Large Language Model (LLM)
Definition: Ein Large Language Model ist ein neuronales Netz mit Milliarden Parametern, das auf massiven Textkorpora trainiert wird. Es modelliert Wahrscheinlichkeitsverteilungen über Tokenfolgen und generiert dadurch kontextuell kohärente Sprache. LLMs bilden die technologische Basis für generative KI-Anwendungen wie Chatbots, Code-Assistenten und Retrieval-Augmented-Generation-Systeme.
Architektur und Funktionsprinzip
Die technische Grundlage moderner LLMs bildet die Transformer-Architektur. Ihr Herzstück ist der Selbstaufmerksamkeitsmechanismus (Self-Attention), der es dem Modell erlaubt, die Relevanz jedes Tokens im Eingabekontext relativ zu allen anderen Tokens zu gewichten. Dieser Mechanismus ermöglicht es, über extrem lange Sequenzen hinweg Abhängigkeiten zu modellieren, die bei rekurrenten Architekturen nur schwer zu erfassen waren.
Das Training erfolgt in zwei Phasen. Zunächst lernt das Modell durch selbstüberwachtes Lernen, das nächste Token in einer Sequenz vorherzusagen. In dieser Phase entstehen die grundlegenden Sprachfähigkeiten. Anschließend folgt das Alignment-Training, bei dem das Modell durch Reinforcement Learning aus menschlichem Feedback (RLHF) oder direkte Präferenzoptimierung (DPO) an gewünschte Verhaltensweisen angepasst wird. Die Modellgröße, gemessen in Parametern, korreliert dabei mit emergenten Fähigkeiten: Ab einer bestimmten Skala treten Fertigkeiten wie Few-Shot-Learning oder logisches Schlussfolgern auf, die in kleineren Modellen nicht vorhanden sind.
Ein LLM ist kein Wissensspeicher im klassischen Sinne, sondern ein hochdimensionales Wahrscheinlichkeitsmodell über Sprachmuster. Es reproduziert keine Fakten, sondern generiert die statistisch plausibelste Fortsetzung einer Eingabe.
Kontextualisierung: LLMs im Spannungsfeld unterschiedlicher Fachdomänen
Der Begriff Large Language Model wird domänenübergreifend verwendet, doch die Perspektiven unterscheiden sich erheblich. In der KI-Forschung steht die Modellarchitektur im Vordergrund: Skalierungsgesetze, Effizienzoptimierung und die Frage nach emergenten Fähigkeiten. Hier zählt primär die technische Leistungsfähigkeit, gemessen an Benchmarks wie MMLU oder HumanEval.
Im B2B-SaaS-Kontext verschiebt sich der Fokus. Ein LLM ist hier ein Produktbestandteil, der über API-Aufrufe integriert wird. Entscheidend sind nicht Parameterzahlen, sondern Unit Economics: Kosten pro Token, Latenz, Kontextfenstergröße und die Qualität der Ausgaben im spezifischen Anwendungsfall. Ein Vertriebsleiter bewertet ein LLM danach, ob es die Pipeline Velocity erhöht, etwa durch automatisierte E-Mail-Drafting oder intelligente Gesprächszusammenfassungen.
Im Bereich Legal & Compliance stellt sich eine dritte Frage: LLMs sind probabilistische Systeme, die keine Garantie für faktische Korrektheit bieten. Das Phänomen der Halluzination – das Generieren plausibel klingender, aber falscher Inhalte – ist systemimmanent. Für regulierte Branchen bedeutet dies, dass LLM-Ausgaben stets durch Compliance-Gates und menschliche Prüfinstanzen laufen müssen. Die DSGVO-Bewertung betrifft zudem die Frage, ob personenbezogene Daten an externe Modellanbieter übermittelt werden dürfen.
| Dimension | KI-Forschung | B2B-SaaS | Legal & Compliance |
|---|---|---|---|
| Primärfokus | Architektur & Skalierung | Integration & Unit Economics | Risiko & Haftung |
| Erfolgsmetrik | Benchmark-Scores | ROI & Produktivität | Konformität & Auditierbarkeit |
| Kernrisiko | Bias & Robustheit | Kosten & Vendor-Lock-in | Halluzination & Datenschutz |
Retrieval-Augmented Generation als Praxisbrücke
Die Integration von LLMs in Unternehmenssysteme erfolgt zunehmend über Retrieval-Augmented Generation (RAG). Dieses Muster adressiert zwei zentrale Limitationen: das begrenzte Kontextfenster und die fehlende Aktualität des Trainingswissens. Bei RAG wird die Eingabe des Nutzers zunächst in Vektor-Embeddings überführt und gegen eine Wissensdatenbank abgeglichen. Die relevantesten Dokumente werden abgerufen und dem LLM als zusätzlicher Kontext bereitgestellt.
Dieser Ansatz transformiert das LLM von einem reinen Sprachmodell zu einem faktenbasierten Assistenzsystem. Die Qualität der Antworten hängt nun maßgeblich von der Retrieval-Qualität ab – ein Thema, das in der Praxis oft unterschätzt wird. Chunking-Strategien, Embedding-Modelle und Re-Ranking-Mechanismen bestimmen, ob das System die richtigen Informationen findet. Für B2B-Anwendungen ist RAG besonders relevant, da es ermöglicht, proprietäres Wissen – Produktdokumentationen, Vertriebsplaybooks, Support-Tickets – ohne kostenintensives Fine-Tuning nutzbar zu machen.
Betriebliche und strategische Implikationen
Der Betrieb von LLMs stellt Unternehmen vor grundlegende Architekturentscheidungen. Die Nutzung proprietärer Modelle über APIs bietet schnelle Time-to-Value, erzeugt aber laufende Kosten pro Token und schafft Abhängigkeiten vom jeweiligen Anbieter. Open-Source-Modelle ermöglichen hingegen Deployment in der eigenen Infrastruktur, was Datenschutzanforderungen erleichtert, jedoch erhebliche MLOps-Kompetenz und GPU-Ressourcen erfordert.
Die strategische Dimension betrifft die Frage, wo LLMs echten Mehrwert schaffen. Nicht jede Aufgabe erfordert ein großes Modell. Für Klassifikationsaufgaben oder einfache Extraktionen genügen oft kleinere, spezialisierte Modelle mit geringeren Kosten und niedrigerer Latenz. Eine durchdachte Modellstrategie differenziert daher nach Anwendungsfall: Hochwertige Generierung für kundenorientierte Touchpoints, kompakte Modelle für interne Automatisierung.
Die wirtschaftliche Logik ist eindeutig: Der Wert eines LLM bemisst sich nicht an seiner Parameterzahl, sondern an der Differenz zwischen dem generierten Geschäftswert und den totalen Betriebskosten über den gesamten Lebenszyklus.
Die Einführung von LLMs verändert zudem die Arbeitsweise in Vertrieb und Marketing. Die Erstellung personalisierter Outreach-Sequenzen, die Analyse von Kundengesprächen oder die Generierung von Produktbeschreibungen werden drastisch effizienter. Gleichzeitig entstehen neue Governance-Anforderungen: Wer ist verantwortlich, wenn ein KI-generierter Vertragsentwurf fehlerhaft ist? Welche Prüfprozesse sind notwendig, um Qualität und Compliance zu gewährleisten? Diese Fragen sind nicht rein technischer Natur, sondern erfordern ein Zusammenspiel von Fachabteilungen, Rechtsabteilung und IT.
« Back to Glossary Index