Kurz gesagt: Entscheidend ist nicht allein, dass sich zwei Modellfamilien weiterentwickeln. OpenAI hat eine begrenzte Vorschau auf GPT-5.6 Sol, Terra und Luna begonnen; Alibaba Cloud hat Qwen3.8-Max angekündigt und eine spätere Veröffentlichung der Gewichte in Aussicht gestellt. Für europäische Unternehmen lautet die Frage deshalb nicht mehr „Welches Modell erzielt den höchsten Wert?“, sondern ob ein konkretes Modell mit Hosting-Pfad und Update-Prozess die Kontrollen für den vorgesehenen Einsatzfall erfüllt.
Was sich ändert: Leistungsstufen werden zu Beschaffungsentscheidungen
OpenAI beschreibt GPT-5.6 als Vorschau-Serie: Sol ist das Flaggschiff, Terra das ausgewogene Modell und Luna eine schnellere, günstigere Option. Laut OpenAI erreicht Terra eine mit GPT-5.5 vergleichbare Leistung bei halben Kosten; Sol erhält eine maximale Reasoning-Stufe und einen Ultra-Modus mit Subagenten. Das sind Herstellerangaben, keine unternehmensspezifischen Benchmarks. Sie sind dennoch relevant, weil Reasoning-Modus und Agentenaufteilung Latenz, Tokenverbrauch, Tool-Aufrufe und beobachtbare Fehlermuster verändern. Die Vorschau-Ankündigung von OpenAI ist die Primärquelle.
Alibaba Cloud hat unabhängig davon Qwen3.8-Max angekündigt: ein Mixture-of-Experts-Modell mit 2,4 Billionen Parametern und 95 Milliarden aktiven Parametern, verfügbar über QwenCloud. Das Unternehmen kündigt eine nachfolgende Veröffentlichung der Gewichte an. Ein Ankündigungstermin ist noch kein nutzbares, unabhängig bewertetes Gewichtsartefakt. Warten Sie für die Beschaffung auf Lizenz, Artefakt-Provenienz, Model Card und konkrete Betriebsanforderungen. Die Release-Ankündigung von Alibaba Cloud dokumentiert diese Herstellerangaben.
Die operative Konsequenz: Bewerten Sie das Deployment, nicht die Marke
Ein Modellvergleich, der bei einem öffentlichen Leaderboard endet, lässt den kostspieligen Teil aus. Messen Sie bei RAG- oder Agenten-Workflows die gesamte Transaktion: Retrieval-Qualität, Kontextgröße, Reasoning-Einstellung, Zahl der Tool-Aufrufe, End-to-End-Latenz, Output-Tokens, Retry-Rate und menschliche Prüfquote. Führen Sie denselben festen Evaluierungssatz über die exakte Region, API-Version, Sicherheitskonfiguration und Orchestrierung aus, die für Produktion vorgesehen sind. Versionieren Sie Prompts, abgerufene Dokumente und Bewertungsregeln.
Gerade bei einer günstigeren Stufe für Routing oder Extraktion kann der niedrigere Stückpreis durch längere Prompts, mehr Wiederholungen oder eine schlechtere Kontrollquote verloren gehen. Umgekehrt ist ein leistungsstärkeres Modell oft nur in einem begrenzten Eskalationspfad sinnvoll. Häufig passt ein geroutetes Portfolio: deterministische Regeln zuerst, ein günstigeres Modell für risikoarme Aufgaben und ein stärkeres Modell hinter einer klaren Freigabeschwelle. Der Beitrag zu Betriebsgrenzen für vernetzte KI-Workflows beschreibt die benötigten Parameter: benannte Eingaben, erlaubte Tools, Kostenobergrenze, Verantwortliche und Stop-Pfad.
Europäische Beschaffung: Modellwahl und Datenstandort getrennt prüfen
Weder ein Modellname noch die Ankündigung offener Gewichte belegt, wo Ihre Daten verarbeitet, gespeichert oder supportet werden. Fordern Sie bei API-Diensten vertragliche Antworten zu Serving-Region, Telemetrie, Aufbewahrung, Subprozessoren, Incident-Support und Änderungsbenachrichtigung. Bei selbst betriebenen Gewichten verschiebt sich die Frage: Prüfen Sie Lizenz, Herkunft und Integrität der Artefakte, Standort von GPUs und Plattform, Patch-Verantwortung, Zugriffssteuerung, Schwachstellenbehandlung und die Fähigkeit des Teams, das Deployment reproduzierbar zu betreiben. „Open“ verlagert Verantwortung; es beseitigt sie nicht.
Der EU AI Act folgt einem risikobasierten Ansatz. Ob für ein bestimmtes System Anbieter- oder Betreiberpflichten gelten, hängt vom Einsatzfall und den Tatsachen ab; lassen Sie eine folgenschwere Einordnung rechtlich prüfen. Bewahren Sie vor dem Rollout belastbare Nachweise auf: Zweckbestimmung, Datenkategorien, Lieferant und Modellversion, Evaluierungsergebnisse, menschliche Aufsicht, Incident-Owner und Rollback-Plan. Ein versionierter KI-Use-Case-Intake mit Anwendbarkeitsgraph macht diese Nachweise abfragbar, statt sie über Tickets und Chats zu verteilen.
Eine Entscheidungsregel für den nächsten Pilot
Geben Sie keine der beiden Familien pauschal als „Enterprise-Standard“ frei. Geben Sie für einen zeitlich begrenzten Pilot die Kombination aus Workload, Modell und Hosting frei. Definieren Sie Kostenobergrenze, zulässige Datenklassifikation, erlaubte Tools, Mindestwert der Evaluierung und einen namentlich verantwortlichen Owner. Dokumentieren Sie exakte Modellkennung und Release-Stand intern; wiederholen Sie die Evaluierung, wenn der Anbieter Version, Routing-Policy, Sicherheitseinstellung oder Preis verändert. Verwerfen Sie Ergebnisse, die eine definierte Risikoregel auslösen; verlassen Sie sich nicht auf einen aggregierten Benchmark-Wert.
Die aktuelle Release-Frequenz erhöht den Wert dieser Kontrolle. Teams, die Modelle am eigenen Workload vergleichen und die Entscheidung nachvollziehbar belegen, können Verbesserungen nutzen, ohne jedes Modellupdate zur unkontrollierten Produktionsänderung werden zu lassen.
