Die KI-Branche steht vor einem Paradigmenwechsel. Nach Jahren des Wettrüstens um immer größere Sprachmodelle und mehr Rechenleistung zeigt sich: Der nächste Qualitätssprung kommt aus der gezielten Spezialisierung.

Das Ende des „Bigger is Better“

Lange Zeit galt: Je mehr Parameter, Trainingsdaten und GPUs, desto größer der Quantensprung bei Sprachmodellen. Mit der jüngsten Veröffentlichung von GPT-5 von OpenAI zeigt sich jedoch, dass diese Formel aktuell nicht mehr zutrifft. Derzeit erleben wir eher iterative Verbesserungen. So werden aktuelle Sprachmodelle durch gezieltes Nachtrainieren für bestimmte Probleme optimiert, beispielsweise für den Einsatz in KI-Agentensystemen.

Dieses Prinzip der Spezialisierung ist für Unternehmen ebenso interessant, denn für einen produktiven Einsatz ist ein Modell, das gleichermaßen Shakespeare interpretieren, Python programmieren und Kochrezepte verfassen kann nicht automatisch das beste Werkzeug für eine spezifische Aufgabe.

Hier setzt das Finetuning an. Statt ein Modell zu bauen, das alles kann, trainieren wir ein bestehendes Fundament gezielt auf einen definierten Anwendungsfall. Das Ergebnis: höhere Präzision bei geringeren Kosten.

Was Finetuning technisch bedeutet

Beim Finetuning nehmen wir ein vortrainiertes Sprachmodell und passen es mit domänenspezifischen Daten an. Das Modell behält sein allgemeines Sprachverständnis, entwickelt aber eine Spezialisierung für den gewünschten Einsatzbereich.

Verschiedene Varianten haben sich etabliert. Das vollständige Finetuning passt alle Parameter des Modells an und liefert die tiefgreifendste Anpassung, erfordert jedoch erhebliche Ressourcen. Parameter-effizientes Finetuning mit Methoden wie LoRA trainiert nur einen kleinen Teil der Parameter und bietet damit ein sehr gutes Verhältnis von Aufwand zu Ergebnis. QLoRA schließlich geht noch einen Schritt weiter und quantisiert („komprimiert“) die Modell-Parameter: Das Modell wird kleiner und passt auch auf kleineren, preiswerteren GPUs bei fast gleicher Ergebnisqualität. KI Modelle sind damit auf eigener Hardware vor Ort einsetzbar, was den KI-Einsatz bei besonders sensitiven Daten ermöglicht.

Ein konkretes Beispiel: Beschwerdemanagement in der GKV

Gesetzliche Krankenkassen bearbeiten täglich hunderte Versichertenbeschwerden. Die Herausforderung besteht darin, eingehende Nachrichten korrekt zu kategorisieren und an die richtige Fachabteilung zu routen.

Ein generisches Sprachmodell kann hier scheitern. Es kennt die internen Kategorien nicht und versteht die Fachterminologie nur oberflächlich. Alles in einem Prompt abzudecken, ist bei der Weite der Ausgaben schwierig.

Ein Modell nach dem Finetuning hingegen kennt die Unterschiede zwischen Leistungsablehnung und Beitragsreklamation, zwischen Pflegegradwiderspruch und Krankengeldbeschwerde. Die Klassifikationsgenauigkeit steigt und der Effizienzgewinn ist erheblich: schnellere Bearbeitung, weniger Fehlzuweisungen, höhere Versichertenzufriedenheit.

Warum 2026 der richtige Zeitpunkt ist

Drei Entwicklungen machen Finetuning jetzt besonders relevant:

1. Die frei verfügbaren Open-Source-KI-Modelle sind inzwischen ausgereifter. Wir haben heute eine breite Palette verschiedener Modelle, die wir zum Finetuning nutzen können. So gibt es kleine Modelle wie Llama 3.1 8B, die sich bei Anforderungen rund um eine besonders schnelle Laufzeit oder hohe Ressourceneffizienz anbieten. Daneben gibt es größere Modelle wie OpenAIs GPT-OSS 20b und GPT-OSS-120b, die bereits auf dem Niveau von GPT-4 operieren, ohne dass ein Finetuning erforderlich ist.
2. Die Regulatorik hat sich konkretisiert. Der EU AI Act schafft Rechtssicherheit, fordert aber auch Nachvollziehbarkeit. Feinabgestimmte Modelle mit klar definiertem Einsatzzweck lassen sich leichter dokumentieren und auditieren als Black-Box-Systeme.
3. Wir können auf gute Erfahrungen zurückgreifen. Die frühen Pilotprojekte der letzten Jahre haben gezeigt, was funktioniert und was nicht. Dieses Wissen ermöglicht heute deutlich zielgerichtetere Implementierungen.

Was Entscheider:innen jetzt beachten sollten

Vor einem Finetuning-Projekt stehen vier zentrale Fragen. Zunächst die Frage nach der Datenverfügbarkeit: Habt ihr qualitativ hochwertige, gelabelte Daten für Euren Use-Case? Bei Beschwerden wären das z. B. vergangene Vorgänge mit korrekter Kategorisierung.

Dann der Use-Case-Fit: Finetuning eignet sich besonders für wiederkehrende, klar definierte Aufgaben. Die Klassifikation, Extraktion strukturierter Informationen und domänenspezifische Textgenerierung sind ideale Kandidaten. Für explorative Analysen oder einmalige Aufgaben ist der Aufwand hingegen selten gerechtfertigt.

Ebenso sollte die Build-or-Buy-Entscheidung geklärt werden: Finetuning erfordert ML-Expertise. Oft bietet es sich hier an, mit spezialisierten Partnern (wie z. B. mit fbeta 😉) zusammenzuarbeiten.

Schließlich stellt sich die Frage nach dem Total Cost of Ownership: Ein feinabgestimmtes Modell muss gepflegt werden. Wenn sich Kategorien ändern oder neue Beschwerdetypen auftreten, braucht es ein kurzes Nachtraining. Diese laufenden Kosten gehören in die Kalkulation.

Frühzeitig die richtigen Weichen stellen

Die Fähigkeit, KI-Modelle gezielt auf eigene Anforderungen anzupassen, wird zum Wettbewerbsfaktor. Organisationen, die jetzt die notwendigen Datengrundlagen schaffen und erste Erfahrungen sammeln, positionieren sich für eine Zukunft, in der nicht die größten, sondern die passendsten Modelle den Unterschied machen.

Die Philosophie dahinter ist einfach: Weniger Gießkanne, mehr Präzision. Nicht das Modell, das alles kann, sondern das Modell, das Deine Aufgabe exzellent löst.

---

Ansprechpartner