# Kauz-Selection

Die Kauz-Selection ist die empfohlene Standardauswahl für die meisten Organisationen im aiWorkplace. Sie nimmt Nutzer*innen die Entscheidung ab, welches LLM für eine konkrete Aufgabe am besten geeignet ist. Statt vor jeder Anfrage zwischen einzelnen Modellnamen, Anbietern, Leistungsklassen und Kostenprofilen wählen zu müssen, können Nutzende einfach die Kauz-Selection verwenden.

Für jede Anfrage wird automatisch ein geeignetes Modell ausgewählt. Ziel ist es, eine hohe Antwortqualität zu erreichen und gleichzeitig unnötige Kosten zu vermeiden. Dadurch eignet sich die Kauz-Selection besonders für Organisationen, in denen viele Mitarbeitende mit sehr unterschiedlichen Vorkenntnissen und Anwendungsfällen arbeiten.

# Was ist die Kauz-Selection?

Technisch ist die Kauz-Selection ein synthetisches LLM: Sie kombiniert mehrere Large-Language-Modelle und wählt abhängig von der Aufgabe ein geeignetes Modell aus.

Dahinter steht ein Auswahlmechanismus, der die jeweilige Anfrage bewertet und anschließend ein passendes Modell auswählt. Einfache Aufgaben werden eher an ein schnelles und kosteneffizientes Modell übergeben. Komplexe Aufgaben können dagegen gezielt mit einem leistungsstärkeren Modell bearbeitet werden.

Die Kauz-Selection ist damit mehr als ein einfacher Model-Router. Sie wurde auf Basis wissenschaftlicher Ansätze, Kauz-eigener Tests und praktischer Nutzungserfahrungen entwickelt. Dadurch kann sie Aufgaben nicht nur günstiger, sondern auch sinnvoll auf unterschiedliche Modelle verteilen.

# Kauz-Selection im Chat und in Cowork

Im Chat wählen Sie die Kauz-Selection in der Modellauswahl wie ein Modell aus. Sie ist dort auf hohe Antwortqualität ausgerichtet und entspricht der Stufe Kauz Premium. Den Denkaufwand stellen Sie wie bei einem einzelnen Modell ein, siehe Denkaufwand .

Für Cowork gibt es die Kauz-Selection in zwei Stufen:

Im Oktober 2026 standen beide Stufen vorübergehend auch im Chat zur Auswahl. Chats, Agenten und Voreinstellungen, die eine der beiden Stufen nutzten, laufen im Chat seitdem automatisch mit der Kauz-Selection weiter. Sie müssen nichts umstellen.

# Warum nicht immer das stärkste Modell verwenden?

Große Frontier-Modelle sind sehr leistungsfähig, aber nicht für jede Aufgabe wirtschaftlich sinnvoll. Sie sind besonders hilfreich bei komplexem Reasoning, anspruchsvoller Textarbeit, Coding, mehrstufiger Planung oder Aufgaben mit vielen Abhängigkeiten. Für einfache Wissensfragen, kurze Zusammenfassungen, Entwürfe oder Routineaufgaben reichen dagegen häufig effizientere Modelle aus.

Wird für eine einfache Aufgabe ein sehr großes Modell eingesetzt, kann das unnötige Kosten verursachen. Ein leistungsstarkes Modell kann beispielsweise zusätzliche Recherche- oder Reasoning-Schritte ausführen, obwohl eine einfachere Antwort genügt hätte. Die Antwort wird dadurch nicht zwingend besser, aber teurer und teilweise auch länger oder komplexer als nötig.

Die Kauz-Selection vermeidet genau diese Überdimensionierung: Sie setzt große Modelle dort ein, wo sie einen echten Mehrwert bringen, und nutzt effizientere Modelle für Aufgaben, bei denen diese ausreichen.

# Eigene Benchmarks: Qualität in realistischen Aufgaben prüfen

Öffentliche Benchmarks sind eine hilfreiche Orientierung, sagen aber nicht immer zuverlässig voraus, wie gut ein Modell bei konkreten Aufgaben im Arbeitsalltag funktioniert. Deshalb testen wir die Kauz-Selection und die enthaltenen Modelle mit einem eigenen Testset aus 187 Testfällen. Es deckt typische Arbeitsaufgaben ab, etwa Wissensfragen, Arbeit mit Dokumenten und Tabellen, Schreiben, Programmieren, Bildanalyse und den Umgang mit Werkzeugen wie E-Mail und Kalender, jeweils von einfachen bis zu mehrstufigen Aufgaben. Mehrere leistungsfähige Modelle bewerten die Antworten unabhängig voneinander. Neben der Qualität erfassen wir die Kosten in KI-Punkten.

Auswertung Oktober 2026

Beide Stufen erreichen die Qualität führender Einzelmodelle zu einem Bruchteil von deren Kosten. Kauz Premium liegt in der Qualität an der Spitze des Testfelds, Kauz Basic erreicht ein ähnliches Niveau bei besonders niedrigen Kosten.

Unterschiede unter 0,05 sind statistisch nicht signifikant.

Bei besonders komplexen Einzelfällen kann ein spezialisiertes Spitzenmodell weiterhin die passendere Wahl sein. Für einen breiten Mix typischer Aufgaben bietet die Kauz-Selection jedoch ein sehr gutes Verhältnis aus Qualität und Kosten.

# Vorteile für Nutzer*innen

Für Nutzer*innen wird die Arbeit mit LLMs deutlich einfacher:

• Sie müssen die Unterschiede zwischen einzelnen Modellen nicht im Detail kennen.
• Sie müssen nicht einschätzen, ob eine Aufgabe ein Frontier-Modell, ein Mittelgewichtsmodell oder ein Open-Source-Modell benötigt.
• Sie erhalten für typische Aufgaben eine gute Balance aus Qualität, Geschwindigkeit und Kosten.
• Sie können sich stärker auf ihre eigentliche Aufgabe konzentrieren, statt die Modellauswahl selbst zu optimieren.

Damit senkt die Kauz-Selection die Einstiegshürde für den produktiven Einsatz von KI im Arbeitsalltag. Gerade für Mitarbeitende, die nicht täglich mit LLMs arbeiten, ist eine automatische Auswahl oft zuverlässiger und einfacher als eine lange Liste einzelner Modelle.

# Vorteile für Organisationen

Auch für Organisationen bringt die Kauz-Selection wichtige Vorteile:

• KI-Kosten lassen sich besser steuern.
• Teure Modelle werden gezielter eingesetzt.
• Mitarbeitende erhalten trotzdem Zugriff auf hohe Modellqualität, wenn sie für eine Aufgabe benötigt wird.
• Die Modellauswahl kann übersichtlicher gehalten werden.
• Der Administrationsaufwand sinkt, weil nicht jede Modellklasse einzeln erklärt und gesteuert werden muss.

In typischen Nutzungsszenarien sind dadurch deutliche Kosteneinsparungen möglich. Wie hoch sie ausfallen, hängt vom Aufgabenmix ab: Bei vielen einfachen und mittleren Aufgaben ist das Einsparpotenzial besonders hoch. Bei Power Usern mit überwiegend komplexen Aufgaben fällt es in der Regel geringer aus, bleibt aber relevant.

# Beispiel: Rechercheaufgabe mit BMW-Umsatzzahlen

Ein praktisches Beispiel zeigt den Nutzen der Kauz-Selection: Für die Frage, wie sich der Konzernumsatz der BMW Group von 2022 bis 2024 entwickelt hat, müssen Umsatzzahlen recherchiert, verglichen und tabellarisch aufbereitet werden.

Im Vergleich zwischen einem großen Frontier-Modell und der Kauz-Selection lieferten beide Antworten eine sehr ähnliche Struktur und inhaltlich vergleichbare Ergebnisse. Beide recherchierten die benötigten Daten, stellten sie in einer Tabelle dar und ergänzten eine kurze Erläuterung zur Entwicklung. Die Qualität der Ergebnisse war also auf einem ähnlichen Niveau.

Der Unterschied lag vor allem in den Kosten: Während die Antwort eines großen Frontier-Modells in diesem Beispiel ungefähr 1 Euro kosten konnte, lag die Antwort über die Kauz-Selection ungefähr bei 0,10 Euro. Das zeigt, dass für viele Aufgaben nicht das teuerste Modell notwendig ist, um ein gutes Ergebnis zu erhalten.

# Empfehlung für den Einsatz

Für die meisten Organisationen empfehlen wir folgende Vorgehensweise:

1. Kauz-Selection aktivieren
2. Kauz-Selection als Standardmodell setzen
3. Optional einzelne Spezialmodelle zusätzlich freischalten, wenn bestimmte Teams diese gezielt benötigen

So entsteht ein gutes Verhältnis aus Qualität, Geschwindigkeit und Kosten, ohne dass alle Nutzer*innen selbst Modellnamen, Anbieter und Kostenprofile vergleichen müssen.

Die Kauz-Selection wird kontinuierlich weiterentwickelt. Neue DSGVO-konforme Modelle werden nach Prüfung schrittweise in die Auswahl aufgenommen.

Für weitere Details empfehlen wir das Interview mit Kauz.ai-Gründer und CEO Dr. Thomas Rüdel zur Kauz-Selection: Interview mit Dr. Thomas Rüdel