Unternehmens-KI hat jahrelang nach Skalierung gestrebt. Größere Modelle, mehr Parameter, größere Datensätze und höhere Rechenleistung wurden zum Synonym für Fortschritt. Doch Unternehmen stellen sich nun eine praxisnähere Frage: Benötigt jede KI-Aufgabe wirklich das größte verfügbare Modell?
Oft ist das nicht der Fall.
Kleine Sprachmodelle (SLMs) eröffnen neue Wege. Sie sind mit weniger Parametern ausgestattet und oft für spezifische Aufgaben oder Domänen optimiert. Dadurch können sie künstliche Intelligenz näher an Anwendungen, Geräte und Unternehmensumgebungen bringen. Für Organisationen, die KI-Softwarelösungen entwickeln, könnte sich die Frage von „Wie leistungsstark ist das Modell?“ zu „Wie effizient löst es das Geschäftsproblem?“ verschieben
KI-Softwarelösungen benötigen möglicherweise nicht überall maximale Intelligenz
Unternehmensweite Arbeitsabläufe erfordern selten ein einzelnes Modell, das alles weiß. Die meisten benötigen KI, um eine definierte Aufgabe zuverlässig, schnell und innerhalb der betrieblichen Rahmenbedingungen auszuführen.
Diese Unterscheidung schafft Raum für kleinere Modelle.
Spezialisierte Intelligenz kann allgemeine Intelligenz übertreffen
Stellen Sie sich ein KI-System vor, das Support-Tickets kategorisiert, Informationen aus Rechnungen extrahiert, interne Dokumente zusammenfasst, Techniker unterstützt oder Fragen zu Unternehmensrichtlinien beantwortet. Diese Aufgaben bewegen sich innerhalb relativ enger Grenzen.
Anstatt ein umfassendes, universelles Modell einzusetzen, können Unternehmen kleinere Modelle anhand spezifischer Terminologie, Arbeitsabläufe und Datensätze trainieren, optimieren oder anpassen. Ein gut konzipiertes SLM benötigt kein enzyklopädisches Wissen, wenn seine eigentliche Aufgabe darin besteht, die Produkte oder Prozesse einer Organisation zu verstehen.
Der Wettlauf um KI in Unternehmen könnte sich daher von der Suche nach dem intelligentesten Modell hin zur Suche nach der passenden Intelligenz für jeden Arbeitsablauf verlagern.
Die Ökonomie der KI beginnt anders auszusehen
Die Kosten von KI beschränken sich nicht nur auf den Zugriff auf ein Modell. Jede Inferenz verbraucht Rechenressourcen. Wenn eine Anwendung Tausende oder Millionen von Interaktionen verarbeitet, können scheinbar geringe Unterschiede im Rechenbedarf zu wichtigen Betriebsfaktoren werden.
SLMs benötigen potenziell weniger Rechenleistung und Speicherplatz, was sie für umfangreiche oder wiederkehrende Unternehmensworkloads attraktiv macht.
Dies ist relevant, wenn Unternehmen KI in Kundenservice, Betrieb, Finanzen, Personalwesen, Entwicklung und anderen Bereichen integrieren möchten. Wenn jede Interaktion eine umfangreiche Infrastruktur erfordert, kann die Skalierung von KI-Softwarelösungen finanziell und operativ schwierig werden.
Kleinere Modelle bieten Architekten eine weitere Option: Größere Modelle können für komplexe Schlussfolgerungen reserviert werden, während einfachere Aufgaben an effizientere Systeme weitergeleitet werden.
Die Zukunft könnte ein Portfolio von Modellen sein
Das führt zu einer anderen Unternehmensarchitektur. Anstatt sich zwischen einem „LLM“ und einem „SLM“ zu entscheiden, können Unternehmen je nach Aufgabe mehrere Modelle orchestrieren.
Ein kleineres Modell könnte eingehende Anfragen klassifizieren. Ein anderes spezialisiertes Modell könnte Unternehmensinformationen abrufen. Ein größeres Modell könnte komplexe Schlussfolgerungen nur bei Bedarf ziehen. Regeln und Governance-Ebenen könnten festlegen, welches Modell welche Arbeitslast erhält.
Dieser Ansatz betrachtet KI-Modelle als Ressourcen, die es zu orchestrieren gilt, anstatt als Plattformen, um die man sich blindlings standardisieren sollte.
Datenschutz könnte die Informationsgewinnung näher an das Geschäft rücken
Bestimmte Unternehmensdaten sollten nicht ungehindert zwischen Systemen übertragen werden. Finanzdaten, geistiges Eigentum, Kundeninformationen, Betriebsdaten und interne Kommunikation erfordern unter Umständen strengere Kontrollen. Kleinere Modelle bieten möglicherweise mehr Flexibilität beim Einsatz in privaten Cloud-Umgebungen, On-Premise-Infrastrukturen oder sogar auf Edge-Geräten.
Das kann Unternehmen dabei helfen, bestimmte Workloads näher am Datenursprung zu halten. Für Branchen mit strengen Anforderungen an Sicherheit, Latenz oder Konnektivität könnte diese Flexibilität bei der Bereitstellung genauso wichtig werden wie die Modellleistung.
Geschwindigkeit ist entscheidend, wenn KI auf reale Arbeit trifft
KI in Unternehmen kommt zunehmend in Arbeitsabläufen zum Einsatz, in denen Benutzer sofortige Reaktionen erwarten.
Fertigungssysteme, Außendienstanwendungen, mobile Geräte, eingebettete Systeme und kundenorientierte Tools tolerieren möglicherweise keine unnötigen Latenzzeiten.
Da kleinere Modelle weniger Rechenressourcen benötigen, eignen sie sich für Szenarien, in denen eine schnellere Inferenz wichtig ist. Der Einsatz am Netzwerkrand kann zudem die Abhängigkeit von einer ständigen Cloud-Verbindung in bestimmten Anwendungsfällen verringern.
Das Ergebnis ist eine KI, die sich weniger wie ein separates Ziel anfühlt, sondern eher wie eine unsichtbare Schicht innerhalb alltäglicher Software.
Klein bedeutet nicht automatisch besser
SLMs bringen weiterhin Kompromisse mit sich. Komplexe Schlussfolgerungen, umfassende Wissensaufgaben, anspruchsvolle Inhaltsgenerierung und mehrdeutige Problemstellungen erfordern unter Umständen größere Modelle. Kleinere Modelle benötigen zudem geeignete Trainingsdaten, Evaluierung, Sicherheitskontrollen, Überwachung und Governance.
Ziel ist es nicht, große Sprachmodelle zu ersetzen, sondern deren standardmäßige Verwendung zu beenden.
LESEN SIE AUCH: 7 Engpässe im maschinellen Lernen, die automatisiertes maschinelles Lernen beseitigen kann
Angepasste KI könnte zum Wettbewerbsvorteil für Unternehmen werden
Die nächste Phase der KI in Unternehmen wird sich möglicherweise nicht um die Entwicklung immer größerer Modelle drehen. Vielmehr könnte es darum gehen, die richtige Intelligenz der richtigen Arbeitslast zuzuordnen.
Für KI-Softwarelösungen schaffen SLMs Möglichkeiten, die Effizienz zu steigern, Modelle auf Geschäftsbereiche zu spezialisieren, die Bereitstellungskontrolle zu stärken und KI näher an operative Arbeitsabläufe heranzuführen.
Große Modelle werden für viele komplexe Aufgaben weiterhin unerlässlich sein. Unternehmen, die lernen, große und kleine Modelle intelligent zu kombinieren, könnten jedoch etwas Wertvolleres als reine KI-Leistung gewinnen: eine nachhaltige KI-Ökonomie.
Im Bereich der Unternehmenssoftware ist das erfolgreichste Modell möglicherweise nicht immer das größte. Es ist unter Umständen einfach dasjenige, das genau das Nötigste leistet.
