Fine-Tuning bezeichnet die zusätzliche Anpassung eines vorhandenen KI-Modells auf eigene Daten oder eigene Aufgaben. Für Unternehmen ist der Begriff wichtig, weil tiefere Modelländerungen von bloßer Nutzung abzugrenzen sind und damit die Rollenfrage im EU AI Act berühren können.
Was Fine-Tuning technisch verändert
Fine-Tuning verändert nicht nur den Prompt, sondern das Modell selbst. Das Ziel ist meist ein stabilerer Antwortstil, bessere Fachsprache oder höhere Genauigkeit in einem eng definierten Use Case. Für die Abgrenzung sind LoRA, RAG und Modellgewichtungen die wichtigsten Vergleichsbegriffe.
| Methode | Was sich ändert | Typischer Aufwand |
|---|---|---|
| Prompting | Nur Eingaben und Regeln | Niedrig |
| RAG | Externe Wissensbasis, nicht das Modell | Niedrig bis mittel |
| LoRA-Fine-Tuning | Zusätzliche Adapter auf vorhandene Gewichtungen | Mittel |
| Vollständiges Fine-Tuning | Große Teile der Gewichtungen | Hoch |
- Fine-Tuning ist sinnvoll, wenn Verhalten und nicht nur Wissen verändert werden soll.
- Fine-Tuning braucht Trainingsdaten, Evaluation und Freigabeprozesse.
- Fine-Tuning ist teurer und risikoreicher als reines Prompting.
Was Fine-Tuning rechtlich bedeutet
Fine-Tuning ist im EU AI Act kein eigener Tatbestand, aber eine praktische Schwelle für die Rollenbewertung. Wer ein Modell nur nutzt, bleibt regelmäßig Betreiber; wer ein Modell wesentlich verändert oder unter eigener Verantwortung neu in Verkehr bringt, kann in Richtung Anbieter rutschen. Genau deshalb sollten Sie parallel KI-Anbieter vs. KI-Betreiber, GPAI / KI-Basismodelle und Technische Dokumentation mitdenken.
- Prüfen Sie, ob nur ein internes Werkzeug angepasst wird oder ein neues Produkt entsteht.
- Dokumentieren Sie Datenquelle, Zielverhalten und Evaluationskriterien.
- Verknüpfen Sie die Anpassung mit Ihrem KI-Inventar und Schulungskonzept.
| Szenario | Einordnung |
|---|---|
| Chatbot mit internen Dokumenten per RAG | Meist kein Fine-Tuning |
| LoRA für konsistenten Antwortstil | Schlanke Modellanpassung |
| Tiefes Re-Training für eigenes SaaS-Produkt | Anbieter-Risiko deutlich höher |
Wann Unternehmen Fine-Tuning wählen sollten
Fine-Tuning lohnt sich nur bei stabilen, häufigen und klar messbaren Aufgaben. Wenn Inhalte sich laufend ändern, ist RAG oft wirtschaftlicher, weil kein erneutes Training nötig ist. Für den Betrieb brauchen Sie zusätzlich KI-Inference, Versionierung der Modellgewichtungen und belastbare Tests.
- Nutzen Sie Fine-Tuning für Formatdisziplin, Klassifikation oder Spezialjargon.
- Nutzen Sie kein Fine-Tuning, wenn nur aktuelles Wissen fehlt.
- Planen Sie immer einen Rückfallpfad auf die vorherige Modellversion ein.
Fine-Tuning ist damit kein Standardschritt, sondern ein gezieltes Eingriffswerkzeug. Unternehmen sollten es erst einsetzen, wenn Nutzen, Datenqualität und Governance-Aufwand sauber gegeneinander abgewogen wurden.