KI in der Entwicklung
KI-Glossar für Entscheider: Die Begriffe, die 2026 wirklich zählen
Raphael Jasjukaitis16 Min. Lesezeit
Kurz gesagt: Die meisten KI-Glossare erklären Ihnen, was ein Begriff bedeutet. Dieses erklärt zusätzlich, warum er über Ihr Budget entscheidet. Und was der Anbieter bei genau diesem Wort lieber nicht sagt. Jede Definition steht für sich, jede Einordnung kommt aus der Praxis. Kein Buzzword-Bingo, keine Hype-Deko.
Wer 2026 über Software mit KI-Anteil entscheidet, verhandelt gegen eine Wand aus Fachbegriffen. Das ist kein Zufall. Unklare Sprache ist ein Verkaufswerkzeug: Wer die Wörter kontrolliert, kontrolliert die Diskussion und am Ende die Rechnung. Dieses Glossar dreht das um. Erster Satz pro Begriff: die saubere Definition. Zweiter Satz: die Einordnung, die Sie für eine gute Entscheidung brauchen.
1. Modelle & Grundbegriffe
LLM (Large Language Model)
Ein großes Sprachmodell ist ein KI-System, das aus riesigen Textmengen gelernt hat, das jeweils wahrscheinlichste nächste Wort vorherzusagen, und daraus Antworten, Code und Analysen erzeugt. Ein LLM „versteht“ nichts im menschlichen Sinn, es rechnet Wahrscheinlichkeiten. Deshalb braucht jede ernsthafte Anwendung eine Kontrollschicht drumherum.
Foundation Model (Basismodell)
Ein Basismodell ist ein groß trainiertes Universalmodell, das nicht für eine einzelne Aufgabe gebaut wurde, sondern als Fundament für viele Anwendungen dient. Sie kaufen hier keine Lösung, sondern Rohmaterial. Die Wertschöpfung liegt in dem, was drumherum entsteht.
Frontier Model
Ein Frontier Model ist eines der jeweils leistungsfähigsten verfügbaren Modelle einer Generation: teuer, langsam, extrem fähig. Die unbequeme Wahrheit: Die wenigsten Mittelstands-Anwendungen brauchen eines. Der 2026-Standard ist Multi-Model-Routing, also teure Modelle fürs komplexe Denken und kleine Modelle für Extraktion und Klassifikation. Wer alles über das teuerste Modell laufen lässt, verbrennt Geld ohne Gegenwert.
SLM (Small Language Model)
Ein kleines Sprachmodell ist ein bewusst schlank gehaltenes Modell, das für eng definierte Aufgaben schnell, günstig und lokal läuft. Für Klassifikation, Extraktion oder Standardantworten oft die klügere Wahl als ein Frontier Model. Niemand nimmt einen LKW, um Brötchen zu holen.
Open Weight
Open Weight bedeutet, dass die trainierten Gewichte eines Modells öffentlich verfügbar sind, sodass Sie es selbst hosten und anpassen können. Wichtig: „Open Weight“ heißt nicht „Open Source“ (siehe Verwechslungs-Tabelle). Für den Mittelstand ist es vor allem ein Datenschutz- und Souveränitätsargument: Das Modell läuft auf Ihrer Infrastruktur, Ihre Daten verlassen das Haus nicht.
Open Source (KI)
Open Source im echten Sinn heißt, dass Gewichte, Trainingscode und nachvollziehbare Trainingsdaten offengelegt sind. Der Begriff wird im Marketing großzügig missbraucht: Viele „Open-Source-Modelle“ sind streng genommen nur Open Weight. Fragen Sie im Zweifel nach, was genau offen ist, bevor Sie Compliance-Versprechen darauf bauen.
Multimodal
Ein multimodales Modell verarbeitet mehr als nur Text, etwa Bilder, PDFs, Audio oder Tabellen, in einer gemeinsamen Verarbeitung. Praktisch relevant überall dort, wo Belege, Screenshots oder Scans im Prozess stecken, also in fast jedem realen Mittelstands-Workflow.
Mixture of Experts (MoE)
Mixture of Experts ist eine Architektur, bei der pro Anfrage nur ein Teil des Modells („die zuständigen Experten“) aktiviert wird statt des gesamten Netzes. Das drückt die Inferenzkosten erheblich. Für Sie als Käufer ist das der Grund, warum ein sehr großes Modell trotzdem bezahlbar sein kann.
Reasoning Model / Reasoning
Ein Reasoning-Modell nimmt sich vor der Antwort bewusst „Denkzeit“, um mehrschrittige Probleme in Zwischenschritten zu lösen. Es liefert bei komplexer Logik bessere Ergebnisse, kostet aber mehr Zeit und Geld pro Antwort. Für ein Kontaktformular ist es Overkill, für eine Angebotskalkulation Gold wert.
Parameter
Parameter sind die einstellbaren Stellschrauben eines Modells, die es während des Trainings lernt. Ihre Anzahl (Milliarden bis Billionen) ist ein grober Indikator für Kapazität. Mehr Parameter heißt nicht automatisch besser für Ihren Fall: Ab einer bestimmten Größe zahlen Sie für Fähigkeiten, die Ihre Anwendung nie abruft.
Token
Ein Token ist die kleinste Verarbeitungseinheit eines Modells, ungefähr ein Wortteil. Ein deutsches Wort sind oft ein bis drei Token. Das betrifft Sie direkt: Abgerechnet wird pro Token, nicht pro Anfrage. Lange Prompts und lange Antworten sind bares Geld.
Kontextfenster (Context Window)
Das Kontextfenster ist die maximale Menge an Text (in Token), die ein Modell in einer einzigen Anfrage gleichzeitig berücksichtigen kann. Ein großes Kontextfenster ist verlockend, aber kein Freifahrtschein. Wer es mit irrelevantem Ballast vollstopft, bekommt schlechtere und teurere Antworten (siehe Kontext-Engineering).
2. Training, Inferenz & Ökonomie
Inferenz (Inference)
Inferenz ist das Ausführen eines fertig trainierten Modells, um eine konkrete Ausgabe zu erzeugen. Jede einzelne Antwort ist eine Inferenz. Sie bestimmt Ihre laufenden Kosten: Training zahlt der Anbieter einmal, Inferenz zahlen Sie bei jeder Nutzung, dauerhaft.
Training / Pre-Training
Training ist der Prozess, in dem ein Modell aus Daten seine Fähigkeiten lernt. Pre-Training ist die teure Grundausbildung an riesigen Datenmengen. Für 99 % der Mittelstands-Projekte als Kostenposten irrelevant: Niemand trainiert ein Modell von Grund auf, Sie bauen auf vorhandenen auf.
Post-Training
Post-Training umfasst alle Schritte, die ein vortrainiertes Modell nachträglich verfeinern: Verhalten, Sicherheit, Antwortstil. Hier wird aus einem rohen Modell ein brauchbares Produkt. Hier entscheidet sich, ob ein Modell hilfreich oder unbrauchbar antwortet.
Fine-Tuning
Fine-Tuning ist das gezielte Nachtrainieren eines Modells auf eigene Fachdaten, um es auf ein Spezialgebiet auszurichten. Der Reflex „Wir müssen unser eigenes Modell fine-tunen“ ist meistens falsch. Gutes Prompting plus RAG bringt schneller und günstiger dasselbe Ergebnis. Fine-Tuning ist die Ausnahme, nicht der Startpunkt.
RLHF (Reinforcement Learning from Human Feedback)
RLHF ist eine Trainingsmethode, bei der Menschen Modellantworten bewerten und das Modell lernt, bevorzugte Antworten zu erzeugen. Deshalb verhalten sich moderne Modelle hilfreich statt roh. Zugleich ist RLHF eine Quelle für Sycophancy (siehe unten).
RLAIF (Reinforcement Learning from AI Feedback)
RLAIF funktioniert wie RLHF, nur bewertet hier eine KI statt eines Menschen die Antworten. Das skaliert schneller und billiger. Für Anwender selten direkt relevant, aber eine gute Testfrage, um zu prüfen, ob Ihr Gegenüber die Materie wirklich kennt.
Distillation (Destillation)
Destillation ist das Verfahren, mit dem ein großes „Lehrer“-Modell sein Verhalten in ein kleines, günstiges „Schüler“-Modell überträgt. So entstehen die kleinen Modelle, die fast so gut sind wie große, und Ihre Inferenzrechnung deutlich schrumpfen lassen.
Quantisierung (Quantization)
Quantisierung reduziert die Rechenpräzision eines Modells (z. B. von 16 auf 4 Bit), damit es kleiner wird und auf günstigerer Hardware läuft. So lässt sich ein ordentliches Modell auf eigener Hardware statt in der teuren Cloud betreiben. Das zählt bei jeder Anforderung nach dem Muster „Unsere Daten bleiben im Haus“.
Test-Time Compute
Test-Time Compute bezeichnet die Rechenleistung, die ein Modell während der Beantwortung investiert, statt nur beim Training. Sie ist die Grundlage von Reasoning-Modellen. Die Konsequenz: Sie können Qualität kaufen, indem das Modell länger nachdenkt. Denken kostet, wörtlich.
Prompt Caching
Prompt Caching ist die Wiederverwendung bereits verarbeiteter, gleichbleibender Prompt-Teile über viele Anfragen hinweg, um Latenz und Kosten zu senken. Bei Agenten mit großen, immer gleichen System-Prompts ist das der Unterschied zwischen bezahlbar und ruinös. Hier verbrennen schlecht gebaute Vibecode-Prototypen regelmäßig Geld.
Latenz & Throughput
Latenz ist die Zeit bis zur Antwort, Throughput die Menge an Anfragen, die ein System pro Zeiteinheit bewältigt. Beides bestimmt, ob sich eine KI-Funktion im Alltag „schnell“ anfühlt oder ob Mitarbeitende sie nach zwei Wochen wieder umgehen.
3. Kontext & Wissen
RAG (Retrieval-Augmented Generation)
RAG ist ein Verfahren, bei dem das Modell vor der Antwort passende Informationen aus Ihren eigenen Datenquellen holt und in den Kontext lädt. Es ist die pragmatischste Art, ein Modell „Ihr Unternehmen kennen zu lassen“, ohne teures Fine-Tuning. In den meisten Fällen ist es die richtige Antwort auf „Das Modell weiß nichts über uns“.
Embeddings & Vektordatenbank
Ein Embedding ist die Umwandlung von Text in eine Zahlenrepräsentation, die Bedeutung abbildet. Eine Vektordatenbank speichert diese und findet inhaltlich ähnliche Inhalte per Ähnlichkeitssuche. Das ist das technische Rückgrat von RAG. Hier entscheidet sich, ob Ihr System die richtigen Dokumente findet oder selbstbewusst am Thema vorbei antwortet.
Kontext-Engineering (Context Engineering)
Kontext-Engineering ist die Disziplin, exakt die richtigen Informationen in der richtigen Reihenfolge in das Kontextfenster zu laden, nicht mehr und nicht weniger. 2026 ist das die eigentliche Ingenieursarbeit hinter guten KI-Systemen. Sie hat das reine „Prompt-Schreiben“ als entscheidenden Hebel abgelöst.
Prompt Engineering
Prompt Engineering ist das gezielte Formulieren von Anweisungen, damit ein Modell verlässlich das Gewünschte liefert. Nicht tot, aber vom Hype-Thron gestoßen: Ein perfekter Prompt auf einen schlecht zusammengestellten Kontext bleibt eine gute Frage an die falschen Unterlagen.
Chunking
Chunking ist das Zerlegen großer Dokumente in sinnvolle Häppchen, damit ein RAG-System gezielt die relevanten Teile findet. Unsichtbar, aber folgenreich: Schlechtes Chunking ist eine der häufigsten Ursachen dafür, dass ein KI-System „irgendwie nicht die richtigen Antworten“ gibt.
Grounding
Grounding ist die Verankerung von Modellantworten in überprüfbaren Quellen statt im freien Erfinden. Für alles, was Haftung berührt, etwa Rechtstexte, Angebote oder Beratung, ist es Pflicht. Ohne Grounding bauen Sie eine Halluzinationsmaschine mit Corporate-Design.
Memory (Agenten-Gedächtnis)
Memory ist die Fähigkeit eines Systems, Informationen über einzelne Anfragen oder Sitzungen hinweg zu behalten, kurzfristig (Gespräch) oder langfristig (gespeicherte Fakten). Es macht aus einem netten Chatbot einen echten Assistenten. Und es ist die Stelle, an der Datenschutzfragen sehr real werden.
4. Agentic Engineering & Loops
Agent
Ein KI-Agent ist ein System, das ein Ziel eigenständig in mehreren Schritten verfolgt: beobachten, planen, Werkzeuge nutzen, Ergebnis prüfen, korrigieren, bis die Aufgabe erledigt ist. Der Unterschied zum Chatbot in einem Satz: Ein Chatbot beantwortet Fragen, ein Agent erledigt Aufgaben.
Agentic
„Agentic“ beschreibt Systeme, die nicht nur antworten, sondern eigenständig handeln: Entscheidungen treffen, Werkzeuge aufrufen, über längere Zeit an einem Ziel arbeiten. Das Wort des Jahres und entsprechend abgenutzt. Vieles, was „agentic“ heißt, ist ein aufgehübschter If-Else-Ablauf. Fragen Sie nach dem Loop, dann wissen Sie, was wirklich dahintersteckt.
Agent Loop
Der Agent Loop ist der Kernzyklus eines Agenten: wahrnehmen → schlussfolgern → handeln → Ergebnis beobachten → wiederholen, bis das Ziel erreicht ist. Hier lebt die eigentliche Intelligenz eines Agenten. Hier passieren auch die teuren Fehler, wenn niemand definiert hat, wann der Loop stoppen soll.
Loop Engineering
Loop Engineering ist die noch junge Ingenieursdisziplin, den Kontrollzyklus eines Agenten robust zu bauen: Abbruchbedingungen, Fehlerbehandlung, Wiederholungen, Kostengrenzen und Sicherheitsschranken innerhalb der Schleife. Das trennt einen Demo-Agenten, der im Vorführmodus glänzt, von einem, der im Produktivbetrieb nicht in Endlosschleifen läuft oder unbemerkt hunderte Euro verbrennt. Genau hier trennt sich Prototyp von Produkt.
ReAct (Reasoning + Acting)
ReAct ist ein Agenten-Muster, das Denken und Handeln verschränkt: Das Modell überlegt, führt eine Aktion aus, beobachtet das Ergebnis und denkt weiter. Es ist das Standardmuster hinter den meisten funktionierenden Agenten und nützliches Vokabular, um ein Angebot auf Substanz zu prüfen.
Tool Use / Function Calling
Tool Use ist die Fähigkeit eines Modells, externe Funktionen aufzurufen, etwa Datenbankabfragen, APIs oder Suche, indem es strukturierte Parameter zurückgibt und die Ergebnisse weiterverarbeitet. So wird aus einem redenden LLM ein handelndes System. Ohne Tools bleibt jede KI ein sehr belesener Praktikant ohne Zugriff auf irgendetwas.
Orchestrierung / Multi-Agent
Orchestrierung ist das Koordinieren mehrerer spezialisierter Agenten oder Schritte zu einem Gesamtprozess. Das klingt beeindruckend, ist aber oft überkonstruiert: Viele „Multi-Agent-Systeme“ lösen ein Problem, das ein einzelner gut gebauter Agent billiger und zuverlässiger erledigt hätte.
Subagent
Ein Subagent ist ein spezialisierter Unter-Agent, den ein Hauptagent für eine abgegrenzte Teilaufgabe beauftragt. Sinnvoll zur sauberen Trennung von Verantwortlichkeiten. Gefährlich, wenn er nur dazu dient, ein Architektur-Diagramm eindrucksvoller aussehen zu lassen.
Human-in-the-Loop
Human-in-the-Loop bedeutet, dass ein Mensch an definierten Stellen freigibt, korrigiert oder eingreift, statt dass der Agent voll autonom durchläuft. Bei allem, was Geld bewegt, verschickt wird oder rechtlich bindet, ist das Grundausstattung, kein Kompromiss. Unter dem EU AI Act ist es für bestimmte Systeme sogar vorgeschrieben.
Guardrails
Guardrails sind Schutzmechanismen, die verhindern, dass ein KI-System außerhalb erlaubter Grenzen agiert, inhaltlich, technisch oder rechtlich. Prototypen lassen sie fast immer weg, Produktivsysteme brauchen sie zwingend. „Läuft ja“ ist keine Guardrail.
Eval / Evaluation
Eine Eval ist ein systematischer Test, der misst, wie gut ein KI-System eine Aufgabe tatsächlich löst, reproduzierbar und mit Zahlen statt Bauchgefühl. Ohne Evals fliegen Sie blind: Sie wissen nicht, ob eine Änderung Ihr System verbessert oder still verschlechtert hat. In gehypten Prototypen fehlen sie als Erstes.
5. Protokolle, Betrieb & Praxis
MCP (Model Context Protocol)
MCP ist ein offener Standard, der KI-Modelle über eine einheitliche Schnittstelle mit Werkzeugen und Datenquellen verbindet, sodass derselbe „MCP-Server“ viele Agenten bedienen kann. 2025/26 ist er zum Branchenstandard geworden (Anthropic, OpenAI, Microsoft ziehen mit). Wer heute Integrationen baut, sollte einen guten Grund haben, es nicht über MCP zu tun.
A2A (Agent-to-Agent)
A2A ist ein Protokoll für die Kommunikation zwischen eigenständigen Agenten. MCP verbindet einen Agenten mit Werkzeugen, A2A verbindet Agenten untereinander. Wichtig für die Verwechslungs-Tabelle: MCP ≠ A2A, auch wenn beide gern in einem Atemzug genannt werden.
API (Application Programming Interface)
Eine API ist die definierte Schnittstelle, über die Softwaresysteme miteinander sprechen. Über sie binden Sie auch KI-Modelle in eigene Anwendungen ein. Unspektakulär, aber entscheidend: Ohne saubere APIs bleibt jede KI eine Insel neben Ihren echten Systemen.
LLMOps
LLMOps umfasst alle Praktiken, um KI-Anwendungen im Produktivbetrieb zu betreiben, zu überwachen und zu verbessern: Deployment, Kostenkontrolle, Monitoring, Versionierung. Der unsexy Teil, der über Erfolg oder Scheitern entscheidet. Ein Modell aufzurufen ist einfach. Es zwei Jahre stabil und bezahlbar zu betreiben ist die eigentliche Arbeit.
Observability
Observability ist die Fähigkeit, jederzeit nachzuvollziehen, was ein KI-System warum getan hat: Logs, Traces, Kosten, Fehler. Bei nicht-deterministischen Systemen ist sie überlebenswichtig. Wenn ein Agent Unsinn baut, müssen Sie nachvollziehen können, an welcher Stelle im Loop. Ohne Observability debuggen Sie im Dunkeln.
Vibe Coding
Vibe Coding ist das schnelle Erzeugen von funktionierender Software per KI-Prompt, ohne den Code im Detail zu verstehen. Ideal für Prototypen, riskant für Produktion. Der Prototyp läuft auf dem Laptop des Geschäftsführers, und dann soll er plötzlich echte Kundendaten verarbeiten. Genau an dieser Bruchstelle beginnt professionelles Vibecode-Fixing: Sicherheit, Wartbarkeit und Betrieb nachrüsten, ohne bei null anzufangen. Wir sichern solche Prototypen ab und bleiben danach für den Betrieb verantwortlich; der Code gehört Ihnen.
6. Sicherheit & Zuverlässigkeit
Relevanter denn je: Der EU AI Act, NIS2 und der Cyber Resilience Act greifen 2026. Die meisten Begriffe in diesem Abschnitt sind nicht länger „nice to know“, sondern Nachweispflicht. Wer ein KI-System produktiv betreibt, muss diese Risiken kennen und dokumentiert beherrschen.
Halluzination (Hallucination)
Eine Halluzination ist eine Ausgabe, die überzeugend klingt, aber sachlich falsch oder frei erfunden ist. Das ist kein Bug, den man „wegprogrammiert“, sondern eine Eigenschaft der Technologie. Darum sind Grounding, Guardrails und Human-in-the-Loop keine Extras, sondern die Architektur.
Prompt Injection
Prompt Injection ist ein Angriff, bei dem manipulierte Eingaben (auch versteckt in Dokumenten oder Webseiten) ein Modell dazu bringen, unerwünschte Anweisungen auszuführen. Das ist die SQL-Injection des KI-Zeitalters, und in per Vibe Coding gebauten Prototypen fast immer eine offene Tür. Für jedes System mit externen Eingaben gehört sie auf die Prüfliste.
Jailbreak
Ein Jailbreak ist der Versuch, die Sicherheitsschranken eines Modells gezielt zu umgehen, damit es Dinge tut, die es eigentlich verweigern sollte. Relevant überall dort, wo Ihr System öffentlich erreichbar ist. Die Frage ist nicht ob es jemand probiert, sondern wann.
Sycophancy (Unterwürfigkeit)
Sycophancy ist die Tendenz eines Modells, dem Nutzer nach dem Mund zu reden statt zu widersprechen, auch wenn der Nutzer falsch liegt. Das klingt harmlos, ist es nicht: Ein Modell, das Ihnen bei einer Fehlkalkulation zustimmt, weil Sie selbstbewusst gefragt haben, ist in Beratung, Analyse oder Buchhaltung ein teures Problem.
Reward Hacking
Reward Hacking beschreibt, wenn ein System die vorgegebene Zielmetrik erfüllt, aber auf eine Art, die den eigentlichen Zweck verfehlt. Die Mahnung an jede KI-Einführung: Messen Sie das Richtige. Ein Agent, der „Tickets geschlossen“ optimiert, schließt eben auch ungelöste Tickets.
Alignment
Alignment ist das Bemühen, das Verhalten eines KI-Systems mit menschlichen Absichten und Werten in Einklang zu bringen. Praktisch übersetzt: Tut das System zuverlässig das, was Sie meinen, nicht nur das, was Sie wörtlich gesagt haben? Im Abstand zwischen beidem scheitern Projekte.
7. Verwechslungsgefahr: Die Begriffspaare, die jede Diskussion entgleisen lassen
Bei diesen Unterscheidungen verheddern sich Anbieter am häufigsten, absichtlich oder aus Unwissen. Wer sie auseinanderhält, verhandelt auf Augenhöhe.
| Wird verwechselt | Der entscheidende Unterschied |
|---|---|
| Open Weight vs. Open Source | Open Weight = Gewichte verfügbar (selbst hostbar). Open Source = zusätzlich Trainingscode und -daten offen. Fast alle „Open-Source-Modelle“ sind in Wahrheit nur Open Weight. |
| Fine-Tuning vs. RAG | Fine-Tuning verändert das Modell (teuer, träge). RAG lädt Wissen zur Laufzeit dazu (flexibel, aktuell). Für „das Modell soll unsere Daten kennen“ ist meist RAG die Antwort, nicht Fine-Tuning. |
| MCP vs. A2A | MCP verbindet einen Agenten mit Werkzeugen und Daten. A2A verbindet Agenten untereinander. Verschiedene Ebenen, nicht austauschbar. |
| Chatbot vs. Agent | Chatbot beantwortet einzelne Fragen ohne Handlungsfähigkeit. Agent verfolgt ein Ziel in mehreren Schritten mit Werkzeugen. „Agent“ auf dem Etikett heißt nicht, dass echte Agentik drin ist. |
| Prompt Engineering vs. Kontext-Engineering | Prompt Engineering = die Frage gut formulieren. Kontext-Engineering = die richtigen Informationen für die Frage bereitstellen. 2026 liegt der Hebel klar beim zweiten. |
| Training vs. Inferenz | Training = einmalige Grundausbildung (zahlt der Anbieter). Inferenz = jede einzelne Nutzung (zahlen Sie, dauerhaft). Nur eine der beiden Zahlen steht in Ihrer Bilanz. |
| Frontier Model vs. SLM | Frontier = maximale Fähigkeit, maximale Kosten. SLM = schlank, schnell, günstig für enge Aufgaben. Die Kunst ist das Routing, nicht das Bekenntnis zu einem Lager. |
Häufige Fragen
Was ist der Unterschied zwischen Open Weight und Open Source bei KI-Modellen?
Open Weight bedeutet, dass die trainierten Gewichte eines Modells öffentlich verfügbar sind und Sie es selbst betreiben können. Open Source geht weiter und legt zusätzlich Trainingscode und -daten offen. Die meisten als „Open Source“ vermarkteten Modelle sind streng genommen nur Open Weight. Der Unterschied zählt, sobald Compliance oder echte Nachvollziehbarkeit gefragt sind.
Brauche ich für mein Projekt ein Frontier Model oder reicht ein kleineres Modell?
In den meisten Mittelstands-Anwendungen reicht ein kleineres oder mittelgroßes Modell. Der professionelle Ansatz 2026 ist Multi-Model-Routing: teure Frontier-Modelle nur für komplexe Reasoning-Aufgaben, kleine Modelle für Extraktion, Klassifikation und Standardantworten. Wer alles über das teuerste Modell laufen lässt, zahlt ein Vielfaches ohne spürbaren Mehrwert.
Ist Fine-Tuning nötig, damit die KI unser Unternehmen kennt?
Meistens nicht. Für „das Modell soll unsere Daten und Dokumente kennen“ ist Retrieval-Augmented Generation (RAG) in der Regel die bessere Wahl: schneller, günstiger und immer auf dem aktuellen Stand Ihrer Daten. Fine-Tuning lohnt sich erst bei sehr spezifischen Stil- oder Verhaltensanforderungen. Es ist die Ausnahme, nicht der Startpunkt.
Warum reicht ein funktionierender KI-Prototyp nicht für den Produktivbetrieb?
Ein Prototyp beweist eine Idee. Auf Sicherheit, Wartbarkeit, Kostenkontrolle und Betrieb ist er nicht ausgelegt. Genau die Themen aus diesem Glossar (Guardrails, Prompt Injection, Loop Engineering, Observability, Evals) fehlen in schnell gebauten Vibecode-Lösungen fast immer. Der Weg vom Prototyp zum Produkt bedeutet, diese Schicht nachzurüsten, idealerweise ohne bei null anzufangen.
Haben Sie einen KI-Prototypen, der läuft, aber noch nicht produktionsreif ist?
Möchten Sie eine Einschätzung von einem Entwickler?