Welche KI-Modelle reichen. Und warum die stärksten nicht dazugehören

Wenn die Rechtsfrage geklärt ist, folgt die zweite: Kann ein offenes Modell die Aufgabe überhaupt bewältigen? Für die Verwaltung gibt es dazu seit Juli 2026 eine belastbare Messung. Sie kommt allerdings aus Deutschland, und das ist beim Lesen mitzudenken.

Was auf Verwaltungstexten gemessen wurde

MÖVE ist der Modellvergleich für die öffentliche Verwaltung, betrieben vom Innovation Hub der deutschen Bundesdruckerei zusammen mit dem Bundesamt für Sicherheit in der Informationstechnik und dem Fraunhofer-Institut AISEC. Gemessen wird auf deutschsprachigen Testdaten aus realen Verwaltungskontexten. Die Testdaten bleiben nach Angabe der Betreiber unveröffentlicht, damit Modelle nicht darauf trainiert werden. Der Preis dafür: Niemand kann die Messung von aussen nachvollziehen.

Wir haben die Werte direkt aus der Schnittstelle des Benchmarks gezogen. Datenstand der Messung ist der 7. Juli 2026, geprüft wurden 50 Modelle. Alle Werte in dieser Tabelle laufen in dieselbe Richtung: 0 ist das schlechteste Ergebnis, 100 das beste. Das gilt auch für die Halluzinationsspalte. Ein hoher Wert bedeutet dort, dass das Modell selten etwas erfindet.

Warum in dieser Serie GPT-5.4, GPT-5.5 und GPT-5.6 vorkommen, und bei Qwen ebenso drei Nummern: Die Benchmarks haben zu unterschiedlichen Zeitpunkten unterschiedliche Modellversionen geprüft. Werte aus verschiedenen Ranglisten sind deshalb nicht direkt vergleichbar, auch wenn der Herstellername derselbe ist.

Drei Werte in dieser Tabelle verdienen einen zweiten Blick.

Grösse sagt wenig über Verlässlichkeit. Gemma 4 E2B mit 5,1 Milliarden Parametern fasst praktisch so gut zusammen wie das sechsmal grössere 31B, 78,39 gegen 78,62. In der Spalte «Erfindet wenig» fällt es dagegen von 88,66 auf 62,10. Wenn Sie ein Modell für Auskünfte an Bürgerinnen suchen, ist diese Spalte wichtiger als jede andere.

Eine zweite, unabhängige Messung zeigt dasselbe Muster von der anderen Seite. In der Halluzinations-Rangliste des amerikanischen Anbieters Vectara, Stand 11. Mai 2026, erfindet ein Qwen3 mit 8 Milliarden Parametern beim Zusammenfassen in 4,8 Prozent der Fälle etwas dazu. GPT-5.5 liegt bei 9,3 Prozent, Gemini 3.1 Pro bei 10,4 Prozent. Auch hier gilt: Grösser heisst nicht zuverlässiger. Übertragen Sie diese Werte allerdings nicht auf die Modelle in der Tabelle oben. Gemessen wurde eine ältere und kleinere Qwen-Version, nicht die, die wir weiter unten empfehlen.

Achtung, diese Rangliste läuft in die andere Richtung als die Tabelle oben: Bei Vectara ist ein tiefer Wert gut. Und dazu gehört eine zweite Spalte, die wir hier nicht wiedergeben: die Antwortquote. Ein Modell, das häufig die Auskunft verweigert, erfindet weniger und ist deshalb nicht besser. Wer die Rangliste für eine Beschaffung heranzieht, sollte beide Spalten nebeneinander lesen. Vectara verkauft im Übrigen selbst Werkzeuge gegen dieses Problem, die Messmethode ist aber offengelegt.

Apertus, zwei Wahrheiten in einem Absatz

Für Schweizer Leserinnen und Leser ist das die unbequeme Stelle. Apertus, entwickelt an der ETH Zürich, an der EPFL und am Hochleistungsrechenzentrum CSCS, wird in zwei unabhängigen Quellen bewertet, und sie sagen Verschiedenes. Drei der vier Zeilen unten stammen aus derselben Messung, dem deutschen Verwaltungsbenchmark.

Wobei diese Zahlen eine Frage gar nicht stellen. MÖVE misst deutsche Verwaltungstexte. Mehrsprachigkeit, das Argument, mit dem Apertus antritt, kommt darin nicht vor. Wie gut das Modell auf Italienisch oder Französisch arbeitet, sagt keine der Wertungen oben. Der Kanton Tessin betreibt ein Übersetzungswerkzeug auf einem feinabgestimmten Apertus 8B für sechs Sprachen, beschrieben in Teil 1. Wer mehrsprachig arbeitet, findet die Antwort für den eigenen Fall deshalb nicht in dieser Tabelle, sondern nur an eigenen Texten.

Gemessen wurde die Version 1.0. Version 1.5 erschien am 24. Juli 2026 mit erheblich mehr Training. Veröffentlichte Benchmarkzahlen dazu gibt es bis heute nicht, auch der technische Bericht beschreibt weiterhin nur 1.0. Wer Apertus einsetzen will, muss deshalb selbst prüfen. Wie das geht, steht weiter unten.

Die Lizenz entscheidet mit, und Kataloge veralten

Für die Beschaffung ist die Lizenzspalte oben so wichtig wie die Leistungswerte. Der Unterschied in der Praxis:

Apache 2.0 und MIT sind etablierte Open-Source-Lizenzen. Sie erlauben Nutzung, Veränderung und Weitergabe, auch kommerziell, ohne Rückfrage und ohne Nutzerzahlgrenze. Der Rechteinhaber kann die einmal erteilte Erlaubnis für eine bestehende Version nicht zurückziehen.

Herstellerlizenzen wie die früheren Gemma-Bedingungen enthalten dagegen eine Nutzungsrichtlinie, die der Hersteller ändern kann, und teils Meldepflichten oder Gebietsausschlüsse. Für eine Verwaltung, die eine Anwendung über Jahre betreiben will, ist das ein anderes Risiko.

Warum die offene Spitze für Sie nicht existiert

In der Fachpresse liest man, offene Modelle hätten aufgeschlossen. Das stimmt, und es hilft Ihnen nicht. Der Intelligence Index von Artificial Analysis, einem international tätigen Messdienst ohne Schweizer Bezug, führte am 6. August 2026 Claude Opus 5 mit 63 Punkten an, gefolgt von GPT-5.6 mit 61. Das beste offene Modell, Kimi K3, erreicht 60.

Diese Punkte sind keine Prozentwerte. Der Index fasst mehrere schwere Prüfungen zusammen, und 63 ist der beste erreichte Wert im ganzen Feld, keine Note. Für die Verwaltung ist er ohnehin das falsche Mass: Er misst zu einem Drittel selbstständig arbeitende Systeme und zu einem Viertel Programmieren. Für Zusammenfassen und Auskunft zählt die MÖVE-Tabelle oben.

Interessant ist der Index trotzdem, nur wegen einer anderen Spalte. Wir haben aus den Modelldateien gerechnet, wie viel Platz diese Modelle brauchen:

Was «läuft auf einer Karte» nicht bedeutet

Die Zahlen oben sind Untergrenzen. Sie sagen, wie viel Platz die Modelldateien belegen, wenn sonst nichts läuft. Im Betrieb kommt der Kontextspeicher dazu, in dem das Modell die laufenden Unterhaltungen hält. Der wächst mit der Länge der Eingaben und mit der Zahl gleichzeitiger Nutzender.

Zur Einordnung dieser Frage: In einer Abteilung mit 60 Mitarbeitenden, die täglich je zwei Dossiers verarbeiten lassen, treffen die Anfragen über den Tag verteilt ein. Gleichzeitig sind im Schnitt sehr wenige unterwegs, in Spitzen am Montagmorgen deutlich mehr. Wie viele es in der Spitze sind, haben wir für diese Serie nicht gemessen und nennen deshalb keine Zahl. Sie ergibt sich aus einem Lasttest mit Ihren eigenen Dokumenten.

Was daraus folgt

In der Vergleichsmatrix Wir führen die offenen Modelle mit Lizenz, Betriebsform, Hardwarebedarf und DACH-Risiko, darunter Apertus 70B. Dort steht, welche Lizenz gilt, was der Eigenbetrieb an Hardware verlangt und wo ein Modell für den DACH-Raum problematisch ist. Zur Matrix →