In den meisten Unternehmen läuft jeder KI-Prozess über dasselbe Modell — das, welches beim Start gerade populär war. Das ist ungefähr so sinnvoll, wie jeden Transport mit demselben Fahrzeug zu erledigen. Für die Fahrt zum Bäcker nimmt man keinen Sattelzug, und für 20 Tonnen keinen Kleinwagen.
Die einzige Frage, die zuerst zählt
Was kostet ein Fehler? Diese Frage entscheidet mehr als jeder Benchmark. Ein falsch formulierter Social-Media-Entwurf kostet nichts — jemand liest ihn ohnehin gegen. Eine falsche Angabe in einer Kundenrechnung, einer Vertragsklausel oder einer medizinischen Information kostet unter Umständen sehr viel. Aus der Fehlerkosten-Frage folgt automatisch, wie viel Modellqualität, Prüfung und menschliche Freigabe ein Prozess braucht.
Erst die Fehlerkosten bestimmen, dann das Modell. Nicht umgekehrt.
Die vier Aufgabentypen im Unternehmen
- Klassifizieren und Extrahieren (E-Mail einsortieren, Rechnungsdaten auslesen, Stimmung erkennen). Hohe Frequenz, klar definierte Ausgabe. Hier gewinnen kleine, schnelle Modelle. Ein großes Modell verbrennt hier Geld für nichts.
- Generieren mit Kontrolle (Angebotstexte, Antwortentwürfe, Zusammenfassungen). Mittelgroße Modelle mit klarer Vorlage und menschlicher Freigabe.
- Schlussfolgern (Analysen, Codeänderungen, mehrstufige Entscheidungen). Hier lohnt das stärkste verfügbare Modell — die Kosten pro Aufruf sind irrelevant gegenüber dem Wert einer richtigen Analyse.
- Antworten auf Firmenwissen (interne Fragen, Kundensupport). Nicht das Modell entscheidet, sondern die Wissensbasis. Ohne saubere Suche hilft auch das größte Modell nichts.
Kosten: das Rechenbeispiel, das jeder machen sollte
Nehmen Sie den Prozess mit dem höchsten Volumen — meist eine Klassifikation. Multiplizieren Sie: Aufrufe pro Monat × durchschnittliche Ein- und Ausgabelänge × Preis pro Token. Vergleichen Sie das Ergebnis für ein großes und ein kleines Modell. In der Praxis liegen zwischen beiden oft Faktor 10 bis 30 — bei gleicher Trefferquote, wenn die Aufgabe eng definiert ist.
Der Hebel liegt also nicht im besseren Prompt, sondern im richtigen Routing: kleine Modelle für Masse, große Modelle für die Fälle, die es brauchen.
Routing statt Einheitsmodell
Ein belastbarer Aufbau sieht so aus:
- Erststufe: kleines Modell verarbeitet den Standardfall.
- Eskalation: Ist die Aufgabe unklar oder das Ergebnis unsicher, geht der Fall an das große Modell.
- Human in the Loop: Bei hohen Fehlerkosten gibt ein Mensch frei — immer.
Damit sinken Kosten und Latenz, ohne dass die Qualität dort leidet, wo sie zählt.
Latenz und Datenschutz als harte Grenzen
Zwei Kriterien schlagen jede Qualitätsdebatte. Latenz: Ein Telefon- oder Chatprozess braucht Antwort in unter zwei Sekunden — ein langsames Reasoning-Modell ist dort schlicht unbrauchbar, egal wie gut es ist. Datenschutz: Wenn personenbezogene Daten verarbeitet werden, entscheidet der Verarbeitungsort und der Auftragsverarbeitungsvertrag darüber, welche Modelle überhaupt zur Wahl stehen.
Ohne Lock-in bauen
Modelle veralten schneller als jedes andere Werkzeug im Unternehmen. Deshalb: Die Anwendung spricht nie direkt mit einem Anbieter, sondern mit einer eigenen Zwischenschicht, in der Prompt, Modellwahl und Auswertung konfiguriert sind. Ein Modellwechsel ist dann eine Konfigurationsänderung, kein Projekt.
Messen, nicht raten
Legen Sie pro Prozess 30 bis 50 echte Fälle mit bekannter richtiger Antwort an. Jedes Kandidatenmodell läuft gegen dieselbe Menge. Sie messen Trefferquote, Kosten pro Fall und Antwortzeit. Diese eine Tabelle beendet jede Meinungsdiskussion im Team.
Fazit
Modellauswahl ist kein Technologie-, sondern ein Betriebswirtschaftsthema: Fehlerkosten bestimmen die Qualitätsanforderung, Volumen bestimmt das Kostenmodell, Latenz und Datenschutz setzen die Grenzen. Wer routet statt pauschal das größte Modell zu nutzen, halbiert typischerweise die Kosten und verbessert gleichzeitig die Antwortzeit.