Wer von "KI" spricht, meint meist Sprachmodelle wie ChatGPT oder Claude. Aber dahinter steckt ein ganzes Ökosystem unterschiedlicher Technologien — jede für andere Aufgaben optimiert. Das Verstehen dieser Unterschiede ist der erste Schritt zu sinnvollem KI-Einsatz.
Die wichtigsten Modelltypen
LLM (Large Language Model / Transformer): Texterzeugung, Zusammenfassung, Klassifizierung, Code. Nutzt Multi-Head-Attention, um Beziehungen zwischen Tokens zu gewichten. ChatGPT, Claude, Gemini sind LLMs.
Diffusion-Modelle: Bildgenerierung, Bildvarianten, Inpainting. Startet mit zufälligem Rauschen und "entrauscht" iterativ bis zum finalen Bild. Midjourney, DALL-E, Stable Diffusion.
CNN (Convolutional Neural Network): Bildverarbeitung mittels lokaler Konnektivität für visuelle Muster. Bewährt für Klassifizierung, Objekterkennung, Qualitätsprüfung.
GBDT (Gradient Boosted Decision Trees): Starke Baseline für tabellarische Daten. XGBoost, LightGBM — die stillen Gewinner hinter vielen Prognose-Systemen.
Reinforcement Learning: Agent lernt durch Interaktion über Aktionen und Rewards. Für Robotik, Spielstrategien, dynamische Optimierungsprobleme.
RAG (Retrieval-Augmented Generation): Keine eigenständige Architektur, sondern ein Ansatz: LLM wird mit extern abgerufenen Dokumenten konditioniert. Faktischer, aktueller — ideal für Unternehmens-Wissen.
Wann nutze ich welches Modell?
| Aufgabe | Gute Wahl | Warum | Typische Falle | |---|---|---|---| | Kundenservice mit internen Docs | LLM + RAG | Antworten an Quellen gebunden | Schlechte Retrieval-Qualität | | Semantische Suche / Clustering | Embeddings + Vektorsuche | Bedeutungsähnlichkeit messbar | "Ähnlich" ist nicht "Richtig" | | Forecasting auf Tabellen | GBDT | Stark auf tabellarischen Daten | Datenlecks und Zeitleakage | | Bildklassifikation | CNN | Lernt visuelle Merkmale | Einseitige Trainingsdaten | | Bildgenerierung | Diffusion | Kreative Varianz aus Rauschen | Markenrechte und Konsistenz | | Steuerung in Simulation | RL | Lernt durch Reward-Feedback | Reward-Design ist die Herausforderung |
Was bei LLMs wirklich zählt
"Welches LLM?" ist oft zweitrangig gegenüber "welche Strategie drumherum?" Viele Projekte scheitern an Aktualität, Verlässlichkeit oder Skalierung — nicht an der Rohleistung des Modells.
Embeddings wandeln Text in Vektoren um. Semantische Ähnlichkeit wird messbar. Grundlage für Suche, Clustering und RAG.
Prompt Engineering vs. Fine-Tuning: Prompting ist schnell und flexibel — der richtige Start für 90% der Anwendungsfälle. Fine-Tuning lohnt sich erst für stabile, wiederholte Aufgaben mit klarer Zieldefinition und ausreichend Trainingsdaten.
Drei Praxisbeispiele
FAQ-System: Embeddings für Retrieval + RAG für Antwortgenerierung. Optional: Fine-Tuning für stabiles Ausgabeformat. Niemals: einfach einen Prompt mit allen FAQs füllen.
Kaufwahrscheinlichkeit / Churn: Mit GBDT starten — tabellarische Daten sind das Heimspiel. LLM nur ergänzend für Freitextfelder (Kommentare, Support-Tickets).
Produktbildgenerierung: Diffusion für Bilderzeugung, CNN für automatische Qualitätsprüfung. Zwei Modelle, eine Pipeline — jedes macht, was es kann.
Das Fazit: Es gibt kein universelles "bestes KI-Modell". Es gibt das richtige Werkzeug für die richtige Aufgabe.