Ein KI-Modell wählen: OpenAI vs. Anthropic vs. lokale LLMs
Der größte praktische Vorteil eines modellunabhängigen Assistenten wie OpenClaw ist, dass diese Entscheidung umkehrbar ist. Du bringst deinen eigenen Key mit, kannst deine Meinung in einer Minute ändern und verschiedene Modelle für verschiedene Aufgaben nutzen. In diesem Guide geht es darum, wie du gut wählst, nicht darum, welche Marke du nehmen sollst, denn die Marken ändern sich schneller, als eine Seite mithalten kann.
Beginne mit dem Kriterium, das wirklich etwas kaputt macht
Prüfe vor Fähigkeiten, Preis oder Kontextlänge eine Sache: Unterstützt das Modell Tool Calling? Ein Assistent handelt, indem das Modell einen strukturierten Aufruf an ein Tool ausgibt, und nicht jedes Modell kann das. Richtest du OpenClaw auf eines, das es nicht kann, bekommst du einen eloquenten Gesprächspartner, der beschreibt, was er gleich tun will, und dann überhaupt nichts tut. Es gibt keinen Fehler, deshalb ist das das am häufigsten falsch diagnostizierte Problem bei selbst gehosteten Assistenten und hat einen eigenen Abschnitt in warum ein Assistent nicht mehr antwortet.
Auch eine mildere Variante zählt. Manche Modelle unterstützen Tool Calling, setzen es aber unzuverlässig um und erzeugen fehlerhafte Aufrufe, die scheitern und wiederholt werden. Ein Modell, das wiederholt, ist nicht günstiger als ein stärkeres, das es gleich beim ersten Mal richtig macht, egal was der Preis pro Token sagt.
Die vier Dimensionen, die sich zu vergleichen lohnen
- Qualität des Schlussfolgerns. Wie gut es eine Aufgabe mit mehreren Schritten und etwas Mehrdeutigkeit bewältigt. Das merkst du bei schwerer Arbeit und nie bei leichter.
- Kontextfenster. Wie viel es auf einmal halten kann. Wichtig für lange Dokumente und teurer, als es aussieht, weil ein langes Gespräch seinen eigenen Verlauf bei jedem Zug erneut sendet.
- Latenz. Wie lange du wartest. Bei einem Chat-Assistenten zählt das mehr, als man zugibt: Einen Assistenten, auf den du dreißig Sekunden wartest, nutzt du irgendwann nicht mehr.
- Datenschutz. Wohin die Inhalte gehen und was die Aufbewahrungs- und Trainingsrichtlinie des Anbieters dazu sagt. Lies die Richtlinie für die Stufe, die du tatsächlich nutzt, denn sie unterscheidet sich oft zwischen Verbraucher- und API-Zugang.
Beachte, dass der Preis nicht auf dieser Liste steht. Er ist wichtig, aber nachgelagert: Ein Modell, das weniger Wiederholungen und kürzere Prompts braucht, um deine Aufgabe gut zu erledigen, kann trotz höherem Listenpreis günstiger sein.
Die gehosteten Anbieter
OpenAI
Ein starker allgemeiner Standard mit zuverlässiger Tool-Nutzung, breiter Ökosystem-Unterstützung und einer großen Bandbreite von kleinen schnellen bis zu großen leistungsfähigen Modellen. Wenn du keinen besonderen Grund für etwas anderes hast, kostet dich ein Start hier und späteres Wechseln nichts. Du bezahlst OpenAI direkt mit deinem eigenen Key.
Anthropic
Claude-Modelle sind bekannt für sorgfältiges, gut strukturiertes Schlussfolgern, langen Kontext und genaues Befolgen von Anweisungen. Sie passen zu einem Assistenten, der viel liest und schreibt, und zu Abläufen, in denen das Modell genau das tun soll, was verlangt wurde, und nicht etwas Ähnliches.
Die Hauptstärke von Gemini ist sehr großer Kontext. Das passt zu Arbeit mit langen Dokumenten, Transkripten oder Codebasen, die in einem Durchgang statt in Teilen durchdacht werden müssen.
Aggregatoren
Dienste wie OpenRouter bündeln viele Anbieter hinter einem Key und einer API. Das ist wirklich nützlich, wenn du Modelle vergleichen oder verschiedene Aufgaben an verschiedene Modelle leiten willst, ohne mehrere Konten zu verwalten. Der Preis dafür ist eine weitere Partei im Pfad und bei kostenlosen Stufen echte Limits: Kostenlose Modellvarianten sind pro Minute und pro Tag begrenzt, und diese Limits treffen einen Assistenten härter als einen Chatbot, weil ein Agent pro Aufgabe mehrere Anfragen stellt.
Lokale Modelle, realistisch betrachtet
Ein Modell auf deiner eigenen Instanz über Ollama zu betreiben ist die stärkste verfügbare Datenschutzgarantie, weil nichts irgendwohin gesendet wird. Man sollte den Kompromiss klar benennen, statt ihn zu romantisieren.
Zuerst die Rechnung. Ein 7B-Modell, auf 4 Bit quantisiert, hat grob 4 GB Gewichte, noch vor jedem Gesprächskontext und vor OpenClaw selbst. Die Einstiegsstufe kann also keines halten, und 8 GB sind die realistische Untergrenze. Größere Modelle skalieren entsprechend, und ohne GPU läuft die Inferenz auf der CPU und ist so langsam, dass die meisten, die es im Alltag ausprobieren, zu einem gehosteten Modell zurückgehen. Wie sich die Dimensionierung dadurch ändert, steht in den Server-Anforderungen.
Ehrlich gesagt ist lokale Inferenz für bestimmte Aufgaben richtig und nicht als Standard: Inhalte, die du nirgendwohin senden willst, Arbeit, die ohne Internet funktionieren muss, oder eine Last mit hohem Volumen, bei der der Preis pro Token die Grenze setzt. Für alles andere hält ein gehostetes Modell mit einem selbst gehosteten Assistenten deinen Gesprächsverlauf, deine Zugangsdaten und Integrationen bereits auf deinem eigenen Server, und das ist das meiste von dem, was Leute unter Datenschutz verstehen.
Schneller Vergleich
| Option | Am besten für | Wohin die Inhalte gehen | Kostenmodell |
|---|---|---|---|
| OpenAI | Allgemeiner Standard, zuverlässige Tool-Nutzung | OpenAI API | Bezahlung pro Token, dein Key |
| Anthropic | Lange Dokumente, sorgfältiges Schreiben und Befolgen von Anweisungen | Anthropic API | Bezahlung pro Token, dein Key |
| Sehr langer Kontext in einem Durchgang | Google API | Bezahlung pro Token, dein Key | |
| Aggregator | Vergleichen oder Weiterleiten zwischen vielen Modellen | Aggregator, dann Anbieter | Bezahlung pro Token, plus Aufschlag |
| Lokal über Ollama | Inhalte, die nicht weg dürfen, oder keine Kosten pro Token | Bleibt auf deiner Instanz | Deine Rechenleistung, ab 8 GB |
Wie du dich wirklich entscheidest
Vergleiche anderer Leute sind ein Ausgangspunkt und ein schlechter Ersatz für zwei Stunden eigenes Testen. So funktioniert es:
- Wähle die Aufgabe, die der Assistent am besten erledigen soll. Keinen Benchmark, sondern eine echte.
- Lass sie mit demselben Prompt gegen zwei Kandidaten-Modelle laufen.
- Vergleiche anhand der drei Dinge, mit denen du leben wirst: War die Antwort richtig, wie lange hast du gewartet und was zeigte das Dashboard des Anbieters als Verbrauch.
- Behalte den Sieger als Standard und lass das andere konfiguriert, denn die nächste Aufgabe kann anders ausgehen.
Das dauert einen Nachmittag und klärt die Frage weit besser als jede Tabelle, auch die oben.
Du musst dich nicht auf eines festlegen
Weil OpenClaw modellunabhängig ist, ist die echte Antwort meist eine Aufteilung: ein leistungsfähiges gehostetes Modell als Standard, etwas Günstiges und Schnelles für routinemäßiges Umformatieren und ein lokales Modell für die wenigen Dinge, die du lieber nirgendwohin sendest. Das Wechseln kostet strukturell nichts, denn das Modell ist Konfiguration und keine Architektur. Deine Integrationen, dein Verlauf und dein Setup bleiben von der Änderung unberührt.
Bereit zum Ausprobieren? Folge dem Guide zum Selbsthosten von OpenClaw, wirf einen Blick auf die Server-Anforderungen, falls ein lokales Modell auf deiner Liste steht, oder stelle direkt von der Startseite aus bereit.