Das passende KI-Modell für jede Aufgabe wählen
5 Minuten Lesezeit
Wählen Sie das Modell für eine Aufgabe danach, was sie braucht, nicht danach, welches Tool gerade offen war. Ein Raster, mit dem Sie diese Wahl bewusst treffen.
Ein KI-Modell für eine Aufgabe auszuwählen heißt, die Stärke des Modells auf das abzustimmen, was die Aufgabe tatsächlich braucht: ein starkes, teures Modell für Arbeit, bei der es vor allem auf Qualität ankommt, ein leichteres für Arbeit, bei der Tempo und Kosten wichtiger sind als der letzte Schliff. Die meisten Teams treffen diese Entscheidung gar nicht. Sie wählen beim Einrichten eines Tools ein Modell und lassen alles darüber laufen, egal, was eine Aufgabe verlangt.
Diese Gewohnheit ist nachvollziehbar. Für jede Aufgabe neu zu entscheiden kostet mehr Nachdenken, als einmal zu entscheiden und weiterzumachen. Ein Haus, das für Kunden arbeitet, zahlt für diese Abkürzung aber doppelt: einmal mit KI-Ausgaben, die nicht zur Arbeit passen, und einmal mit einer Qualität, die nicht dem entspricht, was der Kunde erwartet.
Wie Sie entscheiden, welches Modell eine Aufgabe braucht
Stellen Sie zwei Fragen zur Aufgabe: Wie stark hängt das Ergebnis von der Qualität ab, und wie oft wiederholt sich die Aufgabe?
Eine Aufgabe mit hoher Tragweite und geringem Volumen, etwa die Analyse, auf der ein Kundenergebnis aufbaut, sollte das stärkste Modell bekommen, auf das Sie Zugriff haben. Der Kostenunterschied zwischen Modellen fällt kaum ins Gewicht, verglichen mit den Kosten einer falschen Analyse. Eine Aufgabe mit geringer Tragweite und hohem Volumen, etwa Notizen umformatieren oder ein routinemäßiges Status-Update entwerfen, braucht ein Modell, das schnell und günstig genug ist, um ständig zu laufen. Qualität oberhalb eines recht niedrigen Niveaus fällt dort ohnehin niemandem auf.
Fehler passieren vor allem bei den Aufgaben dazwischen: Entwürfe und Recherchen für Kunden, die echte Qualität brauchen, aber so oft anfallen, dass sich die Kosten summieren. Hier passt ein leistungsfähiges Modell der Mittelklasse, nicht automatisch das stärkste und auch nicht das billigste, nur um ein paar Cent zu sparen.
Ein Raster: welches Modell für welche Aufgabe
Sortieren Sie die Arbeit nach Tragweite und Volumen, bevor Sie ein Modell zuweisen.
| Aufgabenmuster | Beispiel | Was sie braucht | Modellwahl |
|---|---|---|---|
| Hohe Tragweite, geringes Volumen | Die Kernanalyse hinter einem Kundenergebnis | Höchste Qualität, den Preis wert | Das stärkste dafür verfügbare Modell |
| Hohe Tragweite, hohes Volumen | Entwürfe und Recherchen für Kunden | Solide Qualität, wiederholbar | Ein leistungsfähiges Modell der Mittelklasse |
| Geringe Tragweite, hohes Volumen | Notizen bereinigen, routinemäßige Status-Updates | Tempo und niedrige Kosten | Ein leichteres, günstigeres Modell |
| Geringe Tragweite, geringes Volumen | Einmalige interne Zusammenfassungen | Was gerade offen ist | Hier passt jedes Modell |
Die unterste Zeile ist die Ausnahme: Nicht jede Aufgabe lohnt eine Entscheidung. Am nützlichsten ist das Raster für die oberen drei Zeilen. Dort kostet die falsche Voreinstellung entweder unnötig Geld, oder Arbeit, die der Kunde zu sehen bekommt, erhält zu wenig Sorgfalt.
Wo die Entscheidung festgehalten wird
Meist liegen Häuser dann falsch, wenn sie die Wahl der Person überlassen, die die Aufgabe an diesem Tag gerade ausführt. Dann bekommt dieselbe Art von Arbeit ein anderes Modell, je nachdem, wer sie gemacht hat und was gerade offen war. Eine Entscheidung, die feststehen sollte, wird jedes Mal neu getroffen.
Die Lösung: Halten Sie die Modellwahl im Workflow selbst fest, statt sie den Gewohnheiten jedes Einzelnen zu überlassen. Hat ein Haus aus einer bewährten Methode einen wiederverwendbaren Workflow gemacht, gehört das Modell für jeden Schritt zu dem, was aufgeschrieben wird, neben den Quellen, die der Schritt nutzt, und der Form des Ergebnisses. Wer den Workflow als Nächstes ausführt, nutzt das Modell, das bereits darin steht, und kann es bewusst ändern, wenn die Aufgabe wirklich vom üblichen Muster abweicht.
So lässt sich die Wahl auch leicht überprüfen. Steht das Modell in einem dokumentierten Workflow, ist ein Wechsel eine einzeilige Änderung, sobald es eine bessere Option gibt. Existiert es nur im Gedächtnis einer Person, muss jeder umlernen, der die alte Gewohnheit übernommen hat.
Was es kostet, das der Voreinstellung zu überlassen
Wenn jede Aufgabe über ein einziges Modell läuft, egal welches, kostet Sie das auf eine von zwei Arten. Entweder erledigt das starke Modell Routinearbeit, für die es nicht nötig war. Dann zahlen Sie für Qualität, die später niemandem auffällt. Oder das leichte Modell erledigt Arbeit, die mehr Sorgfalt gebraucht hätte. Das zeigt sich später, wenn die prüfende Person etwas findet, das ein stärkeres Modell gleich richtig gemacht hätte, oder schlimmer, wenn es zuerst der Kunde findet.
Keiner der beiden Posten steht auf einer Rechnung als „falsches Modell“. Sie sehen eine Position für KI-Ausgaben, die ohne erkennbaren Grund hoch wirkt, oder eine Prüfzeit, die für die Art der Arbeit länger ist, als sie sein sollte. Passt das Modell zur Aufgabe, lassen sich beide Zahlen deuten: Sie können die Ausgaben auf Arbeit zurückführen, die genau das Modell brauchte, das sie bekommen hat, und die Prüfzeit zeigt die tatsächliche Qualität des Entwurfs statt einer verdeckten Fehlbesetzung beim Modell.
Die Wahl sichtbar halten
Eine Modellwahl, die einmal im Workflow getroffen wurde, nützt nur, wenn jemand sie später sehen kann. Die Nutzung sollte nach Team und Kunde sichtbar bleiben, damit eine Teamleitung prüfen kann, ob die eingesetzten Modelle noch zur Arbeit passen, statt darauf zu vertrauen, dass die ursprüngliche Einrichtung Monate später noch stimmt. Das ist weniger Aufwand, als das Raster neu aufzusetzen: ein regelmäßiger Blick darauf, ob die Zuordnungen noch passen, keine Wiederholung der ganzen Übung.
Warum KI-Nutzung nach Team und Kunde transparent sein sollte und warum diese Transparenz über die Modellwahl hinaus zählt, steht im Beitrag Das richtige KI-Modell zu Kosten, die Sie steuern.
