Im Zeitalter von ChatGPT und Co. denken viele bei künstlicher Intelligenz automatisch an riesige Sprachmodelle mit Milliarden von Parametern. Doch immer mehr Unternehmen entdecken eine schlankere Alternative: Small Language Models, kurz SLMs.
Diese kompakten KI-Systeme wurden gezielt für bestimmte Aufgaben trainiert und können dabei sogar besser abschneiden als ihre großen Geschwister. Der Grund liegt in der Spezialisierung.
Wie computerwoche.de berichtet, performen SLMs besonders gut, wenn eine Aufgabe die schnelle, konsistente und wiederholte Anwendung eines klar definierten Musters erfordert. "Ein SLM wurde darauf trainiert, eine Sache besonders gut zu erledigen - anstatt alles nur passabel", erklärt ein Experte.
Die Vorteile der kleinen Modelle sind vielfältig: Sie benötigen weniger Rechenleistung, laufen auch auf normaler Hardware und sind deutlich günstiger im Betrieb. Selbst moderate Workflows für große Modelle wie GPT-5 verursachen Cloud-Kosten, die für viele Unternehmen nicht tragbar sind.
Auch beim Datenschutz punkten SLMs: Da sie lokal betrieben werden können, müssen sensible Unternehmensdaten nicht in externe Rechenzentren übertragen werden. Das macht sie besonders interessant für Branchen mit strengen Compliance-Vorgaben.
Typische Einsatzgebiete sind wiederkehrende Routineaufgaben, Content-Erstellung, Chatbots und Assistenten, Code-Generierung sowie Inhaltsanalysen. Auch im Internet der Dinge und bei Edge-Computing spielen die schlanken Modelle ihre Stärken aus.
Marktforscher von Gartner empfehlen Unternehmen, kleine Modelle dort zu testen, wo große Sprachmodelle bei Geschwindigkeit oder Antwortqualität enttäuscht haben.
Allerdings haben auch SLMs ihre Grenzen: Ihr enger Fokus macht sie weniger flexibel, sie sind anfälliger für Verzerrungen in den Trainingsdaten und bei komplexen, offenen Fragestellungen stoßen sie an ihre Grenzen.
Die Zukunft gehört wohl hybriden Ansätzen: Unternehmen kombinieren große und kleine Modelle je nach Anwendungsfall - und holen so das Beste aus beiden Welten.
