#
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, das sich aus mehreren Large-Language-Modellen zusammensetzt. Je nach Verfügbarkeit können darin bis zu zehn Modelle enthalten sein, darunter leistungsstarke Frontier-Modelle wie Claude Opus oder GPT-5.4 sowie effizientere Modelle wie Mistral oder DeepSeek.
Dahinter steht ein Auswahlmechanismus, der die jeweilige Aufgabe 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 sinnvoller auf unterschiedliche Modelle verteilen.
#
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.
#
Vorteile für Nutzende
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. Laut Interview mit Kauz.ai-CEO Dr. Thomas Rüdel können normale Nutzende je nach Aufgabenmix häufig 70 bis 90% der Kosten einsparen. Bei Power Usern kann die Einsparung geringer ausfallen, ist abhängig vom Nutzungsverhalten aber weiterhin relevant.
#
Beispiel: Rechercheaufgabe mit BMW-Umsatzzahlen
Ein praktisches Beispiel aus dem Interview 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 daher folgende Vorgehensweise:
- Kauz-Selection aktivieren
- Kauz-Selection als Standard-Modell setzen
- optional einzelne Spezialmodelle zusätzlich freischalten, wenn bestimmte Teams diese gezielt benötigen
So entsteht ein gutes Verhältnis aus Qualität, Geschwindigkeit und Kosten, ohne dass alle Nutzenden selbst Modellnamen, Anbieter und Kostenprofile vergleichen müssen.
Für weitere Details empfehlen wir das Interview mit Kauz.ai-Gründer und CEO Dr. Thomas Rüdel zur Kauz-Selection: Interview mit Dr. Thomas Rüdel