Databricks als Data Layer für die PO-Automatisierung

Von Gari Ciodaro, Co-Founder und CTO der Recall Space GmbH

Wenn Ihre Bestellungen, Lieferantenstammdaten und Lieferhistorie bereits in Databricks liegen, kann Lisa AI sie dort lesen, wo sie liegen, und jede Entscheidung als Daten zurückschreiben. Kein Exportprojekt und keine neue Plattform, die Ihr Team betreiben muss.

Auftragsbestätigungen wirken wie ein gelöstes Problem. Der Lieferant meldet zurück, was er liefern wird, jemand gleicht das mit der Bestellung ab, und SAP wird aktualisiert. In der Praxis entsteht genau hier ein großer Teil der täglichen Reibung im Einkauf: Teilbestätigungen, stillschweigende Preisänderungen, verschobene Liefertermine und Teillieferungen – und das alles als PDF oder E-Mail in jedem denkbaren Format.

Die meisten Diskussionen über die Automatisierung dieses Schritts drehen sich um die KI: Kann ein Modell das Dokument lesen? Dieser Teil ist inzwischen der einfache. Die schwierigeren Fragen betreffen die Daten. Woher kommen die Bestelldaten? Wer darf die Dokumente des Lieferanten sehen? Wo liegt die Evidenz hinter jeder Entscheidung, und wie gelangt das freigegebene Ergebnis ohne Dubletten nach SAP?

Für Unternehmen, die ihre Analytics und ihr Data Engineering auf Databricks betreiben, sind die meisten dieser Fragen bereits beantwortet. Dieser Artikel zeigt, wie Lisa AI, der Einkaufsagent von Recall Space, Databricks als Data Layer für Auftragsbestätigungen nutzt: was gelesen wird, was zurückgeschrieben wird und was wo bleibt.

Das Auslesen der Bestätigung ist der einfache Teil

Eine Auftragsbestätigung zu automatisieren heißt, Position für Position zu entscheiden, ob die Zusage des Lieferanten akzeptabel ist. Die Extraktion ist nur der erste von fünf Schritten:

1. Extrahieren der Bestätigung: Positionen, Artikelreferenzen, Mengen, Einheiten, Preise und Termine – unabhängig vom Format des Lieferanten.
2. Zuordnen jeder bestätigten Position zur richtigen Bestellposition, einschließlich Teillieferungen und Positionen, die der Lieferant umbenannt oder zusammengefasst hat.
3. Abgleichen von bestellten und bestätigten Werten und Erkennen jeder Abweichung bei Menge, Preisbasis, Währung oder Termin.
4. Entscheiden, ob eine Abweichung innerhalb der Toleranz liegt, einen Einkäufer erfordert oder an den Lieferanten zurückgehen sollte – auf Basis der eigenen Regeln und Lieferanten-Playbooks.
5. Übergeben des freigegebenen Ergebnisses an SAP, typischerweise als ORDRSP-IDoc, und prüfen, ob es tatsächlich verarbeitet wurde.

Die Schritte 2 bis 5 hängen vollständig von Daten ab, die das KI-Modell selbst nicht hat: offene Bestellungen, die Historie des Lieferanten, vereinbarte Toleranzen und das SAP-Mapping. Außerdem hängen sie von Governance ab. Ein Einkäufer, der eine Ausnahme prüft, muss das Quelldokument und die Begründung sehen – und ein Auditor später genau dasselbe.

Deshalb entscheidet der Data Layer darüber, ob PO-Automatisierung im Produktivbetrieb funktioniert, nicht das Modell.

Warum Databricks zu diesem Workflow passt

Viele Großhändler und Hersteller haben die eigentliche Arbeit bereits erledigt und ERP-, Lieferanten- und Logistikdaten in ein Lakehouse überführt. Eine PO-Automatisierung, die eine eigene Kopie dieser Daten braucht, bedeutet einen weiteren Export, ein weiteres Security Review und ein zweites Set an Zugriffsregeln.

Die Anbindung von Lisa AI an Databricks dreht das um:

• Die Daten sind bereits da. Lisa AI liest offene Bestellpositionen, Lieferantenstammdaten und Lieferhistorie über ein SQL Warehouse direkt aus Ihren Tabellen, statt auf einen Export zu warten.
• Die Governance ist bereits definiert. Lisa AI liest mit einem eigenen Service Principal, und Unity Catalog entscheidet, welche Tabellen sie sehen darf. Die zurückgeschriebenen Ergebnisse unterliegen denselben Regeln.
• Nichts Neues zu betreiben. Ihr Platform-Team vergibt Zugriffsrechte und ein Schema, in das geschrieben werden darf. Es hostet und betreibt die Anwendung nicht; das übernimmt Recall Space.
• Die Ergebnisse bleiben auswertbar. Jede Bestätigung, jede Abweichung und jede Entscheidung eines Einkäufers wird als Tabelle in Ihren Workspace zurückgeschrieben. Lieferantenzuverlässigkeit, wiederkehrende Preisabweichungen und Freigabezeiten lassen sich mit den Tools analysieren, die das Unternehmen bereits nutzt.

Der letzte Punkt wird leicht übersehen. Sobald Auftragsbestätigungen zu strukturierten, kontrollierten Daten werden, sind sie keine operative Pflichtaufgabe mehr, sondern speisen das Supplier Performance Management.

Eine Referenzarchitektur

Lisa AI läuft als Service, den Recall Space betreibt. Databricks ist an zwei Stellen angebunden: dort, wo Lisa AI die Bestellungen nachschlägt, auf die sich eine Bestätigung bezieht, und dort, wo sie die Ergebnisse zurückschreibt. Jede Komponente hat eine klare Aufgabe.

Geht eine Bestätigung ein, liest Lisa AI die betreffenden Bestellpositionen aus Ihren Databricks-Tabellen, vergleicht sie mit der Zusage des Lieferanten und empfiehlt eine Aktion. Einkäufer prüfen die Ausnahmen in Lisa AI. Freigegebene Ergebnisse gehen an SAP, und jeder Fall wird in Ihren Workspace zurückgeschrieben.

• PO Lookup liest nur die Bestellungen, die eine Bestätigung nennt, aus Unity-Catalog-Tabellen über ein SQL Warehouse und speichert einen Snapshot genau dieser Daten als Evidenz für die Entscheidung.
• Lisa AI extrahiert, ordnet zu, gleicht ab und empfiehlt für jede Abweichung eine Aktion. Sie empfiehlt; sie handelt nicht eigenständig.
• Buyer Review zeigt die Abweichung, das Quelldokument, die empfohlene Aktion und einen Freigabeschritt.
• Results Export schreibt Bestätigungen, Abweichungen und Entscheidungen in ein Schema in Ihrem Workspace, bereit zum Join mit Ihren Bestell- und Lieferantendaten.
• Unity Catalog steuert beide Richtungen: was Lisa AI lesen darf und wer sehen darf, was sie schreibt.
• Die SAP-Integration erhält freigegebene Bestätigungsdaten über Ihren bestehenden ORDRSP-IDoc-Prozess.

Optional: das Reasoning in Ihrem Workspace ausführen

Manche Organisationen möchten, dass der KI-Schritt selbst unter ihren eigenen Kontrollen läuft. Die Reasoning Engine von Lisa AI ist eine eigenständige Library und lässt sich daher auch als Lakeflow Job in Ihrem Workspace paketieren, der Ihre eigenen Model Serving Endpoints aufruft.

So bleiben die Modellaufrufe und die Dokumente, die sie sehen, im Workspace. Das ist allerdings ein größeres Projekt. Fallstatus, Buyer Review und SAP-Übergabe bleiben in Lisa AI, sodass sich die Daten, die die Grenze überschreiten, verändern, aber nicht verschwinden. Zwei Eigenschaften von Databricks erfordern zudem Planung: Ein reparierter Task beginnt von vorne und kann frühere Schreibvorgänge wiederholen (Databricks-Dokumentation), und Serverless Jobs haben je nach Modus unterschiedliche Startzeiten (Databricks-Dokumentation). Diese Option stimmen wir pro Kunde im Scoping ab, statt sie als Standard anzubieten.

Vier Designregeln für den Produktivbetrieb

Die Anbindung an Databricks ist unkompliziert. PO-Automatisierung für den Einkauf sicher zu machen, erfordert einige bewusste Entscheidungen.

1. Nur lesen, was die Entscheidung braucht, und festhalten, was gelesen wurde

Lisa AI kopiert Ihre Bestelltabellen nicht. Für jede Bestätigung liest sie die Bestellungen, auf die sich der Lieferant bezieht, und speichert diesen Snapshot mit dem Fall. Fragt ein Auditor, warum eine Abweichung akzeptiert wurde, stützt sich die Antwort auf die Daten, die der Entscheidung tatsächlich zugrunde lagen – auch wenn sich die Tabelle inzwischen geändert hat.

2. Warten auf den Einkäufer ist ein Status, kein laufender Prozess

Manche Bestätigungen erfordern eine menschliche Beurteilung, und manche treffen ein, bevor die Bestelldaten vollständig sind. Der Fall wird als wartend gespeichert, und nichts läuft weiter. Sobald der Einkäufer entscheidet oder die fehlenden Daten vorliegen, setzt der Fall an dieser Stelle fort. So läuft keine Compute-Ressource im Leerlauf, während jemand im Meeting sitzt.

3. Retries sind keine Idempotenz

Netzwerke fallen aus, und Nachrichten werden doppelt zugestellt. Für Analytics ist ein wiederholter Schreibvorgang meist unkritisch. Im Einkauf ist ein doppeltes IDoc das nicht. Jeder Schritt mit Wirkung braucht eine stabile Identität, sodass eine wiederholte Anfrage dasselbe Ergebnis liefert, statt zweimal zu handeln. Das gilt für die SAP-Übergabe und für die nach Databricks zurückgeschriebenen Ergebnisse: Ein wiederholter Export sollte Zeilen ersetzen, statt eine Abweichung doppelt zu zählen.

4. Ein gesendetes IDoc ist noch kein verarbeitetes IDoc

Ein ORDRSP-IDoc, das den Workflow verlässt, kann in SAP trotzdem scheitern, etwa wegen der Eingangskonfiguration oder fehlender Freigaben. Der Fall ist erst abgeschlossen, wenn das Ergebnis verifiziert ist. Lisa AI bereitet freigegebene Bestätigungsdaten auf und übergibt sie. Preiskonditionen in SAP ändert sie nicht stillschweigend.

Was ein Deployment braucht

Ein Deployment ist ein gemeinsames Projekt von Einkauf, Platform-Team und Recall Space. Die Verantwortlichkeiten verteilen sich so:

Die Datengrenze präzise benennen

Daten aus Databricks zu lesen heißt nicht, dass jeder Schritt im Workspace stattfindet. Lisa AI liest die Bestellpositionen, die eine Bestätigung braucht, verarbeitet sie zusammen mit dem Dokument des Lieferanten im eigenen Service und ruft ein Sprachmodell auf. Ein belastbares Deployment legt genau fest, welche Daten wohin gehen: welche Tabellen gelesen werden, welche Model Endpoints aufgerufen werden und wo sie laufen, und was zurückgeschrieben wird. Diese Architektur wird im Scoping mit der IT abgestimmt, statt sie vorauszusetzen.

Mit einem Lieferanten starten

Der beste erste Schritt ist bewusst klein: ein Lieferant, Lesezugriff auf Ihre Bestelltabellen und eine abgestimmte Übergabe an SAP. Das reicht, um zu sehen, was Lisa AI verstanden hat, warum sie eine Entscheidung empfiehlt und was genau an SAP übergeben würde – mit Ihren Dokumenten statt mit einer Demo.

Wenn Ihre Einkaufsdaten bereits in Databricks liegen und Sie Lisa AI daran anbinden möchten, sprechen Sie uns an. Gemeinsam mit Ihrem Platform-Team klären wir Datenzugriff, Ergebnis-Schema und SAP-Übergabe.

Quellen

• Auftragsbestätigungen in SAP automatisieren mit Lisa AI, Recall Space
• Connect to a SQL warehouse, Databricks-Dokumentation
• Manage privileges in Unity Catalog, Databricks-Dokumentation
• Lakeflow Jobs, Databricks-Dokumentation
• Repair job failures, Databricks-Dokumentation
• Run serverless jobs, Databricks-Dokumentation