen Prozess weitgehend zu automatisieren und gleichzeitig Transparenz sowie Compliance sicherzustellen.

Architekturidee: Semantik als verbindendes Element

Der Kern der Lösung ist eine Architektur, die strukturierte Unternehmensdaten mit unstrukturierten Texten verbindet. Dazu kombinieren wir drei zentrale Konzepte:

Knowledge Graphen, um Mitarbeiter, Skill und Projektdaten semantisch zu strukturieren
Vektor Embeddings, um die Bedeutung von Ausschreibungen, Lebensläufen und Kompetenzbeschreibungen vergleichbar zu machen , um die Bedeutung von Ausschreibungen, Lebensläufen und Kompetenzbeschreibungen vergleichbar zu machen
LLMs, um Inhalte zu interpretieren, zu klassifizieren und kontextualisiert zu verarbeiten. Auswahl des bestmöglichen LLMs, um Stärken und Schwächen der Modelle auszutesten.

Diese Kombination ermöglicht eine hybride Suche nach Fakten und Bedeutungen. Unstrukturierte Texte werden maschinenverständlich, während strukturierte Daten ihren semantischen Kontext behalten. Gleichzeitig entstehen erklärbare Ergebnisse – ein entscheidender Faktor für Vertrauen in KI-gestützte Entscheidungen.

Umsetzung mit SAP-Technologien

Die Anwendung wurde mit dem SAP Cloud Application Programming Model (CAP) umgesetzt. CAP fungiert als Integrationsschicht und bindet die relevanten SAP Services nahtlos ein. Zum Einsatz kamen diese Komponenten von SAP Business AI:

HANA Cloud als zentrale Datenplattform
Knowledge Graph Engine (KGE) für semantische Beziehungen
Vector Engine (VE) für Embeddings und Ähnlichkeitssuchen
AI Core und das AI Launchpad für die Orchestrierung von LLMs (Generative AI Hub)

Die Anwendung läuft als Service in einer CloudFoundryUmgebung. Alle Services werden über Standard Service Bindings angebunden, sodass Konfigurationen und Zugangsdaten automatisiert bereitgestellt werden. Dieses Setup sorgt für eine klare Trennung von Datenhaltung, semantischer Verarbeitung, KI-Workflows und Anwendungslogik.

Knowledge Graphen: Struktur für erklärbare KI

Knowledge Graphen speichern Informationen nicht in Tabellen, sondern als Entitäten und Beziehungen. Statt impliziter Joins entsteht ein explizites Netz miteinander verknüpfter Fakten – ideal zur Abbildung komplexer Zusammenhänge.

Grundlage ist eine Ontologie, die definiert:

welche Entitäten existieren (z. B. Personen, Skills, Projekte),
wie sie miteinander in Beziehung stehen,
welche Hierarchien, Regeln und Constraints gelten.

Die Daten werden als RDF-Tripel (Subjekt – Prädikat – Objekt) gespeichert und über SPARQL abgefragt. Im Vergleich zu SQL beschreibt SPARQL keine festen Join-Strukturen, sondern semantische Muster. Das macht es besonders geeignet für dynamische, KI-gestützte Abfragen.
Ein wesentlicher Vorteil: Die Knowledge Graph Engine in Kombination mit der Vector Engine stellen LLMs verifizierbare Unternehmensfakten bereit und reduzieren damit Halluzinationen deutlich – ein echter Gamechanger für Compliance kritische Szenarien.

Abbildung 2: Zugrundeliegende Ontologie (vereinfachte Darstellung)

Embeddings und Vector Engine: Bedeutung statt Schlagwörter

Während Knowledge Graphen explizite Beziehungen modellieren, erfassen Embeddings die implizite Bedeutung von Texten. Inhalte werden als hochdimensionale Vektoren repräsentiert; semantisch ähnliche Texte liegen im Vektorraum nahe beieinander – unabhängig von Wortwahl oder Synonymen.

Die SAP Vector Engine speichert diese Embeddings direkt in der SAP HANA Cloud und ermöglicht Ähnlichkeitssuchen auf Basis von Cosine Similarity. So lassen sich Ausschreibungen, CVs und Kompetenzprofile zuverlässig vergleichen – auch dann, wenn Anforderungen unterschiedlich formuliert sind.

Automatisierte Anforderungs- und Skillanalyse

Die Ausschreibungsanalyse erfolgt über eine LLM basierte Pipeline. Zunächst wird geprüft, ob eine Ausschreibung grundsätzlich zum Geschäftsprofil und -portfolio des Unternehmens passt. Für geeignete Dokumente erzeugt das System automatisch:

eine inhaltliche Zusammenfassung,
eine strukturierte Liste der geforderten Skills,
eine Klassifikation in „Must-have“, „Should-have“ und „Nice-to-have“ (sofern vorhanden).

Anschließend werden die extrahierten Anforderungen mit den im Unternehmen vorhandenen Kompetenzen abgeglichen. Dabei kombiniert der Ansatz:

Semantische Vorauswahl über Embeddings,
LLM gestützte Validierung zur fachlichen Einordnung,
SPARQL-Abfragen auf dem Knowledge Graph zur Identifikation passender Mitarbeitender inklusive Skill Level.

Das Ergebnis: Eine fundierte, schnelle und transparente Entscheidungsgrundlage – und mehr Zeit für das Wesentliche.

Erklärbare Ergebnisse statt Blackbox KI

Ein zentraler Aspekt der Lösung ist die Nachvollziehbarkeit. Bevor ein LLM eine Antwort formuliert, werden relevante Informationen gezielt aus Knowledge Graph und Vector Engine abgerufen. Das Modell generiert seine Antwort ausschließlich auf Basis dieses geprüften Kontexts.

Dadurch entstehen konsistente, erklärbare Ergebnisse ohne Halluzinationen. Entscheidungen sind transparent und lassen sich fachlich begründen – ein entscheidender Vorteil gegenüber rein generativen KI-Ansätzen.

Mehrwert für Unternehmen

Die kombinierte Lösung bietet klare Vorteile:

Transparenz: Erklärbare Ergebnisse statt Blackbox Entscheidungen
Effizienz: Deutliche Zeitersparnis durch automatisierte Analyse
Compliance: Verifizierbare Faktenbasis für regulierte Umfelder
Innovation: Hybride Suche verbindet strukturierte Fakten mit semantischer Bedeutung

Abbildung 4: Use Case Ausschreibungs-KI

Fazit und Ausblick: Neue Maßstäbe dank HANA Cloud Datenbank, KGE und VE

Die Integration semantischer Analysen und moderner Knowledge-Graph-Technologien in die Unternehmensprozesse schafft neue Maßstäbe in der automatisierten und intelligenten Bewertung von öffentlichen Ausschreibungen. Unternehmen profitieren von mehr Transparenz, Effizienz und einer faktenbasierten Entscheidungsfindung – und können so ihre Wettbewerbsfähigkeit nachhaltig sichern. Wer heute auf innovative, nachvollziehbare SAP-Lösungen setzt, ist bestens für die Herausforderungen von morgen gerüstet.

Die Kombination aus SAP HANA Cloud, Knowledge Graph Engine, Vector Engine und SAP Business AI zeigt deutlich, wie sich unstrukturierte Texte und strukturiertes Unternehmenswissen sinnvoll zusammenführen lassen. Die Lösung ermöglicht eine automatisierte, nachvollziehbare Bewertung von Ausschreibungen und schafft eine belastbare Entscheidungsgrundlage.

Spoiler vorweg: Als nächster Schritt ist geplant, LLMs direkt SPARQL-Abfragen aus Ausschreibungstexten generieren zu lassen. Damit könnten komplexe Anforderungen vollständig automatisch in präzise Abfragen übersetzt und geeignete Kandidaten in einem Schritt identifiziert werden.