Large Language Models sind nicht mehr Science Fiction — sie sind Business-Realität. Wie viele Schweizer Unternehmen LLM-APIs produktiv einsetzen, geben wir bewusst nicht als Zahl an: Uns liegt dazu keine aktuelle, methodisch nachvollziehbare Schweizer Erhebung vor. Die praktisch wichtigere Frage ist ohnehin die nächste — welches Modell ist das richtige für Ihr Unternehmen? GPT-6, Claude 5 oder Gemini 3? Und was kostet der Spass wirklich?
In diesem Guide vergleichen wir die Top-LLMs für Business, zeigen konkrete Einsatzszenarien und helfen Ihnen, die richtige Entscheidung zu treffen.
Was sind Large Language Models? Die Grundlagen
Wie funktionieren LLMs? Technischer Überblick
Ein Large Language Model ist ein künstliches neuronales Netzwerk, das auf Milliarden von Textdaten trainiert wurde. Seine Kernfähigkeit: Vorhersage des nächsten Wortes basierend auf vorherigen Wörtern.
Das klingt simpel, ist aber erstaunlich mächtig:
- Input: "Automatisierung ist..." (Ihr Prompt)
- Verarbeitung: Das Modell berechnet Wahrscheinlichkeiten für alle möglichen nächsten Wörter
- Output: "...die Zukunft der Geschäftsprozesse" (oder ähnlich, abhängig von Temperatur/Randomness)
- Komplexe Zusammenhänge zu verstehen
- Mehrsprachig zu arbeiten
- Logische Schlussfolgerungen zu ziehen
- Code zu schreiben
- Ratschläge zu geben
LLMs vs. klassische KI — Wo liegt der Unterschied?
| Aspekt | Klassische KI (ML) | Large Language Models |
|---|---|---|
| Training | Spezialisiert auf eine Aufgabe (Klassifikation, Regression) | Allgemein auf Sprachverständnis trainiert |
| Flexibilität | Braucht ein Nachtraining für neue Aufgaben | Deckt viele Aufgaben ohne Nachtraining ab |
| Interpretierbarkeit | Oft nachvollziehbar («warum diese Entscheidung?») | Black Box (schwer zu erklären) |
| Datenbedarf | Braucht viele Trainingsdaten | Braucht weniger, bessere Generalisierung |
| Halluzinationen | Nicht anfällig | Kann falsche Informationen erfinden; wie häufig, hängt an Modell, Prompt und Aufgabe |
| Kostenmodell | Abrechnung je Vorhersage | Abrechnung je Token (Ein- und Ausgabe) |
Die aktuellen Modellfamilien für Unternehmen
Quelle der Modell- und Preisangaben: OpenAI Models · OpenAI Deprecations · Anthropic Models · Anthropic Deprecations · Gemini-Modelle · Gemini-API-Preise · Gemini Deprecations — alle abgerufen am 23. September 2026. Modellgenerationen wechseln hier im Monatstakt; prüfen Sie vor einer Architekturentscheidung am Original nach. Abgerechnet wird durchweg in US-Dollar.Diese Seite vergleicht drei Anbieter mit eigener Modell-API: OpenAI, Anthropic und Google. Eine belastbare Marktanteilszahl liegt uns nicht vor. Weitere Anbieter — SpaceXAI mit Grok, DeepSeek, Moonshot AI, MiniMax und Meta mit Muse Spark — behandelt die Seite Emerging LLMs, Modelle mit offenen Gewichten die Seite Open-Source LLMs. Alle drei hier verglichenen Anbieter führen Modellfamilien mit Kontextfenstern um eine Million Token — die Frage ist nicht mehr, ob ein langes Dokument hineinpasst, sondern was die Verarbeitung kostet.
OpenAI — GPT-6 Astra, Sol und Luna
OpenAI führt die GPT-6-Familie als Flaggschiffe: drei Stufen, unterschieden nach Kosten und
Leistung. Alle mit 1,05 Millionen Token Kontext und bis 128'000 Token Ausgabe.
| Modell | Modell-ID | USD je 1 Mio. Token ein / aus | Wie OpenAI es beschreibt | Wissensstand |
|---|---|---|---|---|
| GPT-6 Astra | gpt-6-astra | 10 / 50 | das leistungsfähigste Modell, für die schwierigsten Aufgaben | 30. April 2026 |
| GPT-6 Sol | gpt-6-sol | 2 / 10 | komplexes Programmieren und agentische Workflows | 20. April 2026 |
| GPT-6 Luna | gpt-6-luna | 0.10 / 0.50 | das effizienteste Modell für fokussierte Vorgänge mit hohem Volumen | 18. Mai 2026 |
Anthropic — Claude Fable 5.1, Opus 5.5, Sonnet 5 und Haiku 4.5
| Modell | Modell-ID | USD je 1 Mio. Token ein / aus | Kontext | Wissensstand |
|---|---|---|---|---|
| Claude Fable 5.1 | claude-fable-5-1 | 10 / 50 | 1 Mio. | Juni 2026 |
| Claude Opus 5.5 | claude-opus-5-5 | 4 / 20 | 1 Mio. | Juni 2026 |
| Claude Sonnet 5 | claude-sonnet-5 | 2 / 10 | 1 Mio. | Januar 2026 |
| Claude Haiku 4.5 | claude-haiku-4-5-20251001 | 1 / 5 | 200'000 | Februar 2025 |
Google — Gemini 3.8 Flash, 3.1 Pro und die Lite-Stufen
Googles neuestes Modell ist Gemini 3.8 Flash, verfügbar seit dem 2. September 2026 und von
Google als «most intelligent Flash model» beschrieben. Gemini 3.7 Flash und 3.6 Flash
führt Google als Vorgängergeneration, 3.5 Flash als «legacy». Die Pro-Stufe ist
Gemini 3.1 Pro, weiterhin als Preview geführt. Darunter liegen 3.5 Flash-Lite und
3.1 Flash-Lite; für 3.1 Flash-Lite hat Google die Abschaltung auf den 7. Mai 2027
angekündigt, als Nachfolger nennt es 3.5 Flash-Lite. Die Preisstruktur unterscheidet sich von
den beiden anderen Anbietern: Google staffelt je Modalität — Text, Audio und Bild werden
getrennt berechnet — und bietet eine kostenlose Stufe mit eingeschränktem Modellzugang.
In der kostenpflichtigen Stufe kostet Text bei Gemini 3.8, 3.7 und 3.6 Flash je 0.75 USD pro
Million Eingabe-Token und 3.75 USD pro Million Ausgabe-Token — dieser Preis gilt laut
Preisseite bis 31. Dezember 2026, ab 1. Januar 2027 nennt Google 1.50 und 7.50 USD. Gemini 3.1
Pro kostet 2 / 12 USD bis 200'000 Token Kontext, darüber 4 / 18. Die Lite-Stufen liegen
darunter: Gemini 3.5 Flash-Lite bei 0.30 / 2.50 und Gemini 3.1 Flash-Lite bei 0.25 / 1.50 USD;
Gemini 3.5 Flash liegt mit 1.50 / 9.00 darüber.
Audio und Bild werden abweichend berechnet. Die Batch-API senkt die Kosten um 50 Prozent.
Wichtig für die Bewertung: In der kostenlosen Stufe nutzt Google die Inhalte zur
Produktverbesserung, in der kostenpflichtigen nicht — das ist der eigentliche Unterschied für
ein Unternehmen, nicht der Preis.
Direkter Vergleich: Was die Wahl tatsächlich entscheidet
Kosten — der einzige Faktor, der sich exakt beziffern lässt
Alle Angaben in US-Dollar je eine Million Token, Stand 23. September 2026.
| Eingabe | Ausgabe | |
|---|---|---|
| GPT-6 Luna | 0.10 | 0.50 |
| Gemini 3.1 Flash-Lite (Text) | 0.25 | 1.50 |
| Gemini 3.5 Flash-Lite (Text) | 0.30 | 2.50 |
| Gemini 3.8 Flash (Text, bis 31.12.2026) | 0.75 | 3.75 |
| Claude Haiku 4.5 | 1.00 | 5.00 |
| GPT-6 Sol | 2.00 | 10.00 |
| Claude Sonnet 5 | 2.00 | 10.00 |
| Gemini 3.1 Pro (bis 200'000 Token) | 2.00 | 12.00 |
| Claude Opus 5.5 | 4.00 | 20.00 |
| GPT-6 Astra | 10.00 | 50.00 |
| Claude Fable 5.1 | 10.00 | 50.00 |
Leistung — warum hier keine Rangliste steht
Ältere Fassungen dieser Seite führten Benchmark-Werte und Fünf-Sterne-Bewertungen. Beides ist
entfernt: Benchmark-Ranglisten veralten schneller, als eine Seite aktualisiert werden kann,
und eine Momentaufnahme als Dauerurteil auszugeben ist irreführend. Was die Anbieter selbst
über ihre Modelle sagen, steht oben; alles Weitere gehört an einem eigenen Anwendungsfall
gemessen, nicht abgeschrieben.
Datenschutz — die Frage, die ein Unternehmen wirklich beantworten muss
Auch hier stand früher eine Tabelle mit Häkchen zu DSGVO-Konformität je Anbieter. Solche
Aussagen über die Rechtslage Dritter sind ohne juristische Prüfung nicht belastbar und wurden
entfernt. Belastbar und nachlesbar ist dagegen:
- Google nutzt Inhalte der kostenlosen Stufe zur Produktverbesserung, der
- Alle drei Anbieter bieten kostenpflichtige Stufen mit abweichenden Datenzusagen; welche
Für ein Schweizer KMU heisst das praktisch: Der Verarbeitungszweck und die Datenkategorie
bestimmen die Wahl. Wer Personendaten verarbeitet, braucht einen Auftragsverarbeitungsvertrag
und eine Prüfung nach revDSG — unabhängig davon, welches Modell darunter läuft.
Geschäftliche Use Cases für LLMs
Customer Service und Support-Automatisierung
Szenario: KMU mit mehr als 20 Supportanfragen pro Tag in Deutsch und Englisch.
Lösung: Claude Haiku 4.5 oder GPT-6 Luna für Masse, die grösseren Stufen für komplexere Anfragen
Eingang: Kunden-E-Mail (unstrukturiert)
↓ [LLM: Klassifizierung, Stimmung, Antwortentwurf]
Ausgang: Antwortentwurf + Ticket an die zuständige PersonWo der Nutzen liegt: Wiederkehrende Anfragen werden beantwortet, ohne dass jemand sie anfasst; die Agentin sieht nur noch die Fälle, die Urteil verlangen. Wie viel das an Kosten spart, misst der Pilotbetrieb — eine Prozentzahl dafür haben wir nicht erhoben
Content-Erstellung und Marketing
Szenario: Marketing-Team schreibt 5 Blog-Artikel pro Woche.
Lösung: eine günstige Stufe für Entwürfe, eine starke für Überarbeitung und Faktenprüfung
Eingabe: «Schreib einen SEO-Blog über KI Automation (1'500 Wörter)»
Ausgabe: Entwurf in Minuten statt StundenWo der Nutzen liegt: Der Entwurf steht in Minuten statt Stunden. Die Redaktionszeit bleibt und verschiebt sich vom Schreiben zum Prüfen — ohne diesen Schritt geht die Qualität verloren, mit ihm fällt die Ersparnis kleiner aus, als der reine Entwurfsvergleich suggeriert
Datenanalyse und Business Intelligence
Szenario: Sie haben mehr als 10'000 Kundendatensätze und brauchen daraus Erkenntnisse.
Lösung: ein Modell mit grossem Kontextfenster — Claude Sonnet 5 oder Opus 5.5 fassen je 1 Mio. Token und nehmen ganze Tabellen am Stück auf (Claude Haiku 4.5 dagegen 200'000)
Eingabe: CSV mit 10'000 Zeilen + Frage «Welche drei Segmente sind am profitabelsten?»
Ausgabe: Auswertung, Visualisierungsvorschlag, SQL-AbfragenWo der Nutzen liegt: Die erste Auswertung liegt vor, ohne dass jemand die Tabelle vorsortiert; die Prüfung der Ergebnisse bleibt Aufgabe der Analystin. Wie viel Zeit das gegenüber der bisherigen Auswertung spart, zeigt der eigene Pilotbetrieb — eine Zeitangabe dafür haben wir nicht erhoben
Compliance und Dokumentation
Szenario: Regulatorische Anforderungen in 15 neuen Dokumenten erfassen.
Lösung: die grossen Modelle der drei Anbieter fassen rund 1 Mio. Token — ganze Dokumentensammlungen auf einmal
Eingabe: 15 PDF-Compliance-Dokumente (zusammen rund 500 Seiten)
Ausgabe: Zusammenfassung, Risiken, Empfehlungen, AktionspläneWo der Nutzen liegt: Die Sammlung wird in einem Durchgang gelesen statt Dokument für Dokument, und die Zusammenfassung liegt als Ausgangspunkt für die juristische Prüfung vor. Um wie viel schneller der ganze Vorgang wird, hängt an Umfang und Prüftiefe — eine Zeitangabe dafür haben wir nicht erhoben
Kosten, Lizenzen und Datenschutz
Preis-Modelle verstehen (Pay-as-you-go, Enterprise, On-Premise)
Pay-as-you-go (Standard):
- Ideal für: Startups, variable Nutzung
- Preis: Pro Token (Input + Output)
- Vorteil: Flexibel, kein Commitment
- Nachteil: Schwer vorherzuplanen
Enterprise Agreement:
- Ideal für: Grosse Organisationen, 100M+ Tokens/Monat
- Preis: ausgehandelter Rabatt gegenüber Pay-as-you-go; die Höhe veröffentlicht keiner der drei Anbieter
- Vorteil: Preisschutz, SLA, Dedicated Support
- Nachteil: Langfristige Verpflichtung
On-Premise/Self-Hosted:
- Ideal für: Datenschutz-kritisch, hohe Nutzung
- Preis: Compute-Kosten (GPU/TPU Miete)
- Vorteil: Die Daten verlassen die eigene Infrastruktur nicht
- Nachteil: Komplexe Verwaltung, höhere Betriebskosten
Vertiefen Sie Ihr Wissen:
Datenschutz-Richtlinien im Vergleich
Hier stand früher eine Häkchentabelle zur DSGVO-Konformität je Anbieter. Sie ist entfernt — aus demselben Grund wie oben: Aussagen über die Rechtslage Dritter sind ohne juristische Prüfung nicht belastbar, und ein Häkchen suggeriert eine Verbindlichkeit, die wir nicht liefern können. Belastbar ist die Prüfreihenfolge:
- Welche Daten gehen in das Modell? Personendaten verlangen andere Antworten als anonymisierte Betriebsdaten.
- Welche Stufe nutzen Sie? Bei Google ist das der dokumentierte Unterschied: In der kostenlosen Stufe fliessen die Inhalte in die Produktverbesserung, in der kostenpflichtigen nicht.
- Welcher Vertrag liegt vor? Für Personendaten braucht es einen Auftragsverarbeitungsvertrag und eine Prüfung nach revDSG — unabhängig davon, welcher Anbietername auf der Rechnung steht.
- Wo bleibt die Verarbeitung? Ein selbst betriebenes Modell hält die Daten in der eigenen Infrastruktur. Es verlagert die Verantwortung für Betrieb, Aktualisierung und Absicherung allerdings mit.
Langfristige Kostenplanung
Planbar wird die Rechnung erst über das Tokenvolumen, nicht über die Zahl der Aufrufe. Die folgende Modellrechnung setzt deshalb einen Mix an und leitet alles Weitere aus der Preistabelle oben ab.
Modellrechnung mit offengelegten Annahmen: 100'000 Vorgänge im Monat, je 1'500 Eingabe- und 500 Ausgabe-Token. Das ergibt 150 Mio. Eingabe- und 50 Mio. Ausgabe-Token im Monat. Alle Beträge in US-Dollar, gerechnet mit den Listenpreisen vom 23. September 2026.
| Modellstufe | Eingabe (150 Mio.) | Ausgabe (50 Mio.) | USD pro Monat |
|---|---|---|---|
| GPT-6 Luna | 15 | 25 | 40 |
| Gemini 3.1 Flash-Lite | 37.50 | 75 | 112.50 |
| Gemini 3.5 Flash-Lite | 45 | 125 | 170 |
| Gemini 3.8 Flash (bis 31.12.2026) | 112.50 | 187.50 | 300 |
| Claude Haiku 4.5 | 150 | 250 | 400 |
| GPT-6 Sol | 300 | 500 | 800 |
| Claude Sonnet 5 | 300 | 500 | 800 |
| Gemini 3.1 Pro (bis 200'000 Token) | 300 | 600 | 900 |
| Claude Opus 5.5 | 600 | 1'000 | 1'600 |
| GPT-6 Astra | 1'500 | 2'500 | 4'000 |
| Claude Fable 5.1 | 1'500 | 2'500 | 4'000 |
Was diese Tabelle nicht enthält: Selbstbetrieb. Wer ein offenes Modell auf eigener Hardware fährt, tauscht Token-Preise gegen GPU-, Strom- und Betriebskosten. Beziffern lässt sich das erst gegen eine konkrete Konfiguration und Auslastung, nicht allgemein — wir setzen deshalb keine Zahl an.
Empfehlung: Starten Sie auf einer günstigen Stufe und wechseln Sie nur dort auf eine teurere, wo die günstige nachweislich nicht genügt.
Häufige Herausforderungen bei LLM-Einsatz
Halluzinationen und Fehlerquoten
Problem: LLMs erfinden manchmal Fakten, die falsch sind.
- Häufigkeit: modell-, prompt- und aufgabenabhängig; die kursierenden Prozentwerte stammen aus Benchmarks mit ganz anderen Fragen und übertragen sich nicht auf Ihren Anwendungsfall. Messen Sie die Quote an einer eigenen Stichprobe, bevor Sie darauf bauen
- Beispiel: «Gründer von OpenAI ist Sam Altman und Ray Kurzweil» — falsch, zu den Mitgründern zählen Altman, Brockman und Sutskever
Lösungen:
- Verification-Layer: LLM-Output gegen Knowledge Base prüfen
- Few-Shot Prompting: Dem Modell Beispiele geben ("So sollte die Antwort aussehen")
- Temperature senken: 0.1–0.3 statt 0.7 (= weniger Kreativität, mehr Konsistenz)
- Fact-Checking: Für kritische Anwendungen manuelles Review
Integration in bestehende Systeme
Problem: Ihr LLM braucht Zugriff auf interne Daten (CRM, ERP, Datenbank).
Lösungen:
- RAG (Retrieval-Augmented Generation): LLM + Datenbank-Connector
- API-Integration: LLM ruft Ihre Backend-APIs auf
- Fine-Tuning: das Modell mit den eigenen Daten nachtrainieren (kostspielig)
Empfehlung: RAG bringt für KMU am schnellsten Wirkung.
Finetuning vs. Prompt Engineering
| Methode | Kosten | Zeit | Was sie leistet | Wann sinnvoll? |
|---|---|---|---|---|
| Prompt Engineering | CHF 0 | 1–2 Std. | deckt die Standardfälle ab | Einstieg, Regelfall |
| Few-Shot Prompting | CHF 0 | 3–6 Std. | stabilisiert Format und Ton | wenn die Ausgabe schwankt |
| Fine-Tuning | CHF 1'000–10'000 | 2–4 Wochen | prägt Verhalten dauerhaft ein | hohe, fachlich enge Anforderungen |
Empfehlung für KMU: Starten Sie mit Prompt Engineering. Fine-Tuning erst, wenn der Nutzen klar beziffert ist.
Unabhängig vom gewählten Modell bleibt die Anweisung der Hebel — erprobte Prompt-Vorlagen für Geschäftsanwendungen verkürzen den Einstieg spürbar.
Checkliste zur LLM-Auswahl
| Kriterium | Antwort | Empfehlung |
|---|---|---|
| Datenschutz kritisch? | Ja | kostenpflichtige Stufe, Auftragsverarbeitungsvertrag, Prüfung nach revDSG — die Stufe entscheidet, nicht der Anbietername |
| Google-Workspace genutzt? | Ja | Gemini |
| Budget unter CHF 200/Monat? | Ja | GPT-6 Luna, eine Gemini-Lite-Stufe oder Claude Haiku |
| Höchste Leistung nötig? | Ja | Frontier-Stufe (GPT-6 Astra, Claude Fable 5.1 oder Opus 5.5) |
| Komplexe Dokumente (200'000+ Token)? | Ja | alle drei Familien führen Modelle mit rund 1 Mio. Token; rechnen Sie über den Preis je Token |
| Zugriff auf aktuelle Webinhalte nötig? | Ja | ein Modell mit Websuche-Werkzeug — welche Stufen es anbieten, steht beim jeweiligen Anbieter |
| Betrieb im eigenen Haus zwingend? | Ja | ein selbst betriebenes offenes Modell |
| Regulierung (Banking, Versicherung)? | Ja | kostenpflichtige Stufe mit Auftragsverarbeitungsvertrag |
- Beantworten Sie die 8 Fragen
- Zählen Sie Empfehlungen
- Top-2-Modelle wählen, Pilot-Test (1–2 Wochen)
- Metriken tracken (Qualität, Speed, Kosten)
- Ausbauen oder wechseln — je nach Ergebnis
Starten Sie kostenfrei: Probieren Sie Claude kostenlos aus — ohne eine Zeile Code. Bei OpenAI und Google gibt es ebenfalls kostenlose Einstiege; bei Google fliessen die Inhalte der kostenlosen Stufe allerdings in die Produktverbesserung. Oder buchen Sie ein Beratungsgespräch zu LLM-Integration.
Häufig gestellte Fragen
- Welches LLM eignet sich für Schweizer Unternehmen mit hohen Datenschutz-Anforderungen?
Die Frage lässt sich nicht mit einem Anbieternamen beantworten, und wir nennen deshalb keinen. Entscheidend sind drei Dinge: die Datenkategorie (Personendaten verlangen andere Antworten als anonymisierte Betriebsdaten), die gewählte Stufe (bei Google fliessen die Inhalte der kostenlosen Stufe in die Produktverbesserung, die der kostenpflichtigen nicht) und der Vertrag — für Personendaten braucht es einen Auftragsverarbeitungsvertrag und eine Prüfung nach revDSG. Wer die Verarbeitung gar nicht aus dem Haus geben will, betreibt ein offenes Modell auf eigener Infrastruktur; das verlagert Betrieb, Aktualisierung und Absicherung allerdings mit.
- Was kostet der Einsatz eines LLM für ein KMU pro Monat?
Die Kosten hängen am Tokenvolumen, nicht an der Zahl der Aufrufe — ein Aufruf mit 200'000 Token kostet das Tausendfache eines Aufrufs mit 200 Token. Rechnen Sie deshalb mit dem durchschnittlichen Ein- und Ausgabevolumen je Vorgang, multipliziert mit dem Preis der gewählten Stufe (Tabelle oben). Zwischen GPT-6 Luna und GPT-6 Astra oder Claude Fable 5.1 liegt dabei Faktor 100, weshalb Modell-Routing in der Praxis der grösste Hebel ist. Google bietet zusätzlich eine kostenlose Stufe — dort fliessen die Inhalte allerdings in die Produktverbesserung.
- Worin unterscheiden sich GPT-6, Claude 5 und Gemini 3 im Geschäftseinsatz?
Weniger, als die Marketingseiten nahelegen. Alle drei Anbieter führen aktuell Modelle mit rund einer Million Token Kontextfenster und in mehreren Preisstufen. Der belastbare Unterschied ist der Preis je Token: GPT-6 Luna kostet 0.10 USD je Million Eingabe-Token, GPT-6 Astra und Claude Fable 5.1 kosten zehn Dollar — Faktor 100 innerhalb derselben Modellgeneration. Beim Datenschutz ist die entscheidende Linie nicht der Anbieter, sondern die Stufe: Googles kostenlose Stufe nutzt Inhalte zur Produktverbesserung, die kostenpflichtige nicht. Leistungsranglisten führt diese Seite bewusst nicht mehr — sie veralten schneller, als sie gepflegt werden können.
- Wie geht man mit Halluzinationen von LLMs um?
LLMs erfinden gelegentlich falsche Fakten. Eine allgemeine Fehlerquote dafür geben wir nicht an: Die kursierenden Prozentwerte stammen aus Benchmarks mit ganz anderen Fragen und sagen über Ihren Anwendungsfall nichts aus — messen Sie die Quote an einer eigenen Stichprobe. Bewährte Gegenmassnahmen sind ein Verification-Layer, der den LLM-Output gegen eine Knowledge Base prüft, Few-Shot-Prompting mit Beispielantworten sowie eine gesenkte Temperatur von 0,1–0,3 statt 0,7. Für kritische Anwendungen bleibt zusätzlich ein manuelles Fact-Checking-Review empfehlenswert.
- Braucht ein KMU Fine-Tuning oder reicht Prompt Engineering?
Für die meisten KMU reicht Prompt Engineering: Es kostet nichts, ist in 1–2 Stunden umgesetzt und deckt die Standardfälle ab; Few-Shot-Prompting stabilisiert zusätzlich Format und Ton, wenn die Ausgabe schwankt. Fine-Tuning kostet CHF 1'000–10'000, dauert 2–4 Wochen und lohnt sich erst bei hohen, fachlich engen Anforderungen mit klarem ROI. Kosten- und Zeitangaben sind Richtwerte aus eigener Einschätzung; eine Prozentzahl für «Effektivität» nennen wir nicht, weil es dafür keinen Massstab gibt. Wer das LLM mit internen Daten verbinden will, fährt mit RAG (Retrieval-Augmented Generation) am schnellsten zum Ziel.
Quellen
- Quelle der Modell- und Preisangaben: OpenAI Models · OpenAI Deprecations · Anthropic Models · Anthropic Deprecations · Gemini-Modelle · Gemini-API-Preise · Gemini Deprecations — alle abgerufen am 23. September 2026. Modellgenerationen wechseln hier im Monatstakt; prüfen Sie vor einer Architekturentscheidung am Original nach. Abgerechnet wird durchweg in US-Dollar.
