Ein Foundation Model ist ein großes KI-Modell, das in großem Umfang auf umfangreichen Daten vortrainiert wird und sich für viele nachgelagerte Aufgaben anpassen lässt, es löst damit das ältere Paradigma ab, für jedes Problem ein eigenes, eng gefasstes Modell zu entwickeln.
Ein Foundation Model ist ein umfangreiches KI-Modell, das in sehr großem Maßstab auf breiten, oft unstrukturierten Daten vortrainiert wird. Anschließend passt man es an eine Vielzahl nachgelagerter Aufgaben an. Entscheidend ist seine universelle Einsetzbarkeit: Ein einziges Modell bildet die Basis für zahlreiche Anwendungen, statt dass man es für jedes Problem von Grund auf neu trainiert.
Geprägt hat den Begriff 2021 das Center for Research on Foundation Models der Universität Stanford, und zwar in einem Paper unter der Leitung von Percy Liang und Rishi Bommasani. Sie suchten nach einer Bezeichnung dafür, was Modelle wie GPT-3, BERT und CLIP gemeinsam haben: Sie bilden ein Fundament, auf dem unzählige spezialisierte Systeme aufbauen. Seither hat sich der Begriff in der Diskussion über moderne KI in Wirtschaft und Wissenschaft als Standard etabliert.
Foundation Models decken die meisten Datentypen ab, auf die es Finanzteams ankommt. Zu den Text-Foundation-Models, auch Large Language Models genannt, zählen GPT, Claude und Gemini. Vision-Foundation-Models wie DALL-E, Stable Diffusion und ImageGen verarbeiten Bilder, und dokumentenorientierte Vision-Language-Models lesen Rechnungen und Zahlungsavise aus. Code-Modelle wie Codex und CodeLlama sind auf Programmiersprachen spezialisiert.
Zu den neueren Entwicklungen gehören Tabellen-Foundation-Models wie TabPFN und TabICL für tabellarische Daten im Spreadsheet-Format, Zeitreihen-Foundation-Models wie TimesFM, Chronos, Moirai und Lag-Llama für Prognosen, Audiomodelle wie Whisper sowie Biologiemodelle wie AlphaFold. Multimodale Systeme wie GPT-4o, Claude und Gemini vereinen mehrere davon in einem einzigen Modell.
Ein vortrainiertes Foundation Model kommt selten unverändert zum Einsatz. Teams passen es mit einigen wenigen, gut erprobten Techniken an. Am günstigsten gelingt das über Prompting: Sie beschreiben die Aufgabe einfach in natürlicher Sprache und lassen das Modell antworten. Retrieval Augmented Generation, kurz RAG, ergänzt einen Suchschritt, der relevante Dokumente in den Prompt einspeist. So bleiben die Antworten in Ihren eigenen Daten verankert.
Beim Fine-Tuning trainieren Sie das Modell auf einem kleineren, gelabelten Datensatz weiter und spezialisieren es so auf eine Domäne oder einen Stil. Das ist aufwendiger, liefert aber präzisere Ergebnisse. Agentische Workflows betten das Modell in eine Schleife ein, die Werkzeuge aufruft, Datenbanken abfragt und Aktionen ausführt. Aus dem passiven Antwortgeber wird so ein aktiver Mitarbeiter. Die meisten Produktivsysteme kombinieren diese Ansätze, etwa RAG plus Prompting mit einer schlanken Agentenschicht.
Für den Durchbruch dieses Ansatzes gibt es drei Gründe. Erstens das Transferlernen: Wissen, das ein Modell im Pre-Training aufgenommen hat, lässt sich auf neue Aufgaben übertragen, und zwar mit wenigen oder ganz ohne zusätzliche Daten. Gegenüber früheren Machine-Learning-Ansätzen, die pro Aufgabe Tausende gelabelter Beispiele brauchten, ist das ein Quantensprung. Zweitens die Konsolidierung: Ein einziges Allzweckmodell ersetzt eine ganze Flotte spezialisierter Modelle. Das vereinfacht den Technologie-Stack und den Betrieb.
Drittens emergente Fähigkeiten: Je größer die Modelle werden und je mehr Trainingsdaten sie verarbeiten, desto eher entstehen Fähigkeiten wie mehrstufiges Schlussfolgern, Codegenerierung und Tool-Nutzung, ganz ohne dass jemand sie explizit programmiert. Breite Abdeckung, geringere Grenzkosten pro Aufgabe und überraschende neue Fähigkeiten bei wachsender Skalierung: Deshalb beginnt im Jahr 2026 nahezu jede ernstzunehmende KI-Roadmap mit Foundation Models.
Foundation Models greifen in jede Phase des Order-to-Cash ein. Text-Foundation-Models sortieren Kunden-E-Mails vor, analysieren Streitfälle und erstellen Mahnungen. Sie lesen täglich Tausende Nachrichten, leiten sie je nach Anliegen weiter oder beantworten sie direkt. Vision-Foundation-Models lesen strukturierte Daten aus Rechnungen, Zahlungsavise und Kontoauszügen aus. So entfällt der Großteil der manuellen Erfassung im Zahlungsabgleich (Cash Application).
Tabellen-Foundation-Models prognostizieren das Kreditrisiko und das Zahlungsverhalten aus Buchhaltungs- und ERP-Daten, und das mit deutlich weniger Feature-Engineering als klassische Scorecards. Zeitreihen-Foundation-Models prognostizieren Cashflow, DSO (Debitorenlaufzeit) und die Altersstruktur der Forderungen. Bei kleinen Finanzdatensätzen schlagen sie dabei häufig handoptimierte ARIMA- oder Prophet-Pipelines. Eine einzige AR-Plattform betreibt heute routinemäßig mehrere Modalitäten parallel: Ein Modell liest die E-Mail, ein zweites den Anhang, ein drittes bewertet den Kunden und ein viertes aktualisiert die Prognose. Transformance.ai kombiniert mehrere Foundation-Model-Modalitäten über alle Debitorenprozesse hinweg, siehe unsere Research-Notes zu Cross-Modal-Benchmarks.
Foundation Models in Finanzteams einzuführen, heißt mehr, als nur ein Modell auszuwählen. Die Kosten pro Inferenz fallen ins Gewicht, sobald Sie jährlich Millionen von Rechnungen oder E-Mails verarbeiten. Leistungsstarke Textmodelle kosten schnell das Zehn- bis Hundertfache kleinerer, spezialisierter Modelle. Und die Latenz zählt überall dort, wo es um Echtzeit geht: etwa bei Live-Chats im Streitfallmanagement oder bei sofortigen Kreditentscheidungen.
In regulierten Branchen stellen sich zentrale Fragen zu Datenresidenz und Anbieterabhängigkeit. Viele Teams brauchen Modelle, die in der eigenen Region oder auf privater Infrastruktur laufen. Prüfen Sie zudem diszipliniert, was das Modell wirklich leistet, denn Foundation Models können halluzinieren. Im Finanzwesen aber toleriert niemand selbstbewusst präsentierte, aber falsche Zahlen. Für den produktiven Einsatz gilt deshalb als Mindeststandard: durchdachtes Prompt-Design, RAG über vertrauenswürdige Quellen, eine menschliche Prüfung bei wichtigen Entscheidungen und laufendes Benchmarking.
Es ist ein großes KI-Modell, das einmal auf riesigen Mengen breit gefächerter Daten trainiert wird und sich danach für viele verschiedene Aufgaben wiederverwenden lässt. So müssen Sie nicht jedes Mal ein neues Modell von Grund auf trainieren.
Large Language Models sind eine Art von Foundation Model, konkret solche mit Fokus auf Text. Foundation Models verarbeiten darüber hinaus auch Bilder, Code, tabellarische Daten, Zeitreihen und Audio.
Geprägt hat ihn 2021 das Center for Research on Foundation Models der Stanford University. Beschreiben wollte man damit Modelle wie GPT-3, BERT und CLIP, die als Basis für zahlreiche nachgelagerte Anwendungen dienen.
Über Prompting, Retrieval Augmented Generation, Fine-Tuning und agentische Workflows, oft in Kombination. Am günstigsten und am gängigsten steigen Sie über Prompting und RAG ein.
Textmodelle bearbeiten E-Mails und Streitfälle, Vision-Language-Modelle extrahieren Daten aus Rechnung und Zahlungsavis, tabellarische Modelle liefern Bonitäts- und Zahlungsprognosen und Zeitreihenmodelle unterstützen die Cashflow-Prognose.
Halluzinationen, Kosten bei großem Volumen, Latenz, Datenresidenz und Anbieterabhängigkeit. Beherrschen lassen sich diese Risiken durch fundierte Datenabfrage (Grounded Retrieval), menschliche Prüfung bei geschäftskritischen Entscheidungen und laufende Evaluierung anhand finanzspezifischer Benchmarks.
