Fine-Tuning ist das gezielte Nachtrainieren eines fertigen KI-Modells mit zusätzlichen, eigenen Beispieldaten. Statt eine KI von Grund auf zu bauen — was riesige Rechenpower und Datenmengen bräuchte —, nimmt man ein vorhandenes Modell und feilt es für einen bestimmten Zweck nach.

Das Bild dahinter

Der Vergleich mit einem Menschen trifft es ganz gut: Ein studierter Allrounder kann schon viel. Gibt man ihm ein paar Wochen Einarbeitung in eine spezielle Firma, kennt er danach deren Fachbegriffe, Tonfall und Abläufe. Beim Fine-Tuning zeigt man dem Modell Hunderte oder Tausende Beispiele, wie eine gute Antwort in einem bestimmten Fall aussieht.

Wofür man es nutzt

Typisch ist ein einheitlicher Stil oder Fachbereich. Ein Kundenservice-Modell soll immer im freundlichen Firmen-Ton antworten. Ein Modell in der Medizin soll Fachsprache korrekt verwenden. Solche Feinheiten bringt man über passende Beispieldaten bei.

Wichtig ist die Abgrenzung zu anderen Methoden. Braucht die KI nur aktuelles Wissen — etwa deinen Produktkatalog —, ist oft eine Wissensdatenbank (RAG) günstiger und flexibler als Fine-Tuning. Und für einfache Aufgaben reicht meist schon ein gut geschriebener Prompt. Fine-Tuning lohnt vor allem, wenn ein bestimmtes Verhalten oder ein Stil zuverlässig und immer gleich herauskommen soll. Ein Beispiel: Ein Verlag trainiert ein Modell mit vielen eigenen, redigierten Texten nach, damit Entwürfe von vornherein in der Hausstimme klingen. Der Aufwand ist höher als ein Prompt, das Ergebnis dafür konstanter.