Die richtige KI ist eine Frage der Aufgabe. Sieben Modelltypen und was sie leisten.
Sprachmodell, Reasoning, Dokumentmodell, Bilderkennung, Bildgenerierung, Audio, Embeddings: welcher KI-Modelltyp welche Aufgabe im Mittelstand löst.
Kurz gesagt
- Modellnamen veralten innerhalb von Monaten. Wer nach der Aufgabe auswählt statt nach dem Namen, trifft Entscheidungen, die länger halten.
- Sprachmodelle schreiben und sortieren, Reasoning-Modelle prüfen mehrstufig, Dokumentmodelle machen aus Fotos und Scans strukturierte Daten.
- Spezialisierte Bilderkennung prüft an der Linie schnell, lokal und messbar je Fehlerklasse.
- Bildgenerierung liefert Varianten, Audio-Modelle machen aus Diktaten Berichte, Embeddings finden Inhalte nach Bedeutung.
- Vier Fragen führen zum passenden Modell: Was geht rein und raus, was kostet ein Fehler, wo dürfen die Daten hin, wie oft und wie schnell?
„Welche KI sollen wir nehmen?“ Diese Frage steht in fast jedem Erstgespräch am Anfang. Sie klingt vernünftig. Sie führt aber meistens in die falsche Richtung.
Denn die Namen wechseln schneller, als ein Projekt dauert. Mistral hat sein Modell Medium 3.5 Ende April 2026 veröffentlicht, seit Ende Oktober gilt es als veraltet. OpenAI hat GPT-5.5 im April vorgestellt und im Oktober wieder aus ChatGPT genommen.
Stabil sind dagegen die Aufgaben. Ein Lieferschein muss gelesen, eine Anfrage beantwortet, ein Handbuch durchsucht werden. Für jede dieser Aufgaben gibt es eine Klasse von Modellen, die sie wirklich gut kann – und eine, die nur so aussieht.
Dieser Beitrag ordnet sieben Modelltypen nach dem, was sie im Betrieb leisten. Zu jedem gibt es ein Beispiel aus dem Mittelstand und die Frage, auf die es bei der Auswahl ankommt. Die genannten Modelle sind Beispiele, Stand November 2026.

Sprachmodelle schreiben, sortieren und fassen zusammen
Ein Sprachmodell nimmt Text entgegen und gibt Text zurück. Damit lassen sich Entwürfe schreiben, lange Dokumente zusammenfassen, Texte übersetzen und Nachrichten in Kategorien einordnen. Bekannte Familien sind GPT von OpenAI, Claude von Anthropic, Gemini von Google und Mistral.
Ein typischer Einsatz ist das Vertriebspostfach eines Maschinenbauers. Dort landen Anfragen, Reklamationen und Bestellungen durcheinander. Das Modell ordnet jede Nachricht ein, zieht Kunde und Maschinennummer heraus und schreibt einen Antwortentwurf.

Worauf es ankommt: Sprachmodelle formulieren auch dann flüssig, wenn sie falsch liegen. Jeder Ablauf, der Kunden erreicht, braucht deshalb einen Freigabeschritt. Schreiben Kunden direkt mit einem Chatbot, müssen sie seit dem 2. August 2026 erfahren, dass sie mit einer KI sprechen (Artikel 50 der KI-Verordnung).
Die meisten Anbieter liefern ihre Modelle in mehreren Größen. Für das Sortieren von E-Mails reicht oft die kleine, schnelle Variante. Das große Modell lohnt sich dort, wo der Text wirklich anspruchsvoll ist.
Reasoning-Modelle denken mehrere Schritte voraus
Reasoning-Modelle arbeiten eine Aufgabe in Zwischenschritten ab, bevor sie antworten. Das kostet Zeit und Rechenleistung. Es lohnt sich, wenn eine Antwort aus vielen Einzelprüfungen besteht, die aufeinander aufbauen.
Ein Beispiel ist unser Produkt Angebots Buddy. Es leitet aus umfangreichen Kundendokumenten Anforderungen und Klärungsfragen ab. Aus einer vagen Formulierung wie „gängige Exportformate“ wird so eine Frage an den Kunden, bevor sie zum Risiko im Angebot wird.

Die Grenze zu den normalen Sprachmodellen verschwimmt gerade. Viele Anbieter bauen die Denkzeit als Regler in ein einziges Modell ein. Bei Mistral Small 4 lässt sie sich zum Beispiel pro Anfrage ein- und ausschalten.
Worauf es ankommt: Mehr Denkzeit macht Antworten gründlicher, aber nicht automatisch richtig. Bei Angebots Buddy wird deshalb kein Vorschlag ohne Prüfschritt und Freigabe zur Grundlage eines Angebots. Stellen Sie die Denkzeit pro Aufgabe ein, statt überall das teuerste Modell zu nutzen.
Dokumentmodelle machen aus Papier Daten
Multimodale Modelle lesen Fotos, Scans und PDFs. Neben den großen Allroundern gibt es spezialisierte Dokumentmodelle. Mistral OCR 4 liefert zum Beispiel nicht nur den Text, sondern auch Position, Art und Sicherheit jedes Blocks und Wortes.
Ein typischer Einsatz ist der Wareneingang. Lieferscheine werden fotografiert, Lieferant, Bestellnummer und Positionen landen direkt im ERP. Felder, bei denen das Modell unsicher ist, werden markiert statt geraten.

Wie wichtig diese Markierung ist, zeigt unser Projekt Der Vorleser. Die App fotografiert Briefe und liest sie vor. Unlesbare Stellen werden markiert, unvollständige Antworten nie als fertige Seite übernommen.
Worauf es ankommt: Fragen Sie bei der Auswahl, ob das Modell seine Unsicherheit ausgibt. Ein Sicherheitswert pro Feld ist im Alltag mehr wert als eine glänzende Demo.
Spezialisierte Bilderkennung prüft schnell, lokal und messbar
Nicht jede Bildaufgabe braucht ein großes Sprachmodell. Für wiederkehrende Prüfungen an der Linie sind trainierte Erkennungsmodelle oft die bessere Wahl. Sie sind schnell, laufen direkt an der Maschine, und ihre Trefferquote lässt sich je Fehlerklasse messen.
Bei einer Werkerassistenz für das Verpacken begleiten Objekterkennung und Tiefenkameras jeden Arbeitsschritt. Ziel war, dass auch nicht eingearbeitete Mitarbeitende den Prozess zuverlässig ausführen. Das System ist im Produktionseinsatz, die Aufbewahrung der Bilddaten war vorab mit dem Betriebsrat abgestimmt.

Bei der KI-Sichtprüfung in der ICE-Instandhaltung wurde je Fehlerklasse festgelegt, ob das System allein entscheidet oder an einen Menschen übergibt. Grundlage war die gemessene Erkennungsleistung, mit der Fehlalarmrate als Gegengewicht. Bis zu 80 Prozent der relevanten Fehlerarten sind per Kamera erkennbar, die Ergebnisse wurden extern auditiert.
Worauf es ankommt: Diese Modelle brauchen eigene Trainingsbilder aus Ihrem Prozess. Dafür liefern sie Kennzahlen, auf die Sie eine Freigabe stützen können.
Bildgenerierung liefert Varianten ohne Fotoshooting
Generative Bildmodelle erzeugen und bearbeiten Bilder aus Text und Vorlagen. Beispiele sind GPT Image von OpenAI und Nano Banana von Google. Für Marketing und Vertrieb heißt das: Produktvarianten, Hintergründe und Formate entstehen in Minuten.
Ein Hersteller von Industrieleuchten kann sein Produkt so in einer Werkhalle, einem Lager und einem Büro zeigen. Ein Fotograf ist dafür nicht dreimal nötig. Das Produkt selbst sollte dabei aus echten Fotos stammen, damit Form und Details stimmen.

Worauf es ankommt: Eine allgemeine Kennzeichnungspflicht für alles, was mit KI entstanden ist, gibt es nicht. Seit dem 2. August 2026 müssen aber Deepfakes offengelegt werden, also täuschend echte Darstellungen von Personen, Orten oder Dingen. Prüfen Sie das im Einzelfall und kennzeichnen Sie im Zweifel.
Audio-Modelle machen aus Gesagtem einen Bericht
Spracherkennung wandelt Gesprochenes in Text um, Sprachausgabe macht es umgekehrt. Moderne Systeme erkennen auch, wer gerade spricht, und setzen Zeitmarken. Damit werden aus Besprechungen Protokolle und aus Telefonaten Notizen.
Ein typischer Einsatz ist der Kundendienst. Der Servicetechniker spricht nach dem Einsatz zwei Minuten ins Handy. Die Spracherkennung schreibt mit, ein Sprachmodell füllt daraus den Einsatzbericht mit Maschine, Fehlerbild, Ersatzteilen und Arbeitszeit.

Worauf es ankommt: Fachbegriffe. Gute Systeme lassen sich vorab mit Ihrem Vokabular füttern, ElevenLabs nimmt zum Beispiel bis zu 1.000 Begriffe wie Marken, Abkürzungen oder Teilenummern entgegen. Testen Sie mit echten Aufnahmen aus der Halle, nicht mit sauber vorgelesenem Text.
Embeddings finden, was gemeint ist
Embeddings übersetzen Inhalte in Zahlenreihen, sogenannte Vektoren. Inhalte mit ähnlicher Bedeutung liegen dabei nah beieinander. Das ist die Grundlage für eine Suche, die Bedeutung versteht statt nur Wörter zu vergleichen.
Gemini Embedding 2 legt zum Beispiel Text, Bilder, Videos, Audio und Dokumente in einen gemeinsamen Raum. Eine Frage kann also eine Stelle im Handbuch, ein altes Ticket und ein Schulungsvideo zugleich finden.
Ein typischer Einsatz ist die Service-Hotline. Ein Kunde meldet: „Die Anlage piept nach dem Filterwechsel.“ Die Suche findet die Handbuchstelle zum „akustischen Warnsignal nach der Wartung“, obwohl kein Wort übereinstimmt. Ein Sprachmodell formuliert daraus die Antwort, mit Quellenangabe.

Worauf es ankommt: Die Qualität hängt an Ihren Daten. Ein veraltetes Handbuch findet auch die beste Suche – und zitiert es dann zuverlässig.
Cloud oder eigenes Rechenzentrum ist eine eigene Entscheidung
Quer zu den sieben Typen steht die Frage, wo das Modell läuft. Für fast jeden Typ gibt es offene Modelle, die Sie selbst betreiben können. Mistral Small 4 und das Spracherkennungsmodell Cohere Transcribe stehen zum Beispiel unter der freien Apache-2.0-Lizenz, Mistral OCR 4 läuft als einzelner Container im eigenen Haus.
Der Vorteil: Die Daten verlassen Ihr Unternehmen nicht, und es fallen keine Kosten pro Anfrage an. Der Preis dafür sind Hardware, Betrieb und Updates. Auch ein selbst betriebenes Modell ist nach einem Jahr nicht mehr das aktuelle.
Vier Fragen führen zum passenden Modell
- Was geht rein, was soll herauskommen? Text, Foto, Sprache oder eine Suche – das bestimmt den Typ.
- Was kostet ein Fehler? Davon hängen Modellgröße, Denkzeit und der Prüfschritt ab.
- Wo dürfen die Daten hin? Öffentliche Cloud, EU-Region oder eigenes Rechenzentrum.
- Wie oft und wie schnell? Tausende Lieferscheine am Tag brauchen ein schnelles, günstiges Modell. Eine Ausschreibung im Monat verträgt das gründlichste.
Die meisten nützlichen Abläufe verbinden zwei oder drei Typen. Beim Kundendienst wird aus Sprache Text, aus Text ein Bericht und aus vielen Berichten ein durchsuchbares Archiv.
Und weil die Namen im Quartalstakt wechseln, gehört das Modell hinter eine Schnittstelle. Ob sich ein Wechsel lohnt, entscheiden dann Tests mit Ihren echten Beispielen, nicht die nächste Ankündigung.
Die beste KI gibt es nicht, nur die passende
Die Frage „Welche KI nehmen wir?“ hat keine allgemeine Antwort. Die Frage „Welche Aufgabe wollen wir lösen, und was darf dabei schiefgehen?“ hat fast immer eine.
Sie haben einen Ablauf im Kopf, der heute zu viel Handarbeit kostet? Wir finden mit Ihnen den passenden Modelltyp, bauen einen prüfbaren Prototyp und messen, ob er hält, was er verspricht.
Quellen
- OpenAI: Model Release Notes, Einträge zu GPT-5.5 (Oktober 2026) und GPT-6.2 (November 2026).
- Mistral AI: Modellkarte Mistral Medium 3.5, Status und Nachfolger.
- Mistral AI: Introducing Mistral Small 4, März 2026.
- Mistral AI: Mistral OCR 4, Juni 2026.
- Google: Gemini Embedding 2, März 2026.
- Google: Gemini API Changelog, Nano Banana 2.1.
- OpenAI: Release Notes, GPT Image 2.6, November 2026.
- Mistral AI: Voxtral Transcribe 2, Februar 2026.
- tutkit.com: ElevenLabs Scribe v3, November 2026.
- Cohere: Cohere Transcribe, März 2026.
- IHK Nürnberg: EU AI-Act: Transparenz- und Kennzeichnungspflichten ab 2. August, Juli 2026.
- IHK Rostock: KI-Transparenzpflicht für Unternehmen in Kraft.
Häufige Fragen
Welche Arten von KI-Modellen gibt es?
Für den Einsatz im Unternehmen lassen sich sieben Typen unterscheiden: Sprachmodelle für Text, Reasoning-Modelle für mehrstufige Prüfungen, Modelle für Dokument- und Bildverstehen, spezialisierte Bilderkennung, Bildgenerierung, Modelle für Sprache und Audio sowie Embeddings für die Suche nach Bedeutung. Quer dazu steht die Frage, ob ein Modell in der Cloud oder im eigenen Haus läuft.
Welches KI-Modell eignet sich für Lieferscheine und Rechnungen?
Dafür eignen sich multimodale Modelle oder spezialisierte Dokumentmodelle, die Fotos, Scans und PDFs lesen. Wichtig ist, dass das Modell seine Unsicherheit ausgibt, etwa als Sicherheitswert pro Feld, damit unsichere Angaben markiert statt geraten werden.
Brauche ich für jede Aufgabe das größte KI-Modell?
Nein. Die meisten Anbieter liefern ihre Modelle in mehreren Größen. Für Sortieren und einfache Extraktion reicht oft eine kleine, schnelle Variante; große Modelle und lange Denkzeit lohnen sich dort, wo Fehler teuer sind und die Aufgabe mehrere Prüfschritte hat.
Kann man KI-Modelle im eigenen Rechenzentrum betreiben?
Ja, für fast jeden Modelltyp gibt es offene Modelle zum Selbstbetrieb, zum Beispiel unter der Apache-2.0-Lizenz. Die Daten verlassen dann das Unternehmen nicht, dafür fallen Hardware, Betrieb und Updates an.
Muss man KI-generierte Inhalte kennzeichnen?
Eine allgemeine Kennzeichnungspflicht für alles, was mit KI erstellt wurde, gibt es nicht. Seit dem 2. August 2026 müssen nach Artikel 50 der KI-Verordnung aber Deepfakes offengelegt werden, und Menschen müssen erfahren, wenn sie mit einem KI-System wie einem Chatbot interagieren. Im Einzelfall sollte das rechtlich geprüft werden.