Welches KI-Modell nimmt mir wirklich Arbeit ab?
GPT-6 Astra, Claude Fable 5.1, Muse Spark 1.3 und Gemini 3.8 Flash sind innerhalb weniger Tage erschienen. Einen Sieger kann ich noch nicht nennen, aber ich weiß ziemlich genau, woran ich sie messen werde.
Am 1. September kam Claude Fable 5.1. Einen Tag später folgten Muse Spark 1.3 und Gemini 3.8 Flash, am 3. September dann GPT-6 Astra. Vier neue Modelle in drei Tagen.
Natürlich kann man jetzt die Benchmarks nebeneinanderlegen und darüber diskutieren, wer gerade vorne liegt.
Mich interessiert im Alltag inzwischen etwas anderes. Ich möchte wissen, welches Modell mir einen kompletten Auftrag abnimmt und wie viel Arbeit danach noch bei mir hängen bleibt.
Das hier ist deshalb kein Testbericht. Ich habe keines der neuen Modelle lange genug im echten Arbeitsalltag benutzt, um seriös einen Sieger auszurufen. Was ich habe, ist ein ziemlich klares Raster dafür, wie ich sie testen will. Nach den letzten Jahren mit KI weiß ich nämlich auch, wo diese Systeme beeindruckend aussehen und trotzdem noch erstaunlich viel Nacharbeit verursachen.
Ein guter Test wäre für mich zum Beispiel eine Unternehmensanalyse für ein Investment Update. Ich gebe dem Modell Quartalsberichte, Earnings Calls, Präsentationen und aktuelle Meldungen. Daraus möchte ich am Ende eine klare Investmentthese, ein wirklich starkes Gegenargument, die wichtigsten Kennzahlen mit Zeitraum und Originalquelle und eine Präsentation mit acht Folien haben.
Das klingt nach einer Aufgabe. In Wirklichkeit sind es zwanzig kleine Aufgaben, die sauber zusammenpassen müssen. Genau da wird es interessant.
Eine Präsentation, die hervorragend aussieht und zwei Zahlen aus verschiedenen Zeiträumen miteinander vergleicht, ist für mich wertlos. Dasselbe gilt für eine gute Investmentthese, wenn das stärkste Gegenargument fehlt oder wichtige Aussagen nur aus Sekundärquellen stammen, obwohl die Originalquelle verfügbar war.
Der Begriff dafür ist inzwischen „Agentic Work". Mir ist die Bezeichnung relativ egal. Entscheidend ist, ob die KI selbst durch einen längeren Arbeitsablauf kommt, statt nach jedem Schritt auf den nächsten Prompt zu warten.
Astra bekommt bei mir zuerst den ganzen Auftrag
Mit GPT-6 Astra starte ich bei genau diesem Investment-Workflow. OpenAI hat das Modell stark auf Computersteuerung, Browserarbeit, Coding und professionelle Aufgaben ausgerichtet. In den eigenen Tests erreicht Astra bei AutomationBench 41,4 Prozent. GPT-5.6 Sol lag dort bei 18,1 Prozent, Claude Fable 5.1 bei 31,4 Prozent.
Auch beim Computer-Benchmark OSWorld sieht der Sprung auf dem Papier groß aus. Astra kommt auf 72,6 Prozent gegenüber 65,7 Prozent bei GPT-5.6 Sol. Interessanter finde ich fast die Zeit dahinter. OpenAI berichtet von ungefähr 40 Minuten pro Aufgabe bei Astra gegenüber rund 75 Minuten bei Sol.
Nebenbei zeigt genau dieser Benchmark, warum ich Vergleichstabellen mit Vorsicht lese. Anthropic meldet für Fable 5.1 einen höheren Wert, allerdings auf einer anderen Version desselben Tests. In OpenAIs Tabelle taucht Fable bei OSWorld deshalb gar nicht auf.
Das sind Herstellerwerte. Ich nehme sie ernst, aber ich verwechsle sie nicht mit meinem eigenen Ergebnis.
Bei mir müsste Astra die Originalquellen finden, Dokumente lesen, Zahlen sauber zuordnen, die Analyse aufbauen und daraus am Ende tatsächlich etwas produzieren, das ich verwenden kann. Danach messe ich nicht, wie beeindruckend der Ablauf aussah. Ich schaue, wie oft ich eingreifen musste und wie lange ich am Ergebnis noch sitze.
Die Nacharbeit ist für mich inzwischen eine der wichtigsten Kennzahlen bei KI. Ein Modell kann bei einem Test deutlich intelligenter sein und mir trotzdem weniger Zeit sparen, wenn ich hinterher ständig Zahlen, Quellen oder Formatierungen kontrollieren und korrigieren muss.
Von Fable will ich vor allem Widerspruch
Claude Fable 5.1 bekommt bei mir einen anderen Job. Anthropic hat das Modell für lange Aufgaben, große Mengen an Kontext und komplexe Wissensarbeit gebaut. Eine Million Token Kontext sind für umfangreiche Analysen interessant, weil du damit sehr viel Material gleichzeitig im Projekt halten kannst.
Bei Investments brauche ich aber nicht jemanden, der meine These möglichst schön ausarbeitet. Ich brauche jemanden, der versucht, sie kaputtzumachen.
Fable bekommt deshalb die fertige Analyse und einen ziemlich undankbaren Auftrag: Finde heraus, wo ich mir die Geschichte zu schön erzähle.
Welche Annahme ist schwach? Welche Quelle widerspricht einer anderen? Welches Risiko habe ich zu schnell abgehakt? Welche Zahl sieht gut aus, verändert sich aber komplett, sobald man einen anderen Zeitraum betrachtet? Vor allem möchte ich wissen, was passieren müsste, damit meine Investmentthese nicht mehr gilt.
Wenn dabei regelmäßig etwas auftaucht, das im ersten Durchlauf übersehen wurde, ist dieser zweite Modellschritt sein Geld wert. Wenn Fable nur zehn zusätzliche Seiten produziert und ich danach genauso schlau bin wie vorher, spare ich mir den Aufwand.
Anthropic hat bei Fable 5.1 auch die Cache-Kosten deutlich gesenkt. Das ist bei langen Agentenabläufen relevant, weil dieselben Informationen immer wieder verwendet werden. Laut Anthropic können typische Workloads dadurch ungefähr 25 Prozent günstiger werden, bei stark agentischen Abläufen in manchen Fällen deutlich mehr.
Ob diese Rechnung bei mir aufgeht, sehe ich erst im echten Prozess.
Muse Spark interessiert mich dort, wo eine Aufgabe tausendmal läuft
Muse Spark 1.3 teste ich zuerst nicht an der schwierigsten Investmentanalyse. Meta meldet gegenüber Spark 1.2 rund 20 Prozent weniger Toolaufrufe und ungefähr 25 Prozent weniger Token bei Coding-Aufgaben.
Bei einem einzelnen Auftrag ist mir das ziemlich egal. Bei 10.000 ähnlichen Aufträgen nicht mehr.
Nehmen wir Kundenfeedback. E-Mails, Supportfälle, Kommentare und Umfragen laufen jeden Tag ein. Daraus möchte ich wissen, welche Probleme sich häufen, was wahrscheinlich dieselbe Ursache hat und welche Themen das Team zuerst bearbeiten sollte. Das ist eine Aufgabe, die sich gut standardisieren lässt und ständig wiederkommt.
Für so etwas brauche ich nicht automatisch das teuerste Modell. Wenn Spark die Aufgabe zuverlässig erledigt und dafür weniger Schritte und weniger Rechenaufwand braucht, kann genau das der wirtschaftlich bessere Einsatz sein.
Das ist auch der Grund, warum ich wenig von einer allgemeinen Rangliste halte. Das beste Modell für eine schwierige Einzelanalyse muss nicht das beste Modell für einen Prozess sein, der jeden Tag tausendmal läuft.
Bei Gemini habe ich diese Frage schon einmal gestellt
Google ist für mich besonders interessant, weil die Ausgangslage hervorragend sein müsste. Im November 2025 habe ich schon über Gemini 3 geschrieben und darüber, dass wir im Family Office mehrere Modelle parallel verwenden. Damals war für mich bereits die Frage, ob die starken Ergebnisse von Gemini im echten Investmentprozess genauso überzeugen.
Jetzt kommt Gemini 3.8 Flash. Google verlangt zum Einführungspreis 0,75 Dollar pro Million Eingabetoken und 3,75 Dollar pro Million Ausgabetoken. Für ein Modell, das ausdrücklich für Coding, mehrstufiges Denken und agentische Abläufe gedacht ist, ist das interessant.
Dazu kommt Googles Ökosystem. Suche, Gmail, Kalender, Docs, Sheets, Chrome. Sehr vieles, was ein Agent für normale Büroarbeit braucht, liegt dort ohnehin schon.
Trotzdem bekommt Gemini bei mir keinen Bonus dafür, dass die Voraussetzungen gut aussehen. Ich möchte sehen, ob daraus im Alltag tatsächlich weniger Arbeit entsteht. Wenn ich nach einer Analyse länger kontrolliere, Quellen nacharbeiten oder Ergebnisse noch einmal durch ein anderes Modell schicken muss, hilft mir auch der günstigere Tokenpreis wenig.
Die Frage ist heute dieselbe wie damals. Halten die starken Modellwerte, sobald echte Arbeit daraus wird?
Bei Agenten macht mir ein anderer Fehler mehr Sorgen als eine schlechte Antwort
Mit bisherigen Agenten habe ich etwas erlebt, das ich problematischer finde als eine offensichtlich falsche Antwort.
Ein Tool funktioniert nicht richtig. Vielleicht lässt sich eine Datei nicht öffnen oder eine Website gibt die benötigten Daten nicht zurück. Der Agent macht trotzdem weiter.
Am Ende steht eine sauber formatierte Tabelle. Danach entsteht eine Analyse und schließlich vielleicht sogar eine Präsentation. Das Ganze sieht professionell aus, obwohl irgendwo ziemlich weit vorne im Prozess bereits etwas schiefgelaufen ist.
Das ist gefährlich, weil der ursprüngliche Fehler irgendwann kaum noch sichtbar ist. Du siehst auf Folie sieben eine Zahl und weißt nicht mehr, dass sie auf einer Annahme basiert, die der Agent dreißig Schritte vorher gemacht hat, weil eine Quelle nicht verfügbar war.
Deshalb lege ich bei wichtigen Aufgaben vorher fest, was am Ende zwingend stimmen muss. Bei einer Finanzanalyse bekommt jede relevante Zahl einen Zeitraum und eine Originalquelle. Zu einer These gehört ein ernsthaftes Gegenargument. Wenn ein wichtiger Schritt nicht funktioniert, soll der Agent das offen sagen, statt die Lücke möglichst elegant zu überbrücken.
Bei Zahlungen, Veröffentlichungen, Verträgen oder Änderungen an Kundendaten bleibt sowieso ein Mensch dazwischen. Je schwieriger eine Entscheidung rückgängig zu machen ist, desto weniger interessiert mich, wie autonom die KI theoretisch arbeiten könnte.
Der Modellpreis allein sagt mir fast nichts
Artificial Analysis bewertet Claude Fable 5.1 im Max-Modus aktuell mit 66 Punkten. Claude Opus 5 liegt bei 63. Im dort gemessenen Aufgabenmix kostet Fable 5.1 ungefähr 3,76 Dollar pro Aufgabe, Opus 5 rund 2,34 Dollar. Der Unterschied beträgt 1,42 Dollar.
Wenn ich meine Arbeitszeit intern mit 100 Dollar pro Stunde bewerte, muss mir das bessere Modell gerade einmal rund 51 Sekunden menschliche Arbeit sparen, damit sich dieser Aufpreis rechnet.
Bei einer schwierigen Unternehmensanalyse ist das fast nichts. Wenn das bessere Modell einen Fehler findet, den ich sonst zwanzig Minuten später manuell entdecke, interessiert mich der zusätzliche Dollar überhaupt nicht.
Bei 10.000 einfachen Aufgaben sieht es anders aus. Aus 1,42 Dollar werden 14.200 Dollar. Dann möchte ich ziemlich genau wissen, was ich für diesen Aufpreis bekomme.
Deshalb rechne ich bei KI inzwischen nicht mehr nur mit Tokenpreisen:
Gesamtkosten einer Aufgabe = Modellkosten + Kontrollzeit + Nacharbeit + erwartete Fehlerkosten
Die letzten drei Punkte sind oft wichtiger als der erste. Ein günstiges Modell, das ständig kontrolliert werden muss, kann am Ende teuer sein. Ein teures Modell verschwendet Geld, wenn ich seine zusätzliche Qualität bei einer einfachen Routineaufgabe überhaupt nicht brauche.
Ich will weniger Zeit damit verbringen, KI zu bedienen
Das ist die eigentliche Messlatte. Bei einem guten Agenten müsste sich das Verhältnis verändern. Ich gebe ein Ziel vor, liefere den nötigen Kontext und definiere, woran ich ein gutes Ergebnis erkenne. Danach greife ich nur noch dort ein, wo wirklich eine Entscheidung von mir gebraucht wird.
Ob darunter Astra, Fable, Spark oder Gemini läuft, ist mir ziemlich egal.
Ich sortiere diese Modelle deshalb nicht danach, welches gerade den höchsten allgemeinen Score hat. Ich messe sie an denselben Kriterien, auch wenn die Aufgaben unterschiedlich sind: wie viel Kontrolle sie brauchen, welche Fehler durchkommen und wie viel Nacharbeit am Ende bleibt.
Danach weiß ich mehr, als jede Benchmarktabelle mir sagen kann.
Ich habe früher ziemlich schnell das Modell gewechselt, wenn eine Antwort nichts getaugt hat. Oft lag das Problem aber nicht am Modell. Mein Auftrag war einfach nicht klar genug.
Genau darum geht es in meinem kostenlosen Guide ChatGPT Durchbruch. Dort zeige ich die drei Regeln, mit denen ich aus einer vagen Frage einen klaren Arbeitsauftrag mache.
Häufige Fragen
Was bedeutet Agentic Work?
Damit sind KI-Abläufe gemeint, bei denen das Modell mehr tut, als eine einzelne Frage zu beantworten. Es bekommt ein Ziel und arbeitet mehrere Schritte selbstständig ab, zum Beispiel Recherche, Dateien auswerten, Daten bearbeiten und daraus ein fertiges Ergebnis erstellen. Für mich ist dabei weniger wichtig, wie autonom das technisch aussieht. Ich möchte wissen, wie viel brauchbare Arbeit am Ende herauskommt.
Welches der neuen Modelle ist aktuell das beste?
Das kann ich nach wenigen Tagen nicht seriös beantworten. Genau deshalb ist dieser Artikel kein Ranking. Astra, Fable, Spark und Gemini haben unterschiedliche Stärken und bekommen bei mir deshalb unterschiedliche Aufgaben. Vergleichbar bleiben sie über die Kriterien: Kontrollaufwand, durchgerutschte Fehler und Nacharbeit.
Wofür teste ich GPT-6 Astra zuerst?
Für einen kompletten Arbeitsablauf mit mehreren Werkzeugen. Mein Beispiel wäre eine Unternehmensanalyse, bei der Originalquellen gelesen, Kennzahlen geprüft, eine Investmentthese aufgebaut und daraus am Ende ein fertiges Dokument oder eine Präsentation erstellt wird.
Wann interessiert mich Muse Spark mehr als ein Frontier-Modell?
Vor allem bei standardisierten Aufgaben mit hohem Volumen. Sobald derselbe Prozess sehr oft läuft, werden Toolaufrufe, Tokenverbrauch und Kosten pro Aufgabe wesentlich wichtiger. Dann kann ein effizienteres Modell wirtschaftlich sinnvoller sein, obwohl es bei einem allgemeinen Benchmark nicht ganz vorne liegt.
Wie entscheide ich, ob sich ein teureres Modell lohnt?
Ich vergleiche nicht nur den API-Preis. Entscheidend sind Modellkosten, Kontrollzeit, Nacharbeit und die Kosten möglicher Fehler. Wenn ein teureres Modell mir mehrere Minuten Kontrolle spart oder einen relevanten Fehler verhindert, kann ein kleiner Aufpreis sehr schnell wirtschaftlich sein.
Wie viel menschliche Kontrolle brauchen KI-Agenten?
Das hängt davon ab, was passieren kann, wenn etwas schiefgeht. Bei leicht überprüfbaren Routineaufgaben kann der Agent mehr alleine erledigen. Sobald Geld bewegt, etwas veröffentlicht, ein Vertrag verschickt oder Kundendaten verändert werden, möchte ich eine klare menschliche Freigabe.