Inside AI Search #12: Model Configurability

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. In diesem Beitrag geht es um Model Configurability, also die Möglichkeit, KI Modelle gezielt auszuwählen, zu konfigurieren und bei Bedarf an bestimmte Unternehmensanforderungen anzupassen.

Denn Unternehmen benötigen keine KI, die möglichst viele Aufgaben irgendwie lösen kann. Sie benötigen Systeme, die ihre konkreten Aufgaben zuverlässig erfüllen.

Ein Onlinehändler möchte beispielsweise Produktmerkmale korrekt erkennen. Ein Industrieunternehmen muss technische Fachbegriffe präzise verarbeiten, während ein Kundenservice Anfragen richtig klassifizieren und passende Lösungen bereitstellen soll.

Obwohl alle drei Unternehmen AI Search einsetzen können, unterscheiden sich ihre Anforderungen deutlich.

Deshalb reicht es häufig nicht aus, ein allgemeines KI Modell mit einer Suchplattform zu verbinden.

Entscheidend ist, wie gut sich das Modell auf Daten, Fachsprache, Geschäftsziele und technische Anforderungen abstimmen lässt.

Was bedeutet Model Configurability?

Model Configurability beschreibt die Möglichkeit, KI Modelle innerhalb einer Anwendung gezielt auszuwählen und an bestimmte Aufgaben anzupassen.

Dabei geht es nicht zwangsläufig darum, ein eigenes Modell zu entwickeln.

Vielmehr können Unternehmen unterschiedliche Anpassungsebenen nutzen:

• Modellauswahl: Welches Modell eignet sich für die jeweilige Aufgabe?

• Modellkonfiguration: Mit welchen Parametern und Einstellungen soll es arbeiten?

• Fachliche Anpassung: Wie werden branchenspezifische Begriffe und Anforderungen berücksichtigt?

• Fine Tuning: Muss ein bestehendes Modell zusätzlich trainiert werden?

• Integration: Wie wird das Modell mit Suchmaschinen, Datenquellen und anderen KI Komponenten verbunden?

• Evaluation: Wie lässt sich überprüfen, ob die Anpassung tatsächlich bessere Ergebnisse liefert?

Damit wird Model Configurability zu einer wichtigen Grundlage für AI Search.

Denn Suchqualität entsteht nicht allein durch die Leistungsfähigkeit eines einzelnen Modells, sondern durch das Zusammenspiel verschiedener Komponenten.

Nicht jede Suchaufgabe benötigt dasselbe Modell

Moderne AI Search Plattformen kombinieren häufig unterschiedliche KI Verfahren.

Während ein Sprachmodell natürlich formulierte Fragen beantworten kann, übernimmt ein Embedding Modell beispielsweise die semantische Repräsentation von Dokumenten und Suchanfragen.

Ein Classifier ordnet Inhalte bestimmten Kategorien zu. Ein Re Ranking Modell bewertet dagegen, welche gefundenen Dokumente besonders relevant sind.

Diese Aufgaben unterscheiden sich so stark, dass ein einziges Modell selten für alle gleichermaßen geeignet ist.

Aufgabe	Möglicher Modelltyp	Ziel
Semantische Suche	Embedding Modell	Inhaltlich ähnliche Informationen finden
Dokumentenklassifikation	Klassifikationsmodell	Inhalte automatisch kategorisieren
Re Ranking	Ranking Modell oder Cross Encoder	Relevante Ergebnisse höher platzieren
Question Answering	Sprachmodell	Fragen anhand geeigneter Quellen beantworten
Intent Detection	Intent Classifier	Nutzerabsichten erkennen

Deshalb sollte eine flexible Sucharchitektur ermöglichen, für jede Aufgabe ein geeignetes Modell einzusetzen.

Model Configurability bedeutet somit auch, nicht jede Funktion von demselben Modell abhängig zu machen.

Warum allgemeine Modelle nicht jede Fachsprache verstehen

Vortrainierte KI Modelle besitzen umfangreiche allgemeine Sprachkenntnisse. Allerdings bedeutet das nicht, dass sie automatisch jede branchenspezifische Bedeutung zuverlässig erfassen.

Ein Beispiel aus dem technischen Support:

„Die Pumpe kavitiert bei niedriger Zulaufhöhe.“

Für einen allgemeinen Sprachgebrauch sind Begriffe wie „kavitiert“ oder „Zulaufhöhe“ eher ungewöhnlich.

In einem industriellen Kontext sind sie dagegen entscheidend.

Ein Suchsystem muss erkennen, dass Dokumente über Druckverhältnisse, Gasblasenbildung und Pumpenbetrieb relevant sein können, selbst wenn sie andere Formulierungen verwenden.

Ähnliche Herausforderungen entstehen in anderen Bereichen:

E Commerce: Produktvarianten, Herstellerbezeichnungen und interne Attribute

Recht: Fachterminologie, Dokumenttypen und rechtliche Zusammenhänge

Medizin: Medizinische Abkürzungen und spezialisierte Begriffe

Enterprise Search: Interne Projektnamen, Prozesse und unternehmensspezifische Bezeichnungen

Eine fachliche Anpassung kann deshalb sinnvoll sein. Allerdings hängt die geeignete Methode davon ab, ob das Problem beim Sprachverständnis, beim Retrieval, bei der Klassifikation oder bei der Antwortgenerierung liegt.

Fine Tuning: Wenn ein bestehendes Modell gezielt weitertrainiert wird

Eine Möglichkeit zur Modellanpassung ist das sogenannte Fine Tuning.

Dabei wird ein bereits vortrainiertes Modell mit zusätzlichen Trainingsdaten auf eine bestimmte Aufgabe oder Domäne abgestimmt.

Beispielsweise könnte ein Unternehmen ein Modell mit typischen Supportanfragen und den dazugehörigen Kategorien trainieren.

Dadurch soll das Modell lernen, neue Anfragen zuverlässiger zuzuordnen.

Auch Embedding Modelle können fachlich angepasst werden, damit sie relevante Zusammenhänge innerhalb einer bestimmten Domäne besser abbilden.

Allerdings ist Fine Tuning nicht immer gleich aufwendig.

Während beim vollständigen Fine Tuning viele oder sämtliche Modellparameter verändert werden, passen sogenannte Parameter Efficient Fine Tuning Verfahren nur einen vergleichsweise kleinen Teil der Parameter oder zusätzliche Adapter an.

Zu diesen Methoden gehört beispielsweise LoRA.

Ein wissenschaftlicher Überblick aus dem Jahr 2026 beschreibt, wie solche Verfahren die Anpassung großer Sprachmodelle auch bei begrenzten Trainingsdaten und Rechenressourcen ermöglichen. Gleichzeitig betont er, dass die geeignete Methode von den jeweiligen Aufgaben, Daten und technischen Rahmenbedingungen abhängt.¹

Das bedeutet für Unternehmen:

Ein Modell muss nicht zwangsläufig vollständig neu trainiert werden, um für einen bestimmten Anwendungsfall besser geeignet zu sein.

Kann Fine Tuning die Suchqualität tatsächlich verbessern?

Besonders interessant ist die Anpassung von Embedding Modellen.

Denn bei semantischer Suche entscheidet deren Repräsentation von Anfragen und Dokumenten wesentlich darüber, welche Inhalte gefunden werden.

Ein Modell, das auf allgemeine Texte trainiert wurde, muss fachliche Besonderheiten nicht immer optimal abbilden.

Hier kann domänenspezifisches Fine Tuning helfen.

In einer Untersuchung aus dem Jahr 2026 wurden Retrievalmodelle für vier unterschiedliche Fachbereiche angepasst, darunter Finanzen, Behördeninformationen und Cloud Computing.

Die domänenspezifisch trainierten Modelle verbesserten die Kennzahl Recall@10 durchschnittlich um 44,3 Prozent und nDCG@10 um 47,8 Prozent gegenüber der verwendeten vortrainierten Ausgangsbasis.²

Die Ergebnisse stammen aus den untersuchten Benchmarks und lassen sich nicht pauschal auf jede Unternehmenssuche übertragen.

Sie verdeutlichen jedoch, warum eine fachliche Modellanpassung sinnvoll sein kann.

Gerade bei technischen Dokumentationen, internen Wissensbeständen oder spezialisierten Produktdaten kann sich eine solche Optimierung lohnen.

Model Configurability ist mehr als Fine Tuning

Nicht jede Anpassung eines KI Systems verändert die Gewichte des Modells.

In vielen Fällen reichen andere Maßnahmen aus, um das gewünschte Verhalten zu erreichen.

Modellwahl

• Ein kleineres spezialisiertes Modell kann für eine klar abgegrenzte Aufgabe geeigneter sein als ein großes allgemeines Sprachmodell.
• Deshalb sollten Unternehmen nicht nur die Modellgröße vergleichen, sondern auch Geschwindigkeit, Kosten und Ergebnisqualität.

Prompt Konfiguration

• Bei Sprachmodellen können Anweisungen festlegen, wie Antworten aufgebaut werden sollen.
• Beispielsweise kann eine Anwendung verlangen, dass Antworten sachlich formuliert und nur anhand bereitgestellter Quellen erstellt werden.
• Dadurch verändert sich das Verhalten der Anwendung, ohne dass das Modell erneut trainiert wird.

Retrieval Augmented Generation

• Bei RAG werden relevante Informationen zur Anfrage aus vorhandenen Datenquellen abgerufen und dem Sprachmodell als Kontext bereitgestellt.
• Das ist besonders hilfreich, wenn das benötigte Wissen häufig aktualisiert wird.

Modellparameter

• Je nach Modell lassen sich beispielsweise Einstellungen zur Antwortlänge oder zur Variabilität generierter Antworten konfigurieren.

Domänenspezifische Regeln

• Unternehmen können außerdem definieren, welche Inhalte priorisiert werden, welche Fachbegriffe besonders relevant sind oder welche strukturierten Ausgaben benötigt werden.

Diese Maßnahmen betreffen unterschiedliche Ebenen der Architektur. Dennoch verfolgen sie dasselbe Ziel:

Das KI System soll die konkrete Aufgabe zuverlässiger erfüllen.

Fine Tuning oder RAG: Was ist die bessere Wahl?

Diese Frage ist besonders für Enterprise Search und Question Answering relevant.

Denn Unternehmen möchten häufig erreichen, dass KI Anwendungen ihre internen Informationen korrekt verwenden.

Dafür gibt es grundsätzlich unterschiedliche Ansätze.

Fine Tuning verändert das trainierte Modell.

RAG stellt dem Modell zur Laufzeit relevante Informationen bereit.

Wenn eine KI beispielsweise immer wieder dieselbe Klassifikationsaufgabe ausführen soll, kann Fine Tuning sinnvoll sein.

Soll sie dagegen Fragen zur jeweils aktuellen Reisekostenrichtlinie beantworten, ist RAG häufig naheliegender.

Denn sobald die Richtlinie verändert wird, kann das Suchsystem die neue Dokumentenversion abrufen. Bei reinem Fine Tuning müsste geprüft werden, ob eine erneute Anpassung notwendig ist.

Beide Ansätze schließen sich allerdings nicht aus.

Ein fachlich angepasstes Modell kann gleichzeitig mit einem Retrievalsystem verbunden werden.

So lässt sich beispielsweise ein spezialisiertes Embedding Modell für die Dokumentensuche einsetzen, während ein Sprachmodell die gefundenen Inhalte für eine Antwort verarbeitet.

Entscheidend ist, welche Komponente das tatsächliche Problem löst.

Fine Tuning macht ein Modell nicht automatisch zuverlässiger

Ein häufiges Missverständnis besteht darin, dass zusätzliche Trainingsdaten zwangsläufig zu besseren Ergebnissen führen.

Das ist jedoch nicht garantiert.

Ein Modell kann sich bei einer bestimmten Aufgabe verbessern und gleichzeitig in anderen Bereichen an Leistung verlieren.

Bei Sprachmodellen besteht außerdem das Risiko, dass fachliche Anpassungen nicht automatisch die Faktentreue erhöhen.

Eine Untersuchung aus dem Jahr 2026 verglich 18 Sprachmodelle anhand von 2.500 Prüfaufgaben aus fünf wissenschaftlichen Fachbereichen. Dabei zeigten die wissenschaftlich weitertrainierten Modelle gegenüber ihren allgemeinen Ausgangsmodellen eine geringere faktische Zuverlässigkeit. Gleichzeitig formulierten sie ihre Aussagen teilweise bestimmter, obwohl die interne Unsicherheit höher war.³

Diese Ergebnisse beziehen sich auf die untersuchten Modelle und Aufgaben. Dennoch zeigen sie eine wichtige Grenze:

Fachliche Spezialisierung ist nicht gleichbedeutend mit fachlicher Korrektheit.

Deshalb sollte jede Modellanpassung mit einer geeigneten Qualitätsprüfung verbunden werden.

Wie lässt sich ein KI Modell sinnvoll konfigurieren?

Bevor Unternehmen ein Modell auswählen oder anpassen, sollten sie zunächst die eigentliche Aufgabe definieren.

Ein sinnvoller Prozess umfasst mehrere Schritte.

1. Das Ziel festlegen

Was soll verbessert werden?

Geht es darum, mehr relevante Dokumente zu finden, Suchanfragen präziser zu klassifizieren oder verlässlichere Antworten bereitzustellen?

Erst wenn das Ziel klar ist, lässt sich entscheiden, welche Modellkomponente angepasst werden sollte.

2. Eine geeignete Ausgangsbasis auswählen

Anschließend werden Modelle ausgewählt, die grundsätzlich zur Aufgabe passen.

Dabei sollten nicht nur Qualitätskennzahlen betrachtet werden. Auch Latenz, Betriebskosten, verfügbare Schnittstellen und Datenschutzanforderungen spielen eine Rolle.

3. Reale Unternehmensdaten berücksichtigen

Damit die Evaluation aussagekräftig ist, sollten typische Suchanfragen und relevante Dokumente aus dem tatsächlichen Anwendungskontext verwendet werden.

Bei einer technischen Suche könnten dies beispielsweise Fachbegriffe, Fehlercodes und natürlich formulierte Problembeschreibungen sein.

4. Die passende Anpassungsmethode wählen

Nun lässt sich prüfen, ob eine einfache Konfiguration ausreicht oder ob Fine Tuning erforderlich ist.

Auch die Kombination unterschiedlicher Modelle kann sinnvoll sein.

5. Ergebnisse vergleichen

Anschließend sollte die angepasste Variante gegen eine unveränderte Ausgangsbasis getestet werden.

Nur so lässt sich beurteilen, ob die zusätzliche Komplexität tatsächlich einen Mehrwert bringt.

Wie wird der Erfolg einer Modellanpassung gemessen?

Die geeigneten Kennzahlen hängen von der Aufgabe ab.

Für eine semantische Suche können beispielsweise Recall@K, nDCG oder Mean Reciprocal Rank relevant sein.

Bei einem Classifier kommen dagegen häufig Precision, Recall und F1 Score zum Einsatz.

Für Question Answering sind wiederum andere Kriterien entscheidend:

• Sind die Antworten sachlich korrekt?

• Lassen sich Aussagen durch die angegebenen Quellen belegen?

• Werden fehlende Informationen zuverlässig erkannt?

• Werden Unternehmensregeln eingehalten?

Außerdem sollten Unternehmen prüfen, ob sich Verbesserungen bei einer Aufgabe negativ auf andere Aufgaben auswirken.

Ein gutes Modell ist deshalb nicht automatisch dasjenige mit dem höchsten Wert in einem einzelnen Benchmark.

Entscheidend ist die Leistung innerhalb des tatsächlichen Geschäftsprozesses.

Datenschutz und Betrieb sind Teil der Modellkonfiguration

Neben der Qualität spielt auch die technische Kontrolle eine wichtige Rolle.

Je nach Anwendung können unterschiedliche Anforderungen bestehen.

Ein Unternehmen möchte möglicherweise ein Modell über einen Cloud Anbieter nutzen. Ein anderes benötigt dagegen den Betrieb innerhalb der eigenen Infrastruktur.

Auch die Verarbeitung vertraulicher Daten kann zusätzliche Einschränkungen mit sich bringen.

Deshalb sollten bei der Modellkonfiguration unter anderem folgende Fragen berücksichtigt werden:

• Wo wird das Modell betrieben?

• Welche Daten werden an externe Dienste übertragen?

• Dürfen Unternehmensdaten für das Training verwendet werden?

• Welche Berechtigungen gelten für angebundene Datenquellen?

• Wie lassen sich Modellversionen und Änderungen nachvollziehen?

• Welche zusätzlichen Kosten entstehen durch Training und Nutzung?

Gerade in Enterprise Search ist diese Kontrolle wichtig, weil Suchsysteme häufig Zugriff auf unterschiedliche interne Wissensbestände benötigen.

Die Modellkonfiguration sollte deshalb nicht isoliert von Datenschutz, Berechtigungen und Infrastruktur betrachtet werden.

Model Configurability in der Praxis

E Commerce

• Ein Onlinehändler kann Modelle so auswählen oder anpassen, dass sie Produktmerkmale, Synonyme und branchenspezifische Begriffe besser verarbeiten.
• Dadurch können beispielsweise semantische Produktsuche, automatische Kategorisierung und Guided Selling verbessert werden.

Industrie und technischer Support

• Technische Begriffe, Bauteilbezeichnungen und Fehlercodes stellen besondere Anforderungen an Retrievalmodelle.
• Deshalb können domänenspezifische Embeddings oder spezialisierte Klassifikatoren sinnvoll sein.

Enterprise Search

• Unternehmen können unterschiedliche Modelle für Wissenssuche, Dokumentenklassifikation und Question Answering kombinieren.
• So lässt sich beispielsweise ein Modell für die semantische Suche einsetzen, während ein anderes Dokumente nach Themen kategorisiert.

Kundenservice

• Wiederkehrende Anfragen können mithilfe eines spezialisierten Classifiers bestimmten Anliegen zugeordnet werden.
• Ein Sprachmodell kann anschließend auf Basis relevanter Wissensquellen passende Antworten formulieren.

RAG und AI Agents

• Bei komplexeren KI Anwendungen wird die Modellkonfiguration besonders wichtig.
• Denn hier arbeiten häufig mehrere Komponenten zusammen.

Ein Retrievalmodell sucht relevante Informationen, ein Re Ranking Modell priorisiert geeignete Quellen und ein Sprachmodell verarbeitet die Inhalte für die Antwort.

Wenn diese Komponenten aufeinander abgestimmt sind, kann das Gesamtsystem die jeweilige Aufgabe gezielter unterstützen.

Warum Flexibilität langfristig wichtig ist

KI Modelle entwickeln sich kontinuierlich weiter.

Deshalb sollten Unternehmen vermeiden, ihre gesamte Sucharchitektur von einem einzigen Modell oder Anbieter abhängig zu machen.

Eine flexible Architektur kann es erleichtern, neue Modelle zu testen und bei Bedarf auszutauschen.

Allerdings bedeutet ein Modellwechsel nicht automatisch eine Verbesserung.

Ein neues Modell sollte immer anhand derselben fachlichen Anforderungen geprüft werden.

So lässt sich vermeiden, dass ein System zwar technisch modernisiert wird, aber bei wichtigen Unternehmensanfragen schlechtere Ergebnisse liefert.

Model Configurability schafft damit nicht nur Möglichkeiten zur kurzfristigen Optimierung, sondern unterstützt auch die langfristige Weiterentwicklung einer AI Search Plattform.

Fazit: Die richtige KI ist die, die zur Aufgabe passt

Model Configurability ermöglicht es Unternehmen, KI Modelle gezielt auf ihre Anforderungen abzustimmen.

Dabei geht es nicht ausschließlich um Fine Tuning.

Bereits die Auswahl geeigneter Modelle, ihre Konfiguration und die Kombination mit anderen Suchverfahren können einen wichtigen Unterschied machen.

Besonders bei spezialisierten Unternehmensdaten ist diese Flexibilität relevant. Denn technische Fachsprache, interne Prozesse und branchenspezifische Anforderungen lassen sich nicht immer mit einer allgemeinen Modellkonfiguration optimal abbilden.

Allerdings muss jede Anpassung ihren Nutzen nachweisen.

Fine Tuning kann die Retrievalqualität verbessern, garantiert aber nicht automatisch korrektere Antworten. Deshalb bleiben geeignete Testdaten, nachvollziehbare Qualitätsmetriken und eine kontinuierliche Evaluation entscheidend.

Gute AI Search benötigt nicht zwangsläufig das größte Modell. Sie benötigt die richtige Kombination aus Modellen, Konfiguration und fachlichem Kontext.

Model Configurability mit Quasiris

Die Quasiris Search Cloud unterstützt Model Configurability und ermöglicht es, unterschiedliche KI Modelle in eine flexible Sucharchitektur einzubinden.

Dabei können Unternehmen bestehende Modelle verschiedener Anbieter nutzen, eigene Modelle integrieren und je nach Anwendungsfall individuelle Anpassungen vornehmen.

So lassen sich beispielsweise Embedding Modelle, Classifier und Large Language Models auf unterschiedliche Aufgaben innerhalb einer gemeinsamen AI Search Architektur abstimmen. Welche Konfigurations- und Trainingsmöglichkeiten verfügbar sind, hängt vom jeweiligen Anwendungsszenario und Leistungsumfang ab.

Sie möchten herausfinden, welche KI Modelle und Anpassungsmöglichkeiten für Ihre Suche sinnvoll sind? Sprechen Sie mit den Search Experten von Quasiris über Ihre Anforderungen und Ihre bestehende Sucharchitektur.