06 · Grundlagen & Modelle

Foundation Model

breit vortrainiertes Basismodell, das für viele Zwecke angepasst wird.

Einmal sehr breit und sehr teuer vortrainiert, dann für viele Zwecke angepasst — das ist die Arbeitsteilung, die Foundation Models etabliert haben. Wenige Anbieter tragen die Trainingskosten, alle anderen bauen darauf auf. Das spart enorm Aufwand und schafft zugleich Abhängigkeit: Stärken, Schwächen und Weltbild des Basismodells wandern in jedes Produkt, das darauf aufsetzt.

Ein Beispiel

Ein Krankenhaus braucht drei Dinge: Arztbriefe zusammenfassen, Befunde codieren, Anfragen beantworten. Vor 2020 wären das drei Projekte gewesen, jedes mit eigener Datensammlung, eigenem Training, eigenem Team. Heute ist es ein zugekauftes Basismodell und drei unterschiedliche Anweisungen daran. Der Aufwand ist von der Modellentwicklung in die Einbettung gewandert: Welche Daten darf das Modell sehen, wer prüft das Ergebnis, was passiert bei Widerspruch?

Genauer betrachtet

Der Begriff stammt aus einem Stanford-Bericht von 2021 und meint Modelle, die einmal breit trainiert und danach vielfach nachgenutzt werden. Ökonomisch verschiebt das die Kosten: Das Training ist ein einmaliger Großposten, die Anpassung an einen konkreten Fall ist vergleichsweise billig.

Warum das zählt

Foundation Models haben die Kostenstruktur von KI-Vorhaben umgedreht. Der teure Teil ist nicht mehr das Modell, sondern die Integration und die Kontrolle. Für die Beschaffung heißt das: Die Frage „Welches Modell?“ ist selten die wichtigste und fast immer reversibel — Modelle lassen sich austauschen. Die Frage „Wie prüfen wir die Ausgabe, und wo hängt sie an unseren Daten?“ ist die teure und die, die man beim Anbieterwechsel behält. Wer die Reihenfolge vertauscht, kauft Abhängigkeit statt Fähigkeit.

Häufig missverstanden

Breit trainiert heißt nicht überall gleich gut. In Fachdomänen mit wenig öffentlichem Text — Recht, Medizin, interne Abläufe — ist die Grundfähigkeit dünn und muss ergänzt werden.

Nachbarschaft

Verwandte Begriffe

Der Brief.