Quelle: OpenAI, Anthropic, Google — Preise und Google — Deprecations — abgerufen am 23. September 2026. Modellgenerationen und Preise wechseln in diesem Feld im Monatstakt; prüfen Sie die Angaben vor einer Architekturentscheidung am Original.Die Wahl des richtigen Large Language Models (LLM) gehört zu den folgenreichsten technischen Entscheidungen einer AI Automation. Ein falsch gewähltes Modell bedeutet entweder überhöhte Kosten, unzureichende Qualität oder beides. Im Jahr 2026 stehen Schweizer Unternehmen vor einer breiten Auswahl: Sieben grosse LLM-Familien konkurrieren um die Gunst der Automation-Entwickler — jede mit eigenen Stärken, Schwächen und Preismodellen. Nicht einzeln behandelt sind hier xAI mit Grok 4.7 und DeepSeek mit V4; beide stehen im Überblick über neue LLM-Anbieter.
Dieser Guide analysiert jedes Modell durch die Brille der AI Automation: Nicht theoretische Benchmarks zählen, sondern wie gut ein LLM in realen Automation-Workflows funktioniert — beim Tool Calling, bei der Code-Generierung, beim Instruction Following und bei der Verarbeitung grosser Datenmengen.
Warum die LLM-Wahl über den Erfolg Ihrer Automation entscheidet
In einer typischen AI Automation Pipeline interagiert das LLM mit APIs, verarbeitet strukturierte und unstrukturierte Daten, trifft Entscheidungen und generiert Outputs. Die Anforderungen sind fundamental anders als bei einem einfachen Chatbot:
- Zuverlässigkeit: Ein Agentic Workflow, der regelmässig versagt, ist für Produktions-Automation unbrauchbar
- Strukturierte Outputs: JSON, XML und Funktionsaufrufe müssen konsistent und fehlerfrei sein
- Context-Verarbeitung: RAG-Systeme benötigen grosse Context Windows für präzise Antworten
- Kosten-Effizienz: Bei tausenden täglichen API-Calls summieren sich selbst kleine Preisunterschiede
- Latenz: Echtzeit-Automationen erfordern schnelle Antwortzeiten
Sieben LLM-Familien für AI Automation 2026
1. Claude (Anthropic)
Claude führt in Anthropics Modellübersicht vier Modelle: Claude Fable 5.1 für anspruchsvolles Reasoning und langlaufende Agenten, Claude Opus 5.5 für langlaufendes agentisches Programmieren und Wissensarbeit — von Anthropic als Startpunkt für die meisten Aufgaben empfohlen —, Claude Sonnet 5 als Kombination aus Tempo und Intelligenz und Claude Haiku 4.5 als schnellstes Modell. Fable 5.1, Opus 5.5 und Sonnet 5 fassen 1 Mio. Token Kontext, Haiku 4.5 200'000. Die Vorgänger Fable 5 (10 USD ein / 50 USD aus je 1 Mio. Token) und Opus 5 (5 / 25) bleiben verfügbar.
Stärken für Automation: grosse Kontextfenster, adaptives Reasoning — bei Fable 5.1 und Opus 5.5 dauerhaft aktiv —, Auslegung auf langlaufende Agenten und agentisches Programmieren.
Idealer Einsatz: Code-Generierung, RAG-Agents, komplexe Reasoning-Chains, Datenextraktion, Content-Pipelines.
2. GPT-6 (OpenAI)
GPT tritt mit der GPT-6-Familie in drei Stufen an: GPT-6 Astra (10 USD ein / 50 USD aus je 1 Mio. Token), GPT-6 Sol (2 / 10) und GPT-6 Luna (0.10 / 0.50). Alle drei fassen 1,05 Mio. Token Kontext und geben bis 128'000 Token aus. Die Vorgängerreihe GPT-5.6 bleibt verfügbar: Sol 4 / 20 (laut OpenAI ein Aktionspreis, mindestens bis 21. November 2026), Terra 2 / 12, Luna 0.20 / 1.20.
Stärken für Automation: eingebaute Werkzeuge über die Responses API; Module für Make, n8n und Zapier sind verbreitet.
Idealer Einsatz: Workflow-Orchestration, Sales-Agents, E-Mail-Automation, Datenanalyse.
3. Gemini (Google)
Gemini umfasst Gemini 3.8 Flash als neuestes Modell — seit dem 2. September 2026 verfügbar und von Google als «most intelligent Flash model» beschrieben; 3.7 und 3.6 Flash führt Google als Vorgängergeneration —, dazu Gemini 3.5 Flash, die Pro-Stufe Gemini 3.1 Pro (Preview) sowie Gemini 3.5 Flash-Lite und Gemini 3.1 Flash-Lite; für 3.1 Flash-Lite hat Google die Abschaltung auf den 7. Mai 2027 angekündigt. Daneben rechnet Google weiterhin Gemini 2.5 Flash-Lite aus der Vorgängergeneration ab, mit 0.10 USD ein und 0.40 USD aus je 1 Mio. Token (Text/Bild/Video); die ältere 2.0er-Reihe hat Google am 1. Juni 2026 abgeschaltet. Die Batch-Verarbeitung halbiert die Sätze — Gemini 2.5 Flash-Lite kostet dort 0.05 ein und 0.20 aus. Die aktuelle Flash-Lite-Reihe liegt darüber: Gemini 3.1 Flash-Lite bei 0.25 ein und 1.50 aus, Gemini 3.5 Flash-Lite bei 0.30 und 2.50. Gemini 3.8, 3.7 und 3.6 Flash kosten 0.75 ein und 3.75 aus, dieser Satz allerdings nur bis zum 31. Dezember 2026 — ab 1. Januar 2027 nennt Google 1.50 und 7.50; Gemini 3.5 Flash liegt bei 1.50 und 9.00, Gemini 3.1 Pro bei 2 und 12 bis 200'000 Token Kontext. Bei Gemini 3.8 Flash und 3.5 Flash-Lite gilt der Eingabepreis für alle Eingabearten einschliesslich Audio; bei Gemini 3.1 Flash-Lite kostet Audio-Eingabe 0.50 statt 0.25 USD, bei 2.5 Flash-Lite 0.30 statt 0.10 USD. In der kostenlosen Stufe nutzt Google die Inhalte zur Produktverbesserung, in der kostenpflichtigen nicht.
Stärken für Automation: Audio- und Bildverarbeitung, Batch-API zum halben Preis, kostenlose Stufe für Prototyping, schnelle Flash-Lite-Varianten.
Idealer Einsatz: Document Processing, Vision-Agents, Chatbots, Audio-Auswertung.
4. Meta: Muse Spark, Muse Glimmer und Llama 4
Meta stellt inzwischen Muse Spark 1.3 in den Vordergrund, ein reines API-Modell für langlaufendes Programmieren und agentische Arbeit mit 1 Mio. Token Kontext, zu 1.25 USD ein und 4.25 USD aus je 1 Mio. Token. Eine günstigere Variante kostet 0.10 / 0.20 USD — bei ihr verwendet Meta die Eingaben laut eigener Angabe zur Verbesserung seiner Produkte, bei der regulären nicht. Mit offenen Gewichten bietet Meta Muse Glimmer (30 Mrd. Parameter, Apache 2.0, laut Meta auf einer einzelnen GPU lauffähig) und weiterhin Llama 4. Die Llama 4 Community License ist allerdings keine von der Open Source Initiative anerkannte Open-Source-Lizenz: Wer am Release-Datum über 700 Millionen monatlich aktive Nutzer hat, muss eine gesonderte Lizenz bei Meta beantragen, und Produkte müssen «Built with Llama» sichtbar ausweisen.
Stärken für Automation: Self-Hosting mit offenen Gewichten (Muse Glimmer, Llama 4), keine Anbieterbindung, aktive Community.
Idealer Einsatz: Datenschutzkritische Automation, Edge-Deployment, Custom Fine-Tuning.
5. Mistral Medium 3.5 und Large 3 (Mistral AI)
Mistral aus Frankreich führt als Frontier-Modell Mistral Medium 3.5 (API-Name mistral-medium-3-5, seit 28. April 2026) — laut Anbieter «frontier-class multimodal model optimized for agentic and coding use cases», mit offenen Gewichten unter einer modifizierten MIT-Lizenz, 256'000 Token Kontext und 1.50 USD ein / 7.50 USD aus je 1 Mio. Token. Daneben bleibt Mistral Large 3 (API-Name mistral-large-2512) verfügbar: ein Mixture-of-Experts-Modell mit 675 Mrd. Parametern, davon 41 Mrd. aktiv, unter Apache 2.0, mit 256'000 Token Kontext zu 0.50 / 1.50 USD. Eine besondere Stärke in der Mehrsprachigkeit schreiben die Modellseiten keinem der beiden zu.
Stärken für Automation: offen verfügbare Gewichte, multimodale und allgemein einsetzbare Auslegung.
Idealer Einsatz: Self-Hosting-Szenarien mit europäischem Anbieter, allgemeine Automation.
6. Kimi K3 (Moonshot AI)
Die Anbieterdoku von Moonshot AI beschreibt kimi-k3 als «Kimi's most capable model to date», mit 2,8 Billionen Parametern, nativem Bildverständnis und 1 Mio. Token Kontext, zu 3 USD ein und 15 USD aus je 1 Mio. Token. kimi-k2.5 und die moonshot-v1-Serie hat Moonshot AI am 31. August 2026 eingestellt.
Stärken für Automation: Auslegung auf lange Eingaben, Bildverständnis.
Idealer Einsatz: sehr grosse Dokumente, Dokumente mit Bildanteil, Forschungs-Agents.
7. MiniMax-M3
MiniMax-M3 (seit 1. Juni 2026) beschreibt der Anbieter als multimodales Coding-Modell mit 1 Mio. Token Kontext. In der Standard-Stufe kostet es 0.30 USD ein und 1.20 USD aus je 1 Mio. Token bis 512'000 Eingabe-Token — der Anbieter weist das als dauerhaft um 50 % reduzierten Listenpreis von 0.60 / 2.40 aus. Die Vorgängerstufen MiniMax-M2.7 und -M2.5 bleiben mit je 204'800 Token Kontext verfügbar. Die offizielle Schreibweise trägt das «M», die Kurzform «MiniMax 2.7» kommt in der Anbieterdokumentation nicht vor.
Stärken für Automation: langes Kontextfenster, multimodale Eingabe, niedriger Token-Preis.
Idealer Einsatz: hochvolumige Automation-Tasks, lange Dokumente.
Die Tabelle führt die API-Preise aller hier behandelten Anbieter. Llama 4 und Muse Glimmer haben als Modelle mit offenen Gewichten keinen Listenpreis — ihre Kosten entstehen beim eigenen Betrieb. Modellnamen, Preise, Lizenzen sowie Abschalt- und Erscheinungsdaten sind gegen die unten verlinkten Anbieterdokumentationen geprüft (Stand 23. September 2026) — die Belege stehen einzeln in der Quellenzeile, damit Sie sie nachschlagen können.
Quelle: OpenAI, Anthropic, Google — Modelle, Google — Preise und Google — Deprecations («gemini-2.0-flash-lite … June 1, 2026»; «gemini-3.1-flash-lite … May 7, 2027»); für die übrigen Familien: Meta — Muse Spark («muse-spark-1.3-contributor … Used to improve our products»), Meta — Muse Glimmer («30B parameters, licensed under Apache 2.0 and runs on a single GPU»), Llama 4 Community License («greater than 700 million monthly active users … you must request a license»; «prominently display “Built with Llama”»), Mistral — Medium 3.5 und Mistral — Large 3 («41B active parameters and 675B total parameters»), Moonshot AI — Model List («kimi-k2.5 was officially discontinued on August 31, 2026») und Moonshot AI — Preise, MiniMax — Preise und MiniMax — Modelle — alle abgerufen am 23. September 2026.
Vergleichstabelle: Preise und Kontextfenster
| Modell | Kontextfenster | Input / 1 Mio. Token | Output / 1 Mio. Token |
|---|---|---|---|
| Claude Fable 5.1 | 1 Mio. Token | 10 USD | 50 USD |
| Claude Opus 5.5 | 1 Mio. Token | 4 USD | 20 USD |
| Claude Sonnet 5 | 1 Mio. Token | 2 USD | 10 USD |
| Claude Haiku 4.5 | 200'000 Token | 1 USD | 5 USD |
| GPT-6 Astra | 1,05 Mio. Token | 10 USD | 50 USD |
| GPT-6 Sol | 1,05 Mio. Token | 2 USD | 10 USD |
| GPT-6 Luna | 1,05 Mio. Token | 0.10 USD | 0.50 USD |
| Gemini 3.8 Flash (bis 31.12.2026) | 1'048'576 Token | 0.75 USD | 3.75 USD |
| Gemini 3.5 Flash-Lite | 1'048'576 Token | 0.30 USD | 2.50 USD |
| Gemini 3.1 Flash-Lite | 1'048'576 Token | 0.25 USD | 1.50 USD |
| Gemini 2.5 Flash-Lite (Vorgängergeneration) | 1'048'576 Token | 0.10 USD | 0.40 USD |
| Mistral Medium 3.5 | 256'000 Token | 1.50 USD | 7.50 USD |
| Mistral Large 3 | 256'000 Token | 0.50 USD | 1.50 USD |
| Kimi K3 | 1'048'576 Token | 3 USD | 15 USD |
| MiniMax-M3 (bis 512'000 Eingabe-Token) | 1 Mio. Token | 0.30 USD | 1.20 USD |
| Meta Muse Spark 1.3 | 1 Mio. Token | 1.25 USD | 4.25 USD |
Quelle: OpenAI, Anthropic und Google — Preise; die Gemini-Kontextfenster von den Modell-Unterseiten Gemini 3.8 Flash, Gemini 3.5 Flash-Lite, Gemini 3.1 Flash-Lite und Gemini 2.5 Flash-Lite (je «Input token limit 1,048,576» und «Output token limit 65,536») — alle abgerufen am 23. September 2026.
Entscheidungsmatrix: Welches LLM für welchen Use Case
RAG und Knowledge Management
Empfehlung: Claude Sonnet 5 1 Mio. Token Kontext verarbeiten umfangreiche Wissensbasen in einem Durchgang; Anthropic positioniert Sonnet 5 als Kombination aus Tempo und Intelligenz. Für RAG-Systeme ein guter Ausgangspunkt.Chatbot und Kundeninteraktion
Empfehlung: GPT-6 Luna oder Gemini 3.5 Flash-Lite Für Chatbots zählen Geschwindigkeit und Kosten. GPT-6 Luna kostet als günstigste der drei GPT-6-Stufen 0.10 USD ein und 0.50 USD aus, Gemini 3.5 Flash-Lite 0.30 und 2.50 — beim Ausgabepreis kostet Luna also ein Fünftel. Günstiger als die 3.5er-Stufe, aber eine Generation älter, ist Gemini 2.5 Flash-Lite mit 0.10 und 0.40 USD; rechnen Sie diesen Satz nicht auf die 3.5er-Empfehlung an. Googles kostenlose Stufe erlaubt Prototyping — dort werden die Inhalte allerdings zur Produktverbesserung genutzt.Code-Agents und Entwickler-Tools
Empfehlung: Claude Opus 5.5 Anthropic beschreibt Opus 5.5 als Modell für langlaufendes agentisches Programmieren und Wissensarbeit und empfiehlt es als Startpunkt für die meisten Aufgaben. Für anspruchsvolles Reasoning und Agenten, die über Stunden laufen, nennt Anthropic Claude Fable 5.1.Content-Generierung und Marketing
Empfehlung: GPT-6 Sol GPT integriert sich in Marketing-Tools und Content-Plattformen; eingebaute Werkzeuge stehen über die Responses API bereit.Datenanalyse und Reporting
Empfehlung: GPT-6 Sol oder Claude Sonnet 5 Beide Modelle kosten gleich viel — 2 USD ein und 10 USD aus je 1 Mio. Token. GPT punktet mit nativen Make- und n8n-Modulen; die Wahl entscheidet sich damit an der Integration und am Testlauf mit den eigenen Daten, nicht am Preis.Multimodale Verarbeitung
Empfehlung: Gemini Gemini verarbeitet Text, Bild, Video und Audio; bei Gemini 3.8 Flash und 3.5 Flash-Lite kostet Audio-Eingabe denselben Satz wie Text. Für Automationen, die Dokumente scannen oder Audio auswerten, ist die Gemini-Familie der naheliegende Startpunkt.Datenschutzkritische Automation
Empfehlung: ein Modell mit offenen Gewichten (Self-Hosted) Für Unternehmen mit strengen Datenschutzanforderungen — insbesondere im Schweizer Finanz- und Gesundheitssektor — hält Self-Hosting die Daten in der eigenen Umgebung und entscheidet damit über den Bearbeitungsort. Bearbeitungsgrundsätze, Informationspflicht, Betroffenenrechte, Bearbeitungsverzeichnis und Datensicherheit bleiben davon unberührt und liegen weiter beim Unternehmen. Llama 4, Metas neueres Muse Glimmer unter Apache 2.0 und DeepSeek-V4 unter MIT-Lizenz sind dafür Optionen mit offen verfügbaren Gewichten.Multi-Model-Strategie: Warum nicht nur ein LLM
Für die meisten grösseren Automationen trägt die Kombination mehrerer Modelle weiter als ein einzelnes. Bei erdinc.ai setzen wir selbst auf eine Multi-Model-Architektur:
Routing nach Komplexität
- Einfache Tasks (Klassifikation, Extraktion, Formatierung): GPT-6 Luna (0.10 / 0.50 USD) oder Gemini 3.5 Flash-Lite (0.30 / 2.50 USD) → unterste Kostenstufe des Routings unter den aktuellen Generationen; wer die Vorgängergeneration zulässt, kommt mit Gemini 2.5 Flash-Lite auf 0.10 / 0.40 USD
- Standard-Tasks (Zusammenfassungen, Q&A, Standard-Agents): Claude Haiku 4.5 oder GPT-6 Sol → mittlere Kostenstufe
- Komplexe Tasks (Reasoning, Coding, Analyse): Claude Opus 5.5 oder GPT-6 Astra → obere Kostenstufe
- Langlaufende Agenten: Claude Fable 5.1 → dauerhaft aktives adaptives Reasoning
Vertiefen Sie Ihr Wissen:
Vorteile der Multi-Model-Strategie
- Kostenreduktion: Zwischen GPT-6 Luna und GPT-6 Astra liegt beim Input der Faktor 100 (siehe Tabelle) — jede Aufgabe eine Stufe tiefer senkt die Rechnung
- Ausfallsicherheit: kein Single Point of Failure bei Anbieterausfällen
- Best-of-Breed: Jedes Modell wird dort eingesetzt, wo es am stärksten ist
- Zukunftssicherheit: Neue Modelle können einfach integriert werden
Implementierung mit AI Agent Frameworks
AI Agent Frameworks wie LangChain und CrewAI unterstützen Multi-Model-Routing nativ. Ein typisches Setup:
Router Agent (Claude Haiku 4.5) → Klassifiziert die Aufgabe
├── Einfach → GPT-6 Luna oder Gemini 3.5 Flash-Lite
├── Standard → GPT-6 Sol oder Claude Sonnet 5
├── Komplex → Claude Opus 5.5 oder GPT-6 Astra
└── Langlaufend → Claude Fable 5.1Kosten-Optimierung: LLM-Ausgaben im Griff
Für Schweizer Unternehmen, die AI Automation im grossen Stil betreiben, wird die Token-Rechnung zu einem eigenen Kostenposten. Wie hoch er ausfällt, ergibt sich aus dem Volumen und den Preisen der Tabelle oben. Effektive Strategien zur Optimierung:
Caching und Prompt-Optimierung
- Prompt Caching: Wiederkehrende System-Prompts lassen sich cachen — die Konditionen dafür stehen in der Preisliste des jeweiligen Anbieters
- Prompt-Komprimierung: Kürzere, präzisere Prompts reduzieren Token-Verbrauch durch gezieltes Prompt Engineering
- Response-Caching: Identische Anfragen aus dem Cache bedienen statt erneut das LLM aufzurufen
Batch-Verarbeitung
Googles Batch-API kostet die Hälfte des Echtzeitpreises; für die übrigen Anbieter prüfen Sie die jeweilige Preisseite. Ideal für:
- Nächtliche Datenverarbeitung
- Content-Generierung in Bulk
- Periodische Analyse-Jobs
Modell-Downsizing
Nicht jede Aufgabe braucht das leistungsstärkste Modell. Ein systematisches Evaluieren, welche Tasks mit günstigeren Modellen gleich gut funktionieren, spart erheblich. Messen Sie die Qualität mit automatisierten Evals, bevor Sie downgraden.
Praktische Empfehlung für Schweizer Unternehmen
Als Ausgangspunkt für ein Automation-Setup empfehlen wir folgende Aufteilung:
- Primary Stack: Claude Sonnet 5 — für anspruchsvolle Aufgaben, AI Agents und Code-Generierung; bei komplexem agentischem Programmieren Claude Opus 5.5
- Speed/Cost Layer: GPT-6 Luna oder Gemini 3.5 Flash-Lite — für Chatbots, einfache Klassifikation und hochvolumige Tasks
- Integration Layer: GPT-6 Sol — für native Make/n8n-Module und Standard-Workflows
- Datenschutz Layer: ein Modell mit offenen Gewichten wie Llama 4 oder Muse Glimmer — für Self-Hosted-Anforderungen in regulierten Branchen
Häufig gestellte Fragen
- Welches LLM ist das beste für AI Automation im Jahr 2026?
Es gibt kein einzelnes «bestes» LLM — die Wahl hängt vom Use Case ab. Anthropic empfiehlt Claude Opus 5.5 als Startpunkt für die meisten Aufgaben und Claude Fable 5.1 für anspruchsvolles Reasoning; Claude Sonnet 5 steht für Tempo und Intelligenz. OpenAI staffelt GPT-6 in Astra, Sol und Luna, alle mit 1,05 Mio. Token Kontext. Google deckt mit Gemini den Einstieg über eine kostenlose Stufe ab. Am tragfähigsten ist eine Multi-Model-Architektur.
- Was kostet ein LLM für AI Automation pro Monat?
Szenario, kein Kundenprojekt. Die Kosten folgen direkt aus den Token-Preisen der Tabelle. Beispiel mit angenommenem Volumen: 50'000 Aufrufe im Monat zu je 2'000 Eingabe- und 500 Ausgabe-Token ergeben 100 Mio. Eingabe- und 25 Mio. Ausgabe-Token — mit Claude Sonnet 5 rund 450 USD, mit GPT-6 Luna rund 22.50 USD. Die Volumenannahmen sind Beispielwerte, keine Messung.
Quelle: Anthropic und OpenAI — abgerufen am 23. September 2026.
- Ist ein Open-Weight-LLM wie Llama 4 für Unternehmen geeignet?
Llama 4 lässt sich im Unternehmen betreiben — vorausgesetzt, Ihr Unternehmen hat die Kapazität für Self-Hosting. Vorteile: die Daten bleiben in der eigenen Umgebung, keine laufenden API-Kosten, Unabhängigkeit von Cloud-Anbietern. Nachteile: Betriebsaufwand für GPU-Infrastruktur, keine Managed Services. Zu beachten ist die Lizenz: Llama 4 steht unter der Llama 4 Community License, nicht unter einer von der Open Source Initiative anerkannten Open-Source-Lizenz — sie verlangt den Hinweis «Built with Llama», und wer am Release-Datum von Llama 4 über 700 Millionen monatlich aktive Nutzer hat, muss eine gesonderte Lizenz bei Meta beantragen. Weniger Bedingungen stellt Metas neueres Muse Glimmer, das unter Apache 2.0 steht. Für regulierte Branchen wie Fintech oder Pharma kann Self-Hosting die praktikabelste Option sein.
- Wie implementiere ich eine Multi-Model-Strategie?
Der einfachste Einstieg ist ein Router-Pattern: Ein günstiges Modell (z.B. Claude Haiku 4.5) klassifiziert eingehende Anfragen nach Komplexität und leitet sie weiter. Frameworks wie LangChain und CrewAI bieten dafür native Unterstützung. Alternativ implementieren Plattformen wie Make und n8n Multi-Model-Routing über bedingte Verzweigungen in Workflows. Starten Sie mit zwei Modellen (ein Premium- und ein Budget-Modell) und erweitern Sie schrittweise.
- Welche Rolle spielt der Datenschutz bei der LLM-Wahl in der Schweiz?
Das Schweizer Datenschutzgesetz (nDSG) erfordert eine sorgfältige Prüfung, wohin Daten bei API-Calls gesendet werden. Wie ein Anbieter Ihre Daten verarbeitet, steht in dessen aktuellen Vertragsbedingungen; eine Einschätzung zur Rechtslage einzelner Anbieter geben wir hier nicht ab. Belegt ist die Stufen-Unterscheidung bei Google: In der kostenlosen Stufe nutzt Google die Inhalte zur Produktverbesserung, in der kostenpflichtigen nicht. Die weitgehendste Kontrolle über den Bearbeitungsort gibt Self-Hosting, etwa mit Llama 4 — die übrigen Pflichten des nDSG nimmt es Ihnen nicht ab.
Quellen
- OpenAI, Anthropic, Google — Preise und Google — Deprecations — abgerufen am 23. September 2026. Modellgenerationen und Preise wechseln in diesem Feld im Monatstakt; prüfen Sie die Angaben vor einer Architekturentscheidung am Original.
- OpenAI, Anthropic, Google — Modelle, Google — Preise und Google — Deprecations («gemini-2.0-flash-lite … June 1, 2026»; «gemini-3.1-flash-lite … May 7, 2027»); für die übrigen Familien: Meta — Muse Spark («muse-spark-1.3-contributor … Used to improve our products»), Meta — Muse Glimmer («30B parameters, licensed under Apache 2.0 and runs on a single GPU»), Llama 4 Community License («greater than 700 million monthly active users … you must request a license»; «prominently display “Built with Llama”»), Mistral — Medium 3.5 und Mistral — Large 3 («41B active parameters and 675B total parameters»), Moonshot AI — Model List («kimi-k2.5 was officially discontinued on August 31, 2026») und Moonshot AI — Preise, MiniMax — Preise und MiniMax — Modelle — alle abgerufen am 23. September 2026.
- OpenAI, Anthropic und Google — Preise; die Gemini-Kontextfenster von den Modell-Unterseiten Gemini 3.8 Flash, Gemini 3.5 Flash-Lite, Gemini 3.1 Flash-Lite und Gemini 2.5 Flash-Lite (je «Input token limit 1,048,576» und «Output token limit 65,536») — alle abgerufen am 23. September 2026.
- Anthropic und OpenAI — abgerufen am 23. September 2026.
