Domain-Specific Models versprechen präzise Ergebnisse bei geringen Kosten. Für IT-Verantwortliche eröffnen sie neue Optionen zwischen generischen LLMs, RAG-Architekturen und souveräner KI.
Generative KI wird immer spezialisierter. Neben großen, generischen Sprachmodellen gewinnen sogenannte Domain-Specific Models, kurz DSMs, an Bedeutung. Das Besondere: Sie werden mit Daten aus einer bestimmten Branche, Funktion oder Prozesswelt trainiert und bringen dieses Domänenwissen direkt in ihren Modellparametern mit.
Damit verändern sich die wirtschaftlichen Rahmenbedingungen für den Einsatz von KI. Sie können Modelle einsetzen, die kleiner, zielgenauer und besser kontrollierbar sind, als allgemeine Parameter. Gartner beschreibt diese Entwicklung mit drei Eigenschaften: DSMs werden smarter, kleiner und souveräner.
Smarter durch Domänenwissen
Ein generisches Large Language Model, kurz LLM, verfügt über breites Allgemeinwissen. Für geschäftskritische Aufgaben reicht dieses jedoch nicht immer aus. In sensiblen Branchen wie dem Gesundheitswesen, der Finanzwirtschaft, dem Energiesektor, dem Rechtswesen oder der Fertigung müssen KI-Systeme Fachbegriffe und branchenspezifische Zusammenhänge zuverlässig verstehen. Fehlerhafte Antworten können dort weitreichende Folgen haben.
Im Gegensatz dazu werden DSMs auf hochspezialisierte Daten trainiert. Das Wissen wird direkt in den Modellparametern verankert. Dadurch können DSMs bei klar umrissenen Aufgaben höhere Genauigkeit und Relevanz erreichen.
Eine Gartner-Fallstudie zeigt die mögliche Größenordnung: Ein Banking-Modell mit 2,5 Milliarden Parametern erreichte in seinem Fachgebiet dieselbe Qualität wie ein generisches Modell mit 70 Milliarden Parametern. In einem weiteren Beispiel senkte ein Telekommunikationsanbieter durch die Feinabstimmung eines Open-Source-Modells auf branchenspezifische Gesprächstranskripte die Kosten um 94 Prozent und verbesserte gleichzeitig die Genauigkeit.
Kleiner heißt wirtschaftlicher
Die finanziellen Vorteile entstehen vor allem im laufenden Betrieb. Je größer ein Modell, desto höher sind typischerweise die Infrastruktur-, Energie- und sogenannten Inferenzkosten – also die Kosten für die Verarbeitung von Anfragen.
Parameteroptimierte DSMs reduzieren diesen Aufwand. Laut Gartner bedeutet das rund 40 Prozent niedrigeren Kosten bei spezialisierten Modellen. In einzelnen Implementierungen wurden zudem bis zu 70 Prozent weniger Energieverbrauch beobachtet. Auch die Latenz sinkt. Ein Vorteil für Betrugserkennung, Netzwerküberwachung oder industrielle Prozessoptimierung.
Souveränität durch kleinere Modelle
Kleinere DSMs lassen sich leichter im eigenen Rechenzentrum, auf unternehmenseigener Infrastruktur oder direkt am Einsatzort betreiben. Das reduziert die Abhängigkeit von zentralen Cloud-Diensten und adressiert Sicherheitsbedenken, die einer KI-Einführung häufig entgegenstehen.
Besonders relevant ist das für regulierte Branchen sowie für Unternehmen aus Gesundheitswesen, Fertigung, Energie und öffentlichem Sektor. Sie erhalten mehr Kontrolle über Daten, Modellversionen, Aktualisierungen und Betriebsumgebung.
DSM, LLM oder RAG?
Die Entscheidung für ein DSM ist keine grundsätzliche Absage an generische LLMs oder Retrieval-Augmented Generation, kurz RAG. Entscheidend ist der Anwendungsfall.
Generische LLMs bleiben sinnvoll, wenn Aufgaben breit gefächert sind oder viele Wissensgebiete abdecken. RAG eignet sich, wenn aktuelle und überprüfbare Fakten aus Dokumenten, Richtlinien oder Datenbanken benötigt werden.
DSMs spielen ihre Vorteile aus, wenn Aufgaben klar abgegrenzt, häufig wiederholt und geschäftskritisch sind. Dazu zählen Predictive Maintenance, Produktionsoptimierung, Qualitätskontrolle, medizinische Analyse, Betrugserkennung oder branchenspezifische Assistenzsysteme.
In der Praxis werden daher häufig Kombinationen entstehen. Ein DSM übernimmt die domänenspezifische Interpretation, während RAG aktuelle Dokumente und Fakten bereitstellt. Bei einem Hersteller medizinischer Geräte wurde laut Gartner ein spezialisiertes Sprachmodell mit RAG und mehrstufiger Vektorsuche kombiniert. Dadurch verkürzte sich die Suche nach regulatorisch relevanten Informationen von Wochen auf sofort verfügbare Ergebnisse. Die Einsparungen lagen bei 300.000 bis 500.000 US-Dollar pro Produktlinie.
Simulation und Governance
Welche Architektur geeignet ist, hängt auch davon ab, wie sich „Wahrheit“ in einem Fachgebiet aktualisiert. In Physik, Chemie, Biologie, Medizin oder Maschinenbau können Simulationen und synthetische Daten kontrollierte Trainingsszenarien erzeugen.
In Recht, Compliance oder gesellschaftlichen Fragestellungen entstehen neue Fakten dagegen durch Gesetze, Urteile und menschliche Entscheidungen. Gartner empfiehlt für diese Bereiche RAG-Architekturen und Human-in-the-Loop-Prozesse.
Auch selbstlernende Modelle können keine neuen, verlässlichen Fakten erzeugen. Deshalb bleiben geprüfte Daten, Drift-Monitoring und klare Governance unverzichtbar.
Welches Modell für welche Aufgabe?
Die Frage lautet nicht mehr nur: Welches ist das leistungsfähigste Modell? Entscheidend ist, welches Modell für eine konkrete Aufgabe den besten wirtschaftlichen Wert liefert.
Für klar definierte, volumenstarke und geschäftskritische Prozesse können DSMs die bessere Wahl sein als große generische LLMs. Sie verbinden spezialisiertes Wissen mit geringeren Kosten, niedrigerer Latenz und größerer Kontrolle.
Die Zukunft gehört daher hybriden Modellnetzwerken: kleinere Spezialmodelle für einzelne Aufgaben, generische Modelle für breite Kommunikation, RAG für aktuelle Fakten und Orchestrierung für die Zusammenarbeit. Wer diese Architektur an den eigenen Geschäftsprozessen ausrichtet, kann KI vom teuren Experiment zum skalierbaren Wirtschaftsfaktor entwickeln.
