Multi-Modell-Strategie: KI-Modelle kombinieren, Lock-in vermeiden

Eine Multi-Modell-Strategie ist die Antwort auf ein einfaches Problem: Modelle veralten schneller als die Prozesse, die auf ihnen laufen. Zwischen Juni und September 2026 haben alle drei großen Anbieter ihre Spitzenmodelle ausgetauscht, und mehrere ältere Modelle verschwinden noch in diesem Jahr aus den Schnittstellen. Wer einen Prozess fest an ein Modell gebunden hat, plant damit alle paar Monate eine Migration ein.

Dieser Leitfaden zeigt, wie Sie Modelle nach Aufgabe kombinieren, ohne sich in Komplexität zu verlieren: welche Risiken ein einziges Modell mit sich bringt, welche Rollen ein Modellportfolio abdecken sollte, wie die Umstellung in fünf Schritten abläuft und worauf Sie bei Lizenzen und Datenschutz achten müssen.

Eine Multi-Modell-Strategie ist eine Architektur, in der mehrere KI-Modelle parallel angebunden sind und jede Aufgabe dem Modell zugewiesen wird, das sie am wirtschaftlichsten löst. Die Zuordnung liegt in der Plattform, nicht bei den Nutzenden, und sie lässt sich ändern, ohne die Anwendung umzubauen.

Davon zu unterscheiden ist Vendor Lock-in: die Bindung an einen Anbieter, die nicht aus einem Vertrag entsteht, sondern aus technischen Abhängigkeiten. Vier Formen treten regelmäßig auf:

• Prompts und Anweisungen, die auf das Verhalten eines Modells hin optimiert wurden.
• Anbieterspezifische Funktionen und Werkzeugschnittstellen, die es woanders nicht gibt.
• Verhaltensunterschiede, die einen Wechsel ohne erneute Prüfung riskant machen.
• Nachtrainierte Modelle, die sich nicht auf einen anderen Anbieter übertragen lassen.

Die Beobachtung von Andreessen Horowitz aus der Befragung von 100 IT-Verantwortlichen passt dazu: Der Hauptgrund für mehrere Anbieter ist nicht die Angst vor Abhängigkeit, sondern die unterschiedliche Eignung je Anwendungsfall. Gleichzeitig sei der Wechsel durch agentische Abläufe eher schwieriger geworden (a16z, Mai 2025).

Weil Verfügbarkeit, Preis und Lebensdauer eines Modells beim Anbieter liegen und nicht bei Ihnen. Vier Risiken lassen sich am aktuellen Stand belegen.

Abkündigung. OpenAI nennt in der Dokumentation feste Abschalttermine: o4-mini am 23. Oktober 2026, o3 und die GPT-5-Momentaufnahmen am 11. Dezember 2026, ältere GPT-4o-Stände ebenfalls im Oktober 2026, jeweils mit einem benannten Nachfolgemodell. Wer seine Prompts auf ein abgekündigtes Modell abgestimmt hat, muss zum Stichtag liefern.

Preisänderung. Google weist für Gemini 3.8 Flash aus, dass der Einführungspreis bis zum 31. Dezember 2026 gilt und sich zum 1. Januar 2027 verdoppelt. Wer kalkuliert hat, rechnet neu.

Verfügbarkeit und Reifegrad. Modelle erscheinen zuerst in Vorschauversionen, teils nur in bestimmten Regionen. Ein Anwendungsfall, der ein Vorschaumodell voraussetzt, ist kein Anwendungsfall, sondern ein Versprechen.

Lizenz und Recht. Bei offenen Modellen ist die Lizenz Teil der Auswahl. Meta schließt für die multimodalen Llama-4-Modelle Unternehmen mit Hauptsitz in der EU ausdrücklich von den eingeräumten Rechten aus (Llama 4 Use Policy). Was technisch läuft, ist damit nicht automatisch erlaubt.

Dazu kommt der Betriebsfall: Fällt ein Anbieter aus oder greift ein Anfragelimit, steht ohne zweites Modell der Prozess still. Das ist kein theoretisches Risiko, sondern die Frage, ob Ihr Service-Chat auch am Montagvormittag antwortet.

Größere Unternehmen setzen meist mehrere Modelle ein: In einer Umfrage von Andreessen Horowitz nutzten 37 % fünf oder mehr. Zwei Erhebungen geben dazu die belastbarsten Anhaltspunkte:

• Andreessen Horowitz befragte 100 IT-Verantwortliche aus 15 Branchen (Stand Mai 2025): 37 % setzen fünf oder mehr Modelle ein, ein Jahr zuvor waren es 29 %.
• Menlo Ventures befragte 150 technische Entscheider in Unternehmen und Start-ups (Juni bis Juli 2025): 11 % wechselten den Anbieter, 66 % stiegen beim selben Anbieter auf ein neueres Modell um, 23 % änderten nichts (Menlo Ventures).

Beide Zahlen beschreiben Großunternehmen und Start-ups, nicht den deutschen Mittelstand. Die Richtung ist trotzdem eindeutig: Der häufigste Wechsel ist der Generationswechsel beim gleichen Anbieter, und genau der kommt planbar alle paar Monate. Wer schon diesen Fall als Projekt behandeln muss, hat beim echten Anbieterwechsel ein deutlich größeres vor sich.

Wie verbreitet KI insgesamt ist, zeigt die Bitkom-KI-Studie vom 14. September 2026: 57 % der Unternehmen ab 20 Beschäftigten setzen KI ein, 11 % haben KI-Agenten im Einsatz (Bitkom). Mit Agenten steigt die Abhängigkeit von einem bestimmten Modellverhalten weiter.

Denken Sie in Rollen statt in Produktnamen. Rollen bleiben stabil, während die Modelle darunter alle paar Monate wechseln. Vier bis fünf Rollen decken den Bedarf der meisten Unternehmen ab.

Welche konkreten Modelle diese Rollen im September 2026 ausfüllen und was sie kosten, steht im LLM-Vergleich 2026. Wann sich für eine Rolle der Betrieb im eigenen Rechenzentrum lohnt, rechnet der Leitfaden zu offenen Sprachmodellen durch.

Der Weg zur Multi-Modell-Architektur führt über fünf Schritte: Fälle gruppieren, mit eigenen Anfragen messen, Zuordnung und Ausweichpfad festlegen, Kosten sichtbar machen und quartalsweise nachziehen.

Auf Verarbeitungsort, Lizenz und Nachvollziehbarkeit, denn jedes weitere Modell bringt ein eigenes Rechtsverhältnis mit. Diese drei Punkte gehören in jede Modellentscheidung.

Erstens der Verarbeitungsort. Für jede berufliche Nutzung mit Personenbezug brauchen Sie einen wirksamen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO. Die Wege in die EU unterscheiden sich je Anbieter: Microsoft Foundry mit EU-Datenzone, regionale Endpunkte bei Amazon Bedrock oder Google Cloud, europäische Anbieter oder der Eigenbetrieb offener Modelle. Details dazu stehen im LLM-Vergleich 2026 und im Leitfaden zu DSGVO-konformen KI-Lösungen.

Zweitens die Lizenz. Offene Gewichte sind nicht gleich freie Nutzung. Mistral veröffentlicht die Mistral-3-Familie unter Apache 2.0, andere Anbieter arbeiten mit eigenen Bedingungen. Meta nimmt Unternehmen mit Hauptsitz in der EU bei den multimodalen Llama-4-Modellen ausdrücklich von den eingeräumten Rechten aus. Prüfen Sie die Lizenz, bevor ein Modell in einen Prozess wandert, nicht danach.

Drittens die Nachvollziehbarkeit. Wenn dieselbe Anfrage je nach Auslastung auf unterschiedlichen Modellen landet, muss protokolliert sein, welches Modell geantwortet hat. Das brauchen Sie für Fehlersuche, für Qualitätsmessung und für Nachweise.

Seit dem 2. August 2026 gelten zudem die Transparenzpflichten aus Art. 50 der KI-Verordnung, etwa der Hinweis, dass Nutzer mit einer KI sprechen. Diese Einordnung ersetzt keine Rechtsberatung.

Plotdesk verbindet eine KI-Plattform mit einem Umsetzungsteam für den Mittelstand. Modellfreiheit ist dabei kein Zusatz, sondern der Aufbau: Im Model Garden binden wir mehr als 100 Modellvarianten aus zehn Provider-Typen an, darunter OpenAI, Anthropic, Azure AI Foundry, Google Vertex AI, Amazon Bedrock, Mistral und selbst betriebene offene Modelle über OpenAI-kompatible Endpunkte.

Welche Modelle ein Team, eine Gruppe oder eine einzelne Anwendung nutzen darf, steuern Sie zentral. Damit bleibt der Alltag auf einem günstigen Modell, während ein Fachbereich für seine Analysen ein Spitzenmodell bekommt. Nutzungs- und Kostenanalysen zeigen je Bereich, was tatsächlich anfällt.

SSO, Rollen, mehr als 40 Berechtigungen und Audit-Logs regeln und dokumentieren, wer was nutzen darf. Betrieben wird das als dedizierte Instanz in der EU oder im eigenen Tenant, angebunden an ERP, CRM, Fileserver und Altsysteme über Plotdesk Connect.

Kündigt ein Anbieter ein Modell ab oder ändert Preise, passen Sie die Freigabe an und prüfen die betroffenen Anwendungsfälle mit Ihren Testfällen. Anwendungen, Vorlagen und Abläufe bleiben bestehen. Welche Fälle zuerst auf die neue Architektur gehören, ordnen wir in der KI-Potenzialanalyse ein, mit 1.200+ Use Cases in 15 Branchen als Vergleichsbasis.

Die typischen Fallstricke haben weniger mit Technik zu tun als mit fehlenden Regeln und fehlender Messung. Diese fünf sollten Sie kennen:

• Zu viele Modelle ohne Regeln. Fünf Modelle ohne festgelegte Zuständigkeit erzeugen Aufwand statt Nutzen. Starten Sie mit zwei bis drei und erweitern Sie anhand von Messwerten.
• Auswahl nach Ankündigung. Ein neues Spitzenmodell ist kein Grund für eine Umstellung. Der Grund ist ein Testergebnis.
• Uneinheitliche Prompts je Team. Wenn jedes Team eigene Anweisungen pflegt, ist jeder Modellwechsel ein Sammelprojekt. Zentrale Vorlagen und Verhaltensregeln senken diesen Aufwand deutlich.
• Kein Ausweichpfad. Ein Ausfall des Hauptanbieters fällt erst auf, wenn er eintritt. Legen Sie vorher fest, was dann passiert.
• Keine Kostensicht. Ohne Auswertung je Anwendungsfall fällt erst am Monatsende auf, dass eine Standardanfrage auf dem teuersten Modell läuft.

Multi-Modell ist kein Selbstzweck. Wer fünf Modelle ohne Regeln betreibt, hat mehr Aufwand und nicht weniger Risiko. Der Nutzen entsteht aus drei Dingen: einer Zuordnung von Aufgabe zu Modellrolle, einer zentralen Stelle, an der diese Zuordnung geändert werden kann, und einer Messung, die zeigt, ob die Entscheidung noch stimmt.

Die ehrliche Frage an den eigenen Stack lautet deshalb nicht, wie viele Modelle angebunden sind, sondern wie lange ein Wechsel dauert. Liegt die Antwort bei Stunden, ist die Architektur in Ordnung. Liegt sie bei Monaten, ist der nächste Generationswechsel bereits eingeplant, nur weiß es noch niemand.