KI-Modell wählen

Geprüft am 26. Oktober 2026 · von A.Frick · 5 Min. Lesezeit

Passe das Modell an die Aufgabe an: klein für Menge, mittel für den Alltag, Spitze oder Reasoning für Schweres und lokal für Privates, mit Entscheidungsbaum und Test.

Das beste Modell gibt es nicht. Es gibt das beste Modell für eine Aufgabe, ein Budget und eine Datenschutzstufe. Dieser Leitfaden zeigt, wie du mit fünf Fragen wählst und deine Wahl mit einem kleinen Test prüfst.

Modellnamen ändern sich innert Monaten. Die Namen unten sind Beispiele von den eigenen Seiten der Anbieter, Stand 26. Oktober 2026. Aktuelle Preise findest du unter KI-API-Preise.

Drei Klassen von Modellen

Die meisten Anbieter verkaufen dieselben drei Stufen. Die Namen unterscheiden sich, die Idee nicht.

Anthropic beschreibt Haiku 5.5 als Modell für Aufgaben mit hoher Menge und kurzer Wartezeit wie Klassifizieren, Auslesen und Weiterleiten, Sonnet 5.5 als beste Mischung aus Tempo und Intelligenz und Fable 5.1 für anspruchsvolles Schlussfolgern und lange Agentenarbeit. OpenAI führt GPT-6 Astra als sein leistungsfähigstes und GPT-6 Luna als sein effizientestes Modell. Google nennt Gemini 4 Argon sein Flaggschiff für Reasoning und Gemini 3.5 Flash-Lite sein schnellstes, günstigstes 3.5-Modell.

Der Entscheidungsbaum

Die fünf Fragen im Detail

1. Wie privat sind die Daten?

Darf Text nicht aus deiner Kontrolle gehen, denke zuerst daran. Mögliche Wege: eine Verbraucher-App mit abgeschaltetem Training, ein Business-Plan oder eine API mit Datenvertrag, oder ein lokales Modell auf deinem eigenen Rechner. Lies was nicht in Chatbots gehört. Modelle, die du selbst betreiben kannst, heissen Open-Weight-Modelle. Beispiele in der Ollama-Bibliothek: gpt-oss (Grössen 20b und 120b), Gemma 4 (Grössen von E2B bis 31B, mit Bildeingabe) und Qwen 3.5 (0.8B bis 122B). Kleine Grössen laufen auf einem Laptop, grosse brauchen starke Hardware. Die Qualität liegt unter den besten Cloud-Modellen, reicht aber für Zusammenfassungen und Entwürfe oft aus.

2. Wie schwer ist die Aufgabe?

Ein Reasoning-Modell investiert zusätzliche Denkschritte, bevor es antwortet. Das hilft bei Mathematik, kniffligen Fehlern und Planung, kostet aber mehr Tokens und Zeit. OpenAI führt für seine GPT-6-Reihe Reasoning-Stufen von niedrig bis maximal. Die aktuellen Modelle von Anthropic nutzen adaptives Denken, das ein Aufwand-Parameter steuert. Für einfaches Schreiben oder Chatten genügen ein tieferer Aufwand oder ein Mittelklasse-Modell meist.

3. Wie gross ist die Menge?

Tausende kleine Aufträge sprechen für ein kleines Modell. Die Preisunterschiede sind gross: Laut den Preisseiten der Anbieter kosten Claude Haiku 5.5 und GPT-6 Luna $0.10 Input und $0.50 Output pro Million Tokens (Haiku bis 100'000 Token pro Prompt), die Mittelklasse $2 und $10 und Claude Opus 5.5 $4 und $20 (geprüft 2026-10-26). Nimm Prompt Caching und die Batch-API dazu, wo sie passen. Eine vollständige Tabelle steht unter KI-API-Preise.

4. Wie lang ist dein Input?

Das Kontextfenster gibt an, wie viel Text ein Modell pro Anfrage aufnimmt. Die aktuellen Flaggschiff-Reihen nennen rund eine Million Tokens: Claude-Modelle 1M, GPT-6-Modelle 1.05M, Gemini 4 Argon 1M. Das reicht für einen langen Bericht oder eine kleine Codebasis. Mehr Input kostet aber mehr, und lange Prompts können einen Aufpreis haben: Haiku 5.5 wechselt ab 100'000 Tokens zu höheren Preisen. Sende, was die Aufgabe braucht.

5. Braucht es Bilder, Audio oder Dateien?

Ein multimodales Modell nimmt mehr als Text auf. Alle aktuellen Claude-Modelle und die GPT-6-Flaggschiffreihe nehmen Text und Bilder entgegen. Google führt eigene Modelle für Audio, Sprache und die Erzeugung von Bildern oder Videos. Prüfe auf der Modellseite die genauen Eingaben, bevor du darum herum baust.

Schnelle Wahl nach Aufgabe

• Langen Bericht zusammenfassen: ein Mittelklasse-Modell mit grossem Kontextfenster, oder den Text in Teile schneiden.
• 10'000 Support-Tickets sortieren: ein kleines Modell, über die Batch-API, wenn das Ergebnis warten kann.
• Harten Fehler in grosser Codebasis beheben: ein Spitzen- oder Reasoning-Modell, oft in einem Coding-Agenten.
• Mails und Beiträge entwerfen: ein Mittelklasse-Modell; ein kleines für kurze, schlichte Mails.
• Foto, Scan oder Diagramm lesen: ein multimodales Modell.
• Über private Notizen chatten: ein lokales Modell oder ein Plan mit strengen Datenbedingungen.
• Einen Helfer bauen, der andere Werkzeuge aufruft: prüfe, ob das Modell Tool Use unterstützt, bevor du einen KI-Agenten baust.

Auch das Tempo zählt. Kleine Modelle antworten schneller, was bei Live-Chat und Sprache wichtig ist. Spitzenmodelle und hohe Aufwand-Stufen denken länger, eine Antwort kann daher deutlich mehr Zeit brauchen. Wähle das Tempo, das deine Nutzer ertragen.

Prüfe deine Wahl mit einem Test

Benchmarks sind ein Hinweis, kein Beweis. Sie testen allgemeine Aufgaben, nicht deine.

1. Sammle zehn echte Aufgaben aus deiner Arbeit.
2. Lass jede auf einem kleinen Modell, einem mittleren und, bei schweren Aufgaben, einem Spitzen- oder Reasoning-Modell laufen.
3. Bewerte die Antworten: richtig, brauchbar, falsch.
4. Wähle das günstigste Modell, das die meisten besteht.
5. Teste neu, wenn ein neues Modell erscheint. Modelle werden auch abgeschaltet: Anthropic nennt etwa für jedes Modell ein frühestes Ausmusterungsdatum.

Prüfe auch den Wissensstand, wenn deine Aufgabe aktuelle Fakten braucht. Anthropic nennt für seine aktuellen Modelle Juni 2026. Modelle können trotzdem halluzinieren, prüfe darum alles, was zählt.

Kosten und Plan

Zahlung pro Token und Pauschalpläne sind verschiedene Geschäfte. Die Rechnung steht unter Abo oder API. In einem Plan bestimmt die App, welche Modelle du wählen kannst; in der API wählst du bei jedem Aufruf.

Tipp: Starte mit einem Mittelklasse-Modell. Geh nach unten, wenn die Antworten reichen, nach oben nur, wenn nicht.

Achtung: Ein Modellname garantiert keine Qualität. Preise, Limits und Namen ändern sich; bestätige sie auf der Seite des Anbieters, bevor du dich festlegst.