.svg)
Kurz gefasst: Welches KI-Modell gerade vorne liegt, ändert sich laufend und ist für Unternehmen zweitrangig. Es kommt auf beschriebene Anwendungsfälle an, auf eine technische Basis mit offenen Schnittstellen und auf ein klares Ziel. Gut angeleitete Marktmodelle reichen für viele Aufgaben. Über eine Zwischenschicht bleibt das Modell austauschbar.
Ranglisten ändern sich laufend
Neue KI-Modelle erscheinen in kurzen Abständen, oft begleitet von der Meldung, das neue Modell habe in einem Test die Konkurrenz geschlagen. Wer diesen Ranglisten folgt, müsste sein Werkzeug ständig wechseln.
Ohne Ziel springt man so von Werkzeug zu Werkzeug und sieht im Alltag kaum Veränderung. Der Engpass liegt meist an anderer Stelle: Anwendungsfälle sind nicht beschrieben, oder vorhandene Systeme lassen sich nicht anbinden.
Zuerst den Anwendungsfall beschreiben
Ein Anwendungsfall ist eine konkrete Aufgabe, bei der KI helfen soll, etwa eingehende E-Mails nach Anfragen und Bestellungen sortieren oder Gesprächsprotokolle zusammenfassen. Zur Beschreibung gehört, was heute nicht rund läuft und woran Sie später messen, ob es besser geworden ist.
Mit dieser Beschreibung lässt sich ein Modell an echten Beispielen prüfen. Ob es in einer allgemeinen Rangliste auf Platz eins oder fünf steht, sagt über Ihre Aufgabe wenig.
Jeder Anwendungsfall sollte einem unternehmerischen Ziel dienen, zum Beispiel schnelleren Antworten auf Anfragen. Wer weiß, wo der Betrieb hinwill, kann Anwendungsfälle nach Vorrang sortieren. Weil sich die Technik schnell ändert, gehört diese Planung in kurzen Abständen auf den Prüfstand.
Eine technische Basis mit offenen Schnittstellen
Ein Modell nützt im Betrieb erst, wenn es an die Daten und Programme kommt, mit denen gearbeitet wird. Das gelingt über offene Schnittstellen, auf Englisch API, über die Programme direkt Daten austauschen. Ältere Systeme ohne solche Schnittstellen bremsen KI-Anwendungen, gleich welches Modell dahintersteht.
Mit offenen Schnittstellen lassen sich Werkzeuge ergänzen oder wechseln, ohne jedes Mal eine Einzelentwicklung zu beauftragen. Ebenso wichtig sind zugängliche Daten: Liegen Dokumente verstreut auf einzelnen Rechnern, findet auch das beste Modell sie nicht.
Marktmodelle gut anleiten
Naheliegend ist der Gedanke, ein eigenes Modell mit den Anfragen und Dokumenten der letzten Jahre zu trainieren. Für die meisten Aufgaben im Betrieb ist das nach unserer Erfahrung nicht nötig. Ein Marktmodell mit einer genauen Anweisung, auch Prompt genannt, liefert bei klar umrissenen Aufgaben meist gute Ergebnisse.
Die Anweisung beschreibt die Aufgabe und legt fest, wie mit unklaren Fällen umzugehen ist. Dazu kommen Beispiele aus dem Alltag, etwa eine typische Anfrage. Braucht die KI Wissen aus dem Unternehmen, bekommt sie es bei der Abfrage mitgeliefert, zum Beispiel aus Produktdaten. Ein eigenes Training ist dagegen aufwendig und muss bei einem Modellwechsel wiederholt werden.
Je Aufgabe ein passendes Modell über eine Zwischenschicht
Modelle unterscheiden sich in Leistung und Preis. Für das Sortieren von E-Mails reicht oft ein kleines, günstiges Modell, für anspruchsvolle Texte lohnt ein stärkeres. In einem Ablauf können so mehrere Modelle arbeiten: Ein kleines wertet ein Gesprächsprotokoll aus, ein stärkeres formuliert daraus einen Text.
Damit ein Wechsel schnell gelingt, sollte das Modell nicht fest eingebaut sein. Eine Zwischenschicht, etwa ein Automatisierungswerkzeug oder ein austauschbarer Baustein in der eigenen Software, spricht das Modell an. Kommt ein besser geeignetes Modell, wird es dort getauscht, der übrige Ablauf bleibt. Testen müssen Sie nach einem Wechsel trotzdem, denn Modelle reagieren unterschiedlich auf dieselbe Anweisung.
Lokale Modelle für einfachere Aufgaben
Ein Modell auf eigener Hardware zu betreiben, klingt nach der sicheren Lösung, weil die Daten im Haus bleiben. Offen verfügbare Modelle machen das möglich. Nach unserer Erfahrung eignen sie sich eher für klar umrissene, einfachere Aufgaben wie das Einordnen von Dokumenten. Bei anspruchsvollen Aufgaben liegen die großen Marktmodelle meist vorn, wobei sich der Abstand schnell verändert. Leistungsfähige lokale Modelle brauchen starke Hardware und jemanden, der sie betreibt und aktualisiert.
Datenschutz hängt am Zugang und am Speicherort
Beim Datenschutz kommt es auf den Zugang an, über den ein Modell genutzt wird. Bei Geschäftslizenzen sichern viele Anbieter vertraglich zu, Eingaben nicht für das Training ihrer Modelle zu verwenden. Bei kostenlosen Konten gelten häufig andere Bedingungen. Verarbeitet ein Anbieter personenbezogene Daten im Auftrag, braucht es zudem einen Vertrag zur Auftragsverarbeitung.
Manche Anbieter speichern und verarbeiten Daten auf Wunsch in der EU. Das klärt nicht jede Frage, denn Anbieter aus den USA unterliegen auch mit europäischen Rechenzentren dem US-Recht. Nach dem CLOUD Act von 2018 können US-Behörden sie unter bestimmten Voraussetzungen verpflichten, Daten herauszugeben, auch wenn diese in Europa liegen. Wie schwer das wiegt, hängt von der Art der Daten ab. Klären Sie es mit Ihrem Datenschutzbeauftragten, bevor Kunden- oder Personaldaten in ein Modell gehen.
Weiterführende Beiträge
- KI-Agent im Posteingang: Wie man E-Mail-Automatisierung ohne Wildwuchs einführt
- Wissensmanagement mit KI: Arbeitsanweisungen digital ablegen und per Copilot abfragen
- Digitalstrategie aus der Schublade holen und neu aufsetzen
- Insellösungen ablösen: Absprung in offene Architektur
Wichtigste Erkenntnisse
- Ranglisten der KI-Modelle ändern sich laufend, im Betrieb zählen beschriebene Anwendungsfälle mit einem klaren Ziel.
- Offene Schnittstellen und zugängliche Daten sind die Voraussetzung dafür, dass ein Modell im Alltag nützt.
- Gut angeleitete Marktmodelle mit Beispielen reichen für viele Aufgaben, ein eigenes Training ist selten nötig.
- Eine Zwischenschicht macht Modelle je Aufgabe austauschbar, getestet wird nach jedem Wechsel.
- Lokale Modelle passen eher zu einfacheren Aufgaben. Beim Datenschutz zählen Lizenzvertrag und Speicherort.