Handwerk · Modell-Fluency
Das richtige Modell für die richtige Aufgabe.
Stärken und Schwächen jedes Modells kennen, und für jede Aufgabe das passende wählen, statt ein einziges für alles zu nehmen. Reasoning-Tiefe, Tempo, Kosten, Kontextfenster, Tool-Nutzung und Sprachen unterscheiden sich von Familie zu Familie; die Wahl ist eine Engineering-Entscheidung, kein Geschmack.
Es gibt kein bestes Modell, nur das passende
Kein Modell ist überall das beste; es gibt nur das passende pro Aufgabe. Jede Familie wägt Reasoning-Tiefe, Tempo, Kosten, Kontextfenster, Tool-Nutzung und Sprachqualität anders ab. Ein Deep-Reasoning-Modell, das eine Vertragsklausel formuliert, ist Overkill für das Taggen von Support-Tickets; ein schnelles, günstiges Modell, das Tausende Dokumente klassifiziert, stolpert über eine mehrstufige juristische Analyse. Fluency heisst, das Aufgabenprofil auf das Modellprofil zu legen, und zu wissen, wann ein kleineres Modell mit gutem Kontext ein grösseres schlägt.
Die Wahl ist eine Engineering-Entscheidung
Wir wählen nicht nach Benchmark-Schlagzeile oder Anbieter-Slide. Zuerst definieren wir die Aufgabe: nötige Reasoning-Tiefe, Latenz-Budget, Kosten pro Aufruf bei Ihrem Volumen, Kontextgrösse, ob Tools aufgerufen werden müssen oder das Modell zuverlässig auf Deutsch bleibt. Dann testen wir die Kandidaten an Ihren echten Daten und messen. Das Modell ist eine austauschbare Komponente im Workflow, nicht der Workflow selbst, so bleibt der Rest des Systems stabil, wenn das Modell wechselt.
- 01 Aufgabenprofil definieren
- 02 Kandidaten auswählen
- 03 An echten Daten testen
- 04 Messen statt glauben
- 05 Bewusst entscheiden
Mensch AI Algorithmus
Modelle ändern sich monatlich, die Wahl auch
Das heute richtige Modell kann in einem Quartal veraltet, günstiger oder ersetzt sein. Wir halten die Wahl bewusst und prüfen sie planmässig neu, mit Workflows, in denen ein Modell getauscht wird, ohne alles drumherum neu zu bauen. Neue Releases messen wir gegen dieselbe Aufgabendefinition, und übernehmen sie nur, wenn sie nachweisbar helfen. Kein Hinterherrennen hinter jeder Ankündigung, kein Lock-in an den Standard von gestern.
Kein Hinterherrennen hinter jeder Ankündigung, kein Lock-in an den Standard von gestern.
Die wichtigsten Modellfamilien im Überblick.
Eine ehrliche Momentaufnahme der Familien, die für Schweizer Unternehmen heute relevant sind, mit Stärken, Schwächen und dem Einsatz, für den sie am besten passen.
Stand: Juli 2026 · Modelle ändern sich monatlich, diese Übersicht auch
| Modellfamilie | Stärken | Schwächen | Am besten für |
|---|---|---|---|
| Claude (Anthropic) Opus 4.8 · Sonnet 5 · Haiku 4.5 |
|
| Software-Engineering, komplexe Analysen und agentische Automatisierung. In EU/EFTA-Tenants als Copilot-Standard wählbar. |
| GPT (OpenAI) GPT-5.5 · via Azure OpenAI |
|
| Organisationen im Azure-Stack: breite Business-Workflows, Coding, Automatisierung im Microsoft-Umfeld. |
| Gemini (Google) 3.5 Pro · 3.5 Flash |
|
| Analyse sehr grosser Dokumentmengen, multimodale Aufgaben, Firmen auf Google Workspace. |
| Mistral (EU) Large 3 · Medium 3.5 · Codestral |
|
| Residency-Pflicht, On-Prem-Betrieb und kostensensitive Wissensarbeit, wenn Europa-Hosting vor Benchmark-Spitze kommt. |
| Apertus (Schweiz) 8B · 70B · Apache 2.0 |
|
| Öffentliche Hand und Transparenz-Pflicht, als Basis für Fine-Tuning. Kein generalistischer Ersatz für Frontier-Modelle. |
| Open-Weight (Self-Hosting) DeepSeek V4 · Qwen 3.5 · Llama 4 |
|
| Volle Datenhoheit mit eigenem Engineering-Team, hohe Volumen zu minimalen Kosten pro Aufruf. |
Diese Übersicht ist bewusst eine Momentaufnahme, keine Rangliste. Auch in Microsoft 365 Copilot wählen Sie inzwischen zwischen Modellen mehrerer Anbieter, EU-Tenants können sogar den Standard wechseln. Welche Familie zu welcher Ihrer Aufgaben passt, ist genau die Entscheidung, die wir mit Ihnen definieren, messen und planmässig neu prüfen.
Wenn ein Modell alles machen soll.
„Ein Modell für alles“ fühlt sich einfach an, und kostet leise Geld, Tempo und Verlässlichkeit. Die häufigsten Muster:
- 01 Das teuerste Modell für jede Kleinigkeit Kosten
- 02 Ein günstiges Modell für mehrstufiges Reasoning Fehler
- 03 Wahl nach Benchmark-Schlagzeile statt nach Aufgabe Hype
- 04 Englisch-optimiert, im Schweizer Kontext schwach Sprache
- 05 Einmal gewählt, nie wieder überprüft Veraltet
- 06 Modell fest verdrahtet, nicht austauschbar Lock-in
Keines davon ist ein AI-Problem. Es ist eine fehlende Modell-Entscheidung.
Mehr zu Modell-Fluency
Wie du pro Aufgabe das passende Modell wählst, statt einem Modell für alles, vertiefen wir im Blog. Die Modellübersicht oben halten wir laufend aktuell.