Welche KI sollten Sie wählen? In Wahrheit entscheiden Sie, wer für Sie Fehler machen darf.

Technologie, Entscheidungen & Verantwortung

ChatGPT, Claude, Gemini, Copilot, Perplexity, Grok, Mistral oder ein eigenes Modell? Die Frage klingt nur so lange einfach, bis wir bemerken, dass wir nicht eine einzige Sache vergleichen. Ein Modell kann ausgezeichnet und das Produkt unbrauchbar sein. Ein Zitat kann echt und der Schluss falsch sein. Ein langes Kontextfenster kann ein Dokument aufnehmen, ohne es zu verstehen. Und das billigste Abonnement kann zum teuersten werden, sobald Prüfung, Fehler und Abhängigkeit eingerechnet werden.

1. Eine Besprechung, in der alle ein Stück weit recht haben

Stellen wir uns die Leitung eines mittelgroßen tschechischen Unternehmens vor. Der Geschäftsführer will ChatGPT, weil er es für am vielseitigsten hält. Die IT schlägt Microsoft Copilot vor, weil das Unternehmen in Outlook, Teams, Excel und SharePoint lebt. Ein Entwickler plädiert für Claude oder einen spezialisierten Programmieragenten. Das Marketing möchte Gemini wegen der Google-Dienste. Der Analyst verlangt Perplexity, weil die Antworten Quellen anzeigen. Ein Kollege, der das Geschehen auf X verfolgt, vertraut Grok. Der Sicherheitsmanager würde am liebsten ein Open-Weight-Modell in der eigenen Infrastruktur betreiben.

Auf den ersten Blick ist dies ein Streit zwischen Marken. Tatsächlich beschreibt jede Person ein anderes Problem. Der Geschäftsführer vergleicht die Breite einer fertigen Anwendung. Die IT die Integration mit Unternehmensdaten und Identitäten. Der Entwickler einen Arbeitsapparat, der ein Repository lesen und Tests ausführen kann. Das Marketing die verfügbaren Modalitäten. Der Analyst den Rechercheprozess. Der Sicherheitsmanager Datenübertragung, Schlüsselverwaltung und Prüfbarkeit.

Deshalb können alle teilweise recht haben und die gemeinsame Entscheidung dennoch falsch sein. Kauft das Unternehmen eine Lizenz nach dem Sieger einer Internet-Rangliste, beantwortet es eine Frage, die niemand präzise gestellt hat. „Die beste KI“ ist keine Produkteigenschaft wie Gewicht oder Abmessung. Es ist eine Kurzform für verschiedene Anforderungen: Textqualität, Quellenarbeit, Geschwindigkeit, Preis, Wiederholbarkeit, Konnektoren, Berechtigungen, Export, Datenschutz und Folgen eines Irrtums.

Die erste wichtige Unterscheidung lautet daher nicht, welcher Anbieter führt. Sie lautet: Was genau soll verglichen werden? Sonst stellen wir Motor, Auto, Navigation und Taxidienst nebeneinander und wundern uns, dass jeder in einer anderen Disziplin gewinnt.

Ein Modell ist kein Produkt. Ein Produkt ist kein Agent. Ein Agent ist kein Unternehmenssystem. Und ein Benchmark ist keine echte Arbeit.

— Jiný Kontext

2. Eine Antwort hat mindestens sechs Schichten

Wenn auf dem Bildschirm ein Absatz, eine Tabelle oder korrigierter Code erscheint, entsteht leicht der Eindruck, „das Modell“ habe ihn geschrieben. Das Ergebnis entsteht jedoch meist in einer Kette aus mehreren Schichten. Jede kann die Qualität erhöhen, senken oder die Art des Fehlers verändern. Zwei Produkte mit demselben Basismodell müssen deshalb nicht gleich antworten, und dasselbe Produkt kann sich je nach Modus, Konto oder aktivierten Werkzeugen unterschiedlich verhalten.

Das Basismodell bestimmt einen wichtigen Teil der Fähigkeiten, ist aber nicht der einzige Akteur. Eine Anwendung kann vor einer Anfrage eigene Anweisungen einfügen, Verlauf anhängen, Dokumente abrufen, die Antwort kürzen oder sie an ein weiteres Werkzeug weiterleiten. Ein Programmieragent kann denselben Vorschlag mit einem Test prüfen, während ein gewöhnlicher Chat nur Code ausgibt. Ein Suchprodukt kann eine Antwort auf das aktuelle Web stützen, aber auch die falsche Quelle auswählen. Ein Unternehmensassistent kann eine interne Notiz finden, die ein isoliertes Modell nie gesehen hätte, zugleich aber das Chaos in den Unternehmensberechtigungen erben.

Genau hier entsteht der erste Fehler vieler öffentlicher Vergleiche. Die Überschrift kündigt den Wettkampf zweier Modelle an, tatsächlich werden jedoch zwei Anwendungen mit unterschiedlichen Werkzeugen, Limits und Anweisungen verglichen. Oder eine reine API ohne Suche wird gemessen und das Ergebnis als Urteil über ein fertiges Produkt ausgegeben. Ein redlicher Vergleich muss nicht nur den Namen, sondern auch Anwendungsversion, Modus, verfügbare Werkzeuge, beigefügten Kontext, Zeitlimit und Prüfmethode nennen.

Diese Schichtung ist kein akademisches Detail. Sie bestimmt, wo bei einem Fehler gesucht werden muss. Kannte die Antwort eine gestrige Gesetzesänderung nicht, fehlte vielleicht eine Webquelle. Übersah sie einen Absatz in der Mitte eines Vertrags, kann die Kontextauswahl versagt haben. Überschrieb ein Agent die richtige Datei, lag das Problem womöglich in der Berechtigung oder im Freigabeschritt. Der Satz „Die KI hat sich geirrt“ beginnt die Diagnose; er beendet sie nicht.

3. Das beste System ist das, dessen Fehler Sie sich leisten können

Nutzer suchen gewöhnlich nach dem System mit der höchsten Wahrscheinlichkeit einer richtigen Antwort. Das ist vernünftig, aber unvollständig. Ebenso wichtig ist, wie ein Fehler aussieht, ob er erkannt werden kann, wie viel seine Korrektur kostet und ob das Ergebnis umkehrbar ist. Ein Tippfehler in einem Sloganentwurf ist billig. Ein erfundenes Zitat in einem Schriftsatz ist teuer. Eine falsch benannte Datei lässt sich zurücksetzen. Eine bereits an den Kunden gesendete Nachricht oder eine Änderung am Produktionssystem manchmal nicht.

NIST verwendet für überzeugend präsentierte falsche Inhalte den Begriff Konfabulation und weist darauf hin, dass sie falsche Tatsachen, erfundene Zitate und in sich widersprüchliche Erklärungen umfassen kann. Das Risiko steigt nicht nur mit der Häufigkeit des Irrtums. Es steigt auch dann, wenn ein professioneller Stil Menschen zu unangemessenem Vertrauen verleitet.^[17]

Damit ändert sich auch die Auswahlfrage. Wir fragen nicht nur, welches System im Durchschnitt am besten antwortet. Wir fragen, welches System auf eine Weise scheitert, die unser Prozess erkennt. Ein Kreativteam kann zehn unbrauchbare Ideen tolerieren, weil es eine gute leicht erkennt. Eine Buchhaltung kann keine einzige versteckte Verschiebung eines Dezimalzeichens tolerieren. Ein Entwickler kann einen falschen Vorschlag akzeptieren, wenn ein Test zuverlässig fehlschlägt. Arzt, Richter oder Beamter dürfen flüssigen Text nicht mit einem überprüfbaren Fachurteil verwechseln.

Die Fähigkeit des Systems ist daher nur eine Achse. Die zweite ist Beobachtbarkeit, die dritte Umkehrbarkeit und die vierte Auswirkung. Ein Produkt mit einem etwas schwächeren Modell, aber klarer Quellenhistorie, begrenzten Berechtigungen und Freigaben kann für eine Organisation sicherer und wirtschaftlich besser sein als ein Benchmark-Sieger ohne diese Stützen.

4. Ein Benchmark ist eine Karte. Kein Urteil

Benchmarks sind nötig, weil sie einen Teil der Eindrücke durch eine wiederholbare Prüfung ersetzen. Das Problem beginnt, wenn eine Punktzahl die gesamte Fähigkeit eines Systems vertreten soll. Das Stanford-Projekt HELM baut die Bewertung auf breiter Situationsabdeckung, mehreren Metriken und standardisierten Bedingungen auf. Zugleich betont es ausdrücklich die Unvollständigkeit: Keine einzelne Rangliste kann alle Domänen, Sprachen, Interaktionsweisen und Risiken messen.^[18]

Jeder Test enthält verborgene Entscheidungen. Wer hat die Aufgaben ausgewählt? In welcher Sprache? Erhält das Modell Werkzeuge? Wie viel Zeit und wie viele Versuche? Wird eine exakte Zeichenfolge oder ein funktionierendes Ergebnis bewertet? Fließen Kosten ein? Darf das System im Web suchen? Ist der Testsatz älter als die Trainingsdaten? Die Antwort auf jede dieser Fragen kann die Reihenfolge verändern.

Ein anschauliches Beispiel kam aus Programmierprüfungen. OpenAI veröffentlichte im Juli 2026 eine Prüfung des öffentlichen SWE-Bench-Pro-Teils mit 731 Aufgaben. Das automatisierte Verfahren markierte 200 Aufgaben, also 27,4 Prozent, als wahrscheinlich problematisch; die menschliche Annotation markierte 249, also 34,1 Prozent. Zu den Problemen gehörten zu enge Tests, unvollständige Aufgabenstellungen und Kontrollen, die unfertige Lösungen bestehen ließen. Das ist die Prüfung eines konkreten Datensatzes durch eine Organisation, kein Beweis dafür, dass Benchmarks wertlos sind. Sie zeigt jedoch, dass ein exakter Prozentsatz eine fehlerhafte Bedingung exakt messen kann.^[20]

Für einen Kauf ist deshalb ein kleiner interner Benchmark wichtiger als eine fremde Gesamtrangliste. Dreißig echte Unternehmensaufgaben — mit realen Dokumenten, tschechischer Sprache, freigegebenen Daten und tatsächlichen Kontrollen — können mehr aussagen als tausend Fragen aus einer Domäne, die die Organisation nie nutzt. Ein öffentlicher Benchmark hilft, Kandidaten auszuwählen. Die Entscheidung muss die Arbeit treffen.

5. Vergleichen wir Ökosysteme, nicht Maskottchen

Der Markt lässt sich ohne falsches Siegerpodest beschreiben. Die folgende Karte sagt nicht, wer allgemein Erster ist. Sie zeigt, um welche Arbeit die einzelnen Ökosysteme ihr Produkt bauen, welche Art von Kontext sie mitbringen und nach welchem Fehler ein Käufer im Test gezielt suchen sollte. Funktionen und Tarife ändern sich; entscheidend sind deshalb stets die aktuelle Seite des Anbieters und die Bedingungen des konkreten Kontos.

Die Zeilen sind kein Urteil über die Qualität der Modelle. Derselbe Anbieter bietet mehrere Klassen, Modi und Produkte an, von denen sich jedes innerhalb weniger Monate ändern kann. Die Karte soll einen anderen Fehler verhindern: dass ein Unternehmen ein hervorragendes Modell in einem Produkt kauft, das seine Arbeit nicht sieht, sie nicht sicher abschließen kann oder es in einer Umgebung festhält, aus der es später nur schwer herauskommt.

6. OpenAI: der Vorteil einer breiten Werkbank

Das OpenAI-Ökosystem besteht heute nicht nur aus Chat. Das Geschäftsangebot verbindet Konversation, Analyse, Erstellung, Programmierung, Arbeitsagenten und Konnektoren zu weiteren Diensten. Die offizielle Übersicht unterscheidet zugleich einen gewöhnlichen Geschäftstarif von vertraglich geregelten Unternehmensoptionen mit weitergehender Steuerung, Aufbewahrungsregeln und Zugriffskontrolle.^[1]

Die Stärke dieser Breite ist weniger Reibung beim Wechsel zwischen Aufgaben. In derselben Umgebung kann ein Nutzer eine Tabelle untersuchen, Quellen finden, Text vorbereiten, mit einem Bild arbeiten und einen Teil der Aufgabe an einen Programmierapparat übergeben. Das ist ein praktischer Wert, den ein reiner Modelltest nicht erfasst. Universalität schafft jedoch auch eine neue Anforderung: Der Nutzer muss wissen, ob er gerade eine schnelle Antwort, tiefere Recherche, einen verbundenen Dienst oder einen Agenten mit Dateirechten verwendet.

Was getestet werden muss

Die erste Prüfung betrifft die Konsistenz zwischen Modi. Dieselbe Frage an einen gewöhnlichen Chat, einen Recherchemodus und einen Agenten ist nicht dasselbe Experiment. Die zweite betrifft Kosten und Limits: Das Werbewort „unbegrenzt“ kann Schutzbedingungen, unterschiedliche Modelllimits oder Zusatzguthaben enthalten. Die dritte betrifft Daten. OpenAI gibt an, dass Daten aus ChatGPT Business, Enterprise und API standardmäßig nicht zum Training verwendet werden und dass qualifizierte Organisationen Optionen für Aufbewahrung und Datenresidenz erhalten können.^[2] Das ist eine wesentliche Eigenschaft eines konkreten Vertragsregimes, keine automatische Eigenschaft jedes persönlichen Kontos und jedes verbundenen Werkzeugs.

Für eine Einzelperson, die einen breiten Dienst möchte, kann diese Integration entscheidend sein. Für eine Organisation reicht der Satz „Wir haben ChatGPT“ jedoch nicht. Sie muss Workspace-Typ, Dateneigentümer, erlaubte Konnektoren, Freigaberegeln, Export, Aktionsprotokolle und die Grenze kennen, ab der ein Mensch das Ergebnis freigeben muss.

7. Anthropic: konzentrierte Arbeit ist nicht dasselbe wie fehlerfreie Arbeit

Claude positioniert sich als Umgebung für Dokumente, Recherche, Code und längere Arbeitsabläufe. Die offizielle Tarifübersicht verbindet kostenpflichtige Konten mit Projekten, Recherche, Konnektoren sowie Werkzeugen für Programmierung und weitere Erstellung. Zugleich weist sie auf Nutzungslimits hin und darauf, dass die Kapazität von Länge und Komplexität der Gespräche, dem gewählten Modell und den verwendeten Funktionen abhängt.^[3]

Das ist wichtiger als eine bloße Zahl von Nachrichten. Ein langes Dokument, mehrere Dateien und ein Agentenlauf können einen ganz anderen Anteil der Kapazität verbrauchen als eine kurze Frage. Der Nutzer kauft daher nicht nur Zugang zu einem Modellnamen. Er kauft den Durchsatz eines Arbeitstages: wie oft er eine Aufgabe wiederholen kann, wie lang die Ausgabe ist, ob er nach einer Unterbrechung fortfahren kann und was zusätzliche Berechnung kostet.

Ein angenehmer Stil kann dasselbe alte Problem verdecken

Gut strukturierter Text wirkt wie ein Zeichen von Verständnis. Er ist es nicht automatisch. Bei redaktioneller oder analytischer Arbeit muss besonders geprüft werden, ob das System die These des Autors durch eine eigene Ergänzung ersetzt, eine unbequeme Ausnahme ausgelassen oder zwei verschiedene Quellen zu einem glatten, aber nicht vorhandenen Konsens verschmolzen hat. Gute Formulierung senkt die Bearbeitungskosten; zugleich kann sie die Kosten der Fehlererkennung erhöhen, weil die Antwort nicht verdächtig aussieht.

Auch hier müssen Verbraucher- und Arbeitsmodus getrennt werden. Anthropic beschreibt in seiner Erläuterung der Verbraucherbedingungen die Wahl, ob neue oder fortgesetzte Gespräche zur Modellverbesserung genutzt werden dürfen, und unterscheidet diese Konten von Diensten unter kommerziellen Bedingungen, API und Unternehmenstarifen.^[4] Eine Unternehmensentscheidung darf deshalb nicht nur davon ausgehen, was ein Beschäftigter in seinen persönlichen Einstellungen sieht.

8. Google: Manchmal gewinnt das Modell, manchmal der Ort der Daten

Google verbindet Gemini mit einem breiteren Dienstepaket: Suche, Cloudspeicher, Gmail, Docs, Medienerstellung und NotebookLM. Offizielle Seiten zu Verbrauchertarifen beschreiben diese Verbindung als Teil eines Abonnements, nicht nur als Zugang zu einer Modellversion.^[5] Für jemanden, dessen Arbeit bereits in dieser Umgebung entsteht, kann die Integration mehr Zeit sparen als ein kleiner Unterschied in einem Test allgemeinen Schlussfolgerns.

Multimodalität verändert außerdem die Arbeitseinheit selbst. Die Aufgabe muss nicht „Schreibe einen Text“ lauten, sondern „Prüfe PDF, Bilder, Aufnahme und Tabelle und erstelle eine Vorlage“. Die Fähigkeit, mehrere Formate anzunehmen, ist jedoch nur das Eingangstor. Das System muss weiterhin erkennen, was entscheidend ist, Beobachtung von Interpretation trennen und benennen, was sich aus dem Inhalt nicht zuverlässig lesen ließ.

Zwei ähnliche Konten können unterschiedliche Datenregime haben

Bei Google ist besonders wichtig, die Grenze zwischen Verbraucher-App und Workspace nicht zu verwischen. Der Privacy Hub gibt an, dass bei aktivierter Speicherung der Aktivität geteilte Inhalte mit Hilfe menschlicher Prüfer zur Verbesserung der Dienste genutzt werden können.^[6] Die Dokumentation für qualifizierte Workspace-Editionen beschreibt dagegen Unternehmensschutz, nach dem Inhalte ohne Erlaubnis weder zum Training generativer Modelle außerhalb der Domain verwendet noch von Menschen geprüft werden.^[7]

Der Unterschied ist nicht kosmetisch. Derselbe Beschäftigte kann ein persönliches Konto, ein Arbeitskonto und verschiedene Berechtigungen für dieselbe Datei haben. Ein Pilot muss festhalten, in welchem Profil getestet wird, was aktiviert ist und wer für die Konfiguration verantwortlich ist. Sonst prüft das Unternehmen den Komfort einer Verbraucher-App und gibt ihn versehentlich als Sicherheitseigenschaft einer Unternehmensbereitstellung aus.

9. Microsoft und GitHub: die Intelligenz der Berechtigungen

Microsoft 365 Copilot gewinnt Wert daraus, Antworten in Word, Excel, Outlook, Teams und über Microsoft Graph verfügbaren Daten zu verankern. Das Angebot präsentiert ihn direkt als Assistenten innerhalb der Arbeitsanwendungen und des Unternehmenskontexts.^[9] In der Praxis kann eine etwas weniger eindrucksvolle allgemeine Antwort größeren Wert schaffen, wenn sie das letzte Protokoll, die Tabelle und die E-Mail korrekt findet, auf denen die Entscheidung tatsächlich beruht.

Dieselbe Eigenschaft ist ein Sicherheitsspiegel. Microsoft gibt an, dass Copilot bestehende Nutzerberechtigungen respektiert und Graph-Daten in einer Antwort erscheinen können, wenn der Nutzer bereits Zugriff hat. Das System repariert alte Überfreigaben nicht selbst. Konnte ein Beschäftigter jahrelang einen sensiblen Ordner öffnen, ohne von ihm zu wissen, kann die KI-Suche diesen vergessenen Zugriff sichtbar machen. Die Dokumentation gibt außerdem an, dass Prompts, Antworten und Graph-Daten im Unternehmensregime nicht zum Training von Basismodellen genutzt werden.^[10]

GitHub Copilot zeigt in der Entwicklung ein ähnliches Prinzip. Das Ergebnis entsteht nicht aus einem Modell im Vakuum. Den Kontext bilden die geöffnete Datei, ausgewählter Code, weitere Teile des Workspace, Frameworks und Abhängigkeiten. Unternehmenstarife ergänzen Lizenzverwaltung, Richtlinien und weitere organisatorische Kontrollen.^[11]

Der größte Wettbewerbsvorteil von Unternehmens-KI muss daher nicht das Modell sein. Er kann in geordneten Daten liegen. Und die größte Schwäche muss keine Halluzination sein. Sie kann eine wahre Antwort auf Grundlage eines Dokuments sein, das vor zwei Jahren wahr war.

10. Perplexity und Grok: Aktualität ist nicht dasselbe wie Wahrheit

Perplexity lässt sich sinnvoll als Recherchearchitektur verstehen, die Suche, Quellen und mehrere Modelle verbindet. Der Dienst selbst weist darauf hin, dass sich das verfügbare Modell ändern kann und dass ein Modell innerhalb von Perplexity nicht dasselbe ist wie dasselbe Modell in seiner ursprünglichen Anwendung: Suche, Zitate, Werkzeuge, Systemanweisungen und Dienstlimits beeinflussen die Antwort.^[12]

Das ist Vorteil und Warnung zugleich. Der Nutzer kann mehrere Quellen schnell vergleichen und die Recherche mit einer sichtbaren Spur beginnen. Er darf einen Link jedoch nicht mit Beweis verwechseln. Ein Zitat kann zu einer existierenden Seite führen, die nur einen Teil des Satzes stützt, über eine andere Population spricht oder eine Behauptung aus einem weiteren ungeprüften Text wiederholt. Die Qualität eines Rechercheprodukts misst sich daher nicht an der Zahl blauer Links, sondern daran, wie weit jeder entscheidende Schluss tatsächlich aus einer Primärquelle folgt.

Grok baut einen großen Teil seiner Unterscheidung auf dem Live-Web, X, Sprache und Multimedia auf; das Geschäftsangebot ergänzt Verwaltung, Datenisolierung und Sicherheitskontrollen.^[15] Zugang zu einem frischen Strom bedeutet nicht automatisch ein besseres Bild der Wirklichkeit. Ein Ereignis, über das Menschen am schnellsten schreiben, kann zugleich am wenigsten geprüft sein. Die Popularität eines Beitrags misst Verbreitung, nicht Wahrheit.

Drei Prüfungen einer aktuellen Antwort

Die erste ist zeitlich: Wann geschah das Ereignis und wann wurde die Quelle aktualisiert? Die zweite betrifft den Ursprung: Handelt es sich um ein Primärdokument, einen Augenzeugenbericht, eine Pressemitteilung oder eine Abschrift? Die dritte sucht Widerspruch: Hat das System eine glaubwürdige Quelle gefunden, die den Schluss infrage stellt? Ein Produkt, das eine Minute früher antwortet, ist nicht unbedingt besser, wenn eine Stunde später niemand feststellen kann, warum es gerade so geantwortet hat.

Auch hier unterscheiden sich Verbraucher- und Unternehmensregime. Perplexity gibt an, dass bei bezahlten Verbraucherkonten die Nutzung von Daten zum Training deaktiviert werden kann, während Unternehmensdaten nicht zum Training verwendet werden.^[13] Bei sensiblen Unterlagen muss deshalb nicht nur das gewählte Modell, sondern die gesamte Kette aus Anbietern, Suche und Aufbewahrungsregeln geprüft werden.

11. Mistral und offene Gewichte: Kontrolle kommt nicht mit einem Download

Mistral bietet neben fertigen Diensten und API auch private Cloud, lokalen und eigenen Betrieb. Die offizielle Übersicht betont, dass Daten bei einer solchen Bereitstellung in der Umgebung des Kunden bleiben können.^[14] Für eine europäische Organisation, eine regulierte Branche oder ein Unternehmen mit sensiblem Know-how kann der Standort des Systems wichtiger sein als der letzte Prozentpunkt in einem öffentlichen Test.

„Die Gewichte können heruntergeladen werden“ bedeutet aber nicht „kostenlos, privat und offen“. Der Betrieb braucht Hardware oder Cloud, Updates, Monitoring, Zugriffssteuerung, Backups, Tests, Sicherheitsreaktion und jemanden, der die Lizenz versteht. Daten bleiben nur dann lokal, wenn auch Protokollierung, Embeddings, Suche, Telemetrie und verbundene Werkzeuge die bestimmte Umgebung nicht verlassen. Ein einziger externer Konnektor kann aus einem lokalen Modell einen nichtlokalen Prozess machen.

Die Open Source Initiative unterscheidet zudem offene Gewichte von einem tatsächlich offenen KI-System. Ihre Definition verlangt nicht nur Parameter, sondern auch ausreichende Informationen über Daten und den Code, der zum Untersuchen, Ändern und Reproduzieren des Systems nötig ist.^[16] Einige weithin verfügbare Modelle heißen daher genauer „open weight“ als vollständig quelloffen.

Ein offenes Gewicht ist eine Möglichkeit zu bauen. Es ist kein fertiges Unternehmenssystem. Es kann die Abhängigkeit von einer API deutlich senken, Spezialisierung ermöglichen und Kontrolle über Daten geben. Zugleich verlagert es Verantwortung vom Anbieter zum Betreiber. Das ist eine strategische Wahl, kein kostenloses Mittagessen.

12. Zitate beseitigen Halluzinationen nicht. Sie verlagern den Prüfpunkt

Vor der Websuche musste der Nutzer prüfen, ob das Modell eine Tatsache erfunden hatte. Mit Zitaten prüft er etwas Komplexeres: ob die Quelle existiert, glaubwürdig ist, dieselbe Frage behandelt und den Satz, an dem sie steht, wirklich stützt. Ein Zitat ist Navigation zum Beweis. Es ist nicht automatisch ein Beweis.

Eine Antwort kann drei wahre Quellen zu einem falschen Schluss verbinden. Die erste beschreibt die Weltbevölkerung, die zweite tschechische Haushalte und die dritte einen anderen Zeitraum. Jeder Link funktioniert, doch die Synthese ist methodisch falsch. Ein anderes Mal nutzt das System einen hochwertigen Sekundärtext, obwohl ein Primärdokument verfügbar ist. Oder es zitiert eine Seite, die inzwischen geändert wurde und die ursprüngliche Aussage nicht mehr enthält.

Der zuverlässigste Arbeitsablauf trennt deshalb Suche und Schreiben. Zuerst entsteht eine Tabelle aus Aussagen, Primärquellen und Grenzen. Erst danach der Text. Bei jeder Zahl werden Population, Zeitraum, Messgröße und Unsicherheit notiert. Lässt sich eine Quelle nicht öffnen oder die Passage nicht finden, wird eine Aussage nicht allein deshalb zur Tatsache erhoben, weil das Modell sie schön formuliert hat.

Ein Recherchesystem ist gut, wenn es den Weg zur Prüfung verkürzt, nicht wenn es Prüfung ersetzt. Bei einer Frage mit geringem Risiko kann eine schnelle Antwort mit einigen Links genügen. Bei einem gesundheitlichen, rechtlichen, finanziellen oder öffentlich bedeutsamen Schluss muss den letzten Schritt ein Mensch tun, der die Quelle versteht und Verantwortung für ihre Verwendung übernimmt.

13. Langer Kontext ist kein Gedächtnis, und Gedächtnis ist kein Verständnis

Ein großes Kontextfenster wird oft in den Satz übersetzt: „Das Modell liest das ganze Buch“ oder „Es kennt das gesamte Repository“. Technisch kann das System viele Token aufnehmen. Daraus folgt nicht, dass es alle Teile gleich gut nutzt. Die Gemini-Dokumentation vergleicht das Kontextfenster mit Kurzzeitgedächtnis: Es sind Informationen für eine bestimmte Antwort, kein dauerhaftes und fehlerfreies Verständnis.^[8]

Die Studie „Lost in the Middle“ zeigte bei den untersuchten Modellen eine deutliche Abhängigkeit von der Position relevanter Informationen. Die Leistung war meist besser, wenn entscheidendes Material am Anfang oder Ende stand, und sank, wenn es in der Mitte eines langen Kontexts lag. Die Autoren weisen zugleich darauf hin, dass weitere Dokumente nützliche Informationen bringen, aber auch die Materialmenge erhöhen können, über die das Modell entscheiden muss.^[19] Die Studie stammt aus dem Jahr 2023 und behauptet nicht, jedes heutige Modell verhalte sich gleich. Sie widerlegt jedoch die einfache Gleichung „Es passt hinein = es wird zuverlässig genutzt“.

Das Produktgedächtnis ist eine weitere Schicht. Es kann Präferenzen, Zusammenfassungen, Projektanweisungen oder frühere Gespräche speichern. Das unterstützt Kontinuität, schafft aber das Risiko veralteter Annahmen. Das System kann sich „erinnern“, dass ein Projekt eine alte Technologie nutzt, ein Kunde eine inzwischen aufgehobene Regel bevorzugt oder ein Entwurf genehmigt wurde, obwohl er später geändert wurde.

Wie ein langes Dokument getestet wird

Platzieren Sie mehrere bekannte entscheidende Angaben an verschiedenen Stellen des Dokuments und beobachten Sie, ob das System sie findet. Fragen Sie nach einem Widerspruch zwischen Anfang und Anhang. Verlangen Sie die Angabe von Seite oder Abschnitt. Wiederholen Sie die Aufgabe mit einer anderen Reihenfolge der Anhänge. Und bewerten Sie nicht nur die richtige Antwort: Halten Sie fest, ob das System fehlende Unterlagen zugab oder die Lücke selbst füllte.

Bei einem großen Korpus sind gut entworfene Suche und ein kleinerer relevanter Kontext oft besser als das mechanische Einfügen von allem. „Die ganze Firma im Prompt“ ist keine Wissensmanagementstrategie. Es ist häufig nur eine teurere Methode, den entscheidenden Satz mitten im Rauschen zu verstecken.

14. Datenschutz ist kein Schalter. Er ist der gesamte Datenfluss

Die Frage „Wird mit meinen Daten trainiert?“ ist wichtig, aber zu eng. Eine Organisation muss auch wissen, wo Prompts und Antworten gespeichert werden, wie lange, wer Zugriff hat, ob Auditprotokolle geführt werden, welche Dritten die Suche verarbeiten und ob ein verbundener Agent Daten an ein weiteres Werkzeug sendet. „Wir nutzen sie nicht zum Training“ bedeutet weder „Wir speichern nichts“ noch „Kein Unterauftragnehmer verarbeitet etwas“.

Die offiziellen Materialien der Anbieter zeigen deutliche Unterschiede zwischen persönlichen und Arbeitskonten. OpenAI, Google, Microsoft, Anthropic und Perplexity beschreiben Unternehmensregime mit anderen Verpflichtungen als bei gewöhnlicher Verbrauchernutzung.^{[2][4][7][10][13]} Daraus folgt nicht, dass jeder Unternehmensdienst für jedes sensible Datum geeignet ist. Es folgt, dass Sicherheit nicht anhand eines Logos ohne Tarifname, Vertrag und Konfiguration beurteilt werden kann.

In der Europäischen Union kommt ein Rechtsrahmen hinzu. Leitlinien der Europäischen Kommission geben an, dass die Transparenzpflichten nach Artikel 50 des AI Act seit dem 2. August 2026 gelten.^[21] Bei Hochrisikosystemen verpflichtet Artikel 26 Betreiber unter anderem zu kompetenter menschlicher Aufsicht, Überwachung des Betriebs und unter festgelegten Bedingungen zur Aufbewahrung von Protokollen.^[22] Ein gewöhnlicher Chat für einen Sloganentwurf ist nicht dasselbe wie ein System, das Beschäftigung oder Zugang zu einer Dienstleistung beeinflusst. Die konkrete Einstufung verlangt eine rechtliche Prüfung.

Das praktische Minimum ist eine Datenflusskarte. Sie beginnt beim Nutzer, führt über Anwendung, Modell, Suche, Konnektoren, Protokolle und Exporte und endet an dem Ort, an dem Daten gelöscht oder wiederhergestellt werden können. Ohne diese Karte beschreibt eine Datenschutzaussage nur einen Abschnitt der Leitung.

15. Der Tokenpreis ist der Preis des Rohstoffs, nicht des Ergebnisses

Der Markt spricht mehrere Preissprachen zugleich. Ein Verbraucher zahlt ein Monatsabonnement mit Limits. Ein Unternehmen zahlt pro Platz, für Verwaltung und manchmal weitere Guthaben. Ein Entwickler zahlt für Eingabe- und Ausgabetoken, Kontextsicherung, Suche, Codeausführung oder andere Werkzeuge. Ein Agent kann Dutzende Modellaufrufe ausführen, obwohl der Nutzer einen Satz eingegeben hat. Ein direkter Preislistenvergleich ohne Kenntnis des Arbeitsablaufs täuscht deshalb.

Ein billiges Modell kann für die Klassifizierung einer Million kurzer Einträge wirtschaftlich hervorragend sein. Dasselbe Modell kann bei einer Aufgabe teuer sein, die es dreimal wiederholt, für die es viel Kontext verbraucht und die schließlich eine halbe Stunde menschlicher Korrektur erfordert. Ein teures Modell kann für vorhersehbare Extraktion unnötig sein. Bei einer einmaligen Entscheidung mit hohen Fehlerkosten kann es dennoch billiger sein, wenn es Fehlversuche und Prüfarbeit senkt.

Auch Schwankungen gehören zu den Kosten. Gelingt dieselbe Aufgabe nur in einem von fünf Versuchen, sind die durchschnittlichen Kosten eines richtigen Ergebnisses nicht der Preis eines Laufs. Wird das System zu Spitzenzeiten langsam oder erschöpft mitten im Arbeitstag ein Limit, ist Wartezeit ein Kostenfaktor. Sind Projekte, Gedächtnis und Automationen fest an eine Umgebung gebunden, kostet auch der spätere Ausstieg.

Darum ist es sinnvoll, Kosten pro akzeptierter Ausgabe statt pro Nachricht zu messen. Akzeptiert bedeutet, dass das Ergebnis vorab definierte Kriterien erfüllte, geprüft wurde und keine spätere Korrektur verursachte. Diese Metrik kann die Reihenfolge umkehren, die in einer Preisliste eindeutig aussah.

16. Was sich für welche Arbeit eignet

Eine vernünftige Auswahl beginnt nicht mit einer Marke, sondern mit Arbeitsart und Kontrollmechanismus. Die folgenden Empfehlungen sind keine Produktrangliste. Sie weisen zum ersten Pilotversuch. Für jede Kategorie ist es sinnvoll, zwei Kandidaten auszuwählen und sie mit denselben Daten, in derselben Sprache und mit demselben Zeitbudget zu vergleichen.

Für die tschechische Nutzung ist ein eigener Test nötig. Ein englischer Benchmark misst nicht, ob ein System die Bedeutung eines Rechtsbegriffs erhält, einen Namen richtig flektiert, ein Dezimalkomma erkennt, eine tschechische Institution versteht oder eine lokale Abkürzung in ein nicht vorhandenes englisches Gegenstück übersetzt. Der Testsatz sollte Diakritik, lange Sätze, Tabellen im tschechischen Format, lokale Gegebenheiten und einen Text enthalten, bei dem die richtige Antwort „Die Quelle reicht nicht aus“ lautet.

Manche Teams brauchen am Ende mehrere Systeme: eines für Recherche, eines zum Schreiben, ein drittes in der IDE und ein viertes in einer sicheren Unternehmensumgebung. Das ist kein Scheitern der Standardisierung. Es ist dieselbe Entscheidung wie die Nutzung verschiedener Werkzeuge für Buchhaltung und Grafik. Voraussetzung ist, dass die Aufteilung verständlich bleibt, Daten nicht unkontrolliert wechseln und Menschen wissen, wo die endgültige Autorität liegt.

17. Ein Zweiwochentest, der mehr sagt als hundert Ranglisten

Eine Auswahl lässt sich ohne sechsmonatige Ausschreibung und ohne Impulskauf treffen. Ein kurzer, disziplinierter Pilot genügt. Sein Ziel ist nicht zu beweisen, dass ein Kandidat etwas Beeindruckendes kann. Er soll Situationen finden, in denen der Kandidat scheitert, und zeigen, ob die Organisation sie erkennen kann.

Der Bewerter sollte möglichst nicht wissen, welches System die Ausgabe erzeugt hat. Bei Text prüft er sachliche Richtigkeit, Vollständigkeit, Ton und Zahl der Korrekturen. Bei Recherche die Stütze durch Quellen. Bei Code Testergebnis, Diffgröße und Regressionen. Bei Agentenarbeit die Zahl menschlicher Eingriffe, irreversible Schritte und Qualität des Protokolls. Jeder Fehler wird klassifiziert: Konfabulation, Auslassung, Kontext, Werkzeug, Berechtigung oder Unterbrechung.

Die Bedingungen müssen vergleichbar sein: gleiche Zeit, gleiche Werkzeuge und gleiche Zahl von Versuchen. Darf ein Produkt im Web suchen und ein anderes nicht, testen wir fertige Arbeitsabläufe, was völlig richtig sein kann — wir müssen es aber so benennen. Wollen wir Modelle testen, müssen wir den Arbeitsapparat dagegen so weit wie möglich vereinheitlichen.

Ein Pilot braucht auch Ausschlussbedingungen. Beispiele sind eine einzige nicht gemeldete Änderung von Produktionsdaten, Nutzung einer verbotenen Quelle, ein nicht existierendes Zitat in einem entscheidenden Dokument oder die Unmöglichkeit, den Verlauf zu exportieren. Eine hohe Durchschnittspunktzahl darf einen Fehler nicht überwiegen, dessen Wirkung die Organisation nicht akzeptieren kann.

Das letzte Ergebnis ist nicht nur der Name eines Siegers. Es ist eine Betriebsregel: wofür das System eingesetzt wird und wofür nicht, welche Daten es sehen darf, was ein Mensch freigeben muss, wie das Ergebnis geprüft wird und wann die Entscheidung neu geöffnet wird. Modelle, Tarife und Bedingungen ändern sich. Ohne Prüfdatum verwandelt sich selbst ein guter Pilot allmählich in Unternehmensfolklore.

18. Intelligenz ist nicht der einzige versteckte Kostenfaktor. Abhängigkeit gehört dazu

Die erste Generation von KI-Abonnements verkaufte mehr Nachrichten. Die nächste ein besseres Modell, Bilder, Sprache und Suche. Heutige Produkte verkaufen etwas Größeres: den Ort, an dem ein Mensch sucht, schreibt, analysiert, programmiert, Arbeitsgedächtnis bewahrt und immer häufiger handelt.

Anbieter konkurrieren deshalb um mehr als die beste Antwort. Sie konkurrieren um Arbeitskontext: Dokumente, Konnektoren, Verlauf, Berechtigungen, Agenten und Gewohnheiten. Je bequemer ein Ökosystem wird, desto höher können die Ausstiegskosten sein. Projekte lassen sich schwer exportieren, Automationen hängen von proprietären Werkzeugen ab, und Menschen unterscheiden ihren eigenen Prozess nicht mehr von dem Produkt, in dem sie ihn aufgebaut haben.

Das bedeutet nicht, dass Integration schlecht ist. Gerade sie schafft oft den größten Nutzen. Es bedeutet, dass sie bewusst gekauft werden sollte. Eine Organisation braucht übertragbare Prompts und Daten, dokumentierte Schnittstellen, die Möglichkeit zum Modellwechsel, einen Notfallprozess ohne KI und regelmäßige Prüfungen, ob die ursprünglichen Gründe der Wahl noch gelten.

Das beste System ist daher nicht eines, das nie Fehler macht. Ein solches System haben wir heute nicht. Es ist auch nicht zwingend das System mit der höchsten Zahl, dem längsten Kontext oder den meisten Zitaten. Es ist das System, dessen Fähigkeiten zur tatsächlichen Arbeit passen und dessen Fehler sichtbar, umkehrbar sowie wirtschaftlich und menschlich tragbar sind.

Solange KI nur einen Satz vorschlägt, wählen wir einen Helfer. Sobald sie interne Daten liest, Quellen auswählt, Code schreibt, Dateien ändert und Entscheidungen vorbereitet, wählen wir auch eine neue Struktur der Verantwortung. Dann lautet die Frage nicht mehr: „Welche KI ist am klügsten?“

Die richtige Frage lautet: Welchen Fehler sehen wir rechtzeitig, wer kann ihn rückgängig machen und wer trägt seine Kosten?

— Jiný Kontext