KIKI-Tools: ChatGPT, Claude & Gemini

Google bringt ein Gemini heraus, das keinen Satz schreibt, und das verändert die Modellwahl

Googles Gemini Decision 1 bewertet nur Antworten, die Sie vorab festlegen, und OpenAI verkauft bereits ein Modell derselben Art. Die Frage „ChatGPT, Claude oder Gemini?“ bringt Sie deshalb nicht mehr weit. Dieses Playbook zeigt, wie Sie für jede Aufgabe ein Modell wählen, es an Ihren eigenen Fällen testen und die Kosten der gesamten Aufgabe berechnen.

Ein Roboter-Linienrichter auf einem hohen Schiedsrichterstuhl hebt eine farbige Fahne, ein Trainer schaut von hinten zu.

Am 11. November 2026 hat Google ein Gemini-Modell vorgestellt, das nicht schreibt. Die Gemini Decisions API ist für schnelle, geschlossene Entscheidungen gebaut, etwa Ja/Nein-Fragen, Multiple Choice und Bewertungen auf einer Skala. Das Modell dahinter, Gemini Decision 1, kann bis zu 1.000 Fragen zu einem Input in einem einzigen Durchlauf beantworten, für 0,10 $ pro Million Input-Tokens, ohne dass Output-Tokens berechnet werden. OpenAI war schneller. Am 22. Oktober hat das Unternehmen seine Decisions API allgemein verfügbar gemacht, einen eigenen Endpoint, der GPT-6 Luna Fragen mit einer festen Menge möglicher Antworten stellt und statt Fließtext ein strukturiertes Ergebnis zurückgibt. In denselben Wochen hat Anthropic am 9. November 2026 Claude Fable 5.2 und Claude Mythos 5.2 veröffentlicht, und Gemini 4 Argon ist seit dem 13. Oktober 2026 allgemein verfügbar. Wer heute fragt „ChatGPT, Claude oder Gemini?“, bekommt von jedem Anbieter eine ganze Modellpalette als Antwort, von Urteilsmaschinen für einen Bruchteil eines Cents bis zu Frontier-Modellen, deren Preis auf die schwierigste Arbeit ausgelegt ist.

Die These dieses Playbooks: Der Anbietername ist inzwischen das am wenigsten nützliche Entscheidungskriterium. Alle drei Anbieter verkaufen Modelle für unterschiedlich geformte Aufgaben, und die unabhängigen Ranglisten widersprechen oft den Launch-Charts. Sie wählen also Aufgabe für Aufgabe. Schreiben Sie auf, wie der Output aussieht, ordnen Sie die Aufgabe nach ihrer Form ein, testen Sie zwei oder drei Kandidaten mit Ihren eigenen Dateien und berechnen Sie die Kosten der gesamten Aufgabe. Danach ist die Marke nur noch eine Zeile in der Bestellung.

Wie wählen Sie für eine Aufgabe zwischen ChatGPT, Claude und Gemini?

Wählen Sie zuerst nach der Form des Outputs, dann nach den Folgen eines Fehlers und zuletzt nach dem Anbieter. In der Praxis sind das sechs Schritte.

Die Aufgabe als Output-Spezifikation aufschreiben

Bevor Sie ein Chatfenster öffnen, schreiben Sie drei Zeilen: wie der fertige Output aussieht, wer damit arbeitet und was eine falsche Antwort kostet. „Jede eingehende Vertragsklausel als Standard, prüfen oder ablehnen markieren“ und „unsere Antwort auf das Nachverhandlungsschreiben des Kunden entwerfen“ zählen beide als „juristische Arbeit“. Sie brauchen völlig unterschiedliche Modelle. Die erste Aufgabe hat drei mögliche Antworten, die Sie vorab auflisten können. Die zweite braucht Worte, die noch niemand geschrieben hat.

Die Aufgabe mit der Regel Urteil oder Text einordnen

Hier die Entscheidungsregel, kurz genug für ein Whiteboard:

Passt die Antwort in eine Liste, die Sie vorab schreiben können, kaufen Sie ein Urteil. Braucht sie Worte, die noch niemand geschrieben hat, kaufen Sie einen Generator. Kostet eine falsche Antwort mehr als eine Arbeitsstunde, kaufen Sie die oberste Stufe und lassen einen Menschen gegenprüfen.

Die Urteilsmodelle sind eine neue Kategorie und verhalten sich anders. Statt Antworttext Token für Token zu erzeugen, bewertet Gemini Decision 1 Antwortoptionen und gibt Wahrscheinlichkeiten zurück, mit einem Confidence-Score von 0 bis 1 für jede Antwort. Google (der Anbieter, lesen Sie das also als Verkaufsaussage) gibt an, die API intern bereits für dynamisches Model-Routing in Gemini Notebook, Design-Prototyping in Stitch und Sicherheitsprüfungen in Google Search zu nutzen. OpenAI ist auf anderem Weg zum gleichen Produkt gekommen. Nikunj Handa, Produktverantwortlicher für die APIs von OpenAI, sagte der Publikation, man habe kein separates Modell trainiert, sondern Luna für schnellere, günstigere Inferenz umkonfiguriert und die Antwortzeit von einer bis drei Sekunden auf etwa 100 bis 180 Millisekunden gesenkt.

Für eine Führungskraft ist die Wahrscheinlichkeit der nützliche Teil. Von den Entscheidungen, denen ein gut kalibriertes Modell eine Wahrscheinlichkeit von 0,7 zuweist, sollten etwa 70 % richtig sein. Hält die Kalibrierung auf Ihren Daten, können Sie eine Regel festlegen: Antworten über einem Schwellenwert automatisch übernehmen und alles darunter an eine Person geben.

Pro Anbieter eine Stufe in die engere Wahl nehmen

Bei den Generatoren sagen Ihnen die Anbieter selbst, dass Sie nach Stufe wählen sollen. Zum Launch von Fable 5.2 berichtete CNBC, andere Modelle wie Claude Opus 5.5, das Anthropic im September veröffentlicht hat, eigneten sich besser für alltägliche Aufgaben. Penn sagte deshalb, Nutzer sollten zu Fable 5.2 greifen, wenn sie schwierige Probleme in Engineering, Mathematik und Robotik angehen. Google, mit demselben kommerziellen Interesse, sagt, Gemini 4 Argon sei weltweit für komplexes Coding, Finanzanalyse und juristische Workflows ausgerollt worden. Auch die GPT-6-Reihe von OpenAI gibt es in Stufen: GPT-6 Luna selbst ist ein allgemeines Textmodell, veröffentlicht am 22. September zu 0,10 $ / 0,50 $ pro 1 Mio. Tokens.

Ihre Shortlist für eine Textaufgabe besteht also aus einer Stufe pro Anbieter, die zu den Folgen eines Fehlers passt, meist zwei oder drei Kandidaten. Für eine Urteilsaufgabe sind es die Decision-Endpoints plus der günstigste Generator, für den Sie ohnehin schon zahlen, als Baseline.

Die Shortlist an Ihren eigenen Fällen testen

Launch-Benchmarks wählt der Anbieter aus, und Gemini Decision 1 zeigt, warum das eine Rolle spielt. Google gibt an, Gemini Decision 1 liege bei Benchmarks zu Agent-Routing, Reasoning, Ranking und multimodalem Verständnis über die gesamte Suite vorn, mit dem niedrigsten Kalibrierungsfehler. Am selben Tag setzte das unabhängige Benchmarking-Unternehmen Artificial Analysis das Modell zum Launch auf Platz neun von 18. Der Gesamtrang verdeckt außerdem, wie ungleichmäßig das Modell ist. In den Wissens- und Reasoning-Tests der unabhängigen Suite lag Gemini vorn. Bei AA-Paperclip, das zu jedem Lebenslauf, Forschungspapier, jeder Rechnung oder Quittung 15 Fragen stellt, beantwortete Gemini bei 33 % der Dokumente alle Fragen richtig, gegenüber 35,5 % bei Jev und 63 % bei Drex Max v1.1. Wenn Ihre Aufgabe Rechnungsprüfung ist, sagt Ihnen der Vorsprung im Wissenstest nichts darüber, wie das Modell dabei abschneidet.

Modelle nach dem Fine-tuning zeigen dasselbe Muster. Abacus.AI hat dasselbe Fine-tuning-Rezept auf drei sehr unterschiedliche Open-Weight-Modelle angewendet. Laut KDnuggets landeten die Zugewinne an völlig unterschiedlichen Stellen. Abacus.AI verkauft diese Modelle, die eigenen Zahlen brauchen also eine unabhängige Prüfung. Der Durchschnittswert eines Modells sagt nicht voraus, wie es bei Ihrer konkreten Aufgabe abschneidet.

Die Lösung ist günstig: Bauen Sie ein kleines Testset aus 20 bis 50 echten früheren Fällen, bei denen Sie die richtige Antwort bereits kennen, die unsauberen eingeschlossen (gescannte PDFs, verärgerte E-Mails, Klauseln mit Sonderfällen). Lassen Sie jedes Modell der Shortlist über dasselbe Set laufen. Bewerten Sie die Richtigkeit und prüfen Sie bei Urteilsmodellen, ob die Antworten mit hoher Confidence tatsächlich häufiger stimmen.

Die Kosten der gesamten Aufgabe berechnen

Tokenpreise führen in beide Richtungen in die Irre. Berechnen Sie also die gesamte Aufgabe und nehmen Sie Kosten und Latenz in dieselbe Tabelle auf.

Ein Rechenbeispiel, hypothetisch und rein arithmetisch: Ein Team prüft 10.000 Lieferantendokumente im Monat, jedes etwa 3.000 Tokens lang. Das sind 30 Millionen Input-Tokens.

  • Bei Gemini Decision 1 zum Listenpreis von 0,10 $ pro Million Input-Tokens kostet das Lesen der Dokumente 3 $ im Monat, ohne die Tokens für die Fragen selbst.
  • Bei Gemini 4 Argon, für das Preise ab 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens berichtet wurden, kostet allein der Input 60 $.
  • Bei Claude Fable 5.2, für das 8 $ pro Million Input-Tokens und 40 $ für Output-Tokens berichtet werden, kostet allein der Input 240 $, plus alles, was das Modell schreibt.

Der Abstand beträgt etwa zwei Größenordnungen, aber die günstige Option zählt nur, wenn die Aufgabe wirklich ein Urteil ist und die Genauigkeit auf Ihrem Testset hält. Zahlen pro Aufgabe aus unabhängigen Tests weichen außerdem vom Listenpreis ab. Über seinen Index hinweg schätzt Artificial Analysis die Kosten von Gemini auf 345 $ pro Million Aufgaben, gegenüber 103 $ für Drex Max v1.1. Das sind benchmarkspezifische Aufgabenkosten, weder Googles beworbener Tokenpreis noch eine allgemeingültige Rechnung für den Einsatz. Ihr eigenes Testset liefert Ihnen Ihre eigene Zahl.

Einen zweiten Anbieter als Ersatz bereithalten

Die Wechselkosten sinken auf jeder Ebene, und Anthropic hat das diese Woche auf Infrastrukturebene gezeigt. Laut The Decoder bringt Anthropic mit Mythos neue Hardware in etwa drei Tagen auf ein nutzbares Leistungsniveau, statt der sechs bis zwölf Monate, die klassische Engineering-Ansätze brauchen, um neue Beschleuniger einzubinden. Lesen Sie das Kleingedruckte: Eine Fußnote auf der Folie definiert die drei Tage als ungefähre Zeit, die Claude Mythos Preview braucht, um die Prompt-Verarbeitung für ein Anthropic-Modell auf AMD-MI355X-GPUs auf ein brauchbares Leistungsniveau zu bringen. Das Prinzip gilt trotzdem auch für Sie. Anthropic behandelt Rechenleistung verschiedener Anbieter, Chiparchitekturen und Standorte als einen austauschbaren Pool. Machen Sie es mit Modellen genauso. Schreiben Sie Prompts und Testsets, die nicht von einem Anbieter abhängen. Dann bedeutet der Wechsel einer Aufgabe zu einem anderen Modell, Ihr Testset neu laufen zu lassen, statt den Workflow neu aufzubauen.

Wo die Modellwahl für eine Aufgabe schiefgeht

Dem Launch-Chart vertrauen. Googles Suite und der Index von Artificial Analysis erzählen am selben Tag unterschiedliche Geschichten über dasselbe Modell. Behandeln Sie die Benchmark-Tabelle jedes Anbieters als Liste von Kandidaten, die Sie testen.

Confidence mit Richtigkeit verwechseln. Confidence-Scores sind auch keine Garantie für Richtigkeit. Auf der Kalibrierungsmetrik von Artificial Analysis, bei der niedriger besser ist, kommt Gemini insgesamt auf 0,18, gegenüber 0,16 für Drex Max v1.1 und 0,19 für Jev 1.14. Laut Artificial Analysis schwankt die Kalibrierung je nach Aufgabe. Legen Sie Ihren Schwellenwert für die automatische Übernahme anhand Ihres eigenen Testsets fest, nie anhand des Launch-Blogs.

Annehmen, dass die Maximalwerte halten. Gemini Decision 1 bewertet Optionen ohne Token-für-Token-Decoding und hält die mediane Latenz bei 50-100 ms Modellrechenzeit (150-250 ms end-to-end), bei multimodalen Inputs und Kontexten bis 16K Tokens. Die API akzeptiert aber deutlich mehr. Eine Analyse weist darauf hin, dass die Zahlen kein Geschwindigkeitsversprechen für jede unterstützte Inputgröße oder für alle 1.000 Fragen sind. Messen Sie die Zeit mit Ihren eigenen größten Dateien.

Für Absätze zahlen, wo ein Urteil reicht. Tickets routen, Richtlinien prüfen und Entwürfe benoten über ein Frontier-Chatmodell ist die häufigste unnötige Ausgabe. Das haben auch die Anbieter bemerkt: Der Pitch von OpenAI lautet, Entwickler sollten nicht mehr für Absätze zahlen, wenn sie nur ein Urteil brauchen.

Einem Urteilsmodell eine Leseaufgabe geben. Die Quote von 33 % komplett richtig beantworteter Dokumente ist eine Warnung für alle, die mit einem Decision-Endpoint Rechnungs- oder Vertragsfelder extrahieren wollen. Hängt die richtige Antwort vom sorgfältigen Lesen eines langen Dokuments ab, testen Sie parallel einen Generator.

Ignorieren, wohin die Daten gehen. Dasselbe Modell kann über mehrere Wege mit unterschiedlichen Bedingungen bezogen werden. Der Eintrag von OpenRouter für das Decision-Modell von OpenAI etwa besagt, dass es derzeit nicht über EU-In-Region-Routing verfügbar ist. Prüfen Sie für genau den Weg, den Sie nutzen werden, wo die Daten verarbeitet werden.

Was Sie am Montag tun

  • Listen Sie die fünf KI-Aufgaben auf, die Ihr Team am häufigsten wiederholt, und markieren Sie jede mit der Whiteboard-Regel als Urteil oder Text.
  • Nehmen Sie für eine Urteilsaufgabe 30 frühere Fälle mit bekannten Antworten und machen Sie daraus ein Testset in einer Tabelle.
  • Lassen Sie dieses Set durch Gemini Decision 1 laufen, das Entwickler mit einem API-Key in Google AI Studio nutzen können, wo es eine kostenlose Stufe für Prototyping gibt, und durch den Decisions-Endpoint von OpenAI. Protokollieren Sie die Genauigkeit zusammen mit der Confidence.
  • Schicken Sie für eine Textaufgabe dieselben zehn Prompts an Ihre aktuelle Stufe und an die nächsthöhere. Lassen Sie dann die Person, die für diesen Output verantwortlich ist, die Ergebnisse ranken, ohne zu sehen, welches Modell was geschrieben hat.
  • Schreiben Sie neben jedes Ergebnis die Kosten pro erledigter Aufgabe, nicht pro Token, und legen Sie die Confidence fest, unterhalb derer ein Mensch prüft.

Innerhalb von zwei Wochen haben alle drei Anbieter neue Modelle herausgebracht, und keiner dieser Launches sagt Ihnen, welches Modell zu Ihrer Rechnungs-Queue oder Ihren Kundenbriefen passt. Ihr Testset mit 30 Fällen sagt es Ihnen, und es bleibt nützlich: Lassen Sie es bei jedem neuen Launch an einem Nachmittag neu laufen, statt die Debatte von vorn zu beginnen.

Häufige Fragen

Ist 2026 ChatGPT, Claude oder Gemini am besten für die Arbeit im Unternehmen?

Keines der drei ist 2026 für alle Aufgaben im Unternehmen das beste, denn jeder Anbieter verkauft mehrere Stufen für unterschiedliche Aufgaben. Anthropic selbst empfiehlt Claude Opus 5.5 für alltägliche Aufgaben und Fable 5.2 für schwierige Engineering-Probleme. Die verlässliche Methode: Lassen Sie zwei oder drei Kandidaten über 20 bis 50 Ihrer eigenen früheren Fälle laufen und vergleichen Sie Genauigkeit und Kosten pro Aufgabe.

Was ist ein Decision-Modell in der KI?

Ein Decision-Modell bewertet eine feste Menge von Antworten, die Sie vorab festlegen, etwa Ja/Nein, Multiple Choice oder eine Note nach Bewertungsschema, und gibt statt Text Wahrscheinlichkeiten zurück. Googles Gemini Decision 1 kann bis zu 1.000 solcher Fragen zu einem Input in einem einzigen Durchlauf bewerten, und OpenAI bietet eine ähnliche Decisions API auf Basis von GPT-6 Luna an.

Kann ich mich auf den Confidence-Score von Gemini Decision 1 oder der Decisions API von OpenAI verlassen?

Confidence-Scores von Decision-Modellen helfen beim Festlegen von Prüfschwellen, garantieren aber keine Richtigkeit. Laut Artificial Analysis schwankt die Kalibrierung je nach Aufgabe, Gemini Decision 1 erreicht auf der Brier-Metrik 0,18 gegenüber 0,16 für Drex Max. Legen Sie den Schwellenwert für die automatische Übernahme von Antworten fest, indem Sie mit Ihren eigenen gelabelten Fällen testen.

Wie viel günstiger ist eine Decision-API als ein Frontier-Chatbot-Modell?

Bei Aufgaben mit geschlossenen Antworten können Decision-APIs beim Input etwa zwei Größenordnungen günstiger sein. Gemini Decision 1 kostet laut Preisliste 0,10 $ pro Million Input-Tokens ohne Kosten für Output, für Claude Fable 5.2 werden 8 $ pro Million Input-Tokens berichtet. Die Ersparnis zählt nur, wenn die Aufgabe feste Antworten hat und die Genauigkeit des Decision-Modells auf Ihrem eigenen Testset hält.

Mehr dazu

Die Lektionen, die diesen Artikel weiterführen, frei zugänglich.

  1. 1Kosten, Latenz und Modellauswahl: die TradeoffsBuilding with AI
  2. 2Die Gemini-Modellfamilie: Pro, Flash und wann Sie welches einsetzenGemini & Google AI
  3. 3Die OpenAI-Modellfamilie: GPT, Reasoning-Modelle und wann Sie welches einsetzenChatGPT & das OpenAI-Ökosystem
  4. 4Die Claude-Modellfamilie: opus, sonnet, haiku und wann Sie welches Modell einsetzenClaude & das Anthropic-Ökosystem
  5. 5Outputs evaluieren: Woher wissen Sie, dass es funktioniert?Building with AI

Sources

Artikel gelesen?

Bestätigen Sie Ihre Lektüre, um XP zu sammeln und Ihr Radar zu füttern.