Jedes Modell. Jede Antwort belegt.

Welches KI-Modell braucht ihr wirklich?

Kurz zu den Prozentzahlen unten: „Genauigkeit von 90 %" heißt: von 100 Fällen ordnet das Modell rund 90 richtig ein. Ein „Abstand von 1,7 %" heißt: das frei verfügbare Modell ist nur noch 1,7 Prozentpunkte schlechter als das beste gekaufte — also praktisch gleichauf.

1 Frei verfügbare Modelle sind fast so gut wie die teuren.

Lange galt: Spitzenleistung gibt es nur bei den großen, gekauften US-Modellen. Das stimmt so nicht mehr. Der Stanford AI Index 2025 misst, wie weit die besten frei verfügbaren Modelle hinter den besten gekauften liegen — gemessen daran, welche Antwort Menschen im direkten Vergleich besser finden. Dieser Rückstand ist in einem Jahr regelrecht zusammengeschrumpft:12

Nur bei den schwersten Aufgaben (etwa Programmieren oder Fachwissen auf Doktor-Niveau) liegen die gekauften Modelle noch ein paar Punkte vorn. Für die allermeisten Aufgaben im Alltag ist der Unterschied heute klein — und frei verfügbare Spitzenmodelle wie Kimi K3 liegen zu einem Bruchteil des Preises direkt hinter den Marktführern.7

2 Für eure Aufgabe schlägt ein kleines Modell den großen Allrounder.

Der entscheidende Punkt fürs Unternehmen: Ihr braucht kein Modell, das über alles plaudern kann — ihr braucht eines, das eure Aufgabe zuverlässig löst. Genau das zeigen wissenschaftliche Studien immer wieder: Ein kleines, frei verfügbares Modell, das gezielt auf eure Fachdaten trainiert wird (Fachleute sagen „fine-tuning"), ist so gut wie die großen Alleskönner oder besser — bei einem Bruchteil der Größe und Kosten. In der Tabelle steht links das kleine Spezial-Modell, rechts der große Allrounder; die Zahl ist die Trefferquote:

Kurz erklärt: „94,6 % richtig" heißt, das Modell lag bei rund 95 von 100 Fällen korrekt. In der Tabelle gewinnt fast immer das kleine, spezialisierte Modell — obwohl der Allrounder viel größer und teurer ist. Der Grund ist das gezielte Training auf die jeweilige Aufgabe.

3 Je mehr eigene Daten, desto besser.

Der vielleicht wichtigste Befund: Das Modell wird umso besser, je mehr eigene Beispiele es bekommt. In einer Studie stieg die Trefferquote desselben Modells von 84,8 % auf 94,6 % — nur weil man ihm statt 5.000 rund 76.000 Beispiele zum Lernen gab.4 Genau hier setzt c:node an: c:node ist kein festes, fertiges Modell, sondern ein Wissensspeicher, der mit jedem Fall in eurem Haus mitwächst — je länger ihr arbeitet, desto genauer und nachvollziehbarer werden die Antworten für euren Bereich.

4 Wie c:node das nutzt: drei Schichten.

c:node bringt genau diese Erkenntnisse in drei Schichten zusammen — für jeden Kunden getrennt und abgeschottet:

Alle drei Schichten wachsen pro Mandant mit jedem Fall: mehr Fachdaten schärfen das Fine-Tuning, jeder neue Beleg erweitert Wissensgraph und Ontologie. Je länger c:node in eurem Haus arbeitet, desto präziser und nachvollziehbarer wird es — isoliert, auf Wunsch on-prem, mit Datenschutz nach DSGVO.

5 Und es geht EU-souverän.

Man ist für all das nicht auf US-Anbieter angewiesen. Das deutsche Aleph Alpha liefert mit Pharia ein mehrsprachiges (u. a. Deutsch) Modell und den kompletten Stack inklusive Gewichten und Laufzeit für den On-Premise-Betrieb — trainiert im Einklang mit EU- und nationalem Recht.5 c:node ist modell-agnostisch: c:node läuft auf offenen Modellen eurer Wahl, austauschbar, ohne die nachvollziehbare Logik zu ändern — in der Cloud, auf eurem Server oder offline.

6 Warum man KI-Ranglisten mit Vorsicht lesen sollte.

Ein fairer Vergleich braucht Vorsicht: Bei vielen bekannten Tests liegen die Spitzenmodelle heute alle bei über 90 % richtig — der Rest ist kaum noch Unterschied, sondern Messschwankung. Eine „Platz-1"-Schlagzeile sagt deshalb wenig, weil oft schon die Testmethode das Ergebnis verschiebt. Wir zeigen hier bewusst keine tagesaktuelle Momentaufnahme, sondern die belegten Trends — und verlinken die laufenden, öffentlichen Ranglisten zum Selbstnachschauen: