Inhalt
Wer KI-Angebote vergleicht, findet in drei Offerten drei Wörter für dieselbe Sache — und dasselbe Wort für drei verschiedene Sachen. Das ist kein böser Wille, der Markt ist jünger als sein Vokabular. Sechs Begriffe reichen allerdings aus, um den grössten Teil dessen einzuordnen, was heute angeboten wird. Wer sie auseinanderhält, kann jede Offerte auf drei Fragen herunterbrechen: Woher kommt das Wissen, wer trifft die Entscheidung, und wer prüft das Ergebnis?
Die sechs Begriffe auf einen Blick
| Begriff | Wofür er zuständig ist | Wofür nicht |
|---|---|---|
| Sprachmodell (LLM) | Sprache verstehen und erzeugen | Kennt Ihr Unternehmen nicht |
| RAG | Ihr Wissen zur Frage dazuholen | Ändert weder Stil noch Verhalten |
| KI-Agent | Schritte ausführen, Ergebnisse zurückschreiben | Ersetzt keine Freigabe |
| MCP | Systeme einheitlich anschliessen | Ist selbst keine KI |
| Fine-Tuning | Fachsprache, Format und Tonfall prägen | Bringt kein tagesaktuelles Wissen |
| Halluzination | Der Fehlermodus, mit dem man rechnet | Kein Randfall, der wegprogrammiert wird |
Sprachmodell (LLM, Large Language Model)
Ein Programm, das an sehr grossen Textmengen gelernt hat, Sprache zu verarbeiten und zu erzeugen. Es beherrscht Allgemeinwissen und Sprachmuster — Ihre Preisliste, Ihre Prozesse und Ihre Kundenhistorie kennt es nicht. Alles, was es über Ihr Unternehmen wissen soll, muss ihm zur Laufzeit kontrolliert zugeführt werden.
Praktisch heisst das: Die Modellwahl ist selten die wichtigste Entscheidung eines KI-Projekts. Das Modell ist der austauschbare Teil — die Anbindung an Ihre Daten und die Kontrolle darüber sind es nicht. Ein Angebot, in dem der Modellname die Hauptrolle spielt, handelt vom Nebenschauplatz.
RAG (Retrieval-Augmented Generation)
Das Verfahren, mit dem ein Sprachmodell doch etwas über Ihr Unternehmen weiss. Vor jeder Antwort durchsucht das System Ihre Dokumente, Datenbanken oder Ticketverläufe nach den passenden Stellen und legt sie dem Modell zusammen mit der Frage vor. Die Antwort stützt sich damit auf Ihre Inhalte — und kann ihre Quelle nennen, statt zu raten.
Zwei Eigenschaften machen das Verfahren für Unternehmen attraktiv: Ein neues Dokument wirkt sofort, ohne dass irgendetwas neu trainiert wird. Und Berechtigungen bleiben durchsetzbar — wer eine Datei nicht sehen darf, bekommt sie auch nicht in der Antwort. Das Zweite gilt allerdings nur, wenn die Suche die Rechte des Fragenden kennt. An dieser Stelle scheitern RAG-Projekte, nicht am Modell.
KI-Agenten (agentische KI)
Ein Sprachmodell beantwortet Fragen. Ein Agent erledigt Aufgaben: Er darf Werkzeuge aufrufen, in Systemen nachschlagen, mehrere Schritte nacheinander ausführen und Ergebnisse zurückschreiben — ein Ticket schliessen, eine Bestellung anlegen, einen Beleg verbuchen.
Damit wechselt die Risikoklasse. Eine falsche Antwort ärgert, eine falsche Buchung kostet. Ein Agent braucht deshalb dasselbe wie eine neu eingestellte Person: klar begrenzte Rechte, ein Protokoll über das, was er getan hat, und definierte Punkte, an denen ein Mensch freigibt. Der tragfähige Zuschnitt ist fast immer schmaler als die Demo — ein Agent für einen Ablauf schlägt einen, der alles können soll.
MCP (Model Context Protocol)
Ein offener Standard dafür, wie KI-Anwendungen an Daten und Werkzeuge angeschlossen werden: eine einheitliche Steckdose statt eines eigenen Adapters pro Gerät. Ein einmal gebauter Anschluss an Ihr ERP funktioniert damit auch noch, wenn Sie Modell oder Oberfläche wechseln.
Der Nutzen ist dabei weniger technischer als vertraglicher Natur. Standardisierte Anbindungen senken die Wechselkosten — sie sind das Gegenmittel gegen ein Angebot, dessen Integrationen ausschliesslich innerhalb der Plattform des Anbieters funktionieren.
Fine-Tuning (Nachtrainieren eines Modells)
Ein bestehendes Sprachmodell wird mit eigenen Beispielen nachtrainiert, bis es eine bestimmte Fachsprache, ein Format oder einen Tonfall zuverlässig trifft. Was es dabei lernt, steckt danach im Modell — mit dem Stand des Trainings.
Genau darin liegt die häufigste Verwechslung. Fine-Tuning eignet sich für Stil, Format und wiederkehrende Aufgaben, nicht dafür, dem Modell tagesaktuelles Unternehmenswissen beizubringen: Jede neue Preisliste bräuchte einen neuen Trainingslauf, und was einmal drin ist, lässt sich nicht gezielt wieder entfernen. Für Wissen ist RAG zuständig. Hinzu kommt, dass ein sorgfältig formulierter Prompt sehr oft dasselbe Ergebnis erreicht — ohne Trainingskosten. Fine-Tuning ist die Antwort, wenn das nachweislich nicht genügt.
Halluzination
So nennt man es, wenn ein Sprachmodell eine Antwort erzeugt, die überzeugend klingt, aber falsch oder frei erfunden ist: eine Vorschrift, die es nicht gibt, eine Artikelnummer, die plausibel aussieht.
Entscheidend ist die Einordnung. Das ist kein Mangel, der mit der nächsten Modellgeneration verschwindet, sondern eine Eigenschaft der Technologie — ein System, das Sprache erzeugt, erzeugt auch dann Sprache, wenn es die Antwort nicht kennt. Verlässlich wird eine KI-Lösung darum nicht durch ein besseres Modell, sondern durch Architektur: Antworten auf belegte Quellen stützen, Quellen sichtbar machen, kritische Schritte durch einen Menschen freigeben lassen, Ergebnisse stichprobenweise gegenprüfen. Das gehört in den Entwurf und ist kein Netz, das man nachträglich aufspannt.
Was passt zu welchem Anliegen?
| Wenn Sie … | … ist das Mittel | … und nicht |
|---|---|---|
| wollen, dass Antworten auf Ihren aktuellen Dokumenten beruhen | RAG | Fine-Tuning — nachtrainiertes Wissen veraltet mit dem nächsten Dokument |
| Texte in Ihrer Fachsprache und Ihrem Tonfall brauchen | Fine-Tuning, oft genügt ein guter Prompt | RAG — es liefert Inhalt, nicht Stil |
| wollen, dass in einem System tatsächlich etwas passiert | Agent mit begrenzten Rechten | ein Chatfenster, dessen Anweisungen jemand abtippt |
| eine belegbare Auskunft brauchen | RAG mit Quellenangabe | ein Modell «mit viel Wissen» |
| mehrere Systeme anbinden wollen | MCP oder eigene, dokumentierte Schnittstellen | plattformeigene Konnektoren ohne Ausstiegspfad |
Fünf Fragen an jedes KI-Angebot
- Woher kommt das Wissen? Aus Ihren Quellen (RAG), aus dem Training (Fine-Tuning) oder nur aus dem Allgemeinwissen des Modells? Lautet die Antwort «das Modell weiss das», fehlt die Anbindung.
- Wo werden die Daten verarbeitet? Welcher Anbieter, welche Region, wie lange gespeichert — und wird mit Ihren Eingaben trainiert?
- Was darf das System selbst tun? Nur lesen oder auch schreiben, in welchen Systemen, bis zu welcher Grenze, und an welcher Stelle greift eine menschliche Freigabe?
- Woran merken Sie, dass eine Antwort falsch war? Ohne Quellenangaben, Protokoll und Stichproben gibt es keine Qualitätsaussage, sondern nur einen Eindruck.
- Was passiert beim Anbieterwechsel? Wem gehören Prompts, Wissensbasis und Auswertungen — und laufen die Anbindungen auch woanders?
Was daraus folgt
Die drei Begriffe, die in Angeboten am häufigsten durcheinandergeraten, sind RAG, Fine-Tuning und Agenten. Verkürzt: RAG bringt Wissen, Fine-Tuning bringt Stil, Agenten bringen Handlung. Wer das auseinanderhält, erkennt in wenigen Minuten, ob ein Angebot zum eigenen Anwendungsfall passt — und welche der fünf Fragen darin unbeantwortet bleibt.
Wie wir daraus eine produktive Lösung bauen — von der Standortbestimmung über Architektur und Daten bis zum Betrieb — steht auf unserer Seite zu den AI Services.
Über den Autor
Engineering