Definition
Anpassung eines vortrainierten KI-Modells an einen spezifischen Anwendungsfall durch weiteres Training auf domänenspezifischen Daten. Alternativen: Prompt Engineering (kein Training), RAG (externer Wissensspeicher), Fine-Tuning (Gewichts-Anpassung). Im Managementsystem-Kontext meist überflüssig — RAG-Architekturen wie Norminator liefern bessere Ergebnisse bei weniger Aufwand und höherer Aktualisierbarkeit.
In der Praxis
Fine-Tuning ist im Mittelstand meist die Antwort auf eine Frage, die niemand gestellt hat. Ich erlebe es regelmäßig: Ein Unternehmen will „die KI mit unserem Fachwissen trainieren" und landet beim Fine-Tuning-Angebot — dabei ist Wissensvermittlung die schwächste Fine-Tuning-Stärke. Ein nachtrainiertes Modell kann seine Quellen nicht nennen, veraltet mit jedem Dokumentenupdate und kostet ein Vielfaches einer RAG-Einrichtung. Für Fachwissen — Normen, Verfahrensanweisungen, Rechtsgrundlagen — ist RAG fast immer der bessere Weg: aktuell, nachweisbar, gepflegt über die Dokumentenlenkung. Wo Fine-Tuning dagegen glänzt, ist Verhalten: einheitlicher Berichtsstil, feste Ausgabeformate, domänenspezifischer Sprachgebrauch, Verhaltensregeln. Die saubere Entscheidungsfrage lautet also nicht „Fine-Tuning ja oder nein", sondern „Wollen wir Wissen oder Verhalten ändern?" — Wissen gehört in den Speicher, Verhalten ins Modell. Wer das trennt, spart fünfstellige Beträge und bekommt die bessere Lösung.
Verwandte Begriffe
Häufige Fragen zu Fine-Tuning
Wann brauchen wir Fine-Tuning, wann reicht Prompt Engineering oder RAG?
Die drei Ansätze lösen verschiedene Probleme. Prompt Engineering — die kunstvolle Formulierung der Anfrage — steuert das Verhalten im Einzelfall, kostet nichts und reicht für die meisten Büroanwendungen. RAG bringt Wissen bei: Das Modell bleibt unverändert, Ihre Dokumente liefern den Kontext — der richtige Weg für Fachwissen, das aktuell und nachweisbar bleiben muss. Fine-Tuning ändert das Modell selbst durch Nachtraining — der richtige Weg, wenn es um dauerhaftes Verhalten geht: ein konsistenter Berichtsstil über tausende Dokumente, ein festes Ausgabeformat, eine bestimmte fachliche Tonalität. Die Faustregel: Erst Prompt Engineering versuchen, dann RAG für Wissen, Fine-Tuning erst wenn beides nachweislich nicht reicht. In den meisten mittelständischen Anwendungsfällen — Compliance-Recherche, Wissensmanagement, Dokumentationshilfen — ist die Antwort RAG, nicht Fine-Tuning.
Was müssen wir dokumentieren, wenn wir ein Modell nachtrainieren lassen?
Sobald Sie KI-Systeme organisiert entwickeln oder anpassen lassen, greifen die Anforderungen eines KI-Managementsystems nach ISO/IEC 42001 — und die sind für Trainingsprozesse konkret. Im Kern geht es um die Daten: Die Norm verlangt dokumentierte Informationen über Datenressourcen — Herkunft der Trainingsdaten, Datenkategorien, Datenqualität und bekannte Verzerrungsprobleme. Dazu kommen die Lebenszyklus-Perspektive — wer verantwortet Training, Validierung und Betrieb — und die KI-Risikobeurteilung vor dem Einsatz. Rechtlich relevant wird es zusätzlich, wenn Ihr nachtrainiertes Modell in eine Anwendung nach dem EU AI Act fällt, etwa als Komponente eines Hochrisiko-Systems: Dann gelten die Anforderungen an Daten und Datengovernance des Art. 10 — Trainings-, Validierungs- und Testdaten müssen den Qualitätskriterien der Verordnung entsprechen. Für ein internes Stil-Modell ist das überzogen; für alles mit Personenbezug oder Sicherheitsrelevanz ist es Pflichtprogramm (ISO/IEC 42001:2023; Verordnung (EU) 2024/1689, Art. 10).
Wir wollen einheitliche Auditbericht-Formulierungen per KI — ist das ein Fine-Tuning-Fall?
Ja, das ist einer der wenigen Fälle, in denen Fine-Tuning im Mittelstand sinnvoll sein kann — aber prüfen Sie erst die billigeren Stufen. Stufe eins: ein guter System-Prompt mit Ihrem Stilguide und zwei Musterformulierungen — das löst achtzig Prozent aller Stilprobleme ohne jede Modelländerung. Stufe zwei: eine Dokumentenvorlage mit Formulierungsbausteinen, die per RAG als Kontext beigemischt wird. Erst Stufe drei ist Fine-Tuning — dann, wenn Sie hunderte gleichartige Berichte pro Jahr erzeugen und die Prompt-Lösung nicht stabil genug ist. Dafür brauchen Sie einen sauberen Trainingsdatensatz: echte, freigegebene Berichtsbeispiele in ausreichender Zahl, bereinigt um personenbezogene und vertrauliche Inhalte. Und planen Sie die Pflege ein: Ändert sich Ihre Berichtsstruktur, ist das Modell neu zu trainieren. Deshalb meine Grundregel: Verhalten trainieren lohnt sich erst ab Volumen — darunter gewinnt immer die Kombination aus Prompt und Vorlage.