Benchmark-Serie · Lokale KI
Die drei Währungen der KI-Intelligenz
Warum der Denk-Modus achtmal nicht gewann
Ein KI-Modell kann eine Aufgabe auf drei Arten lösen: weil es groß genug ist, weil es gut angeleitet wurde — oder weil es lange nachdenkt. Alle drei führen zum Ziel, aber sie werden völlig unterschiedlich bezahlt. Wir wollten den Preis der dritten Variante beziffern und haben acht Konfigurationen auf denselben vier Aufgaben gegeneinander laufen lassen.
Aufgaben, die der Denk-Modus gerettet hat
Acht Konfigurationen auf denselben vier Praxisaufgaben. Kein Denk-Lauf löste etwas, das dasselbe Modell ohne Denken nicht auch gelöst hätte — die beiden einzigen Fehlschläge im Feld gingen dagegen auf sein Konto.
mehr Laufzeit für exakt dieselbe Punktzahl
In der Vorrunde über 19 Aufgaben lieferte Qwen3.6-35B-A3B mit und ohne Denken dasselbe Ergebnis — der Denker brauchte die Hälfte länger dafür.
Vorsprung der Cloud auf das beste lokale Modell
MiniMax-M3 aus der Cloud war schneller, aber nicht in einer anderen Liga. Datenschutz im eigenen Haus kostet hier Minuten, keine Welten.
Die Erwartung
Das teuerste Feature der KI-Branche
Seit gut zwei Jahren verkauft die KI-Branche ein Versprechen: Modelle, die vor der Antwort erst einmal nachdenken. Technisch ist das ein innerer Monolog — das Modell schreibt sich selbst einen Gedankengang, verwirft, korrigiert, und erst danach kommt die eigentliche Antwort. Dieser Monolog steht in einem eigenen Block, den die Oberfläche meist gar nicht anzeigt.
Unsichtbar heißt aber nicht kostenlos. Ein Sprachmodell erzeugt seinen Text in Tokens — Wortbausteinen von wenigen Zeichen Länge. Tokens sind die Recheneinheit: Jeder kostet Rechenzeit und Strom, und Cloud-Anbieter rechnen genau danach ab. Denk-Tokens sind ganz normale Tokens. Sie tauchen nur in der Antwort nicht auf.
Für den Betrieb ist das eine handfeste Frage. Wenn ein KI-Agent nachts tausend Vorgänge abarbeitet, ist der Unterschied zwischen „denkt" und „denkt nicht" der Unterschied zwischen drei Stunden und acht. Wir wollten deshalb nicht wissen, ob Denken hilft — das gilt als ausgemacht. Wir wollten wissen, wie viel es hilft, um es gegen die Kosten stellen zu können.
Die Erwartung stand fest, bevor der erste Lauf startete: Der Denker gewinnt bei den kniffligen Aufgaben, der Nichtdenker bei den simplen. Irgendwo dazwischen liegt eine Grenze, und die wollten wir finden.
Gefunden haben wir sie nicht. Stattdessen fanden wir null Gewinne für das Denken — und eine Erklärung, die mehr über unsere eigene Arbeitsweise verrät als über die Modelle. Am Ende steht keine Empfehlung für oder gegen ein Feature, sondern eine Rechnung mit drei Währungen.
Der Rahmen in Stichworten
- Hardware: Mac mit M4 Pro, 48 GB Speicher
- Server: omlx, alle Modelle im selben Zahlenformat
- Feld: 5 lokale Modelle, 8 Konfigurationen
- Vorrunde: 19 Einzelaufgaben, denken gegen nicht denken
- Hauptrunde: 4 Praxisaufgaben im Agenten-Werkzeug OpenCode
- Bewertung: Prüfskripte, für alle identisch
Die Vorrunde
Neunzehn Aufgaben, kein einziger Punkt Unterschied
Den Auftakt machte eine breite Vorrunde: 19 einzelne Aufgaben, vom kurzen Programmierauftrag bis zur Textanalyse. Qwen3.6-35B-A3B trat zweimal an — einmal mit eingeschaltetem Denken, einmal ohne. Alles andere war identisch: gleiche Hardware, gleiche Einstellungen, gleiche Prüfskripte.
Vorrunde: 19 Aufgaben, mit und ohne Denken
| Konfiguration | Punkte | Gesamtzeit | Was es bedeutet |
|---|---|---|---|
| Qwen3.6-35B-A3B, ohne Denken | 15 / 19 | 158 s | Schnellster Durchgang — bei voller Qualitätswertung. |
| Qwen3.6-35B-A3B, mit Denken | 15 / 19 | 242 s | Identisches Ergebnis, 52 % mehr Zeit. Kein einziger Punkt Unterschied. |
Gleiche Punktzahl, gleiche Qualitätsbewertung, 52 Prozent mehr Laufzeit. Das war die erste Irritation — aber noch kein Ergebnis. Denn diese Vorrunde hat eine Schwäche, die wir selbst gefunden haben: Alle Konfigurationen scheiterten an denselben vier Aufgaben. Wenn jeder Prüfling an exakt derselben Stelle stolpert, liegt es nicht mehr an den Prüflingen, sondern an der Prüfung. Unser Testsatz ist für diese Modellgeneration ausgereizt; er kann nicht mehr unterscheiden.
Genau hier hören viele Vergleichstests auf und veröffentlichen ihre Zahl. Wir haben stattdessen die Prüfung gewechselt — hin zu Aufgaben, die dem Alltag näher sind.
Die Prüfung
Vier Aufgaben, die vier verschiedene Dinge messen
In der Hauptrunde arbeiten die Modelle nicht als Textgeneratoren, sondern als Agenten: Über das quelloffene Werkzeug OpenCode bekommen sie echte Befehle an die Hand — Dateien lesen, Dateien ändern, Programme ausführen — und müssen eine Aufgabe eigenständig zu Ende bringen. Vier Aufgaben, bewusst unterschiedlich zugeschnitten, damit nicht eine einzelne Fähigkeit das Bild bestimmt.
Der kleine Bugfix
Eine überschaubare Python-Datei mit drei bekannten Fehlern: eine Multiplikation, die addiert; eine Division ohne Null-Prüfung; eine Funktion ohne Rückgabewert. Die Aufgabe, an der niemand scheitern sollte.
Der Mengen-Auftrag
Über 400 Zeilen Programmtext, acht markierte Fehler, alle zu beheben. Kein Denksport, sondern Ausdauer: durchhalten bis zum letzten Fund, ohne die Übersicht zu verlieren.
Die Fehlerkette
Mehrere Fehler in drei Dateien, die voneinander abhängen. Der Testlauf zeigt immer nur den nächsten — nach jeder Korrektur muss neu geprüft werden. Der Test selbst ist tabu.
Die Recherche mit Fallstricken
Vier Fragen an einen Stapel Dokumente: Änderungsprotokoll, Handbücher, Meeting-Notizen, Kundenprotokolle. Keine Frage lässt sich aus einem Dokument allein beantworten, und ältere Dokumente widersprechen neueren.
Zwei dieser Aufgaben sind reine Ausdauer- und Sorgfaltsprüfungen, zwei verlangen echtes Kombinieren. Wenn die These „Denken hilft bei schwierigen Aufgaben" stimmt, müsste sie sich spätestens bei der Fehlerkette und der Recherche zeigen. Bewertet wird nicht nach Gefühl, sondern per Prüfskript: Es startet die Tests, vergleicht die Antworten mit der Musterlösung und liefert bestanden oder nicht bestanden.
Das Teilnehmerfeld
Wer antritt — und was in den Namen steckt
Fünf lokale Modelle, acht Konfigurationen, dazu ein Cloud-Dienst als Maßstab. Alle lokalen Modelle laufen auf derselben Maschine, über denselben Server und im selben Zahlenformat — sonst vergleicht man am Ende Speicherformate statt Denkweisen.
Die Kandidaten
| Modell | Bauart | Format | Gewichte | Rolle im Test |
|---|---|---|---|---|
| Qwen3.6-35B-A3B | MoE · 35 Mrd. gesamt, 3 Mrd. aktiv | NVFP4 (4 Bit) + 3-Bit-KV | 21 GB | Das Hausmodell. Tritt zweimal an: mit und ohne Denken. |
| Qwen3.6-27B | dense · 27 Mrd. | NVFP4 (4 Bit) + MTP | 16 GB | Die Qualitätsdecke der dense-Klasse — denkt in Werkseinstellung. |
| ThinkingCap-Qwen3.6-27B | dense · 27 Mrd., auf knappe Gedanken nachtrainiert | NVFP4 (4 Bit) + MTP | 16 GB | Der Herausforderer: dasselbe Modell, das sich beim Denken kurz fassen soll. |
| Qwen3.5-9B | dense · 9 Mrd. | NVFP4 (4 Bit) | 4,7 GB | Der Alltagsarbeiter aus der Vorgängergeneration. Ebenfalls mit und ohne Denken. |
| Ornith-1.0-9B | dense · 9 Mrd., agentisch nachtrainiert | NVFP4 (4 Bit) | 5,6 GB | Der Spezialist: gezielt darauf trainiert, mit Werkzeugen zu arbeiten. |
| MiniMax-M3 | Cloud-Dienst | — | — | Externer Maßstab. Läuft nicht im Haus, zeigt aber den Abstand. |
Was in den Modellnamen steckt
Qwen ist die quelloffene Modellreihe von Alibaba — in dieser Größenklasse derzeit der Maßstab; 3.5 und 3.6 sind zwei aufeinanderfolgende Generationen. Die Zahl dahinter nennt die Parameter in Milliarden, also die Zahl der gelernten Stellschrauben: 35B sind 35 Milliarden.
A3B markiert ein Mixture-of-Experts-Modell: Es besteht aus vielen Spezialisten, von denen pro Token nur ein Bruchteil rechnet — hier 3 der 35 Milliarden Parameter. Es belegt den Speicher eines großen Modells, arbeitet aber im Tempo eines kleinen. Die 27B- und 9B-Modelle sind dense: Bei ihnen rechnet für jedes Token das ganze Modell mit. Das erklärt, warum das 27B-Modell im Test langsamer ist als das viel größere 35B-A3B.
NVFP4 ist das Zahlenformat: 4 Bit pro Gewicht statt der 16 Bit des Originals. Das viertelt den Speicherbedarf und kostet kaum Qualität — ein Modell mit 35 Milliarden Parametern passt so in 21 GB. Wie dieses ursprünglich für NVIDIA-Rechenzentren gedachte Format auf einen Mac kommt, steht in einer früheren Folge dieser Serie. MTP ist ein Zusatzkopf, der mehrere Tokens auf einmal vorhersagt und dense-Modelle rund 1,6-fach beschleunigt. Beim 35B-Modell kommt außerdem eine 3-Bit-Kompression des Arbeitsgedächtnisses zum Einsatz.
Die Spalte Gewichte zeigt, was das Modell selbst auf der Platte und im Speicher belegt. Im Betrieb kommt das Arbeitsgedächtnis für den laufenden Auftrag dazu — je nach Aufgabe ein bis mehrere Gigabyte.
Der Zwischenfall
Wie wir unser Lieblingsergebnis selbst zerstört haben
Am ersten Messtag hatten wir eine wunderbare Geschichte. Der Nichtdenker war an der Fehlerkette gescheitert — er hatte sich in einer Kaskade von Folgefehlern verrannt, während der Denker sauber durchkam. Genau das Ergebnis, das jeder erwartet, sofort erzählbar, perfekt als Überschrift.
Es war ein Messfehler. OpenCode hatte, ohne fest vorgegebenen Arbeitsordner, nicht in der Arbeitskopie gearbeitet, sondern in den Original-Testdateien. Das Modell hatte die Aufgabe verändert, an der anschließend die nächsten Kandidaten gemessen wurden. Aufgefallen ist es nur, weil die Testfälle in Git liegen und die Änderungen dort als Abweichung auftauchten. Die Nachschau zeigte das ganze Ausmaß: 19 Werkzeugaufrufe in einem einzigen Lauf — und keine einzige Änderung dort, wo sie hätte landen sollen.
Die Konsequenz war unbequem und alternativlos: Testdateien zurücksetzen, den Arbeitsordner per --dir hart im Startskript verdrahten, die gesamte Runde neu fahren. Das Lieblingsergebnis war damit weg — und mit ihm die einzige Zahl, die zur allgemeinen Erwartung gepasst hätte.
Der zweite Zwischenfall
Kurz darauf glaubten wir, der Denker denke gar nicht. Unsere Zählung in der Anwendung sah keinen einzigen Denk-Token — die Vermutung lag nahe, dass der Schalter wirkungslos ist und wir die ganze Zeit dasselbe gegen dasselbe antreten ließen. Ein Blick in die Protokolle des Modellservers zeigte das Gegenteil: omlx entfernt den Denk-Block, bevor die Antwort an die Anwendung geht. Erzeugt wurden 3.323 Tokens, ausgeliefert 1.948 — 41 Prozent der Arbeit waren unsichtbar. Wer die Kosten in der Anwendung misst, unterschätzt einen Denker also um zwei Fünftel. Bei einem Cloud-Anbieter stehen diese Tokens trotzdem auf der Rechnung.
Beide Zwischenfälle haben dieselbe Lehre: Eine KI-Messung misst nicht automatisch das, was man glaubt. Sie misst das Zusammenspiel aus Modell, Werkzeug, Server und Messpunkt — und jedes dieser vier Teile kann das Ergebnis kippen, ohne dass es auffällt. Daraus sind fünf Regeln geworden, die wir seither in jedem Projekt anwenden.
Fünf Regeln für ehrliche KI-Messungen
Den Arbeitsordner festnageln
Das Modell darf ausschließlich in einer Kopie arbeiten. Wird der Arbeitsordner nicht hart vorgegeben, kann es die Prüfungsunterlagen selbst verändern — und die nächste Messung misst den Schaden statt der Leistung.
Aufgaben unter Versionskontrolle
Testfälle und Musterlösungen liegen in Git. Nur so fällt eine Veränderung überhaupt auf — und lässt sich mit einem Befehl zurücknehmen.
Nach jedem Zwischenfall alles wiederholen
Ist eine Messung kontaminiert, sind alle Läufe danach verdächtig. Nicht nur den auffälligen Lauf wiederholen — die ganze Runde.
Tokens dort zählen, wo sie entstehen
Der Verbrauch wird am Modellserver gemessen, nicht in der Anwendung. Wer nur die sichtbare Antwort zählt, übersieht die unsichtbare Arbeit davor.
Nebengeräusche herausrechnen
Agenten-Werkzeuge feuern Zusatzanfragen auf dasselbe Modell — etwa um einer Sitzung eine Überschrift zu geben. Solche Nebenläufe gehören nicht in die Messung der eigentlichen Aufgabe.
Das Ergebnis
Acht Konfigurationen, vier Aufgaben, null Gewinne fürs Denken
Nach der Reparatur der Messumgebung lief die Hauptrunde sauber durch: acht Konfigurationen auf denselben vier Aufgaben, identische Werkzeuge, identische Prüfskripte, alle lokalen Modelle auf derselben Maschine. Die Zeitangabe ist die Summe über alle vier Aufgaben.
Hauptrunde: gelöste Aufgaben und Gesamtzeit
| Konfiguration | Gelöst | Zeit | Anmerkung |
|---|---|---|---|
| MiniMax-M3 (Cloud) | 4 / 4 | 127 s | Externer Maßstab. Schnellster im Feld — aber nur um Faktor 1,7 gegenüber dem besten lokalen Modell. |
| Qwen3.6-35B-A3B, ohne Denken | 4 / 4 | 216 s | Die beste lokale Konfiguration: löst alles, und zwar am schnellsten. |
| Qwen3.6-35B-A3B, mit Denken | 3 / 4 | 386 s | Fällt an der Recherche-Aufgabe: verwechselt „umgangen" mit „nicht betroffen". 79 % mehr Zeit, ein Fehlschlag mehr. |
| Qwen3.6-27B (denkt normal) | 4 / 4 | 1.547 s | Löst alles, braucht dafür aber das Siebenfache der Zeit des 35B-MoE. Bauart schlägt Parameterzahl. |
| ThinkingCap-27B (denkt knapp) | 4 / 4 | 1.073 s | Dasselbe Modell, auf kurze Gedankengänge nachtrainiert: gleiches Ergebnis, 31 % schneller. |
| Qwen3.5-9B, ohne Denken | 4 / 4 | 316 s | Die Überraschung: löst alles mit 4,7 GB Modellgewicht — passt auf eine 8-GB-Grafikkarte. |
| Qwen3.5-9B, mit Denken | 3 / 4 | 508 s | Fällt am Mengen-Auftrag, den dasselbe Modell ohne Denken bestanden hat. |
| Ornith-1.0-9B (agentisch trainiert) | 4 / 4 | 357 s | Zweitschnellstes lokales Modell. Das Versprechen des Spezialtrainings hält. |
Vier Befunde springen heraus. Erstens: Denken gewinnt kein einziges Mal. Keine der vier Aufgaben wurde durch den Denk-Modus gelöst, die ohne ihn misslungen wäre — und die beiden einzigen Fehlschläge im gesamten Feld gehen beide auf sein Konto. Der Aufpreis lag bei 79 Prozent Laufzeit beim 35B-Modell und 61 Prozent beim 9B-Modell. Die Gegenprobe von der anderen Seite bestätigt das Bild: ThinkingCap-27B, eigens darauf nachtrainiert, sich beim Denken kurz zu fassen, kam 31 Prozent schneller zum identischen Ergebnis wie dasselbe Modell in Werkseinstellung.
Zweitens: Die Fehlschläge liegen genau dort, wo Denken helfen sollte. Der große Denker verliert die Recherche-Aufgabe an einer Nuance — gefragt war, welcher Kunde von einem Fehler gar nicht betroffen sein kann; er nannte einen, der ihn lediglich per Konfiguration umgangen hatte. Der kleine Denker scheiterte am Mengen-Auftrag, den dasselbe Modell ohne Denken bestanden hat: Über dem eigenen Monolog verlor er den Überblick, welche der acht Fundstellen noch offen waren.
Drittens: Die Überraschung ist Qwen3.5-9B ohne Denken. Ein Modell der Vorgängergeneration, 4,7 GB Gewichte, löst alle vier Aufgaben — es passt damit auf eine gewöhnliche 8-GB-Grafikkarte. Das schließt an die vorige Folge dieser Serie an, in der wir gefragt hatten, wie klein es sein darf; die Antwort verschiebt sich weiter nach unten. Und Ornith-1.0-9B, gezielt fürs Arbeiten mit Werkzeugen nachtrainiert, landet gleich dahinter: ebenfalls alles gelöst, zweitschnellste lokale Zeit. Spezialisierung schlägt Parameterzahl.
Viertens, und für alle mit Datenschutzauflagen die wichtigste Zahl: MiniMax-M3 aus der Cloud war nur 1,7-mal schneller als das beste lokale Modell. Nicht zehnmal, nicht hundertmal. Wer aus Datenschutzgründen im eigenen Haus rechnet, zahlt dafür Minuten — nicht den Verzicht auf Leistungsfähigkeit.
Die Erklärung
Anleitung ist ausgelagertes Denken
Null Gewinne über acht Konfigurationen — das schreit nach einer Erklärung. Die naheliegende lautet: Denken taugt eben nichts. Das halten wir für falsch, und der Grund liegt in unseren eigenen Aufgabenstellungen.
Die sind nämlich nicht knapp gehalten. In der Fehlerketten-Aufgabe steht wörtlich, dass alle drei Dateien zu lesen sind, bevor man anfängt. Dass der Test nach jeder Korrektur neu zu starten ist. Dass Änderungen so klein wie möglich ausfallen sollen und ganze Funktionen niemals neu geschrieben werden dürfen. Das sind keine Aufgaben mehr — das sind Arbeitsanweisungen. Und es sind exakt die Schlüsse, die ein Modell im Denk-Modus selbst ziehen müsste, bevor es loslegt.
Daraus wurde die These, die diese Messreihe zusammenhält: Anleitung und Denken sind austauschbar. Wer gut anleitet, nimmt dem Modell die Planungsarbeit ab — der innere Monolog wiederholt dann nur noch, was ohnehin im Auftrag steht, und kostet dafür Zeit. Das erklärt die null Gewinne, ohne dem Denk-Modus grundsätzlich seinen Wert abzusprechen.
Eine These, die man nicht widerlegen kann, ist keine. Also der Gegentest: dieselbe Fehlerketten-Aufgabe, aber mit einem nackten Dreizeiler statt der ausführlichen Anweisung. Wenn Anleitung das Denken ersetzt, müssten die Denker jetzt vorne liegen.
Befund 1
Alle bestehen auch nackt
Die Anleitung wegzunehmen hat niemanden zu Fall gebracht. Der Grund ist unbequem für uns: Die Aufgabe meldet nach jeder Korrektur, welcher Fehler als Nächstes dran ist. Diese Rückmeldung ist selbst eine Art Anleitung — nur eine, die wir nicht geschrieben haben.
Befund 2
Starke Modelle waren ohne Anleitung schneller
Qwen3.6-35B-A3B ohne Denken brauchte mit dem nackten Auftrag 46 statt 70 Sekunden. Wer die Aufgabe ohnehin beherrscht, wird von einer langen Anweisung nicht klüger, sondern nur aufgehalten. Dicke Prompts sind kein Gratis-Zubehör.
Befund 3
Der kleine Denker glich aus — teuer
Qwen3.5-9B mit Denken brauchte ohne Anleitung 23 Arbeitsschritte statt der halben Zahl: suchen, prüfen, nachbessern. Er kam an, aber auf dem doppelt langen Weg. Genau so sieht es aus, wenn Denken fehlende Anleitung ersetzt.
Ehrlich gesagt: Der Gegentest hat die These nicht bewiesen. Er hat sie nur nicht widerlegt — und dabei gezeigt, dass Anleitung in mehr Formen daherkommt als im geschriebenen Auftrag. Eine Aufgabe, die nach jedem Schritt sagt „so, und jetzt das hier", führt den Prüfling an der Hand, ganz ohne dass jemand eine Anweisung formuliert hätte.
Die Rechnung
Drei Währungen für dieselbe Leistung
Wenn Anleitung und Denken sich gegenseitig ersetzen können, gilt das auch für die dritte Größe im Spiel: die Kompetenz des Modells selbst. Ein starkes Modell braucht weniger Anleitung. Wer gut anleitet, braucht weniger Denken. Und Denken kann fehlende Kompetenz ausgleichen — nur eben teuer. Drei Wege zum selben Ergebnis, mit sehr unterschiedlichen Rechnungen.
Modellgröße
einmalig — in Hardware
Ein größeres, kompetenteres Modell braucht weniger Anleitung und weniger Denkschleifen. Bezahlt wird es in Arbeitsspeicher, also in Anschaffung und Stromverbrauch. Einmal investiert, dauerhaft verfügbar.
Anleitung
einmalig — in Arbeitszeit
Eine durchdachte Arbeitsanweisung wird einmal geschrieben und danach millionenfach ausgeführt. Sie ist die einzige der drei Währungen, deren Preis pro Lauf gegen null geht.
Denken
laufend — bei jedem Aufruf
Denk-Tokens fallen bei jedem einzelnen Lauf neu an: in Rechenzeit, in Strom, in der Cloud in barer Münze. Die teuerste Währung, weil sie sich nie amortisiert.
Kompetenz ersetzt Anleitung. Anleitung ersetzt Denken. Denken ersetzt Kompetenz — aber es zahlt bei jedem einzelnen Lauf neu.
Aus dieser Rechnung wird eine Betriebsempfehlung. Sie ist keine Glaubensfrage, sondern hängt davon ab, wie die Arbeit aussieht:
Wann Denken einschalten — und wann nicht
| Situation | Empfehlung | Begründung |
|---|---|---|
| Wiederkehrende, gescriptete Automatisierung | Ohne Denken | Die Anweisung ist ohnehin fest verdrahtet und läuft tausendfach. Einmal sauber anleiten schlägt Denken bei jedem Durchlauf. |
| Explorative Einzelarbeit ohne feste Anleitung | Mit Denken | Wo niemand vorgibt, wie vorzugehen ist, muss das Modell die Strategie selbst entwickeln. Genau dafür ist der Denk-Modus gebaut. |
| Kleines Modell auf ungewohntem Terrain | Mit Denken — und Zeit einplanen | Ohne Anleitung gleicht der kleine Denker das mit dem doppelten Arbeitsaufwand aus. Er kommt an, aber auf dem langen Weg. |
| Aufgaben an der Leistungsgrenze des Modells | Offen — hier ist zu messen | Unsere vier Aufgaben waren für die großen Modelle lösbar. Ob Denken auf wirklich harten Aufgaben liefert, ist die nächste Messung, nicht die heutige Antwort. |
Die offenen Fäden
Was diese Messung nicht zeigt
Jede Kombination wurde einmal gefahren. Acht Konfigurationen, vier Aufgaben, ein Lauf je Feld. Für die Richtung des Befunds reicht das — null Gewinne über 32 Läufe ist kein Zufall. Für Einzelzeiten auf die Sekunde reicht es nicht. Wo wir Prozentzahlen nennen, sind es Größenordnungen, keine Messwerte mit Fehlerbalken.
Die Leistungsgrenze ist ungetestet. Unsere vier Aufgaben waren für die großen Modelle lösbar. Die eigentlich spannende Frage bleibt damit offen: Zahlt sich Denken auf Aufgaben aus, die auch dem größten lokalen Modell noch wehtun? Dafür braucht es eine härtere Aufgabenstufe — die bauen wir gerade.
Anleitung versteckt sich. Der Gegentest hat gezeigt, dass eine Aufgabe auch dann anleiten kann, wenn kein Mensch eine Anweisung geschrieben hat — über die Rückmeldung nach jedem Schritt. Ein wirklich sauberer Test der These braucht eine Aufgabe ganz ohne solche Zwischenrufe.
Was wir daraus nicht ableiten. Dieser Artikel sagt nicht, dass Denk-Modelle Unsinn sind. Er sagt, dass ihr Nutzen dort verschwindet, wo gute Anleitung die Arbeit bereits erledigt — und dass in der Automatisierung genau das der Normalfall ist. Für die offene Recherche am Einzelfall bleibt der Schalter bei uns an.
Das Fazit
Die billigste Intelligenz ist die, die man einmal aufschreibt
Wir sind angetreten, um den Aufpreis für denkende Modelle zu beziffern. Herausgekommen ist eine Zahl, die in keinem Hersteller-Prospekt steht: null Gewinne bei 61 bis 79 Prozent Aufpreis — in einem Umfeld, in dem sauber angeleitet wird.
Der praktische Kern für jeden, der KI in Abläufe einbaut: Von den drei Währungen hat die Anleitung das beste Verhältnis. Sie wird einmal geschrieben und tausendfach ausgeführt. Denken wird bei jedem Lauf neu bezahlt — in Rechenzeit, in Strom, in Cloud-Rechnungen. Und Hardware, die dritte Währung, kauft man ohnehin nur einmal, wenn man vorher weiß, wie klein das Modell sein darf: Qwen3.5-9B mit 4,7 GB hat in diesem Test dieselben vier Aufgaben gelöst wie der Cloud-Dienst — nur eben langsamer.
Das zweite, unbequemere Ergebnis betrifft das Messen selbst. Zwei Zwischenfälle in einer einzigen Messreihe, beide unauffällig, beide ergebnisverändernd, beide nur gefunden, weil jemand nachgesehen hat. Wer in einem KI-Projekt Zahlen ohne diese Sorgfalt präsentiert bekommt, sollte nachfragen, wo gemessen wurde — und was der Prüfling währenddessen sonst noch angefasst hat.
Der teuerste Weg, eine KI klug zu machen, ist, sie jedes Mal aufs Neue nachdenken zu lassen. Der günstigste ist, einmal sauber aufzuschreiben, wie die Arbeit zu tun ist.
Weiterlesen
Werkzeuge und Serie
Der lokale Stack
Denken oder anleiten — was ist in Ihrem Ablauf günstiger?
Bevor Sie Rechenzeit für Gedanken bezahlen
wulffIT steht für KI, Automatisierung und individuelle Lösungen, gerade bei den Grenzfällen, an denen Standardrezepte scheitern. Wir messen Ihren Anwendungsfall mit sauberer Methodik durch, bestimmen die günstigste Kombination aus Modellgröße, Anleitung und Denk-Budget — und betreiben das Ergebnis DSGVO-konform im eigenen Haus.