OpenAI: der starke Allrounder, nicht der Default für jeden Token
GPT-5.6 ist besonders interessant, wenn Coding, Tool-Nutzung und finaler Output zusammenkommen.
OpenAI bleibt 2026 technisch schwer zu ignorieren. GPT-5.6 Sol liegt im Artificial-Analysis-Snapshot bei 58,9 im Intelligence Index und führt die Coding-Wertung mit 78,3 an. Terra folgt mit 76,7 Coding-Punkten. Für Repository-Arbeit, mehrstufige Agenten, strukturierte Tool Calls und Aufgaben, bei denen der finale Output wirklich sitzen muss, ist das stark.
Aber bitte nicht Sol oder Terra auf jede Zusammenfassung werfen, nur weil das Modell im Benchmark glänzt. Terra liegt beim angegebenen Preisindikator bei 17,50 US-Dollar je 1 Mio. Tokens. Luna liefert mit 51,2 Index, rund 264 Tokens pro Sekunde und 7 US-Dollar häufig das bessere Produktionsprofil. Ein billiger Draft plus gezielte Eskalation schlägt den Premium-Aufruf für jeden einzelnen Schritt.
SWE-bench bestätigt grundsätzlich die Coding-Stärke der Familie, zeigt aber auch die Grenze der Erzählung: GPT-5-2 Codex erreicht dort 72,8 und liegt hinter mehreren Claude- und Gemini-Varianten. Benchmarks testen Fähigkeiten; sie garantieren weder saubere Pull Requests noch korrekte Migrationen in Ihrem Stack.
CTO-Entscheidung: Nehmen Sie GPT-5.6 Luna für interaktive Standardarbeit und routen Sie zu Sol oder Terra, wenn komplexes Coding, lange Werkzeugketten oder teure Fehler den Aufpreis rechtfertigen.
Claude: wenn Denken und Textqualität wichtiger sind als der billigste Durchsatz
Anthropic ist die Eskalationsstufe für schwierige Analyse, sensible Kommunikation und anspruchsvolle Agenten.
Claude Fable 5 steht im gelieferten Artificial-Analysis-Datensatz mit 59,9 an der Spitze des Intelligence Index. Opus 4.8 erreicht 55,7. Beim Coding liegen Fable 5 und Opus 4.8 mit 76,5 beziehungsweise 74,3 ebenfalls in der Spitzengruppe. Und auf SWE-bench führt Claude 4.5 Opus mit High Reasoning bei 76,8.
Das macht Claude attraktiv für komplexe RAG-Synthesen, Architektur-Reviews, anspruchsvolle Kundenkommunikation und Agenten, die nicht nur Code erzeugen, sondern vorhandenen Code verstehen und Änderungen begründen müssen. Gerade bei finalen Antworten wirkt ein stärkeres Modell oft günstiger, obwohl der Tokenpreis höher ist: weniger Korrekturschleifen, weniger menschliche Nacharbeit, weniger peinliche Antworten an Kunden.
Die Einschränkung: Auch ein hoher Reasoning-Score ist kein Wahrheitszertifikat. Adaptive Reasoning kann Latenz und Kosten je Anfrage variabler machen. Bei High-Stakes-Entscheidungen braucht es weiterhin Quellenbindung, deterministische Regeln, Freigaben und ein vollständiges Audit-Log.
CIO-Entscheidung: Nutzen Sie Claude als Qualitäts- und Risiko-Eskalation für schwierige Fälle, nicht als pauschalen Backend-Motor für Klassifikation, Drafting oder Millionen einfacher Batch-Dokumente.
Gemini oder Grok? Zwei starke Modelle, zwei sehr unterschiedliche Rollen
Gemini punktet bei schneller Produktionsarbeit; Grok liefert viel Spitzenqualität pro Preisindikator.
Gemini 3.5 Flash High ist im Snapshot ein bemerkenswert ausgewogener Kandidat: 50,2 Intelligence Index bei rund 251 Tokens pro Sekunde. Dazu erreicht Gemini 3 Flash High Reasoning auf SWE-bench 75,8. Das ist stark genug für interaktive RAG-Anwendungen, Dokumentverarbeitung, multimodale Workflows und Coding-Unterstützung, ohne jede Anfrage in eine Premium-Reasoning-Session zu verwandeln.
Grok 4.5 High liegt mit 53,8 beim Intelligence Index höher, liefert rund 120 Tokens pro Sekunde und trägt einen Preisindikator von 8 US-Dollar je 1 Mio. Tokens. In den gelieferten Daten ist es damit die beste Kombination aus Index und Preis. Für komplexe Analyse, Zweitmeinungen und schwierigere Recherche-Synthesen ist Grok ein realer Kandidat, nicht nur ein lauter Tab im Benchmark-Browser.
Für kundennahe Antworten zählt allerdings mehr als Rohintelligenz: konsistenter Ton, Grounding, Moderation, regionale Verfügbarkeit, Datenschutz, Rate Limits und vorhersehbare Latenz. Genau dort entscheidet die Plattformrealität. Der hübscheste Score hilft wenig, wenn Ihr Support-Chat zur Lotterie wird.
CTO-Entscheidung: Nehmen Sie Gemini Flash für schnelle RAG- und multimodale Interaktion; testen Sie Grok als Qualitätsroute, wenn mehr Reasoning zählt und etwa 120 Tokens pro Sekunde ausreichen.
Open Source lohnt sich nur mit einem echten betrieblichen Vorteil
GLM-5.2 sticht heraus. Das bedeutet noch lange nicht, dass Self-Hosting automatisch billiger ist.
GLM-5.2 Max ist hier die erwähnenswerte Ausnahme: 51,1 Intelligence Index, rund 192 Tokens pro Sekunde und ein Preisindikator von 5,80 US-Dollar je 1 Mio. Tokens. Im ausgewogenen Composite liegt es mit 0,76 fast gleichauf mit GPT-5.6 Luna. Das ist praktisch relevant für regulierte Daten, kontrollierte Deployment-Umgebungen, hohe planbare Volumina oder Anforderungen an Modellhoheit.
Jetzt der Teil, den Open-Source-Folien gern sehr klein drucken: Gewichte sind keine Produktionsplattform. Sie bezahlen GPUs, Serving, Quantisierung, Autoscaling, Observability, Sicherheitsupdates und ein Team, das nachts versteht, warum der Durchsatz eingebrochen ist. Bei schwankendem Volumen kann eine API trotz höherem Listenpreis die niedrigeren Gesamtkosten haben.
Für Batch-Verarbeitung sollte außerdem nicht automatisch das intelligenteste Modell gewinnen. Extraktion, Normalisierung, Tagging und einfache Entwürfe profitieren oft stärker von hohem Durchsatz. Mercury 2 erreicht über 1.050 Tokens pro Sekunde bei einem Preisindikator von 1 US-Dollar, aber nur 25,3 Intelligence-Punkte. Perfekt für klar begrenzte Aufgaben; keine brillante Idee für ungeprüfte Vorstandsvorlagen.
CIO-Entscheidung: Setzen Sie GLM-5.2 ein, wenn Datenkontrolle oder dauerhaft hohes Volumen die Betriebskosten rechtfertigen; für einfache Batch-Jobs wählen Sie das kleinste Modell, das Ihre Abnahmetests zuverlässig besteht.
Benchmarks auswählen. Aufgaben messen. Router ausliefern.
SWE-bench und Artificial Analysis sind Startpunkte, aber Ihr eigener Eval-Satz entscheidet über Produktion.
Artificial Analysis hilft beim Vergleich von Intelligenz, Geschwindigkeit und Preis. SWE-bench zeigt, ob ein Modell reale Repository-Probleme lösen kann. Beides ist nützlich. Beides kennt weder Ihre SAP-Sonderlogik noch Ihre Support-Richtlinien, Ihre Dokumentqualität oder die Kosten einer falschen Freigabe.
Bauen Sie deshalb einen Eval-Satz aus echten Aufgaben: einfache Entwürfe, schwierige RAG-Fragen, Kundeneskalationen, Codeänderungen, Tool-Ausfälle und adversarielle Eingaben. Messen Sie nicht nur Tokens pro Sekunde und Preis je 1 Mio. Tokens, sondern Kosten pro akzeptierter Aufgabe: Modellkosten plus Retries, Validierung, menschliche Korrektur und Fehlerfolgen.
- Definieren Sie eine günstige Default-Route und klare Eskalationsregeln.
- Trennen Sie Modellwahl, Prompts, Tools und Geschäftslogik.
- Loggen Sie Qualität, Latenz, Kosten, Abbruchgründe und Nutzerfeedback.
- Nutzen Sie strukturierte Outputs, Quellenbelege und regelbasierte Guardrails.
- Testen Sie Provider-Wechsel regelmäßig mit Shadow Traffic.
Ein pragmatischer Start: schnelles Modell für Drafting und Batch, Gemini oder GPT-5.6 Luna für interaktive Standardfälle, Claude beziehungsweise GPT-5.6 Sol für schwierige Eskalationen und GLM-5.2 dort, wo Kontrolle wirtschaftlich zählt.
CTO-Entscheidung: Liefern Sie in Wochen einen messbaren Routing-Workflow aus, statt monatelang den theoretischen Sieger zu diskutieren. KI nutzen – nicht darüber reden.