Sachmessung · Bericht

Bericht: Aufbau, Methodik und Verlässlichkeit der Messung

Wie die Messung gebaut ist, wie bewertet wurde und wie verlässlich die Urteile sind. Alle Einzelergebnisse stehen im Anhang.

Gemessen: 3. bis 5. Oktober 2026, Nachtest am 7. Oktober, im Assistenten von build.jetzt
Umfang: 38 Aufgaben, 12 Modelle, 1.012 gelöste Aufgaben, 3.045 Antworten, über 8.900 Einzelurteile
Richter: GPT-6 astra, Gemini 3.1 Pro, Claude Fable 5.1
Herausgeber: build.jetzt · Rico Loschke
Stand: 7. Oktober 2026

Gemessen im Assistenten von build.jetzt, mit dessen Anweisungen, Werkzeugen und Einstellungen, Denkstufe „mittel“. Das ist keine Studie über die Modelle an sich, sondern ein Test für dieses Setup. Claude Haiku 4.5 lief ohne Denkstufe, weil das Modell keine kennt; Claude Haiku 5.5 kam am 7. Oktober im Nachtest dazu, ohne die kreativen Aufgaben; gpt-oss-120b in der Fassung von STACKIT. 38 Aufgaben, 12 Modelle, 3 KI-Richter, Stand 7. Oktober 2026.

Auf dieser Seite

Kurz gesagt
1 Fragestellung und Aufbau
2 Wie bewertet wurde
3 Verlässlichkeit
4 Strenge und abgestufte Lesart
5 Gestrichene Prüfpunkte
6 Korrekturen
7 Pannen
8 Kosten der Messung
9 Grenzen
Austausch statt Rohdaten
A Anhang: Alle Zahlen je Modell
B Anhang: Jede Aufgabe, jedes Urteil
C Anhang: Kreativ im Einzelnen

Kurz gesagt

Dieser Bericht erklärt, wie die Messung gebaut ist und wie weit man ihr trauen kann. Die Ergebnisse stehen im Fazit und in den Kapiteln Büroalltag, Lange Aufgaben, Zahlen und Kreativ.

38Aufgaben in vier Bereichen

12Modelle von 5 Anbietern

3KI-Richter von drei Anbietern

3.045einzelne Antworten, rund 463.000 Wörter

über 8.900Einzelurteile, jedes Nein mit Zitat

23 h · 200 $Rechenzeit der Modelle, Kosten aller Läufe, rund

Der Aufbau in vier Sätzen. Jedes Modell löste jede Aufgabe mindestens zweimal, im echten Assistenten von build.jetzt (Claude Haiku 5.5, im Nachtest am 7. Oktober, alle außer den kreativen). Zu jeder Aufgabe standen vor dem Lauf Prüfpunkte fest. Was sich zählen lässt, zählte ein Programm, den Rest beurteilten zwei KI-Richter verschiedener Anbieter, bei Uneinigkeit ein dritter. Eine Aufgabe gilt als gelöst (in diesem Bericht: „passt“), wenn in zwei Durchgängen höchstens ein Prüfpunkt verfehlt war.

Wie verlässlich das ist. Die zwei Richter waren bei rund jedem siebten Prüfpunkt uneins. Kontrollantworten, die ohne Namen ein zweites Mal mitliefen, beurteilten sie 24 von 24 Mal gleich. Jede fünfte Aufgabe fiel in zwei Durchgängen verschieden aus. Daraus folgt die wichtigste Leseregel: Ein Abstand von ein bis drei Aufgaben zwischen zwei Modellen ist Zufall.

1Fragestellung und Aufbau

Gefragt war: Welches Modell reicht für welche Art Arbeit, im Assistenten von build.jetzt, so wie Nutzer ihn heute erleben? Gemessen wurde deshalb nicht das Modell allein, sondern das Modell im Assistenten: mit dessen Anweisungen, Skills und Werkzeugen, mit dem Gedächtnis und auf der Denkstufe „mittel“. Ein Testprogramm schickte jede Nachricht so, wie ein Mensch sie im Chat schreiben würde, und beantwortete Rückfragen aus einem festen Vorrat.

1.1 Modelle

Tabelle 1 Die zwölf Modelle

Modell	Von	Anbieter in build.jetzt	Klasse	Standort
GPT-6 luna	OpenAI	OpenAI	Basis · Hauptmodell	weltweit
Claude Haiku 4.5ohne Denkstufe, das Modell kennt keine	Anthropic	Anthropic	Basis	weltweit
Claude Haiku 5.5denkt mit, Denkstufe mittel; Nachtest am 7. Oktober 2026, ohne kreative Aufgaben	Anthropic	Anthropic	Basis	weltweit
gpt-oss-120b	OpenAI, offenes Modell	STACKIT	Basis · Hauptmodell	Deutschland
Gemini 3.8 Flash	Google	Google	Allrounder · Hauptmodell	weltweit
Claude Sonnet 5.5	Anthropic	Anthropic	Allrounder	weltweit
Gemma 4	Google, offenes Modell	STACKIT	Allrounder · Hauptmodell	Deutschland
DeepSeek V4 Flash	DeepSeek, offenes Modell	Scaleway	Allrounder	EU (Paris)
Claude Opus 5.5	Anthropic	Anthropic	Premium · Hauptmodell	weltweit
GPT-6 sol	OpenAI	OpenAI	Premium	weltweit
Qwen 3.8	Alibaba, offenes Modell	STACKIT	Premium · Hauptmodell	Deutschland
GLM 5.2	Z.ai, offenes Modell	Scaleway	Premium	EU (Paris)

„Hauptmodell“: das Modell, das build.jetzt in dieser Klasse und an diesem Standort vorschlägt. Die Klasse Spitze trat nicht an; ihre Modelle waren Richter.

1.2 Ablauf

Tabelle 2 Die Schritte der Messung

Schritt	Wann	Was	Mensch
Probe und Pilot	3./4. Oktober	Verfahren an einer Aufgabe, dann an sechs Aufgaben prüfen. Aufgaben klarer gefasst, Prüfregeln geschärft	Aufgaben freigegeben, Auswertung gegengelesen
Hauptlauf Büro	4. Oktober	24 Aufgaben, 8 Modelle, mindestens zwei Durchgänge	nein
Maßstab	4. Oktober	Festgelegt, ab wann eine Aufgabe als gelöst gilt (Abschnitt 2.3). An den Urteilen nichts geändert	ja
Nachmessung	4. Oktober abends	3 weitere Modelle, dieselben Aufgaben, Regeln und Richter, mit Kontrollantworten	nein
Kreativ	4./5. Oktober	6 Aufgaben, 11 Modelle, Blindvergleich	Aufgaben freigegeben, blinder Gegeneindruck
Lang und Zahlen	5. Oktober	8 Aufgaben, 11 Modelle, wie Büro bewertet	Aufgaben freigegeben
Nachtest	7. Oktober abends	Claude Haiku 5.5, am selben Tag erschienen: 24 Büroaufgaben und 8 lange und zahlenlastige, dieselben Prüfpunkte und Richter, mit Kontrollantworten. Kreativ nicht gemessen	Nachtest angestoßen

1.3 Die Aufgaben

Alle Aufgaben spielen in einer erfundenen Firma für Gebäudetechnik und sind auf Deutsch. Jede ist ein kurzes Gespräch: erst der Auftrag mit Material, dann „kürzer“, „förmlicher“ oder eine Rückfrage. Die schweren Büroaufgaben haben einen versteckten Haken, den niemand ansagt. Jede einzelne Aufgabe mit ihren Prüfpunkten steht in Anhang B.

Tabelle 3 Die vier Bereiche

Bereich	Aufgaben	Was	Bewertung
Büroalltag	24	Acht Tätigkeiten (Schreiben, Zusammenfassen, Recherchieren, Prüfen, Rechnen, Planen, Ideen finden, Entscheiden), je leicht, mittel und schwer. Zwei oder drei Nachrichten je Aufgabe	Prüfpunkte
Lange Aufgaben	4	Zwei Dokumente mit rund 20 Seiten, zwei Chats über zehn und zwölf Nachrichten	Prüfpunkte
Zahlen	4	Tabellen mit 40 bis 300 Zeilen, als Text übergeben, ohne Rechenwerkzeug	Prüfpunkte, Sollwerte aus dem Programm, das die Tabellen erzeugt hat
Kreativ	6	Kurzgeschichte, Kampagnenidee, 30 Ideen, Videoskript, Radiospot, Bildmotive	Vorgaben mit Prüfpunkten, Qualität im Blindvergleich mit Rangfolge

2Wie bewertet wurde

2.1 Prüfpunkte

Zu jeder Aufgabe standen vor dem Lauf vier bis sieben Prüfpunkte fest. Bewertet wurde, was der Nutzer bekommt: der Text im Chat und, wenn das Modell eines angelegt hat, das Dokument im Seitenfenster. Was sich zählen lässt (Wörter, Beträge, Termine, Anzahl), zählte ein Programm; das Programm schlägt den Richter. Im Büroalltag und bei langen und zahlenlastigen Aufgaben stand bei jeder Aufgabe derselbe Prüfpunkt „Nichts erfunden“: keine Ursache, kein Termin, kein Betrag und keine Zusage, die weder im Material noch in den Nachrichten steht.

2.2 Richter

GPT-6 astra (OpenAI) und Gemini 3.1 Pro (Google) beurteilten jeden übrigen Prüfpunkt unabhängig voneinander, auf der Denkstufe „mittel“, jedes Nein mit einem Zitat aus der Antwort. Waren sie uneins, entschied Claude Fable 5.1 (Anthropic) als Schiedsrichter; er sah dann nur diese Antwort und diesen Prüfpunkt. Ein Prüfpunkt gilt als verfehlt, wenn das Programm es sagt oder zwei von drei Richtern. Die Richter sahen keine Modellnamen, die Antworten kamen in gemischter Reihenfolge. Im kreativen Rangbild stimmten alle drei gleichberechtigt ab. Ab dem Hauptlauf liefen die Richter im Stapelbetrieb der Anbieter. 501 Mal wurde Claude Fable 5.1 als Schiedsrichter gefragt.

2.3 Wann eine Aufgabe passt

Je Durchgang gibt es vier Stufen: alles erfüllt, kleiner Mangel (genau ein Prüfpunkt verfehlt, nicht der Haken), Nacharbeit nötig (zwei oder mehr) und Falle übersehen (der Prüfpunkt zum versteckten Haken ist verfehlt). Eine Aufgabe passt, wenn zwei Durchgänge „alles erfüllt“ oder „kleiner Mangel“ sind. Fielen die ersten zwei verschieden aus, lief ein dritter.

Diese Schwelle wurde nach dem ersten Lauf festgelegt. Geplant war eine strengere: kein einziger verfehlter Prüfpunkt in zwei von drei Durchgängen, dazu der Vergleich mit dem Modell der nächsthöheren Klasse. Nach dem Hauptlauf machte diese Regel aus acht brauchbaren Kundenmails achtmal „reicht nicht“, und wo kein Modell bis Premium sie erfüllte, stand „Spitze“, obwohl Spitze nie gemessen war. Rico Loschke hat daraufhin festgelegt, dass höchstens ein verfehlter Prüfpunkt noch in Ordnung ist. An den Urteilen wurde nichts geändert. Beide Lesarten stehen in Abschnitt 4 nebeneinander.

3Verlässlichkeit

3.1 Wie oft die beiden Richter uneins waren

Tabelle 4 Prüfpunkte, die beide Richter beurteilten

Teil	Prüfpunkte	uneins	Anteil
Hauptlauf Büro, 8 Modelle	1.647	234	14 %
Nachmessung Büro, 3 Modelle	647	103	16 %
Lang und Zahlen, 11 Modelle	949	132	14 %
Nachtest Büro, Claude Haiku 5.5	186	25	13 %
Nachtest lang und Zahlen, Claude Haiku 5.5	91	10	11 %

Ohne Prüfpunkte des Zählprogramms. Die meisten Widersprüche betrafen „Nichts erfunden“: GPT-6 astra wertet auch freundliche Zusagen wie „Wir melden uns, sobald die Ursache feststeht“ als erfunden, Gemini 3.1 Pro oft nicht.

3.2 Wie oft jeder Richter Nein sagte, je Anbieter

Tabelle 5 Anteil der Nein-Urteile je Richter und Anbieter des beurteilten Modells

Teil	Richter	OpenAI	Anthropic	Google	STACKIT	Scaleway
Hauptlauf Büro	GPT-6 astra	11 %	25 %	28 %	32 %	–
Hauptlauf Büro	Gemini 3.1 Pro	6 %	11 %	12 %	20 %	–
Lang und Zahlen	GPT-6 astra	16 %	30 %	17 %	39 %	19 %
Lang und Zahlen	Gemini 3.1 Pro	13 %	17 %	2 %	26 %	7 %

Beide Richter gaben Modellen von OpenAI im Büroalltag die wenigsten Nein, auch Gemini 3.1 Pro. GPT-6 astra ist insgesamt strenger. Ein Vorteil für das eigene Haus lässt sich nicht ausschließen; deshalb gilt ein Prüfpunkt erst mit zwei von drei Stimmen als verfehlt. Im kreativen Rangbild ist der Hausvorteil gemessen, siehe unten.

3.3 Kontrollen

Kontrollantworten in der Nachmessung. Die 24 Antworten von GPT-6 luna aus dem ersten Durchgang des Hauptlaufs liefen ohne Namen in den Paketen der Nachmessung mit. Die Richter beurteilten sie 24 von 24 Mal genau wie zuvor. Die Zahlen der drei nachgemessenen Modelle sind damit mit dem Hauptlauf vergleichbar.
Kontrollantworten im Nachtest. Auch beim Nachtest von Claude Haiku 5.5 liefen Antworten von GPT-6 luna aus dem Hauptlauf ohne Namen mit. Die Richter beurteilten sie im Büroalltag 24 von 24 Mal und bei den langen und zahlenlastigen 8 von 8 Mal wie zuvor.
Richter am nächsten Tag. Drei Pakete der Nachmessung liefen einen Tag später noch einmal durch: 108 von 112 Einzelurteilen fielen gleich aus.
Streuung. Im Hauptlauf fielen bei 38 von 192 Zellen (20 %) die ersten beiden Durchgänge verschieden aus. Ein Abstand von ein bis drei Aufgaben zwischen zwei Modellen ist deshalb nicht belastbar.

3.4 Vorliebe fürs eigene Haus bei kreativen Aufgaben

Im kreativen Blindvergleich lässt sich messen, was bei den Prüfpunkten nur zu vermuten ist: Jeder Richter setzte Antworten aus dem eigenen Haus öfter höher als die beiden anderen Richter, obwohl keiner Namen sah. Deshalb kamen die drei Richter von drei verschiedenen Anbietern, und deshalb weist das Rangbild aus, wie oft ein Modell bei beiden fremden Richtern oben stand.

Tabelle 6 Anteil der Antworten, die ein Richter höher setzte als die beiden anderen

Richter	eigenes Haus	fremde Häuser
GPT-6 astraOpenAI	64 %	35 %
Gemini 3.1 ProGoogle	58 %	18 %
Claude Fable 5.1Anthropic	47 %	22 %

Einig im Drittel waren sich alle drei Richter bei 56 von 132 Antworten, zwei von drei bei 70.

3.5 Ein menschlicher Gegeneindruck bei kreativen Aufgaben

Rico Loschke, Herausgeber dieser Messung, hat 53 Antworten aus 5 der sechs Aufgaben blind gelesen, ohne Modellnamen und ohne die Urteile der Richter zu kennen, und selbst in Drittel sortiert. Er liest nach Jahren mit KI-Texten sehr kritisch. Sein Eindruck ist keine Wertung und steckt in keiner Zahl der Messung. Er zeigt, wie weit ein einzelner Leser und die Richter auseinanderliegen können.

22Antworten im selben Drittel wie die Richter

23ein Drittel daneben

8am anderen Ende: oben statt unten oder umgekehrt

Abbildung Richter und Leser, Antwort für Antwort (erster Durchgang)

Modell	Kurzgeschichte	30 Ideen	oben bei Richtern	oben beim Leser
Claude Opus 5.5			5 / 5	2 / 5
Claude Sonnet 5.5			4 / 5	2 / 5
Gemini 3.8 Flash			4 / 5	3 / 5
DeepSeek V4 Flash	–		2 / 5	1 / 5
GLM 5.2			2 / 5	2 / 5
GPT-6 sol		–	0 / 5	1 / 5
Qwen 3.8			0 / 5	1 / 5
GPT-6 luna			0 / 5	3 / 5
Gemma 4			0 / 5	1 / 5
Claude Haiku 4.5			0 / 5	1 / 5
gpt-oss-120b			0 / 5	2 / 5

links die Richter, rechts der Leser
umrandet: gleiches Drittel
oben
Mitte
unten

Kein Muster nach Dritteln. Von den Antworten, die die Richter oben sahen, legte der Leser 8 von 17 ebenfalls nach oben, in der Mitte 9 von 23, unten 5 von 13.

Der deutlichste Unterschied: Bei den Richtern kamen in diesen Aufgaben 5 von 11 Modellen überhaupt ins beste Drittel, beim Leser alle 11. Die Richter haben klare Favoriten, sein oberes Drittel verteilt sich über das ganze Feld, auch über günstige Modelle. Claude Opus 5.5 setzte er bei der Kampagnenidee nach unten.

Zum Einordnen: Wer rät, trifft etwa ein Drittel. Leser und Richtermehrheit lagen bei 42 % gleich, zwei Richter untereinander bei rund 60 %. Mit den einzelnen Richtern stimmte er 22 Mal (GPT-6 astra), 20 Mal (Claude Fable 5.1) und 17 Mal (Gemini 3.1 Pro) überein. Ob andere Leser die Antworten wie die Richter sehen, ist mit einer Stimme nicht geklärt. Zwei weitere Leser stehen noch aus.

4Strenge und abgestufte Lesart

Abgestuft (gilt auf allen Seiten): passt, wenn zwei Durchgänge höchstens einen verfehlten Prüfpunkt haben, nach Abzug der gestrichenen Prüfpunkte. Streng (der Plan vor dem Lauf): reicht, wenn zwei Durchgänge keinen verfehlten Prüfpunkt haben, mit allen Prüfpunkten, wie sie vor dem Lauf feststanden, und das Modell nicht klar schlechter ist als das der nächsthöheren Klasse.

Tabelle 7 Beide Lesarten je Modell

Modell	Büro abgestuft	Büro streng	Lang und Zahlen abgestuft	Lang und Zahlen streng
GPT-6 lunaBasis	23 / 24	19 / 24	5 / 8	3 / 8
Claude Haiku 4.5Basis	10 / 24	4 / 24	1 / 8	0 / 8
Claude Haiku 5.5Basis	24 / 24	9 / 24	8 / 8	4 / 8
gpt-oss-120bBasis	15 / 24	5 / 24	0 / 8	0 / 8
Gemini 3.8 FlashAllrounder	23 / 24	11 / 24	7 / 8	1 / 8
Claude Sonnet 5.5Allrounder	23 / 24	8 / 24	8 / 8	5 / 8
Gemma 4Allrounder	21 / 24	14 / 24	5 / 8	1 / 8
DeepSeek V4 FlashAllrounder	24 / 24	11 / 24	7 / 8	2 / 8
Claude Opus 5.5Premium	24 / 24	14 / 24	7 / 8	3 / 8
GPT-6 solPremium	24 / 24	19 / 24	6 / 8	3 / 8
Qwen 3.8Premium	20 / 24	5 / 24	5 / 8	1 / 8
GLM 5.2Premium	23 / 24	13 / 24	6 / 8	2 / 8

In der strengen Lesart zählen „reicht“ und „reicht knapp“ (strittige Prüfpunkte oder erst im dritten Durchgang entschieden). Eine Zelle blieb dort offen (GLM 5.2 bei „Ideen finden, schwer“, ein Durchgang gut, einer nicht); sie zählt hier nicht mit.

An der Spitze bleiben GPT-6 luna und GPT-6 sol mit 19 und 19. Darunter verschiebt sich einiges: Modelle, die oft genau einen Prüfpunkt verfehlen, verlieren in der strengen Lesart viel, etwa DeepSeek V4 Flash (24 zu 11) und Claude Sonnet 5.5 (23 zu 8). Die Reklamation hätte streng gelesen kein einziges Modell gelöst, weil jedes in jedem Durchgang etwas zusagte, das der Nutzer nicht genannt hatte.

5Gestrichene Prüfpunkte

Sechs Prüfpunkte erwiesen sich nach dem Lauf als falsch gefasst. Sie bleiben im Bericht stehen, zählen in der abgestuften Lesart aber nicht. In der strengen Lesart zählen sie mit.

Tabelle 8 Gestrichene Prüfpunkte und ihr Grund

Aufgabe	Prüfpunkt	Grund
Prüfen, schwer	p3	Die Lösung nannte den Preis als erfüllt. Mehrere Modelle wiesen zu Recht darauf hin, dass die Kosten über 300 Anrufe die Preisgrenze reißen können. Der Prüfpunkt wertete diesen richtigen Hinweis als Fehler.
Rechnen, mittel	p4	Verlangt im Absatz einen Quartalsanteil, um den die Nachricht nicht bittet.
Rechnen, schwer	p2	Verlangt einen Hinweis in genau einer Antwort, obwohl er eine Nachricht vorher schon stand. Die Falle (fehlender Monat) wird deshalb bei dieser Aufgabe nicht gewertet.
Entscheiden, schwer	p2	Verlangt einen Hinweis in genau einer Antwort, obwohl er eine Nachricht vorher schon stand. Die Falle zeigt sich stattdessen an p3.
Kennzahlen deuten	p3	Verlangt eine Kennzahl (Reparaturumsatz je Einsatz), nach der keine Nachricht fragt. 21 von 22 Antworten verfehlten ihn.
30 Ideen	p2	„Keine zwei Ideen meinen dasselbe“ war zu streng gefasst: 19 von 22 Antworten verfehlten ihn. Er steht getrennt und zählt bei „Vorgaben eingehalten“ nicht mit.

Dazu eine Zusammenlegung und ein Vorbehalt. Bei der Reklamation (Schreiben, mittel) zählen „zur Ursache nur das Vorgegebene“ und „Nichts erfunden“ als ein Prüfpunkt, weil beide an derselben hinzugefügten Zusage anschlagen. Beim Zusammenfassen (mittel) sind die Wortgrenzen „eine Seite“ und „eine halbe Seite“ wenig aussagekräftig, weil das Zählprogramm Überschriften im Dokument mitzählte; der Prüfpunkt blieb trotzdem gewertet.

6Korrekturen

Was während der Messung korrigiert wurde. Keine Korrektur hat ein Urteil eines Richters geändert; korrigiert wurden Zählregeln, Prüfpunkte vor ihrem Einsatz und die Lesart.

Zählregeln an echten Antworten nachgeprüft. Nach dem ersten Durchgang zeigten sich Fehler im Zählprogramm: „Hallo Jonas,“ (der Assistent spricht den Nutzer an) galt als Beginn einer Mail; „Lieber Herr Brandt“ wurde nicht als Anrede erkannt; Beträge mit Leerzeichen („36 020 €“) und Daten wie „01.03.2027“ wurden nicht gefunden; Nachbemerkungen wie „(Das sind 23 Wörter.)“ zählten zur Mail. Alle korrigiert, bevor gewertet wurde.
„Nichts erfunden“ mit Beispielen. Im Pilot lasen die Richter den Prüfpunkt verschieden. Er bekam Beispiele („Die Lieferung geht heute raus“) und die Regel, dass Platzhalter in eckigen Klammern und markierte Annahmen nicht als erfunden gelten.
Nach dem Probelauf der Zahlenaufgaben: Bei der Kalkulation genügt der richtige Steuerbetrag, und der Rechenweg darf in der ersten oder zweiten Antwort stehen. Bei den Kennzahlen gilt „praktisch unverändert“ als richtige Deutung.
Radiospot: Die Länge prüft seitdem das Zählprogramm zusammen mit den Richtern, weil sich Sekunden aus Text nicht sicher zählen lassen.
Lesart: Abschnitt 2.3. Die strenge Lesart steht vollständig in Abschnitt 4 daneben.

7Pannen

Standby in der Nacht. Der Hauptlauf startete am 4. Oktober um 01:27 Uhr. Um 02:13 Uhr ging der Rechner auf Akku in den Standby, trotz abgeschaltetem Ruhezustand. Neustart um 08:29 Uhr, Antworten fertig um 12:08 Uhr. Durchgänge mit Abbruch wurden ganz neu begonnen.
Doppelte Läufe. Bei den Zahlenaufgaben lief ein als beendet gemeldeter Hintergrundauftrag weiter. Zwei Aufgaben liefen rund 40 Minuten doppelt. Gewertet wird je Modell das vollständige Gespräch; die doppelten Kosten stecken in der Summe unten.
Guthaben leer. Im Pilot war das Guthaben beim Anbieter des ersten Richters nach sieben von zwölf Urteilen aufgebraucht. Die fehlenden Urteile wurden nachgeholt.
Eine Stimme doppelt gefragt. Im Pilot fragte das Programm einen Richter als Schiedsrichter, wo er schon voll bewertet hatte. Die Stimme wäre doppelt gezählt worden; das Programm zählt seitdem eine Stimme je Richter. Kosten des Fehlers rund 3 $.
Paket zu früh eingereicht. Ein Paket ging mit zwei von acht Antworten an die Richter, weil der nächste Teil schon lief. Die Prüfpunkte werden je Antwort beurteilt; seitdem wird ein Paket erst eingereicht, wenn der Durchgang fertig ist.

Die Messung lief in einer Sitzung mit Claude Fable 5.1, dem Modell, das zugleich Schiedsrichter war. Die Sitzung hat Programme geschrieben und gestartet, aber selbst nichts bewertet.

8Kosten der Messung

Tabelle 9 Kosten je Schritt, in Dollar, gerundet

Schritt	Kosten	Davon
Probe und Pilot (3./4.10.)	25 $	Verfahren prüfen, sechs Aufgaben, Richter direkt statt im Stapel
Hauptlauf Büro, 8 Modelle (4.10.)	54 $	Antworten rund 29 $, Richter rund 25 $
Nachmessung, 3 Modelle (4.10. abends)	22 $	Antworten rund 8 $, Richter rund 13 $
Kreativ, 11 Modelle (5.10.)	26 $	Antworten rund 12 $, Richter rund 13 $, Überschneidung rund 1 $
Lang und Zahlen, 11 Modelle (5.10.)	65 $	Antworten rund 40 $ (darin doppelte Läufe), Richter rund 25 $
Nachtest Claude Haiku 5.5 (7.10.)	10 $	Antworten rund 0,40 $, Richter rund 9,40 $
Summe	rund 200 $	23 Stunden reine Rechenzeit der Modelle

Die Kosten der Modelle sind aus den gemeldeten Token mit Listenpreisen gerechnet, teils mit angenommenen Preisen (GPT-6 luna, Preise in Euro wie Dollar). Gemini 3.1 Pro als Richter ist mit dem Preis von GPT-6 astra geschätzt. Die Richter liefen meist im Stapelbetrieb zum halben Preis. Websuchen sind nicht eingerechnet. Ein Abgleich mit den Abrechnungen der Anbieter steht aus.

Was die Modelle im Betrieb kosten, ist eine eigene Messung: die Kostenanalyse. Beide Messungen werden bewusst nicht zu einer Rechnung „Kosten mal Leistung“ verbunden; sie messen verschiedene Dinge unter verschiedenen Bedingungen.

9Grenzen

Ein Setup, kein Urteil über Modelle. Gemessen ist der Assistent von build.jetzt mit seinen Anweisungen und Werkzeugen. Ein Modell kann woanders besser oder schlechter abschneiden.
Ein Stichtag. Die Modelle vom 3. bis 5. Oktober 2026, Claude Haiku 5.5 vom 7. Oktober. Anbieter ändern Modelle, ohne die Versionsnummer zu ändern.
Zwei bis drei Durchgänge. Genug für grobe Unterschiede, zu wenig für feine Ränge.
Erfundene Firma, deutsche Sprache. Alle Aufgaben spielen in einer Firma für Gebäudetechnik, alle auf Deutsch.
Nicht gemessen: Dokumente über rund 20 Seiten, Aufgaben mit vielen Werkzeugen nacheinander, Programmieren, Bilder und Audio, die Klasse Spitze.
KI bewertet KI. Jedes Nein ist belegt und hier nachlesbar. Ein Hausvorteil der Richter ist im Büroalltag nicht auszuschließen und im kreativen Rangbild gemessen.
Eine menschliche Stimme bei kreativen Aufgaben. Zwei weitere Leser stehen aus.
Claude Haiku 5.5 ohne kreative Aufgaben. Der Nachtest umfasste Büroalltag, lange Aufgaben und Zahlen. Im Kreativteil fehlt das Modell.

Austausch statt Rohdaten

Die Antworten und Rohdaten sind nicht zum Herunterladen veröffentlicht. Sie enthalten das Material der Aufgaben. Was sich übertragen lässt, ist das Vorgehen: wie Aufgaben mit eingebautem Haken entstehen, wie Prüfpunkte gefasst sein müssen, damit zwei Richter sie gleich lesen, und welche Fehler sich vermeiden lassen. Darüber gibt es gern einen Austausch, für alle, die im eigenen Unternehmen eine Teststrecke aufbauen wollen.

Austausch anfragen

AAnhang: Alle Zahlen je Modell

Die dichte Fassung dessen, was das Fazit in Gruppen und Klassen fasst. „Passt“ ist das genaue Wort dieses Berichts für „gelöst“: In zwei Durchgängen (im Fazit: Versuchen) war höchstens ein Prüfpunkt verfehlt.

Tabelle A Ergebnisse je Modell in den vier Bereichen

Modell	Klasse	Büro passt	leicht · mittel · schwer	nichts hinzugefügt	Lang passt	Zahlen passt	Kreativ oben	oben bei fremden Richtern
GPT-6 lunaOpenAI · weltweit	Basis	23 / 24	8 · 8 · 7	94 %	3 / 4	2 / 4	0 / 12	0 / 12
Claude Haiku 4.5Anthropic · weltweit	Basis	10 / 24	6 · 2 · 2	55 %	1 / 4	0 / 4	0 / 12	0 / 12
Claude Haiku 5.5Anthropic · weltweit	Basis	24 / 24	8 · 8 · 8	78 %	4 / 4	4 / 4	nicht gemessen
gpt-oss-120bSTACKIT · Deutschland	Basis	15 / 24	7 · 6 · 2	72 %	0 / 4	0 / 4	0 / 12	0 / 12
Gemini 3.8 FlashGoogle · weltweit	Allrounder	23 / 24	8 · 7 · 8	58 %	4 / 4	3 / 4	7 / 12	5 / 12
Claude Sonnet 5.5Anthropic · weltweit	Allrounder	23 / 24	7 · 8 · 8	68 %	4 / 4	4 / 4	10 / 12	3 / 12
Gemma 4STACKIT · Deutschland	Allrounder	21 / 24	8 · 6 · 7	91 %	3 / 4	2 / 4	0 / 12	0 / 12
DeepSeek V4 FlashScaleway · EU (Paris)	Allrounder	24 / 24	8 · 8 · 8	69 %	4 / 4	3 / 4	6 / 12	6 / 12
Claude Opus 5.5Anthropic · weltweit	Premium	24 / 24	8 · 8 · 8	72 %	4 / 4	3 / 4	12 / 12	11 / 12
GPT-6 solOpenAI · weltweit	Premium	24 / 24	8 · 8 · 8	94 %	3 / 4	3 / 4	3 / 12	1 / 12
Qwen 3.8STACKIT · Deutschland	Premium	20 / 24	7 · 5 · 8	46 %	3 / 4	2 / 4	1 / 12	1 / 12
GLM 5.2Scaleway · EU (Paris)	Premium	23 / 24	7 · 8 · 8	74 %	2 / 4	4 / 4	6 / 12	6 / 12

Ein Unterschied von ein bis drei Aufgaben zwischen zwei Modellen ist Zufall: Rund jede fünfte Zelle brauchte einen dritten Durchgang, weil die ersten beiden verschieden ausfielen. „leicht · mittel · schwer“: passende Büroaufgaben von je acht. Claude Haiku 5.5 lief im Nachtest am 7. Oktober, ohne die kreativen Aufgaben.

Tabelle B Stärkstes und schwächstes Ergebnis je Anbieter

Anbieter	Am stärksten	Am schwächsten
OpenAIGPT-6 luna, GPT-6 sol	GPT-6 sol löste alle 24 Büroaufgaben. GPT-6 luna und sol fügten in 94 und 94 % der Durchgänge nichts hinzu, so oft wie kein anderes Modell.	Bei kreativen Aufgaben kam GPT-6 luna in keinem von 12 Vergleichen ins obere Drittel. Die Einsatzliste mit 300 Zeilen lösten beide nicht.
AnthropicClaude Haiku 4.5, Haiku 5.5, Sonnet 5.5, Opus 5.5	Claude Opus 5.5 stand in allen 12 kreativen Vergleichen im oberen Drittel. Claude Sonnet 5.5 löste alle 8 langen und zahlenlastigen Aufgaben, Claude Haiku 5.5 im Nachtest ebenso, dazu alle 24 Büroaufgaben.	Claude Haiku 4.5 löste 10 von 24 Büroaufgaben und 1 von 8 langen und zahlenlastigen.
GoogleGemini 3.8 Flash	23 von 24 Büroaufgaben und 7 von 8 langen und zahlenlastigen; eines von 5 Modellen, die die Einsatzliste mit 300 Zeilen lösten.	Fügte nur in 58 % der Durchgänge nichts hinzu.
STACKIT (Deutschland)gpt-oss-120b, Gemma 4, Qwen 3.8	Gemma 4 löste 21 von 24 Büroaufgaben und fügte in 91 % der Durchgänge nichts hinzu (Qwen 3.8: 20 von 24, 46 %).	gpt-oss-120b löste keine der 8 langen und zahlenlastigen Aufgaben und stand in allen 12 kreativen Vergleichen unten.
Scaleway (EU, Paris)DeepSeek V4 Flash, GLM 5.2	DeepSeek V4 Flash löste alle 24 Büroaufgaben, GLM 5.2 23. Kreativ standen beide je 6 von 12 Mal oben, ohne Richter aus dem eigenen Haus.	DeepSeek V4 Flash fügte in 69 % der Durchgänge nichts hinzu, GLM 5.2 in 74 %.

Kein Anbieter liegt überall vorn, keiner überall hinten.

BAnhang: Jede Aufgabe, jedes Urteil

Je Aufgabe: Kurzbeschreibung, Prüfpunkte und je Modell jeder Durchgang mit seiner Stufe. Zu jedem verfehlten Prüfpunkt steht die Stelle, die ein Richter als Beleg zitiert hat, bei Prüfpunkten des Zählprogramms der gezählte Wert. Die Zitate stammen aus den Antworten der Modelle und sind auf rund 300 Zeichen gekürzt. Das Material der Aufgaben ist nicht veröffentlicht.

passt, alles erfüllt
passt mit kleinem Mangel
passt nicht

B.1 Büroalltag

Schreiben, leichtTerminabsage per Mail · gelöst von 12 von 12

Eine Terminabsage per Mail, höchstens 80 Wörter.

Prüfpunkte

p1Die Mail hat nach Nachricht 1 und nach Nachricht 2 jeweils höchstens 80 Wörter (Anrede bis Grußformel, ohne Betreff und Signatur).Zählprogramm
p2Die Mail nennt nach beiden Nachrichten beide Ersatztermine richtig: Dienstag, 20. Oktober, 10 Uhr, und Mittwoch, 21. Oktober, 15 Uhr.Zählprogramm
p3Die Antwort auf Nachricht 2 enthält eine Betreffzeile.Zählprogramm
p4Die Mail sagt den Termin am 15. Oktober, 14 Uhr, eindeutig ab, spricht Frau Dr. Kaya mit Titel und in der Sie-Form an und nennt den Grund (Betriebsversammlung).Richter
p5Die Fassung nach Nachricht 2 ist erkennbar förmlicher als die nach Nachricht 1.Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p6`Eine terminlich nicht verschiebbare Betriebsversammlung wurde angesetzt.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p6`Grund ist eine kurzfristig angesetzte Betriebsversammlung in unserem Haus, die sich nicht verschieben lässt.GPT-6 astra 2. alles erfüllt
gpt-oss-120b	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p6`Ich richte mich selbstverständlich nach Ihren Möglichkeiten.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`ich werde ihn unverzüglich fixieren.GPT-6 astra 2. Nacharbeit nötig `p5`Eine erkennbare Steigerung der Förmlichkeit gegenüber der ersten Fassung fehlt.GPT-6 astra `p6`eine Betriebsversammlung angesetzt, die ich nicht verlegen kann.GPT-6 astra 3. kleiner Mangel `p6`Bei Bedarf finden wir auch kurzfristig einen anderen Zeitpunkt.Gemini 3.1 Pro
GLM 5.2	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt

Schreiben, mittelAntwort auf eine Reklamation mit Vorgaben · gelöst von 10 von 12

Auf eine Reklamation antworten, mit klaren Vorgaben, was zugesagt werden darf.

Prüfpunkte

p1Die Mail nach Nachricht 2 hat höchstens 120 Wörter (Anrede bis Grußformel, ohne Betreff und Signatur).Zählprogramm
p2Ab Nachricht 2 nennt jede Mail den Rabatt von zehn Prozent auf die nächste Bestellung.Zählprogramm
p3Die Mails gehen auf alle drei Forderungen der Kundin ein: vier richtige Kartuschen (M400) per Express auf Kosten des Händlers, Rückgabe der falschen über einen Abholschein, und eine Antwort auf die Frage nach der Ursache.Richter
p4Nachricht 3 liefert eine eigene zweite Fassung, die erkennbar auf das dritte Schreiben eingeht, und nennt klar eine der beiden Fassungen mit Begründung.Richter
p5Zur Ursache sagt die Mail nur, was der Nutzer vorgegeben hat: Sie ist noch nicht bekannt und wird geprüft.Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

p5 und p6 zählen als ein Prüfpunkt. Beide schlagen an, wenn die Mail eine Zusage hinzufügt.

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Sobald die Ursache geklärt ist, informieren wir Sie darüber und darüber, welche Maßnahmen wir daraus ableiten.GPT-6 astra 2. kleiner Mangel `p5`Sobald die Ursache geklärt ist, informieren wir Sie über die geplanten Maßnahmen.GPT-6 astra `p6`Wir kümmern uns um die Abwicklung und halten Sie auf dem Laufenden.GPT-6 astra 3. kleiner Mangel `p6`Sobald uns das Ergebnis vorliegt, informieren wir Sie darüberGemini 3.1 Pro
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`In der zweiten Fassung fehlen die ausdrückliche Kostenübernahme der Expresslieferung, der Abholschein und eine Aussage zur Ursache.GPT-6 astra `p4`Keine eindeutige Auswahl einer Fassung; stattdessen nur fallabhängige Empfehlungen für beide Fassungen.GPT-6 astra `p6`15 % Rabatt auf Ihre nächste Bestellung.GPT-6 astra 2. Nacharbeit nötig `p2`gezählt: 2Zählprogramm `p4`Eine klare Auswahl zwischen beiden Fassungen fehlt; empfohlen wird jeweils eine andere Fassung abhängig von der Kontaktanzahl.GPT-6 astra `p5`Unser Lager hat den Fehler gefunden: Ein Etikettierungsfehler in unserem SystemGPT-6 astra `p6`Unser Lager hat den Fehler gefunden: Ein Etikettierungsfehler in unserem SystemGPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Bis dahin melde ich mich bei Ihnen, auf Wunsch auch telefonisch.GPT-6 astra 2. Nacharbeit nötig `p1`gezählt: 123Zählprogramm `p5`Danach erhalten Sie von uns eine schriftliche Antwort mit den Maßnahmen.GPT-6 astra `p6`Die Lieferung erhalten Sie mit einer Sendungsverfolgung.GPT-6 astra 3. kleiner Mangel `p6`Wir melden uns, sobald wir sie kennen, und sagen Ihnen, was wir dagegen tun.GPT-6 astra
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p2`gezählt: 2Zählprogramm `p6`Als besondere Entschädigung erhalten Sie 15 % Rabatt auf Ihre nächste Bestellung (Code: EXTRA15).GPT-6 astra 2. kleiner Mangel `p5`Ihr Fall wird jetzt persönlich von unserer Abteilungsleitung betreut, um die Ursache schnellstmöglich zu klären und zukünftige Fehler zu verhindern.GPT-6 astra `p6`Zusätzlich zum 10 %‑Rabatt (Code DANK10) erhalten Sie einen Gutschein über 20 € für Ihre nächste Bestellung als Zeichen unseres Bedauerns.GPT-6 astra 3. kleiner Mangel `p5`Unser Lagerteam prüft derzeit den internen Prozess, um den Grund für die falsche Kommissionierung zu ermitteln.GPT-6 astra `p6`Unser Lagerteam hat bereits eine detaillierte Prüfung eingeleitet und wird Sie bis spätestens morgen über die Ursache informieren.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Die vier passenden Kartuschen für Ihre Reihe M400 sind bereits per Express auf unsere Kosten an Sie unterwegs.GPT-6 astra 2. kleiner Mangel `p5`Der Vorfall liegt direkt bei unserer Logistikleitung, um den Fehler im Ablauf endgültig abzustellen.GPT-6 astra `p6`Das Paket sollte morgen bei Ihnen eintreffen.GPT-6 astra 3. kleiner Mangel `p6`Die vier passenden Tonerkartuschen ... gehen heute per Express auf unsere Kosten an Sie raus.Gemini 3.1 Pro
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Sobald das Ergebnis vorliegt, melde ich mich bei Ihnen.GPT-6 astra 2. kleiner Mangel `p5`Sobald ich das Ergebnis habe, melde ich mich bei Ihnen.GPT-6 astra `p6`Die Sendungsnummer schicke ich Ihnen per E-Mail.GPT-6 astra 3. kleiner Mangel `p6`Sobald uns das Ergebnis vorliegt, melden wir uns bei IhnenGemini 3.1 Pro
Gemma 4	passt nichtNacharbeit nötig	reicht nicht	1. kleiner Mangel `p5`Die Ursachenforschung im Lager läuft mit höchster Priorität; ich melde mich persönlich bei Ihnen, sobald die Fehlerquelle behoben ist.GPT-6 astra `p6`Die vier korrekten M400-Kartuschen werden heute per Express kostenfrei an Sie versandt.GPT-6 astra 2. Nacharbeit nötig `p4`Eine eindeutige Auswahl fehlt: Die Empfehlung nennt abhängig vom Fall beide Fassungen, statt eine für das vorliegende Gespräch auszuwählen.GPT-6 astra `p6`Die vier korrekten M400-Kartuschen gehen heute per kostenlosem Express an Sie raus.GPT-6 astra 3. Nacharbeit nötig `p4`Es fehlt eine eindeutige eigene Auswahl; die Empfehlung nennt lediglich für beide möglichen Verläufe die jeweils passende Fassung.GPT-6 astra `p6`Wir haben soeben die vier korrekten Tonerkartuschen für die Reihe M400 per Express auf unsere Kosten an Sie verschickt.GPT-6 astra
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Die vier passenden Tonerkartuschen gehen heute per Express an Sie — auf unsere Kosten, mit Sendungsverfolgung.GPT-6 astra 2. Nacharbeit nötig `p2`gezählt: 2Zählprogramm `p6`die Sendung geht morgen raus.GPT-6 astra 3. kleiner Mangel `p5`Bis [Datum] erhalten Sie das schriftliche Ergebnis der Ursachenprüfung samt Maßnahmen.GPT-6 astra `p6`Wird dieser Zeitplan nicht gehalten, erstatten wir Ihnen den Kaufpreis vollständig.GPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Das Ergebnis erfahren Sie direkt von mir, ohne dass Sie noch einmal nachfragen müssen.GPT-6 astra 2. kleiner Mangel `p5`Bis [Datum] melde ich mich mit dem Ergebnis und sage Ihnen, was wir ändern.GPT-6 astra `p6`Sobald das Ergebnis vorliegt, spätestens bis [Datum], melde ich mich bei IhnenGPT-6 astra 3. kleiner Mangel `p6`Sobald das Ergebnis vorliegt, melde ich mich bei IhnenGemini 3.1 Pro
GPT-6 sol	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Sobald das Ergebnis vorliegt, informieren wir Sie über die Ursache und die Maßnahmen dagegen.GPT-6 astra 2. kleiner Mangel `p5`Wir informieren Sie, sobald wir wissen, was passiert ist und wie wir eine Wiederholung verhindern können.GPT-6 astra `p6`Wir informieren Sie, sobald wir wissen, was passiert ist und wie wir eine Wiederholung verhindern können.GPT-6 astra 3. kleiner Mangel `p6`Sobald das Ergebnis vorliegt, informieren wir Sie darüber und über die MaßnahmenGemini 3.1 Pro
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Die Ursache lässt unser Lager noch heute prüfen; Sie bekommen die Antwort schriftlich.GPT-6 astra `p6`Die Sendungsnummer erhalten Sie innerhalb von 24 Stunden per E-Mail.GPT-6 astra 2. Nacharbeit nötig `p2`gezählt: 2Zählprogramm `p5`Die Ursachenprüfung beendet sich bis [Freitag, Datum]. Ich melde mich dann persönlich bei Ihnen – auch wenn die Antwort unangenehm ist.GPT-6 astra `p6`Die vier M400-Kartuschen sind morgen per Express bei Ihnen – Sendungsnummer heute noch.GPT-6 astra 3. kleiner Mangel `p5`Unser Lager hat den Fehler auf eine falsche Kommissionierung zurückgeführt.GPT-6 astra `p6`Sie erhalten bis spätestens morgen eine Sendungsnummer.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Dass auf der Rechnung die Reihe M200 stand, obwohl M400 bestellt wurde, deutet auf einen Fehler in unserer AuftragsabwicklungGPT-6 astra `p6`Sie sollten innerhalb von ein bis zwei Werktagen bei Ihnen eintreffen.GPT-6 astra 2. kleiner Mangel `p6`Sie sollten innerhalb der nächsten zwei Werktage bei Ihnen eintreffen.GPT-6 astra

Schreiben, schwerPreiserhöhung an einen langjährigen Kunden · gelöst von 10 von 12

Eine Preiserhöhung ankündigen. Im Vertrag steht eine Klausel, die der Auftrag übergeht.

Prüfpunkte

p1Jede Fassung der Mail nennt die Erhöhung um 6,8 Prozent, den 1. Januar 2027 und die neue Monatspauschale von 4.539 Euro.Zählprogramm
p2Nach Nachricht 2 haben beide Fassungen jeweils höchstens 150 Wörter (Anrede bis Grußformel, ohne Betreff und Signatur).Zählprogramm
p3Die Antwort auf Nachricht 3 nennt den 6. November 2026 als spätesten Tag für den Zugang.Zählprogramm
p4Die Antwort macht dem Nutzer klar, dass die Erhöhung über fünf Prozent liegt und die Anpassung ohne Hinweis auf das Kündigungsrecht nach § 7 Absatz 3 unwirksam ist. Eine Mail ohne den Hinweis, zu der diese Warnung fehlt, verfehlt den Punkt.Richter · Haken
p5Jede Fassung bezieht sich auf § 7 des Vertrags, begründet die Erhöhung mit den Lohn- und Materialkosten aus dem Material und entschuldigt sich nicht.Zählprogramm und Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p1`gezählt: 3Zählprogramm `p4`Das Kündigungsrecht erwähne ich nicht — die Klausel spricht für sich, und es ist gut, dass Sie diese Karte nicht zu früh aufdecken.GPT-6 astra `p6`des Tarifabschlusses im Handwerk vom Juli 2026GPT-6 astra 2. Falle übersehen `p1`gezählt: 3Zählprogramm `p4`Die Warnung fehlt, dass die Anpassung ohne Kündigungshinweis nach § 7 Absatz 3 unwirksam ist.GPT-6 astra `p5`In der persönlichen Fassung fehlt der Bezug auf § 7.GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`„ich erkläre Ihnen die Zahlen gern im Detail.“ und „Gern telefonieren wir darüber, wenn Ihnen das lieber ist.“ – nicht vorgegebene Zusagen.GPT-6 astra 2. kleiner Mangel `p6`Ich rufe Sie gern in den nächsten Tagen an, dann können wir alles besprechen.GPT-6 astra
gpt-oss-120b	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p3`Muster nicht gefundenZählprogramm `p4`Der Hinweis auf die Unwirksamkeit der Erhöhung ohne Kündigungshinweis fehlt.GPT-6 astra `p5`In der persönlichen Fassung fehlt der Bezug auf § 7 des Vertrags.GPT-6 astra `p6`Zusätzlich haben sich die Preise für Ersatzteile erhöht, was zu einer Gesamtkostensteigerung von 6,8 % führt.GPT-6 astra 2. Falle übersehen `p4`Es fehlt die Warnung, dass die Erhöhung von 6,8 Prozent ohne Kündigungsrechtshinweis nach § 7 Abs. 3 unwirksam ist.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Die Beschaffungskosten für Ersatzteile und Verbrauchsmaterialien sind in den vergangenen Monaten spürbar gestiegen.GPT-6 astra 2. kleiner Mangel `p6`Damit wir Ihnen weiterhin gewohnte Reaktionszeiten und Fachkräfte garantieren können, müssen auch wir die Kostenentwicklung abbilden.GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p6`Diese Ankündigung geht Ihnen innerhalb der Frist von acht Wochen vor dem 1. Januar 2027 zu.GPT-6 astra 3. kleiner Mangel `p6`Ich rufe Sie in den nächsten Tagen an, um einen Termin abzustimmen.GPT-6 astra
Gemma 4	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`gezählt: 2Zählprogramm 2. alles erfüllt 3. kleiner Mangel `p1`gezählt: 3Zählprogramm
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Leistungsumfang und Wartungsintervalle bleiben unverändert.GPT-6 astra 2. kleiner Mangel `p6`Am Umfang und an der Qualität unserer Leistungen ändert sich nichts.GPT-6 astra
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Darüber hinaus sind die Preise für Ersatzteile und Verbrauchsmaterial deutlich gestiegen.GPT-6 astra 2. kleiner Mangel `p6`den Zugang kann ich dir im Zweifel mit dem Mail-Protokoll nachweisen.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p6`Für Fragen stehe ich Ihnen jederzeit gerne zur Verfügung.GPT-6 astra 2. alles erfüllt 3. alles erfüllt

Zusammenfassen, leichtMeeting-Notizen in fünf Punkte · gelöst von 11 von 12

Eine Seite Besprechungsnotizen in fünf Punkten.

Prüfpunkte

p1Die Antwort auf Nachricht 1 besteht aus genau fünf Punkten.Zählprogramm
p2Die fünf Punkte enthalten die beiden Entscheidungen der Runde: Rufbereitschaft ab 1.11. mit zwei Technikern (befristet bis Ende Januar) und Mindestbestand für die 20 häufigsten Ersatzteile.Richter
p3Die fünf Punkte stellen die Tablets als offen dar (zweites Angebot, noch keine Entscheidung) und nicht als beschlossen.Richter
p4Die Liste nach Nachricht 2 nennt alle fünf Aufgaben mit Person und Termin: Tobias Hersteller 9.10., Elif Dienstplan 14.10., Marek Teileliste 16.10., Nadine zweites Angebot 23.10., Tobias Reservierung Weihnachtsfeier (ohne Termin im Material).Zählprogramm und Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`In der Aufgabenliste fehlt der Hersteller als Ansprechpartner für Tobias. Die fehlende Reservierungsfrist wird nicht kenntlich gemacht.GPT-6 astra 2. Nacharbeit nötig `p4`„Weihnachtsfeier reservieren (9.12.)“; außerdem fehlt bei der Gewährleistungsprüfung in der Aufgabenliste der Hersteller.GPT-6 astra `p5`„Weihnachtsfeier reservieren (9.12.)“ und „heute zweimal Standardventil gefehlt“GPT-6 astra 3. alles erfüllt
Claude Haiku 5.5	passtkleiner Mangel	offen	1. alles erfüllt 2. kleiner Mangel `p4`Es fehlt Tobias’ Aufgabe, die Weihnachtsfeier zu reservieren, mit dem Hinweis, dass dafür kein Termin genannt ist.GPT-6 astra
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. kleiner Mangel `p4`Tobias’ Aufgabe, die Weihnachtsfeier zu reservieren, fehlt. Bei seiner Gewährleistungsprüfung fehlt die Klärung mit dem Hersteller.GPT-6 astra 2. Nacharbeit nötig `p3`Es fehlt die Klarstellung, dass über die Tablet-Anschaffung noch nicht entschieden wurde.GPT-6 astra `p4`Tobias’ Reservierung der Weihnachtsfeier ohne genannte Frist fehlt. Bei seiner Gewährleistungsaufgabe fehlt die Klärung mit dem Hersteller.GPT-6 astra 3. Nacharbeit nötig `p4`Es fehlt die Aufgabe von Tobias, die Weihnachtsfeier zu reservieren.Gemini 3.1 Pro `p5`à 7.800 €Gemini 3.1 Pro
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Das Ende der Befristung der doppelten Rufbereitschaft, Ende Januar, fehlt.GPT-6 astra 2. Nacharbeit nötig `p2`Die Befristung bis Ende Januar fehlt.GPT-6 astra `p3`Es fehlt die Klarstellung, dass über die Tablet-Anschaffung noch nicht entschieden wurde.GPT-6 astra 3. kleiner Mangel `p2`Es fehlt die Angabe, dass die Rufbereitschaft bis Ende Januar befristet ist.Gemini 3.1 Pro
DeepSeek V4 Flash	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p5`Alle: Nächstes Treffen am Mo, 19.10., 9 Uhr — ist der Termin für Ihre Antwort.GPT-6 astra 3. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GLM 5.2	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt

Zusammenfassen, mittelKonzept auf eine Seite für die Geschäftsführung · gelöst von 9 von 12

Ein Konzept von fünf Seiten auf eine Seite bringen, mit den offenen Punkten.

Prüfpunkte

p1Die Zusammenfassung hat nach Nachricht 1 höchstens 450 Wörter (eine Seite) und nach Nachricht 3 höchstens 230 Wörter (eine halbe Seite).Zählprogramm
p2Die Zusammenfassung nach Nachricht 1 nennt das einmalige Budget von 186.000 Euro, die 2.900 Euro monatlich und beide Starttermine (Pilot 1. März 2027, alle Kunden 1. September 2027).Zählprogramm
p3Die Zusammenfassungen nach Nachricht 1 und nach Nachricht 3 nennen jeweils alle drei offenen Punkte: Angebot für die ERP-Schnittstelle fehlt, Datenschutz-Folgenabschätzung ist nicht beauftragt, Zustimmung des Betriebsrats zur Standortanzeige steht aus.Richter
p4Die Antwort auf Nachricht 2 nennt 186.000 Euro einmalig und 2.900 Euro im Monat (34.800 Euro im Jahr) und sagt, dass die ERP-Schnittstelle mit geschätzt 15.000 bis 40.000 Euro nicht enthalten ist.Zählprogramm und Richter
p5Die Zusammenfassung nach Nachricht 1 sagt, was die Geschäftsführung am 17. November entscheiden soll (Budget, Zeitplan, Projektleitung).Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`412,238Zählprogramm 2. kleiner Mangel `p1`412,246Zählprogramm
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Muster nicht gefundenZählprogramm `p3`Nach Nachricht 3 fehlen die nicht beauftragte Datenschutz-Folgenabschätzung und das fehlende Angebot für die ERP-Schnittstelle.GPT-6 astra 2. Nacharbeit nötig `p3`In beiden Zusammenfassungen fehlt die ausdrückliche Angabe, dass die Datenschutz-Folgenabschätzung noch nicht beauftragt ist.GPT-6 astra `p6`In vier Wochen (Messmonat Juni 2026)GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p1`471,223Zählprogramm `p4`In der Antwort auf Nachricht 2 fehlen die laufenden Kosten von 2.900 Euro im Monat.GPT-6 astra 2. kleiner Mangel `p1`502,179Zählprogramm 3. kleiner Mangel `p1`492,219Zählprogramm
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Muster nicht gefundenZählprogramm `p6`Datenschutz‑FA & Betriebsrats‑Gespräch \| spätestens Januar 2027 (vor Pilot)GPT-6 astra 2. Nacharbeit nötig `p2`Muster nicht gefundenZählprogramm `p3`In beiden Zusammenfassungen fehlt, dass die Datenschutz-Folgenabschätzung noch nicht beauftragt ist.GPT-6 astra `p6`Datenschutz‑Folgenabschätzung (6‑8 Wochen) muss bis Jan 2027 abgeschlossen sein.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`die Einführungskosten dafür laufen über ein separates Projektbudget.GPT-6 astra 2. kleiner Mangel `p6`\| Reale Nettobelastung Jahr 1 \| ca. 209.000 € \| ca. 234.000 € \|GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`517,204Zählprogramm 2. kleiner Mangel `p1`501,221Zählprogramm
Gemma 4	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`Der Status „Datenschutz-Folgenabschätzung noch nicht beauftragt“ fehlt in beiden Zusammenfassungen; nach Nachricht 3 fehlt außerdem das ausstehende ERP-Angebot.GPT-6 astra `p4`Laufend: 2.900 € pro Monat (ca. 35.000 € pro Jahr)GPT-6 astra 2. kleiner Mangel `p3`In beiden Zusammenfassungen fehlt ausdrücklich, dass das ERP-Angebot fehlt und die Datenschutz-Folgenabschätzung noch nicht beauftragt ist.GPT-6 astra 3. Nacharbeit nötig `p3`Es fehlt in beiden Zusammenfassungen die Information, dass die Datenschutz-Folgenabschätzung noch nicht beauftragt ist.Gemini 3.1 Pro `p4`Es fehlt die geforderte Angabe der Jahreskosten von 34.800 Euro in der Antwort auf Nachricht 2.Gemini 3.1 Pro
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`573,213Zählprogramm 2. kleiner Mangel `p6`das Angebot holen wir bis zur Freigabe einGPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`482,261Zählprogramm 2. Nacharbeit nötig `p1`474,222Zählprogramm `p4`In Antwort 2 fehlen die monatlichen Kosten von 2.900 Euro.GPT-6 astra `p6`Vorbereitung ab Dezember 2026GPT-6 astra 3. kleiner Mangel `p1`450,236Zählprogramm
GPT-6 sol	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p1`369,236Zählprogramm 2. alles erfüllt 3. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`458,237Zählprogramm 2. Nacharbeit nötig `p1`444,246Zählprogramm `p6`selbst mit der Schnittstelle in der Obergrenze bleibt das Projekt unter 330.000 Euro über drei JahreGPT-6 astra 3. kleiner Mangel `p1`541,260Zählprogramm
GLM 5.2	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p1`394,235Zählprogramm `p3`Nach Nachricht 3 fehlt, dass die Datenschutz-Folgenabschätzung noch nicht beauftragt ist.GPT-6 astra 2. alles erfüllt 3. alles erfüllt

Zusammenfassen, schwerDrei Dokumente mit zwei Widersprüchen · gelöst von 10 von 12

Drei Dokumente zusammenfassen, die sich an zwei Stellen widersprechen.

Prüfpunkte

p1Die Zusammenfassung nach Nachricht 1 hat höchstens 250 Wörter.Zählprogramm
p2Die Zusammenfassung nach Nachricht 1 benennt den Widerspruch beim Starttermin: Das Angebot sagt 1. März 2027 und schließt einen früheren Start aus, die Mail kündigt den 1. Februar 2027 an.Zählprogramm und Richter · Haken
p3Die Zusammenfassung nach Nachricht 1 benennt den Widerspruch bei der Schulung: Laut Angebot kostet sie 2.800 Euro zusätzlich, laut Protokoll ist sie im Preis enthalten.Zählprogramm und Richter · Haken
p4Die Antwort auf Nachricht 2 rechnet richtig: 36.020 Euro mit Schulung nach dem Angebot, oder 33.220 Euro ohne Schulung. Die Schulung ist als eigene Position sichtbar, mit 2.800 Euro oder ausdrücklich als nicht eingerechnet.Zählprogramm und Richter
p5Die Antwort auf Nachricht 3 nennt beide Punkte als vor der Unterschrift zu klären: Starttermin und Kosten der Schulung.Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p2`Geplanter Start: 1. Februar 2027 (nicht wie ursprünglich im Angebot genannt: 1. März).GPT-6 astra `p3`Schulung: bereits im Preis enthalten (zwei Tage vor Ort)GPT-6 astra `p4`Die Schulung ist darin bereits enthalten.GPT-6 astra 2. Falle übersehen `p2`Fehlt: Kennzeichnung als ungeklärter Widerspruch und Hinweis auf den ausdrücklich ausgeschlossenen früheren Start. Der Februar wird als feststehender neuer Start dargestellt.GPT-6 astra `p3`Fehlt: Der Widerspruch zwischen zusätzlichen 2.800 Euro laut Angebot und enthaltener Schulung laut Protokoll wird in der Zusammenfassung nicht genannt.GPT-6 astra `p4`Gesamtkosten erste zwölf Monate: 31.660 Euro nettoGPT-6 astra `p6`Der frühere Termin berücksichtigt, dass die Techniker in Januar und Februar die höchste Auslastung haben und eine Umstellung mitten im Winter riskant ist.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p2`Der Widerspruch wird nicht benannt; stattdessen wird der Februar als geplanter Projektstart und später als Go-Live übernommen.GPT-6 astra `p3`Die widersprüchlichen Schulungsangaben werden nur getrennt wiedergegeben, nicht als Widerspruch benannt.GPT-6 astra `p6`Risiken wegen Winterumstellung wurden durch den früheren Starttermin (Februar) reduziert.GPT-6 astra 2. Falle übersehen `p2`bei früherer Beauftragung ist ein Start am 1. Februar 2027 möglich (nach Rücksprache).GPT-6 astra `p3`Die Angaben zur Schulung werden nebeneinandergestellt, aber nicht als Widerspruch benannt.GPT-6 astra `p4`im Angebot bereits enthalten – keine extra‑KostenGPT-6 astra `p6`bei früherer Beauftragung ist ein Start am 1. Februar 2027 möglich (nach Rücksprache).GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`„42.863,80 Euro brutto“: Der zugrunde gelegte Umsatzsteuersatz steht nicht im Material und wird nicht als Annahme ausgewiesen.GPT-6 astra 2. kleiner Mangel `p6`In den ersten zwölf Monaten ab Start fallen insgesamt 36.020 Euro netto (42.863,80 Euro brutto) an.GPT-6 astra
Claude Sonnet 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`nach 24 Monaten gilt das Angebot nicht mehr als Kalkulationsbasis.GPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p6`„Vor dem Start fällig (bei Start am 1. März 2027 also jetzt)“ – Fälligkeitstermine für Einrichtung und Schulung sind nicht angegeben.GPT-6 astra
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`In Antwort 2 fehlt die Schulung als eigene Position mit 2.800 Euro; sie wird lediglich als Bestandteil der Gesamtsumme erwähnt.GPT-6 astra 2. kleiner Mangel `p4`In Antwort 2 fehlt die gesonderte Ausweisung der Schulung mit 2.800 Euro.GPT-6 astra
Qwen 3.8	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GLM 5.2	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p6`Der Einrichtungsbetrag wird fällig, sobald der Vertrag unterschrieben istGPT-6 astra 3. alles erfüllt

Recherchieren, leichtEine Faktenfrage mit Quelle · gelöst von 12 von 12

Eine Tatsache nachschlagen, mit Quelle.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt den 1. Januar 2015 und 8,50 Euro je Stunde.Zählprogramm
p2Die Antwort auf Nachricht 1 enthält mindestens einen Link, und der Link ist erreichbar.Zählprogramm
p3Der Satz nach Nachricht 2 hat höchstens 25 Wörter und nennt Datum und Betrag.Zählprogramm
p4Die Quelle ist eine belastbare Stelle (Behörde, Gesetzestext, Statistikamt, Kammer oder ein großes Nachrichtenmedium), kein Forum und kein Blog ohne Absender.Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Zum Vergleich – aktuell (2026) liegt der Mindestlohn bei 13,90 Euro pro Stunde.GPT-6 astra 2. kleiner Mangel `p5`Das Mindestlohngesetz wurde am 3. Juli 2014 vom Deutschen Bundestag verabschiedet und ist am 16. August 2014 in Kraft getreten.GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p5`Bei der Einführung betrug er 8,50 Euro brutto pro Zeitstunde.GPT-6 astra 2. alles erfüllt
gpt-oss-120b	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p5`Der gesetzliche Mindestlohn in Deutschland gilt seit dem 1. Januar 2015GPT-6 astra 3. kleiner Mangel `p5`Der gesetzliche Mindestlohn in Deutschland gilt seit dem 1. Januar 2015 und startete damals bei 8,50 Euro brutto pro Stunde.GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Seit dem 1. Januar 2026 liegt der Mindestlohn bei 13,90 Euro.GPT-6 astra 2. kleiner Mangel `p5`Seit dem 1. Januar 2015 gilt in Deutschland ein gesetzlicher MindestlohnGPT-6 astra
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Der Bundestag hat das Mindestlohngesetz (MiLoG) am 3. Juli 2014 beschlossen, in Kraft trat es am 16. August 2014.GPT-6 astra 2. kleiner Mangel `p5`Seit dem 1. Januar 2015 gilt in Deutschland der gesetzliche MindestlohnGPT-6 astra
GPT-6 sol	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Aktuell (seit 1. Januar 2026) liegt der reguläre Mindestlohn übrigens bei 13,90 EuroGPT-6 astra 2. kleiner Mangel `p5`Deutschland kennt seit dem 1. Januar 2015 einen gesetzlichen MindestlohnGPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Aktuell (seit 1. Januar 2026) liegt der Mindestlohn bei 13,90 Euro brutto pro Stunde.GPT-6 astra 2. kleiner Mangel `p5`am 3. Juli 2014 vom Bundestag verabschiedet und am 16. August 2014 verkündet wurde.GPT-6 astra

Recherchieren, mittelStand einer Regelung mit Datum und drei Quellen · gelöst von 11 von 12

Den Stand einer Regelung mit Datum und drei Quellen.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt den 2. August 2025 für die Pflichten der Anbieter von KI-Modellen mit allgemeinem Verwendungszweck und den 2. Februar 2025 für die KI-Kompetenz.Zählprogramm und Richter
p2Die Antwort auf Nachricht 1 enthält mindestens drei verschiedene Links, und sie sind erreichbar.Zählprogramm
p3Die Antwort auf Nachricht 2 nennt die Verordnung (EU) 2024/1689.Zählprogramm
p4Die Zusammenfassung nach Nachricht 3 hat höchstens 60 Wörter und enthält beide Daten.Zählprogramm
p5Mindestens eine der Quellen ist eine offizielle Stelle (EU-Kommission, EUR-Lex, eine Behörde).Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtalles erfüllt	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p1`Die beiden gefragten Daten fehlen.GPT-6 astra `p2`ohne ZitatZählprogramm `p4`gezählt: 44Zählprogramm `p5`Es fehlen sämtliche Quellen und Links.GPT-6 astra `p6`Nicht vorgegebene Zusage: „Das Ergebnis kommt als Nachricht mit Artefakt in diesen Chat.“GPT-6 astra 3. alles erfüllt
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Der Digital Omnibus (Verordnung (EU) 2026/1744, in Kraft seit 27. Juli 2026) hat den Wortlaut entschärft.GPT-6 astra 2. kleiner Mangel `p6`Seit der Änderung durch den Digital Omnibus (in Kraft seit Mitte Juli 2026)GPT-6 astra
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p4`gezählt: 48Zählprogramm 2. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p4`gezählt: 40Zählprogramm `p6`vom 13. April 2024GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`Muster nicht gefundenZählprogramm 2. Nacharbeit nötig `p3`Muster nicht gefundenZählprogramm `p4`gezählt: 0Zählprogramm `p6`gilt nach Art. 111 Abs. 3 eine Übergangsfrist zur Einhaltung bis zum 2. August 2027.GPT-6 astra 3. kleiner Mangel `p3`Muster nicht gefundenZählprogramm
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Die Digital-Omnibus-Verordnung (EU) 2026/1744, die im Juli 2026 in Kraft trat, hat Artikel 4 entschärft.GPT-6 astra 2. kleiner Mangel `p4`gezählt: 69Zählprogramm
Gemma 4	passtalles erfüllt	reicht nicht	1. Nacharbeit nötig `p1`Die Pflicht zur KI-Kompetenz für Anbieter und Betreiber von KI-Systemen gilt ebenfalls seit dem 2. August 2025GPT-6 astra `p4`gezählt: 46Zählprogramm `p6`Die Pflicht zur KI-Kompetenz für Anbieter und Betreiber von KI-Systemen gilt ebenfalls seit dem 2. August 2025GPT-6 astra 2. alles erfüllt 3. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Als Leiterin Kundendienst mit einem KI-Assistenten seid ihr also schon seit über einem Jahr im Anwendungsbereich.GPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p6`Durch die Änderungen im Rahmen des „Digital Omnibus on AI“ (in Kraft Mitte Juli 2026)GPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p4`gezählt: 65Zählprogramm `p6`Mitte Juli 2026 wurde er durch den „Digital Omnibus on AI“ geändert.GPT-6 astra 2. kleiner Mangel `p6`Für Modelle, die schon vor dem 2. August 2025 auf dem Markt waren, gilt eine Übergangsfrist bis zum 2. August 2027.GPT-6 astra 3. kleiner Mangel `p6`wurde Artikel 4 Mitte Juli 2026 durch den „Digital Omnibus on AI“ geändertGemini 3.1 Pro
GPT-6 sol	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p4`gezählt: 51Zählprogramm `p6`die Kennzeichnungspflicht gegenüber den Kunden gilt seit August 2026.GPT-6 astra 2. kleiner Mangel `p6`Modelle, die davor in Verkehr gebracht wurden, müssen bis 2. August 2027 nachziehenGPT-6 astra 3. kleiner Mangel `p6`die Leitlinien der Kommission zum Anwendungsbereich der GPAI-Pflichten (PDF, 18.7.2025)Gemini 3.1 Pro
GLM 5.2	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p4`gezählt: 62Zählprogramm `p6`Seit Mitte Juli 2026 wurde durch den „Digital Omnibus" klargestelltGPT-6 astra 2. alles erfüllt 3. alles erfüllt

Recherchieren, schwerZwei widersprüchliche Behauptungen prüfen · gelöst von 10 von 12

Zwei Kollegen behaupten Gegensätzliches. Beide haben nur halb recht.

Prüfpunkte

p1Die Antwort auf Nachricht 2 nennt den 1. Januar 2027.Zählprogramm
p2Die Antwort auf Nachricht 1 enthält mindestens zwei verschiedene Links, und sie sind erreichbar.Zählprogramm
p3Die Antwort auf Nachricht 1 sagt, dass keine der beiden Aussagen ganz stimmt: Seit dem 1. Januar 2025 gilt die Pflicht, E-Rechnungen empfangen zu können. Die Pflicht zum Ausstellen beginnt später und hängt vom Vorjahresumsatz ab.Richter · Haken
p4Die Antwort nennt die Umsatzgrenze von 800.000 Euro und wendet sie auf Halvering an.Zählprogramm und Richter
p5Die Notiz nach Nachricht 3 hat höchstens 70 Wörter und nennt den 1. Januar 2027.Zählprogramm
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p3`Herr Riedel: ✅ Auch richtig – Für euer Unternehmen gilt die Ausstellungspflicht erst ab 2027 (nicht 2028).GPT-6 astra 2. kleiner Mangel `p6`„Die verbleibenden knapp 15 Monate solltet ihr für die Umstellung nutzen.“ – dieser verbleibende Zeitraum ist nicht belegt.GPT-6 astra 3. Falle übersehen `p3`Warum Herr Riedel recht hat (und Frau Meinhardt nicht ganz):GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p6`BStBK, FAQ zur Einführung der verpflichtenden E-Rechnung (Stand 11.07.2026, PDF)GPT-6 astra 2. alles erfüllt
gpt-oss-120b	passt nichtFalle übersehen	reicht nicht	1. kleiner Mangel `p1`Muster nicht gefundenZählprogramm 2. Falle übersehen `p1`Muster nicht gefundenZählprogramm `p3`Herr Riedel wird widersprüchlich für Halvering recht gegeben: „für die meisten Unternehmen (wie die Halvering Gebäudetechnik GmbH) erst ab 2028 gilt“.GPT-6 astra `p4`Die Grenze wird genannt, aber falsch angewendet: „Für alle anderen in‑Deutschland ansässigen Unternehmen (wie die Halvering Gebäudetechnik GmbH)“.GPT-6 astra 3. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p4`für kleinere Unternehmen, wie die Halvering Gebäudetechnik GmbH (Umsatz ≈ 9,4 Mio. €), greift die Regel erst 2028.Gemini 3.1 Pro
Gemini 3.8 Flash	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p6`Es bleiben nur gut vier Monate bis zur Umstellung (das Finanzamt NRW nennt als Stand den 3.10.2026).GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p6`„Bis zum 1.1.2027 sind es nur noch wenige Wochen.“ Dieser zeitliche Abstand ist durch die Nutzerangaben nicht belegt.GPT-6 astra 3. alles erfüllt
GPT-6 sol	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p5`gezählt: 72Zählprogramm 2. alles erfüllt 3. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Haufe (800-€-Grenze, Stufenplan)GPT-6 astra 2. kleiner Mangel `p6`„Den Empfang können wir bereits seit 2025.“ Dass Halvering seit diesem Zeitpunkt tatsächlich empfangsfähig ist, steht nicht im Material.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`gezählt: 79Zählprogramm 2. kleiner Mangel `p5`gezählt: 73Zählprogramm

Prüfen, leichtAngebot gegen eine Checkliste mit fünf Punkten · gelöst von 11 von 12

Ein Angebot gegen eine Liste mit fünf Punkten prüfen.

Prüfpunkte

p1Die Antwort auf Nachricht 1 bewertet alle fünf Punkte richtig: 1, 3 und 5 erfüllt, 2 und 4 nicht erfüllt.Richter
p2Zu jedem Punkt steht die passende Stelle aus dem Angebot (42 Euro, einmal im Monat, Betriebshof, drei Monate zum Quartalsende, 3 Millionen Euro mit Bestätigung).Zählprogramm und Richter
p3Die Antwort auf Nachricht 2 besteht aus zwei Sätzen und nennt genau die beiden Mängel: Reinigung alle zwei Wochen statt monatlich, Kündigungsfrist höchstens ein Monat.Richter
p4Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`Zusätzlicher dritter Satz: „Können Sie diese beiden Punkte anpassen?“GPT-6 astra 2. kleiner Mangel `p3`Zusätzlicher dritter Satz: „Können Sie uns ein angepasstes Angebot unterbreiten?“GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Muster nicht gefundenZählprogramm 2. kleiner Mangel `p2`Muster nicht gefundenZählprogramm
Gemini 3.8 Flash	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p4`das wir gerne annehmen möchten, sofern Sie das Reinigungsintervall auf einen zweiwöchentlichen Turnus zum genannten Einzelpreis von 42 Euro netto anpassen können.GPT-6 astra 3. alles erfüllt
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`Bitte bestätigen Sie uns zudem, ob der Preis von 42 Euro netto je Fahrzeug und Reinigung auch bei zweiwöchentlichem Rhythmus gilt.GPT-6 astra 2. kleiner Mangel `p4`Bei 22 Fahrzeugen sind das etwa 1.848 € netto je zweiwöchentlichem Durchgang, bleibt der Preis bei 42 €.GPT-6 astra
Gemma 4	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`„zum vereinbarten Preis von 42 Euro netto je Fahrzeug“; „der Rest des Angebots passt für uns vollständig.“GPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p3`Zusätzlicher dritter Satz: „Wir freuen uns auf Ihre Rückmeldung.“GPT-6 astra
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p3`Bitte senden Sie uns außerdem die im Angebot erwähnte Bestätigung Ihrer Betriebshaftpflicht, damit wir den Nachweis prüfen können.GPT-6 astra 3. alles erfüllt
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`Wir bitten Sie, den Reinigungstermin auf zweimal pro Monat anzupassen und die Kündigungsfrist auf einen Monat zu verkürzen.GPT-6 astra `p4`Dann können wir den Vertrag abschließen.GPT-6 astra 2. Nacharbeit nötig `p3`einer Kündigungsfrist von einem Monat zum QuartalsendeGPT-6 astra `p4`sodass wir bei Nachbesserung dieser beiden Punkte den Auftrag erteilen können.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p3`Ein zweiter Satz an Herrn Kranz fehlt.GPT-6 astra 3. alles erfüllt

Prüfen, mittelKonzept prüfen: die drei größten Schwächen · gelöst von 9 von 12

Die drei größten Schwächen eines Konzepts finden.

Prüfpunkte

p1Unter den drei Schwächen aus Nachricht 1 sind die beiden eingebauten Lücken: Die Mehrkosten sind nicht beziffert, und das Ziel hat keine Messgröße und keinen Ausgangswert.Richter
p2Jede der drei Schwächen ist mit einer Stelle aus dem Konzept belegt.Richter
p3Die Antwort auf Nachricht 2 nennt die Mehrkosten (im Monat, im Jahr oder für die drei Monate).Richter
p4Die Rückmeldung nach Nachricht 3 hat höchstens 100 Wörter.Zählprogramm
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Die fehlende Bezifferung der Mehrkosten wird nicht als eine der drei Schwächen genannt.GPT-6 astra `p3`Die jährlichen Pauschalmehrkosten werden zwar erwähnt, aber ohne markierte Berechnungsannahme. Als nachzuliefernde Zahl wird die durchschnittliche Wartezeit verlangt.GPT-6 astra `p5`kostet die zweite Pauschale 14 Wochen lang GeldGPT-6 astra 2. Nacharbeit nötig `p1`Unter den drei Schwächen fehlt das Ziel ohne Messgröße und Ausgangswert.GPT-6 astra `p3`Die zusätzlichen Gesamtkosten pro Monat, Jahr oder für drei Monate fehlen; verlangt wird stattdessen die Anzahl gleichzeitiger Einsätze.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p1`Die fehlende Messgröße und der fehlende Ausgangswert des Ziels werden nicht benannt.GPT-6 astra 3. kleiner Mangel `p1`Der fehlende Ausgangswert der Reaktionszeit wird nicht als Lücke benannt.GPT-6 astra
Gemini 3.8 Flash	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Unter den drei Schwächen fehlen sowohl die unbezifferten Mehrkosten als auch die fehlende Messgröße und der fehlende Ausgangswert.GPT-6 astra `p3`Die genaue Anzahl (oder der prozentuale Anteil) der Einsätze, die auf die beiden Wohnanlagen in Vellmar entfallen.GPT-6 astra 2. Nacharbeit nötig `p1`Die fehlende Messgröße und der fehlende Ausgangswert des Ziels werden nicht benannt.GPT-6 astra `p3`Die genaue Anzahl (oder der prozentuale Anteil) der Einsätze, die auf die beiden Wohnanlagen in Vellmar entfielen.GPT-6 astra `p5`Das Einsatzaufkommen ist nicht strukturell gestiegen, sondern geht auf ein konkretes technisches Problem in zwei Objekten zurück.GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`Die fehlende Messbarkeit des Ziels steht nur unter „Ergänzend“, nicht unter den drei Schwächen. Der fehlende Ausgangswert wird nicht benannt.GPT-6 astra 2. Nacharbeit nötig `p1`Die Messbarkeit erscheint nur als zusätzlicher vierter Punkt; der fehlende Ausgangswert wird nicht benannt.GPT-6 astra `p3`Die Zahl der Wochenenden, an denen zwei Einsätze gleichzeitig anliegen, und zwar über einen längeren Zeitraum als nur den September.GPT-6 astra 3. alles erfüllt
Gemma 4	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`Unter den drei Schwächen fehlen sowohl die unbezifferten Mehrkosten als auch die fehlende Messgröße und der fehlende Ausgangswert.GPT-6 astra 2. kleiner Mangel `p1`Die fehlende Messgröße und der fehlende Ausgangswert des Ziels werden nicht benannt.GPT-6 astra
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`Die Erfolgsmessung erscheint nur als zusätzlicher Hinweis außerhalb der drei Schwächen; der fehlende Ausgangswert wird nicht benannt.GPT-6 astra 2. kleiner Mangel `p1`Messgröße und Ausgangswert werden nur im zusätzlichen vierten Punkt genannt, nicht unter den drei Schwächen.GPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p4`gezählt: 102Zählprogramm 2. alles erfüllt 3. alles erfüllt
GPT-6 sol	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`Die Zahl der drei Einsatzüberschneidungen im September, die ohne die mutmaßlich fehlerhaften Pumpen in Vellmar nicht entstanden wären.GPT-6 astra 2. kleiner Mangel `p3`Die erwartete Zahl zeitgleicher Einsätze pro Wochenende – nach Klärung der Pumpenfälle in Vellmar.GPT-6 astra
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Der fehlende Ausgangswert der Reaktionszeit wird nicht benannt.GPT-6 astra `p5`Die Pauschale von 120 Euro fällt für den zweiten Techniker jedes Wochenende an – also rund 1.400 Euro im MonatGPT-6 astra 2. kleiner Mangel `p5`Der gesamte Bedarfssprung hängt an zwei neuen AnlagenGPT-6 astra 3. Nacharbeit nötig `p1`Es fehlt, dass das Ziel keine Messgröße und keinen Ausgangswert hat.Gemini 3.1 Pro `p5`Der gesamte Anstieg (19 → 31) wird auf zwei neue Anlagen in Vellmar zurückgeführt.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`Die fehlende Messgröße und der fehlende Ausgangswert des Ziels werden nicht als Schwäche genannt.GPT-6 astra 2. kleiner Mangel `p1`Unter den drei Schwächen fehlt das Ziel ohne Messgröße und Ausgangswert.GPT-6 astra

Prüfen, schwerVertragsentwurf gegen eine Anforderungsliste · gelöst von 9 von 12

Einen Vertrag gegen Anforderungen prüfen. Eine Abweichung zeigt sich nur, wenn man zwei Paragrafen zusammen liest.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt die beiden offenen Abweichungen: Laufzeit 36 statt höchstens 24 Monate (§ 2) und Haftung 50.000 statt mindestens 250.000 Euro (§ 6).Richter
p2Die Antwort auf Nachricht 2 sagt Nein und begründet es: Die Servicezeiten in § 1 nennen keine Feiertage, und § 3 verpflichtet nur während der Servicezeiten.Richter · Haken
p3Die Antwort auf Nachricht 1 erklärt keine erfüllte Anforderung zur Abweichung: Kündigungsfrist (§ 7), Weitergabe in 15 Minuten (§ 4) und Preis (§ 5) passen.RichterGestrichen: Die Lösung nannte den Preis als erfüllt. Mehrere Modelle wiesen zu Recht darauf hin, dass die Kosten über 300 Anrufe die Preisgrenze reißen können. Der Prüfpunkt wertete diesen richtigen Hinweis als Fehler.
p4Die Liste nach Nachricht 3 hat höchstens 80 Wörter.Zählprogramm
p5Die Liste nach Nachricht 3 enthält alle drei Änderungen: Laufzeit 24 Monate, Haftung 250.000 Euro, Feiertage in den Servicezeiten.Zählprogramm und Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p2`„Nicht verlässlich.“ statt eines eindeutigen Nein.GPT-6 astra `p3`„Nur teilweise erfüllt:“ – so wird A6 statt als erfüllt mit zusätzlichem Kostenhinweis bewertet.GPT-6 astra · gestrichen 2. Falle übersehen `p2`Der Entwurf verpflichtet den Dienstleister daher nicht eindeutig, diesen Anruf anzunehmen.GPT-6 astra `p3`Abweichungen vom Anforderungskatalog [...] A6 – höchstens 1.900 € netto im MonatGemini 3.1 Pro · gestrichen
Claude Haiku 4.5	passtalles erfüllt	reicht knapp	1. Falle übersehen `p2`Die Verknüpfung mit § 3 und dessen auf die Servicezeiten beschränkter Annahmepflicht fehlt.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p3`„Bei A1, A3, A5 und A6 gibt es Abweichungen“ – damit wird auch die erfüllte Preisvorgabe zur Abweichung erklärt.GPT-6 astra · gestrichen `p4`gezählt: 91Zählprogramm 2. alles erfüllt
gpt-oss-120b	passt nichtFalle übersehen	reicht nicht	1. kleiner Mangel `p5`Die Aufnahme von Feiertagen in die Servicezeiten fehlt in der Änderungsliste.GPT-6 astra 2. Falle übersehen `p2`Es fehlt die Begründung, dass Feiertage nicht genannt sind und § 3 die Annahmepflicht auf die Servicezeiten beschränkt.GPT-6 astra 3. Falle übersehen `p2`"nimmt der Dienstleister den Anruf am Ostermontag 10 Uhr nicht garantiert an" (zudem fehlt § 3).Gemini 3.1 Pro `p3`entspricht nicht exakt „höchstens drei Monate“ ohne weitere EinschränkungenGPT-6 astra · gestrichen
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt `p3`Der Entwurf weicht bei drei Punkten direkt und bei einem Punkt potenziell von deinen Anforderungen ab:GPT-6 astra · gestrichen 2. alles erfüllt 3. alles erfüllt
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`gezählt: 91Zählprogramm 2. kleiner Mangel `p4`gezählt: 112Zählprogramm
Gemma 4	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p2`Der Zusammenhang mit der auf Servicezeiten beschränkten Annahmepflicht aus § 3 fehlt.GPT-6 astra `p3`Der Preis wird unter „Der Entwurf weicht in folgenden Punkten von deinen Anforderungen ab:“ als weiterer Abweichungspunkt aufgeführt.GPT-6 astra · gestrichen 2. Falle übersehen `p2`Es fehlt der Bezug auf § 3 und dessen Beschränkung der Annahmepflicht auf die Servicezeiten.GPT-6 astra `p3`Der Preis wird unter „Der Entwurf weicht in folgenden Punkten von deinen Anforderungen ab:“ als weiterer Abweichungspunkt aufgeführt.GPT-6 astra · gestrichen
DeepSeek V4 Flash	passtalles erfüllt	reicht nicht	1. alles erfüllt `p3`„Vier weichen ab“; ausdrücklich wird auch A6 (§ 5) als Abweichung eingeordnet.GPT-6 astra · gestrichen 2. alles erfüllt `p3`die vier zentralen Vertragswerte – Laufzeit, Servicezeiten (Feiertage), Preis-Obergrenze und Haftungshöhe – weichen alle ab.GPT-6 astra · gestrichen
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt `p3`Der Entwurf weicht bei vier von sechs Anforderungen ab, eine davon nur unter Umständen.GPT-6 astra · gestrichen 2. alles erfüllt 3. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht nicht	1. alles erfüllt `p3`Vier Anforderungen sind nicht oder nicht vollständig erfüllt:GPT-6 astra · gestrichen 2. alles erfüllt `p3`Der Entwurf weicht bei Laufzeit, Abdeckung, Haftung und möglichem Monatspreis von euren Anforderungen ab:GPT-6 astra · gestrichen
Qwen 3.8	passtalles erfüllt	reicht nicht	1. alles erfüllt `p3`A6 (max. 1.900 € netto/Monat) – § 5: Teilverstoß, mit Vorbehalt.GPT-6 astra · gestrichen 2. Falle übersehen `p2`Es fehlt die Beschränkung der Annahmepflicht durch § 3; außerdem wird für die Servicezeiten fälschlich § 2 Abs. 2 genannt.GPT-6 astra `p3`Geprüft. Der Entwurf weicht an vier von sechs Anforderungen ab:GPT-6 astra · gestrichen 3. alles erfüllt
GLM 5.2	passtalles erfüllt	reicht nicht	1. alles erfüllt `p3`§ 5 – Vergütung (A6 teilweise nicht erfüllt)GPT-6 astra · gestrichen 2. alles erfüllt `p3`A6 beziehungsweise § 5 wird unter „Weicht ab“ als Abweichung eingestuft, statt Zusatzkosten lediglich als Hinweis zu behandeln.GPT-6 astra · gestrichen

Rechnen, leichtSumme und Anteil aus einer Tabelle · gelöst von 9 von 12

Summe und Anteil aus zwölf Monatswerten.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt den Jahresumsatz von 2.135.700 Euro.Zählprogramm
p2Die Antwort auf Nachricht 1 nennt den Anteil des vierten Quartals mit 29,9 Prozent.Zählprogramm
p3Die Antwort auf Nachricht 2 nennt August und 33.075 Euro.Zählprogramm
p4Die Antwort nennt keine Gründe für den Verlauf als Tatsache (etwa Sommerloch oder Heizsaison), höchstens als markierte Vermutung.Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p3`Muster nicht gefundenZählprogramm 2. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p3`Muster nicht gefundenZählprogramm
Claude Haiku 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemini 3.8 Flash	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p4`Das ist ein deutlicher Heizsaison-Effekt, denn Q3 liegt mit 466.000 € am niedrigsten.GPT-6 astra `p5`Das ist ein deutlicher Heizsaison-Effekt, denn Q3 liegt mit 466.000 € am niedrigsten.GPT-6 astra 2. alles erfüllt 3. Nacharbeit nötig `p4`Das ist typisch für Wartung mit Heizungsfokus: Der Sommer ist schwach, der Herbst zieht an.GPT-6 astra `p5`Das ist typisch für Wartung mit Heizungsfokus: Der Sommer ist schwach, der Herbst zieht an.GPT-6 astra
Gemma 4	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p4`ab Juli der Sommerdip mit Tiefpunkt im AugustGemini 3.1 Pro `p5`ab Juli der Sommerdip mit Tiefpunkt im AugustGemini 3.1 Pro 2. alles erfüllt 3. alles erfüllt
GLM 5.2	passt nichtNacharbeit nötig	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p4`typisch für die Sommerferienzeit im Gebäudetechnik-Wartungsgeschäft.GPT-6 astra `p5`typisch für die Sommerferienzeit im Gebäudetechnik-Wartungsgeschäft.GPT-6 astra 3. Nacharbeit nötig `p4`Der Verlauf zeigt das typische Saisontief im Sommer und den Anstieg zum JahresendeGPT-6 astra `p5`Der Verlauf zeigt das typische Saisontief im Sommer und den Anstieg zum JahresendeGPT-6 astra

Rechnen, mittelQuartalsanteile und ein Ausreißer · gelöst von 11 von 12

Anteile je Quartal und einen Ausreißer finden.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt die vier Anteile richtig: 28,3, 19,6, 19,3 und 23,2 Prozent.Zählprogramm
p2Die Antwort auf Nachricht 2 nennt den Februar.Zählprogramm
p3Der Absatz nach Nachricht 3 hat höchstens 60 Wörter.Zählprogramm
p4Der Absatz nach Nachricht 3 nennt den Februar als Ausreißer und mindestens einen der Quartalsanteile, und er behauptet keinen Grund als Tatsache.RichterGestrichen: Verlangt im Absatz einen Quartalsanteil, um den die Nachricht nicht bittet.
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht nicht	1. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen 2. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
Claude Haiku 4.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen `p5`Die Gründe für diese Spitze werden analysiert, um künftige Ressourcenplanung zu optimieren.GPT-6 astra 2. kleiner Mangel `p1`Muster nicht gefundenZählprogramm `p4`Im Dokument fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`gezählt: 80Zählprogramm `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen 2. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`Muster nicht gefundenZählprogramm `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen 2. kleiner Mangel `p1`Muster nicht gefundenZählprogramm `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
Gemini 3.8 Flash	passtalles erfüllt	reicht nicht	1. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen 2. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Der Februar liegt rund 52.500 € über dem Durchschnitt der Nachbarmonate Januar und März (42.250 €).GPT-6 astra 2. kleiner Mangel `p3`gezählt: 103Zählprogramm
Gemma 4	passtalles erfüllt	reicht nicht	1. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen 2. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`getrieben vom kalten Februar mit 96.000 €GPT-6 astra 2. alles erfüllt `p4`Im Absatz fehlt ein Quartalsanteil.GPT-6 astra · gestrichen
Claude Opus 5.5	passtalles erfüllt	reicht nicht	1. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil; 22,8 Prozent ist der Jahresanteil.GPT-6 astra · gestrichen 2. alles erfüllt `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil; 22,8 Prozent ist der Jahresanteil.GPT-6 astra · gestrichen
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p3`gezählt: 63Zählprogramm `p5`Der Störungsdienst wies 2025 ein Gesamtgeschäftsvolumen von 1.140.000 Euro ausGPT-6 astra 3. Nacharbeit nötig `p3`gezählt: 63Zählprogramm `p5`84.500 € von 382.500 €GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Im Absatz nach Nachricht 3 fehlt ein Quartalsanteil.GPT-6 astra · gestrichen `p5`im Sommer tiefer (Heizungs- und Gebäudetechnik ruht)GPT-6 astra 2. kleiner Mangel `p4`Im Absatz fehlt einer der tatsächlichen Quartalsanteile; „knapp 19 %“ bezeichnet nur ein hypothetisches Ergebnis.GPT-6 astra · gestrichen `p5`die kälteren Jahreszeiten bringen mehr Störungsfälle, während im Sommer die planmäßige Wartung dominiert.GPT-6 astra

Rechnen, schwerZwei Tabellen mit verschiedener Abgrenzung · gelöst von 11 von 12

Zwei Listen zusammenführen, eine netto, eine brutto. In einer fehlt ein Monat.

Prüfpunkte

p1Die Antwort auf Nachricht 1 rechnet die Liste des Vertriebs richtig auf netto um (geteilt durch 1,19) und zeigt für September eine Abweichung von 1.200 Euro. Für die übrigen zehn vergleichbaren Monate zeigt sie keine Abweichung.Zählprogramm und Richter
p2Die Antwort auf Nachricht 2 sagt, dass der Juni in der Liste des Vertriebs fehlt und deshalb nicht verglichen werden kann. Sie nennt 1.200 Euro als Abweichung der elf vergleichbaren Monate und rechnet den Juni nicht als Abweichung ein.Zählprogramm und RichterGestrichen: Verlangt einen Hinweis in genau einer Antwort, obwohl er eine Nachricht vorher schon stand. Die Falle (fehlender Monat) wird deshalb bei dieser Aufgabe nicht gewertet.
p3Die Frage nach Nachricht 3 hat höchstens 50 Wörter.Zählprogramm
p4Die Frage nach Nachricht 3 nennt beide offenen Punkte: den fehlenden Juni und die 1.200 Euro mehr im September.Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt `p2`Die Antwort nennt 1.200 Euro nur als Septemberabweichung, nicht als Gesamtabweichung der elf vergleichbaren Monate.GPT-6 astra · gestrichen 3. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Das entspricht ca. 5.450,00 € netto, also ca. 950 € höher als in der Buchhaltung.GPT-6 astra `p2`Abweichung: 1.090,00 € zu Gunsten der BuchhaltungGPT-6 astra · gestrichen `p5`Die Buchhaltung meldet 56.520,00 € Jahresumsatz netto, der Vertrieb (auf netto umgerechnet) 55.430,00 €.GPT-6 astra 2. alles erfüllt `p2`Netto ergibt das −6.020 + 1.200 = −4.820,00 € Differenz aus diesen beiden MonatenGPT-6 astra · gestrichen 3. Nacharbeit nötig `p1`Vertrieb meldet 200 € mehr netto (5.450 € statt 4.250 €)GPT-6 astra `p2`Die Gesamtabweichung im Jahr 2025 beträgt 6.020,00 € (10,9%).GPT-6 astra · gestrichen `p4`Die Frage nennt die 1.200 Euro mehr im September nicht.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	offen	1. alles erfüllt 2. alles erfüllt `p2`Die Zahl ist eine Saldierung: Der Juni-Betrag (+6.020 €) wird mit dem Septemberwert (−1.200 €) verrechnet.GPT-6 astra · gestrichen
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Abweichung über das Jahr: + 4 820 €GPT-6 astra · gestrichen `p4`Die Frage nennt nicht die 1.200 Euro Mehrbetrag im September.GPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p2`Im Juni fehlt in der Vertriebs‑Liste ein Wert; dort ist die Buchhaltung 6 020 € höher, was die Gesamtabweichung maßgeblich ausmacht.GPT-6 astra · gestrichen `p4`Es fehlt die Angabe, dass der Vertrieb im September 1.200 Euro netto mehr ausweist.GPT-6 astra
Gemini 3.8 Flash	passtalles erfüllt	reicht nicht	1. alles erfüllt `p2`Die Gesamtabweichung im Jahr 2025 beträgt 4.820,00 € nettoGPT-6 astra · gestrichen 2. alles erfüllt `p2`−6.020,00 € netto: Fehlender Juni-Umsatz in der VertriebslisteGPT-6 astra · gestrichen
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. alles erfüllt `p2`Über das ganze Jahr 2025 weichen die Listen netto um 4.820,00 € voneinander ab.GPT-6 astra · gestrichen 2. kleiner Mangel `p2`Im ganzen Jahr liegt die Buchhaltung 4.820,00 € netto über dem Vertrieb:GPT-6 astra · gestrichen `p5`4.250,00 €, also nur die MonatspauschaleGPT-6 astra 3. alles erfüllt `p2`Es gilt also −6.020,00 € + 1.200,00 € = −4.820,00 €.GPT-6 astra · gestrichen
Gemma 4	passtalles erfüllt	reicht nicht	1. alles erfüllt `p2`Die Gesamtabweichung im Jahr beträgt 4.820,00 €.GPT-6 astra · gestrichen 2. alles erfüllt `p2`Die Gesamtabweichung für das Jahr beträgt 4.820,00 €.GPT-6 astra · gestrichen
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. alles erfüllt `p2`Diese Differenz setzt sich vollständig aus den zwei Fundstellen zusammen: Juni (6.020,00 € nur in der Buchhaltung) minus September (1.200,00 € mehr im Vertrieb).GPT-6 astra · gestrichen 2. kleiner Mangel `p2`Die Gesamtabweichung über das Jahr beträgt 4.820,00 € nettoGPT-6 astra · gestrichen `p5`Können Sie beide Rechnungen prüfen und uns die Klärung bis Ende der Woche melden?GPT-6 astra
Claude Opus 5.5	passtalles erfüllt	reicht nicht	1. alles erfüllt `p2`Im ganzen Jahr liegt der Vertrieb 4.820,00 € netto unter der Buchhaltung.GPT-6 astra · gestrichen 2. alles erfüllt `p2`Zählst du beide als Beträge zusammen, ohne Vorzeichen, sind 7.220,00 € netto zu klären.GPT-6 astra · gestrichen
GPT-6 sol	passtalles erfüllt	reicht nicht	1. alles erfüllt `p2`Es fehlt die Abweichung von 1.200 Euro über die elf vergleichbaren Monate; stattdessen wird die Listensummendifferenz von 4.820 Euro herausgestellt.GPT-6 astra · gestrichen 2. alles erfüllt `p2`Die Differenz setzt sich aus dem fehlenden Juni-Eintrag im Vertrieb (−6.020,00 €) und dem höheren Vertriebswert im September (+1.200,00 €) zusammen.GPT-6 astra · gestrichen
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Die gesamte Abweichung beträgt 4.820,00 € zugunsten der BuchhaltungGPT-6 astra · gestrichen `p3`gezählt: 57Zählprogramm 2. alles erfüllt `p2`Juni (6.020,00 € nur in Buchhaltung) minus September (1.200,00 € nur im Vertrieb) = 4.820,00 €.GPT-6 astra · gestrichen 3. alles erfüllt `p2`Und die 4.820,00 € sind kein eigener Restbetrag — sie sind exakt die Nettosumme der zwei Einzelabweichungen:GPT-6 astra · gestrichen
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Sie entsteht vollständig aus den zwei Monaten: 6.020,00 € fehlender Juni minus 1.200,00 € September-Überhang des Vertriebs.GPT-6 astra · gestrichen `p4`Die Frage nennt die beiden Septemberwerte, aber nicht ausdrücklich die Abweichung von 1.200 Euro mehr im Vertrieb.GPT-6 astra 2. alles erfüllt `p2`Juni: Buchhaltung verbucht 6.020,00 €, Vertrieb fehlt → +6.020,00 € zugunsten BuchhaltungGPT-6 astra · gestrichen

Planen, leichtAgenda für 60 Minuten aus Stichpunkten · gelöst von 12 von 12

Eine Agenda für 60 Minuten aus Stichpunkten.

Prüfpunkte

p1In beiden Fassungen ergeben die Dauern zusammen genau 60 Minuten, und die Agenda endet um 10:00 Uhr.Richter
p2Beide Fassungen enthalten alle fünf Themen und am Ende 5 Minuten „Wer macht was bis wann“. Die Zahlen zur Rufbereitschaft haben mindestens 15 Minuten.Richter
p3In der Fassung nach Nachricht 2 beginnt der Punkt Tablets um 9:20 Uhr oder später.Richter
p4Die Agenda enthält keinen Punkt, der nicht in den Stichpunkten steht. Begrüßung und Abschluss ohne eigenes Thema sind erlaubt.Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Haiku 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p1`09:05 – 09:15 \| Rufbereitschaft September – Zahlen & Auswertung (mind. 15 Min)GPT-6 astra `p2`Rufbereitschaft September – Zahlen (10 min)GPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p2`09:05 – 09:15 \| Rufbereitschaft September – Auswertung (mind. 15 min) \| 10 minGPT-6 astra
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GLM 5.2	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p4`Begrüßung & Kurzes Abstellen der HandysGPT-6 astra 2. alles erfüllt 3. alles erfüllt

Planen, mittelWorkshop über einen halben Tag mit Uhrzeiten · gelöst von 11 von 12

Einen Workshop von 9 bis 13 Uhr mit festen Vorgaben planen.

Prüfpunkte

p1Der Plan nach Nachricht 1 läuft lückenlos von 9:00 bis 13:00 Uhr: Jeder Block beginnt, wo der vorige endet, nichts überschneidet sich.Richter
p2Der Plan nach Nachricht 1 hält die Vorgaben: Einführung höchstens 30 Minuten, Praxis zusammen mindestens 90 Minuten, eine Pause von 20 Minuten, Abschluss mit 20 Minuten für Vereinbarungen.Richter
p3Der Plan nach Nachricht 2 beginnt um 9:30 Uhr, endet um 13:00 Uhr, ist lückenlos und hält weiter alle Vorgaben.Richter
p4Die Liste nach Nachricht 3 hat höchstens acht Punkte.Zählprogramm
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Nur Phase 3 sichert 60 Minuten an eigenen Beispielen. Weitere 30 Minuten fehlen; nach dem Abschluss folgen 50 Minuten Reserve.GPT-6 astra `p3`Weiterhin nur 60 Minuten ausdrücklich an eigenen Beispielen; nach dem Abschluss folgen 30 Minuten Reserve statt Vereinbarungen in den letzten 20 Minuten.GPT-6 astra 2. Nacharbeit nötig `p2`Die Pause 10:00–10:20 liegt nicht ungefähr mittig. Die abschließenden 20 Minuten für Vereinbarungen fehlen; danach folgen 30 Minuten Ausklang.GPT-6 astra `p3`Die Pause 10:00–10:20 beginnt bereits 30 Minuten nach Beginn. Die letzten 20 Minuten sind Ausklang statt Vereinbarungen.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p3`Es fehlt die Vorgabe, dass jede Führungskraft zwei eigene Anwendungsfälle erarbeitet; der Plan nennt nur allgemein „Anwendungsfälle“.GPT-6 astra 3. Nacharbeit nötig `p2`Zusätzliche Pause: „Pause / Reflexion (20 min)“. Abschließende 20 Minuten für Vereinbarungen fehlen; letzter Block: „Abschluss & Ausblick (15 min)“.GPT-6 astra `p3`Abschließende 20 Minuten für Vereinbarungen fehlen; letzter Block: „Abschluss & Ausblick (10 min)“. Zwei eigene Anwendungsfälle je Führungskraft fehlen ebenfalls.GPT-6 astra
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p2`Eine auf höchstens 30 Minuten begrenzte Einführung fehlt: Begrüßung und Intro sowie Inspiration und Basics umfassen zusammen 75 Minuten.GPT-6 astra `p3`Eine auf höchstens 30 Minuten begrenzte Einführung fehlt weiterhin: Begrüßung und Intro sowie Inspiration und Basics umfassen zusammen 60 Minuten.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GLM 5.2	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt

Planen, schwerProjektplan mit Abhängigkeiten · gelöst von 11 von 12

Einen Projektplan bauen. Eine Person ist in derselben Woche zweimal ganz eingeplant.

Prüfpunkte

p1Die Tabelle nach Nachricht 1 enthält alle fünf Arbeitspakete mit Person, Kalenderwoche und den richtigen Abhängigkeiten (Übernahme nach Bereinigung, Testbetrieb nach Übernahme, Start nach Testbetrieb und Schulung).Richter
p2Die Antwort auf Nachricht 2 nennt den Konflikt: Tobias Riedel ist in KW 48 ganz im Testbetrieb eingeplant und soll in derselben Woche drei Tage schulen.Richter · Haken
p3Die Lösung nach Nachricht 3 beseitigt die doppelte Belegung, hält alle Abhängigkeiten ein und lässt den Start in KW 50.Zählprogramm und Richter
p4Die Lösung erfindet keine Person und keine Verfügbarkeit: kein zweiter Trainer, von dem das Material nichts sagt, ohne das als Annahme zu markieren.Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p5`Nadine ist in KW 46 weg, also kurz nach der Datenbereinigung und während die Datenübernahme anläuftGPT-6 astra 3. Nacharbeit nötig `p3`„Er leitet den Testbetrieb, bildet nebenbei durch Anleitung.“ Die Schulung wird zusätzlich in den vollständig ausgelasteten Testbetrieb gelegt; eine tragfähige Entlastung fehlt.GPT-6 astra `p4`„Ganztägiger Testbetrieb mit allen 4 Technikern + Tobias“ – vier ganztägig verfügbare Techniker sind nicht belegt und nicht als Annahme markiert.GPT-6 astra `p5`„Alle Fristen halten, weil nichts verschoben wird.“ Diese Terminzusage ist durch die unverändert volle Auslastung von Tobias nicht gedeckt.GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p4`Einer der beiden Techniker aus dem Testbetrieb wird in KW 47 als zweiter Trainer und Ansprechpartner für das System eingearbeitet.GPT-6 astra 2. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Die Tabelle macht die Schulung vom Testbetrieb abhängig; laut Material braucht sie nur die Testumgebung.GPT-6 astra `p3`Die Schulung wird nach KW 49 verschoben, obwohl Tobias auch dort vollständig für den Testbetrieb eingeplant ist.GPT-6 astra `p4`Markus Weber (Vert.)GPT-6 astra `p5`So ist garantiert, dass alle Test-Ergebnisse vor dem Go-Live vorliegen.GPT-6 astra 2. Nacharbeit nötig `p3`Die Schulung wird nach KW 49 verschoben, obwohl Tobias auch dort vollständig für den Testbetrieb eingeplant ist.GPT-6 astra `p4`Nadine Scholz (Urlaub KW 46) → Martina Weber (Vertretung)GPT-6 astra `p5`Damit bleiben alle Meilensteine erhalten und der geplante Live‑Start in Kalenderwoche 50 kann ohne weitere Verschiebungen realisiert werden.GPT-6 astra
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Bei der Schulung und im Testbetrieb arbeitet ein Techniker oder Key-User mit. Fällt Tobias aus, kann diese Person weitermachen.GPT-6 astra 2. kleiner Mangel `p4`Carla Meinhardt, plus eine Hilfskraft für RoutinefälleGPT-6 astra
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p5`Der einzige Grund, warum sie ursprünglich in KW 48 lag, war die Verfügbarkeit der UmgebungGPT-6 astra 3. kleiner Mangel `p3`„KW 47–48 \| Datenübernahme“ widerspricht dem Testbeginn in KW 48 und der späteren Aussage, die Übernahme sei in KW 47 erledigt.GPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p4`Einer der beiden Testtechniker schult in KW 47 mit.GPT-6 astra `p5`Die Übernahme startet dann am Montag der KW 47 ohne Wartezeit.GPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p4`Tobias ist in KW 45 und 46 freiGPT-6 astra
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`„Ganz eingeplant" für Tobias in beiden Wochen bleibt wahr — nur wird sein Aufwand anders belegt (Schulung zählt zum Testbetrieb, nicht nebenher).GPT-6 astra 2. kleiner Mangel `p5`Testbetrieb endet am letzten Tag von KW 49, am Tag danach ist Start.GPT-6 astra
GLM 5.2	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt

Ideen finden, leichtZehn Namen für einen internen Newsletter · gelöst von 12 von 12

Zehn Namen für einen Newsletter, je höchstens zwei Wörter.

Prüfpunkte

p1Die Antwort auf Nachricht 1 enthält genau zehn Namen.Zählprogramm
p2Jeder der zehn Namen hat höchstens zwei Wörter.Zählprogramm
p3Kein Name kommt doppelt vor, auch nicht in anderer Schreibweise.Richter
p4Die Antwort auf Nachricht 2 nennt genau drei Namen aus der Liste und begründet jeden in einem Satz.Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p2`Halvering Aktuell,Technikpost,Anlagenfunk,Unterwegs,Wärme & Wind,Halvering Kompakt,Der Monatslauf,Technik im Blick,Teamtakt,KurzschlussZählprogramm 2. alles erfüllt 3. alles erfüllt
Claude Haiku 4.5	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p1`gezählt: 13Zählprogramm `p4`Die geforderte Begründung in je einem Satz fehlt; jeder Name wird stattdessen in zwei Sätzen begründet.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p2`Vorlauf,Rücklauf,Auf dem Weg,Im Takt,Halvering aktuell,Wärmetausch,Druckausgleich,Frischluft,Kesselpost,Die LeitungZählprogramm 2. alles erfüllt
gpt-oss-120b	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p4`Jeder der drei Namen wird in zwei Sätzen statt in einem Satz begründet.GPT-6 astra 3. kleiner Mangel `p4`Zweiter Begründungssatz zu „Vorlauf“: „Das passt zu einem Newsletter, der jeden Monat sagt, was kommt.“GPT-6 astra
Gemma 4	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Auf Achse — die Techniker sind unterwegs, genau da liest man den Newsletter,Kurz & Knapp — macht das Versprechen des Formats zum Titel,Der Kurzschluss — Wortspiel aus „kurz" und Technik,Im Umlauf — wie die Anlagen, die ihr wartet,Wärme & Luft — die beiden Kernthemen der Firma,85 Grad — 85 Mitarbeitende, und warm kommt es überall an,Halvering Aktuell — klar, nüchtern, markenverbunden,Der Wartungsticker — klingt nach regelmäßigem Update vom Fach,Der Rundlauf — die Runde durchs ganze Team, alle Büros und Baustellen,Frischluft — dasselbe Prinzip wie die LüftungZählprogramm 2. kleiner Mangel `p2`Rohrpost — der Klassiker,Team-Dampf — Dampf passt zur Heizung, „Dampf machen" klingt nach Schub und Teamgeist.,Rundlauf — der Umlauf im Heizkreis, und der Newsletter läuft eben auch durch die Runde.,Unter Druck — der fachliche Kern,Heiz-Draht — „heißer Draht",Luftzug — kurz, frisch, passt zu Lüftung; ein knapper Zug durchs Smartphone.,Schrauber-Post — spricht die Techniker direkt an, ohne technisches Kauderwelsch.,Frischluft — Lüftungsbezug und der Anspruch,Betriebstemperatur — „alles auf Betriebstemperatur",Der Durchblick — verspricht genau das, was ein kurzer Newsletter liefern sollZählprogramm
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p1`gezählt: 13Zählprogramm `p2`Montagsrunde,Werkbank,Feldpost,Runde,Wartestube,Schicht,Keller & Kuppel,Anlage,Kurzschalt,Vorbeischalt,Feldpost — passt perfekt zu Technikern, die den Tag draußen sind; klingt nach „Post aus dem Feld, kurz und aktuell".,Werkbank — handfest, sofort verständlich, kein Marketinggeruch.,Vorbeischalt — spielt auf „Vorbeischalten" und „Einschalten" an, passt zu Gebäudetechnik.Zählprogramm 3. kleiner Mangel `p2`Warmlaufzeit,Heizkreise — der Kreis um den Kessel, und der Kreis der Belegschaft,Lufthaus,Kesselhaus,Rundlauf,Warmwasser,Raumluft,Taktung,Heizungsluft,Fristen — Wartungsfristen, und das Wort für „in der Zeit bleiben“Zählprogramm
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`Unterwegs — genau da, wo die Kolleginnen und Kollegen sind,Halvering Update — klassisch, nah am Unternehmen,Luftwechsel — doppeldeutig,Vorort — wo die Techniker den Tag verbringen,Volllast — technisch, voll im Einsatz,Wartungszeichen — Anspielung auf Verkehrszeichen, kommt aus dem Berufsalltag,Anlagenfunk — intern, technisch, für unterwegs,Heizwert — Fachbegriff aus der Heiztechnik, auch im Sinn von „was drin ist",Rundgang — monatlich, Schritt für Schritt durchs Unternehmen,Servicekanal — klarer interner DrahtZählprogramm 2. alles erfüllt 3. kleiner Mangel `p2`Rohrpost — doppeldeutig,Halvering Direkt — klar, firmenbezogen, signalisiert,Unterwegs — holt die Kolleginnen und Kollegen dort ab, wo sie sind,Warmwind — Heizung und Lüftung in einem Wort,Ventil — kurz, technisch, und es „lässt Druck raus" — passt zu lockerer Monatsinfo,Anlagenfunke — ein kurzes Signal aus dem, was ihr täglich macht,Feldnotiz — wie ein kurzer Zettel für die, die draußen sind,Technikblitz — verspricht,Halvering Kurier — klassisch, klassenlos, bringt was vorbei,Hauskurier — Gebäudetechnik als Haus, Postbote fürs TeamZählprogramm

Ideen finden, mittelFünf Anwendungsfälle für eine Abteilung · gelöst von 11 von 12

Fünf Einsatzfälle für KI in einer Abteilung, passend zu ihren Engpässen.

Prüfpunkte

p1Die Antwort auf Nachricht 1 enthält genau fünf Anwendungsfälle, und jeder nennt einen der vier Punkte aus dem Material.Richter
p2Jeder Fall sagt, was die KI tut und was der Mensch weiter selbst macht.Richter
p3Kein Fall verletzt die Vorgabe zu den Kundendaten, oder die Antwort weist bei dem Fall auf die Vorgabe hin.Richter
p4Die Antwort auf Nachricht 2 hat höchstens 60 Wörter und nennt genau einen der fünf Fälle mit Begründung.Zählprogramm und Richter
p5Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Bei Fall 4 (Tourenoptimierung) und Fall 5 (proaktive Verkaufsansprache) fehlt trotz Telefon-Etikett der Bezug zu den beschriebenen Engpässen.GPT-6 astra `p5`Anfrage → Angebots-Entwurf in 10 MinutenGPT-6 astra 2. Nacharbeit nötig `p1`Problem: Vergessene TermineGemini 3.1 Pro `p5`Angebote gehen am selben Tag rausGPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p5`Bestätigt jede Anfrage noch am selben Tag mit einer realistischen Zeitzusage.GPT-6 astra 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`50 % der Anrufe reduziertGPT-6 astra 2. kleiner Mangel `p1`Fall 5 nennt keinen der vier Punkte konkret, sondern einen anderen Schwerpunkt: „Qualitäts‑ & Wissens‑Support für Techniker im Außendienst“.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Die drei Kolleginnen sparen ab Tag eins bei fast jedem Anruf zehn Minuten SuchzeitGPT-6 astra 2. kleiner Mangel `p5`Die KI liefert die Antwort in zwei Sekunden samt Verweis auf die exakte Seite im Originalbericht.GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Fast die Hälfte der Anrufe fällt zwischen 7:30 und 10 Uhr weg.GPT-6 astra 2. kleiner Mangel `p5`zehn Minuten Suchen werden zu SekundenGPT-6 astra
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Die zehn Minuten Suche fallen sofort weg.GPT-6 astra 2. alles erfüllt 3. Nacharbeit nötig `p4`Die Antwort auf Nachricht 2 überschreitet die Höchstgrenze von 60 Wörtern.GPT-6 astra `p5`Der Nutzen ist sofort messbar: aus zehn Minuten Suche werden Sekunden.GPT-6 astra
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Die Wirkung ist sofort sichtbar (keine verlorene Angabe, keine Doppelarbeit)GPT-6 astra 2. kleiner Mangel `p5`Die zwei Wochen Wartezeit fallen weg, weil das Angebot am Tag der Anfrage fertig ist.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Aus zwei Wochen Wartezeit werden ein bis zwei Tage.GPT-6 astra 2. kleiner Mangel `p5`Techniker ist vor Ort, voraussichtlich 14 Uhr fertigGPT-6 astra

Ideen finden, schwerDrei Kampagnenansätze unter harten Vorgaben · gelöst von 10 von 12

Drei Kampagnenideen mit Budget und Verboten. Dann verlangt der Auftrag eine verbotene Aussage.

Prüfpunkte

p1Die Antwort auf Nachricht 1 enthält drei Ansätze, je mit Idee, Kanal, Kosten in Euro und einem Risiko. Die Kosten ergeben zusammen höchstens 6.000 Euro.Richter
p2Die Antwort auf Nachricht 2 baut die Aussage nicht ein oder nur mit einer deutlichen Warnung: Sie verweist auf die Unterlassungserklärung und die Vertragsstrafe.Richter · Haken
p3Kein Ansatz und kein Text enthält einen Preis, einen Rabatt, einen Vergleich mit Wettbewerbern oder eine Reaktionszeit.Richter
p4Der Text nach Nachricht 3 hat höchstens 40 Wörter.Zählprogramm
p5Alle drei Ansätze richten sich an Hausverwaltungen in Nordhessen.Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Die drei Ansätze kosten zusammen 7.300 Euro. Die Empfehlung, nur zwei umzusetzen, erfüllt die Budgetvorgabe für alle drei nicht.GPT-6 astra `p5`Ein monatlicher Newsletter an VDIV-Mitglieder in HessenGPT-6 astra `p6`Teilnahme am Verwalterforum Nordhessen des VDIV Hessen (23.10.2026, Kongress Palais Kassel).GPT-6 astra 2. Nacharbeit nötig `p4`gezählt: 955Zählprogramm `p5`Zielmärkte: Kassel, umland (Wetzlar, Marburg, Bad Wildungen)GPT-6 astra `p6`Kunden bleiben bei uns, weil es funktioniert.GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	offen	1. alles erfüllt 2. kleiner Mangel `p4`gezählt: 41Zählprogramm
gpt-oss-120b	passt nichtFalle übersehen	reicht nicht	1. Falle übersehen `p2`Der Verweis auf die Unterlassungserklärung und die deutliche Warnung vor der durch erneute Verwendung ausgelösten Vertragsstrafe fehlen.GPT-6 astra `p5`in 2‑3 mittelgroßen Städten (Kassel, Göttingen, Marburg)GPT-6 astra `p6`da dies bereits zu einer Vertragsstrafe geführt hat.GPT-6 astra 2. Nacharbeit nötig `p3`die überdurchschnittliche Kundenzufriedenheit (Note 1,9)GPT-6 astra `p5`Ansatz 1 richtet sich nicht gezielt an Hausverwaltungen in Nordhessen; bei Ansatz 3 fehlt ebenfalls die ausdrückliche Zielgruppe Hausverwaltungen.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Keine Mieterbeschwerden wegen verpasster TermineGPT-6 astra 2. kleiner Mangel `p6`eine sofort fällige Vertragsstrafe (in der Regel 2.500 bis über 5.000 Euro pro Verstoß)GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`Alle drei zusammen würden 12.100 € kosten und das Budget sprengen.GPT-6 astra 2. kleiner Mangel `p1`Alle drei zusammen überschreiten das Budget um 2.600 €.GPT-6 astra
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`Eingeladen wird zu einem 20-minütigen Kennenlernen, optional mit Vorab-Technik-Einschätzung ohne Kosten.GPT-6 astra 2. alles erfüllt 3. Nacharbeit nötig `p4`gezählt: 43Zählprogramm `p6`Termine, die wir zusagen, halten wir ein.GPT-6 astra
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p5`Sponsoring-Präsenz auf der IMMO Hessen in Bad Homburg (November)GPT-6 astra `p6`312 Verträge laufen bei uns, weil wir seit 1987 im selben Gebiet arbeitenGPT-6 astra 3. kleiner Mangel `p4`gezählt: 55Zählprogramm
GLM 5.2	passtkleiner Mangel	offen	1. alles erfüllt 2. kleiner Mangel `p6`Wir halten unsere TermineGPT-6 astra

Entscheiden, leichtFür und Wider zu zwei Angeboten · gelöst von 11 von 12

Zwei Leasingangebote mit Für und Wider vergleichen.

Prüfpunkte

p1Die Antwort auf Nachricht 2 nennt für Angebot A 411,50 Euro und für Angebot B 425,67 Euro im Monat.Zählprogramm
p2Die Antwort auf Nachricht 1 nennt, dass die freien Kilometer bei A unter dem Bedarf liegen, dass bei B die Wartung fehlt und eine Anzahlung anfällt, und die verschiedenen Laufzeiten.Richter
p3Die Gegenüberstellung nennt für jedes Angebot mindestens zwei Punkte dafür und zwei dagegen.Richter
p4Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p3`Für A fehlt ein zweiter eigenständiger Nachteil; genannt werden nur die Mehrkilometerkosten und deren Anstieg bei höherer Fahrleistung.GPT-6 astra 3. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p4`Angebot A: 411,00 € pro MonatGPT-6 astra 2. kleiner Mangel `p4`(+ 1.500 € Anzahlung im ersten Monat)GPT-6 astra 3. Nacharbeit nötig `p1`Muster nicht gefundenZählprogramm `p4`„Bremsbeläge, Reifen, Inspektion etc. sind abgegolten“ – dieser konkrete Leistungsumfang ist nicht zugesagt.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p4`volle Planungssicherheit, keine Nachzahlungen für Reifen, Bremsen o. Ä.GPT-6 astra 3. kleiner Mangel `p4`„Wartung und Verschleiß komplett enthalten → Planungssicherheit, kein Zeitaufwand“ – ein vollständig entfallender Zeitaufwand ist nicht zugesagt.GPT-6 astra
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`die Verlängerung wird zum damaligen Zinsniveau verhandeltGPT-6 astra 2. alles erfüllt 3. kleiner Mangel `p4`Wartung und Verschleiß (Reifen, Bremsen, Öl, Zahnriemen) inklusive.GPT-6 astra
GLM 5.2	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt

Entscheiden, mittelEntscheidungsvorlage mit Empfehlung · gelöst von 10 von 12

Eine Entscheidungsvorlage mit Empfehlung, höchstens 350 Wörter.

Prüfpunkte

p1Die Vorlage nach Nachricht 1 hat höchstens 350 Wörter.Zählprogramm
p2Die Antwort auf Nachricht 2 nennt 1.138 Euro und zeigt die Rechnung.Zählprogramm
p3Die Vorlage enthält die Ausgangslage, beide Optionen mit Kosten und beide Vorgaben, und sie empfiehlt Option A, weil nur sie die Störungen am selben Abend in die Einsatzplanung bringt.Richter
p4Die Fassung nach Nachricht 3 hat höchstens 60 Wörter.Zählprogramm
p5Die Fassung nach Nachricht 3 enthält die Empfehlung und die Kosten beider Optionen.Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p4`gezählt: 65Zählprogramm 3. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p5`„Beide Optionen kosten ca. 1.150 €/Monat“; „Gleichpreis“ – die unterschiedlichen Kosten von A und B werden nicht korrekt wiedergegeben.GPT-6 astra `p6`„1.150 € (150 € + 260 × 4 min × 0,95 €)“ – dieser Betrag für Option B ist falsch.GPT-6 astra 2. Nacharbeit nötig `p3`Empfehlung: Option BGPT-6 astra `p4`gezählt: 75Zählprogramm `p6`SofortverfügbarGPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Empfehlung und Kosten von Option A fehlen in der Fassung nach Nachricht 3.GPT-6 astra 2. kleiner Mangel `p6`In der Kundenumfrage vom September 2023 war die zu frühe Schließzeit der häufigste Kritikpunkt.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Nächster Schritt: Ausschreibung und Besetzung der Teilzeitstelle über die Personalabteilung mit Zielstart zum nächsten Monatsersten.GPT-6 astra 2. kleiner Mangel `p6`Maximal 1.200 € netto / Monat.GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. kleiner Mangel `p6`Im Januar bei der nächsten Kundenumfrage prüfen, ob die Kritik an der Erreichbarkeit nachlässt.GPT-6 astra 3. kleiner Mangel `p6`Dauert ein Anruf nur eine halbe Minute länger, also 4,5 Minuten, kommen bei 260 Anrufen schon 1.150 € zusammen.GPT-6 astra
Gemma 4	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p6`Datum: 23. Mai 2024GPT-6 astra 2. alles erfüllt 3. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p4`gezählt: 96Zählprogramm `p6`„Nur 158 € Differenz bleiben bis zur Budgetgrenze von 1.200 €“ – tatsächlich sind es 62 €.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p1`gezählt: 352Zählprogramm 2. alles erfüllt 3. Nacharbeit nötig `p1`gezählt: 354Zählprogramm `p6`„Mit ihr wäre das Budget überschritten.“ Für die zusätzliche Arbeitszeit ist kein Betrag angegeben; eine Budgetüberschreitung ist daher nicht belegt.GPT-6 astra
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. kleiner Mangel `p6`In der Kundenumfrage September 2025GPT-6 astra 2. Nacharbeit nötig `p4`gezählt: 96Zählprogramm `p6`In der Kundenumfrage September 2025 war die Abdeckung im späten Nachmittag der häufigste Kritikpunkt.GPT-6 astra 3. Nacharbeit nötig `p4`gezählt: 75Zählprogramm `p6`Option A zum 1. Oktober 2026 umzusetzen. Nach drei Monaten wird Anrufvolumen und Kundenzufriedenheit überprüftGemini 3.1 Pro
GLM 5.2	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt

Entscheiden, schwerDrei Optionen, eine scheidet im Kleingedruckten aus · gelöst von 11 von 12

Drei Angebote durchrechnen. Das scheinbar beste gilt laut Kleingedrucktem erst ab 30 Fahrzeugen.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt für FlexFleet Kosten von 316,80 Euro und für TankPlus Kosten von 59,40 Euro im Monat unter dem Strich.Zählprogramm
p2Die Antwort auf Nachricht 2 empfiehlt TankPlus und schließt Flotte Pro aus, weil die guten Konditionen erst ab 30 Fahrzeugen gelten.RichterGestrichen: Verlangt einen Hinweis in genau einer Antwort, obwohl er eine Nachricht vorher schon stand. Die Falle zeigt sich stattdessen an p3.
p3Die Antwort rechnet Flotte Pro für 22 Fahrzeuge richtig: 598,40 Euro Kosten im Monat unter dem Strich.Zählprogramm · Haken
p4Die Antwort auf Nachricht 3 sagt: nie. TankPlus hat die niedrigere Gebühr und den höheren Rabatt, FlexFleet ist bei keiner Menge günstiger.Richter
p5Jede Rechnung ist nachvollziehbar: Liter, Rabatt, Gebühr und Ergebnis stehen da.Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht nicht	1. alles erfüllt `p2`In Antwort 2 fehlt die Begründung, dass die günstigen Flotte-Pro-Konditionen erst ab 30 Fahrzeugen gelten.GPT-6 astra · gestrichen 2. alles erfüllt `p2`In Antwort 2 fehlt die Begründung, dass die günstigen Konditionen von Flotte Pro erst ab 30 Fahrzeugen gelten.GPT-6 astra · gestrichen
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`In Antwort 2 fehlt der Ausschluss von Flotte Pro mit der Begründung, dass die guten Konditionen erst ab 30 Fahrzeugen gelten.GPT-6 astra · gestrichen `p4`Ergebnis: Ab 600 Litern pro Fahrzeug und Monat wird FlexFleet günstiger.GPT-6 astra `p5`Für die behaupteten 33 Euro Vorteil bei 800 Litern fehlen die Berechnung von Rabatt, Gebühren und Ergebnis.GPT-6 astra 2. kleiner Mangel `p2`In Antwort 2 fehlt die Begründung, dass die guten Konditionen von Flotte Pro erst ab 30 Fahrzeugen gelten.GPT-6 astra · gestrichen `p4`FlexFleet würde erst bei 600 Litern pro Fahrzeug und Monat gleichziehenGPT-6 astra 3. Nacharbeit nötig `p2`In Antwort 2 fehlt der Ausschluss von Flotte Pro wegen der erst ab 30 Fahrzeugen geltenden günstigen Konditionen.GPT-6 astra · gestrichen `p4`FlexFleet wird erst bei 600 Litern pro Fahrzeug im Monat günstiger als TankPlusGPT-6 astra `p5`Die Beträge der Verbrauchstabelle sind aus den angegebenen Kostenformeln nicht nachvollziehbar; zudem werden Rabatte dort als Kosten addiert.GPT-6 astra `p6`„Falls nicht, kann immer noch gewechselt werden“ behauptet eine nicht belegte Wechselmöglichkeit trotz zwölfmonatiger Laufzeit.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`In Antwort 2 fehlt die Begründung, dass die günstigen Flotte-Pro-Konditionen erst ab 30 Fahrzeugen gelten.GPT-6 astra · gestrichen `p4`Ab über 600 l/Monat wird FlexFleet günstiger als TankPlus.GPT-6 astra 2. alles erfüllt `p2`In Antwort 2 fehlt der Ausschluss von Flotte Pro aufgrund der erst ab 30 Fahrzeugen geltenden günstigen Konditionen.GPT-6 astra · gestrichen 3. Falle übersehen `p1`Muster nicht gefundenZählprogramm `p3`Muster nicht gefundenZählprogramm `p4`FlexFleet wird erst dann attraktiv, wenn der monatliche Verbrauch pro Fahrzeug über 600 Liter liegt.GPT-6 astra `p6`weil die größten Tankstellenketten (Aral, Tank‑&‑Go, Total, usw.) bereits abgedeckt sind.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p2`In Antwort 2 fehlt der Ausschluss von Flotte Pro wegen der erst ab 30 Fahrzeugen geltenden günstigen Konditionen.GPT-6 astra · gestrichen `p6`in der Buchhaltung bereits ab der ersten Stunde locker wieder eingespielt.GPT-6 astra 2. kleiner Mangel `p2`In Antwort 2 fehlt der Ausschluss von Flotte Pro aufgrund der erst ab 30 Fahrzeugen geltenden günstigen Konditionen.GPT-6 astra · gestrichen `p6`Von den rund 14.000 Tankstellen in DeutschlandGemini 3.1 Pro
Claude Sonnet 5.5	passtkleiner Mangel	reicht knapp	1. alles erfüllt 2. kleiner Mangel `p4`FlexFleet wäre ab 300 Litern je Fahrzeug und Monat günstiger als TankPlus.GPT-6 astra 3. alles erfüllt
Gemma 4	passtalles erfüllt	reicht nicht	1. alles erfüllt `p2`In Antwort 2 fehlt der Ausschluss von Flotte Pro wegen der erst ab 30 Fahrzeugen geltenden günstigen Konditionen.GPT-6 astra · gestrichen 2. alles erfüllt `p2`In Antwort 2 fehlt die Begründung, dass die günstigen Konditionen von Flotte Pro erst ab 30 Fahrzeugen gelten.GPT-6 astra · gestrichen
DeepSeek V4 Flash	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p2`Antwort 2 nennt die Staffel ab 30 als Wachstumsoption, erklärt damit aber nicht ausdrücklich den Ausschluss von Flotte Pro für 22 Fahrzeuge.GPT-6 astra · gestrichen `p5`Für die Gutschrift von ungefähr 135 Euro bei 30 Fahrzeugen fehlen Literansatz und nachvollziehbare Rabattberechnung.GPT-6 astra 2. alles erfüllt 3. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`bei 180 Litern liegen die Nettopreise je Fahrzeug bei 21,60 € (FlexFleet) bzw. 12,70 € (TankPlus), 8,90 € DifferenzGPT-6 astra 2. kleiner Mangel `p5`Die Differenz ist eine Konstante: TankPlus ist immer genau 198,00 € im Monat günstigerGPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht knapp	1. kleiner Mangel `p6`fast 50 € weniger als FlexFleetGPT-6 astra 2. alles erfüllt 3. alles erfüllt

B.2 Lange Aufgaben

Vertrag, 23 SeitenRahmenvertrag mit fünf Anlagen: acht Fragen und eine Rechnung · gelöst von 11 von 12

Ein Rahmenvertrag mit fünf Anlagen, 23 Seiten. Acht Fragen, deren Antworten verstreut stehen, und eine Rechnung.

Prüfpunkte

p1Die Antwort auf Nachricht 1 beantwortet die Fragen 1 bis 4 richtig: 1) Kündigung spätestens am 30. Juni 2029 (sechs Monate vor dem 31. Dezember 2029), 2) Kleinreparaturen bis 350 Euro netto je Einzelfall, 3) 150 Euro je angefangene Stunde, höchstens 1.500 Euro je Störungsfall, 4) Nachunternehmer nur mit vorheriger Zustimmung des Auftraggebers in Textform.Zählprogramm und Richter
p2Frage 5 (steht nur in Anlage 4): Die Antwort nennt Jörg Balzer und die Nummer 0561 555 0143.Zählprogramm
p3Frage 6 (Paragraf und Anlage zusammen): Die Antwort nennt 2 Stunden als maßgebliche Reaktionszeit für Am Lindenhof 4 (Sonderregelung in Anlage 5, die nach § 1 vorgeht) und nicht die allgemeinen 4 Stunden der Klasse 1 aus Anlage 3.Zählprogramm und Richter
p4Frage 8 (im Vertrag nicht geregelt): Die Antwort sagt, dass der Vertrag keine Prämie und keine Vergütung nach Energieverbrauch regelt. Sie nennt keinen Betrag und keine Klausel als Grundlage einer Prämie.Richter
p5Frage 7 (Zählen über Anlage 1): Die Antwort nennt 17 Objekte mit halbjährlichem Wartungsintervall.Zählprogramm und Richter
p6Die Antwort auf Nachricht 2 nennt 3.893,00 Euro netto für die 8 Objekte in Fuldatal-Simmershausen (Wartungspauschale je Anlagentyp aus Anlage 2 Teil A mal Zahl der Wartungsgänge aus dem Intervall in Anlage 1).Zählprogramm
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p1`„Nur mit vorheriger schriftlicher Zustimmung des Auftraggebers“ – verlangt ist Zustimmung in Textform, nicht Schriftform.GPT-6 astra `p5`„16 Objekte“ – O-17 fehlt in der Aufzählung.GPT-6 astra `p7`„Q1–Q4 je rund 970–1.200 Euro“ – diese Quartalsbeträge sind nicht durch den Vertrag oder einen Wartungsplan belegt.GPT-6 astra 3. kleiner Mangel `p1`„Nur mit vorheriger schriftlicher Zustimmung des Auftraggebers.“ Verlangt ist vorherige Zustimmung in Textform, nicht Schriftform.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`true,true,true,falseZählprogramm `p6`falseZählprogramm 2. Nacharbeit nötig `p1`Das verlangte späteste Zugangsdatum 30. Juni 2029 fehlt; genannt wird nur die sechsmonatige Kündigungsfrist.GPT-6 astra `p5`„22 Objekte“ statt 17.GPT-6 astra `p6`falseZählprogramm
Gemini 3.8 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtkleiner Mangel	offen	1. kleiner Mangel `p5`Halbjährliche Intervalle: 16 ObjekteGPT-6 astra 2. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GLM 5.2	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt

Drei Angebote, 20 SeitenDrei Angebote gegen ein Leistungsverzeichnis · gelöst von 10 von 12

Ein Leistungsverzeichnis und drei Angebote, zusammen 20 Seiten. Acht Abweichungen sind versteckt.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt für Angebot A alle drei Abweichungen: Position 3.04 mit Menge 12 statt 14, Gewährleistung 24 statt mindestens 36 Monate, Lieferzeit 9 statt höchstens 6 Wochen.Zählprogramm und Richter
p2Die Antwort auf Nachricht 1 nennt für Angebot B alle drei Abweichungen: Position 1.01 mit Preis nur ab 12 Stück bei verlangten 8, Position 3.06 mit anderem Fabrikat (Ventaro) ohne Gleichwertigkeitsnachweis, Position 5.05 (Rücknahme der Altpumpen) fehlt.Zählprogramm und Richter
p3Die Antwort auf Nachricht 1 nennt für Angebot C beide Abweichungen: Position 1.03 mit Menge 5 statt 6, Zahlungsziel 14 statt 30 Tage.Zählprogramm und Richter
p4Die Antwort auf Nachricht 1 stellt nichts als Abweichung hin, was dem Verzeichnis entspricht. Keine Abweichung sind: unterschiedliche Preise, die Gewährleistung von 48 Monaten bei Angebot C, die Lieferzeit von 5 Wochen bei B und 6 Wochen bei C, die Lieferung in einer oder zwei Teillieferungen, jede Position außer den acht genannten. Ein Hinweis auf solche Punkte ist erlaubt, wenn er sie nicht als Abweichung zählt.Richter
p5Die Antwort auf Nachricht 2 nennt Angebot C als günstigstes nach Bereinigung mit 37.946,30 Euro netto.Zählprogramm und Richter
p6Die Antwort auf Nachricht 2 sagt, dass Angebot A trotz der niedrigsten Angebotssumme ausgeschlossen ist (Lieferzeit und Gewährleistung) und dass Angebot B nach Bereinigung mit 38.291,90 Euro teurer ist als Angebot C.Zählprogramm und Richter
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p2`Die Mindestabnahme bei Position 1.01 fehlt.GPT-6 astra `p5`Angebot B der Kranz Pumpen- und Regeltechnik KG ist nach den Bereinigungsregeln das günstigste: 37.371,90 € netto.GPT-6 astra `p6`Angebot B der Kranz Pumpen- und Regeltechnik KG ist nach den Bereinigungsregeln das günstigste: 37.371,90 € netto.GPT-6 astra 2. kleiner Mangel `p6`In Antwort 2 fehlen B mit 38.291,90 Euro sowie die Ausschlussgründe und die ursprünglich niedrigste Angebotssumme von A.GPT-6 astra 3. kleiner Mangel `p6`Antwort 2 nennt weder As niedrigste unbereinigte Angebotssumme noch Bs bereinigte Summe von 38.291,90 Euro und dessen höheren Preis.GPT-6 astra
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`Die Mengenabweichung bei C, Position 1.03: 5 statt 6 Stück, fehlt.GPT-6 astra `p4`Abweichung: Längere Gewährleistung → positive AbweichungGPT-6 astra `p5`Angebot C ist das günstigste: 37.534,70 € nettoGPT-6 astra `p6`In Antwort 2 fehlt der Ausschluss von A wegen Lieferzeit und Gewährleistung trotz niedrigster Angebotssumme.GPT-6 astra 2. Nacharbeit nötig `p4`Position 5.05 – Rücknahme Altpumpen: Nicht erwähnt, ob als Position verpreist oder enthalten (unklar)GPT-6 astra `p7`Zu Angebot A: „Zwei Teillieferungen geplant (entspricht LV)“GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. Nacharbeit nötig `p4`Ort der Einweisung (Position 5.02):GPT-6 astra `p6`In Antwort 2 fehlt der Hinweis, dass Angebot A die niedrigste unbereinigte Angebotssumme hat.GPT-6 astra 3. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Keine Abweichungen vom Leistungsverzeichnis erkennbarGPT-6 astra `p3`Die Mengenabweichung bei C, Position 1.03: 5 statt 6 Stück, fehlt.GPT-6 astra `p5`Das günstigste bereinigte Angebot ist Angebot A der Thermohandel Weserbergland GmbH.GPT-6 astra `p6`A wird statt ausgeschlossen als günstigstes Angebot gewertet; die bereinigte Summe von B fehlt.GPT-6 astra 2. Nacharbeit nötig `p1`Die Mengenabweichung bei A, Position 3.04 mit 12 statt 14 Stück, fehlt.GPT-6 astra `p2`Bei B fehlen Position 3.06 mit Ventaro ohne Gleichwertigkeitsnachweis und die fehlende Position 5.05; die verlangten 8 Stück werden nicht genannt.GPT-6 astra `p3`Die Mengenabweichung bei C, Position 1.03 mit 5 statt 6 Stück, fehlt.GPT-6 astra `p4`Bei A: „Preis‑Bedingung bei Position 1.01“. Bei C: „das ist zulässig, aber als Abweichung zu notieren“.GPT-6 astra `p5`Günstigstes, nach den LV‑Bereinigungsregeln, ist Angebot B von Kranz Pumpen‑ und Regeltechnik KG.GPT-6 astra `p6`Angebot B wird wegen der Preis‑Bedingung bei Pos. 1.01 nach § 7 c) mit dem höheren Preis von Angebot C korrigiert → 37 121,50 €.GPT-6 astra `p7`Bereinigter Betrag: 37 121,50 € nettoGPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	offen	1. alles erfüllt 2. kleiner Mangel `p4`Abweichung: Angeboten werden 48 Monate statt der geforderten 36 Monate.GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p4`Gewährleistung 48 Monate statt 36. Das ist eine Abweichung nach obenGPT-6 astra `p6`B, Kranz \| 36.819,90 € \| +824,00 € (1.01), +372,00 € (3.06), +276,00 € (5.05) \| 38.292,90 €GPT-6 astra 2. kleiner Mangel `p4`„Gewährleistung: 48 Monate statt 36. Das ist eine Abweichung nach oben.“ Außerdem wird die Verpackungsrücknahme bei B fälschlich beanstandet.GPT-6 astra 3. kleiner Mangel `p4`Gewährleistung 48 Monate statt 36. Das ist eine Abweichung nach oben und fließt nicht in die Wertung ein.GPT-6 astra
Gemma 4	passtkleiner Mangel	offen	1. kleiner Mangel `p1`Die Mengenabweichung bei A, Position 3.04: 12 statt 14 Stück, fehlt.GPT-6 astra 2. alles erfüllt
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. Nacharbeit nötig `p4`Position 5.05, Rücknahme der Altpumpen: keine Zeile in der Aufstellung.GPT-6 astra `p7`Alle drei Angebote sind fristgerecht (19., 21., 22. Oktober) und bis 30. November bindend eingegangenGPT-6 astra 2. kleiner Mangel `p7`Stand: 22. Oktober 2026. Drei Angebote, alle fristgerecht eingegangen (Frist 23.10., 12 Uhr).GPT-6 astra 3. kleiner Mangel `p6`Antwort 2 nennt weder die Ausschlussgründe Lieferzeit und Gewährleistung noch die niedrigste unbereinigte Angebotssumme von A.GPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p4`Verpackung wird nur bei der zweiten Anlieferung zurückgenommen.GPT-6 astra 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passtkleiner Mangel	offen	1. kleiner Mangel `p4`Gewährleistung 48 Monate statt 36GPT-6 astra 2. alles erfüllt
GLM 5.2	passtkleiner Mangel	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p6`Bereinigte Summe: 36.819,90 + 824,00 + 372,00 + 276,00 = 38.311,90 €GPT-6 astra `p7`Es liegt um 365,60 € unter dem bereinigten Angebot B (38.311,90 €).GPT-6 astra 3. kleiner Mangel `p6`In Antwort 2 fehlt der Ausschluss von Angebot A wegen Lieferzeit und Gewährleistung trotz niedrigster unbereinigter Angebotssumme.GPT-6 astra

Konzept, 10 NachrichtenKonzept über zehn Nachrichten überarbeiten, Korrekturen müssen halten · gelöst von 8 von 12

Ein Konzept wird über zehn Nachrichten überarbeitet. Drei Änderungen aus den ersten Nachrichten müssen bis zur Endfassung halten.

Prüfpunkte

p1Die Endfassung nach Nachricht 10 nennt die Pauschale für den Diensthabenden mit 220 Euro je Woche. Die alte Zahl 180 kommt nicht mehr vor (Korrektur aus Nachricht 2).Zählprogramm
p2Der Absatz zur Rufumleitung auf private Handys fehlt in der Endfassung nach Nachricht 10 weiterhin, auch sinngemäß (Streichung aus Nachricht 4).Zählprogramm und Richter
p3In der Endfassung nach Nachricht 10 heißt es durchgehend Zweitbereitschaft. Das Wort Springer kommt nicht mehr vor (Ersetzung aus Nachricht 4).Zählprogramm
p4Die Fassung nach Nachricht 9 und die Endfassung nach Nachricht 10 haben jeweils höchstens 450 Wörter.Zählprogramm
p5In der Endfassung nach Nachricht 10 steht der Zeitplan vor der Vergütung (Nachricht 5), und am Ende steht der Abschnitt Erfolgskontrolle mit den drei Auswertungen: Einsätze der Zweitbereitschaft, Wartezeit der Kunden bei einer zweiten Störung, Zahl der Tausche (Nachricht 7).Zählprogramm und Richter
p6Die übrigen Festlegungen des Entwurfs stehen unverändert in der Endfassung: zwölf Techniker, jeder alle zwölf Wochen, Wechsel montags um 7 Uhr, höchstens zwei Tausche je Person und Jahr, 60 Euro je Woche und 60 Minuten für die Zweitbereitschaft, Start am 1. Februar 2027. Die Antwort auf Nachricht 6 nennt „alle zwölf Wochen“ und „höchstens zwei Tausche im Jahr, mit Zustimmung der Einsatzleitung“.Zählprogramm und Richter
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`false,trueZählprogramm `p6`In Antwort 6 fehlt die notwendige Zustimmung der Einsatzleitung zu Tauschen.GPT-6 astra 2. Nacharbeit nötig `p6`In der Antwort auf Nachricht 6 fehlt die erforderliche Zustimmung der Einsatzleitung.GPT-6 astra `p7`15. Dezember 2026: Abstimmung mit Betriebsrat. 8. Januar 2027: Jahresplan 2027 hängt aus.GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`Nachricht 6: „jeder Techniker alle zwölf Wochen für eine Woche Diensthabender, also einmal im Jahr.“ Die Ergänzung widerspricht dem Zwölf-Wochen-Takt.GPT-6 astra 2. Nacharbeit nötig `p5`Abschnitt Erfolgskontrolle fehlt in der EndfassungGemini 3.1 Pro `p6`Antwort 6 widerspricht dem Zwölf-Wochen-Takt: „also einmal im Jahr bei zwölf Technikern“.GPT-6 astra 3. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p4`468,449Zählprogramm `p6`In Antwort 6 fehlt die notwendige Zustimmung der Einsatzleitung zu Tauschen.GPT-6 astra `p7`Ab sofort gibt es jede Woche eine Zweitbereitschaft.GPT-6 astra 2. Nacharbeit nötig `p1`true,falseZählprogramm `p6`In der Antwort auf Nachricht 6 fehlt die erforderliche Zustimmung der Einsatzleitung.GPT-6 astra `p7`220 Euro pro Woche (zuvor 180 Euro) plus tarifliche Zuschläge.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p7`Nach sechs Monaten werten Einsatzleitung und Betriebsrat die neue Regelung gemeinsam aus.GPT-6 astra 2. kleiner Mangel `p7`Sechs Monate nach Einführung der neuen Regelung erfolgt eine gemeinsame Auswertung mit dem Betriebsrat.GPT-6 astra
Claude Sonnet 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`In Antwort 6 fehlt die Zustimmung der Einsatzleitung; in der Endfassung fehlt bei der Tauschgrenze „je Person“.GPT-6 astra 2. kleiner Mangel `p6`In der Antwort auf Nachricht 6 fehlt die erforderliche Zustimmung der Einsatzleitung.GPT-6 astra
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`In der Endfassung fehlt bei „höchstens zwei pro Jahr“ der Bezug „je Person“.GPT-6 astra 2. kleiner Mangel `p6`bei zwölf Technikern also etwa eine Dienstwoche pro JahrGPT-6 astra
Claude Opus 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p4`463,463Zählprogramm `p7`Auf dieser Grundlage entscheiden Geschäftsführung und Betriebsrat, ob die Regelung so bleibt oder angepasst wird.GPT-6 astra 2. Nacharbeit nötig `p4`533,533Zählprogramm `p6`Jeder Techniker ist im Jahresplan genau einmal im Jahr dranGPT-6 astra `p7`Die Auswertung stellt die Einsatzleitung der Geschäftsführung und dem Betriebsrat vor.GPT-6 astra
GLM 5.2	passt nichtNacharbeit nötig	reicht nicht	1. kleiner Mangel `p7`Die Auswertung erfolgt durch die Einsatzleitung und wird der Geschäftsführung schriftlich vorgelegt.GPT-6 astra 2. Nacharbeit nötig `p6`In der Antwort auf Nachricht 6 fehlt die erforderliche Zustimmung der Einsatzleitung.GPT-6 astra `p7`Die Zahlen gehen an Geschäftsführung und Betriebsrat. Bei Wartezeiten über zwei Stunden wird nachgeschärft.GPT-6 astra 3. Nacharbeit nötig `p6`In der Antwort auf Nachricht 6 fehlt die erforderliche Zustimmung der Einsatzleitung zu Tauschen.GPT-6 astra `p7`Ergebnisse gehen an Geschäftsführung und Betriebsrat.GPT-6 astra

Projektplan, 12 NachrichtenProjektplan über zwölf Nachrichten mit einer frühen Vorgabe · gelöst von 6 von 12

Ein Projektplan entsteht über zwölf Nachrichten. In Nachricht 3 fällt beiläufig, dass ein Kollege drei Wochen im März fehlt; Nachricht 10 plant ihn genau dort ein.

Prüfpunkte

p1Die Tabelle nach Nachricht 1 enthält alle acht Arbeitspakete des Steckbriefs mit Person, Zeitraum und den richtigen Abhängigkeiten (Datenübernahme nach Datenbereinigung; Testbetrieb nach Datenübernahme und Einrichtung; Schulung der Techniker nach Testbetrieb; Start nach Testbetrieb und beiden Schulungen). Bei der Schulung der Disponenten sind Termin und Trainer als offen gekennzeichnet.Richter
p2Die Antwort auf Nachricht 10 bemerkt den Widerspruch zur Vorgabe aus Nachricht 3: Herr Aydin ist vom 8. bis 26. März nicht da, die dritte Märzwoche liegt in dieser Zeit. Die Antwort trägt den Termin nicht kommentarlos ein.Richter
p3Der Gesamtplan nach Nachricht 12 enthält die Festlegungen aus den Nachrichten 4 und 5 unverändert: Datenbereinigung bis 5. Februar, Datenübernahme 8. bis 19. Februar, Meilenstein Abnahme der Einrichtung am 25. Februar.Zählprogramm und Richter
p4Der Gesamtplan nach Nachricht 12 enthält die Budgets aus Nachricht 7 unverändert: 6.400 Euro bei der Schulung der Techniker, 3.800 Euro bei der Nachbetreuung. Bei allen anderen Paketen steht kein Betrag.Zählprogramm und Richter
p5Der Gesamtplan nach Nachricht 12 enthält die späteren Änderungen: Schulung der Disponenten am 30. und 31. März mit Herrn Aydin (nicht in der dritten Märzwoche), Altdaten archivieren vom 12. bis 16. April mit Frau Meinhardt, Herr Aydin als zweiter Verantwortlicher bei der Einrichtung.Zählprogramm und Richter
p6Die Zwischenantworten stimmen mit dem jeweiligen Stand überein. Nachricht 2: Im Februar laufen Datenübernahme und Einrichtung gleichzeitig. Nachricht 6: Vor dem Testbetrieb müssen die Datenübernahme (fertig am 19. Februar) und die Einrichtung (bis 24. Februar, Abnahme am 25. Februar) abgeschlossen sein. Nachricht 9: Die Mail nennt Donnerstag, 25. Februar, 10 Uhr.Zählprogramm und Richter
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Eingetragen: Die Schulung der Disponenten findet am 15. und 16. März 2027 statt; Herr Aydin übernimmt sie.GPT-6 astra `p7`Ich berücksichtige, dass er an diesen beiden Tagen verfügbar ist.GPT-6 astra 2. Nacharbeit nötig `p2`Seine zuvor genannte Abwesenheit vom 8. bis 26. März ist aufgehoben.GPT-6 astra `p7`Seine zuvor genannte Abwesenheit vom 8. bis 26. März ist aufgehoben.GPT-6 astra
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`\| Datenübernahme \| Nordlicht Software \| 6. Feb \| 19. Feb \| Datenbereinigung \| \|GPT-6 astra `p5`false,true,trueZählprogramm `p7`die Datenübernahme startet dann am 6. Februar und endet am 19. FebruarGPT-6 astra 2. Nacharbeit nötig `p2`Erledigt. Die Schulung der Disponenten ist jetzt auf 17.–18. März (dritte Märzwoche) mit Herr Aydin als Trainer eingetragen.GPT-6 astra `p3`Datenübernahme \| Nordlicht Software GmbH \| 6. Februar \| 19. FebruarGPT-6 astra `p6`Im Februar laufen drei Arbeitspakete gleichzeitig:GPT-6 astra `p7`Tobias Riedel und Emre Aydin werden von unserer Seite teilnehmen.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Die Schulung der Disponenten findet nun in der dritten Märzwoche (13. – 14. März 2027) und wird von Herr Aydin geleitet.GPT-6 astra `p3`Die Datenübernahme beginnt im Gesamtplan am 6. Februar statt am 8. Februar.GPT-6 astra `p5`false,true,trueZählprogramm 2. Nacharbeit nötig `p2`Der Hinweis auf Herrn Aydins Abwesenheit und den Terminkonflikt fehlt vollständig.GPT-6 astra `p3`Die Datenübernahme beginnt im Gesamtplan am 6. statt am 8. Februar.GPT-6 astra `p5`false,true,trueZählprogramm `p6`Alle anderen Pakete starten erst im März oder später.GPT-6 astra `p7`Als Beginn der Datenübernahme wird ohne Grundlage der 6. Februar festgelegt.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	offen	1. kleiner Mangel `p7`der Freitag, 26. Februar, der frühestmögliche Tag, an dem die Einrichtung als offiziell freigegeben gilt.GPT-6 astra 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Gemma 4	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`Datenübernahme: „06.02.2027 \| 20.02.2027“; beim Abnahmemeilenstein fehlen 10 Uhr und der Ort.GPT-6 astra `p6`Datenübernahme: fertig bis zum 20.02.2027GPT-6 astra 2. Nacharbeit nötig `p3`Datenübernahme \| Nordlicht Software GmbH \| 06.02.2027 \| 19.02.2027GPT-6 astra `p7`Schulung der Disponenten \| Emre Aydin \| 27.03.2027 \| 28.03.2027GPT-6 astra
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p7`Die Disponentenschulung ist jetzt fest im Plan: 04.–05.03., Leitung Emre AydinGPT-6 astra 2. kleiner Mangel `p7`Schulung Disponenten \| Emre Aydin, 2 Tage \| 02.03. \| 03.03.GPT-6 astra
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p7`Ich habe die Schulung auf Mittwoch, 3., und Donnerstag, 4. März, gelegt. Herr Aydin hält sie.GPT-6 astra 2. Nacharbeit nötig `p2`Der Konflikthinweis zur dritten Märzwoche fehlt; stattdessen wird eigenmächtig der 7. und 8. April eingetragen.GPT-6 astra `p7`Die Schulung der Disponenten steht jetzt am 7. und 8. April 2027 im Plan, mit Herrn Aydin als Trainer.GPT-6 astra 3. kleiner Mangel `p7`„Von unserer Seite nehmen Herr Riedel und Herr Aydin teil“; „Schulung der Disponenten festgelegt: Di 02.03. und Mi 03.03.2027, Herr Aydin schult.“GPT-6 astra
GPT-6 sol	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`Der Widerspruch zwischen dritter Märzwoche und Abwesenheit wird nicht benannt; stattdessen wird eigenmächtig der 29./30. März eingetragen.GPT-6 astra `p7`Die Schulung der Disponenten ist jetzt für den 29. und 30. März 2027 mit Herrn Aydin eingeplantGPT-6 astra 2. Nacharbeit nötig `p2`Der Widerspruch zur dritten Märzwoche wird nicht erläutert; stattdessen wird eigenmächtig auf den 29. und 30. März verschoben.GPT-6 astra `p7`Der Plan ist angepasst: Herr Aydin schult die Disponenten am 29. und 30. März 2027.GPT-6 astra
Qwen 3.8	passtkleiner Mangel	offen	1. kleiner Mangel `p7`Wir bitten um kurze Gegenbestätigung der Teilnahme und geben Ihnen die Ansage an unser Team weiter.GPT-6 astra 2. alles erfüllt
GLM 5.2	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p5`false,true,trueZählprogramm `p7`Für die Abnahme werden Herr Riedel, Herr Aydin und ich anwesend seinGPT-6 astra 2. alles erfüllt 3. Nacharbeit nötig `p5`false,true,trueZählprogramm `p7`„Herr Riedel und Herr Aydin werden von unserer Seite teilnehmen“; „Eingetragen: Disponenten-Schulung am 1.–2. April, geleitet von Herrn Aydin.“GPT-6 astra

B.3 Zahlen

Kalkulation, 40 PositionenEin Angebot mit 40 Positionen rechnerisch prüfen · gelöst von 10 von 12

Ein Angebot mit 40 Positionen rechnerisch prüfen: falsche Positionen, falsche Mehrwertsteuer, richtiger Betrag.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt Pos. 10, Pos. 27, Pos. 30 als falsch gerechnet. Richtig sind die Gesamtpreise 770,40 Euro (Pos. 10), 2.055,00 Euro (Pos. 27), 350,40 Euro (Pos. 30).Zählprogramm und Richter
p2Die Antwort auf Nachricht 1 nennt keine weitere der 40 Positionen als falsch gerechnet. Sie behauptet auch nicht, die Zwischensumme sei falsch addiert: Sie ist die Summe der abgedruckten Gesamtpreise. Dass die Zwischensumme nach der Korrektur der drei Positionen neu gerechnet werden muss, ist richtig und kein Fehler.Richter
p3Die Antwort auf Nachricht 1 sagt, dass die Mehrwertsteuer nicht stimmt: Ausgewiesen sind 4.895,92 Euro. Das sind 7 Prozent vom Netto und nicht die angegebenen 19 Prozent. Es genügt, wenn die Antwort den Steuerbetrag als falsch bezeichnet und den richtigen Betrag oder den richtigen Satz nennt.Zählprogramm und Richter
p4Die Antwort auf Nachricht 2 nennt als richtigen Bruttobetrag 83.109,60 Euro.Zählprogramm
p5Der Rechenweg zum richtigen Bruttobetrag steht in der Antwort auf Nachricht 1 oder 2 und stimmt: korrigierte Zwischensumme 72.000,00 Euro, Nachlass 2.160,00 Euro, Netto 69.840,00 Euro, Mehrwertsteuer 19 Prozent 13.269,60 Euro.Zählprogramm und Richter
p6Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Die Fehler und richtigen Gesamtpreise der Positionen 10, 27 und 30 fehlen; das Dokument erklärt alle Positionspreise für korrekt.GPT-6 astra `p4`falseZählprogramm `p5`Korrekt: 69.941,75 + 13.288,93 = 83.230,68 €GPT-6 astra 2. Nacharbeit nötig `p1`Alle Einzelpositionen korrekt berechnet ✓GPT-6 astra `p4`falseZählprogramm `p5`Der richtige Bruttobetrag lautet 84.230,68 €.GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Die Berechnung der Einzelposten und des 3 %‑Rabattes ist korrekt.GPT-6 astra `p4`falseZählprogramm `p5`Der korrekte Bruttobetrag beträgt 83 231,68 € (Netto 69 941,75 € + 19 % MwSt 13 289,93 €).GPT-6 astra 2. Nacharbeit nötig `p1`Alle Positionen und die Zwischensumme sind rechnerisch korrekt.GPT-6 astra `p4`falseZählprogramm `p5`Der korrekte Bruttobetrag (Netto 69 941,75 € + 19 % MwSt 13 288,93 €) beträgt 83 230,68 €.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	offen	1. kleiner Mangel `p6`teilweise feste Werte statt `Menge * Einzelpreis`GPT-6 astra 2. alles erfüllt
Claude Sonnet 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemma 4	passtalles erfüllt	reicht knapp	1. Nacharbeit nötig `p2`Die Addition der im Angebot aufgeführten Gesamtpreise ergibt 71.504,90 €, nicht 72.104,90 €.GPT-6 astra `p4`falseZählprogramm `p5`Korrekte Zwischensumme: 71.723,30 €GPT-6 astra 2. alles erfüllt 3. alles erfüllt
DeepSeek V4 Flash	passtalles erfüllt	reicht knapp	1. alles erfüllt 2. alles erfüllt
Claude Opus 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
GPT-6 sol	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p5`Die Zwischenwerte Netto 69.840,00 Euro und Mehrwertsteuer 13.269,60 Euro fehlen in beiden Antworten.GPT-6 astra 2. Nacharbeit nötig `p1`Die Fehler in Pos. 27 und Pos. 30 sowie deren richtige Gesamtpreise fehlen.GPT-6 astra `p4`falseZählprogramm `p5`Zwischensumme \| 72.297,50 €GPT-6 astra 3. alles erfüllt
Qwen 3.8	passtkleiner Mangel	offen	1. kleiner Mangel `p6`Bei Modernisierung bestehender Wohngebäude kann seit 2025 ein reduzierter Satz greifenGPT-6 astra 2. alles erfüllt
GLM 5.2	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt

Abgleich, 119 RechnungenRechnungen gegen Zahlungseingänge abgleichen · gelöst von 9 von 12

119 Rechnungen gegen 115 Zahlungseingänge abgleichen: was fehlt, was doppelt ist, was nicht stimmt.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt genau diese sechs Rechnungen als offen, also ohne Zahlungseingang: RE-2026-0619, RE-2026-0634, RE-2026-0645, RE-2026-0666, RE-2026-0698, RE-2026-0699. Keine andere Rechnung wird als unbezahlt bezeichnet. Die zu niedrig bezahlte Rechnung RE-2026-0687 als „teilweise offen“ zu nennen, ist kein Fehler.Zählprogramm und Richter
p2Die Antwort auf Nachricht 1 nennt RE-2026-0646 als doppelt bezahlt (zwei Zahlungen über je 4.197,09 Euro) und keine andere Rechnung als doppelt bezahlt.Zählprogramm und Richter
p3Die Antwort auf Nachricht 1 nennt genau diese drei Rechnungen mit abweichendem Zahlbetrag: RE-2026-0622 (gezahlt 256,41 statt 236,41 Euro, Differenz 20,00 Euro zu viel), RE-2026-0681 (gezahlt 842,31 statt 859,50 Euro, Differenz 17,19 Euro zu wenig), RE-2026-0687 (gezahlt 5.156,54 statt 5.165,54 Euro, Differenz 9,00 Euro zu wenig).Zählprogramm und Richter
p4Die Antwort auf Nachricht 1 sagt zu RE-2026-0681, dass der Abzug von 17,19 Euro genau 2 Prozent des Rechnungsbetrags ist, oder nennt Skonto als mögliche Erklärung.Zählprogramm und Richter
p5Die Antwort auf Nachricht 1 meldet ungefragt die Zahlung vom 23.07.2026 über 4.140,09 Euro mit dem Verwendungszweck „Rechnung RE-2026-0791“: Zu ihr gibt es in der Liste keine Rechnung.Zählprogramm und Richter
p6Die Antwort auf Nachricht 2 nennt als Summe der sechs Rechnungen ohne Zahlungseingang 17.784,78 Euro. Ein zusätzlich und getrennt genannter Restbetrag aus RE-2026-0687 schadet nicht.Zählprogramm
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra 2. kleiner Mangel `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`Zusätzlich werden insbesondere RE-2026-0622, RE-2026-0632, RE-2026-0697 und RE-2026-0718 fälschlich als ohne Zahlung aufgeführt.GPT-6 astra `p2`Unter „Korrekte Doppelzahlung“ wird zusätzlich RE-2026-0687 aufgeführt.GPT-6 astra `p3`Die Überzahlung von 20,00 Euro bei RE-2026-0622 fehlt; diese Rechnung wird stattdessen als unbezahlt bezeichnet.GPT-6 astra `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra `p6`falseZählprogramm `p7`Die korrekte Summe offener Rechnungen ist 23.237,45 Euro, nicht 4.766,93 Euro.GPT-6 astra 2. Nacharbeit nötig `p1`RE-2026-0666 fehlt unter den unbezahlten Rechnungen; zusätzlich werden RE-2026-0622 und RE-2026-0718 dort geführt.GPT-6 astra `p2`Unter „DOPPELT GEZAHLTE RECHNUNGEN (mehrfach eingegangen)“ steht zusätzlich „RE-2026-0681 (Logistikzentrum Nordhessen GmbH, 13.08.2026)“.GPT-6 astra `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra `p6`falseZählprogramm
Claude Haiku 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Es fehlt der Hinweis, dass 17,19 Euro genau 2 Prozent entsprechen oder Skonto eine mögliche Erklärung ist.GPT-6 astra 2. kleiner Mangel `p4`Es fehlt der Hinweis, dass 17,19 Euro genau 2 Prozent des Rechnungsbetrags entsprechen oder Skonto eine mögliche Erklärung ist.GPT-6 astra
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`RE-2026-0622 und RE-2026-0632 werden fälschlich als ohne Zahlung aufgeführt; RE-2026-0698 und RE-2026-0699 fehlen.GPT-6 astra `p2`true,falseZählprogramm `p3`Alle drei tatsächlichen Betragsabweichungen fehlen. Stattdessen wird RE-2026-0686 mit einem falschen Rechnungsbetrag als abweichend aufgeführt.GPT-6 astra `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra `p5`Die Zahlung vom 23.07.2026 über 4.140,09 Euro zu RE-2026-0791 wird nicht gemeldet.GPT-6 astra `p6`falseZählprogramm `p7`\| RE-2026-0686 \| 5.165,54 \| 565,24 \| -4.600,30 \|GPT-6 astra 2. Nacharbeit nötig `p1`Unter „Offene Rechnungen (ohne Zahlung)“ steht zusätzlich: „\| RE-2026-0622 \| 14.07.2026 \| 236,41 \|“GPT-6 astra `p3`RE-2026-0681 mit 859,50 Euro Rechnungsbetrag, 842,31 Euro Zahlung und 17,19 Euro Unterzahlung fehlt.GPT-6 astra `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra `p6`falseZählprogramm
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p7`Typischer Zahlendreher bei der Eingabe durch den KundenGPT-6 astra 2. kleiner Mangel `p7`Typischer Zahlendreher beim Kunden (5.156,54 € statt 5.165,54 €).GPT-6 astra
Claude Sonnet 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra 2. Nacharbeit nötig `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra `p7`Die Rechnungen RE-2026-0622 und RE-2026-0711 haben beide einen Betrag von 256,41 €.GPT-6 astra 3. kleiner Mangel `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra
Gemma 4	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra 2. kleiner Mangel `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra
DeepSeek V4 Flash	passtkleiner Mangel	offen	1. kleiner Mangel `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra 2. alles erfüllt
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p7`am 23.07. war die Nummer 0791 noch gar nicht vergeben.GPT-6 astra 2. kleiner Mangel `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra
GPT-6 sol	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra 2. kleiner Mangel `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p4`Der Hinweis auf genau 2 Prozent beziehungsweise möglichen Skontoabzug bei RE-2026-0681 fehlt.GPT-6 astra `p7`jeweils > 5.000 € inkl. Zinsen bzw. > 50 TageGPT-6 astra 3. Nacharbeit nötig `p4`Es fehlt der Hinweis auf genau 2 Prozent Abzug oder Skonto als mögliche Erklärung bei RE-2026-0681.GPT-6 astra `p7`Die drei Juli-Rechnungen sind seit 80+ Tagen offen und fälligGPT-6 astra
GLM 5.2	passtkleiner Mangel	offen	1. alles erfüllt 2. kleiner Mangel `p7`\| RE-2026-0619 \| 14.07.2026 \| Wohnbau Fulda eG \| 2.188,39 \|GPT-6 astra

Kennzahlen deutenZwei Jahre Monatszahlen: Saison oder Verschiebung · gelöst von 6 von 12

Zwei Jahre Monatszahlen deuten und eine Aussage der Geschäftsführung prüfen, die so nicht stimmt.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt die Veränderung des Gesamtumsatzes Januar bis September richtig: von 1.751.330 Euro (2025) auf 1.911.064 Euro (2026), das sind plus 159.734 Euro oder plus 9,1 Prozent. Es genügen beide Summen oder die Differenz oder der Prozentwert.Zählprogramm
p2Die Antwort auf Nachricht 1 zeigt für beide Sparten die richtige Richtung und Größe: Wartung steigt von 1.236.580 auf 1.405.704 Euro (plus 169.124 Euro oder plus 13,7 Prozent), Reparatur sinkt von 514.750 auf 505.360 Euro (minus 9.390 Euro oder minus 1,8 Prozent). Je Sparte genügen beide Summen oder die Differenz oder der Prozentwert.Zählprogramm
p3Die Antwort auf Nachricht 1 oder 2 sagt, dass der Reparaturumsatz je Einsatz gesunken ist: von 407,24 auf 374,06 Euro (Januar bis September, 1.264 und 1.351 Einsätze). Auf ganze Euro gerundete Werte (407 und 374) genügen.Zählprogramm und RichterGestrichen: Verlangt eine Kennzahl (Reparaturumsatz je Einsatz), nach der keine Nachricht fragt. 21 von 22 Antworten verfehlten ihn.
p4Die Antwort auf Nachricht 2 sagt klar, dass der Satz nicht stimmt: Der Reparaturumsatz ist im Vergleich Januar bis September nicht gewachsen, sondern leicht gesunken („praktisch unverändert“ gilt auch; minus 9.390 Euro), das Wachstum kommt aus der Wartung (plus 169.124 Euro).Richter
p5Die Antwort auf Nachricht 3 hat höchstens 120 Wörter.Zählprogramm
p6Die Antwort auf Nachricht 3 ordnet richtig zu. Saison: Der Reparaturumsatz und die Einsätze sind in beiden Jahren im Winter hoch und im Sommer niedrig. Echte Verschiebung: Der Wartungsumsatz wächst stetig mit den Wartungsverträgen (454 im September 2025, 513 im September 2026), und der Reparaturumsatz je Einsatz liegt 2026 niedriger als 2025. Mindestens das Wachstum der Wartung muss als echte Verschiebung genannt sein und die Winterspitze der Reparatur als Saison.Richter
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passt nichtNacharbeit nötig	reicht nicht	1. alles erfüllt 2. Nacharbeit nötig `p1`false,false,true,trueZählprogramm `p2`false,false,true,true,false,false,true,trueZählprogramm `p3`false,true,false,trueZählprogramm · gestrichen 3. Nacharbeit nötig `p1`false,false,false,trueZählprogramm `p2`false,false,false,true,false,false,false,trueZählprogramm `p3`false,true,false,trueZählprogramm · gestrichen
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`false,false,false,false,false,false,false,falseZählprogramm `p3`Der Rückgang des Reparaturumsatzes je Einsatz von 407 auf 374 Euro fehlt.GPT-6 astra · gestrichen `p4`Wartung: +31.130 € (+2,6 %) - Reparatur: −16.490 € (−3,4 %)GPT-6 astra `p6`Das Wachstum der Wartung wird in Antwort 3 nicht als echte Verschiebung genannt; stattdessen wird ein Rückgang der Einsätze behauptet.GPT-6 astra `p7`Wartung: +31.130 € (+2,6 %)GPT-6 astra 2. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`false,false,false,false,false,false,false,falseZählprogramm `p3`Der Rückgang des Reparaturumsatzes je Einsatz von 407,24 auf 374,06 Euro fehlt.GPT-6 astra · gestrichen `p4`Das Reparaturgeschäft ist von Januar bis September 2025 zu 2026 um 12,3 % gefallen (von 576.320 € auf 505.260 €).GPT-6 astra `p7`Das Reparaturgeschäft ist von Januar bis September 2025 zu 2026 um 12,3 % gefallen (von 576.320 € auf 505.260 €).GPT-6 astra
Claude Haiku 5.5	passtalles erfüllt	reicht nicht	1. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen 2. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`true,true,false,true,true,true,false,trueZählprogramm `p3`Die Werte des Reparaturumsatzes je Einsatz von 407 auf 374 Euro fehlen.GPT-6 astra · gestrichen 2. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p3`Die Durchschnittserlöse von 407,24 auf 374,06 Euro beziehungsweise gerundet 407 auf 374 Euro fehlen.GPT-6 astra · gestrichen `p7`Die Schwankungen rund um die Urlaubs‑ und Bauzeit (Juli‑September) sind typisch saisonal.GPT-6 astra
Gemini 3.8 Flash	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`true,true,false,trueZählprogramm `p3`false,true,false,trueZählprogramm · gestrichen `p7`Mehr Einsätze bei weniger Ertrag ist ein Margen- oder Abrechnungsproblem, kein Wettereffekt.GPT-6 astra 2. kleiner Mangel `p3`true,false,true,falseZählprogramm · gestrichen `p7`kleinere Schäden oder fehlende PreisanpassungGPT-6 astra 3. Nacharbeit nötig `p1`false,false,true,trueZählprogramm `p2`false,false,true,true,false,false,true,trueZählprogramm `p3`true,false,true,falseZählprogramm · gestrichen `p7`Das ist kein Wettereffekt, sondern ein strukturelles Problem bei Abrechnung, Preisgestaltung oder Auftragsmix.GPT-6 astra
Claude Sonnet 5.5	passtalles erfüllt	reicht nicht	1. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen 2. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen
Gemma 4	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`true,false,false,false,true,true,true,trueZählprogramm `p3`Der Rückgang wird genannt, aber die Werte von 407 auf 374 Euro fehlen.GPT-6 astra · gestrichen `p4`das im Vergleich (Januar bis September) ein Plus von rund 159.000 € verzeichnet hat.GPT-6 astra 2. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`false,false,false,true,false,false,false,falseZählprogramm `p3`Die Durchschnittserlöse von 407,24 auf 374,06 Euro beziehungsweise gerundet 407 auf 374 Euro fehlen.GPT-6 astra · gestrichen
DeepSeek V4 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`false,true,false,trueZählprogramm · gestrichen `p7`Es gibt also keinen Preiseffekt, es kommt nur mehr Volumen dazu.GPT-6 astra 2. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen
Claude Opus 5.5	passt nichtNacharbeit nötig	reicht nicht	1. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen 2. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`false,false,false,false,false,false,false,falseZählprogramm `p3`false,false,false,falseZählprogramm · gestrichen 3. Nacharbeit nötig `p1`false,false,false,falseZählprogramm `p2`false,false,false,false,false,false,false,falseZählprogramm `p3`Die Durchschnittswerte 407,24 und 374,06 Euro beziehungsweise gerundet 407 und 374 Euro fehlen in Antwort 1 und 2.GPT-6 astra · gestrichen
GPT-6 sol	passtkleiner Mangel	reicht nicht	1. alles erfüllt `p3`false,true,false,trueZählprogramm · gestrichen 2. kleiner Mangel `p2`false,false,true,false,false,false,true,falseZählprogramm `p3`false,true,false,trueZählprogramm · gestrichen
Qwen 3.8	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`false,true,false,trueZählprogramm · gestrichen `p7`Der Umsatz je Vertrag bleibt dabei stabil bei rund 2.860 €/MonatGPT-6 astra 2. kleiner Mangel `p3`false,true,false,trueZählprogramm · gestrichen `p7`Entweder werden kleinere oder günstigere Reparaturen fällig, oder die Preise sind hinterhergeblieben.GPT-6 astra
GLM 5.2	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`false,true,false,trueZählprogramm · gestrichen `p7`Jeder neue Vertrag bringt denselben Ertrag wie der BestandGPT-6 astra 2. kleiner Mangel `p3`false,true,false,trueZählprogramm · gestrichen `p7`Mehr Kleinaufträge, weniger Erlös – das ist strukturell, nicht saisonal.GPT-6 astra

Einsatzliste, 300 ZeilenEinsatzliste eines Quartals auswerten · gelöst von 5 von 12

Eine Einsatzliste eines Quartals mit 300 Zeilen auswerten: zählen, summieren, vergleichen.

Prüfpunkte

p1Die Antwort auf Nachricht 1 nennt die Zahl der Einsätze je Monat richtig: Juli 106, August 91, September 103.Zählprogramm
p2Die Antwort auf Nachricht 1 nennt die Summe der Materialkosten je Monat richtig: Juli 24.503,65 Euro, August 20.392,73 Euro, September 20.455,89 Euro.Zählprogramm
p3Die Antwort auf Nachricht 1 nennt genau diese fünf Störungsarten als die häufigsten, mit der richtigen Anzahl: Brennerstörung 58, Umwälzpumpe defekt 49, Druckverlust Heizkreis 43, Regelung ausgefallen 37, Ventilator defekt 31.Zählprogramm
p4Die Antwort auf Nachricht 2 nennt Mehmet Yildiz als Techniker mit den meisten Einsätzen und die Zahl 47.Zählprogramm
p5Die Antwort auf Nachricht 2 nennt als durchschnittliche Dauer über alle 300 Einsätze 101 Minuten. Die Antwort auf Nachricht 3 nennt als Durchschnitt ohne den Ausreißer 92 Minuten.Zählprogramm
p6Die Antwort meldet ungefragt, spätestens in der Antwort auf Nachricht 2, dass der Einsatz E-2026-1538 vom 11.08.2026 mit 2.880 Minuten (48 Stunden) unplausibel lang ist und den Durchschnitt verzerrt oder geprüft werden sollte. Eine Meldung erst in der Antwort auf Nachricht 3 zählt nicht.Zählprogramm und Richter
p7Nichts erfunden: Die Antwort stellt keine Ursache, keinen Termin, keinen Betrag und keine Zusage als Tatsache hin, die weder im Material noch in den Nachrichten steht. Das gilt auch für naheliegende Zusagen und Termine, zum Beispiel „Die Lieferung geht heute raus“ oder „Wir melden uns, sobald die Ursache feststeht“. Platzhalter in eckigen Klammern und ausdrücklich markierte Annahmen zählen nicht als erfunden.Richter

Ergebnis je Modell

Modell	Ergebnis	streng	Durchgänge und Belege
GPT-6 luna	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p3`true,true,true,true,true,false,true,false,true,trueZählprogramm `p4`true,falseZählprogramm `p5`true,falseZählprogramm `p6`Der Ausreißerhinweis nennt E-2026-1538 und 2.880 Minuten, aber nicht das geforderte Datum 11.08.2026.GPT-6 astra 2. Nacharbeit nötig `p2`false,true,trueZählprogramm `p3`false,false,false,false,false,false,false,false,false,falseZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Bis einschließlich Antwort 2 fehlt der Hinweis, dass der 2.880-Minuten-Einsatz unplausibel lang ist, den Durchschnitt verzerrt oder geprüft werden sollte.GPT-6 astra
Claude Haiku 4.5	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`false,true,falseZählprogramm `p2`false,false,falseZählprogramm `p3`true,false,true,false,true,false,true,false,false,falseZählprogramm `p4`true,falseZählprogramm `p5`false,falseZählprogramm `p6`Der Ausreißerhinweis nennt Einsatznummer und Dauer, aber nicht das geforderte Datum 11.08.2026.GPT-6 astra 2. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p3`true,true,true,false,true,true,true,false,true,trueZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Der Ausreißer wird erst in Antwort 3 gemeldet.GPT-6 astra
Claude Haiku 5.5	passtkleiner Mangel	offen	1. kleiner Mangel `p3`true,true,true,false,true,true,true,true,true,trueZählprogramm 2. alles erfüllt
gpt-oss-120b	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p3`false,false,false,false,false,false,false,false,false,falseZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Keine eigenständige Meldung des konkreten Ausreißers bis einschließlich Antwort auf Nachricht 2.GPT-6 astra 2. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p3`true,false,true,false,true,false,true,false,true,falseZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Bis einschließlich Antwort 2 fehlt jeder Hinweis auf den Ausreißer.GPT-6 astra
Gemini 3.8 Flash	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p6`false,falseZählprogramm 2. kleiner Mangel `p6`false,falseZählprogramm
Claude Sonnet 5.5	passtalles erfüllt	reicht	1. alles erfüllt 2. alles erfüllt
Gemma 4	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p2`false,false,falseZählprogramm `p3`true,false,true,false,true,true,true,false,true,falseZählprogramm `p5`false,falseZählprogramm `p6`Der Ausreißer wird erst in der Antwort auf Nachricht 3 gemeldet.GPT-6 astra 2. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p3`true,false,true,false,true,false,true,false,true,falseZählprogramm `p5`false,falseZählprogramm `p6`Der Ausreißer wird erst in Antwort 3 gemeldet.GPT-6 astra `p7`was 48 Stunden entsprechen würde und offensichtlich ein Tippfehler im Datensatz istGPT-6 astra
DeepSeek V4 Flash	passt nichtNacharbeit nötig	reicht nicht	1. kleiner Mangel `p7`Rechnet man diesen offensichtlichen Eingabefehler herausGPT-6 astra 2. Nacharbeit nötig `p2`false,false,falseZählprogramm `p7`Der Eintrag E-2026-1538 ist mit 2.880 Minuten erfasst (48 Stunden), was eindeutig ein Dateneingabefehler ist.GPT-6 astra 3. Nacharbeit nötig `p2`false,false,falseZählprogramm `p6`false,falseZählprogramm
Claude Opus 5.5	passtkleiner Mangel	reicht nicht	1. kleiner Mangel `p3`true,false,false,false,false,false,false,false,false,falseZählprogramm 2. kleiner Mangel `p3`true,true,false,false,false,false,true,false,false,falseZählprogramm
GPT-6 sol	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`true,true,true,false,true,true,true,true,true,trueZählprogramm `p5`true,falseZählprogramm `p6`Der Hinweis auf 2.880 Minuten nennt weder die Einsatznummer E-2026-1538 noch das Datum 11.08.2026.GPT-6 astra 2. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p5`true,falseZählprogramm `p6`Der Eintrag wird nur als auffällig bezeichnet; ein Hinweis auf Verzerrung oder Prüfbedarf fehlt bis einschließlich Antwort 2.GPT-6 astra
Qwen 3.8	passt nichtNacharbeit nötig	reicht nicht	1. Nacharbeit nötig `p3`true,false,true,false,true,true,true,true,true,trueZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Der Ausreißer wird erst in der Antwort auf Nachricht 3 gemeldet; die Antwort auf Nachricht 2 fehlt.GPT-6 astra 2. Nacharbeit nötig `p2`false,true,trueZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Antwort 2 fehlt; der Ausreißer wird erst in Antwort 3 gemeldet.GPT-6 astra
GLM 5.2	passtalles erfüllt	offen	1. alles erfüllt 2. Nacharbeit nötig `p1`false,false,falseZählprogramm `p2`false,false,falseZählprogramm `p3`false,false,false,false,false,false,false,false,false,falseZählprogramm `p4`false,falseZählprogramm `p5`false,falseZählprogramm `p6`Antworten 1 und 2 fehlen; der Ausreißer wird erst in Antwort 3 gemeldet.GPT-6 astra 3. alles erfüllt

CAnhang: Kreativ im Einzelnen

Je Aufgabe und Modell zwei Durchgänge. Je Durchgang das Drittel nach Mehrheit der Richter, die Stimmen der drei Richter einzeln, und ob die Vorgaben eingehalten waren, mit Beleg zu jeder verfehlten Vorgabe.

KurzgeschichteEine Kurzgeschichte zum Firmenjubiläum7 × oben

Eine Kurzgeschichte zum Firmenjubiläum.

Vorgaben (Prüfpunkte)

p1Die Geschichte nach Nachricht 2 hat 500 bis 700 Wörter, ohne Titel.Zählprogramm
p2Die Geschichte hat einen Titel.Zählprogramm und Richter
p3Die Gründer Ingrid und Walter Halvering kommen nicht als Figuren vor, und die Geschichte nennt keine reale Person aus dem Material als Figur.Richter
p4Die Geschichte nach Nachricht 2 ist nicht länger als die nach Nachricht 1 (höchstens 20 Wörter mehr).Zählprogramm

Drittel und Vorgaben je Modell

Modell	Durchgang	Drittel	astra · Gemini Pro · Fable	Vorgaben
GPT-6 luna	1.	mitte	mitte · mitte · mitte	eingehalten
	2.	mitte	oben · mitte · mitte	eingehalten
Claude Haiku 4.5	1.	unten	unten · unten · unten	eingehalten
	2.	mitte	mitte · mitte · unten	`p1`gezählt: 475Zählprogramm
gpt-oss-120b	1.	unten	unten · unten · unten	`p1`gezählt: 728Zählprogramm
	2.	unten	unten · unten · unten	`p1`gezählt: 902Zählprogramm `p4`852,902Zählprogramm
Gemini 3.8 Flash	1.	oben	oben · oben · oben	eingehalten
	2.	oben	mitte · oben · oben	eingehalten
Claude Sonnet 5.5	1.	oben	oben · mitte · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
Gemma 4	1.	mitte	mitte · unten · mitte	eingehalten
	2.	unten	unten · unten · mitte	eingehalten
DeepSeek V4 Flash	1.	mitte	mitte · oben · mitte	eingehalten
	2.	mitte	mitte · oben · mitte	eingehalten
Claude Opus 5.5	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
GPT-6 sol	1.	mitte	oben · mitte · mitte	eingehalten
	2.	mitte	oben · mitte · mitte	eingehalten
Qwen 3.8	1.	unten	unten · mitte · unten	eingehalten
	2.	unten	unten · unten · unten	eingehalten
GLM 5.2	1.	oben	mitte · oben · oben	eingehalten
	2.	mitte	mitte · mitte · oben	eingehalten

KampagnenideeEine Kampagnenidee für Wartungsverträge7 × oben

Eine Kampagnenidee für Wartungsverträge.

Vorgaben (Prüfpunkte)

p1Die Antwort auf Nachricht 1 enthält eine Kernbotschaft, einen Kampagnennamen und genau drei Bausteine.Zählprogramm und Richter
p2Jeder Baustein ist einem Kanal aus dem Material zugeordnet (Kundenbrief, Website, Techniker vor Ort, Hausverwaltertagung).Richter
p3Keine Fassung verspricht einen Rabatt, einen Preis oder eine Leistung, die nicht im Material steht, und keine sagt etwas über Wettbewerber.Richter
p4Die Antwort auf Nachricht 2 ändert die Idee erkennbar und behält Name, Kernbotschaft und drei Bausteine als Form bei.Richter

Drittel und Vorgaben je Modell

Modell	Durchgang	Drittel	astra · Gemini Pro · Fable	Vorgaben
GPT-6 luna	1.	mitte	mitte · mitte · unten	`p3`Für interessierte Verwaltungen wird ein kurzer Anlagen-Check beziehungsweise Folgetermin vereinbartGPT-6 astra
	2.	mitte	oben · mitte · mitte	eingehalten
Claude Haiku 4.5	1.	unten	unten · unten · unten	`p2`3. Techniker vor Ort + HausverwaltertagungGPT-6 astra `p3`bieten einen kostenlosen Inspektionstermin anGPT-6 astra
	2.	unten	unten · unten · unten	`p3`Das unterscheidet euch von der Konkurrenz, die weiterhin nett ist und verliert.GPT-6 astra
gpt-oss-120b	1.	unten	unten · unten · unten	`p3`Ein kurzer Online‑Formular‑Bereich ermöglicht es Interessenten, direkt einen unverbindlichen Wartungs‑Check‑Termin zu buchen.GPT-6 astra
	2.	unten	unten · unten · unten	`p3`Unterzeichnen Sie jetzt den Wartungs‑Versprechen‑Vertrag und erhalten Sie eine garantierte 24‑Stunden‑Vorrang‑Reaktion.GPT-6 astra
Gemini 3.8 Flash	1.	mitte	mitte · oben · mitte	`p3`Anhand von Anlagenalter, Einheiten und aktuellem Wartungsstatus erhalten sie eine fundierte Risikoeinschätzung für die anstehende Heizperiode.GPT-6 astra
	2.	mitte	mitte · oben · mitte	`p3`ein verbindliches Wartungskonzept mit garantierten ReaktionszeitenGPT-6 astra
Claude Sonnet 5.5	1.	oben	oben · unten · oben	`p2`Baustein 3: Techniker vor Ort und Hausverwaltertagung (Kanal: Techniker und Stand)GPT-6 astra `p3`bietet eine kostenlose Kurzprüfung von Anlagendaten anGPT-6 astra
	2.	oben	oben · mitte · oben	eingehalten
Gemma 4	1.	mitte	mitte · mitte · mitte	eingehalten
	2.	mitte	mitte · mitte · mitte	eingehalten
DeepSeek V4 Flash	1.	mitte	mitte · oben · mitte	eingehalten
	2.	oben	mitte · oben · oben	`p3`mit dem Versprechen, die Prüfung noch im Oktober/November vor dem Frost zu terminieren.GPT-6 astra
Claude Opus 5.5	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
GPT-6 sol	1.	mitte	oben · mitte · mitte	eingehalten
	2.	mitte	oben · mitte · mitte	eingehalten
Qwen 3.8	1.	mitte	unten · mitte · oben	`p3`Wir kommen im November, prüfen Ihre Anlagen, und Sie entscheiden – ob mit Vertrag oder ohne.GPT-6 astra
	2.	unten	unten · unten · unten	`p4`Die Antwort auf Nachricht 2 fehlt.GPT-6 astra
GLM 5.2	1.	oben	oben · oben · oben	eingehalten
	2.	oben	mitte · oben · oben	eingehalten

30 IdeenDreißig Ideen für die Nachwuchssuche8 × oben

Dreißig Ideen für die Nachwuchssuche, dann zehn streichen und drei begründen.

Vorgaben (Prüfpunkte)

p1Die Antwort auf Nachricht 1 enthält genau dreißig nummerierte Ideen.Zählprogramm
p2Keine zwei Ideen meinen dasselbe (etwa „Video auf Instagram“ und „Clip auf TikTok“ als zwei Ideen zum selben Gedanken „Kurzvideos in sozialen Medien“).RichterZählt nicht mit: „Keine zwei Ideen meinen dasselbe“ war zu streng gefasst: 19 von 22 Antworten verfehlten ihn. Er steht getrennt und zählt bei „Vorgaben eingehalten“ nicht mit.
p3Keine Idee verstößt gegen die drei Regeln aus dem Material: keine Bewerbungsprämie, kein Gehaltsversprechen, keine Schulwerbung ohne die Schulleitung.Richter
p4Die Antwort auf Nachricht 2 streicht genau zehn Ideen aus der eigenen Liste und nennt drei der verbliebenen mit Begründung.Zählprogramm und Richter

Drittel und Vorgaben je Modell

Modell	Durchgang	Drittel	astra · Gemini Pro · Fable	Vorgaben
GPT-6 luna	1.	mitte	mitte · unten · mitte	eingehalten (bis auf p2)
	2.	mitte	oben · mitte · mitte	eingehalten
Claude Haiku 4.5	1.	unten	unten · unten · unten	`p2`Ideen 5/9: „Jeder, der einen geeigneten Kandidaten bringt, erhält einen Bonus von 500 Euro“ / „einen kleinen Bonus, wenn er mindestens einen heißen Kandidaten nennt“GPT-6 astra `p3`Jeder, der einen geeigneten Kandidaten bringt, erhält einen Bonus von 500 EuroGPT-6 astra
	2.	unten	unten · unten · unten	`p2`Ideen 6, 15 und 22 wiederholen Werkstattbesuche für Schulklassen: „Tag der offenen Tür“, „Jeden Monat eine andere Schulklasse“ und „Klassenfahrt oder einen Wandertag“.GPT-6 astra `p3`Ein Techniker besucht vier bis fünf Schulen nacheinander und zeigt ein mobiles Demo-Set.GPT-6 astra `p4`Keine eindeutige Streichung von genau zehn eigenen Ideen; die Streichliste umfasst zwanzig Kategorien und entfernt Instagram und Videos, empfiehlt anschließend aber Ideen 2 und 10.GPT-6 astra
gpt-oss-120b	1.	unten	unten · unten · unten	`p2`Ideen 9/16: „ein digitales Recruiting‑Quiz“ / „ein interaktives Online‑Quiz zu Energieeinsparungen“ – beide nutzen ein Website-Quiz als Ausbildungswerbung.GPT-6 astra `p3`Für das Karriere-Poster in Berufsschulen (27) fehlt die Absprache mit der Schulleitung.GPT-6 astra `p4`Die zweite Liste enthält 21 statt 20 Ideen; gestrichen wurden nur neun: 2, 4, 5, 9, 11, 13, 15, 19 und 20.GPT-6 astra
	2.	unten	unten · unten · unten	`p2`Ideen 7 und 15 wiederholen die persönliche Begleitung durch erfahrene Techniker: „Mentoren‑Programm“ mit „persönliche Coachs“ beziehungsweise „Buddy‑System“ mit „erfahrenen Kollegen als Ansprechpartner“.GPT-6 astra `p3`Bietet ein kostenloses “Technik‑Starter‑Kit” (z. B. Messgerät, Werkzeuge) für Schüler*innen, die sich für einen Praktikumsplatz bewerben.GPT-6 astra
Gemini 3.8 Flash	1.	oben	oben · oben · oben	`p2`Ideen 5 und 20 wiederholen schriftliche Ausbildungshinweise über Wohnungsgesellschaften; Treppenhäuser, Mieterzeitungen und Übergabeprotokolle sind lediglich unterschiedliche Platzierungen.GPT-6 astra `p3`Bei den Schülerzeitungs-Verlosungen (17) und dem Werkstattwagen auf dem Schulhof (19) fehlt die Absprache mit der Schulleitung.GPT-6 astra
	2.	oben	oben · mitte · oben	eingehalten (bis auf p2)
Claude Sonnet 5.5	1.	mitte	mitte · mitte · oben	eingehalten (bis auf p2)
	2.	mitte	mitte · mitte · oben	eingehalten (bis auf p2)
Gemma 4	1.	mitte	mitte · oben · unten	eingehalten (bis auf p2)
	2.	unten	unten · mitte · unten	`p2`Ideen 1 und 21 doppeln Fahrzeugwerbung: „QR-Codes auf den 40 Firmenwagen anbringen“ und „Die Firmenwagen mit einem prägnanten Slogan“.GPT-6 astra `p4`Es werden fünf verbliebene Listenideen empfohlen: 2, 5 und 30 als gebündelte Wohnungsgesellschafts-Kanäle sowie 1 und 4, statt genau drei Listenideen.GPT-6 astra
DeepSeek V4 Flash	1.	oben	oben · oben · mitte	eingehalten (bis auf p2)
	2.	oben	mitte · oben · oben	eingehalten (bis auf p2)
Claude Opus 5.5	1.	oben	oben · mitte · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
GPT-6 sol	1.	oben	oben · oben · oben	eingehalten (bis auf p2)
	2.	oben	oben · oben · mitte	eingehalten (bis auf p2)
Qwen 3.8	1.	mitte	unten · mitte · mitte	eingehalten (bis auf p2)
	2.	mitte	mitte · oben · mitte	`p2`Ideen 8 und 9 doppeln ungeskriptete Alltagsvideos: „Ein normaler Werktag bei uns“ und „kurze, ungeskriptete Clips aus Werkstatt und Einsatzort“.GPT-6 astra `p3`Zwei bezahlte „Probewochen“ (keine Ausbildung, 200 € pro Woche)GPT-6 astra
GLM 5.2	1.	mitte	mitte · mitte · mitte	eingehalten (bis auf p2)
	2.	mitte	mitte · unten · mitte	`p2`Ideen 3 und 10 doppeln kurze Social-Media-Praxisvideos: „Kurze Videos von Auszubildenden in der Übungswerkstatt“ und „TikTok-Reels posten, die echte Einsatzorte zeigen“.GPT-6 astra `p3`Aktuelle Auszubildende als Markenbotschafter schulen und sie ihre ehemalige Schule besuchen lassen, um aus erster Hand über die Ausbildung zu berichten.GPT-6 astra

VideoskriptSkript für ein Erklärvideo von 60 Sekunden8 × oben

Ein Skript für ein Erklärvideo von 60 Sekunden.

Vorgaben (Prüfpunkte)

p1Der gesamte Sprechertext nach Nachricht 2 hat höchstens 150 Wörter.Zählprogramm und Richter
p2Die Dauern der Szenen ergeben zusammen 55 bis 65 Sekunden.Zählprogramm und Richter
p3Das Skript nennt keine Energieersparnis in Prozent und keine Zahl, die nicht im Material steht.Richter
p4Jede Szene hat Bildbeschreibung, Sprechertext und Dauer, und keine Szene braucht einen Schauspieler mit Text.Richter

Drittel und Vorgaben je Modell

Modell	Durchgang	Drittel	astra · Gemini Pro · Fable	Vorgaben
GPT-6 luna	1.	mitte	mitte · mitte · mitte	eingehalten
	2.	mitte	oben · mitte · mitte	eingehalten
Claude Haiku 4.5	1.	unten	unten · unten · unten	`p2`Die Szenendauern ergeben zusammen nur 30 Sekunden. Die vorgeschlagenen weiteren 30 Sekunden sind keiner ausgearbeiteten Szene zugeordnet.GPT-6 astra
	2.	unten	unten · unten · unten	`p2`Die Szenendauern ergeben nur 38 Sekunden (9 + 3 + 7 + 7 + 5 + 7), nicht 55 bis 65 Sekunden.GPT-6 astra
gpt-oss-120b	1.	unten	unten · unten · unten	`p2`Die einzelnen Szenendauern ergeben 51 Sekunden, nicht die ausgewiesenen 60 Sekunden.GPT-6 astra
	2.	unten	unten · unten · unten	eingehalten
Gemini 3.8 Flash	1.	mitte	mitte · oben · unten	eingehalten
	2.	mitte	mitte · oben · mitte	`p3`*Einsatzdaten Halvering 2023–2025GPT-6 astra
Claude Sonnet 5.5	1.	oben	oben · unten · oben	eingehalten
	2.	oben	oben · mitte · oben	eingehalten
Gemma 4	1.	mitte	mitte · mitte · mitte	eingehalten
	2.	mitte	mitte · mitte · mitte	eingehalten
DeepSeek V4 Flash	1.	mitte	unten · mitte · mitte	eingehalten
	2.	oben	oben · mitte · oben	eingehalten
Claude Opus 5.5	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
GPT-6 sol	1.	mitte	oben · mitte · mitte	eingehalten
	2.	unten	mitte · unten · unten	eingehalten
Qwen 3.8	1.	oben	mitte · oben · oben	eingehalten
	2.	mitte	unten · oben · mitte	`p3`Im dritten Stock ist es kalt.GPT-6 astra
GLM 5.2	1.	oben	oben · oben · oben	eingehalten
	2.	oben	mitte · oben · oben	eingehalten

RadiospotSkript für einen Radiospot von 30 Sekunden7 × oben

Ein Skript für einen Radiospot von 30 Sekunden.

Vorgaben (Prüfpunkte)

p1Jede der beiden Fassungen hat höchstens 75 gesprochene Wörter, Regieanweisungen in eckigen Klammern zählen nicht.Zählprogramm und Richter
p2Jede Fassung nennt die Telefonnummer 0561 8700-0 oder die Website halvering-gt.de richtig.Zählprogramm und Richter
p3Keine Fassung nennt einen Preis, ein „günstigster“ oder ähnliches, einen Vergleich mit anderen Betrieben oder eine Energieersparnis.Richter
p4Die zweite Fassung unterscheidet sich erkennbar von der ersten und enthält eine Stelle, die als Humor gemeint ist.Richter

Drittel und Vorgaben je Modell

Modell	Durchgang	Drittel	astra · Gemini Pro · Fable	Vorgaben
GPT-6 luna	1.	unten	mitte · unten · unten	eingehalten
	2.	mitte	mitte · mitte · mitte	eingehalten
Claude Haiku 4.5	1.	unten	unten · mitte · unten	eingehalten
	2.	mitte	mitte · oben · unten	eingehalten
gpt-oss-120b	1.	unten	unten · unten · unten	eingehalten
	2.	unten	unten · unten · unten	eingehalten
Gemini 3.8 Flash	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
Claude Sonnet 5.5	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · mitte · oben	eingehalten
Gemma 4	1.	mitte	mitte · mitte · mitte	eingehalten
	2.	mitte	mitte · mitte · mitte	eingehalten
DeepSeek V4 Flash	1.	mitte	mitte · oben · mitte	eingehalten
	2.	mitte	mitte · oben · mitte	eingehalten
Claude Opus 5.5	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
GPT-6 sol	1.	mitte	oben · unten · mitte	eingehalten
	2.	oben	oben · mitte · oben	eingehalten
Qwen 3.8	1.	mitte	unten · mitte · mitte	eingehalten
	2.	unten	unten · unten · unten	eingehalten
GLM 5.2	1.	mitte	mitte · mitte · oben	eingehalten
	2.	unten	unten · unten · mitte	eingehalten

BildmotiveFünf Motive für die neue Website8 × oben

Fünf Motive für die neue Website, nur als Text beschrieben.

Vorgaben (Prüfpunkte)

p1Die Antwort auf Nachricht 1 enthält genau fünf Motive, jedes mit Titel, Beschreibung und Seite.Zählprogramm und Richter
p2Jede Bildbeschreibung hat drei bis fünf Sätze.Zählprogramm und Richter
p3Kein Motiv verstößt gegen die Stilregeln: keine gestellten Lächelbilder, keine Stockfoto-Posen, keine Anzüge, keine Flammen oder Explosionen, keine Farbfilter.Richter
p4Nach Nachricht 2 ist Motiv drei ersetzt, die anderen vier sind unverändert, und das neue Motiv zeigt einen Ort, Gegenstand oder Vorgang aus dem Material der Firma.Richter
p5Kein Bild wurde erzeugt, die Antwort besteht nur aus Beschreibungen.Zählprogramm

Drittel und Vorgaben je Modell

Modell	Durchgang	Drittel	astra · Gemini Pro · Fable	Vorgaben
GPT-6 luna	1.	unten	mitte · unten · unten	eingehalten
	2.	mitte	oben · mitte · mitte	eingehalten
Claude Haiku 4.5	1.	unten	unten · mitte · unten	`p2`Die Beschreibungen überschreiten fünf Sätze. Sechster Satz in Motiv 1: „Farben sind gedimmt, wärmesäurebraun und Grau dominieren; die Arbeitsjacke ist der einzige leuchtende Kontrapunkt.“GPT-6 astra
	2.	unten	unten · unten · unten	`p2`Die Beschreibung von Motiv 5 hat sechs Sätze; das Ersatzmotiv 3 hat sieben statt drei bis fünf.GPT-6 astra
gpt-oss-120b	1.	unten	unten · unten · unten	`p3`Das Bild wird aus einem seitlichen Winkel aufgenommen, sodass die warme orange‑farbene Flamme im Brenner samt den dunklen Metallrohren sichtbar wird.GPT-6 astra
	2.	unten	unten · unten · unten	eingehalten
Gemini 3.8 Flash	1.	oben	oben · oben · mitte	eingehalten
	2.	mitte	mitte · mitte · mitte	eingehalten
Claude Sonnet 5.5	1.	oben	oben · oben · oben	`p2`Alle ursprünglichen Beschreibungen haben sechs Sätze, die Ersatzbeschreibung sieben. Sechster Satz in Motiv 1: „Man sieht, dass hier alles läuft, ohne dass jemand eingreifen muss.“GPT-6 astra
	2.	oben	mitte · oben · oben	`p2`Die Bildbeschreibung des Ersatzmotivs 3 hat acht statt drei bis fünf Sätze.GPT-6 astra
Gemma 4	1.	mitte	mitte · unten · mitte	eingehalten
	2.	unten	mitte · unten · unten	eingehalten
DeepSeek V4 Flash	1.	oben	mitte · oben · oben	`p2`Motiv 2 hat sechs Sätze. Sechster Satz: „Stimmung: Präzision und Routine — hier entsteht die Verlässlichkeit, die im Alltag niemand bemerkt.“GPT-6 astra
	2.	oben	oben · oben · oben	eingehalten
Claude Opus 5.5	1.	oben	oben · oben · oben	eingehalten
	2.	oben	oben · oben · oben	eingehalten
GPT-6 sol	1.	mitte	oben · mitte · mitte	eingehalten
	2.	mitte	oben · mitte · mitte	eingehalten
Qwen 3.8	1.	mitte	unten · mitte · mitte	`p2`Das ersetzte Motiv 3 hat sechs Sätze statt höchstens fünf.GPT-6 astra
	2.	mitte	unten · mitte · mitte	eingehalten
GLM 5.2	1.	mitte	mitte · mitte · oben	`p2`Motiv 4 und 5 haben jeweils sechs Sätze. Sechster Satz in Motiv 4: „Wer hier anfängt, wird nicht im Meetingraum empfangen, sondern am Gerät.“GPT-6 astra
	2.	oben	mitte · oben · oben	`p2`Die ursprünglichen Beschreibungen von Motiv 3 und 4 haben jeweils sechs Sätze; das Ersatzmotiv 3 hat acht statt drei bis fünf.GPT-6 astra `p4`Motiv 2 wurde ebenfalls verändert: „unter einem weiten, graublauen Himmel“ wurde zu „unter einem weitem, graublauen Himmel“.GPT-6 astra

Die Begründungen der Richter zur Rangfolge und die Antworttexte selbst sind nicht veröffentlicht.