Standard-KI oder individuelle GenAI-Lösung? Entscheidungskriterien für Unternehmen

Die Entscheidung zwischen Standardwerkzeug und individueller GenAI-Lösung beginnt mit einer konkreten Aufgabe, nicht mit der Frage nach dem neuesten Modell. Häufig liegen zwischen einem unveränderten Produkt und einem vollständig selbst entwickelten Modell mehrere Optionen: Konfiguration, Anbindung von Daten, Integration in einen Prozess oder gezielte Modellanpassung.

Welche Option passt, hängt davon ab, welche Ergebnisse benötigt werden, welche Daten und Systeme beteiligt sind, welche Fehlerfolgen akzeptabel sind und wer die Lösung langfristig betreibt. Eine individuelle Lösung ist deshalb nicht automatisch leistungsfähiger oder wirtschaftlicher. Ein Standardprodukt ist umgekehrt nicht automatisch ungeeignet, wenn ein Anwendungsfall unternehmensspezifischen Kontext benötigt.

Erst Aufgabe und Erfolgskriterien klären

Beschreiben Sie den Arbeitsablauf und das gewünschte Ergebnis so konkret, dass sich Optionen vergleichen lassen. Halten Sie auch fest, welche Fälle das System nicht bearbeiten soll und wer Ergebnisse prüft. Mögliche Kriterien sind fachliche Richtigkeit, Vollständigkeit, Quellenbezug, Bearbeitungsaufwand, Fehlerfolgen, Antwortzeit und die Einhaltung von Zugriffsregeln.

Testen Sie die verfügbaren Standardwerkzeuge mit repräsentativen und schwierigen Beispielen. Dokumentieren Sie dabei Werkzeug, Einstellungen, Eingaben, Ergebnisse und nötige Nacharbeit. Einzelne überzeugende Demonstrationen reichen nicht aus, um Verhalten im eigenen Einsatzkontext oder Wirtschaftlichkeit abzuleiten. Das freiwillige NIST AI Risk Management Framework empfiehlt, Geschäftskontext, erwartete Vorteile und Kosten, Risiken und Messmethoden für den konkreten Einsatz zu betrachten. NIST AI RMF Core

Welche Lösungswege es gibt

Vorhandenes Werkzeug passend konfigurieren

Ein vorhandener Chat- oder Assistenzdienst kann für Aufgaben genügen, die sich mit verfügbarer Funktionalität, klaren Anweisungen und menschlicher Prüfung bearbeiten lassen. Je nach Produkt können Einstellungen, Vorlagen oder integrierte Unternehmensfunktionen den Einsatz anpassen. Prüfen Sie für das konkrete Angebot, welche Funktionen, Datenflüsse und Zugriffsmöglichkeiten tatsächlich gelten.

Ein Standardmodell mit eigenen Informationen verbinden

Wenn Antworten auf interne oder häufig geänderte Informationen angewiesen sind, kann ein System passende Inhalte zur Laufzeit suchen und dem Modell als Kontext bereitstellen. Dieses Muster wird häufig Retrieval-Augmented Generation (RAG) genannt. Es erfordert mehr als den Anschluss einer Wissensquelle: Inhalte müssen auffindbar und aktuell sein, Berechtigungen müssen bis zum Abruf berücksichtigt werden, und Abruf wie Antwortqualität müssen getestet werden. Microsoft beschreibt RAG als Muster für Antworten auf Basis privater oder häufig wechselnder Daten und empfiehlt, Retrieval und generierte Antworten zu evaluieren. Microsoft Learn: Retrieval-Augmented Generation

Modelle und Systeme integrieren

Eine Anwendung kann ein Standardmodell mit vorhandener Suche, Fachsoftware, Regeln oder Freigabeschritten verbinden. So entsteht eine individuelle Anwendung, ohne dass dafür zwangsläufig ein eigenes Grundmodell trainiert werden muss. Mit der zusätzlichen Integration wachsen allerdings Anforderungen an Architektur, Berechtigungen, Fehlerbehandlung, Überwachung und Zuständigkeiten.

Ein Modell gezielt anpassen

Fine-Tuning verändert Modellverhalten anhand geeigneter Trainingsbeispiele. Es kann für wiederkehrende Aufgaben, Ausgabeformate oder gewünschte Verhaltensweisen geprüft werden. Es ist nicht dasselbe wie das Bereitstellen aktueller Wissensbestände: Für interne oder wechselnde Fakten kann Retrieval besser zur Frage passen. Microsoft nennt Datenqualität, repräsentative Trainingsbeispiele, zusätzliche Trainings- und Hostingkosten sowie laufende Prüfung als wichtige Aspekte des Fine-Tunings. Die Eignung muss für den konkreten Modellanbieter und Anwendungsfall neu bewertet werden. Microsoft Foundry: Fine-tuning considerations

Das Training eines eigenen Grundmodells ist eine weitere, deutlich anders gelagerte Option. Es sollte nicht als übliche nächste Stufe nach einem Standardwerkzeug verstanden werden. Für viele Vorhaben ist zunächst zu klären, ob ein vorhandenes Modell, ein verbundenes System oder eine gezielte Anpassung die Anforderungen erfüllt.

Datenzugriff und Datenschutz getrennt bewerten

Die pauschale Gegenüberstellung „externe KI“ und „eigene Daten“ führt in die Irre. Ein Standarddienst kann je nach Produkt, Konfiguration und Vertrag Unternehmensfunktionen oder Datenverbindungen bereitstellen; eine selbst entwickelte Anwendung kann ihrerseits externe Modelle und Dienste verwenden. Prüfen Sie deshalb den konkreten Datenfluss: Welche Inhalte werden verarbeitet, wo liegen sie, welche Identitäten und Berechtigungen greifen, und welche Anbieterbedingungen gelten?

Auch ein eigener Betrieb löst Datenschutz- und Sicherheitsfragen nicht automatisch. Verantwortliche müssen die Risiken und Anforderungen für die ausgewählte Architektur, den konkreten Zweck und die betroffenen Daten beurteilen. Für RAG-Systeme weist Microsoft beispielsweise darauf hin, dass unzureichend gestaltete Abrufberechtigungen sensible Inhalte offenlegen können. Microsoft Learn: RAG – security and privacy considerations

Wirtschaftlichkeit über den gesamten Lebenszyklus vergleichen

Ein aussagekräftiger Vergleich umfasst mehr als Lizenz oder Modellkosten. Berücksichtigen Sie unter anderem:

• Entwicklung oder Konfiguration sowie Integration in bestehende Abläufe;
• Datenaufbereitung, Berechtigungsverwaltung und laufende Pflege;
• Tests, fachliche Prüfung, Monitoring und Fehlerbehandlung;
• Hosting, Nutzung, Support und erforderliche Kompetenzen;
• Änderungen an Modellen, Schnittstellen, Prozessen oder Anforderungen;
• Kosten und Folgen fehlerhafter oder nicht verfügbarer Ergebnisse.

Stellen Sie den Aufwand dem erwarteten Nutzen und einer geeigneten Alternative gegenüber, etwa dem bestehenden Prozess ohne KI. Halten Sie Annahmen offen und prüfen Sie, ob der Nutzen im Pilot messbar ist. Das NIST AI RMF ist ein freiwilliger Orientierungsrahmen; es ersetzt weder eine organisationsspezifische Prüfung noch einen belastbaren Business Case. NIST: AI Risk Management Framework

Eine Entscheidung im Pilot absichern

Ein begrenzter Pilot kann offene Fragen zu Qualität, Integration und Betrieb sichtbar machen. Legen Sie vor Beginn fest, welche Beispiele geprüft werden, welche Metriken oder fachlichen Bewertungen gelten, welche Risiken nicht akzeptabel sind und wer über Fortsetzung oder Abbruch entscheidet. Beziehen Sie spätere Nutzende und Fachverantwortliche ein. Dokumentieren Sie Grenzen und ungeklärte Punkte, statt sie aus einer gelungenen Demo abzuleiten.

Für die strukturierte Einordnung eines konkreten Vorhabens bietet sich auch der Beitrag KI-Pilotprojekte realistisch bewerten an. Wenn zunächst Datenlage und organisatorische Voraussetzungen unklar sind, lesen Sie ergänzend KI-Reifegrad und Datenanalyse einordnen.

Das Seminar „Wann individuelle KI sinnvoll wird“ richtet sich laut Workshopbeschreibung an Entscheider, Projektverantwortliche und Fachverantwortliche. Es dient der strategischen Einordnung und Entscheidungsreife; Entwicklung oder Umsetzung sind dort nicht Teil des Angebots.