20 KI-Modelle im Praxistest: Warum wir (noch) kein EU-Modell einsetzen

Wir wollten für DealFilter ein europäisches KI-Modell einsetzen. DSGVO-freundlich, EU-Rechenzentrum, am liebsten ein deutsches Hosting. Um das beste Modell zu ermitteln, haben wir getestet, gemessen und verglichen: 20 Modelle von 6 Anbietern, 4 echte Aufgaben aus dem Produktivbetrieb, identische Prompts, 8 Testläufe mit rund 150 bewerteten Ergebnissen.

Das Ergebnis in einem Satz: Die EU-Modelle sind Stand Juli 2026 näher dran, als ihr Ruf vermuten lässt, und OpenAIs frisch erschienene GPT-5.6-Generation hat mächtig aufgeholt - aber Claude Sonnet steht punktgleich mit dem doppelt so teuren OpenAI-Flaggschiff an der Spitze und bleibt deshalb unser Modell der Wahl. Hier sind die Zahlen, die zu diesem Fazit geführt haben.

Warum wir überhaupt vergleichen

DealFilter nutzt KI insbesondere an diesen vier Stellen, die sich stark unterscheiden:

1. Anfragen-Analyse: Die wichtigste Funktion, der Kern von DealFilter: Eine Projektanfrage wird gegen das Freelancer-Profil bewertet - Bewertung mit Tech-Stack Matching, Ausschlusskriterien, Vertragsart, Marktraten-Einschätzung. Strukturiertes JSON mit über 20 Feldern.
2. CV-Extraktion: Aus einem Lebenslauf werden Projekte, Skills und Zeiträume extrahiert.
3. Mail-Feinschliff: Ein Antwort-Entwurf wird sprachlich geglättet, ohne den Inhalt zu verändern.
4. Bewerbungstext mit Projektbezug: Das Modell belegt die Anforderungen einer Ausschreibung mit konkreten Projekten aus der eigenen Historie - die anspruchsvollste Aufgabe, denn hier ist jede erfundene Behauptung ein Karriere-Risiko für den Freelancer.

Jede dieser Aufgaben stellt andere Ansprüche. Ein Modell, das JSON-Schemas sauber einhält, kann trotzdem beim Bewerbungstext halluzinieren. Genau deshalb reicht ein allgemeines Benchmark-Ranking nicht - man muss mit den eigenen Aufgaben testen.

Das Testfeld

Modell	Anbieter	Hosting
Claude Sonnet 4.6	Anthropic	US
Claude Opus 4.8	Anthropic	US
Claude Haiku 4.5	Anthropic	US
GPT-4o / GPT-4o mini	OpenAI	US
GPT-5.6 Sol / Terra / Luna	OpenAI	US
Gemini 3.5 Flash / 2.5 Flash	Google	US
Mistral Large / Medium 3.5 / Small	Mistral	EU (Frankreich)
Llama 3.3 70B / 3.1 405B / 3.1 8B	IONOS AI Model Hub	DE-Rechenzentrum
gpt-oss-120B	IONOS AI Model Hub	DE-Rechenzentrum
Mistral Small 24B / Nemo	IONOS AI Model Hub	DE-Rechenzentrum
Grok 4.3	xAI	US

Methodik in Kürze: Alle Modelle bekommen exakt denselben Produktions-Prompt und dieselben Token-Limits wie im Live-Betrieb. Gemessen werden Antwortzeit, Token-Verbrauch, Kosten pro Aufruf und - bei JSON-Aufgaben - die Schema-Treue. Die Qualität jedes Ergebnisses wurde pro Aufgabe vergleichend mit 1 bis 5 Sternen bewertet, mit manueller Kontrolle gegen die Originaldaten. Für die Gesamtwertung gewichten wir nach der Bedeutung im Produkt: Anfragen-Analyse, CV-Extraktion und Bewerbungstext je 30 Prozent, Mail-Feinschliff 10 Prozent - und komplett fehlgeschlagene Läufe zählen als 1 Stern, denn ein Totalausfall ist auch ein Ergebnis. Wichtige Einschränkung vorweg: Das ist eine sehr gezielte Stichprobe zu einem konkreten Zeitpunkt (Juli 2026) an unseren spezifischen Aufgaben - kein allgemeingültiges Ranking. Die Bewertung unterstützt hat Claude Fable 5, dazu haben wir kritische Fälle (vor allem Halluzinationen) von Hand gegengeprüft. Und: Unsere Produktions-Prompts sind im Betrieb mit Claude entstanden - ein Heimvorteil für Anthropic-Modelle ist nicht auszuschließen. Dagegen spricht allerdings, dass GPT-5.6 mit exakt denselben Prompts punktgleich zur Spitze aufschloss und die Prompt-Härtung gegen Halluzinationen auch GPT-4o messbar verbesserte.

Ergebnis 1: Bei der Anfragen-Analyse geht die Ergebnisqualität weit auseinander.

Die Anfragen-Analyse ist unser wichtigster, zentralster Task. Drei echte Anfragen (Java-Entwicklung mit Arbeitnehmerüberlassung als K.o.-Kriterium, eine AI-Engineer-Ausschreibung mit Schweizer Arbeitserlaubnis-Hürde, ein sehr gut passendes Cloud-Backend-Projekt) gingen an alle Modelle.

Modell	Qualität (Ø von 3 Läufen)	Kosten pro Analyse	Antwortzeit
Claude Sonnet 4.6	5,0 von 5	ca. 7 ct	24-36 s
Claude Opus 4.8	4,3 von 5	ca. 17 ct	23-33 s
Grok 4.3	3,3 von 5	ca. 1,9 ct	10-13 s
gpt-oss-120B (IONOS)	3,0 von 5	ca. 0,5 ct	ca. 30 s
Claude Haiku 4.5	3,7 von 5	ca. 2,5 ct	11-20 s
GPT-4o	2,7 von 5	ca. 4,3 ct	9-12 s
Mistral Large	3,0 von 5	ca. 3,6 ct	20-30 s
Mistral Small	3,0 von 5	ca. 0,2 ct	7-8 s
Mistral Medium 3.5	4,3 von 5	ca. 3,1 ct	8-34 s
GPT-5.6 Sol	5,0 von 5	ca. 15,4 ct	34-57 s
GPT-5.6 Terra	5,0 von 5	ca. 6 ct	15-27 s
GPT-5.6 Luna	4,3 von 5	ca. 2,8 ct	13-17 s
Mistral Small 24B (IONOS)	3,3 von 5	ca. 0,2 ct	32-41 s
Llama 3.1 405B (IONOS)	2,0 von 5	ca. 3,2 ct	138-160 s

Das entscheidende Kriterium war nicht die Extraktion (die können fast alle), sondern das Urteilsvermögen: Erkennt das Modell, dass eine abgelehnte Vertragsform oder eine fehlende Arbeitserlaubnis ein hartes Ausschlusskriterium ist? Sonnet war das einzige Modell, das in allen drei Fällen konsistent richtig lag. GPT-4o bewertete die AI-Engineer-Anfrage mit "65 Prozent Match" - und übersah dabei beide K.o.-Kriterien. (Die neue GPT-5.6-Generation erkannte beide zuverlässig - dazu unten mehr.) Mistral erfand in zwei von drei Läufen Befunde, die nicht in der Anfrage standen ("Public Sector", einen nicht existierenden React-Mangel).

Aus diesem Befund haben wir direkt eine Architektur-Konsequenz gezogen: Die K.o.-Entscheidung liegt bei uns nicht mehr beim Modell. Die LLMs extrahieren nur noch die Fakten (Vertragsart, Projektland) - ob daraus ein Ausschluss folgt, entscheidet seitdem deterministischer Code gegen die Profil-Einstellungen des Nutzers, mit garantiertem Red Flag und hart gedeckeltem Score. Kein Modell kann mehr "65 Prozent Match" über ein K.o.-Kriterium hinweg vergeben. Die Regel dahinter gilt über unseren Fall hinaus: Vertraue dem LLM die Extraktion an, aber niemals allein die Entscheidung.

Ergebnis 2: Der Realitätscheck mit dem echten Lebenslauf

Bei der CV-Extraktion haben wir doppelt gemessen - erst mit einem kurzen CV-Auszug, dann mit meinem echten mehrseitigen Lebenslauf als PDF (rund 25.000 Zeichen Text, 17 Karrierestationen (+1 Firmengründung) von 1997 bis 2026). Der Unterschied war die vielleicht wichtigste Lektion des ganzen Tests: Im Kurztest lagen fast alle Modelle zwischen 4 und 5 Sternen, und die kleinen glänzten mit Mini-Preisen. Mit dem echten Dokument trennte sich das Feld komplett:

• Claude Sonnet extrahierte alle 17 Stationen bis ins Jahr 1997 mit den reichsten Beschreibungen - Bestnote.
• Mistral Large lieferte die beste EU-Extraktion des Tests: 17 Stationen + Firmengründung, vollständig und sauber - hier auf Augenhöhe mit Sonnet.
• GPT-4o gab nur die 5 neuesten Projekte zurück - der halbe Lebenslauf fehlte kommentarlos.
• Die kleinen Modelle schrumpften auf Teilmengen (typisch: 9 von 17 Stationen) oder scheiterten ganz: zwei mit abgerissenem JSON, eines übernahm Höflichkeitsfloskeln aus den Referenzschreiben ("umgänglicher Kollege") als Profil-Highlights.
• Und Claude Opus, das teuerste Modell im Test, sprengte bei diesem CV schlicht das Ausgabe-Token-Limit.

Direktvergleich aus unserem Testwerkzeug: dieselbe CV-Extraktion bei Claude Sonnet (13,4 ct), GPT-5.6 Luna (4,2 ct) und Mistral Large (5,4 ct) - Kundennamen anonymisiert. Kleines Detail am Rande: Luna macht aus 25 Jahren Berufserfahrung "29 Jahre".

Zwei Lehren daraus: Erstens bleibt strukturierte Extraktion die Disziplin, in der EU-Modelle konkurrenzfähig sind - Mistral Small lieferte die Kernprojekte immerhin für 0,2 Cent. Zweitens, und wichtiger: Teste mit echten Produktionsdaten. Unser Kurztest hätte uns zu Modellen geführt, die am echten Dokument scheitern.

Ergebnis 3: Die Halluzinations-Falle beim Bewerbungstext

Der härteste Test war der Bewerbungstext: Das Modell soll Anforderungen einer Ausschreibung mit echten Projekten aus dem CV belegen - und Anforderungen, die es nicht belegen kann, stillschweigend weglassen.

In der ersten Testrunde passierte das, wovor wir Angst hatten: Bei einer GenAI-Ausschreibung, für die das Testprofil schlicht keine passende Erfahrung hatte, erfanden mehrere Modelle komplette Projekterfahrungen - LangChain, RAG-Pipelines, Vector-Datenbanken, nichts davon stand im CV. Betroffen waren nicht nur kleine Modelle, sondern anfangs auch Claude Sonnet und Mistral Large.

Zur Einordnung: In DealFilter kann der Anwender jeden KI-generierten Text vor dem Versand anpassen - eine erfundene Behauptung ginge also normalerweise nicht ungeprüft raus. Unser Anspruch ist trotzdem, dass die Vorlage korrekt, halluzinationsfrei und auf den Punkt generiert ist. Ein Entwurf, den man erst faktenprüfen muss, spart keine Zeit, sondern kostet welche.

Die gute Nachricht: Mit gehärteten Prompt-Regeln (jede Behauptung muss wörtlich im zitierten Projekt belegt sein, Ehrlichkeit schlägt Überzeugungskraft, keine Transfer-Behauptungen) sprang Sonnet von 1 auf 5 Sterne und GPT-4o von 2 auf 4. Die schlechte: Die kleinen Modelle (GPT-4o mini, Mistral Small) ignorierten die Regeln weiter und schrieben falsche Fakten-Zuordnungen - etwa Technologien, die aus einem anderen Projekt stammten. Das Modell ist eben nur die halbe Miete, der Prompt die andere - aber unterhalb einer gewissen Modellgröße hilft auch der beste Prompt nicht.

Endstand beim Bewerbungstext (Ø über 3 Ausschreibungen): Sonnet 5,0 Sterne (ca. 2,2 ct pro Text), Opus 4,3 Sterne (ca. 5,5 ct), Grok 4.3 als Preis-Überraschung 4,3 Sterne für 0,63 ct. Mistral Large kam über 2,3 Sterne nicht hinaus - neben Faktenproblemen hielt es sich hartnäckig nicht an das Klartext-Format einer Mail.

So sieht der Direktvergleich im Testwerkzeug aus - hier die Bewerbungstexte zur Cloud-Backend-Ausschreibung (Kundennamen anonymisiert). Rechts gut zu erkennen: Mistral Larges hartnäckiger Markdown-Fettdruck (**...**) mitten im Mail-Text.

Generationenvergleich: Die neuesten Modelle verschieben das Feld

Das Testfeld enthält bewusst beide Generationen der großen Anbieter: OpenAIs brandneue GPT-5.6-Familie (allgemein verfügbar seit 9. Juli 2026, drei Stufen: Sol, Terra, Luna) neben dem Vorgänger GPT-4o, und Mistrals Medium 3.5 (April 2026, vereint Instruction-Following und Reasoning) neben dem älteren Large. Der direkte Generationenvergleich war eines der aufschlussreichsten Ergebnisse:

Modell	Gesamtwertung (gewichtet)	Kosten pro Analyse
Claude Sonnet 4.6	4,9 von 5	ca. 7,3 ct
GPT-5.6 Sol	4,9 von 5	ca. 15,4 ct
GPT-5.6 Terra	4,6 von 5	ca. 6 ct
GPT-5.6 Luna	4,4 von 5	ca. 2,8 ct
Mistral Medium 3.5	4,1 von 5	ca. 3,1 ct
Claude Haiku 4.5	3,6 von 5	ca. 2,5 ct

Der Generationensprung ist real - auf beiden Seiten: GPT-4o kam gewichtet auf 2,7, GPT-5.6 Terra auf 4,6, am praktisch gleichen Preispunkt wie Sonnet. Alle drei Stufen erkannten beide K.o.-Kriterien zuverlässig, extrahierten den echten Lebenslauf vollständig mit allen Stationen und schrieben faktentreue Bewerbungstexte ohne eine einzige erfundene Behauptung. Und Mistral Medium 3.5 sprang gegenüber den 3,3 des älteren Large auf 4,1 - dazu gleich mehr im EU-Kapitel. Schwächen blieben im Detail: Terra verrutschte ein Enddatum im CV, Luna neigt zu redundanten Aufzählungen.

Warum wir trotzdem bei Sonnet bleiben: Es hält die beste gewichtete Wertung, liefert die Qualität des punktgleichen Sol zum halben Preis - und ein Modellwechsel ist nie gratis: Prompts, Schwellwerte und Regressionstests müssten für ein neues Modell neu kalibriert und verifiziert werden. Das lohnt sich erst bei einem klaren Qualitäts- oder Preisvorsprung, nicht bei einem Gleichstand. Dazu kommt ein Faktor, den keine Sterne-Tabelle vollständig abbildet: die sprachliche Qualität der generierten Texte. Im direkten Vergleich waren Sonnets Formulierungen - vom Bewerbungstext bis zur Analyse-Zusammenfassung - nach unserer persönlichen Einschätzung herausragend: natürlich, präzise und ohne die Floskeln und Formatmacken, die sich bei fast allen anderen Modellen in irgendeiner Form fanden. Aber ehrlich ist auch: Der Abstand war noch nie so klein. Terra ist der erste ernsthafte Herausforderer am gleichen Preispunkt - genau dafür haben wir den Messprozess gebaut, und der nächste Lauf kann die Entscheidung drehen.

Die DSGVO-Abwägung: warum es (noch) ein US-Modell wurde

Wir hätten die EU-Story gern erzählt. Mistral sitzt in Frankreich, IONOS hostet gleich sechs offene Modelle im deutschen Rechenzentrum - auf dem Papier ideal. Wir haben das komplette IONOS-Portfolio vom kleinsten Llama 3.1 8B bis zum größten EU-gehosteten Modell überhaupt (Llama 3.1 405B) durchgetestet. Nach den Messungen sieht unsere Abwägung so aus:

• Für unsere kritischen Aufgaben (Analyse mit K.o.-Kriterien, Bewerbungstexte mit Faktentreue) erreicht kein getestetes EU-Setup die nötige Verlässlichkeit. Ein Bewerbungstext mit erfundenen Projekten ist kein Kompromiss, sondern ein Ausschlusskriterium.
• Auch Größe rettet es nicht: Llama 3.1 405B, das größte EU-gehostete Modell im Test, scheiterte nicht am Verständnis, sondern an der Zuverlässigkeit - es produzierte bei Textaufgaben regelmäßig mehrere Antwortversionen hintereinander, durchsetzt mit Chat-Markern und Zeichenmüll, war mit 50 bis 200 Sekunden pro Aufruf das langsamste Modell im Feld und scheiterte am echten Lebenslauf zweimal in Folge mit Server-Timeout, ganz ohne Ergebnis.
• Lichtblicke gab es trotzdem: Mistral Large lieferte die beste CV-Extraktion des gesamten Feldes, und Mistral Small 24B im deutschen Rechenzentrum erkannte als einziges kleines EU-Modell das ANÜ-Ausschlusskriterium zuverlässig.
• Also nutzen wir Anthropic-Modelle mit klaren Leitplanken: API-Daten werden nicht für das Modelltraining verwendet, Auftragsverarbeitungsvertrag liegt vor, unsere Anwendung läuft in Frankfurt, und wir geben nur das an das Modell, was für die jeweilige Aufgabe nötig ist.
• Wir messen nach. Der Vergleich ist reproduzierbar aufgesetzt. Wenn Mistral, IONOS oder ein neues EU-Modell nachziehen, sehen wir das im nächsten Lauf - und wechseln gern.

Das ist keine Grundsatzentscheidung gegen EU-Modelle, sondern eine Momentaufnahme mit Datum: Juli 2026.

Welches ist das beste EU-Modell? Kommt auf die Aufgabe an

Die ehrliche Antwort auf die naheliegendste Frage: Ein "bestes EU-Modell" für jede Aufgabe gibt es nicht - die Kandidaten haben fast komplementäre Stärken. Ein klarer Kandidat führt allerdings die gewichtete EU-Wertung an: Mistral Medium 3.5 mit 4,1 von 5 - als erstes EU-Modell über der 4er-Marke und damit vor Claude Haiku. Dahinter folgen Mistral Large und Mistral Small 24B im deutschen IONOS-Rechenzentrum punktgleich (je 3,3), dann gpt-oss-120B (2,8). Die drei interessantesten Profile im Detail:

Mistral Medium 3.5 (Frankreich, ca. 3,1 ct pro Analyse):

• Stärken: erkannte beide K.o.-Kriterien zuverlässig, schrieb als einziges Mistral-Modell Bewerbungstexte in sauberem Klartext ohne die hartnäckige Markdown-Schwäche der Geschwister - mit durchgehend verifizierten Belegen - und lieferte die beste Mistral-Analyse des Tests (GREEN 95 Prozent mit Kundenerkennung und plausibler Rate).
• Schwächen: Die Familienschwäche bleibt in Spuren - ein erfundener "Public Sector"-Hint in der Analyse, ein verrutschtes Enddatum und drei beschreibungslose Alt-Projekte im CV, Floskeln im Mail-Feinschliff.

Mistral Large (Frankreich, ca. 3,6 ct pro Analyse):

• Stärke: die beste CV-Extraktion des gesamten Testfelds - 18 Karrierestationen, vollständig und sauber, als einziges EU-Modell auf Sonnet-Niveau. Bei der Analyse solide, solange kein K.o.-Kriterium im Spiel ist, inklusive brauchbarer Marktraten.
• Schwächen: erfand bei der Analyse in zwei von drei Fällen Befunde, die nicht in der Anfrage standen, und übersah das Schweizer K.o.-Kriterium. Beim Bewerbungstext das schwächste Kapitel: hartnäckiger Markdown-Fettdruck in Mail-Texten, Bullet-Überschriften ohne Beleg - und vor der Prompt-Härtung komplette Projekt-Halluzinationen.

gpt-oss-120B (IONOS, DE-Rechenzentrum, ca. 0,5 ct pro Analyse):

• Stärke: beim Bewerbungstext das verlässlichste EU-Modell - durchgehend 4 Sterne, keine einzige erfundene Behauptung, und es erkannte das Schweizer Arbeitserlaubnis-K.o., das selbst GPT-4o übersah. Dazu konkurrenzlos günstig.
• Schwächen: Beim CV-Import disqualifizierte es sich doppelt. Erstens wiederholte Schema-Verstöße (null statt gefüllter Pflichtfelder - das haben wir inzwischen softwareseitig abgefedert). Zweitens eine Halluzination, die das Problem perfekt illustriert: Aus "webbasierten Fuhrpark- und Leasinglösungen" im CV machte es "fußballbasierte Fuhrpark- und Leasinglösungen" im Profil-Highlight. Der Anwender kann so etwas in der Anwendung korrigieren - aber eine Vorlage, die man Wort für Wort gegenprüfen muss, verfehlt ihren Zweck.

Das ehrliche Gesamtbild: Die EU-Modelle sind näher dran, als ihr Ruf vermuten lässt - mit Medium 3.5 ist erstmals ein einzelnes EU-Modell in Schlagdistanz zur Spitzengruppe, ohne dass man pro Aufgabe verschiedene Spezialisten mischen müsste. Was am Ende den Ausschlag für Claude Sonnet gibt, ist nicht ein einzelner Kategoriensieg, sondern die Konstanz - die beste gewichtete Wertung über alle vier Aufgaben (4,9 von 5), punktgleich nur mit dem doppelt so teuren GPT-5.6 Sol - und die Qualität der Texte selbst, die im direkten Vergleich nach unserer persönlichen Einschätzung herausragend war. Ein Modell, das überall verlässlich ist, schlägt vier Spezialisten - im Betrieb, im Prompt-Engineering und in der Wartung. Deshalb ist Sonnet unser aktuelles Modell der Wahl.

Was der Vergleich gekostet hat

Der komplette Testlauf über alle 20 Modelle, 4 Aufgaben und 8 Eingaben hat weniger als 5 Euro API-Kosten verursacht. Dem gegenüber steht eine fundierte Modell-Entscheidung für vier Produktiv-Features - und die Gewissheit, dass wir mit Sonnet nicht aus Gewohnheit arbeiten, sondern weil es an unseren Aufgaben gemessen das beste Verhältnis aus Qualität und Preis liefert: durchgehend Bestnoten bei einem Drittel der Opus-Kosten.

Wer selbst KI-Features baut: Testet mit euren echten Aufgaben und euren echten Daten. Die Unterschiede zwischen "Benchmark-Sieger" und "funktioniert für meinen Fall" sind größer, als die Marketing-Folien vermuten lassen.

FAQ

Welches KI-Modell ist das beste für die Analyse von Projektanfragen? In unserem Test (Juli 2026): Claude Sonnet 4.6 - beste gewichtete Gesamtwertung (4,9 von 5) bei rund 7 Cent pro Analyse; es erkannte alle harten Ausschlusskriterien (abgelehnte Vertragsformen, fehlende Arbeitserlaubnis) zuverlässig. Punktgleich, aber doppelt so teuer: GPT-5.6 Sol.

Welches ist das beste EU-gehostete KI-Modell (Stand Juli 2026)? Mistral Medium 3.5 (Frankreich) - mit 4,1 von 5 in unserer gewichteten Gesamtwertung das erste EU-Modell über der 4er-Marke: beide K.o.-Kriterien erkannt, faktentreue Bewerbungstexte in sauberem Klartext, rund 3 Cent pro Analyse. Dahinter punktgleich Mistral Large (beste CV-Extraktion des Testfelds) und Mistral Small 24B im deutschen IONOS-Rechenzentrum (je 3,3). Wer deutsches Hosting braucht: gpt-oss-120B bei IONOS schrieb die faktentreuesten Texte, halluzinierte aber beim CV-Import.

Sind EU-KI-Modelle für DSGVO-konforme Anwendungen Pflicht? Nein. DSGVO-Konformität hängt an Rechtsgrundlage, Auftragsverarbeitungsvertrag und Datenminimierung, nicht am Sitz des Modellanbieters. Ein EU-Hosting vereinfacht die Bewertung, ist aber keine Voraussetzung.

Können günstige KI-Modelle mit den großen mithalten? Aufgabenabhängig - und stark abhängig von der Eingabegröße. Bei der Extraktion eines echten mehrseitigen Lebenslaufs lieferte Mistral Large eine Extraktion auf Augenhöhe mit Claude Sonnet, während kleine Modelle nur Teilmengen zurückgaben. Bei Aufgaben mit Urteilsvermögen oder strenger Faktentreue fielen kleine Modelle durchgehend ab und neigten zu Halluzinationen.

Wie verhindert man Halluzinationen in KI-generierten Bewerbungstexten? Durch strikte Prompt-Regeln (jede Behauptung muss im Quellmaterial wörtlich belegt sein, nicht Belegbares wird weggelassen) und ein ausreichend starkes Modell. In unserem Test befolgten Spitzenmodelle diese Regeln zuverlässig, kleine Modelle nicht.

---

Transparenzhinweis: Die Messwerte stammen aus unserem internen Vergleichswerkzeug (Stand Juli 2026, identische Produktions-Prompts für alle Modelle). Die Qualitätsbewertung erfolgte modellgestützt mit manueller Kontrolle. Modelle entwickeln sich schnell weiter - wir aktualisieren unsere Modellwahl regelmäßig auf Basis neuer Messläufe.