Lotook
Alle paar Wochen steht ein neues Modell an der Spitze einer Rangliste, und dieselbe Frage stellt sich: Sollten Sie wechseln? Meine ehrliche Antwort lautet fast immer: Es kommt darauf an, wofür Sie es nutzen. Und das neueste Modell ist selten der beste Ausgangspunkt.
Es gibt nicht das eine beste KI-Modell. Es gibt ein Modell, das am besten zu Ihrer Aufgabe, Ihrem Budget und Ihren Anforderungen passt. Dieser Leitfaden beschreibt meinen Ansatz für die Auswahl und einen kurzen Test, den Sie durchführen können, bevor Sie Geld oder Code einem Anbieter anvertrauen.
Der Stand in diesem Herbst
Im Herbst 2026 brachten die größten Labore jeweils eine neue Generation heraus, alle innerhalb von etwa einem Monat.
- Anthropic veröffentlichte Claude Opus 5.5 am 22. September und Claude Sonnet 5.5 am 28. September. Laut Anthropic erreicht Opus 5.5 bei den meisten Aufgaben das Niveau von Claude Fable 5.1 und kostet dabei 40% weniger als Opus 5; Sonnet 5.5 sei mehr als 30% schneller als Sonnet 5.
- Google kündigte Gemini 4 Argon am 30. September zunächst für eine Gruppe von Fachleuten für Cybersicherheit an und machte es am 13. Oktober weltweit über seine API für Entwickler und Unternehmen sowie für zahlende Abonnenten der Gemini-App verfügbar.
- OpenAI brachte Anfang September GPT-6 Astra und am 22. September die kleineren Modelle GPT-6 Sol und Luna heraus. Am 7. Oktober teilte das Unternehmen mit, dass die neuen Modelle für ChatGPT-Nutzer sowohl in kostenlosen als auch in kostenpflichtigen Tarifen verfügbar würden.
Modellfamilien mit offenen Gewichten wie DeepSeek und Qwen haben im Sommer und Herbst ebenfalls neue Versionen veröffentlicht. Mehr zu den Änderungen finden Sie in unserem Überblick über die Modellveröffentlichungen im Herbst 2026 und in unserem Beitrag über Modelle mit offenen Gewichten in diesem Jahr.
Wenn Sie dies lesen, haben sich einige dieser Namen bereits geändert. Die folgenden Fragen bleiben bestehen – deshalb sind sie ein besserer Ausgangspunkt als jede Liste von Gewinnern.
Beginnen Sie mit der Aufgabe, nicht mit der Rangliste
Schreiben Sie vor dem Modellvergleich auf, was das Modell tatsächlich leisten soll. Die meisten praktischen Anwendungen fallen in einige wenige Kategorien:
- Schreiben und Redigieren: Entwürfe, Überarbeitungen, Zusammenfassungen, Übersetzungen.
- Analyse und Recherche: lange Dokumente lesen, Quellen vergleichen, Fragen zu Daten beantworten.
- Programmieren: Code schreiben, erklären, prüfen und korrigieren.
- Extraktion und Klassifizierung: Felder aus Dokumenten auslesen, Tickets markieren, Nachrichten weiterleiten.
- Konversation: Chat mit Kundenkontakt, bei dem Ton, Sicherheit und Konsistenz wichtiger sind als reine Brillanz.
- Agenten: mehrstufige Aufgaben, bei denen das Modell selbstständig Werkzeuge nutzt. Unser Beitrag darüber, was ein KI-Agent ist, erklärt die Unterschiede.
Dieser Schritt klingt offensichtlich, wird aber von den meisten übersprungen. Ein Modell, das bei schwierigem logischem Denken glänzt, kann für das Markieren von Support-Tickets überdimensioniert und zu teuer sein. Ein kleines, schnelles Modell, das dafür ideal ist, kann an einem 60-seitigen Vertrag scheitern.
Sechs entscheidende Fragen
1. Wie schwierig ist die Aufgabe wirklich?
Die meisten Modellfamilien gibt es inzwischen in verschiedenen Stufen: ein großes Flaggschiff, ein mittelgroßes Allroundmodell und ein kleines, schnelles Modell.
| Stufe | Geeignet für | Nachteil |
|---|---|---|
| Flaggschiff | Komplexes Schlussfolgern, schwieriger Code, lange Agentenaufgaben, Analysen mit hohen Risiken | Höchste Kosten, meist am langsamsten |
| Mittelklasse | Die meisten Schreib-, Recherche- und Programmieraufgaben sowie alltägliche Geschäftsarbeit | Übersieht gelegentlich subtile oder mehrstufige Probleme |
| Klein | Klassifizierung großer Mengen, Extraktion, Autovervollständigung, einfacher Chat | Schwächer bei Nuancen, langen Dokumenten und Schlussfolgerungen |
Ich beginne standardmäßig in der Mitte und steige nur auf, wenn ich konkrete Fehler benennen kann, die das größere Modell tatsächlich behebt. „Es wirkt intelligenter“ ist kein Grund, ein Mehrfaches zu bezahlen.
2. Wie viel werden Sie es nutzen?
Bei einer Chat-App sind die Abokosten Ihre Kosten, und diese Frage ist kaum relevant. Wenn Sie mit einer API entwickeln, steigen die Kosten mit der Nutzung, gemessen in Tokens. Ausgabetokens kosten meist ein Mehrfaches von Eingabetokens. Daher kosten Aufgaben mit viel Textausgabe mehr als solche, bei denen viel gelesen wird. Wenn Sie dieselben langen Anweisungen immer wieder senden, achten Sie auf Prompt-Caching. Wenn Sie Antworten nicht sofort brauchen, suchen Sie nach Batch-Preisen.
Auch Preise ändern sich, manchmal nach einem Zeitplan. Google führte Gemini 4 Argon bis zum 30. November 2026 zu einem API-Einführungspreis von $2 pro Million Eingabetokens und $10 pro Million Ausgabetokens ein. Danach beträgt der Standardpreis laut Google $4 beziehungsweise $20. Wenn Sie für das nächste Jahr planen, rechnen Sie mit dem zweiten Preis.
3. Wie schnell muss es sein?
Ein Kunde, der in einem Chatfenster wartet, bemerkt jede Sekunde. Bei einem Bericht, der über Nacht erstellt wird, ist das anders. Geschwindigkeit hat zwei Aspekte: wie lange es dauert, bis die ersten Worte erscheinen, und wie schnell der Rest folgt. Flaggschiffmodelle und „Denkmodi“ sind oft merklich langsamer. Bei interaktiven Anwendungen ist das wichtiger als ein paar Benchmark-Punkte.
4. Wie viel muss es auf einmal lesen?
Das Kontextfenster begrenzt, wie viel Text das Modell auf einmal berücksichtigen kann: Ihre Anweisungen, die Unterhaltung und alle Dokumente. Viele aktuelle Modelle akzeptieren sehr lange Eingaben. Ein großes Fenster bedeutet aber nicht, dass alles darin zuverlässig genutzt wird. Wenn Ihre Arbeit von einem Detail abhängt, das auf Seite 47 versteckt ist, testen Sie genau das.
5. Wohin dürfen Ihre Daten gelangen?
Diese Frage schließt Optionen schneller aus als jede andere. Stellen Sie sie daher früh.
- Darf der Anbieter Ihre Eingaben im tatsächlich genutzten Tarif speichern oder damit trainieren?
- Müssen Ihre Daten in einem bestimmten Land oder einer bestimmten Region bleiben?
- Verlangen Verträge oder Vorschriften bestimmte Zertifizierungen?
- Muss das Modell auf Ihrer eigenen Infrastruktur laufen?
Wenn Daten Ihre Umgebung nicht verlassen dürfen, kommen möglicherweise nur selbst gehostete Modelle mit offenen Gewichten infrage. Unser Leitfaden zur Nutzung von KI bei der Arbeit ohne Preisgabe sensibler Daten erklärt, worauf Sie achten sollten.
6. Woran muss es angebunden werden?
Ein Modell arbeitet selten allein. Prüfen Sie, ob es unterstützt, was Sie benötigen: Werkzeugnutzung, strukturierte Ausgaben, Bilder oder Audio, Dateiverarbeitung und die Cloud-Plattform, die Ihr Unternehmen bereits nutzt. Die großen Modelle sind inzwischen über mehrere Clouds verfügbar, aber Funktionen erscheinen nicht überall am selben Tag.
Offene Gewichte oder geschlossen?
Geschlossene Modelle werden über die App oder API eines Anbieters genutzt. Bei Modellen mit offenen Gewichten werden diese veröffentlicht, sodass Sie das Modell selbst herunterladen und ausführen können.
Geschlossene Modelle führen meist bei den schwierigsten Aufgaben und erfordern keine eigene Infrastruktur. Sie tauschen Kontrolle gegen Komfort.
Modelle mit offenen Gewichten geben Ihnen Kontrolle über Ihre Daten, vorhersehbare Kosten bei hohem Volumen und Spielraum für Anpassungen. Dafür übernehmen Sie Hosting, Updates und Sicherheitsmaßnahmen selbst. Lesen Sie auch die Lizenz. „Offen“ reicht von sehr freizügig bis ziemlich restriktiv.
Für viele Teams ist beides die realistische Antwort: ein geschlossenes Modell für schwierige Aufgaben mit geringerem Volumen und ein Modell mit offenen Gewichten für Aufgaben mit hohem Volumen, sensiblen Daten oder kritischen Kosten.
Benchmarks als Vorauswahl nutzen, nicht als Urteil
Benchmarks helfen, die Auswahl einzugrenzen, allerdings mit einigen Vorbehalten.
Die vom Hersteller eines Modells veröffentlichten Ergebnisse wählt dieser selbst aus. Betrachten Sie sie als Behauptungen, bis jemand anderes sie reproduziert – genauso, wie Sie jede KI-Antwort überprüfen würden, bevor Sie sich darauf verlassen.
Unabhängige Vergleichsdienste helfen. Artificial Analysis misst Intelligenz, Geschwindigkeit und Preis über Modelle und Anbieter hinweg. Arena, früher LMArena, bewertet Modelle anhand von Stimmen bei anonymen direkten Vergleichen. Beide sind einen Blick wert. Keiner kennt Ihre Aufgabe.
Und populäre Benchmarks nutzen sich ab. Wenn jedes Spitzenmodell bei einem Test Werte im hohen 90er-Bereich erzielt, sagen die Unterschiede nicht mehr viel aus.
Der zuverlässigste Benchmark ist Ihre eigene Arbeit.
Führen Sie Ihren eigenen 30-Minuten-Test durch
Für eine fundierte Entscheidung brauchen Sie kein Evaluationsteam. Sie brauchen echte Beispiele und einen fairen Vergleich.
- Sammeln Sie 10 bis 20 echte Beispiele für die Aufgabe, darunter einige unübersichtliche oder schwierige. Entfernen Sie zuerst alle vertraulichen Inhalte.
- Schreiben Sie für jedes Beispiel auf, wie eine gute Antwort aussieht, bevor Sie eine Ausgabe sehen. Eine kurze Checkliste reicht: korrekte Fakten, richtiges Format, sinnvolle Länge, nichts Erfundenes.
- Testen Sie zwei oder drei Kandidatenmodelle mit denselben Beispielen und Anweisungen.
- Vergleichen Sie nach Möglichkeit blind. Kopieren Sie die Ausgaben ohne Modellnamen in ein Dokument und bewerten Sie sie anhand Ihrer Checkliste. Sie werden überrascht sein, wie stark Markennamen Ihr Urteil beeinflussen.
- Notieren Sie Kosten und Zeit für jeden Durchlauf.
- Lesen Sie die Fehler, nicht nur die Durchschnittswerte. Eine selbstsicher falsche Antwort in einem sensiblen Kontext kann mehr ins Gewicht fallen als ein insgesamt etwas besseres Ergebnis.
Wenn zwei Modelle gleich gut abschneiden, wählen Sie das günstigere oder schnellere. Gewinnt das teure Modell nur bei den schwierigsten Fällen, senden Sie nur diese Fälle dorthin.
Wenn Sie einfach einen Ausgangspunkt suchen
- Für Sie persönlich: Nutzen Sie das Standardmodell des Assistenten, für den Sie bereits bezahlen. Wechseln Sie bei wirklich schwierigen Problemen zu dessen Flaggschiff oder „Denkmodus“ und fragen Sie einen zweiten Anbieter, wenn etwas Wichtiges auf dem Spiel steht. Uneinigkeit zwischen zwei guten Modellen ist ein nützliches Signal.
- Für ein kleines Team: Legen Sie ein Mittelklassemodell über einen freigegebenen Geschäftstarif als Standard fest und geben Sie schwierige Fälle an ein Flaggschiff weiter.
- Für Entwickler: Nutzen Sie ein kleines Modell für Klassifizierung und Extraktion großer Mengen, ein Mittelklassemodell für die meisten Generierungsaufgaben und ein Flaggschiff nur dort, wo Ihre eigenen Tests zeigen, dass es sich lohnt.
Planen Sie eine erneute Auswahl ein
Modelle werden schnell besser und günstiger. Betrachten Sie dies daher als Entscheidung mit Ablaufdatum. Legen Sie im Produktivbetrieb eine bestimmte Modellversion fest, damit sich das Verhalten nicht unbemerkt ändert. Bewahren Sie Ihren Testsatz auf, führen Sie ihn bei einer neuen Version erneut aus und wechseln Sie nur, wenn das neue Modell anhand Ihrer eigenen Beispiele gewinnt. Ich würde mir dafür einmal pro Quartal eine Erinnerung im Kalender setzen.
Quellen
- Anthropic, Introducing Claude Opus 5.5, 22. September 2026, und Introducing Claude Sonnet 5.5, 28. September 2026
- Google, Gemini 4 Argon: our next era of frontier intelligence, 30. September 2026, und Gemini 4 Argon: Built to solve your hardest problems, 13. Oktober 2026
- Google Cloud, Gemini 4 Argon available on Google Cloud, 13. Oktober 2026
- TechCrunch, OpenAI launches GPT-6 Sol and Luna, 22. September 2026
- OpenAI, GPT-6 Sol and GPT-6 Luna: October 2026 update, 7. Oktober 2026
- Artificial Analysis und Arena
