Direkt zum Inhalt

Mit Fable auf Spatzen schießen: Warum wir für KI-Capabilities bezahlen, die wir nicht brauchen

KI-Insights

Ein Artikel von Julia Pleyer

Du zahlst für Fable 5 – aber die meisten deiner Aufgaben würde auch Mistral Medium erledigen. Das ist, als würdest du einen Presslufthammer mieten, um Nüsse zu knacken.

Damit wir uns richtig verstehen: Ich nutze Fable 5 selbst. Aber nur für die 3 % meiner Aufgaben, bei denen es wirklich den Unterschied macht. Für die anderen 97 % habe ich lange bezahlt, ohne hinzusehen. Genau darüber reden wir heute.

Die Kostenfalle

Die Studie von Anthropic (März 2026) zeigt: Die tatsächliche Nutzung von KI-Modellen bleibt weit hinter ihren theoretischen Möglichkeiten zurück. 97 % der Aufgaben, für die Claude eingesetzt wird, sind mit jedem modernen LLM machbar. Nur 3 % erfordern wirklich die volle Power.

Die Zahl gilt für Claude-Nutzung, nicht automatisch für dein Unternehmen. Aber die Richtung dürfte stimmen – und du kannst sie in zehn Minuten selbst überprüfen (dazu am Ende mehr).

Was übrig bleibt, ist Überkonstruktion. Und die kostet: Geld, das in echte Enablement-Arbeit fließen könnte. Zeit, die du mit dem Feilen an Prompts verbringst statt mit Priorisierung.

State-of-the-Art ≠ State-of-the-Need

Die Industrie verkauft ein bequemes Narrativ: „Kauf das größte Modell, dann bist du für alles gerüstet." Das ist keine Lüge – es ist ein Verkaufsinteresse. Wer Frontier-Modelle baut, hat wenig Grund, dir zu erklären, wann ein kleineres reicht.

 

Skalierbarkeit ist aber nicht Effizienz. Nur weil Fable 5 etwas kann, heißt das nicht, dass es sollte. Die beste Technologie ist nicht die teuerste, sondern die, die dein Problem löst.

 

In der Praxis heißt das:

 

  • Schlanke Modelle (Mistral Medium, Claude Haiku) decken Standardaufgaben ab: Chat-Anfragen, E-Mail-Zusammenfassungen, einfache Analysen. Schnell, günstig, minimaler Overhead.
  • Mittlere Modelle übernehmen, was mehr Kontextverständnis braucht, aber keine volle Autonomie: Marketing, Kundenservice, Datenanalyse.
  • Fable 5 glänzt bei hochkomplexen, mehrstufigen Aufgaben: strategische Analysen, nuancierte Texte, Echtzeit-Risikobewertung. Die Frage ist nur: Wie oft kommen die bei dir wirklich vor?

 

„Die Lücke zwischen blau (theoretisch möglich) und rot (tatsächlich genutzt) ist enorm – und kostet Unternehmen Millionen."

„Die Lücke zwischen blau (theoretisch möglich) und rot (tatsächlich genutzt) ist enorm – und kostet Unternehmen Millionen."

Warum wir es trotzdem tun

Es liegt nicht an der Technik. Fable 5 liefert in Sekunden einen fertigen Entwurf; bei schlankeren Modellen musst du ran – Prompts anpassen, Outputs prüfen, nachbessern. Das ist Handarbeit, und Handarbeit kostet Zeit, die niemand hat. Dazu kommt, dass „wir setzen auf die beste KI" nach Innovationsfähigkeit klingt, während „uns reicht das kleinere Modell" nach Sparprogramm klingt – auch wenn das kleinere Modell die Arbeit erledigt. Und über allem liegt die Frage, was passiert, wenn doch einmal etwas wirklich Komplexes kommt. Also kauft man das Maximum, nur für den Fall.

Ich schreibe das nicht von außen. Das Statusargument kenne ich am besten von mir selbst, und ich gebe es ungern zu. Nur verpassen die meisten Unternehmen am Ende keine komplexen Aufgaben – sie zahlen für eine Versicherung, die nie fällig wird.

Die eigentliche Frage: Wie viel Autonomie willst du?

Fable 5 kann dir viel Denken abnehmen. Aber willst du das? Je mehr die KI für dich denkt, desto weniger verstehst du, was passiert. KI ist kein Selbstzweck, sondern Werkzeug – und ein guter Handwerker wählt den passenden Hammer, nicht den schwersten.

Die größten Blockaden sitzen nicht in der Technik, sondern in der Haltung: in der Annahme, mehr Capabilities schafften automatisch mehr Wert. In der Bequemlichkeit, die eigentliche Arbeit auszulagern – Prozesse transformieren, Teams schulen, Use Cases priorisieren.

KI-Readiness heißt, Technologie strategisch einzusetzen statt blind zu vertrauen. Kein Projekt mit Enddatum, sondern ein Lernprozess. Er verlangt eine ehrliche Frage: Wo brauchst du wirklich Autonomie – und wo reichen klare Regeln?

Quellen und Grafik

  • Anthropic (März 2026): Labor market impacts of AI: A new measure and early evidence – Zur Studie
  • Eloundou et al. (2023): GPTs are GPTs: An early look at the labor market impact potential of large language models – arXiv
  • Grafik: Share of Claude usage by Eloundou et al. exposure rating (Anthropic Economic Index, 2026).