Das beste Modell für eine Aufgabe ist fast nie das beste Modell auf der Bestenliste.
In der KI-Welt ist Weihnachten etwa einmal pro Woche. Ein neues Modell erscheint, alle starren auf dieselben Benchmark-Diagramme mit falscher Präzision, und wir sind uns alle einig, dass es das Beste seit der Erfindung der Mikrowelle ist – bis zur nächsten Woche, wenn wir das Ganze wiederholen.
Aber keine dieser Diagramme beantwortet die einzige Frage, die zählt. Kann das Modell tatsächlich Ihr tägliches Briefing erstellen oder ein Angebot an einen Kunden senden? Bei Hyperagent geben wir Ihnen Zugang zu all diesen Modellen, zusätzlich zu einem erstklassigen Agenten. Also haben wir sie selbst getestet. Vierzehn Modelle, zweiundvierzig Durchläufe, mit der echten Wissensarbeit, die unsere Kunden den Agenten täglich anvertrauen. Drei Dinge sind uns aufgefallen.
- Die Kosten variierten um das 50-fache bei identischer Arbeit. Dieselbe Testbatterie kostete 1,48 $ auf Qwen 3.7 Plus und 75,16 $ auf Fable 5.
- Der Benchmark-Gewinner war nicht der Arbeits-Gewinner. GPT 5.6 Sol führte unsere Basistests an, landete aber nicht unter den ersten drei, sobald es echte Aufgaben innerhalb von Hyperagent ausführte. Grok 4.5 war im Mittelfeld der Basistests und belegte bei fertiger Arbeit, Geschwindigkeit und Kosten den ersten Platz.
- Und kein Modell hat alles gewonnen. Die richtige Wahl hing von der Aufgabe ab.
Die Erkenntnis ist nicht ein neues Lieblingsmodell. Es ist eine Methode, um Aufgabenweise zu entscheiden, welches Modell seine Kosten wert ist.
Die KI-Modell-Landkarte für Wissensarbeit
Jede Aufgabe, die Sie einem Agenten übergeben würden, läuft auf zwei Fragen hinaus: Wie viel Urteilsvermögen ist nötig und wie oft läuft sie? Trägt man diese beiden Achsen auf, fällt Wissensarbeit in vier Gebiete, die jeweils ein andersartiges Modell erfordern.
Massenarbeit (oben links). Triage, Überwachung, Weiterleitung, Datensynchronisation. Klare Abläufe, läuft ständig, und ein Fehler ist günstig zu beheben. Diese Arbeit erfordert etwas Schnelles und Preiswertes.
Das tägliche Handwerk (oben rechts). Entwürfe, Berichte, Recherche, Kundenkommunikation. Die wiederkehrende Wissensarbeit, die den Großteil der Woche ausmacht – sie braucht echte Synthese und einen guten Schreibstil, zuverlässig und oft.
Hohe Einsätze (unten rechts). Vertragsprüfung, Preisentscheidungen, Tiefenanalysen. Selten, aber eine falsche Antwort kostet einen Kunden, einen Vertrag oder die Marge eines Quartals. Hier überwiegt der Schaden die Modellkosten bei weitem, und hier verdienen die teuersten Modelle ihren Preis.
Nicht optimieren (unten links). Die gelegentliche, einfache Anfrage, bei der jedes fähige Modell die Anforderungen erfüllt und der Preisunterschied zu gering ist, um eine Entscheidung zu rechtfertigen. Es ist das eine Feld auf der Karte, bei dem wir den Leuten sagen, sie sollen nicht darüber nachdenken.
Die drei Modellklassen
Aus der Karte ergeben sich drei Arbeitsklassen. Sie beschreiben die Wirtschaftlichkeit und das erforderliche Urteilsvermögen der Aufgabe, anstatt ein Modell als gut oder schlecht zu bewerten.
Sprinter sind für Massenarbeit gebaut – schnell, günstig und konsistent, wenn der Ablauf klar ist und ein Fehler leicht zu beheben ist. Haiku 4.5, Gemini 3.5 Flash und DeepSeek V4 Pro.
Mittelgewichtler erledigen das tägliche Handwerk. Sie synthetisieren Quellen, halten einen mehrstufigen Plan ein und schreiben gut, ohne für jeden Bericht Spitzentarife zu verlangen. Sonnet 5, GPT 5.6 Terra, Grok 4.5 und GLM 5.2 – hier liegt der Großteil der Wissensarbeit.
Schwergewichtler übernehmen die Aufgaben mit hohen Einsätzen und bringen stärkeres Urteilsvermögen und mehr Denkzeit in Arbeiten ein, bei denen eine falsche Antwort weit mehr kostet als die Modellrechnung. Opus 4.8, GPT 5.6 Sol und Fable 5.
Der Instinkt der meisten Leute ist, oben anzufangen und sich nach unten zu arbeiten – alles auf einem Fable 5 oder Opus 4.8 laufen zu lassen, die gewünschte Ausgabe zu bekommen und dann günstigere Modelle zu testen, bis die Qualität nachlässt. Es funktioniert, aber wir haben festgestellt, dass die meisten Aufgaben das nicht brauchen. Sobald Sie die Aufgabe benennen und auf der Karte verorten können, können Sie normalerweise von Anfang an in der richtigen Klasse starten. Für das tägliche Handwerk, das den Großteil Ihrer Arbeit ausmacht, bedeutet das, mit einem soliden Mittelgewichtler wie Sonnet 5 zu beginnen. Sie greifen nur dann zur Top-Down-Suche, wenn eine Aufgabe wirklich am Ende mit hohen Einsätzen angesiedelt ist.
Das Feld ist breiter als Claude, GPT und Gemini
Die meisten Teams greifen standardmäßig auf die Handvoll Modellnamen zurück, die sie bereits kennen. Das ist ein vernünftiger Ausgangspunkt, aber es lässt einen Großteil des Angebots ungenutzt – und einige der Modelle, die in Hyperagent die nützlichste Arbeit leisten, sind keine bekannten Namen. Dies sind unsere operativen Eindrücke aus der Testbatterie und dem täglichen Gebrauch, plus der Arbeit, die wir Kunden haben durchführen sehen.
Grok 4.5 ist schnelle Echtzeit-Recherche. Es bewegt sich schnell durch werkzeugintensive Recherchen und schnitt besonders gut ab, wenn es mit Hyperagents nativer Exa Search gekoppelt war. Es hat auch eine native Verbindung zu X, sodass eine Frage zur aktuellen Stimmung mit den tatsächlichen Beiträgen hinter der Antwort zurückkommen kann. Es führte unsere Bewertung für fertige Arbeit mit 9,71 $ für den gesamten Durchlauf an.
Muse Spark 1.1 schreibt sauber und überprüft sich selbst. Es belegte im Testdurchlauf den zweiten Platz, und unser erster Eindruck ist präzise, gut strukturierte Prosa mit einer nützlichen Angewohnheit, eigene Arbeit zu prüfen, bevor sie zurückgegeben wird. Es ist noch neu, daher würden wir es zuerst bei überwachten alltäglichen Aufgaben einsetzen, bevor wir es lange unbeaufsichtigt lassen.
Kimi K2.6 ist Tiefenrecherche zu einem Open-Model-Preis. Es führt parallele Suchen durch und fasst die Belege in einer einzigen Antwort zusammen, ohne Flaggschiff-Tarife zu verlangen, was es zu einem starken Recherche-Spezialisten macht. Seine einzige wirkliche Einschränkung ist die Dokumentengröße, mit einem Kontextfenster, das bei 256.000 Token endet.
GLM 5.2 ist der Preistipp. Es kam bei Routine-Recherchen, Entwürfen und Arbeiten mit langen Dokumenten überraschend nahe an die geschlossenen Mittelgewichtler heran, zu etwa einem Drittel des Preises, und seine Prosa gehört zu den stärksten außerhalb von Sonnet und Opus. Es ist für viele im Hyperagent-Team zum täglichen Begleiter geworden.
Qwen 3.7 Plus ist der Bildschirmarbeiter. Es ist besonders gut darin, Schaltflächen, Felder und Menüs auf gerenderten Seiten zu finden, und es ist preiswert für strukturierte Extraktion – es produzierte den günstigsten vollständigen Durchlauf in unserer Testbatterie. Greifen Sie darauf zurück, wenn die Aufgabe darin besteht, mit einer Oberfläche zu arbeiten oder Daten zu bewegen, nicht wenn die Ausdrucksweise wichtig ist.
DeepSeek V4 Pro ist strukturierte Analyse zu sehr geringen Kosten. Es ist am stärksten bei Abgleich, Datenbereinigung, planmäßigen Zahlenarbeiten und ähnlichen strukturierten Aufgaben. Sein Schreibstil ist wörtlich und knapp, was internen Erklärungen gut dient und der kundenorientierten Prosa schlecht. Ein Spezialist, und ein sehr wirtschaftlicher.
Besetzen Sie Ihre ständig aktiven Agenten zum richtigen Preis
Steve Juba leitet ein Reiseunternehmen mit sechs Mitarbeitern. Er baute einen Briefing-Agenten, der mit acht Live-Datenquellen verbunden ist und mehrmals täglich läuft. Das reduzierte seine morgendliche Informationssammlung von über drei Stunden über acht Tabs auf fünfzehn Minuten.
Ein solcher Agent liest weit mehr, als er schreibt, und erledigt dieselbe Aufgabe hunderte Male im Jahr. Daher wird ein kleiner Preisunterschied pro Durchlauf nicht zu einer Rundungsdifferenz, sondern zu einem echten Budgetposten. Betrachten wir ein Briefing, das täglich 100.000 Token liest und 2.000 schreibt. Zu den Listenpreisen vom Juli 2026 kostet diese Art von Arbeit ungefähr:
- 16 $ pro Jahr auf Qwen 3.7 Plus (Sprinter)
- 38 $ pro Jahr auf Kimi K2.6 (Mittelgewichtler)
- 40 $ pro Jahr auf Haiku 4.5 (Sprinter)
- 80 $ pro Jahr auf Sonnet 5 (Mittelgewichtler)
Die Open-Weight-Optionen verändern die Rechnung bei leseintensiven Arbeiten wie dieser. Kimi K2.6 liefert Recherche und Synthese in Mittelgewichts-Qualität für 38 $ bei dieser Aufgabe – weniger als die Hälfte von Sonnet 5 und ungefähr so viel wie der Betrieb des Haiku-Sprinters. Sie tauschen nicht Urteilsvermögen gegen Kosten; Sie bekommen Mittelgewichts-Arbeit zum Sprinter-Preis. Wenn die Aufgabe reine Extraktion ohne Urteilsvermögen wäre, würde Qwen sie für 16 $ erledigen – aber sobald echte Synthese nötig ist, liefert Kimi Ihnen das für fast denselben Preis.
Modell wechseln, Agenten behalten
All das nützt nichts, wenn ein Modellwechsel den Wiederaufbau des Agenten bedeutet. Innerhalb von Hyperagent ist das nicht der Fall, weil das Modell nur eine Einstellung ist und die Rolle darüber steht. Ändern Sie das Modell, und der Agent behält alles, was ihn nützlich macht:
- Seine Anweisungen und seinen Aufgabenbereich
- Seine Fähigkeiten, Skripte und Arbeitsabläufe
- Seine Erinnerung an Korrekturen
- Seine Referenzdateien und den Unternehmenskontext
- Seine Verbindungen zu den Systemen, in denen die Arbeit stattfindet
- Seine Bewertungsrubriken zur Qualitätskontrolle
Das macht die Modellwahl zu einem Test statt zu einer Migration. Derselbe Agent kann dieselbe Aufgabe auf zwei Modellen ausführen, ohne neu aufgebaut zu werden, sodass Sie das günstigste Modell finden können, das Ihre Anforderungen erfüllt, anstatt zu raten.
Es ermöglicht auch, dass der teure Teil eines schwierigen Workflows sich einmal bezahlt macht. Wenn eine Aufgabe es wirklich erfordert, verwenden Sie ein schwereres Modell, um den Workflow zu entwerfen und zu debuggen – dann kodifizieren Sie den Ablauf als Fähigkeit, sodass ein Mittelgewichtler oder Sprinter ihn täglich zu einem Bruchteil der Kosten ausführen kann.
Es gibt jedoch eine versteckte Kostenfalle, die Sie im Auge behalten sollten. Ein günstigeres Modell mit einer niedrigen Rechnung ist nicht günstig, wenn jede Ausgabe korrigiert werden muss – die menschliche Überprüfungszeit und die Kosten eines Fehlers sind Teil des tatsächlichen Preises. Nennen wir es die Überprüfungssteuer. Sie setzt die Untergrenze dafür, wie leichtgewichtig Sie sein können. Was in Hyperagent anders ist, ist, dass die Überprüfung nicht nur bezahlt wird, sondern sich auszahlt: Während der Agent aus Ihren Korrekturen durch das Gedächtnis lernt, wird dieser Überprüfungsaufwand vom System erfasst und produziert einen besseren Agenten beim nächsten Durchlauf.
Kunden besetzen ihre Agenten bereits auf diese Weise. Ankit Das baute einen Marketingbetrieb mit einem Growth Orchestrator auf Sonnet 5, der die Urteilsentscheidungen traf, und acht Kanalspezialisten auf GLM 5.2, die die wiederkehrende Kanalarbeit produzierten, mit separaten QA-Agenten, die Markenkonformität und Schreibqualität prüften – alles ausgelöst von einem einzigen Thread. Eli Weiss beschreibt seine Aufteilung einfacher: etwa 85 % Sonnet und 15 % Opus, verteilt auf seine Fähigkeiten und Routinen. Die meiste Arbeit läuft auf dem täglichen Begleiter; Opus bekommt die kleinere Menge an Aufgaben, bei denen das zusätzliche Urteilsvermögen seinen Preis wert ist.
Das ist der praktische Wert der Modellwahl innerhalb von Hyperagent. Geben Sie bewusst über die Arbeit verteilt aus, und reservieren Sie die zusätzlichen Dollar für die Aufgaben, bei denen zusätzliches Urteilsvermögen das Ergebnis verändert.
Wählen Sie das Modell, nachdem Sie die Aufgabe gewählt haben
Verwenden Sie diese Abfolge für einen Agenten, den Sie bereits betreiben:
- Benennen Sie die Aufgabe. „Den Montags-Kundenbericht vorbereiten“ ist nützlicher als „Hilfe bei der Berichterstattung“.
- Verorten Sie sie auf der Karte. Entscheiden Sie, wie viel Urteilsvermögen nötig ist und wie oft sie laufen wird.
- Starten Sie dort, wo die Karte sie platziert. Für die meiste Arbeit ist das ein fähiger Mittelgewichtler – verwenden Sie ihn, bis Sie die Randfälle der Aufgabe verstehen und den Prozess in Fähigkeiten kodifizieren.
- Testen Sie eine Klasse leichter für fünf echte Durchläufe. Behalten Sie die Anweisungen, Fähigkeiten, das Gedächtnis, die Quellen und die Bewertungsrubrik bei.
- Vergleichen Sie die Gesamtkosten. Verfolgen Sie fertige Qualität, Konsistenz, Zeit, inhaltliche Fehler, Modellrechnung und menschliche Überprüfungszeit.
- Eskalieren Sie gezielt. Ziehen Sie einen Schwergewichtler hinzu, wenn die Überprüfungslast oder die Kosten einer falschen Antwort die Modellprämie übersteigen.
- Verwenden Sie ein anderes Modell, um wichtige Arbeiten zu überprüfen. Das Modell, das den Fehler gemacht hat, ist oft am wenigsten geeignet, ihn zu sehen.
Behalten Sie das günstigste Modell, das zuverlässig Ihren Standard erfüllt. Geben Sie dann die Differenz für die Aufgaben aus, die es verdienen.
