Alle reden über die großen Chatbots. Im eigenen Unternehmen passt das große Alleskönner Modell aber oft nicht: zu teuer pro Anfrage, zu wenig kontrollierbar, und die Daten wandern in eine Cloud außerhalb Europas. Die Alternative heißt domänenspezifische KI: ein Modell, das genau eine Aufgabe oder einen Fachbereich richtig gut kann, statt alles ein bisschen.
In diesem Artikel erklären wir, was domänenspezifische KI von Foundation Models unterscheidet, wann ein kleines Modell reicht und wie ihr das richtige Modell für euren Prozess findet, ohne euch an einen Anbieter zu binden.
NCA KI Workshop für Unternehmen: Ein Tag, an dem Führung und Fachabteilungen lernen, welche Aufgaben KI übernehmen kann, welches Modell dafür passt und wie die Daten im Haus bleiben. Mit echten Beispielen aus eurem Alltag. Zum KI Workshop für Unternehmen
Was domänenspezifische KI bedeutet
Domänenspezifisch heißt: auf einen Fachbereich oder eine Aufgabe zugeschnitten. Eine domänenspezifische KI kennt nicht die ganze Welt, sie kennt eure Rechnungen, eure Produktdaten oder eure Supportanfragen. Das macht sie in ihrem Bereich oft besser als ein großes Modell, und vor allem günstiger, schneller und leichter zu kontrollieren.
Das Gegenstück ist das Foundation Model: breit trainiert, für alles einsetzbar, die Basis hinter den bekannten Chatbots. Der Begriff stammt aus einem Bericht der Stanford University von 2021. Die Forscher dort haben früh beschrieben, was wir heute im Alltag sehen: Ein Foundation Model ist ein Fundament, kein fertiges Haus. Die konkrete Anwendung entsteht erst durch Anpassung.
Domänenspezifisch heißt nicht automatisch selbst trainiert. In der Praxis entsteht eine domänenspezifische KI auf drei Wegen, und meistens reicht der erste:
- Enge Aufgabe, fester Rahmen. Ein kleines Modell bekommt genau eine Aufgabe, ein festes Ausgabeformat und ein paar Beispiele. Für Klassifikation und Extraktion reicht das fast immer.
- Eigene Daten anbinden. Das Modell antwortet nur auf Basis eurer Dokumente, Stichwort RAG. Es wird nicht umtrainiert, es bekommt nur die richtigen Quellen.
- Feinabstimmung. Erst wenn eine Fachaufgabe oft wiederkehrt und viele Beispiele vorliegen, lohnt sich Nachtraining. Das bleibt die Ausnahme.
Wann ein Foundation Model nicht reicht oder zu viel ist
Ein großes Modell kann fast alles. Genau das ist im Unternehmen oft das Problem. Vier Situationen, in denen wir regelmäßig zu einem kleineren, spezialisierten Modell raten:
- Sensible Daten. Kundendaten, Verträge, Personalakten. Die sollen das Haus nicht verlassen. Ein kleines Modell läuft auf eigener Hardware, ein großes meist nur in der Cloud eines Anbieters.
- Wiederkehrende Aufgaben. Jede Mail sortieren, jedes Formular auslesen, jede Anfrage einer Abteilung zuordnen. Hier zählt Zuverlässigkeit und Tempo, nicht Weltwissen.
- Nachvollziehbarkeit. Ein Modell, das sich mit jeder Anbieterversion anders verhält, ist in einem geprüften Prozess ein Risiko. Ein Modell, das ihr selbst betreibt, verhält sich morgen wie heute.
- Kostenkontrolle. Pro Anfrage zahlen summiert sich bei tausenden Vorgängen am Tag. Ein kleines Modell auf eigener Hardware kostet nach der Einrichtung fast nichts mehr pro Anfrage.
Umgekehrt gilt: Für offene, wechselnde Aufgaben mit viel Wissen und Reasoning bleibt ein großes Modell die richtige Wahl. Recherche, freie Texte, komplexe Entscheidungen über viele Quellen. Die Kunst ist, beides zu kombinieren.
| Kriterium | Foundation Model | Domänenspezifische KI |
|---|---|---|
| Aufgaben | Offen, wechselnd, viele Themen | Klar umrissen, wiederkehrend |
| Betrieb | API eines Anbieters oder große GPU Server | Eigene Hardware, auch kleiner Server oder Laptop |
| Daten | Verlassen bei Cloud Betrieb das Unternehmen | Bleiben im eigenen Netz |
| Verhalten | Ändert sich mit jeder Anbieterversion | Bleibt stabil, solange ihr nichts ändert |
| Kosten | Pro Anfrage | Einmal Hardware, danach fast kostenlos pro Anfrage |
Welche Modelle sich für welchen Zweck eignen
Wir ordnen hier nach Einsatzzweck und lassen Benchmarks bewusst weg. Für die konkreten Modelle verweisen wir auf unser Glossar, damit dieser Artikel nicht veraltet, sobald die nächste Generation kommt.
- Vorsortieren und klassifizieren: Ist das eine Anfrage, eine Beschwerde oder Werbung? Dafür reicht ein kleines Modell wie Ministral, das auf einem Laptop oder Mini PC läuft.
- Extrahieren und zusammenfassen: Felder aus Dokumenten ziehen, Gesprächsprotokolle auf drei Sätze bringen, Entwürfe schreiben. Das Arbeitsmodell dafür ist Mistral Small auf einem GPU Server oder über einen europäischen Anbieter.
- Deutsche Fachtexte mit Belegpflicht: Verwaltung, regulierte Branchen, lange Akten. Hier lohnt der Blick auf Aleph Alpha Kolibri, das darauf trainiert ist, bei fehlenden Belegen lieber zu schweigen.
- Komplexes Reasoning und lange Agentenketten: Nur hier braucht ihr ein Flaggschiff wie Mistral Large, und auch das nur für die Fälle, die ein kleineres Modell nicht schafft.
Alle genannten Modelle kommen aus Europa und haben offene Gewichte. Wie ihr bei der Auswahl vorgeht, ohne auf Anbieter aus den USA angewiesen zu sein, zeigt unser Guide Welches KI Modell ohne US Anbieter.
Selbst hosten oder Cloud
Die ehrliche Antwort: beides, je nach Aufgabe. Kleine Modelle gehören ins eigene Netz. Sie laufen mit Ollama auf einem Server oder sogar auf dem Laptop, die Daten bleiben im Haus, und nach der Einrichtung fallen kaum Kosten an. Wann sich das rechnet, steht in unserem Glossar unter Lokale KI wirtschaftlich.
Große Modelle holt ihr euch über die API eines europäischen Anbieters. Damit bleiben die Daten in europäischer Rechtsordnung, ohne dass ihr GPU Server betreiben müsst. Warum das bei Anbietern aus den USA nicht so einfach ist, erklärt unser Artikel zum US Zugriff auf europäische Cloud Daten.
So bindet ihr domänenspezifische KI in eure Prozesse ein
Ein Modell allein ist noch kein Prozess. Bei uns sitzt die KI als ein Schritt in einem n8n Workflow, der auf eigener Infrastruktur läuft. So sieht ein typischer Ablauf aus:
- Eine Anfrage kommt per Mail oder Formular rein.
- Ein kleines Modell sortiert: Anfrage, Beschwerde, Bestellung, Spam.
- Ein mittleres Modell zieht die Felder: Name, Firma, Produkt, Dringlichkeit.
- Der Workflow legt den Vorgang im CRM an und schreibt einen Antwortentwurf.
- Ein Mensch prüft und gibt frei. Erst dann geht etwas raus.
Die Anbindung an eure Systeme läuft bei uns über eigene MCP Server. So bestimmt ihr, was die KI sehen und tun darf. Wie das mit einem CMS aussieht, zeigt der Artikel TYPO3 MCP Server mit n8n verbinden. Wie das bei Kundenanfragen aussieht, beschreibt KI Kundenanfragen automatisieren. Den praktischen Aufbau auf eigener Hardware zeigt Kleines KI Modell selbst hosten.
Wie ihr am besten startet
Klein anfangen. Einen Prozess auswählen, der oft läuft und klar beschrieben ist. Zwei oder drei Modelle mit euren echten, anonymisierten Beispielen testen. Das Ergebnis messen, nicht schätzen. Dann ausbauen. Ein Großprojekt mit zehn Anwendungsfällen auf einmal scheitert fast immer an der Technik und oft am Team. Wie ihr das Thema im ganzen Unternehmen aufsetzt, steht in KI im Unternehmen einführen.
Und baut das Modell von Anfang an austauschbar. Ein LLM Gateway sorgt dafür, dass die nächste Modellgeneration ohne Umbau in den Workflow kommt. Wer heute das beste Modell fest verdrahtet, hat in sechs Monaten ein Altsystem.
Häufige Fragen zu domänenspezifischer KI
Was ist der Unterschied zwischen domänenspezifischer KI und ChatGPT?
ChatGPT setzt auf ein Foundation Model, das breit trainiert ist und fast jede Aufgabe ein Stück weit kann. Domänenspezifische KI ist auf einen Fachbereich oder eine Aufgabe zugeschnitten. Sie kennt weniger, kann ihren Bereich aber oft besser, läuft auf eigener Hardware und kostet im Betrieb deutlich weniger.
Kann man domänenspezifische KI DSGVO konform selbst betreiben?
Ja, und das ist einer der Hauptgründe dafür. Kleine Modelle mit offenen Gewichten laufen im eigenen Netz, die Daten verlassen das Unternehmen nicht. Zugriffsrechte, Logging und Speicherorte müsst ihr trotzdem sauber regeln. Das Modell ist ein Werkzeug, Konformität entsteht im Betrieb.
Braucht man für domänenspezifische KI eigene Trainingsdaten?
Meistens nicht. Für die meisten Aufgaben reicht ein fertiges kleines Modell mit enger Aufgabenstellung und ein paar Beispielen im Prompt. Eigene Dokumente bindet ihr per RAG an, ohne das Modell umzutrainieren. Feinabstimmung lohnt sich erst bei Fachaufgaben, die sehr oft wiederkehren und für die viele Beispiele vorliegen.
Lohnt sich domänenspezifische KI auch für kleine Unternehmen?
Gerade für kleine Unternehmen. Ein Modell, das auf einem vorhandenen Server oder Mini PC läuft, braucht keine Cloud Verträge und keine Abrechnung pro Anfrage. Ein einzelner gut gewählter Prozess, etwa das Sortieren und Vorbereiten von Anfragen, spart im Alltag sofort Zeit und lässt sich in wenigen Tagen aufsetzen.
Welche europäischen Modelle eignen sich für domänenspezifische KI?
Für kleine Aufgaben auf eigener Hardware Ministral, als Arbeitsmodell für Workflows Mistral Small, für deutsche Fachtexte mit Belegpflicht Aleph Alpha Kolibri. Alle haben offene Gewichte und lassen sich bei einem Hoster in Deutschland oder der EU betreiben. Die Details stehen in unserem Glossar KI Modelle.
Findet das Modell, das zu eurem Prozess passt
Bei uns steht eure Aufgabe am Anfang. Wir testen zwei bis drei Kandidaten mit euren Daten, bauen den Workflow in n8n auf eigener Infrastruktur und halten das Modell austauschbar. Das Vorgespräch ist kostenlos.
