Daaniyal Khan – Strategieberatung | KI & Digitalisierung DACH

„Welches LLM sollten wir bei uns nutzen?" — diese Frage erreicht mich aktuell drei bis fünf Mal pro Woche aus Kunden-Gesprächen. Die Frage ist verständlich, aber sie ist falsch gestellt. Sie suggeriert, es gäbe eine Antwort. Tatsächlich gibt es fünf Antworten, abhängig davon, was Sie konkret tun wollen — und welche Compliance-Anforderungen Sie haben.

Ich strukturiere die Landschaft 2026 in fünf Camps mit klar unterscheidbaren Profilen. Dieser Artikel liefert Ihnen die Landkarte, die Sie brauchen, um bei der nächsten Strategie-Sitzung nicht das falsche Modell aus dem falschen Grund auszuwählen.

Die fünf Camps

Camp 1: Anthropic Claude — der Agent-Spezialist

Anthropic hat sich 2024-2026 als das Camp positioniert, das am konsequentesten auf Agent-Workflows und Code-Tasks setzt. Die aktuelle Modell-Familie umfasst Opus (Flagship, Reasoning-Heavy), Sonnet (Workhorse, Tool-Use, Coding) und Haiku (Schnell, günstig, große Volumina).

Was Anthropic besonders macht:

Claude Code CLI — ein Terminal-Tool, das ich selbst täglich nutze. Es macht Software-Engineering-Aufgaben so niedrigschwellig wie Schreiben.
Prompt Caching mit aggressiven Discounts auf wiederholten Kontext. Bei längeren Konversationen oder wiederholten System-Prompts sparen Sie 70-90 % der Input-Kosten.
Computer Use — Claude kann Bildschirm sehen, Maus + Tastatur steuern. Stand Mai 2026 noch im Beta, aber das Pattern wird Standard.
EU-Hosting via AWS Bedrock in Frankfurt — wichtig für DSGVO-sensible Workloads.

Wofür Claude weniger geeignet ist: Sehr breite multimodale Workflows (Voice, Video) — da liegt OpenAI vorn. Und für reine Mass-Inference auf Massen-Daten ist DeepSeek oder ein gehostetes Open-Source-Modell schlicht günstiger.

Camp 2: OpenAI ChatGPT/GPT-Familie — der Multimodal-Generalist

OpenAI ist nach wie vor das Camp mit der größten User-Base (ChatGPT-Consumer) und dem breitesten multimodalen Spektrum: Text, Voice (Advanced Voice Mode), Image-Generation (DALL-E), Video (Sora). Wenn ein Use-Case mehrere Modalitäten kombiniert — Sprache-zu-Text, Bild-Analyse, Audio-Generation — ist OpenAI die natürliche Wahl.

Drei Sub-Linien laufen parallel:

GPT-Hauptlinie — Standard-Modelle für die meisten Tasks
o-Serie (Reasoning) — denkt vor der Antwort schrittweise; gut für Mathematik, Logik, komplexe Code-Probleme. Trade-off: deutlich langsamer + teurer
GPT mini / nano — kleine, schnelle, billige Modelle für High-Volume-Tasks

Wofür OpenAI weniger geeignet ist: Wer einen sehr stabilen Long-Term-API-Vertrag sucht, sollte wissen, dass OpenAI eine aggressive Deprecation-Politik fährt. Modelle werden in kürzeren Zyklen abgekündigt als bei Anthropic oder Google. Das bedeutet Wartungsaufwand. Mittelständler, die ihre Pipelines stabil halten wollen, planen das ein.

EU-Hosting: über Azure OpenAI in EU-Regionen verfügbar — für DSGVO-Anforderungen die typische Implementierung im deutschen Mittelstand.

Camp 3: Google Gemini — der Kontext-König mit Workspace-DNA

Gemini hat zwei Killer-Features, die kein anderes Camp aktuell in gleicher Tiefe anbietet:

Extrem große Kontext-Fenster (mehrere Hunderttausend bis Millionen Token) — Sie können komplette PDF-Archive oder Stunden-lange Video-Files auf einmal hineingeben.
Native Workspace-Integration — Gmail, Drive, Docs, Calendar. Wenn Ihr Unternehmen ohnehin auf Google Workspace läuft, ist Gemini der Pfad des geringsten Widerstands.

Plus: Gemini hat einen großzügigen Free-Tier, was es zum besten Einstiegs-Modell für Pilot-Projekte macht. Hosting über Vertex AI in Frankfurt für DSGVO-Setups.

Bonus-Hinweis aus eigener Praxis: Google bietet mittlerweile auch ein CLI-Tool namens Antigravity an, vergleichbar mit Claude Code. Ich nutze es selbst für Recherche-Sparring — es liefert eine zweite Modell-Perspektive zu meiner Claude-basierten Arbeit. Das ist die richtige Sicht auf Gemini im Pro-Setup: nicht als Ersatz, sondern als komplementärer Worker.

Wofür Gemini weniger geeignet ist: Im reinen Agent-Workflow + Tool-Use liegt Claude noch vorn. Und die API-Verfügbarkeit der neuesten Modelle in EU-Regionen hinkt manchmal hinter US-Verfügbarkeit her.

Camp 4: DeepSeek — die Pricing-Disruption aus China

DeepSeek hat 2025 mit der Veröffentlichung von DeepSeek V3 + R1 die Frontier-Pricing-Logik gesprengt. Reasoning-Performance auf annähernd Claude-Opus- oder GPT-o-Niveau, bei einem Bruchteil der API-Kosten — teils Faktor 10 günstiger.

Das verändert die Ökonomie für zwei Use-Case-Klassen radikal:

Massive Batch-Verarbeitung (Document-Processing, Klassifikation, Extraction)
Internal-Tools, bei denen Latenz weniger kritisch ist als API-Kosten

Der Haken: Der direkte API-Zugriff auf DeepSeek bedeutet Hosting in China. Für deutsche Mittelständler mit DSGVO-Pflichten ist das praktisch nie akzeptabel. Die Lösung heißt: DeepSeek-Modelle über europäische Inferenz-Anbieter nutzen — Together.ai, Groq oder Cerebras hosten die Open-Weight-Versionen mit eigenen DSGVO-Verträgen.

Das ist der eigentliche Hebel: Open-Source-Frontier-Modelle plus DSGVO-konformer EU-Inferenz-Provider. Ich sehe das im Mittelstand 2026 noch deutlich unter dem Radar — es wird in 2027 Standard sein.

Camp 5: Open-Source-Camp — Llama, Mistral, Qwen

Meta (Llama-Familie), Mistral (französisch, EU-nah) und Alibaba (Qwen) liefern Open-Weight-Modelle, die Sie entweder bei Hostern wie Together.ai/Groq einkaufen oder selbst betreibenkönnen. Die zweite Option ist die strategisch interessanteste — sie löst zwei Probleme gleichzeitig:

Datensouveränität — Ihre Daten verlassen Ihre VPC nie. Wichtig für F&E-Daten, Personalakten, Verträge.
Vorhersagbare Kosten — keine API-Token-Verrechnung, sondern eine planbare Hardware/Hosting-Rechnung.

Der Preis: Sie brauchen entweder eigene GPU-Infrastruktur oder einen Partner, der das für Sie betreibt. Realistisch bedeutet das im Mittelstand: ein IT-Dienstleister mit AI-Kompetenz und ein 6-stelliges Hardware-Investment für einen produktiven Setup. Lohnt sich ab einer bestimmten Inference-Volumen-Schwelle — meist im hohen 5-stelligen Token-Bereich pro Tag.

Mistral verdient besondere Erwähnung für deutsche Mittelständler: französisches Unternehmen, EU-Ansässigkeit, Hosting in der EU verfügbar. Wer aus geopolitischen Erwägungen weg von US-Cloud will, findet hier den natürlichen Einstieg.

Welches Modell für welchen Use-Case? Fünf Mittelstands-Empfehlungen

Statt eine universelle Tabelle zu zeigen, hier die fünf häufigsten Use-Cases aus meinen Mandaten und meine konkrete Empfehlung. Diese Empfehlungen vermeiden bewusst hyperspezifische Modell-Versionen, da sich diese alle paar Monate ändern — die zugrundeliegende Logik bleibt.

Use-Case	Empfehlung	Warum
Customer-Support-Chatbot	Mid-Tier-Modell (Claude Haiku, Gemini Flash, oder gehostetes Llama)	Niedrige Latenz und niedrige Stückkosten zählen, nicht Frontier-Reasoning. Reasoning-Modelle wie Claude Opus oder o-Serie wären hier ein Anti-Pattern (Latenz + Kosten ×10).
Interner Code-Assistent	Claude Sonnet via Claude Code CLI, plus Prompt Caching	Anthropic ist im Engineering-Bereich aktuell die stabilste Wahl. Caching senkt Token-Kosten bei wiederholtem Code-Kontext um 70-90 %.
Dokument-Analyse (Verträge, Berichte)	Gemini Pro via Vertex AI Frankfurt	Das Millionen-Token-Kontextfenster erlaubt das Einlesen ganzer Vertragsarchive auf einmal. Achtung: ab 200K Token steigen die Kosten überproportional.
Sales-Outbound-Personalisierung	Claude Sonnet oder GPT (Standard), via Batch-API	Beide haben das beste Gespür für Tonalität und vermeiden den typischen „KI-Sound". Batch-API halbiert die Kosten bei Volumen-Outreach.
Wissens-Management / RAG	Mid-Tier-Closed-Modell oder gehostetes Open-Source —hängt vom Datentyp ab	Bei nicht-sensiblem Wissen: Claude Sonnet / Gemini Flash via API. Bei sensiblen F&E- oder HR-Daten: Open-Source self-hosted (Llama, Mistral) auf eigener Infrastruktur. Pillar #9 vertieft das.

Anti-Hype-Sektion: Was die Marketing-Decks weglassen

Drei Dinge, die in keinem Anbieter-Deck stehen, aber bei der Setup-Entscheidung kritisch sind:

1. „Benchmarks" sind ein irreführender Maßstab

Wenn ein Anbieter behauptet, „90 % auf MMLU" oder „SOTA auf HumanEval" zu erreichen — das sagt über Ihren konkreten Use-Case fast nichts. In meiner Erfahrung schlägt ein gut-promptetes Mid-Tier-Modell ein schlecht-promptetes Frontier-Modell in 7 von 10 Fällen. Investieren Sie 5-10 % des AI-Budgets in interne Prompt-Engineering-Kompetenz, bevor Sie das nächst-teurere Modell kaufen.

2. Pricing-Werte sind volatil

Jede Pricing-Tabelle in einem AI-Artikel ist nach drei Monaten veraltet. DeepSeek hat 2025 mit aggressivem Pricing den Markt diszipliniert, OpenAI und Google haben mehrfach im Jahr Preise gesenkt. Was 2026 als Faustregel gilt: Frontier-Modelle kosten 2-5 $ / Million Input-Token, Mid-Tier 0.5-2 $, Open-Source gehostet 0.1-0.5 $. Wenn Sie längerfristig planen, holen Sie sich beim Anbieter ein Enterprise-Angebot — das gibt Pricing-Stabilität für 12-24 Monate.

3. „Multi-Model-Strategy" ist Realität, kein Buzzword

Kein Mittelständler, den ich in den letzten 18 Monaten begleitet habe, lebt mit nur einem Provider. Die Realität ist: Claude für Code/Agent-Workflows, Gemini für Dokumenten-Analyse, OpenAI für multimodale Use-Cases, gehostetes Open-Source für sensible Daten — oft alles parallel. Das bedeutet auch: Ein API-Gateway oder Orchestrierungs-Layer wird Standard. Tools wie OpenRouter, Portkey oder ein eigenes Mini-Gateway (selbst gebaut in ein paar Tagen) entkoppeln Ihre Anwendung vom konkreten Provider.

EU-Compliance-Schnellcheck

Für deutsche Mittelständler ist die Wahl meist nicht „technisch bestes Modell", sondern „technisch ausreichendes Modell mit akzeptablem Compliance-Profil". Hier der Schnellcheck:

Anthropic Claude — EU-Hosting via AWS Bedrock Frankfurt ✓ — DPA verfügbar
OpenAI — EU-Hosting via Azure OpenAI EU-Regionen ✓ — Microsoft-DPA-Standard
Google Gemini — EU-Hosting via Vertex AI Frankfurt ✓ — Google-DPA-Standard
DeepSeek direkt — China-Hosting ✗ — nicht DSGVO-kompatibel ohne Umweg
DeepSeek über EU-Hoster (Together.ai, Groq mit EU-Regionen) ✓ — DPA hängt vom Hoster ab
Open-Source self-hosted — höchste Daten-Souveränität, aber Sie sind eigenverantwortlich für Compliance-Setup

Was Sie sich in jedem Fall fragen sollten — und was die meisten Datenschutzbeauftragten 2026 zu Recht fordern: Werden meine Daten zum Training des Modells genutzt? Bei allen Enterprise-Tarifen der drei großen US-Anbieter lautet die Antwort: Nein (vertraglich zugesichert). Bei Consumer-Tarifen (ChatGPT-Plus, Gemini-Free) ist die Antwort weniger eindeutig — diese Tarife gehören nicht in produktive Geschäftsworkflows.

Fünf-Jahres-Outlook

Drei Entwicklungen, die ich für die nächsten 3-5 Jahre sehe und die Ihre Setup-Entscheidung beeinflussen sollten:

Erstens: Pricing-Konvergenz. Die Differenz zwischen Frontier und Mid-Tier wird kleiner. Was heute „Premium" ist, wird 2027/28 Commodity. Wenn Sie heute auf ein günstigeres Modell setzen, weil das teurere noch nicht im Budget liegt — die Lücke wird sich schließen.

Zweitens: Open-Source holt auf. Llama, Mistral und Qwen erreichen Frontier-Niveau für 60-80 % der Use-Cases. Self-Hosting wird über die nächsten 24-36 Monate für deutlich mehr Mittelständler attraktiv — vor allem weil die Hardware-Kosten parallel sinken.

Drittens: Agent-Layer wird die nächste Disruption. Nicht mehr „welches LLM" ist die kritische Frage, sondern „welcher Agent kann welchen Workflow autonom übernehmen". Das verschiebt den Wettbewerb von Modell-Performance zu Agent-Frameworks (MCP, Open-AI Assistants API, Claude Agent SDK, LangGraph). Pillar #7 und #8 dieser Serie gehen in die Tiefe.

Die unbequeme Wahrheit

Wenn Sie diesen Artikel gelesen haben in der Hoffnung, eine einfache Antwort auf „Welches LLM für uns?" zu bekommen — Sie haben sie bekommen, aber sie ist unbequem: Es gibt nicht die eine richtige Antwort, und wer Ihnen das vorgaukelt, verkauft Ihnen ein Produkt, kein Setup.

Was funktioniert: 90 Minuten Use-Case-Analyse, 5-10 Use-Cases identifizieren, jeweils das passende Camp wählen, einen Orchestrierungs-Layer dazwischen bauen. So sehen die wirklich funktionierenden Setups im Mittelstand 2026 aus. Multi-Camp, nicht Single-Vendor.

Wer das nicht möchte, weil es zu komplex klingt — der ist wahrscheinlich noch nicht bereit für KI im Mittelstand. Dann lieber warten, bis sich der Markt weiter konsolidiert hat. Das wird passieren, aber wahrscheinlich erst 2027/28.

Quellen für aktuelles Pricing und Modell-Status (Stand Mai 2026): anthropic.com/pricing · openai.com/api/pricing · cloud.google.com/vertex-ai · deepseek.com · huggingface.co/meta-llama · mistral.ai.