Das Modell ist austauschbar, das Wissen nicht: Was Perplexity, you.com und Co. vormachen

Die interessanteste Verschiebung im KI-Markt des Jahres 2026 findet nicht zwischen den Modellanbietern statt, sondern über ihnen. Eine neue Schicht von Diensten hat sich etabliert, deren Geschäftsmodell gerade nicht darin besteht, das beste Modell zu besitzen — sondern darin, jedes Modell nutzbar zu machen. Perplexity orchestriert in seinem Agentensystem Computer rund 20 Modelle verschiedener Anbieter und lässt sie je nach Aufgabe wechseln; mit dem Model Council laufen Anfragen sogar parallel über mehrere Spitzenmodelle, deren Antworten ein Synthese-Modell zusammenführt. you.com positioniert sich als modell-agnostische Unternehmensplattform, die jede Anfrage an das jeweils passende Modell routet — Claude, OpenAI, Llama oder Grok. Die Botschaft dieser Dienste ist dieselbe, und sie ist strategisch bemerkenswert: Das Modell ist austauschbar. Der Wert liegt woanders.

Warum die Orchestrierungsschicht gewinnt

Hinter dem Ansatz steht eine empirische Beobachtung, die sich in den Nutzungsdaten der Anbieter deutlich zeigt: Die Leistung der Spitzenmodelle variiert je nach Aufgabe erheblich. Ein Modell führt beim tiefen Schlussfolgern, ein anderes bei langen Kontexten, ein drittes bei Tempo und Kosten, ein viertes bei Bild- oder Videogenerierung. Allein 2025 kamen Dutzende neue Modelle auf den Markt; kein einzelnes hielt die Spitzenposition über alle Disziplinen. Wer sich auf ein Modell festlegt, ist damit in den meisten Disziplinen zweitklassig unterwegs — und bei jedem Führungswechsel auf der Verliererseite.

Die Orchestrierungsdienste ziehen daraus die Konsequenz: Sie behandeln Modelle als austauschbare Arbeitskräfte und verlagern die Intelligenz in die Vermittlungsschicht — welches Modell bekommt welche Aufgabe, mit welchem Kontext, zu welchen Kosten. Bemerkenswert schnell ist diese Logik im Markt angekommen: Nach Perplexity-Daten nutzten bereits 2025 rund 44 Prozent der Unternehmensorganisationen mehr als ein Modell, nachdem Anfang des Jahres noch zwei Modelle über 90 Prozent der Nutzung dominiert hatten.

Die eigentliche Einsicht: Beständig ist nur die Wissensschicht

Für Unternehmensentscheider ist an diesen Diensten weniger das einzelne Produkt interessant als das Architekturprinzip dahinter. Wenn Modelle monatlich wechseln können, stellt sich die Frage, was eigentlich bleibt. Die Antwort: alles, was das Unternehmen selbst einbringt. Die angebundenen Datenquellen. Die aufgebauten Kontexte und Konfigurationen. Die Prompts und Workflows. Die Bewertungsmaßstäbe, mit denen Qualität gemessen wird. Die Historie dessen, was funktioniert hat. Kurz: das Wissen.

Diese Wissensschicht ist das eigentliche Kapital eines KI-Einsatzes — und sie ist umso wertvoller, je konsequenter sie vom Modell getrennt ist. Hängt sie am Modell eines einzelnen Anbieters, beginnt jeder Wechsel bei null, und aus der theoretischen Wahlfreiheit wird praktische Gefangenschaft. Liegt sie in einer eigenen Schicht, wird der Modellwechsel zur Routineeinstellung: Das neue Modell tritt an, das Wissen bleibt stehen.

Dasselbe Prinzip im Kundenlebenszyklus

Wir haben den acceleraid Assistant von Beginn an nach genau diesem Prinzip gebaut. Er ist modell-agnostisch: Welches Sprachmodell im Hintergrund arbeitet, ist eine Konfigurationsentscheidung, keine Systementscheidung. Kunden können das Modell jederzeit wechseln — weil ein neues Modell besser oder günstiger ist, weil interne Richtlinien es verlangen oder weil ein Anbieter seine Bedingungen ändert. Das aufgebaute Wissen bleibt dabei vollständig erhalten: die angebundenen Datenquellen, die Kontexte, die Konfigurationen, die eingespielten Abläufe. Der Assistant wird durch den Modellwechsel nicht zurückgesetzt, sondern nutzt schlicht ein anderes Werkzeug — mit demselben Wissen.

Im Kundenlebenszyklus-Management ist diese Trennung besonders folgenreich, denn hier entsteht der Wert aus Kontinuität: aus dem über Zeit aufgebauten Verständnis von Kundensegmenten, Signalen und wirksamen Maßnahmen. Dieses Verständnis an die Lebensdauer eines einzelnen Modells zu koppeln, wäre fahrlässig — Modellgenerationen wechseln inzwischen schneller als Kampagnenzyklen.

Orchestrierung ist mehr als Routing

Der Blick auf die Dienste zeigt zugleich, was zur Modellvielfalt praktisch dazugehört — und was Eigenbau-Ansätze oft unterschätzen. Ein Modellwechsel ist erst dann eine Einstellung, wenn drei Fähigkeiten zusammenkommen. Erstens die laufende Bewertung: Neue Modelle müssen gegen die eigenen Aufgaben getestet werden, nicht gegen generische Bestenlisten — was auf dem Papier führt, kann am konkreten Anwendungsfall enttäuschen. Zweitens die Kostensteuerung: Wenn Aufgaben automatisch dem günstigsten ausreichenden Modell zugeordnet werden, entsteht ein dauerhafter Effizienzgewinn; läuft dagegen jede Anfrage zum teuersten Modell, bezahlt man Vielfalt ohne Nutzen. Drittens die Nachvollziehbarkeit: Gerade in regulierten Branchen muss dokumentiert sein, welches Modell welche Aufgabe mit welchem Kontext bearbeitet hat — sonst wird die Flexibilität zum Audit-Problem. Diese drei Fähigkeiten — Evaluation, Kostenroute, Protokoll — sind der eigentliche Kern der Orchestrierungsschicht; das Modell-Routing ist nur ihr sichtbarstes Ergebnis. Für Entscheider heißt das: Wer modell-agnostische Dienste bewertet, sollte genau diese Maschinerie prüfen, nicht die Länge der Modellliste. Zwanzig anschließbare Modelle ohne Bewertungs- und Steuerungsebene sind keine Unabhängigkeit, sondern nur Auswahl.

Worauf Entscheider bei modell-agnostischen Diensten achten sollten

Der Begriff „modell-agnostisch" ist zum Marketingwort geworden. Ob die Substanz dahintersteht, zeigen vier Prüffragen:

1. Was genau bleibt beim Modellwechsel erhalten? Die ehrliche Antwort sollte lauten: alles außer dem Modell. Kontexte, Daten, Konfigurationen, Historie.

2. Wie schnell sind neue Modelle verfügbar? Ein agnostischer Anspruch, der neuen Modellen monatelang hinterherläuft, ist keiner.

3. Wer entscheidet über das Routing? Transparenz darüber, welches Modell wann und warum eingesetzt wird, ist Voraussetzung für Governance — gerade in regulierten Branchen.

4. Wo liegen die Daten? Modellfreiheit ohne klare Datenhaltung verschiebt das Problem nur. Die Wissensschicht braucht denselben Governance-Standard wie jedes andere Kernsystem.

Einordnung

Die Dienste-Ebene über den Modellen — von Perplexity und you.com bis zu spezialisierten Unternehmens-Assistenten — ist keine Modeerscheinung, sondern die logische Antwort auf einen Markt, in dem kein Modell dauerhaft führt. Für Anwenderunternehmen ist sie die praktischste Form der Modellunabhängigkeit: Wahlfreiheit als eingebaute Eigenschaft statt als Migrationsprojekt. Die Leitfrage für jede Auswahl lautet dabei nicht „Welches Modell ist das beste?", sondern: „Bleibt unser Wissen unser Wissen — egal, welches Modell gerade arbeitet?" Wer diese Frage mit Ja beantworten kann, hat die Modellfrage dauerhaft entschärft.

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.