Blog / Enterprise AI / KI-Integration
ENTERPRISE AI · ARCHITEKTUR
Das Modell ist selten das Problem: KI integrieren in SAP, Microsoft 365 und Jira
Autor: Julia Rose / Veröffentlicht: June 2026
Der schwierigste Teil eines Enterprise-KI-Projekts ist selten das Modell. Es ist die Frage, wie konkret man die Integration angeht. Das Modell kann die Rechnung lesen oder das Ticket klassifizieren; was diese Fähigkeit in ein produktives System verwandelt, ist die Präzision, mit der es an die Werkzeuge angebunden wird, in denen Ihre Arbeit ohnehin stattfindet. Die Fragen, die sich früh lohnen, sind konkrete: Wie greift die KI auf Dokumente in SharePoint zu? Wie werden Berechtigungen aus Microsoft 365 übernommen? Wie landet ein KI-generierter Vorgang direkt in Jira oder SAP? Anhand konkreter Integrationsmuster für SharePoint, Azure, E-Mail-Systeme und Dateiserver zeigen wir, welche Architekturentscheidungen ein System in den produktiven Einsatz tragen, und wie Sie den Umfang Ihres eigenen Projekts realistisch planen.
Was Sie mitnehmen
Am Ende dieses Artikels können Sie einschätzen, welches von drei Integrationsmustern zu einem Prozess passt, den Sie automatisieren möchten, und welche Fragen meist darüber entscheiden, ob ein KI-Projekt produktiv geht oder im Pilotstadium stecken bleibt.
Bevor wir einsteigen, beantworten Sie drei Fragen zu Ihrem geplanten Anwendungsfall:
Muss das Ergebnis innerhalb von Sekunden vorliegen?
Berührt der Prozess mehrere Systeme gleichzeitig?
Schwankt das Anfragevolumen stark oder ist es schwer vorherzusagen?
Ihre Antworten geben meist bereits einen Hinweis darauf, welches Integrationsmuster sinnvoll ist.
Warum KI-Projekte selten am Modell scheitern
Diese Situation sehen wir in Enterprise-KI-Projekten immer wieder: Ein Proof of Concept überzeugt. Die Demo funktioniert. Dokumente werden korrekt ausgelesen, E-Mails sauber klassifiziert, Antworten wirken plausibel. Dann stockt das Projekt.
Nicht weil das Modell schlechter geworden wäre, sondern weil plötzlich andere Fragen auftauchen:
Woher bekommt die KI ihre Daten?
Selten liegt alles an einer Stelle. Klären Sie früh, welche Systeme die Quelle sind, und über welche Schnittstelle sie ihre Daten überhaupt bereitstellen.
Darf sie dieselben Informationen sehen wie die Mitarbeitenden?
Die KI sollte innerhalb Ihres bestehenden Berechtigungsmodells arbeiten, nicht mehr sehen als der Mensch, der dieselbe Aufgabe erledigt.
Wie gelangen Ergebnisse zurück nach SAP, Jira oder Microsoft 365?
Eine KI, die nur liest, schafft ein weiteres Silo. Der Wert entsteht, wenn Ergebnisse direkt zurück in das System fließen, in dem die Arbeit stattfindet.
Was passiert, wenn ein Zielsystem nicht erreichbar ist?
Ausfälle und Wartungsfenster gehören zum Alltag. Ein produktionsreifes System braucht eine klare Antwort darauf, statt im Fehlerfall stillzustehen.
Wer ist für Berechtigungen und Nachvollziehbarkeit verantwortlich?
Zugriff und Auditierbarkeit brauchen einen klaren Verantwortlichen, denn das ist oft der Punkt, an dem die Security-Prüfung über Erfolg oder Stillstand entscheidet.
Für viele Enterprise-Prozesse ist die Modellqualität heute nicht mehr der begrenzende Faktor. Die größere Herausforderung liegt meist darin, Datenzugriffe, Berechtigungen und Systemintegration sauber umzusetzen.
Der Unterschied zwischen einer überzeugenden Demo und einem System, das täglich genutzt wird, liegt selten in der Intelligenz des Modells. Er liegt in der Verbindung zu den Systemen, in denen die Arbeit tatsächlich stattfindet.
Bei unserem Logistikkunden Fr. Meyer’s Sohn reduzierte eine KI-gestützte E-Mail-Verarbeitung den manuellen Aufwand um rund 80 Prozent. Der entscheidende Faktor war dabei nicht ein besonders ausgefeiltes Modell, sondern die direkte Integration in die bestehende Umgebung und den operativen Prozess. → Zur Case Study
KEY TAKEAWAY
Der Engpass ist selten die KI selbst. Meist entscheidet die Integration in bestehende Systeme über den Erfolg eines Projekts.
Warum Integration Zeit spart und nicht nur Technik ist
Wenn KI in einem separaten Tool lebt, entsteht oft ein neues Datensilo. Mitarbeitende kopieren Informationen hinein, prüfen Ergebnisse und übertragen sie anschließend wieder in ERP-, CRM- oder Ticket-Systeme. Die versprochene Automatisierung endet dann an einer manuellen Schnittstelle. Integration beseitigt diese Brücke. Die KI liest Daten dort aus, wo sie ohnehin entstehen, verarbeitet sie und schreibt Ergebnisse direkt in bestehende Abläufe zurück.
Bei einem Premium-Automobilhersteller haben wir beispielsweise einen Assistenten entwickelt, der Planungsdaten direkt aus SAP BW und angebundenen Data Warehouses abruft. Was zuvor mehrere manuelle Abfragen und tiefes Systemwissen erforderte, lässt sich heute in Sekunden beantworten. Nicht das Modell hat den Unterschied gemacht. Die entscheidende Veränderung war der direkte Zugriff auf die relevanten Systeme. → Zur Case Study
Deshalb behandeln wir Integrationsfragen nicht als technisches Detail am Ende eines Projekts, sondern als Architekturentscheidung zu Beginn.
Drei Integrationsmuster, die den Großteil aller Enterprise-Projekte abdecken
Es gibt nicht den einen richtigen Weg, KI an Ihren Stack anzubinden. Was passt, hängt davon ab, wie echtzeitnah der Prozess sein muss, was Ihre Systeme bereitstellen und was Ihr Security-Team genehmigt. Diese drei Beispiele decken die meisten Enterprise-KI-Prozesse ab.
1. API-basierte Integration (direkt und synchron)
Die sauberste Option, wenn das Zielsystem eine dokumentierte Schnittstelle bietet. Der KI-Dienst ruft die API direkt auf, um zu lesen und zu schreiben – je nach System etwa SAP über OData oder BAPI/RFC, Microsoft 365 über die Microsoft Graph API oder Jira über die REST-API. Derselbe Ansatz gilt für die meisten modernen Enterprise-Tools, die eine Schnittstelle bereitstellen.
Das passt zu Prozessen, bei denen ein Ergebnis nahezu in Echtzeit erwartet wird: Ein Ticket kommt herein, die KI klassifiziert es, das Ergebnis wird innerhalb von Sekunden zurückgeschrieben. Der Kompromiss ist die enge Kopplung – der KI-Dienst braucht Zugangsdaten, Netzwerkzugriff und Robustheit gegenüber Rate-Limits und Ausfällen des Zielsystems. Und die Reibung ist oft nicht die API selbst, sondern was dahinter liegt: ein Kernsystem, das Daten nur über eine ältere Schnittstelle bereitstellt, oder Berechtigungen, die nicht sauber übernommen werden.
2. Event-getriebene Integration (asynchron und entkoppelt)
Hier kommunizieren die Komponenten über eine Message-Queue oder einen Event-Bus, statt sich direkt aufzurufen. Eine eingehende E-Mail landet in einer Queue; die KI nimmt sie auf, sobald sie bereit ist, verarbeitet sie und stellt das Ergebnis für den nächsten Schritt bereit.
Zu diesem Muster greifen Sie, wenn das Volumen hoch oder schwankend ist, etwa die tägliche E-Mail-Last hinter der oben genannten Fr.-Meyer’s-Sohn-Pipeline. Es entkoppelt die Verarbeitungsgeschwindigkeit der KI vom Quellsystem, fängt Lastspitzen ab und sorgt dafür, dass ein kurzer Ausfall einer Komponente nicht die ganze Kette aufhält. Der Preis ist zusätzliche Infrastruktur und die operative Disziplin, die asynchrone Systeme verlangen.
3. Middleware- und Integrationsschicht
Für Prozesse, die mehrere Systeme gleichzeitig umfassen, also Logik, die in einem Ablauf ERP, CRM, E-Mail und ein Dateisystem berührt, sitzt eine dedizierte Integrationsschicht zwischen der KI und Ihren Systemen und übernimmt Authentifizierung, Datenmapping, Formatübersetzung und Routing an einer kontrollierten Stelle.
Das ist das robusteste Muster für komplexe Multi-System-Workflows und am einfachsten zu auditieren. Es ist auch das aufwendigste, weshalb es sich für Prozesse lohnt, deren Komplexität es wirklich rechtfertigt. Hier taucht außerdem eine häufige vorgelagerte Frage auf: Wenn mehrere Systeme Versionen derselben Daten halten, welches ist die führende Datenquelle? Diese Entscheidung macht die Integrationsschicht explizit, statt sie zu übergehen.
In der Praxis lässt sich ein Prozess häufig nicht eindeutig einem einzelnen Muster zuordnen. Je nach beteiligten Systemen und deren technischen Rahmenbedingungen kommen oft verschiedene Ansätze in Kombination zum Einsatz. Welche Lösung sich eignet, hängt von den konkreten Anforderungen und Gegebenheiten des jeweiligen Prozesses ab.
Die drei beschriebenen Muster sind dabei nicht an eine feste Produktlandschaft gebunden. Die Integration kann mit den Systemen und Werkzeugen erfolgen, die bereits im Unternehmen etabliert sind – etwa SAP, SharePoint, Azure, Jira, E-Mail-Systeme oder Dateiserver. Ebenso entscheidend sind die Besonderheiten eines Prozesses, die sich nicht allein aus der Systemlandschaft ableiten lassen. Diese werden am besten gemeinsam mit den Fachbereichen und Domänenexperten herausgearbeitet, die die tatsächlichen Abläufe und Ausnahmen kennen. Während die Muster den technischen Integrationsansatz vorgeben, stellen die Fachexperten sicher, dass auch die relevanten Sonderfälle und Prozessanforderungen berücksichtigt werden.
KEY TAKEAWAY
Das richtige Muster ist nicht das fortschrittlichste, es ist das, das zu Prozessgeschwindigkeit, Systemen und Security-Prüfung passt.
Die zwei Fragen, die über den Projekterfolg entscheiden
1. Wie fügt sich die KI in Ihr Berechtigungsmodell ein?
Eine KI sollte mit denselben Regeln arbeiten wie die Menschen im Unternehmen und nicht mit eigenen Sonderrechten. In der Praxis bedeutet das, dass bestehende Rollen, Berechtigungen und Zugriffsmodelle aus Systemen wie SAP, Microsoft 365 oder Jira übernommen werden. Die KI erhält nur die Rechte, die sie für ihre Aufgabe tatsächlich benötigt.
Eine einfache Leitlinie lautet: Die KI sollte nicht auf mehr Informationen zugreifen können als die Person, deren Arbeit sie unterstützt oder automatisiert.
Genau an dieser Stelle entstehen in Projekten häufig die größten Verzögerungen. Berechtigungskonzepte werden erst spät betrachtet, notwendige Zugriffe fehlen oder Sicherheitsprüfungen bringen ungeklärte Fragen ans Licht. Werden diese Themen früh geklärt, lassen sich spätere Hürden deutlich reduzieren.
2. An welcher Stelle bleibt der Mensch eingebunden?
Nicht jeder Prozess muss vollständig automatisiert werden. In vielen Fällen ist es sinnvoller, wenn die KI Standardfälle selbstständig bearbeitet und nur bei Unsicherheiten oder Ausnahmen an Mitarbeitende übergibt.
Das können beispielsweise Rechnungen sein, die nicht zur Bestellung passen, oder E-Mails, deren Anliegen nicht eindeutig erkannt werden kann. Der Mensch greift dort ein, wo Kontext, Erfahrung oder eine Entscheidung erforderlich sind.
Ein Praxisbeispiel liefert Radaway: Dort verarbeitet ein LLM-basiertes System eingehende Bestellungen aus E-Mails weitgehend automatisiert, unabhängig von Sprache oder Format. Dadurch konnten die manuellen Aufwände bei der Auftragserfassung um rund 90 Prozent reduziert werden. Fälle, die nicht eindeutig verarbeitet werden können, werden gezielt an Mitarbeitende weitergeleitet.
Wer diesen Übergabepunkt früh definiert, schafft Transparenz und Nachvollziehbarkeit. Gleichzeitig steigt die Akzeptanz der Lösung, weil klar ist, wann die KI entscheidet und wann ein Mensch die Kontrolle übernimmt.
On-Premise, Cloud oder Hybrid?
Die Entscheidung für ein Betriebsmodell sollte nicht isoliert betrachtet werden. Sie hängt eng mit der Integrationsarchitektur zusammen, da beide Bereiche sich gegenseitig beeinflussen.
Wenn regulatorische Vorgaben, Datenschutzanforderungen oder interne Sicherheitsrichtlinien es erfordern, können KI-Komponenten vollständig On-Premise oder in einer Private Cloud betrieben werden. So erfolgt beispielsweise bei den Tirol Kliniken die Anonymisierung von Patientendaten ausschließlich auf eigener Infrastruktur.
An den grundlegenden Integrationsmustern ändert sich dadurch wenig. Die Unterschiede liegen vor allem darin, wo die einzelnen Komponenten betrieben werden und wie die Verbindungen zwischen ihnen abgesichert sind. → Zur Case Study
API-basierte Integration eignet sich besonders für Anwendungsfälle mit kurzen Reaktionszeiten. Event-getriebene Architekturen spielen ihre Stärken bei hohen oder schwankenden Volumina aus, während Middleware-Lösungen Vorteile bieten, wenn mehrere Systeme und Geschäftsregeln miteinander koordiniert werden müssen.
Über den Erfolg eines KI-Projekts entscheidet nicht allein die Wahl des Modells. Ebenso wichtig ist die saubere Integration in bestehende Datenquellen, Berechtigungskonzepte und Unternehmenssysteme.
Eine KI-Lösung entfaltet ihren Nutzen erst dann vollständig, wenn ihre Ergebnisse in die bestehenden Prozesse und Systeme zurückfließen - etwa nach SAP, Jira oder Microsoft 365. Andernfalls entsteht schnell ein weiteres Datensilo.
Berechtigungen gehören zu den häufigsten Herausforderungen in Integrationsprojekten. Die KI sollte grundsätzlich nur auf Informationen zugreifen können, die auch den zuständigen Mitarbeitenden zur Verfügung stehen.
Die Entscheidung für On-Premise, Cloud oder hybride Betriebsmodelle sollte gemeinsam mit der Integrationsarchitektur getroffen werden. Anforderungen an Datenschutz, Sicherheit und Compliance beeinflussen beide Bereiche gleichermaßen.
Über theBlue.ai
theBlue.ai ist ein spezialisiertes KI-Entwicklungsunternehmen mit Sitz in Hamburg und Posen und der KI-Bereich der Apollogic Group, einer Enterprise-Beratungsorganisation mit über 120 Mitarbeitenden und mehr als 18 Jahren Erfahrung in der Umsetzung von SAP-, Microsoft- und individuellen IT-Systemen für mittlere bis große Unternehmen. 2019 vom selben Team hinter Apollogic gegründet, ist theBlue.ai aus der Enterprise-IT heraus entstanden und nicht aus einem KI-Forschungslabor, weshalb jedes Projekt beim Prozess beginnt, nicht bei der Technologie.
Wir finden den manuellen Prozess, der Ihr Unternehmen am meisten kostet, und bauen das KI-System, das ihn beseitigt, integriert in die Tools, die Ihr Team bereits nutzt, On-Premise oder in der Cloud betrieben und so gebaut, dass es Ihre Security-Prüfung besteht, statt sie zu umgehen. Mehr als 50 umgesetzte Enterprise-KI-Projekte in zehn Branchen, von der Analyse und Optimierung bestehender Geschäftsprozesse bis zum produktiven Betrieb von KI-Systemen.
Über die Autorin
Julia Rose, Marketing Lead, theBlue.ai
Julia ist seit 2019 Teil von theBlue.ai und begleitet die Entwicklung von KI-Anwendungen im Unternehmensumfeld seit den frühen Tagen des Unternehmens. In ihrer Rolle als Marketing Lead arbeitet sie eng mit den Engineering- und Consulting-Teams zusammen und macht komplexe technische Themen für Entscheider verständlich und zugänglich.
In ihren Artikeln schreibt sie über praktische Erfahrungen aus Enterprise-KI-Projekten sowie über die Herausforderungen und Chancen beim Einsatz von KI in Unternehmen.