QUINTSMART · NEWSLETTER 48

Welches Modell wofür?

Hey ,

ich habe lange die falsche Frage gestellt.

Wenn ich neue KI-Modelle ausprobiert habe, dachte ich immer: Welches ist das beste? Welches nehme ich? Ich habe einfach ausprobiert, verglichen, gewechselt. Hauptsache ein gutes Modell gefunden.

Was ich dabei nicht gesehen habe: Ich war die ganze Zeit auf der Oberfläche unterwegs. Ich habe nie gefragt, was das Modell eigentlich tun soll. Ich habe nie gefragt, ob meine Daten dabei das Haus verlassen. Ich habe nie gefragt, was passiert, wenn ich plötzlich zehnmal mehr Anfragen schicke.

Bis mir jemand drei Fragen gestellt hat, die mich aus dem Tritt gebracht haben:

• Dürfen diese Daten überhaupt zu einem externen Anbieter?
• Weißt du, wie viel dich das kostet, wenn das System wächst?
• Hast du mal nachgeschaut, was passiert, wenn dein Modell abgeschaltet wird?

Ich hatte auf keine der drei eine gute Antwort.

Ich habe aufgehört, nach dem besten Modell zu suchen. Ich habe angefangen, die richtigen Fragen zu stellen.

Zuerst: Was soll das Modell eigentlich tun?

Das klingt simpel. Ist es aber nicht.

Die meisten Menschen behandeln ein KI-Modell wie eine Suchmaschine: eine Box, man gibt etwas ein, man bekommt etwas zurück. Dabei gibt es mindestens fünf verschiedene Aufgaben, für die man unterschiedliche Modelle braucht.

Ein konkretes Beispiel: Stell dir vor, du schreibst einen Kundenbericht. Du willst, dass das Modell die Struktur vorschlägt. Einen anderen Teil soll es schön formulieren. Dann soll es schnell durch 200 alte Dokumente suchen. Und noch einen Screenshot vom Kunden erklären. Das sind vier verschiedene Aufgaben. Sehr starke Modelle können das alles – aber sie kosten entsprechend. Wer nicht bewusst entscheidet, zahlt entweder zu viel oder bekommt schlechte Ergebnisse.

Die Frage, die die meisten überspringen: Dürfen die Daten das Haus verlassen?

Das ist keine technische Frage. Das ist eine rechtliche.

Wenn du einem KI-Modell etwas schickst, landet dieser Text irgendwo auf einem Server. Die Frage ist: Wo? In welchem Land? Nach welchem Recht?

Eine einfache Faustregel:

Fast niemand trifft diese Entscheidung bewusst. Man öffnet ChatGPT, schickt die Anfrage, und hofft, dass schon nichts schiefgeht.

Wann explodieren die Kosten?

Das ist die Frage, die ich am längsten ignoriert habe.

KI-Modelle werden nach Tokens bezahlt. Ein Token ist ungefähr ein halbes Wort. Wer ein Modell nur manchmal benutzt, merkt das kaum. Wer es in ein System einbaut, das täglich läuft, kann eine böse Überraschung erleben.

Drei Situationen, in denen Kosten plötzlich groß werden:

Wenn das Modell viele Dokumente lesen muss. Jede Seite, die das Modell als Kontext bekommt, kostet Geld. Wer 50 Seiten Vertrag durchsucht, zahlt deutlich mehr als wer eine Frage stellt.

Wenn dasselbe System von vielen Leuten gleichzeitig genutzt wird. Was im Test günstig war, kann im Betrieb teuer werden.

Wenn das Modell antwortet, ohne dass man es eingrenzt. Lange, ausführliche Antworten kosten mehr als kurze. Das lässt sich steuern.

Die gute Nachricht: Mit einem klaren Raster lässt sich das gut planen. Du musst nur die Fragen stellen, bevor du baust, nicht danach.

Wie meine eigene Praxis heute aussieht

Das hier ist keine Theorie. Ich habe wochenlang recherchiert, bis ich einen Ansatz gefunden habe, der für mich funktioniert – und ich teile ihn, weil ich früher genau diese Orientierung gebraucht hätte. (Stand Juli 2026, vor dem echten Einsatz bitte selbst prüfen, die Landschaft ändert sich schnell.)

Ich habe Cursor als Orchestrator in der Mitte. Viele meiner Aufgaben gebe ich an Cursor weiter, der in einem Automodus läuft und selbst das passende Modell auswählt. Ich muss nicht jedes Mal entscheiden.

Für Texte benutze ich bewusst Modelle, die auf Schreiben spezialisiert sind – und die nur die Informationen bekommen, die für die jeweilige Aufgabe wirklich relevant sind. Nicht alles auf einmal.

Wenn ich sehr lange an einem Thema arbeite und viel Kontext mitschleppen muss, wechsle ich zu einem Modell mit einem großen Kontextfenster – aktuell oft Gemini. Das bedeutet: Das Modell kann sehr viel Text auf einmal verarbeiten, ohne wichtige Teile zu vergessen.

Lokale Modelle setze ich für mich selbst kaum ein – mir sind sie heute noch zu leistungsschwach für meinen Alltag. Wenn ich aber mit wirklich schützenswerten Daten arbeiten würde, wäre das meine erste Wahl. Die Entscheidung hängt nicht an Überzeugungen, sondern an den Daten.

Bilder verstehen ist nicht dasselbe wie Bilder erstellen

Diese Unterscheidung begegnet mir weniger im persönlichen Alltag – aber sie wird wichtig, sobald jemand über lokale Modelle nachdenkt. Viele lokale Modelle können keine Bilder lesen, und wer das nicht weiß, wundert sich später.

Bilder verstehen heißt: Du schickst dem Modell ein bestehendes Foto oder einen Screenshot, und es erklärt dir, was drauf ist. Das geht mit den meisten modernen Chat-Modellen.

Bilder erstellen heißt: Du schreibst einen Text, und das Modell malt ein neues Bild daraus. Das ist eine komplett andere Technik, ein anderes System, oft ein anderer Anbieter.

Wer das nicht unterscheidet, wartet am falschen Punkt auf eine Funktion, die dort gar nicht existiert.

Lokal oder Cloud: eine Entscheidung, kein Glaubenssatz

Lokale Modelle bedeuten: Das Modell läuft auf eurem eigenen Server. Kein Wort verlässt euer Netzwerk.

Das klingt nach der sichersten Lösung. Ist es manchmal auch. Aber es bedeutet auch: Ihr seid selbst verantwortlich für Updates, Betrieb und Wartung. Das kostet Zeit und Wissen.

Die ehrlichere Frage ist nicht „Brauchen wir lokal?“, sondern: „Welche Daten zwingen uns dazu?“

Für viele Aufgaben reicht ein europäischer Cloud-Anbieter. Für rote Daten ist lokal oft die einzige sinnvolle Option.

Und noch etwas: Wer lokal einsteigen will, sollte in dieser Reihenfolge denken: erst der Anwendungsfall, dann das Modell, dann die Hardware. Nicht umgekehrt. „Wir kaufen jetzt einen starken Server“ ist meistens der falsche erste Schritt.

Was bleibt

Drei Fragen, die ich mir jetzt immer zuerst stelle, bevor ich ein Modell wähle:

Was soll das Modell konkret tun? Dürfen diese Daten das Haus verlassen? Und was kostet mich das, wenn das System wächst?

Wer diese drei Fragen beantworten kann, trifft die Modellentscheidung nicht mehr blind.

Wenn du tiefer einsteigen willst

Dieser Newsletter ist das Ergebnis von wochenlanger persönlicher Recherche. Kein akademisches Papier – einfach eine Orientierungshilfe in einem Dschungel, der sich gerade sehr schnell verändert. In der AI:mpulskraft Community gibt es dazu vier ausgearbeitete Kompendien als PDF, plus Videos und Gespräche, in denen wir die Fragen weiter durcharbeiten:

1. Souveräne GenAI – Entscheidungsrahmen, Ampel, drei Pfade
2. EU-GenAI Modellkatalog – Rollen, Startstack, was sich ändert
3. Bildgenerierung im EU-Stack – warum beides getrennte Systeme sind
4. Lokale Modelle – wann es sich wirklich lohnt und wie man startet

Der Hintergrund ist einfach: Wissen, das über Newsletter-Texte und LinkedIn-Updates hinausgeht, braucht einen anderen Ort. Einen Ort, an dem wir Fragen aufmachen, gemeinsam lernen und miteinander in echten Austausch kommen. Komm gern dazu.

Wir sehen uns,
Sebastian

Fachliche Arbeitsgrundlage – keine individuelle Rechtsberatung. Modelllisten, Preise und Endpunkte ändern sich; vor Produktivnutzung erneut prüfen.