Sind in der Schweiz gehostete KI-Modelle leistungsfähig genug für den Betriebsalltag?
Ergebnisse: zwei Testrunden, derselbe Fehler
Im August haben wir drei in der Schweiz gehostete KI-Modelle (glm5, llama4-maverick, qwen3-vl-235b) an einem fiktiven KMU-Dossier geprüft. Alle drei bestätigten einer Kundin eine Zahl, die um CHF 427.50 falsch ist. Im Oktober haben wir den Test mit drei neueren Modellen (Kimi-K2.6, Qwen3.5-397B, Mistral-Small-4) wiederholt, wortgleich und mit demselben Dossier. Das Ergebnis ist dasselbe: drei von drei bestätigten die falsche Zahl. Claude Opus von Anthropic (Opus 5 im August, Opus 5.5 im Oktober) bestand alle 18 Läufe beider Runden.
Was das für die Geschäftsleitung heisst
Lassen Sie sich vom Hype um lokale KI nicht irreführen. Lokal oder in der Schweiz gehostete Modelle können sinnvoll sein, etwa für eng umrissene Aufgaben, bei denen der Auftrag genau sagt, was zu tun und zu prüfen ist. In den ersten beiden Testfragen (unten) haben zwei der drei neuen Modelle solche Aufgaben gut gelöst.
Soll ein Modell aber ein Thema aus dem Betriebsalltag beurteilen, eine Offerte, eine Kundenanfrage, eine Zahl vor der Unterschrift, dann ist das Bild aus beiden Testrunden eindeutig: Dafür empfehlen wir ein Frontier-Modell wie Claude. Bei der dritten Testfrage, der Bitte um Bestätigung, hat Claude in jedem Lauf beider Runden den Fehler gefunden, obwohl niemand eine Prüfung verlangt hatte.
Dürfen in Ihrem Betrieb Frontier-Modelle aus den USA oder aus China nicht genutzt werden, etwa wegen eines Berufsgeheimnisses oder wegen Kundenvorgaben, empfiehlt sich eine Anonymisierungs-Schleuse. Namen, Konten und Identifikationsnummern werden vor dem Versand ersetzt und verlassen das Haus nicht, die Zahlen bleiben voll prüfbar. Das Frontier-Modell sieht nur pseudonymisierte Daten. So arbeitet unser Sovereign Cockpit.
Der Test
Das Dossier enthält die Offerte einer Schreinerei für einen Gastraum-Umbau und drei Mails der Kundin. Dazu kommen drei Fragen mit steigender Schwierigkeit, jede in einem frischen Chat und wortgleich an alle Modelle:
- Rechenprüfung: «Prüfen Sie die Offerte rechnerisch. Stimmen alle Beträge?» In Position 4 stimmt Menge mal Preis nicht.
- Terminkette: Ist das Jubiläumsfest am 19. September haltbar? Aus Auftragsbestätigung, Lieferfrist und Ausführungsdauer ergibt sich der 25. September.
- Bestätigung: Die Kundin rechnet mit 5% Zusatzrabatt neu mit CHF 41'040 und bittet um Bestätigung. Die Multiplikation stimmt, die Basis nicht: Im Netto steckt der Fehler aus Position 4. Richtig wären CHF 40'612.50.
Die erste Runde steht ausführlich im Standpunkt vom 4. August. Dort liegen auch das Testdossier und der Lösungsschlüssel als PDF, damit Sie den Test mit Ihrer eigenen KI nachfahren können.
Das Resultat beider Runden
Runde 1, 4. August 2026: drei in der Schweiz gehostete Modelle gegen Claude Opus 5 und Claude Fable 5, beide mit höchster Reasoning-Tiefe (Effort «max»).
| Frage | glm5 | llama4-maverick | qwen3-vl-235b | Claude Opus 5 | Claude Fable 5 |
|---|---|---|---|---|---|
| 1 Rechenprüfung | bestanden | bestanden | verfehlt | bestanden (3/3 Läufe) | nicht getestet |
| 2 Terminkette | bestanden | bestanden | bestanden | bestanden (3/3) | nicht getestet |
| 3 Bestätigung | verfehlt (2/2 Läufe) | verfehlt | verfehlt | bestanden (3/3) | bestanden |
Runde 2, 18. Oktober 2026: drei neuere, in der Schweiz gehostete Modelle gegen Claude Opus 5.5 mit der zweithöchsten Reasoning-Tiefe (Effort «xhigh»).
| Frage | Kimi-K2.6 | Qwen3.5-397B | Mistral-Small-4 | Claude Opus 5.5 |
|---|---|---|---|---|
| 1 Rechenprüfung | bestanden | bestanden | verfehlt | bestanden (3/3 Läufe) |
| 2 Terminkette | bestanden | bestanden | bestanden | bestanden (3/3) |
| 3 Bestätigung | verfehlt | verfehlt | verfehlt | bestanden (3/3) |
Unter den neuen Modellen ist mit Kimi-K2.6 das grösste offene Modell beider Runden, rund eine Billion Parameter. Wer es im eigenen Haus für fünf gleichzeitige Nutzer betreiben will, braucht rund 650 GB Grafikspeicher, also einen Server mit acht H200-GPUs (gerechnet mit 32'000 Tokens Kontext je Nutzer). Bei Frage 1 und 2 schlagen sich zwei der drei neuen Modelle ordentlich. Bei Frage 3 hat sich nichts bewegt.
Frage 3 im Wortlaut
Die Antworten der zweiten Runde, jeweils der erste Satz:
- Kimi-K2.6: «Ja, der Betrag von CHF 41'040.00 kann bestätigt werden.»
- Qwen3.5-397B: «Ja, ich kann diese Berechnung bestätigen. Die Kundin hat korrekt gerechnet.»
- Mistral-Small-4: «Ja, ich kann diese Bestätigung für das Backoffice der Holzbau Wettstein AG durchführen.»
Alle drei rechnen den letzten Schritt nach, 43'200 mal 0.95 gleich 41'040. Keines prüft, ob die 43'200 stimmen.
Was der Fall Kimi zeigt. In Frage 1 lautete der Auftrag ausdrücklich: «Prüfen Sie die Offerte rechnerisch.» Kimi-K2.6 fand den Fehler in Position 4. Es merkte sogar von sich aus an, die Nachkalkulation der Kundin auf CHF 41'040 «ist arithmetisch korrekt, bezieht sich aber auf den noch fehlerhaften Nettobetrag». Das Modell wusste also alles, was es für Frage 3 braucht.
In Frage 3 kam dieselbe Zahl als freundliche Bitte der Kundin, in einem neuen Chat und ohne Prüfauftrag. Kimi bestätigte die CHF 41'040.
Es fehlt dem Modell also an Eigeninitiative, das Wissen wäre da. Es prüft, wenn man es dazu auffordert. Fragt niemand danach, prüft es nicht. Im Betriebsalltag kommt eine falsche Zahl selten mit dem Hinweis «bitte nachrechnen». Ein solches Modell ist darum nur so verlässlich wie die Person, die schon vorher weiss, wo sie es prüfen lassen muss.
Claude Opus 5.5 lehnte in allen drei Läufen ab, nannte Position 4 als Ursache und lieferte die richtige Zahl: «In dieser Form nicht bestätigen», «CHF 41'040 sollten wir nicht bestätigen», «Nein, in dieser Form nicht.»
Qwen3.5-397B gegen Claude Opus 5.5 (54 Sekunden)
Mistral-Small-4 gegen Claude Opus 5.5 (81 Sekunden)
Die Aufzeichnungen der ersten Runde stehen im Standpunkt vom 4. August.
Claude Opus 5 gegen Opus 5.5
Weil wir die Frontier-Seite in der zweiten Runde auf das heute verfügbare Opus 5.5 umgestellt haben, ergibt sich nebenbei ein Vergleich der beiden Opus-Generationen an denselben neun Aufgaben.
| Opus 5, Effort «max» | Opus 5.5, Effort «xhigh» | |
|---|---|---|
| Ergebnis | 9 von 9 bestanden | 9 von 9 bestanden |
| Ausgegebene Tokens, alle 9 Läufe | 52'275 | 48'112 (−8%) |
| Kosten, alle 9 Läufe | 111 Rappen | 82 Rappen (−26%) |
| Listenpreis pro Million Tokens (Eingabe / Ausgabe) | USD 5 / 25 | USD 4 / 20 |
Das Ergebnis ist gleich, die Kosten liegen ein Viertel tiefer. Der grössere Teil davon kommt vom Listenpreis: Opus 5.5 ist pro Token 20% günstiger als Opus 5. Der Rest kommt von 8% weniger ausgegebenen Tokens.
Was eine Frage kostet
Kosten pro Frage in Rappen, gemessen mit dem Zähler des Testwerkzeugs zu den Listenpreisen der Anbieter (US-Dollar umgerechnet zu 0.80 Franken):
| Modell | Frage 1 (Rappen) | Frage 2 (Rappen) | Frage 3 (Rappen) |
|---|---|---|---|
| glm5 (August) | 1.37 | 0.87 | 0.37 bis 0.62 |
| llama4-maverick (August) | 0.14 | 0.073 | 0.054 |
| qwen3-vl-235b (August) | 0.35 | 0.26 | 0.22 |
| Kimi-K2.6 (Oktober) | 0.92 | 1.06 | 0.44 |
| Qwen3.5-397B (Oktober) | 1.49 | 0.91 | 0.65 |
| Mistral-Small-4 (Oktober) | 0.081 | 0.11 | 0.039 |
| Claude Opus 5 (August) | 7.33 bis 10.50 | 13.42 bis 15.20 | 11.16 bis 16.57 |
| Claude Fable 5 (August) | nicht getestet | nicht getestet | 34.17 |
| Claude Opus 5.5 (Oktober) | 7.33 bis 8.46 | 9.89 bis 10.38 | 7.54 bis 11.93 |
Die in der Schweiz gehosteten Modelle kosten pro Frage einen Bruchteil. Mistral-Small-4 bestätigte die falsche Zahl für 0.039 Rappen.
Wie der Zugriff über die API funktioniert
Wer KI privat nutzt, kennt meist das Chat-Abo: eine Monatsgebühr, eine App, ein Chatfenster. Für diesen Test haben wir die API benutzt, die Programmierschnittstelle der Anbieter. So sprechen auch Firmenanwendungen mit einem Modell.
- Abrechnung nach Verbrauch: Bezahlt wird pro Token, also pro Wortteil, getrennt nach Eingabe und Ausgabe. Es gibt keine Monatsgebühr. Daher die Kosten in Rappen pro Frage.
- Das Modell ohne App: Eine Chat-App gibt dem Modell in der Regel eigene Anweisungen mit und hängt Werkzeuge wie Websuche oder ein Gedächtnis an. Über die API fällt das weg. Wir haben das Modell selbst getestet, ohne zusätzliche Anweisungen und ohne Werkzeuge.
- Gleiche Bedingungen für beide Seiten: Unser Testwerkzeug schickt dieselbe Frage gleichzeitig an zwei Modelle, jedes über die API seines Anbieters. Links ein in der Schweiz gehostetes Modell, rechts Claude von Anthropic.
- In der Schweiz gehostete Modelle: Schweizer Rechenzentren betreiben offene Modelle und bieten sie über eine API an. Auf diesem Weg haben wir sie getestet.
Methodik und Grenzen
- Dasselbe Dossier, dieselben drei Fragen wortgleich, jede Frage in einem frischen Chat, kein System-Prompt, keine Temperatur-Anpassung, Antwortlimit 32k Tokens. Das Dossier wurde als PDF hochgeladen, beide Seiten erhielten denselben Text.
- Die zweite Runde haben wir automatisiert im selben Testwerkzeug gefahren und in Echtzeit aufgezeichnet. Bewertet wurde gegen den vorab erstellten Lösungsschlüssel.
- Ein dokumentierter Lauf pro Paarung, Claude Opus als Konstante dreimal pro Frage. Das ist ein Schnappschuss mit Stichtag, kein wissenschaftlicher Benchmark. Einzelläufe beweisen kein Muster. Dass sechs Modelle in zwei Runden bei Frage 3 gleich ausfielen, ist ein deutlicher Hinweis, aber kein Beweis.
- Zwei der drei Modelle der zweiten Runde führt der Anbieter noch als Beta. Eine andere Bereitstellung desselben Modells kann anders abschneiden.
- Das Dossier ist seit dem 4. August öffentlich. Die drei Modelle der zweiten Runde wurden laut Hugging Face vor diesem Datum veröffentlicht; dass sie das Dossier aus dem Training kennen, ist praktisch ausgeschlossen. Claude Opus 5.5 ist jünger. In seinen Antworten findet sich kein Hinweis, dass es das Dossier kennt.
Wir begleiten Schweizer KMU auf diesem Weg: menschlich, kompetent, ganzheitlich.
Der KI-Fundament-Check zeigt in fünf Minuten, wo Ihr Betrieb steht. Oder buchen Sie direkt ein Erstgespräch.