Welches KI-Modell für welche Arbeit?

Die kurze Antwort

• Basis
  Für kurze Büroarbeit reicht die günstigste Klasse.

  Mails, Zusammenfassungen, Agenden, kurze Recherchen, auch ein Dokument mit 20 Seiten. 8 von 12 Modellen lösten 23 oder 24 von 24 Aufgaben, darunter GPT-6 luna und Claude Haiku 5.5 aus der Klasse Basis. Aber Basis ist nicht gleich Basis: Claude Haiku 4.5 löste 10.

  • GPT-6 luna
  • Claude Haiku 4.5
  • Claude Haiku 5.5
  • gpt-oss-120bDE
• Allrounder
  Für lange Chats und große Tabellen lohnt die mittlere Klasse.

  Hier trennt sich das Feld. 5 Modelle lösten 7 oder 8 der 8 Aufgaben, 3 davon sind Allrounder: Claude Sonnet 5.5, Gemini 3.8 Flash und DeepSeek V4 Flash. Aus der Klasse Basis gelang das nur Claude Haiku 5.5, im Nachtest mit 8 von 8. Mit diesem Modell reicht auch hier Basis, mit GPT-6 luna (5 von 8) nicht.

  • Gemini 3.8 Flash
  • Claude Sonnet 5.5
  • DeepSeek V4 FlashEU
  • Gemma 4DE
• Premium
  Die teure Klasse zahlt sich bei kreativer Arbeit aus.

  Claude Opus 5.5 stand in allen 12 Blindvergleichen im besten Drittel. Bei Büroarbeit, langen Aufgaben und Zahlen lösten die Premium-Modelle nicht mehr als die Allrounder.

  • Claude Opus 5.5
  • GPT-6 sol
  • GLM 5.2EU
  • Qwen 3.8DE
• Spitze
  Die Spitzenmodelle wurden nicht gemessen. Sie haben gemessen: als Richter.

  Ein KI-Richter bewertet Antworten aus dem eigenen Haus etwas besser als fremde. Deshalb urteilten drei Richter, je einer von OpenAI, Google und Anthropic, und es gilt, was zwei von drei sagen.

  • GPT-6 astra
  • Gemini 3.1 Pro^*
  • Claude Fable 5.1

EU betrieben bei Scaleway in Paris. DE betrieben bei STACKIT in Deutschland. Ohne Kennung: beim Hersteller selbst, ohne festen Standort. ^* Gemini 3.1 Pro führt build.jetzt in der Klasse Premium. Es war Richter und wurde selbst nicht gemessen.

Welche Klasse wofür

Je Feld die kleinste Klasse, die in der Messung gereicht hat, und das Modell, das es gezeigt hat. Die Spalte richtet sich danach, wo das Modell betrieben werden muss.

Eine Klasse für alles

Wer nicht je Aufgabe umschalten will, fährt mit dem Allrounder am besten. Je Standort das Modell mit dem breitesten Ergebnis:

Nicht nehmen: Claude Haiku 4.5 und gpt-oss-120b.

Was die Messung zeigt

Sieben Aussagen, jede mit der Zahl, die sie belegt. „Gelöst“ heißt: In zwei Versuchen war höchstens ein Prüfpunkt verfehlt. So ein Ergebnis lässt sich mit einem kurzen Blick oder einer kleinen Korrektur verwenden.

Die zwölf Modelle in drei Gruppen

Eine Rangliste von 1 bis 12 gibt die Messung nicht her: Ein Abstand von ein bis drei Aufgaben zwischen zwei Modellen ist Zufall. Drei Gruppen trägt sie sicher. Innerhalb einer Gruppe ist die Reihenfolge keine Rangfolge.

Was die Messung nicht beantwortet

1. Wer das beste Modell ist. Zwei bis drei Versuche je Aufgabe zeigen grobe Unterschiede, keine feinen Ränge. Deshalb stehen hier Gruppen und Klassen, keine Rangliste.
2. Wie es in einem anderen Setup aussieht. Gemessen wurden die Modelle so, wie build.jetzt sie im Oktober 2026 aufruft. Andere Anweisungen, andere Werkzeuge oder eine andere Denkstufe können andere Ergebnisse bringen. Wechselt ein Modell in build.jetzt, wird neu gemessen.
3. Was nicht im Test war. Dokumente mit mehr als 20 Seiten, das Rechenwerkzeug, das build.jetzt seit dem 18. Oktober 2026 hat, und die Klasse Spitze. Deren Modelle waren die Richter.
4. Was ein Modell kostet. Das ist getrennt gemessen und steht in der Kostenanalyse. Beides wird hier bewusst nicht zu einer Rechnung verbunden.

Wie gemessen wurde

Ranglisten aus dem Netz messen Rätsel und Programmieraufgaben, nicht die Mail an einen verärgerten Kunden. Deshalb eine eigene Messung: 38 Aufgaben aus dem Arbeitsalltag einer erfundenen Firma für Gebäudetechnik, jede als kurzes Gespräch, wie im Chat gearbeitet wird. Jedes Modell löste jede Aufgabe mindestens zweimal, Claude Haiku 5.5 alle außer den kreativen.

Prüfpunkte statt Gesamturteil. Zu jeder Aufgabe standen vor dem Lauf vier bis sieben Prüfpunkte fest: Wortgrenze eingehalten, Betrag richtig, Haken bemerkt, nichts hinzugefügt. Was sich zählen lässt, zählte ein Programm. Den Rest beurteilten GPT-6 astra (OpenAI) und Gemini 3.1 Pro (Google) unabhängig voneinander. Waren sie uneins, entschied Claude Fable 5.1 (Anthropic). Die Richter sahen keine Modellnamen.

Kreative Arbeit im Blindvergleich. Für eine Kurzgeschichte gibt es keine richtige Lösung. Dort brachten die drei Richter alle elf Antworten ohne Namen in eine Reihenfolge, daraus wurden Drittel. Wie die Richter dabei urteilen und was ein menschlicher Leser dazu sagt, steht im Kapitel Kreativ.

Ein Nachtest. Claude Haiku 5.5 erschien am 7. Oktober, nach dem Hauptlauf. Es lief am selben Abend durch die Büroaufgaben und die langen und zahlenlastigen, mit denselben Prüfpunkten und denselben Richtern. Antworten von GPT-6 luna aus dem Hauptlauf liefen ohne Namen mit. Die Richter beurteilten sie 32 von 32 Mal wie zuvor. Damit sind die Zahlen mit dem Hauptlauf vergleichbar.

Ein Mensch an drei Stellen. Rico Loschke hat die Aufgaben freigegeben, nach dem ersten Lauf festgelegt, ab wann eine Aufgabe als gelöst gilt, und die kreativen Antworten selbst blind gelesen. An den Urteilen der Richter wurde nichts geändert.

Jede Aufgabe mit ihren Prüfpunkten, jedes Urteil mit Beleg, alle Korrekturen und Pannen stehen im Bericht. Die Messung lief vom 3. bis 5. Oktober 2026, Nachtest am 7. Oktober, 23 Stunden Rechenzeit, rund 200 $.

Eigene Teststrecke aufbauen

Die Rohdaten gibt es nicht zum Herunterladen. Was es gibt: Austausch über das Vorgehen. Wie Aufgaben mit eingebautem Haken entstehen, wie Prüfpunkte gefasst sein müssen, damit Richter sie gleich lesen, was schiefging und was heute anders liefe. Für alle, die für das eigene Unternehmen eine Teststrecke aufbauen wollen.