This article is currently only available in German.
Feinabstimmung (Fine-Tuning)
Feinabstimmung (Fine-Tuning) ist das gezielte Nachtrainieren eines bereits fertigen KI-Sprachmodells mit eigenen, ausgewählten Beispieldaten. Das Modell bleibt im Kern gleich, lernt aber zusätzlich einen bestimmten Stil, ein Fachgebiet oder ein Aufgabenformat. So passt du eine allgemeine KI an eine spezielle Anwendung an, ohne ein komplett neues Modell von Grund auf bauen zu müssen.
Warum Feinabstimmung zählt
Ein großes Sprachmodell wie ChatGPT oder Claude kennt aus dem Grundtraining sehr viel Allgemeinwissen, aber nicht die feinen Eigenheiten deiner Branche, deiner Marke oder deiner Kundschaft. Mit Feinabstimmung bringst du dem Modell bei, in genau deinem Tonfall zu antworten, feste Formulierungen zu nutzen oder ein enges Fachthema sicher zu beherrschen. Das ist besonders dann nützlich, wenn du dieselbe Aufgabe immer wieder in gleichbleibender Qualität lösen willst. Statt bei jeder Anfrage lange Anweisungen mitzugeben, sitzt das gewünschte Verhalten schon im Modell. Für die KI-Sichtbarkeit ist das indirekt wichtig: Wer eigene Assistenten oder Chatbots betreibt, sorgt so für verlässliche, markengerechte Antworten.
Wie es technisch funktioniert
Beim Fine-Tuning fütterst du das Modell mit vielen Beispielpaaren aus Eingabe und gewünschter Antwort, etwa hundert oder mehrere tausend Frage-Antwort-Sätze. Das Modell vergleicht seine eigenen Ausgaben mit den Vorgaben und justiert seine internen Werte (die sogenannten Gewichte) Schritt für Schritt nach. Man verändert also nicht den Text, den man später eingibt, sondern das Modell selbst. Das unterscheidet Feinabstimmung vom Prompt-Engineering, wo du nur die Anweisung geschickt formulierst, und von Retrieval-Augmented-Generation, wo das Modell externe Dokumente nachschlägt. Fine-Tuning braucht sauber aufbereitete Trainingsdaten, Rechenzeit und meist einen Zugang zur Trainings-Schnittstelle des jeweiligen Anbieters wie OpenAI oder Anthropic.
Häufige Fehler
Der größte Fehler ist, Feinabstimmung für Wissen zu nutzen, das sich oft ändert. Preise, Öffnungszeiten oder aktuelle Angebote gehören nicht ins Training, weil du das Modell sonst bei jeder Änderung neu abstimmen müsstest. Dafür ist eine Wissensdatenbank mit Retrieval besser geeignet. Ein zweiter Fehler sind zu wenige oder widersprüchliche Beispiele: Dann lernt das Modell ein wackeliges Muster und antwortet unzuverlässig. Auch das Gegenteil kommt vor, das Überanpassen (Overfitting), bei dem die KI nur noch die Trainingsbeispiele nachplappert und bei neuen Fragen versagt. Prüfe Trainingsdaten deshalb auf Qualität, Ausgewogenheit und Fehlerfreiheit, bevor du sie einsetzt.
Bezug zu KI-Empfehlungen
Für die generative Suche und KI-Empfehlungen ist wichtig zu verstehen, was Feinabstimmung nicht leistet. Du kannst ein fremdes Modell wie ChatGPT nicht heimlich so trainieren, dass es deine Marke bevorzugt nennt. Ob eine KI dich zitiert oder empfiehlt, hängt von öffentlich auffindbaren, zitierfähigen Inhalten ab, nicht von deinem privaten Fine-Tuning. Feinabstimmung hilft dir dort, wo du eigene KI-Anwendungen betreibst, etwa einen Kundenberater auf der Website. Für klassische GEO-Ziele wie Markennennung und Zitationsrate zählt weiterhin gute, gut strukturierte Inhaltsarbeit. Verwechsle die beiden Hebel nicht: Der eine formt dein eigenes Werkzeug, der andere beeinflusst fremde Modelle über Sichtbarkeit.
Example
Eine Steuerkanzlei möchte einen Chatbot für Mandantinnen und Mandanten anbieten. Das allgemeine Sprachmodell antwortet zwar korrekt, aber zu förmlich und mit US-amerikanischen Fachbegriffen. Die Kanzlei sammelt 800 echte Frage-Antwort-Paare aus früheren E-Mails, anonymisiert sie und stimmt das Modell damit fein ab. Danach antwortet der Bot in der gewohnten, freundlichen Kanzlei-Sprache, nutzt deutsche Steuerbegriffe korrekt und hält sich an die interne Struktur mit Hinweis, Rechtsgrundlage und nächstem Schritt. Das Wissen zu aktuellen Fristen liegt weiter in einer separaten, leicht aktualisierbaren Datenbank.
Common questions
Was ist der Unterschied zwischen Feinabstimmung und Prompt-Engineering?
Beim Prompt-Engineering formulierst du nur deine Anweisung geschickt, das Modell bleibt unverändert. Bei der Feinabstimmung veränderst du das Modell selbst durch Nachtraining mit Beispieldaten. Fine-Tuning ist aufwendiger, lohnt sich aber, wenn du dieselbe Aufgabe dauerhaft in gleicher Qualität lösen willst.
Bringt Feinabstimmung mehr KI-Sichtbarkeit bei ChatGPT oder Perplexity?
Nein, nicht direkt. Du kannst fremde Modelle nicht so trainieren, dass sie deine Marke bevorzugen. Ob dich eine KI empfiehlt, hängt von öffentlich auffindbaren, zitierfähigen Inhalten ab. Feinabstimmung hilft nur bei eigenen KI-Anwendungen, etwa deinem eigenen Website-Assistenten.