Was passiert nach der S/4HANA-Transformation? Vom Go-live zur kontinuierlichen Optimierung

Der Go-live gilt oft als Ziellinie eines SAP-S/4HANA-Programms. Tatsächlich begegnet die Organisation dann erstmals dem realen System unter echtem Volumen, tatsächlichem Verhalten, echten Ausnahmen und verbindlicher Verantwortung. Deshalb beschreiben viele Transformationsverantwortliche den Go-live weniger als „Abschluss“, sondern als Beginn eines neuen Betriebsmodells: eines Modells, in dem Wert in den Monaten und Jahren nach dem Programm realisiert wird oder verloren geht.

Dieser Beitrag plädiert für einen einfachen, aber zu selten genutzten Ansatz: S/4HANA-Transformationen sollten als Fundament kontinuierlicher Optimierung gestaltet werden, nicht als einmaliges Veränderungsereignis. Im KI-Zeitalter gewinnen die Organisationen, die ihre Transformation als lernendes System behandeln. Sie erfassen Entscheidungen, Begründungen und Prozesswissen strukturiert, um sich kontinuierlich zu verbessern, zu automatisieren und anzupassen.

Transformation ist kein Ereignis. Sie ist eine Fähigkeit.

Die meisten S/4HANA-Programme optimieren auf Umsetzung: Umfang, Zeitplan und Cutover-Bereitschaft. Dieser Fokus ist nötig, aber unvollständig. Der wirtschaftliche Nutzen von S/4HANA lautet selten „Wir haben migriert“. Er beruht meist auf Ergebnissen wie schnellerem Abschluss, zuverlässigeren Lieferketten, weniger manuellen Schritten, stärkerer Compliance, besserer Planung und skalierbarerem Betrieb.

Diese Ergebnisse entstehen nicht automatisch beim Einschalten eines neuen ERP. Sie ergeben sich aus schrittweisen Änderungen nach dem Go-live: Prozesse verfeinern, den Betrieb stabilisieren und auf der Plattform aufbauen.

Die drei Phasen nach dem Go-live und warum sie wichtig sind

Der Zeitraum nach dem Go-live lässt sich sinnvoll in drei Phasen unterteilen. Jede hat eigene Ziele, Governance-Anforderungen und „Wissensartefakte“, die bestimmen, wie schnell Verbesserungen möglich sind.

1) Stabilisierung und Hypercare (0–30 Tage)

Unmittelbar nach dem Go-live stehen Störungsbehebung, Priorisierung und betriebliche Stabilisierung im Vordergrund. Typische Muster sind:

• Prozessbrüche, die im Test nicht sichtbar waren
• Datenqualitätsprobleme, die bei echten Transaktionen auftreten
• Lücken bei Rollen und Berechtigungen sowie Workflow-Engpässe
• Sonderfälle in Integrationen und unerwartete Leistungsprobleme

Teams, die Hypercare gut abschließen, haben zwei Dinge: Disziplin bei der Priorisierung und eine klare Verbindung zwischen Symptomen in Tickets und den zugrunde liegenden Prozess- und Designentscheidungen.

2) Akzeptanz und Compliance (30–90 Tage)

Sobald das System stabil genug läuft, entscheidet die Akzeptanz über den Wert. Hier nähert sich die tatsächliche Arbeitsweise entweder den vorgesehenen Zielprozessen an oder driftet in Behelfslösungen ab.

Zu den zentralen Herausforderungen gehören:

• uneinheitliche Ausführung über Standorte und Teams hinweg
• unklare Prozessverantwortung
• Schulungen, die Klicks erklären, aber keine Entscheidungen
• Schattenprozesse in Tabellen und E-Mails

Organisationen, die diese Phase gut meistern, betrachten Akzeptanz als messbares Verhalten statt als weiches Change-Management-Thema. Sie benennen Prozessverantwortliche, definieren Erfolgskennzahlen und nutzen strukturierte Feedbackschleifen, um das System und seine Nutzung zu verbessern.

3) Kontinuierliche Optimierung (ab 90 Tagen)

Hier sollte die Transformation beginnen, sich durch kontinuierliche Verbesserung, Automatisierung und zunehmend KI-gestützte Erweiterungen auszuzahlen.

Optimierung konzentriert sich typischerweise auf:

• Vereinfachung und Standardisierung von Prozessen
• Automatisierung wiederkehrender Schritte und Prüfungen
• bessere Ausnahmebehandlung mit weniger Eskalationen und schnellerer Klärung
• verbesserte Berichte und Entscheidungsunterstützung
• angepasste Kontrollen und Compliance ohne zusätzliche Reibung

Am schnellsten kommen hier Organisationen voran, die eine scheinbar einfache, tatsächlich schwierige Frage beantworten können: „Was genau haben wir implementiert und warum?“

Der versteckte Engpass: das organisatorische Gedächtnis

Optimierung nach dem Go-live setzt ein verlässliches Systemverständnis voraus: die geplanten Prozesse, die tatsächlich umgesetzten Konfigurationsentscheidungen und die Realität der Nutzung.

S/4-Transformationen erzeugen jedoch oft fragmentiertes Wissen:

• Workshop-Ergebnisse verteilt über Präsentationen, E-Mails und Besprechungsnotizen
• Anforderungen in uneinheitlichen Formaten
• informell oder gar nicht festgehaltene Fit-Gap-Entscheidungen
• spät erstellte Prozessabläufe ohne Verbindung zu den prägenden Entscheidungen
• Übergabepakete, die technisch vollständig, im Betrieb aber nicht nutzbar sind

Diese Fragmentierung schafft ein strukturelles Problem: Wer optimieren, automatisieren oder KI-Anwendungsfälle einführen möchte, muss den Kontext erst rekonstruieren. Teams verbringen Wochen damit, erneut herauszufinden, warum ein Prozess so aussieht, wer ihn freigegeben hat und welche Einschränkungen gelten. Das verlangsamt Verbesserungen und erhöht das Risiko, das Falsche zu „optimieren“.¹²

Warum KI die Zeit nach der Transformation verändert

KI wird häufig als etwas besprochen, das nach dem Go-live hinzukommt: Copiloten, Automatisierungsagenten, prädiktive Analysen oder Support-Bots. Ihre Wirksamkeit hängt jedoch von strukturiertem Verständnis, klaren Prozessen, ausdrücklichen Entscheidungen, einheitlicher Terminologie und nachvollziehbaren Anforderungen ab.³⁴

Die KI-Leistung hängt also von der Qualität der Transformation ab.

Fehlt einer Organisation eine schlüssige Darstellung von

• dem Zielprozessmodell,
• der Fit-to-Standard-Begründung,
• den relevanten Ausnahmen,
• den getroffenen Entscheidungen und ihren Verantwortlichen
• sowie der Verbindung zwischen Anforderungen und Konfiguration,

bleiben KI-Initiativen häufig isolierte Pilotprojekte. Sie können punktuell Erfolge erzielen, lassen sich aber schwer skalieren, weil die zugrunde liegende „Systemwahrheit“ fehlt oder umstritten ist.

Ist Transformationswissen dagegen strukturiert, wird KI zu einem Vermögenswert mit wachsendem Nutzen:

• Tickets lassen sich nach wiederkehrenden Ursachen gruppieren und Prozessschritten zuordnen
• Änderungsanträge lassen sich gegen ursprüngliche Fit-Gap-Entscheidungen und Einschränkungen prüfen
• Prozessdokumentation kann bei Änderungen aktuell bleiben
• Schulung und Befähigung können den Kontext berücksichtigen: „Warum“ und „Wie“
• Anwendungsfälle können anhand messbarer Reibungsverluste und entgangenen Nutzens priorisiert werden

Die strategische Konsequenz: KI sollte während der Transformation eingeführt werden, nicht erst danach.

Der beste Zeitpunkt für ein strukturiertes ERP-Verständnis ist nicht nach dem Go-live, wenn alle erschöpft sind und sich das Programmteam auflöst. Es ist während der Transformation, wenn Entscheidungen aktiv getroffen werden, Stakeholder verfügbar sind und Begründungen noch greifbar sind.

Hier kann eine auf Transformation ausgerichtete KI-Ebene Ergebnisse wesentlich verändern. Wird KI in Prepare und Explore eingebettet und überführt sie fragmentierte Discovery-Eingaben in strukturierte Anforderungen, Fit-Gap-Entscheidungen und Prozessdokumentation, beschleunigt das nicht nur die Umsetzung. Es schafft auch eine dauerhafte Wissensbasis des implementierten ERP.

Diese Wissensbasis wird zum Ausgangspunkt kontinuierlicher Optimierung.

Sie bewegt die Organisation von:

• „Die Organisation ist live — jetzt raten wir, was als Nächstes zu tun ist“

hin zu:

• „Wir sind live — mit nachvollziehbaren Entscheidungen, Prozess-Baselines und einem umsetzbaren Verbesserungs-Backlog“

Kontinuierliche Optimierung braucht ein Betriebsmodell, keine Heldentaten

Um nach dem Go-live dauerhaft Wert zu schaffen, hilft Organisationen meist der Wechsel vom Projekt zum Produkt:

• klare Prozessverantwortung, fachlich geführt und durch IT unterstützt
• ein verlässlicher Governance-Rhythmus mit monatlicher Priorisierung und vierteljährlicher Nutzenbewertung
• ein gemeinsames Verbesserungs-Backlog statt verteilter Tickets, E-Mails und Nebenprojekte
• ein einheitlicher Artefaktstandard für Anforderungen, Entscheidungen, Prozessabläufe und KPIs
• messbare Nutzenrealisierung bei Durchlaufzeit, Qualität, Kosten, Compliance und Erfahrung

Wissenschaftlich entspricht das einer lernenden Organisation: Sie baut Feedbackschleifen auf, bewahrt institutionelles Wissen und verbessert sich durch schrittweise Experimente statt regelmäßiger Neuerfindung. Im Betrieb verhindert dieses Vorgehen, dass S/4HANA zum „System, das niemand mehr verändern darf“ wird.

Was Sie jetzt tun können, auch mitten in der Transformation

Wenn Sie sich gerade in einem S/4HANA-Programm befinden, lautet die Frage nicht nur: „Sind wir auf Kurs für den Go-live?“ Sie lautet auch: „Bauen wir das Fundament für kontinuierliche Optimierung?“

Eine pragmatische Checkliste:

• Sind Fit-Gap-Entscheidungen ausdrücklich mit Begründung und Verantwortlichen dokumentiert?
• Gibt es eine klare Zuordnung von Workshop-Ergebnissen → Anforderungen → Prozessabläufen?
• Bilden Prozessmodelle tatsächliche Entscheidungen statt bloßer Annahmen ab?
• Können Sie einen Änderungsantrag bis zur ursprünglichen Entscheidung und Einschränkung zurückverfolgen?
• Sind Ihre Explore-Ergebnisse umsetzungsreif und nach dem Go-live wiederverwendbar?

Ist einer dieser Punkte unklar, drohen nicht nur Umsetzungsverzögerungen. Das größere Risiko ist langfristig: Die fehlende Struktur verursacht jedes Mal Kosten, wenn Sie verbessern, automatisieren oder KI-Anwendungsfälle im Unternehmen skalieren möchten.⁵⁶

Abschließender Gedanke

S/4HANA ist eine Transformation. Der eigentliche Vorteil entsteht jedoch durch das, was Sie danach tun. Organisationen, die den Go-live als Beginn kontinuierlicher Optimierung behandeln, bauen ERP-Systeme, die mit der Zeit besser werden: sauberere Prozesse, weniger Ausnahmen, schnellere Entscheidungen und zunehmend intelligente Automatisierung.

Im KI-Zeitalter wächst der Nutzen dieser Fähigkeit weiter.

Die wirkungsvollste Maßnahme ist, die Intelligenzebene dort einzubetten, wo sie am meisten bewirkt: während der Transformation selbst. Dann haben Sie beim Go-live mehr als ein neues ERP.

Sie haben ein System, das Sie tatsächlich verstehen und kontinuierlich verbessern können.

Quellen

1. Aa, H. van der et al. (2015). On the Fragmentation of Process Information: Challenges, Solutions, and Outlook. Lecture notes in business information processing, Springer Science+Business Media, p. 3. ↩
2. Aa, H. van der et al. (2017). Causes and Consequences of Fragmented Process Information: Insights from a Case Study. Journal of the Association for Information Systems. ↩
3. Mora‐Cantallops, M. et al. (2021). Traceability for Trustworthy AI: A Review of Models and Tools. Big Data and Cognitive Computing, 5(2), p. 20. ↩
4. Shah, S. et al. (2025). Explainability as a Compliance Requirement: What Regulated Industries Need from AI Tools for Design Artifact Generation. arXiv (Cornell University). ↩
5. Position Papers of the 19th Conference on Computer Science and Intelligence Systems (2024). Annals of Computer Science and Information Systems, 40. ↩
6. Proceedings of the 20th Conference on Computer Science and Intelligence Systems (FedCSIS) (2025). Annals of Computer Science and Information Systems, 43. ↩