Wie du das richtige KI-Modell für deine Aufgabe wählst: Guide zu Reasoning, Preis und Kontext

Was heißt „ein Modell für die Aufgabe wählen“

Stell dir vor, in deiner Garage steht der komplette Fuhrpark: ein Tretroller, ein normaler Kleinwagen, ein Rennbolide und ein gepanzerter Geldtransporter. Fahren tun sie alle. Aber wenn du mit dem Boliden um die Ecke Brot holen fährst, verbrennst du den Tank, beschallst die ganze Nachbarschaft und verbrätst einen Haufen Geld für nichts. Und einen Kühlschrank auf dem Tretroller? Den bekommst du schlicht nicht nach Hause.

Mit Sprachmodellen LLM (großes Sprachmodell) - ein Programm, das auf riesigen Textmengen trainiert wurde und auf Anfragen mit Worten antwortet. ChatGPT, Claude, Gemini und lokale Modelle - das sind alles LLMs. ist es genau dieselbe Geschichte. Es gibt viele davon, in unterschiedlicher Power und zu unterschiedlichem Preis. Und der Trick besteht nicht darin, „das allerbeste“ zu finden. Der Trick ist, für die konkrete Aufgabe das passende zu nehmen. Oft ist das nicht der Spitzenreiter, sondern im Gegenteil - das bescheidenste, das die Aufgabe noch packt.

Warum überhaupt ein Modell zur Aufgabe wählen

Du könntest alle Aufgaben in ein einziges, das teuerste Modell kippen. Und es würde sogar funktionieren. Nur zahlst du dann um ein Vielfaches drauf, wartest länger und bekommst manchmal sogar ein schlechteres Ergebnis. Ein schweres Modell kann sich bei Lappalien „verkünsteln“ und sich genau dort eingraben, wo eine einzige Zeile gereicht hätte.

• Sparen. Zwischen dem günstigsten und dem Top-Modell liegt ein um ein Vielfaches höherer Preis für dieselben Mengen. Auf Dauer und im Strom der Aufgaben wird daraus richtig Geld.
• Tempo. Ein leichtes Modell antwortet spürbar schneller. Für Kleinkram, Automatisierung und einen lebendigen Chat entscheidet das alles.
• Privatsphäre. Manche Daten darf man schlicht nicht in die Cloud schicken. Die Frage ist hier nicht der Preis - sondern ob es überhaupt geht.
• Qualität. Bei komplexer Logik bricht ein günstiges Modell ein. Und zu erkennen, wann man die Power hochdreht, ist bereits ein Skill für sich.

Neun von zehn Beschwerden „die KI ist dumm“ und „die KI ist teuer“ haben nichts mit der KI zu tun. Es geht darum, dass man das falsche Modell für die Aufgabe genommen hat. Der Tretroller kann nichts dafür, dass er den Kühlschrank nicht transportiert.

Drei Gewichtsklassen von Modellen: leicht, mittel, schwer

Fang mit dem Wichtigsten an - mit dem Gewicht. Nach Intelligenz und Preis fallen Modelle grob in drei Schubladen. Namen und Versionen werden ständig durchgemischt, also merk dir die Schubladen, nicht die Namen.

Günstige und schnelle Modelle - für Kleinkram und den Strom

Die leichtesten. Sie kosten Centbeträge und antworten fast augenblicklich. In komplexer Logik glänzen sie nicht - das müssen sie aber auch gar nicht.

Nimm sie für: Klassifizierung Klassifizierung - die Aufgabe, eine Eingabe in vorgegebene Schubladen einzusortieren: Spam oder kein Spam, positiv oder negativ, Produktkategorie. Dafür braucht es kein schweres Modell. (Spam oder kein Spam, Tonalität einer Bewertung), das Extrahieren von Daten aus Text, einfaches Umformulieren, das Übersetzen kurzer Phrasen, Sortieren und Routing von Anfragen. Alles, wo man nicht tief nachdenken muss, sondern schnell und in großer Menge.

Mittlere Modelle - das Arbeitstier für jeden Tag

Die goldene Mitte aus Preis und Intelligenz. Das ist der Default für die meisten Aufgaben: eine E-Mail schreiben, den Entwurf eines Artikels zusammenstellen, ein Thema erklären, ein einfaches Skript hinwerfen, einem Nutzer im Chat antworten.

Du weißt nicht, wo du anfangen sollst? Fang hier an. In neun von zehn Fällen reicht das mittlere Modell. Und nach unten (zum günstigen) oder oben (zum Top-Modell) wechselst du erst, wenn du an die Decke stößt - von unten (die Aufgabe ist zu simpel, um dafür zu zahlen) oder von oben (die Aufgabe ist ihm nicht gewachsen).

Schwere Reasoning-Modelle - für komplexen Code und Logik

Top-Modelle mit Reasoning-Modus Reasoning (Schlussfolgern) - ein Modus, in dem das Modell vor der Antwort Schritt für Schritt „nachdenkt“: es zerlegt die Aufgabe und prüft Varianten. Stärker bei komplexer Logik, Code und Mathe, dafür teurer und langsamer. . Teuer und nicht die flinksten, dafür bei komplexer Logik unschlagbar.

Hol sie raus für verworrenen Code und Debugging, mehrstufige Logik, ernsthafte Mathematik, Architekturentscheidungen, lange Schlussfolgerungsketten - überall dort, wo ein einziger Fehler alles zerstört. Hier zu sparen kommt teuer: ein günstiges Modell liefert dir plausiblen Quatsch, und für die Überprüfung geht mehr drauf, als du eingespart hast.

Kontextfenster und Privatsphäre: zwei eigenständige Auswahlachsen

Das Gewicht ist nicht alles, was du wählst. Darüber gibt es noch zwei unabhängige Dinge. Bei denen geht es nicht um „schlauer oder dümmer“, sondern um „passt das Dokument hinein“ und „darf man die Daten überhaupt nach draußen geben“.

Großes Kontextfenster - für lange Dokumente

Die Größe des Kontextfensters Kontextfenster - wie viel Text das Modell pro Anfrage „im Kopf“ behält: sowohl deine Eingabe als auch seine Antwort. Gemessen wird in Tokens. Je größer das Fenster, desto längere Dokumente passen am Stück hinein. ist eine eigene Achse, und sie kommt oft im Paket mit den Top-Modellen. Du musst einen ganzen Vertrag, die komplette Codebasis oder ein Buch hineingeben? Dann brauchst du ein Modell, das das am Stück behält und nicht häppchenweise.

Große Modelle halten heute sehr große Fenster: die Rechnung geht in die Hunderttausende von Tokens Token - ein Texthäppchen, mit dem das Modell arbeitet. Grob: ein Token sind etwa drei bis vier Zeichen oder rund drei Viertel eines Wortes. Die Länge eines Dokuments und der Preis werden in Tokens gerechnet. , bei manchen Modellen sogar noch höher. Die genauen Zahlen veralten zusehends, aber das Prinzip ist eisern: langes Dokument - Modell mit großem Fenster. Sonst „vergisst“ es den Anfang, bis es ans Ende kommt.

Lokale Modelle - für private Daten

Ein Sonderfall. Ein lokales Modell Lokales Modell - ein Modell, das auf deinem Computer oder Server läuft, ohne die Daten in eine fremde Cloud zu schicken. Meist schwächer als die Top-Cloud-Modelle, dafür verlassen die Daten deine Hardware nie. läuft auf deiner eigenen Hardware und schickt nichts nach draußen. Schwächer als die Cloud-Spitze - meistens ja. Dafür ist hier das Auswahlkriterium ein ganz anderes.

Nimm es lokal, wenn die Daten nicht nach draußen dürfen: Patientenakten, juristische Dokumente von Mandanten, fremde Geschäftsgeheimnisse, gesetzlich geschützte personenbezogene Daten. Die Frage lautet nicht „günstiger oder teurer“, sondern „darf man das überhaupt in die Cloud schicken“. Oft - nein.

Das Grundprinzip: nimm das gerade noch ausreichende Modell

Hier ist die Regel, auf der alles ruht. Nimm kein Modell, das stärker ist, als die Aufgabe es braucht. Fang unten an und arbeite dich hoch - nur dann, wenn das Ergebnis wirklich schlecht ist.

Klassifizierung, Spam, Tonalität einer Bewertung, Felder extrahieren - günstig und schnell.
E-Mail, Artikel, Erklärung, einfaches Skript, Chat-Antwort - mittleres Arbeitstier.
Komplexer Code, Debugging, mehrstufige Logik, Mathematik - schweres Reasoning.
Ganzer Vertrag, komplette Codebasis, Buch - Modell mit großem Fenster.
Medizin, Recht, fremde Geheimnisse, personenbezogene Daten - lokal auf eigener Hardware.
Du weißt nicht, wo du anfangen sollst - nimm das mittlere und arbeite dich von dort aus.

Beispiel: ein Projekt, vier verschiedene Modelle

Sagen wir, du baust eine App für Café-Bewertungen. In einem einzigen Projekt kommen verschiedene Modelle bestens miteinander aus - jedes an seinem Platz. Und das ist normal, kein Zoo.

Eingehende Bewertungen in „gut“ und „schlecht“ einsortieren - das ist Klassifizierung, nimm das günstigste und schnellste.
Eine höfliche Antwort auf eine Bewertung generieren - mittleres Arbeitstier, das schafft so etwas locker.
Ein Analytics-Modul mit kniffliger Berechnungslogik schreiben - hier kommt schon das schwere Reasoning-Modell ins Spiel.
Einen Mietvertrag über zweihundert Seiten am Stück durcharbeiten - ein Modell mit großem Kontextfenster.
Tauchen in den Eingängen personenbezogene Daten von Kunden auf, die nicht in die Cloud dürfen - ein lokales Modell.

Häufige Fehler bei der Modellauswahl

• Alles ins teuerste Modell kippen. Klassifizierung auf einem Top-Reasoning-Modell ist wie die Brotfahrt mit dem Boliden. Fährt, aber um ein Vielfaches zu teuer.
• Bei komplexer Logik sparen. Verworrener Code auf dem günstigsten Modell liefert plausiblen Quatsch. Für die Überprüfung geht mehr drauf, als du eingespart hast.
• Ein langes Dokument ohne Not in Stücke schneiden. Gibt es ein Modell mit großem Fenster - gib das Dokument am Stück. Sonst vergisst es den Anfang bis zum Ende.
• Riesigen Kontext „für alle Fälle“ laden. Teurer und schlechter: die Mitte eines langen Textes lesen Modelle schwächer. Lade nur das, was du wirklich am Stück sehen musst.
• Private Daten in die Cloud schicken. Medizin, Recht, fremde Geheimnisse - das ist keine Frage des Sparens, sondern ob es überhaupt geht. Oft geht es nicht - dann nur lokal.
• Konkrete Modellnamen auswendig lernen. Versionen ändern sich ständig. Behalte die Kategorien im Kopf - und jede Neuheit findet von selbst ihre Schublade.