Foundation Model (Basismodell)

Früher bekam jede KI-Aufgabe ein eigenes Modell, etwa für Übersetzung oder Bilderkennung. Ein Foundation Model kehrt das um. Es lernt einmal sehr breit, meist aus riesigen Mengen an Text, Bildern oder Programmcode, und dient danach als gemeinsame Grundlage für viele Anwendungen. Mehr als hundert Forschende um Rishi Bommasani an der Stanford University prägten den Begriff 2021. Sie beschreiben Foundation Models als Modelle, die auf breiten Daten in großem Maßstab trainiert wurden und sich an eine Vielzahl nachgelagerter Aufgaben anpassen lassen.

Der Name ist bewusst gewählt: Ein Fundament ist zentral, für sich aber unvollständig. Bekannte Beispiele sind die Modellfamilien hinter ChatGPT, Claude, Gemini, Llama oder Mistral, außerdem Bildmodelle und Modelle, die Text, Bild und Ton zugleich verarbeiten. Technisch sind Foundation Models große neuronale Netze, die meisten beruhen auf der 2017 vorgestellten Transformer-Architektur. Im Deutschen heißen sie auch Basismodelle; die KI-Verordnung der EU spricht von KI-Modellen mit allgemeinem Verwendungszweck.

Für Unternehmen ist der Begriff wichtig, weil fast jedes KI-Werkzeug, das heute eingekauft wird, auf einem Foundation Model eines großen Herstellers aufsetzt. Wer das Werkzeug kauft, kauft dessen Stärken und Schwächen mit. Die Wahl des Modells, die Bindung an einen Anbieter und die Art der Anpassung gehören deshalb in jede Entscheidung über ein KI-Vorhaben.

So entsteht ein Foundation Model.

Ein Foundation Model entsteht in zwei Phasen. Im Vortraining lernt es aus sehr großen, meist unbeschrifteten Datenmengen. Die Aufgabe stellt sich das Training selbst: Das Modell sagt das nächste Wort eines Textes voraus oder ergänzt verdeckte Teile eines Bildes. Dieses selbstüberwachte Lernen kommt ohne von Menschen markierte Beispiele aus und lässt sich deshalb auf riesige Datenmengen ausdehnen. Das Modell lernt so Sprache, Fakten und Muster, die für viele spätere Aufgaben nützlich sind.

Das Vortraining ist der teure Teil. Es braucht Rechenzentren mit sehr vielen Grafikprozessoren und ist deshalb wenigen Herstellern vorbehalten. In der zweiten Phase wird das Modell nachtrainiert, damit es Anweisungen befolgt, hilfreich antwortet und bestimmte Inhalte verweigert. Erst danach taugt es als Assistent oder Baustein.

Bommasani und Kollegen nennen zwei Eigenschaften, die solche Modelle prägen. Durch ihre Größe zeigen sie Fähigkeiten, für die sie nicht gezielt trainiert wurden; die Autoren nennen das Emergenz. Und weil viele Anwendungen auf dasselbe Modell zurückgreifen, erben alle dessen Schwächen. Diese Vereinheitlichung, in der Studie Homogenisierung genannt, macht die Modellwahl zu einer Entscheidung mit großer Reichweite.

Vom Grundmodell zur Anwendung.

Ein Foundation Model ist ein Rohstoff, kein fertiges Werkzeug. Für eine bestimmte Aufgabe gibt es vier Wege, es nutzbar zu machen, und sie lassen sich kombinieren.

Der einfachste ist die Anweisung im Prompt: Das Modell bekommt Aufgabe, Regeln und ein paar Beispiele direkt mitgeliefert. Die Arbeit zu GPT-3 von 2020 zeigte, dass große Modelle neue Aufgaben aus wenigen Beispielen im Prompt lösen können, ohne dass ihre Gewichte verändert werden. Der zweite Weg ist Retrieval-Augmented Generation (RAG): Eine Suche holt vor jeder Antwort passende Dokumente aus dem eigenen Bestand und gibt sie dem Modell mit. So arbeitet es mit aktuellem und internem Wissen, das es im Vortraining nie gesehen hat.

Drittens lässt sich das Modell per Fine-Tuning mit eigenen Beispielen weitertrainieren, um Format, Stil oder ein bestimmtes Verhalten zu festigen. Viertens kann eine Anwendung das Modell mit Werkzeugen wie Datenbanken oder Schnittstellen verbinden, sodass es Aufgaben in mehreren Schritten erledigt.

Die Reihenfolge in der Praxis folgt dem Aufwand: zuerst Anweisung und Quellenzugriff, Fine-Tuning erst, wenn beides nicht genügt. Ein eigenes Vortraining ist für fast alle Unternehmen weder nötig noch bezahlbar.

Foundation Model, LLM und KI-Modell im Vergleich.

Ein KI-Modell ist allgemein das Ergebnis eines Trainings: eine Datei mit gelernten Parametern, die aus einer Eingabe eine Ausgabe berechnet. Das kann ein kleines Prognosemodell für eine einzige Maschine sein. Ein Foundation Model ist ein besonderes KI-Modell, breit vortrainiert und für viele Aufgaben anpassbar. Hinter dem Wort KI-Modell kann im Gespräch also ein kleines Spezialmodell stecken oder ein großes Sprachmodell; es lohnt sich nachzufragen.

Ein großes Sprachmodell (LLM) ist ein Foundation Model für Text. Foundation Models gibt es daneben für Bilder, Audio, Programmcode oder Zeitreihen, und viele aktuelle Modelle verarbeiten mehrere Datenarten zugleich; sie heißen multimodal. Jedes große Sprachmodell ist damit ein Foundation Model, aber nicht jedes Foundation Model ist ein Sprachmodell.

Ebenso wichtig ist die Trennung von Modell und Anwendung. ChatGPT, Claude.ai oder Microsoft Copilot sind Anwendungen mit Oberfläche, Rechteverwaltung und Zusatzfunktionen; darunter arbeiten ein oder mehrere Foundation Models. Die KI-Verordnung trifft dieselbe Unterscheidung: Nach Erwägungsgrund 97 sind KI-Modelle für sich genommen keine KI-Systeme, erst weitere Bestandteile wie eine Nutzerschnittstelle machen sie dazu.

Was die KI-Verordnung regelt.

Die KI-Verordnung der EU (AI Act) verwendet den Begriff Foundation Model nicht. Artikel 3 Nummer 63 definiert KI-Modelle mit allgemeinem Verwendungszweck: Modelle mit erheblicher allgemeiner Verwendbarkeit, die ein breites Spektrum unterschiedlicher Aufgaben kompetent erfüllen und in viele nachgelagerte Systeme integriert werden können, ausdrücklich auch solche, die mit großen Datenmengen unter umfassender Selbstüberwachung trainiert wurden. Die Leitlinien der EU-Kommission vom Juli 2025 nennen als Richtwert mehr als 10²³ Gleitkommaoperationen im Training bei Modellen, die Sprache, Bilder oder Videos erzeugen.

Artikel 53 verpflichtet die Anbieter solcher Modelle zu technischer Dokumentation für die Behörden, zu Informationen für Unternehmen, die das Modell in eigene Systeme einbauen, zu einer Strategie für das Urheberrecht und zu einer öffentlichen Zusammenfassung der Trainingsinhalte. Für frei und quelloffen bereitgestellte Modelle entfallen die ersten beiden Pflichten. Modelle mit systemischem Risiko, vermutet ab mehr als 10²⁵ Gleitkommaoperationen (Artikel 51), haben nach Artikel 55 zusätzliche Pflichten wie Angriffstests und die Meldung schwerwiegender Vorfälle.

Die Pflichten gelten seit dem 2. August 2025, die Durchsetzungsbefugnisse der Kommission seit dem 2. August 2026; Modelle, die schon vorher auf dem Markt waren, müssen bis zum 2. August 2027 nachziehen (Stand November 2026). Ein freiwilliger Verhaltenskodex vom Juli 2025 beschreibt, wie Anbieter die Pflichten erfüllen können.

Was das für Unternehmen bedeutet, die Modelle nutzen.

Die meisten Unternehmen bieten kein Foundation Model an, sie nutzen eines: über die Programmierschnittstelle eines Herstellers, über eine Cloud-Plattform oder als frei verfügbares Modell auf eigener Hardware. Die Modellpflichten aus Artikel 53 treffen sie dann in der Regel nicht. Wer ein Modell verändert oder nachtrainiert, wird nach den Erläuterungen der Kommission zu ihren Leitlinien nur in Ausnahmefällen selbst zum Modellanbieter, nämlich wenn dafür mehr als ein Drittel der ursprünglichen Trainingsrechenleistung eingesetzt wird.

Andere Pflichten bleiben. Wer ein KI-System auf Basis eines Foundation Models baut oder einsetzt, unterliegt den Regeln für KI-Systeme, etwa zur KI-Kompetenz der Beschäftigten, zur Transparenz gegenüber Nutzern und gegebenenfalls zu Hochrisiko-Anwendungen. Dazu kommen Datenschutz, Urheberrecht und die Verträge mit dem Anbieter.

Nützlich sind dabei die Informationen, die Modellanbieter nach Artikel 53 für nachgelagerte Anbieter bereitstellen müssen; sie sollen Fähigkeiten und Grenzen des Modells verständlich machen. Es lohnt sich, sie beim Einkauf anzufordern und mit der geplanten Aufgabe abzugleichen, bevor ein Werkzeug in den Betrieb geht.

Worauf es bei Auswahl und Betrieb ankommt.

Weil viele Anwendungen auf wenigen Modellen aufsetzen, hat die Modellwahl Folgen. Ein schwaches Modell schwächt alles, was darauf aufbaut, und ein Wechsel des Herstellers wird teuer, wenn Anwendungen fest an dessen Schnittstelle gebunden sind. Gute Umsetzungen trennen deshalb Anwendung und Modell: Eine Zwischenschicht nimmt die Anfragen entgegen und leitet sie an das jeweils passende Modell weiter. So lässt sich ein Modell austauschen, ohne jede Anwendung umzubauen, und die Kosten je Aufruf werden sichtbar.

Bei der Auswahl helfen fünf Prüfpunkte: die Leistung bei der eigenen Aufgabe, gemessen an echten Beispielen statt an allgemeinen Ranglisten; der Ort der Datenverarbeitung und die Frage, ob Eingaben ins Training des Herstellers fließen; die Kosten eines typischen Vorgangs, abgerechnet in Token; die Laufzeit einer Modellversion und die Ankündigung von Wechseln; die Dokumentation zu Fähigkeiten und Grenzen.

Größer ist nicht automatisch besser. Für einfache Aufgaben wie das Einordnen von Anfragen reichen oft kleinere, günstigere Modelle. Und jedes Foundation Model kann überzeugend klingende Fehler erzeugen. Wer ein Ergebnis weitergibt, muss es vorher prüfen.

Die Grenze des Begriffs

Foundation Model beschreibt, wie ein Modell entstanden ist und wofür es sich eignet, nicht, wie gut es eine Aufgabe löst. Ein KI-Modell für eine einzige Aufgabe, etwa eine Absatzprognose, ist kein Foundation Model; ein großes Sprachmodell ist eine Unterart. Abzugrenzen ist der Begriff auch von der Anwendung, die darauf aufsetzt, etwa einem Chatbot, und vom Rechtsbegriff des KI-Modells mit allgemeinem Verwendungszweck, der sich weitgehend, aber nicht vollständig mit dem Fachbegriff deckt.