Trend: Wandel hin zu spezialisierten KI-Modellen

Das Marktforschungsunternehmens Gartner sagt: Bis 2027 werden kleine, aufgabenspezifische KI-Modelle dreimal häufiger eingesetzt als große Sprachmodelle.

Unternehmen werden in den kommenden Jahren vermehrt auf spezialisierte KI-Lösungen setzen. Laut einer aktuellen Prognose von Gartner werden bis 2027 kleine, aufgabenspezifische KI-Modelle mindestens dreimal häufiger in Unternehmen zum Einsatz kommen als allgemeine Sprachmodelle (Large Language Models, LLMs).

Obwohl LLMs wie GPT-4 oder Claude mit einer beeindruckenden Bandbreite sprachlicher Fähigkeiten aufwarten, zeigen sie Schwächen bei Aufgaben, die spezifisches Fachwissen oder tieferen Kontext aus bestimmten Geschäftsbereichen erfordern. Genau hier punkten die spezialisierten Modelle.

Effizienz und Kostenvorteile

„Die Vielfalt an Aufgaben in Geschäftsprozessen und der Wunsch nach höherer Präzision führen dazu, dass Unternehmen zunehmend auf spezialisierte Modelle setzen“, erklärt Sumit Agarwal, VP Analyst bei Gartner. Diese Modelle, die für bestimmte Funktionen trainiert oder auf Basis domänenspezifischer Daten entwickelt wurden, bieten nicht nur präzisere Ergebnisse, sondern überzeugen auch durch Geschwindigkeit und Ressourceneffizienz: „Sie liefern schnellere Antworten und benötigen weniger Rechenleistung – was die Betriebs- und Wartungskosten erheblich senkt“, so Agarwal weiter.

Unternehmensdaten als Wettbewerbsvorteil

Für die Entwicklung spezialisierter KI-Modelle stehen Unternehmen verschiedene Wege offen. Gängige Methoden sind die Anpassung allgemeiner Sprachmodelle mittels Retrieval-Augmented Generation (RAG) oder Fine-Tuning. Dabei werden die Modelle mit unternehmenseigenen Daten angereichert oder nachtrainiert, was unternehmensinterne Datenbestände zu einem entscheidenden Wettbewerbsfaktor macht.

Dies erfordert jedoch eine systematische Herangehensweise: „Datenaufbereitung, Qualitätskontrollen, Versionierung sowie ein ganzheitliches Datenmanagement sind unerlässlich, um sicherzustellen, dass die Daten in der erforderlichen Struktur für das Fine-Tuning vorliegen“, betont der Gartner-Analyst.

Von Datensilos zur Monetarisierung

Agarwal prognostiziert einen Wandel in der Unternehmenskultur: „Da Unternehmen den Wert ihrer internen Daten und der daraus gewonnenen Erkenntnisse zunehmend wertschätzen, ist zu erwarten, dass sie beginnen werden, ihre Modelle zu monetarisieren.“ Statt Daten und Wissen ausschließlich intern zu nutzen und abzuschotten, könnten Unternehmen ihre spezialisierten KI-Modelle künftig auch Kunden und sogar Wettbewerbern zugänglich machen.

Diese Entwicklung markiert einen Paradigmenwechsel hin zu einem offeneren, kooperativeren Umgang mit Daten und Know-how. Die Kommerzialisierung proprietärer Modelle eröffnet nicht nur neue Einnahmequellen, sondern fördert zugleich ein stärker vernetztes Ökosystem.

Empfehlungen für die Praxis

Für Unternehmen, die kleine aufgabenspezifische KI-Modelle implementieren möchten, gibt Gartner folgende Handlungsempfehlungen:

• Gezielte Pilotprojekte: Setzen Sie spezialisierte Modelle zunächst in Bereichen ein, in denen Fachwissen entscheidend ist oder allgemeine LLMs hinsichtlich Qualität oder Geschwindigkeit nicht überzeugen konnten.
• Kombinierte Ansätze: Identifizieren Sie komplexe Anwendungsfälle, in denen ein einzelnes Modell nicht ausreicht, und implementieren Sie stattdessen ein Zusammenspiel mehrerer Modelle und Prozessschritte.
• Fokus auf Datenqualität und Kompetenzen: Investieren Sie in die systematische Aufbereitung von Daten durch gezielte Sammlung, Kuratierung und Organisation. Schulen Sie parallel Fachkräfte aus verschiedenen Bereichen – von KI-Architektur über Data Science bis hin zu Risikomanagement und Fachabteilungen.

Der Trend zu spezialisierten KI-Modellen deutet auf eine zunehmende Reife des Marktes hin. Nach der anfänglichen Begeisterung für universelle KI-Lösungen setzt nun eine Phase der Differenzierung und zielgerichteten Anwendung ein – mit dem Fokus auf konkrete Geschäftswerte statt technologischer Spielereien.