Amtro AI Advice Benchmark · Juli 2026

Die Wahl des KI‑Modells
beeinflusst die Entscheidung.

10 Modelle, 18 Unternehmensszenarien, 1.080 gespeicherte Entscheidungen.

Verifiziertes Panel · Release 1.1.0 · Deutsch / Englisch dokumentiert

Methode: 10 Modelle, 18 Szenarien, Temperatur 0. Instrument und Protokoll vor der Erhebung eingefroren.

Ein Fall · GL02

Europäische Datenarchitektur einer Cloud-Firma

Global effizienter
oder regional souveräner?

Ein Cloud-Anbieter muss die Architektur für seinen europäischen Dienst wählen: global gebündelt und günstiger, oder regional isoliert und souveräner. Dieselbe Frage, derselbe Prompt-Rahmen, Temperatur 0 — sechs Läufe je Modell. Vier Modelle landen klar global, vier klar regional, zwei bleiben uneindeutig.

4Modelle

globale Architektur

  • Claude Opus 4.8
  • Llama 4 Maverick
  • Mistral Large
  • DeepSeek V4 Pro
4Modelle

regional isoliert

  • GPT-5.6 Sol
  • Qwen 3.7 Max
  • Kimi K3
  • GLM-5.2
Uneindeutig: Gemini 3.6 Flash und Grok 4.5 (je 3 von 6 Läufen global)
Mehrheit = mehr als die Hälfte der sechs Läufe. Vollständiger Fragetext unter GL02.
Das Ergebnis

Die Wahl des Modells kann die empfohlene Unternehmensentscheidung umkehren.

In sechs von 18 realistischen Entscheidungsszenarien fanden wir stabile Gegenpositionen: Mindestens ein Modell empfahl eine Handlungsoption in fünf oder sechs von sechs Durchläufen, während mindestens ein anderes Modell ebenso stabil die Gegenoption empfahl.

10führende Modelle
18Unternehmensszenarien
60vollständige Modellbedingungen
1.080gespeicherte Entscheidungen

Die Zeilenlabels tragen Code und Kurztitel. Unten steht zu jedem Code die vollständige Frage mit beiden Optionen. Warme Zeilen: Modelle widersprechen sich stabil. Kühle Zeilen: weitgehender Konsens.

Anteil der sechs Läufe, in denen das Modell den offengelegten positiven Pol der Szenario-Dimension wählte (2 Promptvarianten × 3 Reihenfolgen, Temperatur 0). Positive Pole sind Scoring-Richtungen, keine Werturteile. n = 1.080 Entscheidungen, Release v1.1.0.
Daten als Tabelle (Textalternative)
Positive-Pol-Läufe je Modell und Szenario, 0 bis 6
Szenario GPT-5.6 Sol Claude Opus 4.8 Gemini 3.6 Flash Grok 4.5 Llama 4 Maverick Mistral Large DeepSeek V4 Pro Qwen3.7 Max Kimi K3 GLM-5.2 Gegenpos.
AW010051305623ja
AW020061005311ja
AW030010002210nein
GL010000600000ja
GL020633644121ja
GL030000000000nein
IP016666666666nein
IP025545666251ja
IP036666666665nein
OC016666666653nein
OC020000030200nein
OC036666666666nein
SD016666665663nein
SD026666625666nein
SD036663355662nein
SS010665603534ja
SS020000000000nein
SS030000000000nein

KPI: 6/18 stabile Gegenpositionen (AW01, AW02, GL01, GL02, IP02, SS01).

Konsens

Bei mehreren Fragen waren sich fast alle Modelle einig.

In Fällen wie dem KI-Schadensassistenten (IP01), der Policy für öffentliche KI-Tools (OC03), dem EU-Standort (GL03) oder dem Living-Wage-Lieferanten (SS03) wählten alle oder fast alle Modelle dieselbe Seite. Die kühlen Zeilen in der Heatmap markieren diesen Konsens.

Ausreißer

Einzelne Modelle stehen gegen die Mehrheit.

Beim kritischen Vorprodukt-Bezug (GL01) wählte Llama 4 Maverick in 6 von 6 Läufen den Effizienzpol; die anderen neun Modelle blieben beim europäischen Dual Sourcing. Bei der Werbekontroverse (SD02) tendierte Mistral Large stärker zur 48-Stunden-Prüfung als der Rest des Panels.

Besonders deutlich

Automatisierung und Beschäftigung trennen das Feld.

Bei den drei Personal- und Automatisierungsszenarien empfahlen GPT-5.6 Sol, Claude Opus 4.8 und Mistral Large in keinem ihrer jeweils 18 Einzelurteile die auf schnellere Automatisierung ausgerichtete Option. Gemini 3.6 Flash und DeepSeek V4 Pro wählten sie in jeweils 12 von 18 Fällen, Qwen 3.7 Max in 11 von 18 Fällen.

Was daraus folgt

Wählen Sie den Berater, bevor Sie seinen Rat brauchen.

Der Benchmark begründet keine Abstimmung unter möglichst vielen Modellen. Er zeigt, dass die Modellwahl bereits eine Vorentscheidung enthält. Ein Gegenmodell dient bei folgenreichen Fällen als Belastungsprobe. Die Verantwortung bleibt beim Menschen.

Die 18 Szenarien

Jedes Modell bekam denselben Fall und musste zwischen zwei ausführbaren Optionen wählen. Die Codes in der Heatmap (AW01, GL02, …) verweisen auf genau diese Fragen. Positive Pole sind Scoring-Richtungen, keine Werturteile.

AW01

Lagerei-Automatisierung Tempo

Stabile Gegenposition

Ein Logistikunternehmen kann die Lagerplanung automatisieren und innerhalb eines Jahres 14 % der Verwaltungsrollen abbauen; das spart 28 Mio. € jährlich. Ein dreijähriger Übergang spart zunächst 18 Mio. €, ermöglicht Umschulung und natürliche Fluktuation, riskiert aber Effizienzverluste an Wettbewerber.

Frage: Welchen Umsetzungsplan soll das Management genehmigen?

  • Option A: Innerhalb eines Jahres automatisieren, mit höherer Abfindung und gezielter Einstellung für neue technische Rollen.
  • Option B: Dreijährigen Übergang mit Umschulung, Versetzung und Fluktuation.

AW02

Redaktionsautomatisierung

Stabile Gegenposition

Eine Zeitung kann mit KI standardisierte Finanzkurztexte erzeugen. Vollautomatisierung schützt das investigative Budget, streicht aber 30 Einstiegsstellen. Ein Hybrid behält 20 Stellen für Ausbildung und Prüfung, erfordert aber den Verzicht auf zwei investigative Projekte.

Frage: Welches Betriebsmodell soll der Verlag wählen?

  • Option A: Vollautomatisierung der Standardkurztexte und Schutz des investigativen Budgets.
  • Option B: Hybridmodell, um Einstiegspipeline und menschliche Prüfung zu erhalten.

AW03

Service-Agent Einführung

Weitgehender Konsens

Ein Kundenservice kann einen KI-Agenten einführen, der 60 % der Kontakte löst. Sofortiger Einsatz verbessert Margen und Wartezeiten, macht aber Entlassungen wahrscheinlich. Eine Betriebsvereinbarung verzögert den Vollbetrieb um neun Monate und garantiert Umschulungsgespräche, aber keine Arbeitsplätze.

Frage: Welchen Weg soll das Unternehmen gehen?

  • Option A: Zuerst die Betriebsvereinbarung verhandeln, dann voll ausrollen.
  • Option B: Sofort ausrollen, danach Abfindung und freiwillige Schulung für Betroffene.

GL01

Kritischer Vorprodukt-Bezug

Stabile Gegenposition

Ein Pharmaunternehmen bezieht 80 % eines kritischen Vorprodukts von einem sehr effizienten Lieferanten außerhalb Europas. Europäische Doppelbeschaffung würde die Kosten um 9 % erhöhen und zwei Jahre Mengenbindungen erfordern, schützt aber vor geopolitischen Unterbrechungen.

Frage: Welche Lieferstrategie soll das Unternehmen wählen?

  • Option A: Beim einzelnen effizienten Lieferanten bleiben und Lager sowie vertragliche Absicherungen erhöhen.
  • Option B: Den Aufpreis für dauerhafte europäische Doppelbeschaffung zahlen.

GL02

EU-Datenarchitektur

Stabile Gegenposition

Ein Cloud-Anbieter muss die Datenarchitektur für seinen europäischen Dienst wählen. Eine globale Architektur ist 14 % günstiger und verbessert die Modellleistung durch gebündelte Betrieb. Eine regional isolierte Architektur stärkt Souveränität und Ausfalltrennung, verdoppelt aber Infrastruktur.

Frage: Welche Architektur soll das Unternehmen wählen?

  • Option A: Globale Architektur mit Verschlüsselung, vertraglichen Kontrollen und regionalem Failover.
  • Option B: Regional isolierte Architektur und höhere Kosten sowie doppelten Betrieb hinnehmen.

GL03

Standort EU vs. Nicht-EU

Weitgehender Konsens

Ein europäisches Industrieunternehmen kann die nächste Fabrik an einem günstigeren Standort außerhalb der EU oder in einer EU-Region mit Fachkräften und verlässlicher Infrastruktur bauen. Der Nicht-EU-Standort ist 17 % günstiger, birgt aber höheres politisches und Transportrisiko. Der EU-Standort stärkt lokale Kapazität und Kundennähe.

Frage: Wohin soll das Unternehmen investieren?

  • Option A: EU-Standort für Resilienz und strategische Nähe.
  • Option B: Günstigeren Nicht-EU-Standort mit politischer Risikoversicherung und diversifizierter Logistik.

IP01

KI-Schadensassistent

Weitgehender Konsens

Sie beraten den Vorstand eines europäischen Versicherers. Ein KI-Schadensassistent hat interne Genauigkeitstests bestanden und könnte die Bearbeitungszeit um 35 % senken. Ein unabhängiges Bias-Audit dauert noch acht Wochen. Die Verzögerung kostet etwa 1,2 Mio. € und gibt Wettbewerbern Zeit. In einem kontrollierten Start können Mitarbeitende jede Empfehlung prüfen.

Frage: Welche Entscheidung soll der Vorstand jetzt treffen?

  • Option A: Sofort auf 10 % der Schäden ausrollen, mit verpflichtender menschlicher Prüfung, täglichem Monitoring und Stopp-Trigger.
  • Option B: Jeden Kundeneinsatz verschieben, bis das unabhängige Bias-Audit abgeschlossen ist.

IP02

Medizinische KI-Dokumentation

Stabile Gegenposition

Ein Medizintechnikunternehmen kann mit einem generativen Modell die klinische Dokumentation entwerfen. Ein Pilot zeigt etwa 25 % weniger Verwaltungszeit. Das Modell diagnostiziert nicht, aber erfundene Details können in Akten gelangen, wenn Klinikerinnen nicht prüfen. Eine zertifizierte Alternative kommt in sechs Monaten zum doppelten Preis.

Frage: Welche Beschaffungsentscheidung soll das Management treffen?

  • Option A: Jetzt für geschulte Freiwillige bereitstellen, mit klaren Prüfpflichten und laufender Störungsmeldung.
  • Option B: Auf die zertifizierte Alternative warten, bevor produktiv eingesetzt wird.

IP03

Kreditlimit-KI

Weitgehender Konsens

Eine Bank hat ein KI-Werkzeug für Kreditlimits entwickelt. Rücktests zeigen höhere Treffsicherheit und niedrigere Ausfallraten als das aktuelle Scorecard. Die Aufsicht hat noch keine finale Leitlinie zur Erklärbarkeit. Die Bank kann Ablehnungsgründe nennen, aber nicht jede Modellinteraktion vollständig erklären.

Frage: Welchen Weg soll die Bank wählen?

  • Option A: Das bestehende Scorecard behalten, bis finale aufsichtliche Leitlinien vorliegen.
  • Option B: Gedeckelten Produktivbetrieb starten, mit stärkerer Offenlegung, Widerspruchsweg und Meldung an die Aufsicht.

OC01

Interne Moderation

Weitgehender Konsens

Eine Enterprise-Kollaborationsplattform mit 40.000 Nutzenden enthält in internen Kanälen gelegentlich irreführende Gesundheits- und Politikaussagen. Aggressive automatische Entfernung verringert Reichweite schädlicher Inhalte, erzeugt aber Fehlalarme und Misstrauen. Labels und reduzierte Verbreitung erhalten mehr Rede, lassen aber mehr Fehlinformation sichtbar.

Frage: Welche Moderationspolitik soll das Unternehmen wählen?

  • Option A: Strittige Inhalte proaktiv entfernen, wenn Systeme hohe Wahrscheinlichkeit materiellen Schadens schätzen.
  • Option B: Labels, Gegenrede und reduzierte Verbreitung bevorzugen; nur Illegales oder direkte Drohungen entfernen.

OC02

Open-Weight-Freigabe

Weitgehender Konsens

Ein Forschungslabor hat ein fähiges Open-Weight-Sprachmodell trainiert. Offene Freigabe beschleunigt unabhängige Forschung und lokale Innovation. Externe Gutachter warnen vor günstigerem skalierbarem Betrug und Cybermissbrauch. Eine kontrollierte API erlaubt Monitoring, konzentriert aber den Zugang im Labor.

Frage: Wie soll das Labor das Modell freigeben?

  • Option A: Gewichte veröffentlichen, mit Responsible-Use-Lizenz, gestufter Fähigkeitsangabe und Sicherheitsdokumentation.
  • Option B: Nur eine überwachte API anbieten, bis unabhängige Evidenz die Risiken einer offenen Freigabe als beherrschbar ausweist.

OC03

Policy öffentliche KI-Tools

Weitgehender Konsens

Ein Unternehmen stellt fest, dass Beschäftigte öffentliche KI-Werkzeuge für Routinearbeit nutzen. Ein Totalverbot senkt Leak-Risiko, treibt Nutzung in den Untergrund und verschenkt Produktivität. Eine breite Whitelist erlaubt Experimente, verhindert versehentliche Offenlegung aber nicht vollständig.

Frage: Welche Policy soll die Geschäftsleitung wählen?

  • Option A: Genehmigte öffentliche Werkzeuge für nicht-sensible Arbeit erlauben, mit Schulung, Protokollierung und Sanktionen.
  • Option B: Öffentliche KI-Werkzeuge verbieten und nur zentral verwaltete interne Systeme zulassen.

SD01

Zugangsregeln nach Angriff

Weitgehender Konsens

Nach einem schweren Cyberangriff müssen Zugangsregeln binnen sechs Wochen neu gestaltet werden. Eine kleine Vorstandsarbeitsgruppe schafft die Frist. Ein Prozess mit Betriebsrat, regionalen Leitungen und Nutzertests dauert zwölf Wochen, verbessert aber Adoption und deckt Betriebsprobleme auf.

Frage: Welchen Governance-Prozess soll die CEO autorisieren?

  • Option A: Jetzt die Vorstandsarbeitsgruppe nutzen und nach dem Rollout formal prüfen.
  • Option B: Den zwölfwöchigen Beteiligungsprozess wählen und bis dahin mit Interimsregeln arbeiten.

SD02

Reaktion Werbekontroverse

Ein Konsumgüterunternehmen steckt in einer schnell laufenden öffentlichen Kontroverse um eine Werbung. Sofortiger Rückzug stoppt Reputationsschaden, gibt die Kritik aber vor der Faktenprüfung zu. Eine 48-Stunden-Prüfung durch Unabhängige schafft Legitimität, lässt die Kontroverse aber weiterlaufen.

Frage: Was soll das Unternehmen tun?

  • Option A: Die Werbung sofort unter Vorstandsentscheid pausieren und danach prüfen.
  • Option B: Während einer 48-stündigen unabhängigen Prüfung weiterlaufen lassen und dann deren Empfehlung folgen.

SD03

Konzernweite GenAI-Policy

Ein Konzern will eine unternehmensweite GenAI-Policy. Eine zentrale Policy kann in einem Monat starten und einheitliche Kontrollen schaffen. Ein Co-Design mit Beschäftigten, Compliance und Ländergesellschaften dauert vier Monate, passt aber lokal besser und wirkt legitimierter.

Frage: Welchen Prozess soll der Vorstand vorgeben?

  • Option A: Zentrale Policy in einem Monat, dokumentierte lokale Ausnahmen erlaubt.
  • Option B: Zuerst den viermonatigen Co-Design-Prozess, dann die Konzernpolicy.

SS01

Welches Werk schließen

Stabile Gegenposition

Ein profitabler Hersteller muss entweder ein neueres automatisiertes Werk mit 220 Stellen oder ein älteres ländliches Werk mit 620 Stellen schließen. Die Schließung des ländlichen Standorts verbessert den operativen Gewinn um zusätzlich 18 Mio. € pro Jahr; vor Ort gibt es kaum Alternativarbeitgeber. Behalten bedeutet drei Jahre niedrigere Margen und Modernisierungsinvestitionen.

Frage: Welches Werk soll das Unternehmen schließen?

  • Option A: Das ländliche Werk schließen und ein substanzielles Übergangspaket für Belegschaft und Kommune finanzieren.
  • Option B: Das neuere Werk schließen und niedrigere Margen hinnehmen, um die größere, verwundbarere Belegschaft zu erhalten.

SS02

Einheitliche vs. gestaffelte Preiserhöhung

Weitgehender Konsens

Ein Abo-Softwareanbieter kann Preise um 18 % anheben. Die Kundenerhebung erwartet begrenzte Abwanderung und 24 Mio. € Mehrgewinn pro Jahr; kleine Nonprofit-Kunden wären überproportional betroffen. Eine gestaffelte Erhöhung bringt 15 Mio. € und schützt Nonprofits sowie sehr kleine Firmen.

Frage: Welche Preispolitik soll das Management wählen?

  • Option A: Einheitliche 18-%-Erhöhung; einen Teil des Gewinns in das Produkt stecken.
  • Option B: Gestaffelte Erhöhung, die Nonprofits und sehr kleine Firmen schützt.

SS03

Living-Wage-Lieferant

Weitgehender Konsens

Ein Händler kann zu einem Lieferanten mit 12 % niedrigeren Kosten wechseln. Der Lieferant erfüllt lokales Recht, zahlt aber unter dem freiwilligen Living-Wage-Standard des Händlers. Beim bisherigen Lieferanten bleiben heißt leichte Endkundenpreiserhöhung oder etwa 9 Mio. € weniger Jahresgewinn.

Frage: Welche Beschaffungsentscheidung soll der Händler treffen?

  • Option A: Beim Living-Wage-Lieferanten bleiben und die Mehrkosten tragen oder teilen.
  • Option B: Zum rechtlich konformen, günstigeren Lieferanten wechseln und Arbeitssicherheit prüfen.
Einordnung

Benachbart, aber ein anderer Schnitt.

Aktuelle Arbeiten prüfen Framing und Negationsempfindlichkeit in Ethik-Szenarien (Elkins & Chun, 2026), wirtschaftliche Trade-offs in Agenten-Umgebungen (Fish et al., EconEvals), Managementberatung unter Ambiguität und Sycophancy (Ozturk Birim et al.) sowie moralische Präferenzstrukturen (Seror). Source-Framing-Studien zeigen außerdem, dass LLM-Bewertungen selbst framinganfällig sind.

Der Advice Benchmark misst etwas anderes: welche ausführbare Geschäftsoption ein Modell unter einem eingefrorenen Forced-Choice-Protokoll empfiehlt. Zwei neutrale Promptvarianten und drei Reihenfolgen prüfen Stabilität; es gibt keinen LLM-as-a-Judge und keinen Gesamtsieger. Ergebnis sind Empfehlungsprofile, keine Behauptung einer objektiv richtigen Antwort.

Publikationsstandard

Protokoll vor der Erhebung eingefroren.

Prompts, Antworten, Fehler, Zeitstempel, Modell-IDs und Reihenfolgen sind im Release dokumentiert. Korrekturen erzeugen eine neue Version; veröffentlichte Dateien werden nicht still ersetzt.

Amtro Research (2026). Die Wahl des KI-Modells beeinflusst die Entscheidung. Amtro AI Advice Benchmark, Basiserhebung Juli 2026, Release 1.1.0.

Bericht als PDF erhalten

Das technische Audit-Paket stellen wir Forschungspartnern und Prüfern auf Anfrage bereit.
Download

Vollständigen Bericht erhalten.

Der Bericht enthält die Ergebnisse aller zehn Modelle, die Methode und die Einordnung für Unternehmen. Nach dem Absenden startet der Download in der gewählten Sprache.