KI-Software und LLMs Entscheidungshilfe: Kaufen oder intern entwickeln?

Lohnt es sich für Sie, ein eigenes Large Language Model (LLM) zu entwickeln oder ist es strategisch klüger, bestehende Modelle zu verwenden und KI-Software zu kaufen? LLMs haben künstlicher Intelligenz zum Durchbruch verholfen: Anwendungen wie ChatGPT haben in kürzester Zeit bewiesen, dass sie das Potenzial haben, die Produktivität von Unternehmen zu vervielfachen. Für Entscheider:innen von großen und mittleren Unternehmen heißt es längst nicht mehr ob, sondern nur wie sie generative KI am besten in ihre Wertschöpfungskette integrieren.

Die Entscheidung ist komplex und alles andere als schwarzweiß. Mit diesem Artikel möchte ich Ihnen einen Überblick geben, welche Vor- und Nachteile die verschiedenen Strategien haben und welche Faktoren Sie bei Ihrer Entscheidung abwägen sollten.

Grundlegende Überlegungen vor der Einführung von LLM KI-Software 

Welche Option am Ende für Sie optimal ist, kommt nicht zuletzt auf Ihre verfügbaren Ressourcen, Ihre Ziele und spezifischen Anforderungen an. Folgende Fragen helfen Ihnen, mit Klarheit in die Recherche zu starten:  

• Strategischer Rahmen: Welche Rolle sollen LLMs langfristig in Ihrer Geschäftsstrategie spielen? Je zentraler für die zukünftige Marktpositionierung, desto eher lassen sich hohe interne Entwicklungskosten rechtfertigen. 
• Customization: Wie wichtig ist es Ihnen, die Funktionen der KI-Software anpassen zu können? Wenn Standardfunktionalitäten bereits Produktivitätssprünge ermöglichen, kann es ausreichen, eine KI-Software zu kaufen.  
• Urheberrecht: Wie wichtig ist es Ihnen, die Rechte an den verarbeiteten Daten als Unternehmen zu behalten? Beim Kauf eines LLM gehören die Rechte meist dem Softwareanbieter, während die Eigenentwicklung es ermöglicht, das geistige Eigentum inhouse zu halten. 
• Sicherheit: Welche Sicherheitsstandards erwarten Sie von LLM-Anbietern? Überprüfen Sie, ob Anbieter von LLMs Ihre internen Anforderungen erfüllen oder diese in einer Individualentwicklung besser umgesetzt werden können. 
• Budget: Welches Budget steht für die KI-Integration zur Verfügung? Inhouse-Entwicklung ist zwar mit höheren Anfangskosten verbunden. Wenn Sie eine KI-Software kaufen, können die Lizenzgebühren bei breiter Nutzung aber zum Kostentreiber werden. 
• Interne Expertise: Welches Fachwissen ist in Ihrem Unternehmen intern zu LLMs und KI vorhanden? Wenn Sie zunächst internes Knowhow aufbauen müssen, ist eine kurzfristige Integration von KI in Ihre Prozesse nur mit einem externen Partner realistisch oder das Buy-Modell übergangsweise die bessere Alternative. 
• Juristisches Fachwissen: Verfügen Sie über die Expertise, sämtliche juristische Fragen, zum Beispiel zum Datenschutz, Lizenzrechten und Haftungsfragen, für die Entwicklung bzw. Nutzung von LLM verlässlich zu klären?  
• Datenverfügbarkeit: Liegen Ihnen intern relevante Daten in ausreichender Qualität und Menge vor, um ein LLM selbst trainieren zu können? Fehlt die Datenbasis, spricht das eher für den Kauf eines vortrainierten LLMs. 

Vor- und Nachteile der verschiedenen Optionen  

Sie stehen de facto nicht vor der Entscheidung: „KI-Software kaufen oder selbst entwickeln?“, sondern haben diese vier möglichen Optionen für die Einführung einer KI-Lösung:   

• Sie können vortrainierte KI-Anwendungen nutzen. 
• Sie können ein LLM selbst oder mit Unterstützung durch Experten trainieren. 
• Sie können Open-Source LLMs anpassen.  
• Sie können eine andere Art des Machine Learnings für Ihren KI-Einsatz verwenden.  

Schauen wir uns die Vor- und Nachteile zusammen genauer an.  

1 Kaufen Sie eine KI-Software bzw. ein LLM

Die schnellste Möglichkeit, KI für einen bestimmten Prozess in Ihren Unternehmensalltag zu integrieren, ist es, eine KI-Software zu kaufen. Sie nutzen dann kommerzielle LLMs in Tools wie ChatGPT von OpenAI oder AlphaFolds von Google Deepminds. Gegen eine Abogebühr können Sie die LLMs via API in eigene Anwendungen integrieren oder die Software direkt im Browser verwenden. In vielen Bereichen (Marketing, R&D, Development) entwickelt sich ein KI-Einsatz dieser Art zum Standard. Um mittelfristig Effizienznachteile zu vermeiden, sollte Ihr Unternehmen hier wenigstens mitgehen. 

Die Individualisierungsmöglichkeiten sind bei den „LLMs von der Stange“ allerdings begrenzt: Die Modelle sind nicht mit Ihren Daten trainiert und das Prompten mithilfe von eigenen Daten kann die Ergebnisqualität zwar verbessern, aber nicht das Modell selbst verändern. Große Wettbewerbsvorteile oder Innovationssprünge mit Standard-LLMs sind eher unwahrscheinlich. 

Vorteile:  

• Einsatz out of the box  
• Einfache Usability, kein tiefes technisches Wissen notwendig 
• Für viele Standardanwendungsfälle gut geeignet 
• Support und Updates durch den Anbieter  
• Anbieter gewährleisten in der Regel eine rechtskonforme und sichere Nutzung  

  Nachteile:  

• Geringere Transparenz über Quellen und Funktionsweise des Modells   
• Hohe Lizenzgebühren bei steigender Nutzerzahl  
• Umgang mit unternehmensinternen Daten kann eine Herausforderung sein 
• Sehr begrenzte Anpassungsmöglichkeiten  

2 Entwickeln Sie ein Sprachmodell intern   

Wenn Sie sensible Daten sicher durch eine KI verarbeiten lassen möchten und Sie einen branchenspezifischen Use Case vor Augen haben, stoßen Sie mit den kommerziellen LLM wie GPT4 oder BERT schnell an Grenzen. Die Entwicklung eines eigenen Sprachmodells sorgt für eine höhere Verlässlichkeit der KI-Ergebnisse, eine bessere Datensicherheit und ermöglicht eine vielseitigere Anwendung im digitalen Ökosystem Ihres Unternehmens.  

Der Nachteil hier: Die Entwicklung eines performanten LLMs braucht ein Team aus Spezialist:innen und ist auch dann kein kurzfristiges Projekt, sondern kann sich über Monate hinziehen. Und ähnlich wie beim Hosting bezahlt Ihr Unternehmen die Transparenz und Kontrolle des LLMs mit fortlaufenden Kosten für Wartung und Optimierung des Systems. 

Vorteile:  

• Auf die individuellen Daten und Anwendungsfälle zugeschnitten  
• Volle Kontrolle über Modell, Architektur und Leistung  
• Sensible Daten bleiben inhouse 
• Flexible Integration in bestehende Systeme und Datenbanken  

 Nachteile:   

• Spezialisiertes Team erforderlich 
• Ohne ausreichende Datenmengen in bereinigter Qualität wenig sinnvoll 
• Vergleichsweise hoher finanzieller und zeitlicher Aufwand   
• Wartung und kontinuierliche Upgrades müssen selbst abgebildet werden 
• Verantwortung für die Einhaltung von Sicherheitsstandards und rechtlichen Pflichten  

3 Verwenden Sie ein vortrainiertes Open-Source-LLM  

Sie haben weder die Zeit noch die weiteren Ressourcen, um alles selbst zu entwickeln? Dann setzen Sie auf die Arbeit von erfahrenen KI-Expert:innen. Es gibt mittlerweile eine riesige Zahl an Open-Source LLMs. Allein auf Huggingface.co sind mehr als 3000 Modelle gelistet. Zu den bekanntesten gehören Googles PaLM und Metas LLaMA. Lassen Sie sich von den großen Namen aber nicht blenden. Je nach geplantem Use Case lohnt es sich, auf ein unbekannteres, aber spezifisch entwickeltes Modell zurückzugreifen. 

Ob bekannt oder nicht: Dank Open Source können Sie die LLMs für Ihre Zwecke frei modifizieren und von Beginn an mit eigenen Daten trainieren statt „nur“ eine KI-Software zu kaufen. Zur Wahrheit gehört allerdings auch, dass die Qualität vieler Open-Source-Modelle den kommerziellen Modellen noch hinterherhinkt und die Anpassung komplizierter ist als Legobauen. Ihr Unternehmen ist allerdings auf erfahrene Entwickler:innen, sei es intern oder extern, angewiesen. 

Vorteile:   

• Abkürzung des Entwicklungsprozesses  
• Feintuning des LLM auf der Grundlage eigener Daten vornehmen  
• In der Regel keine Lizenzkosten  
• Volle Kontrolle über Infrastruktur und Architektur  

 Nachteile:  

• Erfordert eigenes ML-Team oder Kooperation mit Technologie-Partner  
• Aufbau eigener Infrastruktur und Wartungsprozesse 
• Performance liegt – aktuell noch – hinter den kommerziellen LLMs zurück  

4 Verwenden Sie ein traditionelles ML-Modell  

Es ist faszinierend, dass wir mit KI in natürlicher Sprache kommunizieren können. Beim ganzen Hype um LLMs kann aber leicht in Vergessenheit geraten, dass es auch wertschöpfende KI Use Cases jenseits natürlicher Sprache gibt. Oft lässt sich die Wertschöpfung bereits signifikant steigern, wenn dort traditionelles Machine-Learning (ML) implementiert wird.  

Ein Vorteil klassischer ML-Tools: Sie holen sich keine Black Box ins Haus, sondern können die Herleitung von Ergebnissen jederzeit genau überprüfen. Zur Validierung von Hypothesen im mathematischen Umfeld braucht es nicht einmal Machine Learning. Hier ist die statistische Inferenz Large Language Models – noch – klar überlegen. 

Vorteile: 

• Für mathematische Berechnungen besser geeignet 
• Teils kostengünstiger in der Entwicklung 

 Nachteile: 

• Keine Kommunikation in natürlicher Sprache 
• Möglicherweise zunächst geringere Nutzerakzeptanz  

Fazit 

Am Ende ist Ihre Entscheidung nicht nur „make or buy“. Sie haben eine Vielfalt von Möglichkeiten, sich künstliche Intelligenz für Ihr Unternehmen zunutze zu machen, mit und ohne LLMs. Komfort und Geschwindigkeit sprechen dafür, KI-Software bzw. kommerzielle LLMs zu kaufen. Mit einer Eigenentwicklung können Sie dagegen auch sehr individuelle Anwendungsfälle abbilden und die letzten 20 Prozent Performancevorteil erreichen, die Standardtools nicht bieten. 

Trotz des hohen KI-Tempos, das Sie in Ihrer Branche vielleicht wahrnehmen: Bereiten Sie Ihre Entscheidung gründlich und strategisch vor und starten Sie mit einem MVP für einen ausgewählten ersten Use Case. So stellen Sie die Weichen für den zukünftigen Erfolg Ihres Unternehmens. Wenn Sie einen Sparringspartner für Ihre Entscheidungsfindung suchen oder sich zu KI-Anwendungsfällen inspirieren lassen möchten, schauen Sie gerne auf unserer KI-Serviceseite vorbei.