LLM vs. System One-Modell: Claude und ChatGPT gegen Jev und SubQ Snap

Die meisten wissen inzwischen, was ein großes Sprachmodell ist: Sie stellen Claude oder ChatGPT eine Frage, und es schreibt eine Antwort. Im September und Oktober 2026 kam eine andere Art von Modell auf: das Entscheidungsmodell, oder "System One"-Modell, mit Jev von TypeSafe und SubQ Snap von Subquadratic als ersten Beispielen. Sie schreiben nichts. Sie wählen eine Antwort aus. Das klingt nach einem kleinen Unterschied, aber für Software, die täglich Tausende kleiner Entscheidungen treffen muss, verändert es Geschwindigkeit, Kosten und Zuverlässigkeit. Dieser Artikel erklärt den Unterschied und wann Sie welches Modell einsetzen.

Die kurze Antwort

Ein LLM erzeugt Text: Antworten, Zusammenfassungen, Code, Erklärungen. Ein System One-Modell trifft eine strukturierte Entscheidung: Es wählt aus Optionen, die Sie festlegen, vergibt einen Wert auf einer Skala oder antwortet mit Ja oder Nein, jeweils mit einer Wahrscheinlichkeit. Sie setzen ein LLM ein, wenn die Ausgabe offen ist. Sie setzen ein Entscheidungsmodell ein, wenn die möglichen Antworten vorab bekannt sind und Sie sie schnell, günstig und in einer Form brauchen, die Ihr Code direkt verwenden kann. In vielen Produkten nutzt die beste Lösung beides.

Was ein LLM tut

Ein großes Sprachmodell wie Claude oder ChatGPT sagt Text Token für Token voraus. Das macht es extrem flexibel: Es kann eine E-Mail schreiben, einen Vertrag erklären, Code entwerfen oder ein Problem Schritt für Schritt durchdenken. Die Kehrseite ist, dass jede Antwort erzeugter Text ist. Wenn Ihre Software nur wissen muss: "Ist das eine Rechnungsfrage oder eine technische Frage?", bezahlen Sie trotzdem für eine erzeugte Antwort, warten darauf und müssen sie anschließend auswerten.

Was ein System One-Modell tut

TypeSafe beschreibt System One-Modelle als "eine Klasse von KI-Modellen, die schnelle, strukturierte Entscheidungen treffen, die Software direkt verwenden kann". Statt eine Antwort zu schreiben, liest das Modell Ihre Eingabe und gibt eine typisierte Antwort mit einer Wahrscheinlichkeit zurück. Jev bietet drei Bausteine:

• Choice: welche Option zutrifft, zum Beispiel welches Team ein Ticket bearbeiten soll.
• Score: wo die Eingabe auf einer von Ihnen definierten Skala liegt.
• Noul: wie wahrscheinlich eine Ja/Nein-Aussage zutrifft.

SubQ Snap funktioniert genauso: Es wählt aus einer vordefinierten Menge von Antworten, statt Text zu erzeugen, und Subquadratic richtet es auf Entscheidungen innerhalb von KI-Agenten aus, etwa welche Datei relevant ist, welches Tool zu verwenden ist, ob eine Prüfung bestanden wurde und wann angehalten oder eskaliert werden soll.

Der Name stammt von Daniel Kahnemans "System 1": dem schnellen, intuitiven Denkmodus, im Gegensatz zum langsamen, bewussten "System 2". Ein Entscheidungsmodell übernimmt die schnellen Urteile; ein schlussfolgerndes LLM übernimmt das Nachdenken.

Im Vergleich

	LLM (z. B. Claude, ChatGPT)	Jev (TypeSafe)	SubQ Snap (Subquadratic)
Ausgabe	Erzeugter Text, Code, Erklärungen	Choice, Score oder Ja/Nein, mit Wahrscheinlichkeiten	Eine Auswahl aus vordefinierten Antworten
Eingabe	Text, bei vielen Modellen auch Bilder und Dateien	Nur Text und JSON	Text und Bilder
Kontext	Je nach Modell unterschiedlich	64k Tokens pro Anfrage, 32k pro Frage	Bis zu 384k Tokens in einem Aufruf
Preis (Stand Oktober 2026)	Beispiel: Claude Opus 5.5 mit $4 pro Million Eingabe-Tokens und $20 pro Million Ausgabe-Tokens	$0.042 pro Million Eingabe-Tokens, Ausgabe kostenlos	$0.05 pro Million Eingabe-Tokens, Ausgabe kostenlos
Erklärt seine Begründung	Ja	Nein	Nein
Verfügbarkeit	Allgemein verfügbar	Produktion (jev-1.13), Preview von 1.14 ab 14. Oktober 2026	Öffentliche Preview, begrenzte Kapazität
Am besten für	Schreiben, Schlussfolgern, offene Aufgaben	Routing, Guardrails und Scoring in großen Mengen	Entscheidungen über lange Dokumente und Agentenschritte

Der Preisunterschied ist bemerkenswert: Pro Million Eingabe-Tokens kosten diese Entscheidungsmodelle etwa ein Hundertstel eines großen Frontier-LLMs, und für die Ausgabe berechnen sie gar nichts. Bei einer einzelnen Entscheidung fällt das kaum ins Gewicht. Bei Millionen von Entscheidungen im Monat ist es der Unterschied zwischen einem Rundungsfehler und einem echten Kostenposten.

Wie sie zusammenarbeiten

Ein Entscheidungsmodell ist kein Ersatz für ein LLM. Es ist ein Filter davor. Ein typischer Aufbau für den Kundensupport:

1. Ein Entscheidungsmodell liest jede eingehende Nachricht und entscheidet: Abrechnung, Technik, Vertrieb oder Spam? Dringend oder nicht?
2. Einfache, eindeutige Fälle werden von Ihrem eigenen Code automatisch weitergeleitet.
3. Fälle, bei denen das Modell unsicher ist oder eine geschriebene Antwort nötig ist, gehen an ein LLM oder an einen Menschen.

Dasselbe Muster funktioniert innerhalb von KI-Agenten: Lassen Sie das Entscheidungsmodell das Tool wählen, das Ergebnis prüfen und entscheiden, ob angehalten wird, und rufen Sie das teure Schlussfolgerungsmodell nur für die Schritte auf, die es wirklich brauchen. Genau diese Rolle beschreiben TypeSafe und Subquadratic für ihre Modelle.

Jev oder SubQ Snap?

Beide sind gehostete APIs, die Entscheidungen zurückgeben und nur die Eingabe berechnen. Die wichtigsten Unterschiede laut den Seiten der Anbieter selbst:

• Kontext: Snap liest bis zu 384k Tokens aus Text und Bildern in einem Aufruf; Jev nimmt 64k pro Anfrage, nur Text und JSON.
• Benchmarks: Subquadratic gibt an, dass Snap auf dem Decision Index 0.2.1 61,7 Punkte erreicht gegenüber 57,9 bei Jev und bei 13 von 16 Enterprise-Benchmarks vorn liegt, während Jev bei einigen Tool-Use-Aufgaben vorn bleibt. Das sind die eigenen Zahlen des Anbieters auf Benchmarks, die er selbst gewählt hat.
• Reife: Jev hat eine Produktionsversion; Snap befindet sich in öffentlicher Preview mit begrenzter Kapazität.

Wenn es bei Ihren Entscheidungen um kurze Eingaben wie Nachrichten, Tickets oder Formularfelder geht, ist Jev die etabliertere Wahl. Wenn es um lange Dokumente, Verträge oder Screenshots geht, ist Snap dafür gebaut.

Wann welches Modell?

• Setzen Sie ein LLM ein, wenn die Antwort offen ist: schreiben, zusammenfassen, erklären, programmieren oder etwas Neues durchdenken.
• Setzen Sie ein Entscheidungsmodell ein, wenn Sie die möglichen Antworten vorab auflisten können, viele Entscheidungen schnell und günstig brauchen und Ihr Code auf das Ergebnis reagiert.
• Setzen Sie beides ein, wenn Sie für die Masse der Fälle Tempo und niedrige Kosten wollen und für die schwierigen die Tiefe eines LLMs.

Worauf Sie achten sollten

• Es ist sehr neu. Beide Modelle wurden in den letzten Wochen veröffentlicht; Versionen, Preise und Benchmarks werden sich ändern.
• Herstellerzahlen sind Herstellerzahlen. Testen Sie mit Ihren eigenen Daten, bevor Sie einem Benchmark vertrauen.
• Wahrscheinlichkeiten sind keine Garantien. TypeSafe selbst weist darauf hin, dass die Kalibrierung über Gruppen von Vorhersagen gemessen wird und nicht garantiert, dass eine einzelne Antwort korrekt ist. Planen Sie einen Eskalationsweg für unsichere Fälle ein.
• Keine Erklärungen. Ein Entscheidungsmodell sagt Ihnen, was, nicht warum. Wo Sie einen Prüfpfad in verständlicher Sprache brauchen, behalten Sie ein LLM oder einen Menschen im Prozess.

Wo anfangen?

Suchen Sie die Entscheidungen, die Ihr Produkt oder Ihr Team immer wieder trifft: Nachrichten weiterleiten, riskante Inhalte markieren, prüfen, ob ein Dokument vollständig ist. Das sind die ersten Kandidaten für ein Entscheidungsmodell. Wenn Sie Hilfe bei der Wahl des richtigen Modells und der Integration in Ihre Software möchten, sehen Sie sich unsere Arbeit im Bereich KI-Entwicklung an oder lesen Sie mehr darüber, was KI-Entwicklung umfasst und was KI wirklich kostet.

Quellen

• TypeSafe docs: System One
• TypeSafe docs: Modelle und Preise
• Subquadratic: Introducing SubQ Snap
• Anthropic: Claude API-Preise