# Wann reicht klassisches maschinelles Lernen statt eines LLM?

> Ein Schnelltest für Data Scientists: Wann Regression, Baummodell oder kleiner Klassifikator ein großes Sprachmodell bei Kosten, Energie und Tempo schlagen.

Source: https://greenai.guide/de/wie/wann-reicht-klassisches-maschinelles-lernen-statt-eines-llm/  
Updated: 2026-11-19

## Kurz gesagt

Wenn Ihre Eingaben strukturierte Daten oder kurze, gelabelte Texte sind und die Ausgabe eine Zahl, eine Kategorie oder eine Rangfolge ist, probieren Sie zuerst ein klassisches Modell: ein lineares Modell, Gradient-Boosted Trees oder einen kleinen Klassifikator. Sie sind im Betrieb viel günstiger, schneller, leichter zu erklären und oft genauso genau. Greifen Sie zu einem großen Sprachmodell, wenn die Aufgabe wirklich offene Sprache verlangt.

## Steps

1. Halten Sie den Eingabetyp, den Ausgabetyp und den Qualitätsmaßstab fest.
2. Bauen Sie zuerst eine einfache Baseline, etwa eine Regel, ein lineares Modell oder Gradient-Boosted Trees.
3. Probieren Sie einen kleinen, feinabgestimmten Klassifikator, wenn die Eingabe Freitext ist.
4. Testen Sie ein LLM nur, wenn die Baselines den Maßstab verfehlen, und zwar auf demselben Evaluationsdatensatz.
5. Vergleichen Sie vor der Entscheidung Qualität, Latenz und Energie pro Vorhersage.

**Nutzen Sie das einfachste Modell, das Ihren Qualitätsmaßstab erfüllt.** Bei strukturierten Daten und eng gefassten
Klassifizierungsaufgaben ist das meist ein klassisches Modell des maschinellen Lernens, kein großes Sprachmodell.

## Warum ist das wichtig? {#why-does-it-matter}

Luccioni, Jernite und Strubell haben den Energieverbrauch von Modellen über viele Aufgaben hinweg gemessen.
Textklassifikation gehörte mit rund 0,002 kWh pro 1.000 Inferenzen zu den günstigsten Aufgaben, während generative
Allzweckmodelle für dieselbe Aufgabe um Größenordnungen mehr verbrauchten als aufgabenspezifische Modelle. Auch die
Web Sustainability Guidelines des W3C fordern Teams auf, vor der Umsetzung zu prüfen, ob KI überhaupt nötig ist.

Ein britisches Green-AI-Sandpit aus Mathematik, Informatik und Industrie im Jahr 2026 kam aus einem anderen
Blickwinkel zum selben Schluss: Oft wird zu KI gegriffen, obwohl eine gut verstandene statistische oder numerische
Methode die Aufgabe bereits erledigt.

## Ein Schnelltest {#a-quick-test}

| Ihre Aufgabe | Probieren Sie zuerst |
|---|---|
| Eine Zahl aus Tabellendaten vorhersagen | Lineares Modell oder Gradient-Boosted Trees |
| Eines von wenigen Labels zuordnen | Kleiner, feinabgestimmter Klassifikator |
| Ähnliche Einträge finden | Embeddings plus ein Nächste-Nachbarn-Index |
| Eine Zeitreihe prognostizieren | Etablierte statistische Prognoseverfahren |
| Schreiben, erklären oder ein Gespräch führen | Hier rechtfertigt ein LLM seine Kosten |

## Häufige Fehler {#common-mistakes}

- **Die Baseline überspringen.** Ohne sie können Sie nicht erkennen, ob das LLM überhaupt etwas bringt.
- **Mit einem LLM Daten labeln, auf denen Sie dann nie neu trainieren.** Nutzen Sie es einmal, um Labels zu erzeugen,
  und trainieren Sie dann ein kleines Modell.
- **Nur nach Genauigkeit vergleichen.** Beziehen Sie Latenz, Energie pro Vorhersage und die Erklärbarkeit von Fehlern
  mit ein.

Mehr dazu unter [das richtige Modell wählen](/de/gute-praxis/das-richtige-modell-fuer-die-aufgabe-waehlen/) und
[Mathematik für effiziente KI](/de/artikel/die-mathematik-die-ki-effizienter-macht/).

## Quellen

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Web Sustainability Guidelines](https://www.w3.org/TR/web-sustainability-guidelines/), W3C (2025)
