Was ist ein Large Language Model (LLM)?

Auf einen Blick

• LLM ist die Abkürzung für Large Language Model, zu Deutsch „großes Sprachmodell“.
• LLMs berechnen auf Basis gelernter Muster, welches Wort als Nächstes am wahrscheinlichsten folgt.
• Multimodale LLMs verarbeiten neben Text auch Bilder, Audio oder Dokumente.
• Im Business Intelligence erklären LLMs Zahlen, rechnen aber nicht verlässlich. Die Kennzahlen sollten aus dem BI-System kommen.
• In DeltaMaster und DeltaApp stecken LLM-basierte Funktionen für Chat, Sprachsteuerung, Ursachenanalyse und Executive Summaries.

Large Language Models: Definition und Einordnung

LLM ist die Abkürzung für Ein Large Language Model und bedeutet auf Deutsch etwa „großes Sprachmodell“. Es beschreibt ein neuronales Netz, das Sprache statistisch modelliert und dadurch Texte versteht und erzeugt.

„Large“ bezieht sich auf zwei Größen: die Menge der Trainingsdaten und die Zahl der Parameter, die bei aktuellen Modellen im Milliardenbereich liegt.

LLMs sind eine Form der generativen KI und bauen auf Deep Learning auf. Sie sind die Technik hinter bekannten KI-Assistenten und hinter vielen KI-Funktionen in Business-Software.

Wie funktionieren Large Language Models?

Ein LLM sagt Schritt für Schritt voraus, welches Textstück als Nächstes am wahrscheinlichsten folgt. Aus dieser einfachen Aufgabe entstehen durch enorme Datenmengen Fähigkeiten wie Zusammenfassen, Übersetzen oder Beantworten von Fragen.

Technisch basieren fast alle aktuellen LLMs auf der Transformer-Architektur. Ihr Kern ist der Attention-Mechanismus: Das Modell gewichtet für jedes Wort, welche anderen Wörter im Text für seine Bedeutung wichtig sind.

Wichtig für den Unternehmenseinsatz: Ein LLM speichert kein Faktenregister, sondern Wahrscheinlichkeiten. Deshalb kann es überzeugend klingende, aber falsche Aussagen erzeugen. Diese sogenannten Halluzinationen lassen sich nur durch geprüfte Datenquellen und menschliche Kontrolle eingrenzen.

Welche Arten von LLMs gibt es?

LLMs unterscheiden sich nach Eingabeart, Größe und Bereitstellung. Für Unternehmen ist vor allem relevant, ob ein Modell Bilder verarbeiten kann und ob es sich im eigenen Rechenzentrum betreiben lässt.

Ein multimodales Large Language Model (MLLM) verarbeitet beispielsweise mehrere Datenarten, etwa Text, Bilder, Audio oder Video. Es kann zum Beispiel ein Diagramm beschreiben, eine gescannte Rechnung auslesen oder eine Frage zu einem Screenshot beantworten.

Welche Beispiele für Large Language Models gibt es?

Zu den bekanntesten Large Language Models zählen die Modellfamilien GPT, Claude, Gemini, Llama und Mistral. Die Anbieter veröffentlichen in kurzen Abständen neue Versionen, deshalb nennt die folgende Tabelle nur die Modellfamilien.

Für die Auswahl im Unternehmen zählt weniger der Modellname als die Frage, wo die Daten verarbeitet werden, welche Verträge gelten und wie gut das Modell in bestehende Systeme passt.

Wofür brauchen Unternehmen Large Language Models?

Viele Unternehmen nutzen LLMs, um Wissen aus Daten und Dokumenten schneller verfügbar zu machen. Im Controlling und Business Intelligence verkürzen LLMs vor allem den Weg von der Zahl zur Erklärung.

Typische Aufgaben im Controlling sind:

• Berichte kommentieren: Das LLM formuliert aus erkannten Abweichungen einen verständlichen Management-Kommentar.
• Fragen in natürlicher Sprache stellen: Fachanwender fragen „Warum liegt der Umsatz im Süden unter Plan?“ statt Filter zu setzen.
• Unstrukturierte Daten erschließen: Das LLM wertet Gesprächsprotokolle, Support-Tickets oder Produktionsberichte aus und ergänzt damit die Kennzahlen.
• Handlungsempfehlungen ableiten: Auf Basis der Analyse schlägt das LLM mögliche Maßnahmen vor, die ein Mensch prüft und entscheidet.

Ein LLM ersetzt dabei kein Data Warehouse und keine BI-Software. Es sitzt als Sprachschicht darüber und ist nur so gut wie die Datenqualität darunter.

Was bedeutet Large Language Model Optimization?

Large Language Model Optimization bezeichnet zwei verschiedene Dinge: die technische Anpassung eines Modells an eine Aufgabe und, im Marketing, die Sichtbarkeit von Inhalten in KI-Antworten.

Im technischen Sinn ist Optimierung zunächst mathematisch gemeint. Beim Training wird eine Verlustfunktion minimiert, bis das Modell möglichst gute Vorhersagen liefert. Für Anwender relevanter sind die Wege, ein fertiges Modell für den eigenen Einsatz anzupassen:

Welche LLM-Lösung passt zu welchem Anwendungsfall?

Die passende Lösung hängt davon ab, welche Daten das LLM verarbeiten soll und wie verlässlich das Ergebnis sein muss. Für Kennzahlen gilt: Je höher die Anforderung an Richtigkeit, desto enger muss das LLM an ein geprüftes Datenmodell gebunden sein.

Welche Fehler kommen beim LLM-Einsatz oft vor und wie vermeidet man diese?

Die häufigsten Fehler entstehen, wenn Unternehmen einem LLM Aufgaben geben, für die es nicht gebaut ist, oder wenn die Datenbasis fehlt.

Praxisbeispiel: Deckungsbeitragsabweichung im Vertriebscontrolling

Ein Industrieunternehmen stellt im Monatsbericht fest: Der Deckungsbeitrag der Region Süd liegt 8 Prozent unter Plan. Bisher hätte der Controller Filter gesetzt, Berichte umgestellt und eine Management-Summary von Hand geschrieben.

Mit DeltaMaster fragt die Vertriebsleiterin direkt: „Warum liegt der Deckungsbeitrag in der Region Süd unter Plan?“ Die KI-Analyse führt einen Drill-down über Produktgruppen und Kunden durch. Dadurch erhält sie das Ergebnis: Zwei Großkunden haben höhere Rabatte erhalten, der Absatz liegt im Plan.

Das LLM ergänzt die Zahlen um Kontext aus den angebundenen Vertriebsgesprächsprotokollen. Dort ist ein Wettbewerbsangebot dokumentiert, das die Rabatte erklärt. Die KI formuliert daraus eine Einordnung und schlägt Maßnahmen vor, etwa eine Überprüfung der Rabattstaffel. Nach Prüfung durch die Controllerin versendet der DeltaMaster Publisher die Zusammenfassung an die Geschäftsleitung.

Entscheidend ist die Arbeitsteilung: Die Zahlen stammen aus dem BI-Datenmodell, das LLM erklärt sie. So bleibt jede Aussage auf eine Kennzahl zurückführbar.

Anwendungsbeispiele: Wo werden Large Language Models eingesetzt?

LLMs machen Wissen aus Daten und Dokumenten schneller verfügbar. Im Controlling und Business Intelligence verkürzen sie vor allem den Weg von der Zahl zur Erklärung.

Zusammenfassung

Ein Large Language Model ist ein großes Sprachmodell, das Texte versteht und erzeugt, indem es das wahrscheinlichste nächste Wort berechnet. Im Controlling entfaltet ein LLM seinen Nutzen, wenn es auf einer geprüften Datenbasis arbeitet und Zahlen erklärt, statt sie selbst zu berechnen. Bissantz verbindet beides in DeltaMaster: Kennzahlen kommen aus dem BI-Modell, während Erklärungen und Empfehlungen durch das LLM erzeugt werden.