KI-Modelle im Vergleich 2026: Welches passt zu welcher Aufgabe

Allein innerhalb der aktuellen OpenAI-Generation liegt zwischen dem kleinsten und dem größten Textmodell der Faktor 17: 1,20 US-Dollar pro Million ausgegebener Token bei gpt-5.6-luna, 20 US-Dollar bei gpt-5.6-sol. Mit den großen Vorgängermodellen geht die Leiter bis 180. Alles aus derselben Preisliste, geprüft am 24. August 2026.

Diese Spanne ist der Grund, warum ein KI-Modelle-Vergleich nach Ranglistenplätzen nichts taugt. Auf der Rangliste steht das teure Modell oben. In deinem Betrieb zählt, ob der Unterschied bei deiner Aufgabe überhaupt sichtbar wird und was er kostet.

Vorweg: Die Modellwahl ist nicht der erste Schritt. Erst kommt der Anwendungsfall, dafür gibt es den Fahrplan für die KI-Strategie. Dieser Beitrag setzt danach an.

Ein KI-Modelle-Vergleich nach Ranglisten führt in die Irre

Ein internationales Forschungsteam hat 445 Benchmark-Arbeiten der großen KI-Konferenzen aus den Jahren 2018 bis 2024 durchgesehen und das Ergebnis im November 2025 veröffentlicht. Bei 81,3 Prozent der Benchmarks zählt zumindest teilweise die exakte Übereinstimmung, also ob die Antwort wortgleich mit der Musterlösung ist. Nur 16 Prozent nutzen überhaupt einen statistischen Test, wenn sie zwei Modelle gegeneinander stellen. Gut 40 Prozent messen mit künstlich konstruierten Aufgaben.

Dazu die Kontamination: Die Testfragen stehen öffentlich im Netz, und was dort steht, landet im Training der nächsten Generation. Ein hoher Punktwert kann heißen, dass das Modell gut denkt. Oder dass es die Lösung kennt.

Test es lieber selbst, das dauert einen halben Tag. Sammle 20 echte Vorgänge aus dem laufenden Betrieb, keine ausgedachten. Schick dieselbe Aufgabe mit demselben Prompt an drei Modelle. Leg die 60 Ausgaben ohne Modellnamen nebeneinander und lass zwei Leute aus der Fachabteilung jede von 1 bis 5 bewerten. Am Ende hast du eine belastbare Zahl: den Anteil brauchbarer Ergebnisse je Modell, gemessen an deiner Arbeit.

Fünf Achsen, nach denen du wirklich entscheidest

Die Modellnamen unten ändern sich alle paar Monate. Diese fünf Achsen ändern sich nicht.

1. Aufgabentyp. Zusammenfassen, klassifizieren und umformulieren können alle aktuellen Modelle. Mehrstufiges Arbeiten mit Werkzeugen, langen Dokumenten und Code trennt die Klassen.
2. Betriebsmodell. Proprietäres Modell über die Schnittstelle des Anbieters oder offenes Modell auf eigener Hardware. Alles andere hängt an dieser Entscheidung.
3. Kostenstruktur. Über die Schnittstelle zahlst du pro Verarbeitung, im Eigenbetrieb zahlst du fix, egal ob die Karte läuft oder nicht.
4. Datenschutz und Serverstandort. Betrieblich brauchst du einen Auftragsverarbeitungsvertrag, eine Zusage zum Trainingsausschluss und eine belastbare Aussage zum Verarbeitungsort. Dazu der Bitkom Cloud Report vom Juni 2026: 85 Prozent der 603 befragten Unternehmen ab 20 Beschäftigten halten Deutschland für zu abhängig von US-Cloud-Anbietern, 37 Prozent würden für eine deutsche Lösung Abstriche hinnehmen.
5. Wechselgeschwindigkeit. Wie lange dauert es, dasselbe auf einem anderen Modell laufen zu lassen. Der am häufigsten unterschätzte Punkt, dazu unten mehr.

Was die Modelle kosten, Stand August 2026

Alle Preise pro Million Token, Eingabe und Ausgabe, aus den öffentlichen Preislisten der Anbieter, geprüft am 24. August 2026.

Die kleine Klasse liegt bei 0,20 bis 1 US-Dollar Eingabe und 1,20 bis 5 US-Dollar Ausgabe. Beispiele: gpt-5.6-luna von OpenAI mit 0,20 und 1,20, Gemini 3.5 Flash-Lite mit 0,30 und 2,50, Claude Haiku 4.5 mit 1 und 5. Für Klassifizieren, Extrahieren und Kürzen reicht das.

Die Mittelklasse liegt bei 2 bis 3 US-Dollar Eingabe und 12 bis 15 US-Dollar Ausgabe. Beispiele: gpt-5.6-terra mit 2 und 12, Gemini 3.1 Pro Preview mit 2 und 12 bis 200.000 Token Kontext, Claude Sonnet 5 mit 3 und 15 als Listenpreis. Das ist der Arbeitsbereich für die meisten betrieblichen Aufgaben.

Die Spitzenklasse reicht von 4 bis 30 US-Dollar Eingabe und von 20 bis 180 Ausgabe. Beispiele: gpt-5.6-sol mit 4 und 20, Claude Opus 5 mit 5 und 25, gpt-5.5-pro mit 30 und 180.

Die Preisleiter innerhalb eines Anbieters ist steiler als der Abstand zwischen den Anbietern. Auf derselben Stufe nehmen alle drei ungefähr dasselbe. Die Entscheidung, die Geld bewegt, ist die Stufe, nicht die Marke.

Drei dieser Zahlen sind Aktionspreise, und das steht in den Preislisten. OpenAI hat gpt-5.6-sol am 21. August 2026 von 5 und 30 auf 4 und 20 gesenkt, zugesichert mindestens bis zum 21. November 2026. Für Claude Sonnet 5 galt bis zum 31. August 2026 ein Einführungspreis von 2 und 10 statt 3 und 15. Und Google weist für Gemini 3.7 Flash 0,75 und 3,75 aus, gültig bis zum 31. Dezember 2026, danach den doppelten Satz.

Wenn alle drei Anbieter binnen weniger Monate an den Preisen drehen, ist das der Normalzustand. Genau deshalb trägt die Auswahllogik und nicht die Tabelle. Rechne jede Kalkulation auf Token-Basis einmal im Quartal nach.

Ab wann sich ein eigenes offenes Modell rechnet

Rechnen wir es offen durch. Annahmen sind markiert, setz deine eigenen Zahlen ein.

Ein typischer Vorgang: 3.000 Token rein, 700 Token raus, also ein Dokument hinein und eine kurze strukturierte Antwort heraus. Auf einem Mittelklassemodell zu 2 und 12 US-Dollar kostet das 0,014 US-Dollar, bei einem Kurs um 0,90 Euro also rund 1,3 Cent pro Vorgang.

Auf der anderen Seite steht der Eigenbetrieb. Ein GPU-Server mit einer H100 aus einem deutschen Rechenzentrum kostet nach aktuellen Marktangeboten ab rund 600 Euro im Monat, macht 7.200 Euro im Jahr. Die Einrichtung veranschlagen wir aus unserer Projekterfahrung mit 5 Entwicklertagen, bei einem Tagessatz um 1.000 Euro also 5.000 Euro einmalig. Laufend rechnen wir 4 Stunden im Monat für Updates, Modellwechsel und Überwachung, bei 50 Euro internen Stundenkosten 2.400 Euro im Jahr. Erstes Jahr 14.600 Euro, ab dem zweiten 9.600 Euro.

Gegenrechnung: 9.600 Euro geteilt durch 1,3 Cent sind rund 738.000 Vorgänge im Jahr, also gut 60.000 im Monat. Mit der Einrichtung im ersten Jahr sind es rund 94.000 im Monat.

Die Regel: Ab rund 100.000 gleichartigen Verarbeitungen im Monat trägt sich ein selbst betriebenes offenes Modell, darunter nicht. Wir nennen 100.000 statt 60.000, weil dann auch das erste Jahr aufgeht und noch Luft für eine zweite Karte bleibt. Bei 20.000 Vorgängen im Monat stehen rund 3.100 Euro Schnittstellenkosten gegen mindestens 9.600 Euro Eigenbetrieb. Das wird nie besser.

Zwei Annahmen prüfst du selbst: Eine Karte reicht nur, wenn die Last über den Tag verteilt anfällt und nicht jeden Morgen um acht komplett. Und der Betriebsaufwand steigt, sobald mehrere Fachbereiche mit eigenen Anforderungen dranhängen.

Es gibt einen zweiten, harten Grund für den Eigenbetrieb, der ohne Rechnung auskommt: Wenn Daten das Haus nicht verlassen dürfen, ist die Menge egal. Dann zahlst du die Fixkosten, weil die Alternative nicht existiert.

Wann die Modellwahl schlicht egal ist

Bei den Standardaufgaben im Mittelstand liegen die aktuellen Modelle so dicht beieinander, dass die Auswahl kein Hebel ist. Reklamationsantworten formulieren, E-Mails einsortieren, Protokolle kürzen: Erfahrungswert aus unseren Blindtests, keine Erhebung, die Fachabteilung trennt die Ausgaben der Mittelklasse hier regelmäßig nicht auseinander. Dann entscheidet der Preis oder der Serverstandort, nicht die Qualität. Nimm das günstigste Modell, das deinen Testlauf besteht, und hör auf zu vergleichen.

Ebenso egal wird die Wahl unterhalb weniger hundert Vorgänge im Monat. Da liegen die Token-Kosten im niedrigen zweistelligen Eurobereich, und ob es 12 oder 30 Euro sind, ist eine Rundungsdifferenz, keine Entscheidung. Welche Modelle bei Textaufgaben welche Stärken haben, steht in der KI-Texterstellung im Unternehmen.

Der Fehler, der den Wechsel teuer macht

Der Modellname steht hart im Code. Die Ausgabe kommt als Fließtext und wird mit einer selbstgebauten Textsuche zerlegt. Testfälle gibt es keine, weil es beim Bauen ja funktioniert hat.

Dann kündigt der Anbieter das Modell ab, und das passiert nach Monaten, nicht nach Jahren. Jetzt baut jemand die Anbindung neu, und weil niemand die alten Ergebnisse aufgehoben hat, kann keiner sagen, ob die neue Fassung besser oder schlechter arbeitet. Aus einem Nachmittag werden zwei Wochen plus ein halbes Jahr Misstrauen im Fachbereich.

Drei Dinge verhindern das, alle drei kosten beim Bauen fast nichts. Der Modellname gehört in die Konfiguration, nicht in den Code. Die Ausgabe gehört in ein festes Format, das die Anbieter erzwingen können, statt in Fließtext, den du parst. Und die 20 Testfälle aus deinem Auswahllauf gehören mit den erwarteten Ergebnissen versioniert abgelegt. Wer das hat, wechselt das Modell an einem Nachmittag und weiß am Abend, ob es besser geworden ist.

Was du jetzt tun kannst

Fang bei deinen 20 Vorgängen an, nicht bei der Rangliste. Danach kennst du die Stufe, die du brauchst, und rechnest die Menge gegen die Schwelle. Zwei Zahlen entscheiden fast alles: wie viele Vorgänge im Monat anfallen und ob die Daten das Haus verlassen dürfen. Die Modellnamen darüber ändern sich, diese Auswahllogik nicht.

Welche Stufe deine Aufgabe wirklich braucht und was der Betrieb im Monat kostet, siehst du daran, wie wir das als KI-Agentur aufsetzen. Deine 20 Vorgänge, deine Monatsmenge, die Frage nach den Daten: Das passt in eine Fokus-Session von 60 Minuten. Wir gehen die Vorgänge durch, rechnen deine Menge gegen die Schwelle und klären, ob die Daten das Haus verlassen dürfen oder das Modell zu dir kommen muss.