Welches KI-Modell passt zu welcher Unternehmensaufgabe?

Entscheidungsmatrix: fünf Prüffelder pro Unternehmensaufgabe

Die Beispiele geben keine Modellbewertung vor. Sie zeigen, welche Nachweise ein Team für dieselbe Aufgabe bei jedem Kandidaten erheben sollte.

Prüfstand, Modellversionen und Grenzen dieses Vergleichs

Redaktioneller Stand ist der 9. August 2026. Als nachvollziehbare Referenzkandidaten dienen die in offiziellen Katalogen dokumentierten Versionen GPT-5.6 Terra (`gpt-5.6-terra`), Claude Sonnet 5 (`claude-sonnet-5`), Gemini 3.6 Flash (`gemini-3.6-flash`), Mistral Large 3 (v25.12) und das offen gewichtete `gpt-oss-120b`. Sie bilden unterschiedliche Cloud- und lokale Betriebswege ab, aber keine Rangliste. Ergebniszahlen ohne identische Aufgaben, Parameter, Region und Messumgebung wären Scheingenauigkeit. Die Matrix ist daher ein offengelegtes Testprotokoll: Jede Organisation führt sie mit ihren freigegebenen Modell-IDs erneut aus und dokumentiert Datum, Region, Parameter, Prompt-Version und Ergebnis.

Ein reproduzierbarer Testlauf beginnt mit Sollfällen

Wählen Sie pro Aufgabenklasse echte, bereits fachlich gelöste Beispiele und entfernen oder synthetisieren Sie sensible Daten. Für jeden Fall braucht es ein erwartetes Ergebnis, zulässige Abweichungen und ein klares Ausschlusskriterium. Führen Sie anschließend alle Kandidaten mit denselben Eingaben und verfügbaren Werkzeugen mehrfach aus. Eine faire Auswertung trennt fachliche Richtigkeit, Vollständigkeit, Format, Quellenbezug und benötigte Nacharbeit. Modellname und Anbieter sollten bei der fachlichen Erstbewertung ausgeblendet werden. Versionierte Prompts, Parameter und Rohresultate machen spätere Modellupdates nachvollziehbar.

• Aufgabe, Zielgruppe und fachliches Soll-Ergebnis festhalten.
• Exakte Modell-ID, Region, Parameter und Testdatum protokollieren.
• Mindestens einen Negativ- oder Grenzfall pro Aufgabe aufnehmen.
• Qualität, Kosten und Latenz über mehrere identische Läufe messen.
• Ausschlusskriterien für Datenweg, Fehlerquote und fehlende Nachweise vorab definieren.

Konkrete Beispiele schlagen allgemeine Benchmarks

Ein öffentlicher Benchmark kann Kandidaten vorsortieren, beantwortet aber nicht, ob ein Modell Ihre Produktnamen korrekt schreibt, Pflichtfelder aus Ihrem Vertrag extrahiert oder eine freigegebene JSON-Struktur einhält. Für einen Dokumentvergleich kann das Soll etwa aus zwölf bekannten Unterschieden und den jeweiligen Fundstellen bestehen. Für eine RAG-Frage zählen richtige Quelle, belegte Antwort und ein kontrolliertes Nichtwissen bei fehlendem Treffer. Für Code zählen ausführbare Tests und Review-Befunde, nicht der überzeugende Ton der Erklärung.

Ein großes Kontextfenster ist Kapazität, keine Qualitätsgarantie

Die maximale Tokenzahl beschreibt zunächst nur, wie viel Eingabe technisch möglich ist. Relevant ist, ob das Modell die entscheidende Stelle in langen, teils widersprüchlichen Inhalten zuverlässig findet und ob irrelevanter Kontext die Antwort verschlechtert. Testen Sie deshalb kurze Referenzpakete gegen lange Volltexte, platzieren Sie die Schlüsselinformation an unterschiedlichen Stellen und prüfen Sie Zitate oder Fundstellen. Bei umfangreichen Wissensbeständen ist gutes Retrieval häufig wichtiger als das größtmögliche Fenster.

Kosten pro freigegebenem Ergebnis statt Listenpreis pro Token

Der Listenpreis ist nur ein Faktor. Ein aussagekräftiger Vergleich addiert Eingabe, Ausgabe, Caching, Embeddings, Tool-Aufrufe, Wiederholungen und menschliche Korrektur. Ein günstiger Lauf wird teuer, wenn er häufig wiederholt oder vollständig nachbearbeitet werden muss. Lokale Modelle haben zwar keinen externen Tokenpreis, verursachen aber Hardware-, Betriebs-, Energie- und Wartungskosten. Halten Sie Preisquelle und Währung am Testdatum fest, statt Werte dauerhaft in eine Rangliste einzubauen.

Datenschutz gehört zum konkreten Modellweg

Datenschutz ist keine feste Eigenschaft eines Modellnamens. Entscheidend sind der gewählte Endpunkt, Vertrag und Auftragsverarbeitung, Speicher- und Verarbeitungsregion, Protokollierung, Unterauftragnehmer und aktivierte Zusatzfunktionen. Derselbe Modelltyp kann über verschiedene Angebote unterschiedliche Datenwege haben. Ein lokaler Endpunkt reduziert externe Übertragung nur dann, wenn auch Retrieval, Tools, Telemetrie und Protokolle innerhalb der vorgesehenen Grenze bleiben. Prüfen Sie diese Kette vor der Qualitätswertung als eigenes Ausschlusskriterium.

Latenz misst den Arbeitsfluss, nicht nur das erste Token

Für einen interaktiven Chat sind Zeit bis zum ersten sichtbaren Token und p95 der Gesamtdauer wichtig. Bei Stapelverarbeitung zählen Durchsatz und Zeit bis zum vollständigen Ergebnis. Bei Reasoning oder Werkzeugnutzung gehört auch die Wartezeit für Freigaben und wiederholte Aufrufe dazu. Messen Sie unter realistischer Parallelität und notieren Sie Ausreißer; ein einzelner schneller Demolauf ist keine belastbare Betriebsentscheidung.

Aus dem Testergebnis wird eine begrenzte Freigabe

In der AI Zentrale kann eine Organisation Cloud-, lokale und eigene Modelle zentral bereitstellen und pro Rolle freigeben. Der sichtbare Modellname im Chat hilft, Ergebnisse dem gewählten Weg zuzuordnen. Die fachliche Entscheidung sollte zusätzlich festhalten, für welche Aufgabenklasse, Datenstufe und Kosten- oder Latenzgrenze die Freigabe gilt. Nach einem Modellupdate oder einer Änderung an Prompt, Tools, Retrieval oder Region wird der relevante Testsatz erneut ausgeführt.

Eine belastbare Entscheidung darf auch mehrere Modelle ergeben

Das Ergebnis muss kein einzelner Standard für alles sein. Ein schneller Kandidat kann Standardkommunikation übernehmen, ein stärkeres Reasoning-Modell seltene komplexe Prüfungen und ein lokaler Endpunkt besonders sensible Aufgaben. Wichtig sind klare Anzeigenamen, dokumentierte Einsatzgrenzen, ein Fallback und ein Termin für die erneute Bewertung. So bleibt Modellauswahl eine kontrollierte Betriebsentscheidung statt einer einmaligen Markenpräferenz.