Große Sprachmodelle: Ein Leitfaden zur Modellauswahl für Unternehmen

Bei der Arbeit mit KI-Tools wie ChatGPT, Gemini und Grok sollte die erste Frage nicht lauten, welches das beste ist, sondern für welche Aufgabe es eingesetzt werden soll. Einen Präsentationsentwurf zu erstellen, einen langen Text zu beurteilen und visuelle Inhalte zu bearbeiten, erfordert jeweils unterschiedliche Fähigkeiten. Bei X Mind Solutions empfehlen wir, bei der Modellauswahl zunächst den geschäftlichen Bedarf zu definieren, statt sich an der Beliebtheit eines Tools zu orientieren. Der richtige Ausgangspunkt ist, das erwartete Ergebnis und das akzeptable Qualitätsniveau klar festzulegen.

Große Sprachmodelle, auch LLMs genannt, sind KI-Modelle, die anhand umfangreicher Textdatensätze trainiert werden und mithilfe sprachlicher Muster Antworten erzeugen. Sie lassen sich für Aufgaben wie Texterstellung, Zusammenfassung, Beantwortung von Fragen und redaktionelle Bearbeitung einsetzen. Eine flüssig formulierte Antwort bedeutet jedoch nicht automatisch, dass die Informationen korrekt sind. Insbesondere im Unternehmenseinsatz müssen erstellte Texte, Analysen und Empfehlungen überprüft werden. Bei der Bewertung eines Modells kommt es nicht nur darauf an, was es schreiben kann, sondern auch darauf, wie gut sich seine Ergebnisse verifizieren lassen.

Eine Version bezeichnet einen bestimmten Entwicklungsstand eines Modells oder eine Variante mit unterschiedlichen Fähigkeiten. Namen wie GPT-4 und GPT-4o machen diesen Unterschied sichtbar; die Benennungsregeln sind jedoch nicht bei allen Anbietern gleich. Das „o“ in GPT-4o steht für „omni“ und beschreibt einen Ansatz, der mit unterschiedlichen Datentypen wie Text, Bildern und Audio arbeiten kann. Welche Funktionen Nutzern zur Verfügung stehen, kann je nach Produkt und Zugangsbedingungen variieren.

Bei der Modellauswahl müssen Geschwindigkeit, Kosten und die Komplexität der Aufgabe gemeinsam betrachtet werden. Eine Option, die sich zum Umformulieren eines kurzen Textes eignet, ist für eine detaillierte Codeprüfung möglicherweise nicht im gleichen Maße ausreichend. Bezeichnungen wie Mini oder Turbo kennzeichnen in manchen Modellfamilien unterschiedliche Leistungs- und Kostenoptionen; für sich genommen sind sie keine Qualitätsgarantie. Auch Modi, die stärker auf vertieftes Schlussfolgern ausgerichtet sind, sollten nicht standardmäßig für jede Aufgabe eingesetzt, sondern dort erprobt werden, wo sie tatsächlich benötigt werden.

Bei Aufgaben mit Bildern und Audio reicht es nicht aus, allein die Qualität der Texterstellung zu betrachten. Bei der Bewertung von Optionen wie Gemini oder GPT-4o sollte geprüft werden, ob die verwendete Version den benötigten Datentyp unterstützt. Ebenso sollten bei der Suche nach aktuellen Informationen mit Tools wie Grok das Datum und die Richtigkeit der herangezogenen Quellen geprüft werden. Der Zugang zu aktuellen Informationen sollte nicht aus dem Modellnamen abgeleitet werden, sondern anhand der Anbindungen und Funktionen des verwendeten Tools beurteilt werden.

Ein praktischer Weg, verschiedene Modelle zu vergleichen, besteht darin, jedem dieselben Arbeitsbeispiele mit denselben Anweisungen vorzulegen. Bei einem Präsentationsentwurf können Sie die Verständlichkeit der Darstellung, bei einer Analyse die Schlüssigkeit der Begründungen und bei einer Programmieraufgabe die Funktionsfähigkeit der erzeugten Lösung bewerten. Betrachten Sie Antwortzeit, Nutzungskosten und den erforderlichen Korrekturaufwand gemeinsam. So entwickeln Sie einen Ansatz, der für jede Aufgabe die passende Option ermittelt und bei veränderten Anforderungen erneut überprüft werden kann, statt aus Gewohnheit an einem einzigen Modell festzuhalten.