Einfach erklärt · Frei lesbar · 4 Min. Lesezeit

Fine-Tuning einfach erklärt: Der Unterschied zu Prompting und RAG

Fine-Tuning heißt, ein fertig trainiertes KI-Modell mit einer kleineren Sammlung eigener Beispiele nachzutrainieren, damit es eine bestimmte Aufgabe dauerhaft in einem festen Stil oder Format erledigt. Dabei ändern sich die inneren Zahlenwerte des Modells, anders als beim Prompting, wo du nur Anweisungen gibst, und bei RAG, wo die KI vor dem Antworten in Dokumenten nachschlägt. Für neues Faktenwissen ist RAG meist der bessere Weg, Fine-Tuning hilft eher bei gleichbleibendem Verhalten. Firmen nutzen es zum Beispiel für einheitliche Zusammenfassungen oder Einordnungen; OpenAI baut seine Selbstbedienungs-Plattform dafür allerdings gerade ab (Stand Oktober 2026).

Veröffentlicht am 11. Oktober 2026

Kurz gesagt

Fine-Tuning: Fine-Tuning ist das Nachtrainieren eines fertigen KI-Modells mit einer kleineren Sammlung eigener Beispiele, sodass sich seine inneren Zahlenwerte ändern und es eine bestimmte Aufgabe zuverlässiger in festem Stil oder Format erledigt.^1,4,8; Beispiel: Eine Versicherung trainiert ein Sprachmodell mit tausend alten Schadensmeldungen und der jeweils richtigen Kategorie nach. Danach ordnet das Modell neue Meldungen einheitlich zu, ohne dass jedes Mal eine lange Anleitung im Prompt stehen muss.; Auch genannt: Feinabstimmung · Nachtrainieren · Modell-Tuning · Supervised Fine-Tuning · Feintuning

Was Fine-Tuning ist

Große Sprachmodelle werden zuerst mit riesigen Textmengen allgemein trainiert. Beim Fine-Tuning setzt man dieses Training mit einem viel kleineren, speziellen Datensatz fort. Google beschreibt es so: Das Modell wird mit beschrifteten Beispielen nachtrainiert, und dabei werden seine Gewichte, also die inneren Zahlenwerte, an die Aufgabe angepasst.

OpenAI erklärt den Unterschied mit einer Prüfung. Du kannst den Stoff monatelang im Unterricht üben, bis du ihn verinnerlicht hast. Oder du darfst das Lehrbuch mitbringen und nachschlagen. Fine-Tuning ist das Üben im Unterricht: Das Modell lernt aus vielen Beispielen, wie es eine Aufgabe erledigen soll. Nachschlagen im Lehrbuch entspricht RAG.

Wichtig: Das Ergebnis ist ein neues, angepasstes Modell. Wer ChatGPT-Projekten oder Gemini Notebook eigene Dateien gibt oder einer KI dauerhafte Anweisungen hinterlegt, betreibt kein Fine-Tuning. Dort bleibt das Modell selbst unverändert, es bekommt nur zusätzliche Informationen mitgeliefert.

Prompting, RAG und Fine-Tuning im Vergleich

Prompting: Du formulierst eine gute Anweisung, eventuell mit ein paar Beispielen. IBM nennt das den Weg mit dem geringsten Aufwand, ganz ohne zusätzliche Rechenleistung. Laut OpenAI ist er der beste Startpunkt und reicht für Aufgaben wie Zusammenfassen oder Übersetzen oft schon aus.

RAG: Die KI schlägt vor jeder Antwort in einer Dokumentensammlung nach. OpenAI empfiehlt das, wenn dem Modell Wissen fehlt, weil es neu, veraltet oder firmenintern ist. Laut IBM braucht man dafür Fachleute, die die Daten aufbereiten und anbinden. Mehr dazu in unserem Glossarbeitrag zu RAG.

Fine-Tuning: Das Modell wird nachtrainiert. OpenAI empfiehlt es, wenn Format, Tonfall oder Vorgehen nicht zuverlässig stimmen. Nötig sind beschriftete Beispiele: OpenAI rät, mit mindestens 50 zu beginnen, Google nennt für Gemini 100 bis 500 als Richtwert. Laut IBM ist es der aufwendigste Weg, weil Datenaufbereitung und Training viel Zeit und Rechenleistung kosten.

Die Wege lassen sich kombinieren. In einem Beispiel von OpenAI sollte ein Modell isländische Sätze korrigieren. Die Qualität stieg mit ein paar Beispielen im Prompt von 62 auf 70 Punkte und nach Fine-Tuning mit 1000 Beispielen auf 87. Zusätzliches RAG senkte den Wert danach wieder auf 83, weil die Aufgabe kein Wissens-, sondern ein Verhaltensproblem war.

Wann Unternehmen Fine-Tuning einsetzen

Google nennt typische Fälle: wenn Antworten immer in einer bestimmten Struktur oder einem festen Format kommen sollen, wenn das Modell lernen soll, wann es knapp und wann ausführlich antwortet, oder wenn sich die Fachsprache stark von allgemeinen Texten unterscheidet. Ein Beispiel von Google sind Chat-Zusammenfassungen in festem Format, aus denen persönliche Daten entfernt werden.

OpenAI nennt zusätzlich Kostengründe: Mit einem nachtrainierten Modell kommen kürzere Anweisungen aus, und manchmal erledigt ein kleineres, günstigeres Modell die Aufgabe dann so gut wie ein großes. Laut OpenAI und Google lohnt sich Fine-Tuning außerdem, wenn eine Aufgabe zu kompliziert ist, um sie in einem Prompt zu beschreiben.

Der Rat beider Anbieter ist aber derselbe: Erst so viel wie möglich mit guten Prompts und Tests herausholen, dann zu RAG oder Fine-Tuning greifen.

Was sich 2026 geändert hat

OpenAI fährt seine Selbstbedienungs-Plattform für Fine-Tuning herunter. Seit dem 7. Mai 2026 können Organisationen, die noch nie Fine-Tuning genutzt haben, keine Trainings mehr starten. Seit dem 2. Juli 2026 gilt das auch für Organisationen, die in den letzten 60 Tagen kein nachtrainiertes Modell genutzt haben. Ab dem 6. Januar 2027 können auch aktive Bestandskunden keine neuen Trainings mehr anlegen. Bereits nachtrainierte Modelle laufen weiter, bis das zugrunde liegende Basismodell abgeschaltet wird.

Auch Mistral führt seine Fine-Tuning-Schnittstelle in der Dokumentation als veraltet und nicht mehr aktiv unterstützt. Stattdessen bietet Mistral Firmen ein individuelles Modelltraining gemeinsam mit eigenen Fachleuten an.

Google bietet überwachtes Fine-Tuning für mehrere Gemini-Modelle über seine Cloud-Plattform weiterhin an. Und wer ein Modell mit offenen Gewichten nutzt, kann es auf eigener Hardware selbst nachtrainieren, worauf auch die Open Source Initiative hinweist. Was offene Gewichte sind, erklären wir im Glossarbeitrag zum Open-Weight-Modell.

Unsere Einordnung: Für Privatleute spielt Fine-Tuning praktisch keine Rolle. Was du im Alltag brauchst, erreichst du fast immer mit guten Prompts oder mit eigenen Dateien per RAG.

Quellen

KI-gestützt erstellt und vor der Veröffentlichung redaktionell freigegeben.