Was ist ein Foundation Model?

Ein Foundation Model ist ein KI Modell, das auf sehr großen und breiten Datenmengen trainiert wurde und sich danach für viele verschiedene Aufgaben einsetzen lässt. Es ist das Fundament, auf dem Chatbots wie ChatGPT, Gemini oder Claude aufsetzen. Das Modell selbst kennt keine Aufgabe, es kennt Sprache, Bilder und Muster. Was es konkret tun soll, kommt erst durch Anpassung und Prompts dazu.

Der Begriff stammt aus dem Jahr 2021 vom Center for Research on Foundation Models der Stanford University. Die Forschungsgruppe um Rishi Bommasani wollte damit ausdrücken, dass solche Modelle zur Grundlage für ganze Produktfamilien werden, ähnlich wie ein Fundament für viele Häuser. Seitdem hat sich der Begriff in Wirtschaft und Politik durchgesetzt.

Für euch als Unternehmen zählt vor allem eine Frage: Braucht ihr überhaupt ein Alleskönner Modell? Oft erledigt ein kleineres, auf eure Aufgabe zugeschnittenes Modell den Job besser und günstiger.

Wir arbeiten täglich mit beiden Welten: mit großen Modellen aus der Cloud und mit kleinen Modellen, die lokal über Ollama laufen. Deshalb wissen wir, wo ein Alleskönner wirklich nötig ist und wo ein kleines Modell in einem n8n Workflow dieselbe Aufgabe zuverlässiger löst. Bei europäischen Modellen wie Mistral oder Kolibri helfen wir Teams, sie richtig einzuordnen.

Dazu gehören Self Hosted KI für Unternehmen, die NCA MCP Middleware für Unternehmensdaten, die DSGVO Beratung für KI Projekte und eine KI Strategie für Unternehmen, die mit der Aufgabe beginnt.

Drei Eigenschaften unterscheiden ein Foundation Model von klassischer KI:

• Breite Daten: Trainiert wird auf riesigen Mengen Text, Code und oft auch Bildern aus vielen Bereichen, nicht auf Daten zu einem einzigen Zweck.
• Ein Modell, viele Aufgaben: Dasselbe Modell schreibt Texte, fasst zusammen, übersetzt, beantwortet Fragen und ruft Werkzeuge auf.
• Anpassbar: Durch Feinabstimmung, Prompts oder Anbindung eigener Daten per RAG entsteht aus dem allgemeinen Modell eine konkrete Anwendung.

Große Sprachmodelle sind die bekannteste Art von Foundation Models. Was ein Large Language Model technisch ist, erklären wir im Glossar zu Large Language Models. Daneben gibt es Foundation Models für Bilder, Sprache und Video.

Ein Foundation Model kann fast alles ein bisschen. Eine domänenspezifische KI kann eine Sache richtig gut. Beides hat seinen Platz, und in der Praxis entscheidet die Aufgabe.

Ein Foundation Model passt, wenn die Aufgaben offen und wechselnd sind: freie Texte, Recherche, Brainstorming, Fragen zu beliebigen Themen. Hier zahlt sich das breite Wissen aus.

Ein spezialisiertes Modell passt, wenn die Aufgabe klar umrissen ist und oft wiederkehrt: Anfragen sortieren, Dokumente klassifizieren, Felder aus Formularen ziehen, Antworten nach festem Schema erzeugen. Hier ist ein kleines Modell oft schneller, günstiger, besser kontrollierbar und läuft auf eigener Hardware.

Viele Unternehmen setzen beides ein: ein kleines Modell für die wiederkehrenden Aufgaben im Workflow und ein großes Modell nur dort, wo wirklich Reasoning oder breites Wissen nötig ist. Ein LLM Gateway verteilt die Anfragen dann automatisch.

Der EU AI Act verwendet den Begriff Foundation Model nicht direkt. Er spricht von KI Modellen mit allgemeinem Verwendungszweck, auf Englisch General Purpose AI. Gemeint ist dasselbe: Modelle, die für viele verschiedene Aufgaben taugen und in viele Anwendungen eingebaut werden können.

Für die Anbieter solcher Modelle gelten seit August 2025 eigene Pflichten, etwa technische Dokumentation, Informationen für nachgelagerte Anbieter und eine Zusammenfassung der Trainingsdaten. Für besonders leistungsstarke Modelle kommen zusätzliche Pflichten zur Risikobewertung dazu.

Für euch als Nutzer eines Modells ist vor allem relevant: Wer ein Foundation Model in ein eigenes Produkt einbaut, braucht die Dokumentation des Anbieters. Bei offenen Gewichten liegt sie in der Modellkarte. Bei einer reinen API hängt ihr von dem ab, was der Anbieter herausgibt. Quelle sind die Artikel 51 bis 55 der KI Verordnung.

Geschlossene Foundation Models gibt es nur über die API des Herstellers. Ihr schickt Daten hin und bekommt Antworten zurück. Das ist bequem, aber eure Daten verlassen das Haus, und der Hersteller kann das Modell jederzeit ändern oder abschalten.

Offene Foundation Models veröffentlichen ihre Gewichte. Ihr könnt sie herunterladen und bei einem Hoster in Deutschland betreiben, kleine Varianten auch auf eigener Hardware. Aus Europa kommen zum Beispiel Mistral Small und Mistral Large aus Frankreich, Aleph Alpha Kolibri aus Heidelberg und Soofi S aus dem deutschen Forschungskonsortium.

Wie ihr bei der Auswahl vorgeht, ohne auf Anbieter aus den USA angewiesen zu sein, steht in unserem Guide Welches KI Modell ohne US Anbieter.

Am Anfang steht bei uns die Aufgabe. Erst wenn klar ist, was die KI im Prozess tun soll, welche Daten sie sieht und wie das Ergebnis geprüft wird, schauen wir auf Kandidaten.

• Aufgabe beschreiben: Eingabe, erwartete Ausgabe, Fehlertoleranz, Datenschutz.
• Zwei bis drei Modelle testen: ein kleines, ein mittleres, bei Bedarf ein Foundation Model, mit euren echten, anonymisierten Beispielen.
• In den Workflow einbauen: als Schritt in n8n, mit Logging und menschlicher Freigabe an den Stellen, die zählen.
• Austauschbar halten: über ein Gateway, damit ein besseres Modell später ohne Umbau reinkommt.

Wer das Thema im ganzen Unternehmen verankern will, findet den passenden Rahmen im NCA KI Workshop für Unternehmen. Am Anfang steht ein kostenloses Kennenlernen, abgerechnet wird transparent nach Minuten.

Hier beantworten wir die wichtigsten Fragen zu Foundation Models, dem Unterschied zu spezialisierten Modellen und dem Einsatz im Unternehmen.