Frisst der Generalist den Experten?

Erleben wir eine Inflation des Spezialistentums? Was gestern ein eigenes Fachmodell rechtfertigte, ist morgen bloß eine Funktion in einem der starken Basismodelle.

Der Unterschied zwischen Allgemeinem und Speziellem definiert, was Wissenschafts- und Fachverlage tun. Und lange schien es, als bliebe das auch in der digitalen Zukunft so. Viele AI-gestützte Produkte treten als spezialisierte künstliche Intelligenz auf, während die zugrunde liegende Fähigkeit zugleich generell einsetzbare Massenware ist. Dahinter steht ein robuster technischer Trend: Seit Jahren zeigen Skalierungsgesetze, dass Sprachmodelle mit mehr Daten, Rechenleistung und Modellkapazität im Mittel besser werden. Das schließt Fachwissen ganz explizit nicht aus. Könnte es in der Folge sein, dass der wirtschaftliche Wert einer guten Antwort sinkt, weil die größten Generalisten dieselbe Antwort ebenfalls liefern – oft ohne branchenspezifisches Training und ohne das von der Branche geforderte Premium in Form hoher Preise?

Gleichzeitig fällt der Preis der Leistungsfähigkeit. Laut Stanford AI Index 2025 sanken die Abfragekosten eines Systems auf GPT-3.5-Niveau zwischen November 2022 und Oktober 2024 von 20 Dollar auf 7 Cent je Million Tokens – um mehr als das 280-Fache. Damit entsteht doppelter Druck: Frontier-Labore verschieben die Leistungsgrenze nach oben, effizientere Modelle drücken unten die Kosten pro Einheit. Lediglich die explodierende Nutzung treibt die Gesamtkosten.

Sitzt der Spezialanbieter in der Falle? Sein Produkt kann binnen Monaten von einem neuen API-Modell qualitativ eingeholt und von einem kleineren offenen Modell preislich unterboten werden. Man könnte es AI-Inflation nennen.

Die Medizin liefert dafür ein aufschlussreiches Beispiel. Die vor Kurzem in Nature Medicine veröffentlichte Vergleichsstudie testete OpenEvidence und UpToDate Expert AI gegen GPT-5.2, Gemini 3.1 Pro und Claude Opus 4.6: 500 MedQA-Fragen, 500 HealthBench-Aufgaben und 100 reale ärztliche Anfragen, deren Antworten von zwölf Medizinern verblindet bewertet wurden. Ergebnis des Vergleichs: Die Generalisten lagen in allen drei Teilen vorn. Bei MedQA erreichte Gemini 97,4 Prozent, OpenEvidence 89,6 Prozent und UpToDate 88,4 Prozent. Bei den realen Anfragen bildeten die drei Frontier-Modelle ebenfalls die Spitzengruppe.

Das ist kein Einzelfall. Schon eine Studie mit biomedizinisch feinabgestimmten Open-Source-Modellen fand in Klinikaufgaben häufig keinen Vorteil der Spezialisten. Besonders drastisch: OpenBioLLM-8B kam bei NEJM-Fällen auf 30 Prozent, sein generalistisches Basismodell Llama-3-8B-Instruct auf 64,3 Prozent. Spezialisierung kann also offenbar Wissen hinzufügen und zugleich allgemeine Fähigkeiten beschädigen.

Doch Vorsicht: OpenEvidence ist streng genommen kein öffentlich dokumentiertes „kleines Modell“. Es ist ein spezialisiertes klinisches System; Architektur, Basismodell und Trainingspipeline sind proprietär. Der Vergleich belegt daher nicht schlicht „groß schlägt klein“. Er zeigt etwas ökonomisch Wichtigeres: Auch ein vertikales Produkt mit kuratierten Quellen und Retrieval kann von der nächsten Generation horizontaler Modelle eingeholt werden.

Und selbst dieses Ergebnis ist nicht das letzte Wort in dem Fall. Ein späteres, bislang nicht peer-reviewtes Real-POCQi-Preprint kommt zum Gegenbild. 149 fachlich zugeordnete Ärzte verglichen Antworten auf 620 aus der OpenEvidence-Nutzung abgeleitete Praxisfragen sowie 187 HealthBench-Fragen. OpenEvidence wurde bei Genauigkeit, klinischem Nutzen, Quellenqualität, Prüfbarkeit und Vollständigkeit am höchsten bewertet; die Netto-Siegmargen lagen bei 25 bis 39 Prozentpunkten. Das Studiendesign wurde mit OpenEvidence abgestimmt und die Fragen stammen aus dessen Plattform – ein Kontext, der ebenso offengelegt werden muss wie der Status als Preprint.

Der scheinbare Widerspruch ist die eigentliche Erkenntnis.

Benchmarks messen nicht neutral „Intelligenz“, sondern eine konkrete Aufgabe, Nutzergruppe und Bewertungsmethode. Prüfungsfragen belohnen breites Wissen und starke Reasoning-Fähigkeiten. Ärztliche Praxis belohnt zusätzlich aktuelle Belege, gute Zitate, Verifizierbarkeit und einen passenden Workflow. Wer das Messfeld verschiebt, kann auch den Sieger verschieben.

Deshalb sollte man aus dem Nature-Ergebnis weder ableiten, dass allgemeine Chatbots bedenkenlos klinische Entscheidungen treffen dürfen, noch aus dem Real-POCQi-Ergebnis, dass ein Spezialprodukt grundsätzlich überlegen ist. Beide Studien vergleichen Systeme zu einem bestimmten Zeitpunkt. Geschlossene Modelle ändern sich, Produkte aktualisieren Retrieval und Prompts, und öffentliche Tests können in Trainingsdaten auftauchen. In Hochrisikobereichen zählen deshalb prospektive Evaluation, Fehleranalyse und menschliche Verantwortung mehr als eine einzelne Leaderboard-Zahl.

Kleine Spezialmodelle sind unter Druck, wie schon häufiger, aber keineswegs erledigt. Für klar begrenzte Vorhersagen können sie überlegen sein: Ein 2026 veröffentlichter Preprint zu Krankenhausabläufen berichtet, dass ein klinisch vortrainiertes 1-Milliarden-Parameter-Modell nach Feinabstimmung größere Generalisten bei operativen Aufgaben übertraf – teils Modelle mit bis zu 671-mal mehr Parametern im Zero-Shot-Vergleich. Kleine Modelle punkten zudem dort, wo Kosten, Latenz, Datenschutz, lokaler Betrieb und reproduzierbares Verhalten hoch gewichtet werden.

Aber der Burggraben darf nicht „Wir kennen die Fachsprache“ heißen. Dieses Wissen wird vom Basismodell absorbiert. Verteidigungsfähig sind allein exklusive, laufend aktuelle Daten; belastbare Evaluationen am echten Einsatzfall; regulatorische Freigaben; Integration in Arbeitsabläufe; nachvollziehbare Quellen; und messbar niedrigere Gesamtkosten. Besonders aussichtsreich erscheint die Kombination: Ein großer Generalist orchestriert, kleine Spezialisten liefern präzise Signale. Eine Nature-Biomedical-Engineering-Studie demonstriert genau dieses Generalist-Spezialist-Prinzip über 32 medizinische Datensätze hinweg.

Für Gründer und Investoren folgt daraus ein nüchterner Vier-Fragen-Test.

Erstens: Wird der Kundennutzen noch bestehen, wenn das nächste Basismodell die heutige Kernaufgabe ohne Bedarf nach Fine-Tuning löst? Zweitens: Besitzt das Produkt Daten oder Feedbackschleifen, die der Plattformanbieter nicht einfach einkaufen kann? Drittens: Ist die Qualität in realen Fällen nachweisbar – einschließlich Ausfällen, nicht nur Durchschnittswerten? Viertens: Senkt das System nachweislich Zeit, Risiko oder Kosten im gesamten Arbeitsprozess? Wer diese Fragen nicht beantworten kann, verkauft womöglich nur eine vorübergehende Verpackung fremder Intelligenz.

Meine Sorge bleibt deshalb vermutlich berechtigt, aber sie braucht eine Präzisierung. Große Modelle werden viele kleine Fachmodelle nicht deshalb verdrängen, weil Spezialisierung nutzlos ist. Sie verdrängen sie, wenn die Spezialisierung nur im Modell an sich steckt. Wer dagegen Daten, Vertrauen, Evaluation und Workflow besitzt, verkauft kein Modell mehr, sondern eine verlässliche Entscheidungskette – oder Gesamtlösung. In einer Welt der AI-Inflation ist das der Unterschied zwischen einer austauschbaren Funktion und einem dauerhaften Produkt.