Grundlagen der KI
Was sind kleine Sprachmodelle (SLMs)? Wann kleinere KI die bessere Wahl ist
Kleine Sprachmodelle sind kompakte Sprachmodelle, die mit weniger Arbeitsspeicher, geringerer Latenz, niedrigerem Energieverbrauch und geringeren Anforderungen an die Bereitstellung eine nützliche Leistung erzielen sollen als Modelle im Spitzenmaßstab. Dieser Leitfaden erläutert den Mechanismus, die Zielkonflikte, die Evaluierung und die Kontrollmechanismen, auf die es in der Praxis ankommt.

Wichtige PunkteKleine Modelle tauschen die Tiefe der Long-Tail-Schlussfolgerung gegen geringere…
Mehr anzeigen
- Kleine Modelle tauschen die Tiefe der Long-Tail-Schlussfolgerung gegen geringere Speicherlatenz und Energiekosten ein.
- Das größte verfügbare Modell ist nicht automatisch die beste Wahl für den Produktionseinsatz.
- Bewerten Sie kleine Modelle im Vergleich zu einem größeren Fallback, bevor Sie durchschnittlichen Benchmark-Ergebnissen vertrauen.
Kleine Sprachmodelle sind kompakte Sprachmodelle, die eine nützliche Leistung bei geringerem Speicherbedarf, niedrigerer Latenz, weniger Energieverbrauch und geringeren Anforderungen an die Bereitstellung als Spitzenmodelle ermöglichen sollen.
Der Begriff „kleine Sprachmodelle“ verdient eine präzise Erklärung, denn seine Bezeichnung steht für einen bestimmten Informationsfluss, eine konkrete Trainingsentscheidung, einen Laufzeitmechanismus oder eine Governance-Grenze. Wer ihn als Synonym für „fortschrittliche KI“ verwendet, macht Aussagen unüberprüfbar. Dieser Leitfaden verfolgt das Konzept von seinen Eingaben und Annahmen bis zu seinem beobachtbaren Ergebnis und prüft anschließend die naheliegendste Abkürzung, mit der es verwechselt werden könnte.
Kleine Sprachmodelle: Definition, Abgrenzung und Zweck
Kleine Sprachmodelle sind kompakte Sprachmodelle, die eine nützliche Leistung bei geringerem Speicherbedarf, niedrigerer Latenz, weniger Energieverbrauch und geringeren Anforderungen an die Bereitstellung als Spitzenmodelle ermöglichen sollen. Die Definition umfasst drei praktische Voraussetzungen: Es gibt eine klar erkennbare Eingabe, eine für kleine Sprachmodelle charakteristische Transformation oder Entscheidung und ein Ergebnis, das anhand eines festgelegten Ziels bewertet werden kann. Fehlt eines dieser Elemente, beschreibt die Bezeichnung möglicherweise eher ein angestrebtes Ziel als einen tatsächlich umgesetzten Mechanismus.
Moderne KI-Stacks bauen Abstraktionen aufeinander auf: Repräsentationen bilden die Grundlage für Architekturen, durch Vortraining entstehen wiederverwendbare Fähigkeiten, Anpassungen verändern das Verhalten und Optimierungen bei der Bereitstellung bestimmen, was praktisch umsetzbar ist. Bei kleinen Sprachmodellen ist diese Systemperspektive wichtig, denn die Leistung kann von den umgebenden Daten, Schnittstellen, der Hardware, den Berechtigungen und den beteiligten Personen abhängen, selbst wenn das zugrunde liegende Modell unverändert bleibt. Eine hilfreiche Erklärung unterscheidet daher zwischen dem erlernten Verhalten des Modells und dem Produkt, das festlegt, wann, wo und mit welcher Befugnis dieses Verhalten zum Einsatz kommt.
Der naheliegendste Trugschluss besteht in der Annahme, dass das größte verfügbare Modell immer die beste Wahl für den Produktiveinsatz ist. Es mag ein sichtbares Merkmal mit kleinen Sprachmodellen teilen, doch die Kausalzusammenhänge sind andere: Der Erfolg müsste anhand anderer Belege nachgewiesen werden, andere Ressourcen würden die Kosten maßgeblich bestimmen und andere Kontrollen wären nötig, um Schaden zu verhindern. Die Abgrenzung ist daher praktischer, nicht terminologischer Art.
Ein Betriebsmodell für kleine Sprachmodelle in fünf Phasen
Das Diagramm ist eine kompakte Kausalkarte für kleine Sprachmodelle und keine Behauptung, dass jede Implementierung fünf Softwarekomponenten verwendet. Manche Systeme fassen Phasen zusammen, andere durchlaufen sie wiederholt in einer Schleife. Die Karte ist dennoch hilfreich, weil sie sicherstellt, dass jede Änderung von Informationen oder Befugnissen einer verantwortlichen Stelle zugeordnet ist und jeweils eine Eingabe, eine Ausgabe und einen Test hat.
1. Das eng umrissene Fähigkeitsziel festlegen: Eingaben und Annahmen bei kleinen Sprachmodellen
In dieser Phase kleiner Sprachmodelle muss das System das eng umrissene Fähigkeitsziel festlegen. Entscheidend ist nicht nur, ob dieser Vorgang stattfindet, sondern auch, welche Informationen er verarbeitet, welchen Zustand er verändert und welche Belege bestätigen, dass die Änderung korrekt war. Prüfer sollten den Vorgang von der Annahme unterscheiden können, dass das größte verfügbare Modell immer die beste Wahl für den Produktiveinsatz ist, und sein Ergebnis unter denselben angegebenen Bedingungen reproduzieren können.
Die Übergabe an diese Phase kleiner Sprachmodelle beginnt mit dem festgelegten Ziel und sollte mit einem Ergebnis enden, das als Grundlage für die Auswahl einer kompakten Architektur und eines Datenmixes dienen kann. Halten Sie Unsicherheiten, verworfene Alternativen, den Ressourcenverbrauch sowie alle an dieser Schnittstelle eingesetzten menschlichen oder softwaregestützten Kontrollen fest. Anhand dieser Aufzeichnung können Teams erkennen, ob kleine Modelle bei Schlussfolgerungen zu seltenen Sonderfällen versagen könnten, obwohl ihre durchschnittlichen Benchmark-Ergebnisse konkurrenzfähig wirken – bevor dieselbe Schwäche zu einem folgenreichen Ergebnis führt.
2. Eine kompakte Architektur und einen Datenmix auswählen: Repräsentation oder Entscheidung bei kleinen Sprachmodellen
In dieser Phase kleiner Sprachmodelle muss das System eine kompakte Architektur und einen Datenmix auswählen. Entscheidend ist nicht nur, ob dieser Vorgang stattfindet, sondern auch, welche Informationen er verarbeitet, welchen Zustand er verändert und welche Belege bestätigen, dass die Änderung korrekt war. Prüfer sollten den Vorgang von der Annahme unterscheiden können, dass das größte verfügbare Modell immer die beste Wahl für den Produktiveinsatz ist, und sein Ergebnis unter denselben angegebenen Bedingungen reproduzieren können.
Die Übergabe in diese Phase der kleinen Sprachmodelle beginnt mit der Definition eines eng umrissenen Fähigkeitsziels und sollte mit einem Ergebnis enden, das effizientes Destillieren oder Trainieren ermöglicht. Dokumentieren Sie Unsicherheiten, verworfene Alternativen, den Ressourcenverbrauch sowie jede menschliche oder softwareseitige Kontrolle an dieser Schnittstelle. Anhand dieser Aufzeichnungen können Teams erkennen, ob kleine Modelle beim Schlussfolgern in seltenen Randfällen versagen könnten, selbst wenn ihre Durchschnittswerte in Benchmarks wettbewerbsfähig erscheinen – bevor dieselbe Schwäche zu folgenreichen Ergebnissen führt.
3. Effizient destillieren oder trainieren: Prägende Transformation bei kleinen Sprachmodellen
In dieser Phase der kleinen Sprachmodelle muss das System effizient destillieren oder trainieren. Entscheidend ist nicht nur, ob dieser Vorgang stattfindet, sondern auch, welche Informationen er verarbeitet, welchen Zustand er verändert und welche Belege zeigen, dass die Änderung gültig war. Prüfende sollten den Vorgang von der Annahme unterscheiden können, dass das größte verfügbare Modell stets die beste Wahl für den Produktionseinsatz ist, und sein Ergebnis unter denselben angegebenen Bedingungen reproduzieren können.
Die Übergabe in diese Phase der kleinen Sprachmodelle beginnt mit der Auswahl einer kompakten Architektur und einer passenden Datenmischung und sollte mit einem Ergebnis enden, das die Optimierung für das Gerät und das Latenzbudget ermöglicht. Dokumentieren Sie Unsicherheiten, verworfene Alternativen, den Ressourcenverbrauch sowie jede menschliche oder softwareseitige Kontrolle an dieser Schnittstelle. Anhand dieser Aufzeichnungen können Teams erkennen, ob kleine Modelle beim Schlussfolgern in seltenen Randfällen versagen könnten, selbst wenn ihre Durchschnittswerte in Benchmarks wettbewerbsfähig erscheinen – bevor dieselbe Schwäche zu folgenreichen Ergebnissen führt.
4. Für das Gerät und das Latenzbudget optimieren: Randbedingungen und Verifizierungsgrenze bei kleinen Sprachmodellen
In dieser Phase der kleinen Sprachmodelle muss das System für das Gerät und das Latenzbudget optimiert werden. Entscheidend ist nicht nur, ob dieser Vorgang stattfindet, sondern auch, welche Informationen er verarbeitet, welchen Zustand er verändert und welche Belege zeigen, dass die Änderung gültig war. Prüfende sollten den Vorgang von der Annahme unterscheiden können, dass das größte verfügbare Modell stets die beste Wahl für den Produktionseinsatz ist, und sein Ergebnis unter denselben angegebenen Bedingungen reproduzieren können.
Die Übergabe in diese Phase der kleinen Sprachmodelle beginnt mit effizientem Destillieren oder Trainieren und sollte mit einem Ergebnis enden, das eine Bewertung im Vergleich zu einem größeren Ausweichmodell ermöglicht. Dokumentieren Sie Unsicherheiten, verworfene Alternativen, den Ressourcenverbrauch sowie jede menschliche oder softwareseitige Kontrolle an dieser Schnittstelle. Anhand dieser Aufzeichnungen können Teams erkennen, ob kleine Modelle beim Schlussfolgern in seltenen Randfällen versagen könnten, selbst wenn ihre Durchschnittswerte in Benchmarks wettbewerbsfähig erscheinen – bevor dieselbe Schwäche zu folgenreichen Ergebnissen führt.
5. Bewertung im Vergleich zu einem größeren Ausweichmodell: Ergebnisse, Feedback und Abbruchregel bei kleinen Sprachmodellen
In dieser Phase der kleinen Sprachmodelle muss das System anhand eines größeren Ausweichmodells bewertet werden. Entscheidend ist nicht nur, ob dieser Vorgang stattfindet, sondern auch, welche Informationen er verarbeitet, welchen Zustand er verändert und welche Belege zeigen, dass die Änderung gültig war. Prüfende sollten den Vorgang von der Annahme unterscheiden können, dass das größte verfügbare Modell stets die beste Wahl für den Produktionseinsatz ist, und sein Ergebnis unter denselben angegebenen Bedingungen reproduzieren können.
Die Übergabe in diese Phase der kleinen Sprachmodelle beginnt mit der Optimierung für das Gerät und das Latenzbudget und sollte mit einem Ergebnis enden, das eine Überwachung oder eine abschließende Entscheidung ermöglicht. Dokumentieren Sie Unsicherheiten, verworfene Alternativen, den Ressourcenverbrauch sowie jede menschliche oder softwareseitige Kontrolle an dieser Schnittstelle. Anhand dieser Aufzeichnungen können Teams erkennen, ob kleine Modelle beim Schlussfolgern in seltenen Randfällen versagen könnten, selbst wenn ihre Durchschnittswerte in Benchmarks wettbewerbsfähig erscheinen – bevor dieselbe Schwäche zu folgenreichen Ergebnissen führt.
Lesen Sie die Übersicht zu kleinen Sprachmodellen vorwärts, um den Produktionseinsatz zu verstehen, und rückwärts, um Fehler zu diagnostizieren. Bei der Vorwärtsanalyse wird untersucht, wie eine Phase die nächste ermöglicht. Die Rückwärtsanalyse setzt bei einem falschen, langsamen, kostspieligen oder unsicheren Ergebnis an und verfolgt, welche frühere Annahme dazu geführt hat. Oft entdeckt ein Team erst auf diesem Weg, dass der entscheidende Fehler auftrat, bevor das Modell überhaupt etwas ausgegeben hatte.
Ein durchgearbeitetes Beispiel zu kleinen Sprachmodellen
Ein geräteinternes Modell kann Nachrichten vertraulich klassifizieren und nur schwierige Fälle an einen größeren Dienst weiterleiten.
Dieses Beispiel ist aufschlussreich, weil sich kleine Sprachmodelle anhand beobachtbarer Eingaben, Zwischenzustände und Ergebnisse beurteilen lassen, statt anhand einer auf Hochglanz getrimmten Vorführung. Für einen rigorosen Test würde man gewöhnliche, schwierige und gezielt irreführende Fälle rund um das Szenario erstellen, eine Basislinie ohne die Technik beibehalten und sowohl die Durchschnittsleistung als auch den Schweregrad einzelner Fehler dokumentieren.
Ändern Sie eine Annahme im Beispiel zu kleinen Sprachmodellen und wiederholen Sie die Analyse. Entfernen Sie eine erforderliche Eingabe, führen Sie ein widersprüchliches Signal ein, begrenzen Sie die Rechenleistung, verändern Sie die Nutzergruppe oder zwingen Sie das System, sich einer Antwort zu enthalten. Ein Mechanismus, der nur unter einer einzigen sorgfältig arrangierten Vorführung erfolgreich ist, hat damit noch nicht bewiesen, dass er sich auf die Betriebsumgebung übertragen lässt.
Kleine Sprachmodelle im Vergleich zu ihrer häufigsten Abkürzung
Kleine Sprachmodelle werden oft auf die Annahme reduziert, dass das größte verfügbare Modell stets die beste Wahl für den produktiven Einsatz ist. Durch diese Verkürzung geht genau die Abgrenzung verloren, die das Konzept ausmacht. Das kann dazu führen, dass Käufer ungleiche Produkte miteinander vergleichen, Forschende die Aussagekraft eines Experiments übertreiben und Betreiber nach der Bereitstellung die falschen Kennzahlen überwachen.
| Perspektive | Praktische Antwort |
|---|---|
| Definition | Kleine Sprachmodelle sind kompakte Sprachmodelle, die im Vergleich zu Modellen der Spitzenklasse mit geringerem Speicherbedarf, kürzeren Latenzzeiten, weniger Energie und geringeren Anforderungen an die Bereitstellung eine brauchbare Leistung erzielen sollen. |
| Missverständnis | Annahme, dass das größte verfügbare Modell stets die beste Wahl für den produktiven Einsatz ist. |
| Risiko | Kleine Modelle können bei Schlussfolgerungen in seltenen Randfällen scheitern, selbst wenn ihre durchschnittlichen Benchmark-Ergebnisse konkurrenzfähig wirken. |
Beim Vergleich sollte auch die Analyseeinheit benannt werden. Eine Studie zu kleinen Sprachmodellen kann ein einzelnes Modell oder einen Algorithmus isoliert betrachten, während ein bereitgestellter Dienst zusätzlich Abruf, Weiterleitung, Zwischenspeicherung, Richtlinien, Identität, Benutzeroberflächen und Überwachung umfasst. Zwei Produkte können denselben Oberbegriff verwenden und doch unterschiedliche Teile dieses Technologiestapels umsetzen. Fragen Sie, welche Komponente die definierende Transformation ausführt und welche weiteren Komponenten für das berichtete Ergebnis erforderlich sind.
Warum kleine Sprachmodelle in aktuellen KI-Systemen wichtig sind
Kleine Sprachmodelle sind heute relevant, weil KI-Systeme größere Kontexte, mehr Modalitäten, mehr Rechenleistung zur Laufzeit, einen breiteren Werkzeugzugriff und engere Verbindungen zu organisatorischen Entscheidungen erhalten. Unter diesen Bedingungen kann ein Detail, das früher wie eine reine Forschungsfrage wirkte, über Latenz, Sicherheit, Barrierefreiheit, Umweltkosten, Produktqualität oder rechtliche Verantwortlichkeit entscheiden.
Entscheidend ist nicht, ob kleine Sprachmodelle ein einzelnes beeindruckendes Ergebnis erzielen können. Entscheidend ist, ob die Technik ein relevantes Ergebnis unter repräsentativen Bedingungen verbessert und dies wirksamer tut als eine einfachere Vergleichslösung. Berichten Sie Verteilungen, Fehlerkategorien, Latenzen im Randbereich, Ressourcennutzung und betroffene Untergruppen, statt alle Ergebnisse zu einem einzigen Durchschnittswert zusammenzufassen.
Welche technische Lösung die richtige ist, hängt von der Arbeitslast und der Hardware ab. Vergleichen Sie sie mit einer einfachen Ausgangslösung, messen Sie die Qualität anhand repräsentativer Teilmengen und erfassen Sie neben der Benchmark-Genauigkeit auch Speicherbedarf, Latenz, Kosten und Wartbarkeit. Wird diese Vorgehensweise gezielt auf kleine Sprachmodelle angewendet, lassen sich die Erkenntnisse auf andere Situationen übertragen: Ein anderes Team kann beurteilen, ob der behauptete Gewinn voraussichtlich auch mit einem anderen Modell, einer anderen Sprache, Hardwareplattform, einem anderen Datensatz, einer anderen Nutzergruppe oder einer anderen Risikotoleranz Bestand hat.
Welche Vorteile kleine Sprachmodelle bieten können
Der wichtigste Grund für den Einsatz kleiner Sprachmodelle ist, dass sie den vorgesehenen Engpass direkt angehen können. Je nach Umsetzung kann sich der Nutzen in einer besseren Verankerung in den Quelldaten, einer originalgetreueren Repräsentation, einer verbesserten Generalisierungsfähigkeit, geringerer Latenz, weniger Speicherbewegungen, klarerer Verantwortlichkeit oder einer sichereren Abgrenzung zwischen einem Modellvorschlag und einer tatsächlichen Handlung zeigen.
Vorteile sollten anhand konkreter Entscheidungen und Messwerte beschrieben werden. „Intelligenter“ ist für kleine Sprachmodelle kein Abnahmekriterium. Ein sinnvolles Ziel könnte die Fehlerrate bei schwierigen Fällen, die Erholung nach widersprüchlichen Hinweisen, die Kosten bei einem bestimmten Verkehrsperzentil, der Zeitaufwand für menschliche Überprüfungen, die Kalibrierung oder der Prozentsatz der Handlungen sein, die innerhalb einer festgelegten Befugnisgrenze bleiben.
Der Fehlerfall, der kleine Sprachmodelle kennzeichnet
Die zentrale Einschränkung besteht darin, dass kleine Modelle bei Schlussfolgerungen in seltenen Randfällen scheitern können, selbst wenn ihre durchschnittlichen Benchmark-Ergebnisse konkurrenzfähig wirken. Dieser Fehlerfall darf nicht erst nach Abschluss der Entwicklung beiläufig erwähnt werden. Er sollte von Anfang an die Datenerhebung, die Architektur, Berechtigungen, Evaluierung, Freigabekriterien und Überwachung kleiner Sprachmodelle prägen.
Ein Kontrollmechanismus für kleine Sprachmodelle ist nur dann sinnvoll, wenn er greift, bevor es zu kostspieligen oder unumkehrbaren Folgen kommt. Ermitteln Sie den frühesten beobachtbaren Vorläufer des Fehlers, legen Sie einen Schwellenwert oder eine Regel fest, bestimmen Sie eine verantwortliche Person und testen Sie die Wiederherstellung. Je nach Anwendungsfall kann die Wiederherstellung bedeuten, dass das System keine Antwort gibt, auf ein einfacheres System zurückgreift, weitere Belege anfordert, den Fall an eine Person eskaliert, ein Modell zurücksetzt oder eine Aktion ganz abbricht.
Ein Evaluierungsplan für kleine Sprachmodelle
Beginnen Sie die Evaluierung kleiner Sprachmodelle damit, die Entscheidung zu formulieren, die durch die Belege gestützt werden soll. Definieren Sie die Zielgruppe im Betrieb, die Folgen eines falschen Ergebnisses, die zum Entscheidungszeitpunkt tatsächlich verfügbaren Informationen und die einfachste glaubwürdige Alternative. So verhindern Sie, dass ein Benchmark allein deshalb zum Ziel wird, weil er sich leicht durchführen lässt.
Verwenden Sie für kontrollierte Vergleiche einen unangetasteten Testsatz und validieren Sie kleine Sprachmodelle anschließend in einer schrittweise eingeführten Betriebsumgebung. Offline-Evaluierungen ermöglichen den Vergleich verschiedener Varianten; Schattenbetrieb, Canary-Tests, Ratenbegrenzungen oder Freigabeschranken zeigen, wie realer Datenverkehr, Rückkopplungsschleifen und Menschen das Verhalten verändern. Für die Einführungsphase sollte eine klare Abbruchbedingung festgelegt werden, statt davon auszugehen, dass jede Verbesserung eine vollständige Einführung rechtfertigt.
Versionieren Sie die Eingaben, die zur Reproduktion kleiner Sprachmodelle benötigt werden: Quelldaten, Vorverarbeitung, Tokenizer oder Encoder, Modellgewichte, Konfiguration, Prompt oder Richtlinie, Abrufindex, Evaluierungssatz, Hardwareannahmen und Code für die Bereitstellung, soweit zutreffend. Ohne eine nachvollziehbare Herkunftskette kann ein Team nicht feststellen, ob ein verändertes Ergebnis auf die Technik, die Umgebung oder eine unbemerkte Änderung an der Verarbeitungskette zurückzuführen ist.
Fragen Sie schließlich, welcher Befund die Behauptung widerlegen würde, dass kleine Sprachmodelle einen Nutzen bieten. Wenn kein Ergebnis die Einführungsentscheidung umkehren könnte, ist die Evaluierung bloß Marketing. Vorab festgelegte Akzeptanzschwellen und ein aufbewahrter Bestätigungssatz machen die Untersuchung zu einer belastbaren Beweisgrundlage.
Fragen, die Sie vor der Einführung kleiner Sprachmodelle stellen sollten
- Ziel: Welchen messbaren Engpass sollen kleine Sprachmodelle beheben?
- Mechanismus: In welcher der fünf Phasen findet die charakteristische Transformation statt?
- Ausgangsbasis: Wie schneidet es im Vergleich zu der Annahme ab, dass das größte verfügbare Modell immer die beste Wahl für den Produktionseinsatz ist, oder im Vergleich zu einer anderen einfacheren Alternative?
- Belege: Welche gewöhnlichen, schwierigen und adversarialen Fälle sowie welche Fälle aus Untergruppen wurden getestet?
- Betrieb: Welche Kosten für Latenz, Arbeitsspeicher, Rechenleistung, Energie, Wartung und Überprüfung entstehen im großen Maßstab?
- Risiko: Wie erkennt das Team, dass kleine Modelle bei Schlussfolgerungen in seltenen Sonderfällen versagen können, selbst wenn sie bei durchschnittlichen Benchmarks konkurrenzfähig abschneiden?
- Wiederherstellung: Kann das System keine Antwort geben, auf ein anderes System zurückgreifen, ein Modell zurücksetzen oder den Fall eskalieren, bevor Schaden entsteht?
Primärquellen zur Untersuchung kleiner Sprachmodelle
Zu den maßgeblichen Ausgangsquellen für den Teil des KI-Stacks, der kleine Sprachmodelle umgibt, gehören Attention Is All You Need, die LoRA-Forschungsarbeit und Direct Preference Optimization. Lesen Sie diese Quellen zusammen mit der Dokumentation zum konkreten Modell, Datensatz, zur verwendeten Hardware und zum jeweiligen Rechtsraum. Eine allgemeine Quelle kann den Mechanismus erläutern, doch nur nach deployment-spezifischen Belegen lässt sich feststellen, ob eine bestimmte Implementierung geeignet ist.
Was Sie über kleine Sprachmodelle wissen sollten
Der Ansatz kleiner Sprachmodelle ist ein klar umrissener Mechanismus innerhalb eines größeren soziotechnischen Systems. Sein Wert ergibt sich daraus, dass er unter ausdrücklich genannten Bedingungen ein bestimmtes Ergebnis verbessert – nicht aus der Bezeichnung selbst. Die Übersicht der fünf Phasen macht den Informationsfluss sichtbar, der Vergleich zeigt, was der Ansatz nicht ist, und der Kontrollpfad veranschaulicht, an welcher Stelle eine verantwortliche Person eingreifen kann.
Die praktische Regel für kleine Sprachmodelle lautet: Definieren Sie das Ziel, vergleichen Sie sie mit einer glaubwürdigen Ausgangsbasis, testen Sie den wichtigsten Fehlerfall und bewahren Sie die Belege auf, die zur Überwachung von Veränderungen erforderlich sind. Sind diese Voraussetzungen erfüllt, wird daraus eine technische und organisatorische Entscheidung, die sich evaluieren lässt. Andernfalls bleibt es ein vielversprechender Name, der mit einem unbekannten Betriebsrisiko verbunden ist.












