Früher trainierte man für jede Fachdomäne ein eigenes Sprachmodell. Man baute einen Tokenizer für Fachbegriffe, feinjustierte die Gewichte auf domänenspezifische Texte. Das Ergebnis war ein massgeschneidertes Modell. In der Praxis hob dieser Ansatz nie richtig ab. Der Trade‑off war zu gross: spezialisieren auf eine Nische heisst Allgemeinheit verlieren. Die meisten Unternehmen brauchen ein Modell, das Fachsprache und allgemeine Anfragen beherrscht. Alan Yahya, ein erfahrener KI‑Infrastrukturentwickler, erklärt, warum dieser Weg scheiterte und welche Richtung sich abzeichnet.
Die Spezialisierung verlagert sich aus den Modellgewichten in die Umgebung des Modells – in sogenannte Harnesses. Ein Harness ist die Softwarearchitektur, die das Modell umgibt und steuert. Er verwaltet Gedächtnis, Informationsabruf, Planung und Werkzeuge. Das Modell selbst ist stateless. Der Harness liefert Anweisungen, Kontext, Werkzeuge, Fehlerbehandlung. So wird die Anpassung an eine Domäne zur Konfigurationsfrage, nicht zum Neutrainieren. Yahya betont: Diese Verlagerung erhält die Allgemeinheit des Modells und erlaubt gleichzeitig tiefe Spezialisierung.
Gedächtnis und Werkzeuge im Harness
Ein zentrales Element eines Harness ist das Gedächtnis (Memory). Informationen in einer Fachdomäne lassen sich als Graph oder Ontologie abbilden. Ein juristischer Harness behält rohe Dateiverweise, damit das Modell jederzeit den Originaltext nachschlagen kann. In einem Forschungsumfeld, wo konzeptuelle Zusammenfassungen wichtiger sind, darf der Agent verdichten und abstrahieren. Die Compaction – die Strategie, wie der Harness den Arbeitskontext verwaltet – entscheidet, was bewahrt, wie es repräsentiert und was verworfen wird. Im Recht wäre es fahrlässig, Quellverweise zu löschen; in der kreativen Textarbeit reicht eine Zusammenfassung. Dieser Unterschied macht den Harness zu einem mächtigen Hebel für Domänenanpassung, ohne die Modellgewichte zu berühren.
Werkzeuge (Tools) sind der zweite Baustein. Sie geben dem Modell die Fähigkeit, die Aussenwelt zu beobachten oder zu verändern: Suchen, Dateizugriff, Code‑Ausführung, API‑Aufrufe, Datenbankabfragen. Ein Harness kann domänenspezifische Ein‑ und Ausgaben erzwingen, Validierungsschleifen einbauen und sicherstellen, dass der Agent vor einer Änderung eine bestimmte Datenbank konsultiert. Yahya beschreibt dies als Möglichkeit, die korrekte Verwendung domänenspezifischer Daten zu erzwingen. Die Entscheidungslogik wird in den Harness verlagert – reproduzierbar, testbar, anpassbar. Das ist ein entscheidender Vorteil gegenüber dem Fine‑Tuning, bei dem man kaum Kontrolle über einzelne Verhaltensweisen hat.
Schwindender Vorteil des Fine-Tunings
Einwurf: Die grossen Frontier‑Modelle werden bereits auf ihre eigenen Harnesses nachtrainiert. OpenAI, Anthropic, Google post‑trainieren ihre Modelle auf die Werkzeuge, Aufrufkonventionen, Fehlermeldungen und Speicherstrategien ihrer Umgebung. Hat dieser Hebel noch Bedeutung? Yahya räumt ein, dass eine Anpassung der Modellgewichte an die Umgebung einen gewissen Vorteil bringt. Aber dieser Vorteil schwindet rapide. Bei der heutigen allgemeinen Leistungsfähigkeit reicht meist ein Retry‑Loop mit einer umfassenden Fehlermeldung, damit das Modell einen Werkzeugaufruf beim zweiten Mal richtig macht. Die Differenz zwischen einem Modell, das auf seinen Harness optimiert ist, und einem allgemeinen Modell mit klarem Harness wird zunehmend vernachlässigbar.
Für Entwickler und Unternehmen heisst das: Statt Monate und hohe Kosten in Training oder Fine‑Tuning eines spezialisierten Modells zu investieren, können sie auf modulare, quelloffene Harness‑Systeme zurückgreifen. Yahya verweist auf Beispiele wie Project Pi, Codex, Qwen Code, OpenCode, Gemini CLI und Grok Build. Diese Systeme sind open source oder öffentlich verfügbar. Die Bausteine sind da – sie müssen nur auf die eigene Domäne zugeschnitten werden. Die Kunst besteht darin, Gedächtnis, Werkzeuge, Validierung und Kompaktierungsstrategie zu definieren. Einmal konfiguriert, kann der Harness mit jedem leistungsfähigen Basismodell kombiniert werden. Das eröffnet Freiheitsgrade, die das alte Modell der Spezialisierung nie bieten konnte.
Basismodell plus konfigurierter Harness
Harnesses trennen die Verantwortlichkeiten sauber: Gedächtnis ist ein austauschbares Modul, Werkzeuge sind steckbar, die Planungskomponente kann ausgetauscht werden. Yahya stellt sich eine Zukunft vor, in der Unternehmen nicht mehr ein „Juristen‑Modell“ oder „Medizin‑Modell“ kaufen, sondern ein Basis‑Modell plus einen konfigurierten Harness, der alle domänenspezifischen Regeln, Ontologien und Workflows enthält. Das reduziert Kosten und Abhängigkeit von einzelnen Modellanbietern. Der Harness ist unabhängig vom Modell – er kann mit Llama, GPT, Claude oder Gemini arbeiten, solange die Schnittstellen passen.
Yahya räumt Grenzen ein: Für extrem sicherheitskritische Anwendungen in Medizintechnik oder Luftfahrt kann ein speziell trainiertes Modell mit deterministischeren Eigenschaften sinnvoll sein. Für die allermeisten Use Cases – legale Dokumentenanalyse, Softwareentwicklung, wissenschaftliche Recherche – reicht die Kombination aus leistungsfähigem Basismodell und massgeschneidertem Harness. Entscheidend ist die Bereitschaft, die Anpassung dorthin zu verlagern, wo sie am meisten Wirkung zeigt: in die Infrastruktur, nicht in die neuronalen Gewichte.
Vom Modell zur Umgebung
Domänenspezifische Harnesses verändern, wie wir KI in Fachgebieten einsetzen. Statt „Welches Modell trainieren wir?“ fragen wir „Welche Umgebung bauen wir?“. Die Allgemeinheit der Modelle bleibt erhalten, die Flexibilität steigt, die Kosten sinken. Wer heute in domänenspezifische KI investiert, sollte die Hebel im Harness suchen, nicht in den Gewichten. Das erleichtert die Suche nach echten Problemlösungen.
Quelle: alanyahya.com
