KI-Ergebnisse verbessern: Darum sind gute Daten wichtiger als das neueste Modell

KI-Modelle im Wettlauf: Was bleibt dabei auf der Strecke?

Haben Sie schon das neue Gemini gesehen, das neue Kimi, das neue Qwen? Diese Frage höre ich inzwischen alle paar Tage, und jedes Mal schwingt darin mit, dass sich gerade etwas Entscheidendes verändert hat. Natürlich ist jedes Modell in der neuen Version ein bisschen besser als in der alten. Genau dafür gibt es neue Versionen.

Trotzdem halte ich diese Frage für ein Symptom. Um die neuesten Modelle ist ein Wettrennen entstanden, das enorm viel Aufmerksamkeit bindet und dabei von der eigentlichen Frage ablenkt: Was bekommt ein Modell als Eingabe? Das betrifft nicht nur Entwicklerinnen und Entwickler, sondern jedes Unternehmen, das sich von KI bessere Antworten erhofft.

Doom-Scrolling statt Vorbereitung

Dass dieses Wettrennen so viel Sog entwickelt, hat einen Grund: Es lebt von Angst. Entwicklerinnen und Entwicklern wird erzählt, dass sie bald überflüssig sind, Unternehmen, dass sie ohne KI den Anschluss verlieren. Aus meiner Sicht ist das eine Blase, und Blasen platzen irgendwann. Bis dahin richtet sie Schaden an: bei Menschen, die an ihrem Beruf zweifeln, und bei Unternehmen, die aus Nervosität die falschen Prioritäten setzen.

Auf Angst gibt es eine bequeme Reaktion: dem neuesten Modell hinterherjagen. Das Verführerische daran ist, dass es kaum Arbeit macht und sich trotzdem produktiv anfühlt. Für mich ist das Doom-Scrolling der KI-Welt, also jenes endlose Wischen durch Feeds, das sich nach Information anfühlt und doch nur Zeit kostet. Wer so arbeitet, wirkt bestens informiert, schafft aber keinen Mehrwert: Es sieht aus wie Vorbereitung, ist aber Stillstand.

Unternehmen sind davor nicht gefeit. Auch sie evaluieren gern ein KI-Werkzeug nach dem anderen, statt die Grundlagen in Ordnung zu bringen, auf denen jedes dieser Werkzeuge arbeiten müsste.

Für Selbstständige ist das besonders teuer. Ob eine Kundin oder ein Kunde Sie erneut beauftragt, hängt davon ab, welchen Mehrwert Sie liefern, und oft auch davon, wie gut Sie ihn erklären können. Bezahlt werden gelöste Probleme, nicht die Kenntnis des neuesten Modells. Jede Stunde im Modell-Karussell fehlt an der Stelle, an der Wert entsteht.

Woran scheitert es wirklich?

Wenn eine KI ein Problem nicht zufriedenstellend löst, liegt das selten am Modell, sondern meistens an der Eingabe. Etwas plump gesagt: Wer schlechte Prompts schreibt, also unklare Anweisungen an die KI, oder mit schlechten Daten arbeitet, dem nützt auch das beste Modell nichts. Wer dagegen präzise beschreiben kann, worum es geht, und über gute Daten verfügt, erreicht schon mit einem mittelmäßigen Modell beachtliche Ergebnisse.

Wie sehr es auf die Eingabe ankommt, habe ich selbst erlebt. Ein Coding-Agent, also ein KI-System, das eigenständig Code schreibt, sollte ein Auswahlfeld mit aufklappbarer Liste nach einem bestimmten Design umsetzen: zugeklappt, aufgeklappt, mit genau formatierten Einträgen. Um mir das Skizzieren zu sparen, beschrieb ich das Design in Worten. Der Agent arbeitete lange und änderte unzählige Male das CSS, doch am Ende passte es nicht, auch nicht, nachdem ich mehrfach nachjustiert und noch genauer beschrieben hatte.

Irgendwann hatte ich genug und skizzierte das Design doch kurz in einem Designwerkzeug. Kaum hatte der Agent ein paar Screenshots davon, wusste er genau, was ich wollte: Er hatte eine Vorlage, gegen die er sein Ergebnis pixelgenau prüfen konnte, und kurz darauf stand die Lösung. „Show, don’t tell“, heißt es im Englischen, und auch wenn die Wendung aus einem anderen Zusammenhang stammt, trifft sie hier genau.

Fehlt die entscheidende Information, hilft auch die ausgefeilteste Beschreibung nicht. Bei einem Auswahlfeld fällt das sofort auf, weil sich das Ergebnis mit einem Blick beurteilen lässt. Doch wie oft fehlt diese Information, ohne dass es jemand merkt, weil die Aufgabe abstrakter ist und sich kaum sagen lässt, ob die Lösung gut oder schlecht ist?

Tipp: Gute Eingaben sind nur eine Voraussetzung für den erfolgreichen KI-Einsatz. Doch worauf kommt es noch an, wenn Sie KI in Ihrem Business nutzen möchten? In unserem Artikel Wie können Freelancer KI sinnvoll und sicher im Business nutzen? zeigen wir, welche Möglichkeiten sich bieten und wo die Grenzen liegen.

Ein Handwerk, das nicht veraltet

Mühe bei der Eingabe zahlt sich aus, und wer am Anfang spart, zahlt am Ende den doppelten, dreifachen oder zehnfachen Preis. Am meisten geholfen haben mir deshalb nicht neue Modellversionen, sondern die Beschäftigung mit dem Rahmen, in dem Coding-Agenten arbeiten: feste Regeln, wiederverwendbare Arbeitsanweisungen, automatische Prüfschritte. Dieses Handwerk wird inzwischen unter dem Begriff Agentic Engineering zusammengefasst. Dazu kommt Spec-Driven Development, bei dem eine präzise Spezifikation am Anfang steht und nicht der Code.

Das Interessante daran: Im Kern geht es um Sprache und Fachlichkeit. Wer einem Agenten präzise sagen will, was er tun soll, muss selbst verstanden haben, worum es fachlich geht, und es so vermitteln können, dass nichts Wesentliches fehlt, in Worten oder, wenn nötig, in einer Skizze. Das ist keine Frage der Modellversion, sondern eine Fähigkeit, die mit keinem Release veraltet.

So wie sich Entwicklerinnen und Entwickler in diese Richtung weiterentwickeln müssen, gilt das auch für das Business. Denn für Unternehmen heißt die entscheidende Eingabe nicht Prompt, sondern Daten.

Daten, die nur die Gegenwart kennen

Viele Unternehmen hoffen, dass KI ihnen Spannendes über ihre Kundschaft, ihre Projekte und ihren Markt erzählt. Welche Kundinnen und Kunden buchen wieder, und warum? Ab wann gerät ein Projekt aus dem Ruder? Das kann funktionieren, aber nur, wenn die Daten es hergeben.

Genau da liegt das Problem: Die meisten IT-Systeme speichern nur den Status quo. Jede Änderung überschreibt den vorherigen Stand, und mit ihm verschwindet die Geschichte, wie es zur heutigen Lage gekommen ist.

Aus der Beratungspraxis meines Unternehmens stammt ein Beispiel, das dieses Problem anschaulich macht. Ein Unternehmen reicherte Stadtpläne mit demografischen und statistischen Daten an, um Stadtplanung besser zu unterstützen. Auf der Karte ließ sich direkt ablesen, wo beispielsweise viele Menschen mit hohem Einkommen und Interesse an Ökologie leben, die tendenziell Elektroauto fahren, aber keine Schnellladesäule in der Nähe haben.

Das funktionierte, doch etwas Wesentliches fehlte: die zeitliche Entwicklung. Verändert sich ein Stadtteil gerade stark, oder ist er seit Jahren stabil? Davon hängt ab, ob sich eine Schnellladesäule lohnt. Wechselt die Zielgruppe ständig, droht eine Fehlinvestition; bleibt das Viertel stabil, rechnet sich die Säule eher.

Ob ein Mensch oder eine KI diese Karte auswertet, spielt dabei keine Rolle. Beide sehen nur, wie es heute ist. Wie es dazu kam und wohin es sich bewegt, steht nicht in den Daten, und kein Modell der Welt kann es aus ihnen herauslesen.

Die Geschichte speichern statt überschreiben

Es gibt einen Ansatz, der genau dieses Problem löst, und er ist keineswegs neu. Er heißt Event-Sourcing und lässt sich mit einem Kontoauszug erklären: Die Bank speichert nicht nur den aktuellen Kontostand, sondern jede einzelne Buchung. Der Kontostand ergibt sich daraus, und die Geschichte bleibt vollständig erhalten.

Event-Sourcing überträgt dieses Prinzip auf beliebige Daten. Jede Veränderung wird als Ereignis festgehalten, statt den vorherigen Stand zu überschreiben. Damit lässt sich die Vergangenheit überhaupt erst auswerten. Vor allem aber werden Was-wäre-wenn-Szenarien möglich, Simulationen auf Basis des bisherigen Verhaltens und damit Projektionen in die Zukunft.

Event-Sourcing ist nicht der einzige Weg, Historie zu bewahren: Manche Datenbanken versionieren Tabellen automatisch, andere Systeme führen Änderungsprotokolle. Sie halten jedoch meist nur fest, dass und wann sich ein Wert geändert hat, nicht warum. Ob eine neue Adresse auf einen Umzug zurückgeht oder auf einen korrigierten Tippfehler, ist für die Frage, wie stabil ein Stadtteil ist, entscheidend. Event-Sourcing bewahrt genau diese fachliche Bedeutung, weil jedes Ereignis beschreibt, was tatsächlich geschehen ist.

Für KI ist das ein enormer Unterschied. Ein Modell, das eine Geschichte bekommt statt einer Momentaufnahme, kann Entwicklungen erkennen, Trends einordnen und nachvollziehen, warum etwas so gekommen ist. Genau das sind die Fragen, deren Antworten sich Unternehmen von KI erhoffen.

Transparenzhalber: Mein Unternehmen, the native web GmbH, beschäftigt sich seit vielen Jahren mit Event-Sourcing. Das prägt meinen Blick, doch das Argument hängt nicht an einem bestimmten Werkzeug. Es hängt an der Entscheidung, Veränderungen samt ihrer Bedeutung festzuhalten, statt sie zu überschreiben.

Augen offen, ohne Scheuklappen

Heißt das, neue Modelle seien egal? Keineswegs, denn es gibt einen Unterschied zwischen dem Bemühen, die Augen offen zu halten und bewusst wahrzunehmen, was sich am Markt tut, und dem Reflex, jedem neuen Release hinterherzurennen. Nicht jedem Modell nachzujagen heißt auch nicht, mit Scheuklappen auf ein einziges zu setzen. Verschiedene Modelle für verschiedene Aufgaben zu nutzen, ist völlig legitim.

Den Unterschied macht Grundlagenwissen. Wer versteht, wie diese Systeme funktionieren und wo ihre Grenzen liegen, nutzt zeitloses Wissen, um zeitbezogenes Wissen einzuordnen. Wer das beherrscht, ist dem Hype nicht mehr ausgeliefert und erkennt, wo ein neues Modell tatsächlich einen Unterschied macht.

In diesem Zusammenhang verdienen auch lokale Modelle Beachtung, die auf eigener Hardware und ohne Internetverbindung laufen. Nicht als nächstes Spielzeug, sondern weil sie die eigene Souveränität stärken: Wer Kontext und Daten beherrscht, ist weniger auf das größte Modell eines einzelnen Anbieters angewiesen. Ehrlicherweise hat das Grenzen. Modelle, die an die aktuellen Frontier-Modelle heranreichen, also an die jeweils leistungsfähigsten Modelle der großen Anbieter, verlangen Hardware, die Einzelpersonen kaum finanzieren können.

Welche Fragen Ihre Daten beantworten können

Der Hype wird vorbeigehen, wie jeder Hype vor ihm. Wer die Zeit bis dahin nutzt, um mit vorhandenen Systemen echte Probleme zu lösen, statt auf das nächste Modell zu warten, steht danach gut da. Wer nur Release-Notes verfolgt, wirkt bis dahin informiert, hat aber nichts vorbereitet.

Deshalb möchte ich Ihnen zum Schluss eine Frage mitgeben, die mehr bewegt als jeder Modellvergleich: Welche Fragen würden Sie Ihren Daten gern stellen, über Ihre Kundschaft, Ihre Projekte, Ihr Geschäft? Und könnten Ihre Daten sie beantworten?

Wenn die ehrliche Antwort Nein lautet, hilft kein neues Modell. Dann liegt die eigentliche Arbeit woanders, und es lohnt sich, heute damit anzufangen.

Unser Experte: Golo Roden

Golo Roden ist Gründer und CTO von the native web GmbH. Er beschäftigt sich mit der Konzeption und Entwicklung von Web- und Cloud-Anwendungen sowie -APIs, mit einem Schwerpunkt auf Event-getriebenen und Service-basierten verteilten Architekturen. Mit seinem Unternehmen unterstützt er Firmen dabei, ihre Daten so zu erfassen, dass sie nicht nur den aktuellen Stand, sondern die vollständige Geschichte abbilden, und entwickelt dafür die Datenbank EventSourcingDB. Darüber hinaus schreibt er regelmäßig für Fachmedien, unter anderem die Kolumne "the next big thing" auf Heise Developer. Sein Leitsatz: Softwareentwicklung ist kein Selbstzweck, sondern muss sich immer an den fachlichen Anforderungen orientieren.