AI Models: Definition, Modell-Familien und Abgrenzung

AI Models (KI-Modelle) ist der Sammelbegriff für alle trainierten Modelle, die in einer KI-Anwendung den denkenden, erzeugenden oder bewertenden Kern bilden. Darunter fallen klassische statistische Modelle (etwa zur Vorhersage von Umsatzzahlen), neuronale Netze (nach dem Vorbild vernetzter Nervenzellen aufgebaute Rechenmodelle) und Foundation Models (breit vortrainierte Modelle wie GPT-4 oder Llama, die viele Aufgaben abdecken). Der Begriff fasst also mehrere Modell-Familien mit unterschiedlichen Bauweisen und Einsatz-Profilen zusammen.

Was ist ein AI Model?

Ein AI Model ist eine Rechenvorschrift, die aus Beispieldaten gelernt hat. Man füttert es mit einer Eingabe (etwa einem Text, einem Bild, einer Tabellenzeile oder einer Audio-Aufnahme) und bekommt eine Ausgabe zurück: eine Kategorie („diese E-Mail ist Spam"), eine Wahrscheinlichkeit („85 Prozent Kaufabschluss"), eine Zahlenreihe, einen erzeugten Satz oder ein neues Bild. Die eigentliche Lernphase heißt Training und stellt die inneren Stellschrauben (Parameter) des Modells ein. Die Architektur (der zugrunde liegende Algorithmus) legt fest, auf welchem Weg die Eingabe durch das Modell zur Ausgabe wird.

Zwei Trainings-Paradigmen prägen die heutige Landschaft. Klassische supervised- und unsupervised-Modelle wie Regression, Random Forest, XGBoost oder Clustering werden pro Aufgabe auf strukturierten Daten trainiert und liefern eine eng zugeschnittene Ausgabe. Foundation Models werden dagegen auf sehr breiter Datenmenge selbstüberwacht vortrainiert und lassen sich anschließend für viele Aufgaben verwenden, teils ohne weiteres Training, teils mit Fine-Tuning oder Prompt-Anpassung. Die Trennlinie bezeichnet Bommasani et al. (2021, Stanford CRFM) als Übergang von aufgaben-spezifischen zu aufgaben-offenen Modellen.

Der Begriff „AI Model" fasst mehrere Familien zusammen. Sprachmodelle (Large Language Models, Small Language Models, Reasoning Models mit Test-Time-Compute), Embedding Models für Vektor-Repräsentationen, Reranker für Trefferbewertung, Multimodal Models für Text, Bild und Audio in einem Modell, Image- und Video-Generatoren, Audio-Modelle sowie klassische analytische Modelle für Prognose, Klassifikation und Anomalie-Erkennung. Jede Familie hat eigene Metriken, Trainings-Kosten und Update-Zyklen.

Das Modell ist die kleinste austauschbare Einheit im Stack. KI-Anwendungen wie Wissensassistenten, Retrieval-Augmented-Generation-Pipelines oder AI Agents sind Kompositionen, in denen mehrere AI Models als Bausteine sitzen. Berkeley AI Research beschreibt diese Ebene 2024 als Compound AI Systems: nicht das einzelne Modell, sondern die Komposition aus Modellen, Werkzeugen und Programmen bestimmt das Verhalten der Anwendung.

Abgrenzung zu Algorithmus, Foundation Model, LLM und AI Agent

Im Sprachgebrauch werden mehrere Ebenen häufig vermischt. Die relevanten Trennlinien:

Begriff	Rolle	Verhältnis zu AI Model
Algorithmus	Mathematischer Bauplan (Transformer, Random Forest, Gradient Boosting)	Das Modell ist der trainierte Zustand eines Algorithmus
Foundation Model	Vortrainiertes, aufgaben-offenes Modell auf breiter Datenbasis	Teilmenge; alle Foundation Models sind AI Models, nicht umgekehrt
Large Language Model	Sprach-Foundation-Modell für Text-Aufgaben	Teilmenge der Foundation Models
AI Agent	Anwendung mit Werkzeug-Aufrufen und Kontrollfluss	Keine Modell-Klasse; nutzt AI Models als Reasoning-Kern
ML Model	Traditionell klassisches maschinelles Lernen	Im heutigen Gebrauch weitgehend synonym zu AI Model

Der Algorithmus ist der Bauplan, das Modell die trainierte Instanz. Ein Transformer ist eine Architektur, GPT-4 oder Llama sind konkrete Modelle, die auf dieser Architektur trainiert wurden. Ein Foundation Model ist ein AI Model mit zwei zusätzlichen Eigenschaften: breite selbstüberwachte Vortrainings-Datenmenge und Aufgaben-Offenheit. Ein Large Language Model ist ein Foundation Model, das auf Text spezialisiert ist. Ein AI Agent ist keine Modell-Klasse. Er ist eine Anwendung, in deren Loop ein AI Model als Reasoning-Baustein sitzt und Werkzeuge aufruft.

Der Übergang zwischen den Ebenen prägt die Terminologie im Markt. „Modell wählen" bezieht sich auf die einzelne Einheit, „Agenten bauen" auf die Anwendung darüber, „Foundation-Model-API nutzen" auf eine Betriebs-Form für vortrainierte Modelle als Managed Endpoint.

Beispiel: Modell-Stack in einem Kundenassistenten

Ein interner Kundenassistent zeigt, wie mehrere AI Models in einer Anwendung zusammenspielen. Ein Embedding Model wandelt eingehende Fragen und die Handbuch-Dokumente in Vektor-Repräsentationen um. Ein Vektor-Index gibt die zehn ähnlichsten Textabschnitte zurück. Ein Reranker Model sortiert diese zehn Treffer nach ihrer Relevanz für die konkrete Frage. Ein Large Language Model bekommt Frage und die drei besten Treffer als Prompt und formuliert die Antwort. Ein klassisches Klassifikations-Modell (etwa ein Gradient Boosting Classifier) entscheidet parallel, ob die Anfrage einen menschlichen Agenten braucht oder automatisch abschließbar ist.

Vier verschiedene AI Models arbeiten in einem System zusammen, mit unterschiedlichen Trainings-Datenquellen, Metriken und Update-Zyklen. Das Embedding Model wird beim Wechsel des Modells neu ausgerollt, weil die Vektor-Repräsentationen inkompatibel sind. Das LLM wird über eine [Foundation-Model-API](/insights/databricks/artificial-intelligence/foundation-model-apis/) betrieben und lässt sich austauschen. Das Klassifikations-Modell wird auf historischen Ticket-Daten trainiert und regelmäßig neu kalibriert.