Fine-Tuning ist das Nachtrainieren eines fertigen KI-Modells mit eigenen, meist fachspezifischen Daten, damit es eine bestimmte Aufgabe, Tonalität oder Branche besser beherrscht. Ausgangspunkt ist ein allgemein vortrainiertes Basismodell; in einem zweiten, deutlich kleineren Trainingslauf lernt es aus Beispielen, etwa tausenden Frage-Antwort-Paaren aus dem eigenen Support. Dabei verändern sich die inneren Parameter des Modells selbst: Stil, Struktur und Verhalten passen sich dauerhaft an.
Für frisches Faktenwissen ist das Verfahren dagegen wenig geeignet, dafür existiert RAG; in der Praxis werden beide oft kombiniert. Der Aufwand ist überschaubarer geworden, unter anderem durch sparsame Verfahren wie LoRA, die nur einen kleinen Teil des Modells anpassen; nötig bleiben kuratierte Trainingsdaten und Tests der Ergebnisse.
Wer mit Kunden- oder Mitarbeiterdaten nachtrainiert, braucht dafür zudem eine tragfähige datenschutzrechtliche Grundlage (DSGVO).