Vortrainierte Sprachmodelle (Foundation Models) verstehen Texte, Tabellen, Dokumente und Bilder. Sie können sehr große Datenmengen auf einmal verarbeiten. Statt für jede Aufgabe ein eigenes Modell zu trainieren, beschreibt man die Aufgabe in natürlicher Sprache. Das Modell analysiert, fasst zusammen, klassifiziert oder schreibt Code.
Stand: Oktober 2026
KI 2026: Von Prognosemodellen zu KI-Agenten
Als wir an dieser Stelle zuletzt über künstliche Intelligenz geschrieben haben, ging es um Python-Bibliotheken wie TensorFlow, Keras oder Scikit-learn. Daraus hat man selbst Modelle gebaut und trainiert. Diese Werkzeuge gibt es weiterhin. Die Art, wie Unternehmen KI einsetzen, hat sich seitdem aber grundlegend verändert.
Große Sprachmodelle als Allzweck-Werkzeug
Reasoning-Modelle
Neuere Modelle „denken“ vor ihrer Antwort in mehreren Schritten nach. Sie zerlegen Probleme, prüfen Zwischenergebnisse und korrigieren sich selbst. Das verbessert die Ergebnisse dort, wo es auf Genauigkeit ankommt, nämlich bei Berechnungen, Datenanalysen und Programmierung.
KI-Agenten
Der größte Schritt: KI antwortet nicht mehr nur, sie handelt. Agenten nutzen Werkzeuge. Sie fragen Datenbanken ab, führen Code aus, lesen und schreiben Dateien und bedienen Webanwendungen. So erledigen sie mehrstufige Aufgaben weitgehend selbstständig. Offene Standards wie das Model Context Protocol (MCP) verbinden Agenten sicher mit den Systemen eines Unternehmens.
Foundation Models für Zeitreihen
Auch für Prognosen gibt es inzwischen vortrainierte Modelle, etwa Chronos (Amazon) oder TimesFM (Google). Sie liefern ohne aufwendiges Training brauchbare Vorhersagen für Absatz, Bestände oder Frachtraten. In der Praxis kombinieren wir sie mit klassischen statistischen Verfahren und fachlichem Wissen. So schlagen sie das reine Bauchgefühl deutlich.
Wissen aus eigenen Daten (RAG)
Mit Retrieval-Augmented Generation greift ein Modell vor der Antwort auf die eigenen Dokumente, Verträge oder Datenbanken eines Unternehmens zu. Die Antworten beruhen dann auf belegbaren, aktuellen Informationen statt auf allgemeinem Trainingswissen. Das ist die Voraussetzung für verlässliche Assistenten im Unternehmensalltag.
Aus der Praxis: Diese Website
Ein Beispiel aus unserem eigenen Haus: Für den Umzug dieser Website von WordPress auf einen eigenen Server haben wir Claude eingesetzt, das KI-Modell von Anthropic, als Agent mit Zugriff auf Projektordner und Kommandozeile.
Claude hat die bestehende Seite in beiden Sprachen ausgelesen und ihre Struktur analysiert. Daraus hat es eine schlanke statische Website ohne Content-Management-System gebaut, mit Build-Skript, Server-Konfiguration und Weiterleitungen aller alten Adressen. Dabei hat es auch Fehler der alten Seite gefunden und behoben, etwa eine Endlosschleife in den Links. Auch der erste Entwurf dieses Artikels stammt von Claude.
Die Entscheidungen haben wir getroffen: Was bleibt, was fällt weg, wie der Server aussieht. Genau so sehen wir den sinnvollen Einsatz von KI: Sie übernimmt die Fleißarbeit, der Mensch behält die Kontrolle über Ziel und Ergebnis.
Was sich nicht geändert hat
Bei allem Fortschritt gelten die Grundlagen unserer Methodik weiter. Am Anfang steht ein klar definiertes Ziel, dann kommen die richtigen Daten. Die Ergebnisse müssen messbar sein. Ein Sprachmodell ersetzt keine saubere Datenbasis. Es macht sie aber schneller nutzbar als je zuvor.