Fine-Tuning
Definition
Fine-Tuning ist ein zusätzliches Training, das ein bestehendes KI-Modell mit deinen eigenen Beispielen anpasst, damit es einen bestimmten Stil, ein Format oder eine Aufgabe lernt. Es verändert das Modell selbst. Ein Prompt oder eine Dokumentensuche ändert nur, was das Modell bei einer Anfrage sieht.
Von Ronan Liedmeier, Fractional Head of Growth und Kursautor · Veröffentlicht 17. Oktober 2026 · Zuletzt aktualisiert 17. Oktober 2026
Auch genannt: Feinabstimmung, Finetuning
Die meisten Teams sollten zuerst günstigere Lösungen probieren. Ein besserer Prompt mit ein paar Beispielen oder ein Retrieval-Schritt löst die meisten Probleme mit weniger Geld und Aufwand. Fine-Tuning lohnt sich, wenn du dasselbe eng umrissene Verhalten tausendfach brauchst und Prompting allein immer wieder danebenliegt.
Der Unterschied zu RAG
Retrieval-Augmented Generation gibt dem Modell passende Dokumente in dem Moment, in dem es antwortet. Fine-Tuning prägt dem Modell Muster vorab ein, über einen Trainingslauf mit Paaren aus Beispiel-Eingaben und freigegebenen Ausgaben.
Deshalb passen die beiden zu unterschiedlichen Aufgaben. Retrieval eignet sich für Fakten, die sich ändern oder eine Quelle brauchen, etwa Preislisten und Richtlinien. Fine-Tuning eignet sich für Verhalten: ein festes Ausgabeformat, den Ton deines Unternehmens oder eine Klassifizierung mit deinen eigenen Kategorien.
Beispiel
Ein Onlinehändler hat ein paar tausend alte Support-Tickets. Jedes davon hat ein Mitarbeiter einem der 12 Kontaktgründe des Unternehmens zugeordnet. Ein allgemeines Modell mit gutem Prompt ordnet die meisten richtig zu, erfindet aber immer wieder neue Kategorien. Ein kleineres Modell, per Fine-Tuning mit den zugeordneten Tickets trainiert, lernt genau diese Liste. Bevor das Team umstellt, testet es das Modell an einem eigenen Stapel Tickets, die nicht im Training waren.
Häufiger Fehler
Ein Modell auf die Firmen-FAQ oder den Produktkatalog trainieren, damit es das Geschäft „kennt“. Der Katalog ändert sich im nächsten Quartal, das Modell antwortet weiter aus der alten Version, und es gibt keine Quelle, an der du die Antwort prüfen kannst. Dieses Wissen gehört in den Prompt oder hinter einen Retrieval-Schritt.
In AI Academy lernen
- RAG: Wann es die richtige Lösung istExperte · 9 Min.
- Das Adoption-PlaybookExperte · 9 Min.
Verwandte Begriffe
- Retrieval-Augmented Generation (RAG)
- Retrieval-Augmented Generation (RAG) ist ein Verfahren, mit dem ein KI-Modell aus deinen eigenen Dokumenten antwortet. Zuerst findet eine Suche die Textstellen, die zur Frage passen, dann schreibt das Modell seine Antwort auf Basis dieser Stellen.
- Few-Shot-Prompting
- Few-Shot-Prompting ist eine Technik, bei der du einem KI-Modell direkt im Prompt ein paar Beispiele für Eingabe und gewünschte Ausgabe gibst, damit es dem Muster folgt. Das Modell übernimmt Format und Stil sofort aus den Beispielen, ohne neues Training.
- Prompt Engineering
- Prompt Engineering ist das Schreiben und Testen der Anweisungen, die du einem KI-Modell gibst, damit es verlässlich brauchbare Ergebnisse liefert. Im Alltag heißt das: klare Briefings. Für Teams mit KI im Produktivbetrieb heißt es: Prompts wie Code versionieren und testen.
- KI-Eval (Evaluation)
- Ein KI-Eval (Evaluation) ist ein wiederholbarer Test, der prüft, ob ein KI-Prompt oder Workflow gute Antworten liefert: Er läuft mit festen Eingaben, und die Ausgaben werden nach vereinbarten Kriterien bewertet. So wird aus „scheint zu passen“ eine Punktzahl, die du vergleichen kannst.