Vertikales AI-Modell vs. GPT-Wrapper

Nein, für sich genommen nicht — und die Frage zielt auf das Falsche. Ob ein Anbieter ein eigenes Modell trainiert, ist eine Aussage über seine Kostenstruktur, seine Latenz und seine Deployment-Optionen, kein Indikator dafür, ob das Ergebnis Ihre Anforderungen erfüllt. Ein “vertikales AI-Modell” bedeutet, dass der Anbieter die Gewichte mit Domänendaten verändert hat. Ein “GPT-Wrapper” bedeutet, dass er das nicht getan hat und stattdessen Prompts, Retrieval, Tooling und ein Produkt um die API eines anderen herum gebaut hat. Beide Beschreibungen decken funktionierende und nicht funktionierende Produkte ab.

Es ist keine Qualitätsstufe, und für sich allein auch kein Burggraben. Eigene Gewichte zertifizieren keine Genauigkeit, und ein API-Aufruf verurteilt sie nicht. Die Kauffrage ist enger: Was besitzt dieser Anbieter, das ein Wettbewerber mit demselben API Key nicht in einem Quartal nachbauen kann — und überlebt diese Antwort das nächste Frontier-Modell-Release?

Vier verschiedene Dinge, die Anbieter “unser eigenes Modell” nennen

Der Begriff deckt eine Leiter ab, deren Sprossen bei Kosten und Verteidigbarkeit rund 1000x auseinanderliegen.

1. Prompt- und Context-Engineering. System Prompts, Tool-Definitionen, Output-Schemata, Chunking-Strategie. Das ist ein Wrapper, und es ein Modell zu nennen ist Marketing. Es ist zugleich die Quelle des größten Teils des beobachtbaren Qualitätsunterschieds zwischen zwei Produkten auf demselben Basismodell.
2. Eigenes Retrieval und eigene Embeddings. Der Anbieter trainiert die Suchschicht, nicht den Generator. Harvey hat mit Voyage AI an voyage-law-2-harvey gearbeitet, einem Embedding-Modell, das auf mehr als 20 Milliarden Token US-amerikanischer Rechtstexte feinabgestimmt wurde, mit berichteten 25% weniger irrelevanten Suchergebnissen gegenüber Standard-Embeddings.
3. Post-Training auf eigenen Aufgabendaten. Supervised oder Reinforcement Fine-Tuning über einem Basismodell. Genau das ist 2026 fast jedes “eigens entwickelte Modell” in Ops-Software tatsächlich.
4. Pre-Training von Grund auf. Ein neues Basismodell. In Ops-Software macht das fast niemand, und der eine berühmte Versuch erklärt, warum.

Die BloombergGPT-Lektion

Bloomberg hat ein Finanzmodell mit 50 Milliarden Parametern auf dem eigenen Korpus vortrainiert und im März 2023 veröffentlicht. Es schlug offene Modelle vergleichbarer Größe — GPT-NeoX, OPT, BLOOM — bei Finanz-NLP-Aufgaben. Dann schlug GPT-4 es, ohne jeden Zugriff auf Bloomberg-Daten: unabhängige Auswertungen nach dem GPT-4-Release berichteten 68,79% gegenüber 43% bei FinQA zero-shot, 76% gegenüber 43% bei ConvFinQA und einen F1-Wert von 83% gegenüber 61% bei der FIN3-Eigennamenerkennung.

Die verallgemeinerbare Lesart ist nicht “Domänenmodelle verlieren”. Sie lautet: ein mittelgroßes, auf Domänendaten vortrainiertes Modell gewinnt in seiner eigenen Gewichtsklasse und verliert gegen das nächste Frontier-Release — und Frontier-Releases kommen schneller, als sich ein Pre-Training-Lauf amortisiert. Jeder Anbieter, der Ihnen die Größe seines proprietären Korpus verkauft, beschreibt eine Position, die alle paar Monate neu bestritten wird.

Harvey hat die ganze Leiter in drei Jahren durchlaufen

Harvey ist der klarste Fall, weil das Unternehmen jede Position dieser Debatte besetzt hat:

• 2023 — feinabgestimmtes Case-Law-Modell mit OpenAI, nachdem Fine-Tuning über öffentliche APIs und einfaches RAG als unzureichend bewertet wurden. In Blindtests bevorzugten Anwältinnen und Anwälte das feinabgestimmte Modell in 97% der Fälle gegenüber GPT-4.
• Mai 2025 — Aufnahme von Anthropic- und Google-Modellen, Ende der exklusiven Abhängigkeit von OpenAI. Harveys erklärte Gründe lohnen die Lektüre aus Käufersicht: Routing pro Aufgabe, weil kein Modell überall führt; Redundanz, damit ein Ausfall oder Kapazitätsengpass eines Anbieters umgeleitet statt zum Fehler wird; und Modellauswahl auf Admin-Ebene pro Workspace.
• 18. Juni 2026 — Ankündigung einer eigenen Reihe juristischer Modelle: post-trainierte Open-Source-Modelle, gebaut mit Baseten, Fireworks AI, Applied Compute, Trajectory Labs und Nvidia, mit berichteter Leistung nahe an Frontier-Modellen. Mitgründer Gabe Pereyra formulierte das Ziel als Frontier-Leistung über die gesamte Produktoberfläche zu einem bezahlbaren Preis und mit starker Sicherheitsaufstellung.

Lesen Sie den letzten Punkt genau. Der erklärte Treiber ist Preis und Deployment-Aufstellung, nicht eine Fähigkeitslücke, die das allgemeine Modell nicht hätte schließen können. Das ist die ehrliche Version des Vertikalmodell-Arguments, und es ist ein anderes Argument als das, welches die meisten Anbieter Käufern präsentieren.

Die Zahlen, die entscheiden

Ergebnisse von Harveys Legal Agent Benchmark, veröffentlicht mit Fireworks, auf einem Ausschnitt von 100 Aufgaben unter einem strengen All-Pass-Standard, bei dem jedes Kriterium erfüllt sein muss:

Bei der weicheren Mean-Score-Metrik laufen die vier Konfigurationen fast zusammen — GLM 5.1 bei 0,8921, GPT-5.5 bei 0,892, Opus 4.7 bei 0,911. Drei Dinge folgen aus dieser Tabelle. Domänen-Post-Training brachte eine Kostenreduktion von rund 8x bei nahezu gleichem Mean Score. Die Hybridvariante schlug das Frontier-Modell beim All-Pass bei etwa 39% seiner Kosten. Und keine Konfiguration schließt mehr als 20 von 100 Aufgaben durchgängig ab, was zeigt, wie weit die Kategorie von gelöst entfernt ist und dass Mean-Score-Marketing genau das verdeckt.

Was ein Anbieter besitzt und Sie nicht kopieren können

Gewichten Sie das höher als die Modellgewichte:

• Datenrechte. Gongs Position beruht auf zig Milliarden erfassten Vertriebsinteraktionen, an denen das Unternehmen vertragliche Rechte hält, und es beansprucht die 3-fache Genauigkeit von Standardsystemen bei seinen trainierten Trackern. Eightfold beruht auf 1,6 Milliarden Karriereprofilen und 1,6 Millionen abgeleiteten Skills. Beides ist mit einem API Key nicht reproduzierbar.
• Evaluations-Infrastruktur. Harvey hat BigLaw Bench und den Legal Agent Benchmark mit Snorkel AI gebaut und veröffentlicht. Ein Anbieter, der Ihnen nicht sagen kann, woher er weiß, dass ein Modellwechsel geholfen hat, verkauft Bauchgefühl.
• Workflow, Berechtigungen und Audit-Oberfläche. Das, worin Ihre Admins arbeiten und was kein Modell-Release entwertet.

Diagnosefragen an den Anbieter

1. Welches Modell führt diese Funktion heute aus, und welches vor sechs Monaten? Keine Antwort heißt: Versionsdrift ist unkontrolliert und Ihre Genauigkeits-Baseline ist nicht reproduzierbar.
2. Zeigen Sie eine Aufgabe, bei der Ihr Modell das Frontier-Modell schlägt, auf das Sie Zugriff haben — und lassen Sie uns das mit unseren Dokumenten wiederholen. Anbieter-Benchmarks auf Anbieter-Daten sind ein Ausgangspunkt, kein Beleg.
3. Sind unsere Daten in Ihrem Trainingsset, und wie sieht die Zero-Retention-Option aus? “Proprietärer Datensatz” bedeutet manchmal Ihre Inputs.
4. Was passiert, wenn Ihr Provider ein Modell abkündigt? Harveys Multi-Modell-Begründung nennt Ausfälle und Kapazitätsgrenzen direkt; Anbieter mit nur einem Provider tragen dieses Risiko für Sie.
5. Was kostet eine abgeschlossene Aufgabe bei unserem Volumen? Die Tabelle oben ist der Grund — dieselbe Ausgabe hat je nach Architektur eine Preisspanne von 11x.
6. All-Pass oder Mean Score? Bestehen Sie auf der Zahl auf Kriteriumsebene. Der Mean Score ist der Ort, an dem sich Teilpunkte verstecken.

Warnsignale, jeweils mit Gegenmaßnahme

“Eigens entwickeltes Modell”, das ein System Prompt ist. Die Behauptung kostet nichts. Gegenmaßnahme: Lassen Sie sich schriftlich geben, welche Sprosse der obigen Leiter gilt — Prompt, Embeddings, Post-Training oder Pre-Training — und nehmen Sie die Antwort in die Produktbeschreibung des Vertrags auf.

Ein eingefrorener Fine-Tune auf beweglicher Basis. Ein auf einer 2024er-Basis post-trainiertes Modell verliert mit jedem Frontier-Release relativ an Boden. Gegenmaßnahme: Fragen Sie nach der Retraining-Kadenz und dem Datum des aktuellen Checkpoints und machen Sie das zur Verlängerungsfrage.

Eigenmodell-Behauptungen als Lock-in. Wenn die Ergebnisse nur innerhalb ihres Modells existieren, sind die Migrationskosten das Produkt. Gegenmaßnahme: Fordern Sie Massenexport der Ergebnisse plus der Quellbelege in einem Format, das Sie wieder einlesen können.

Die Korpus-Erzählung statt des Korpus kaufen. Anbieter nennen die Datensatzgröße, ohne zu sagen, ob sie Trainingsrechte daran halten. Gegenmaßnahme: Fragen Sie nach der Rechtsgrundlage der Datenrechte, nicht nach der Zeilenzahl.

Grounding mit Training verwechseln. Die meisten Genauigkeitsprobleme in Legal Ops und GTM sind Retrieval-Fehler, keine Gewichtsprobleme. Gegenmaßnahme: Arbeiten Sie Grounding vs. Halluzination bei Legal AI und RAG durch, bevor Sie “wir haben unser eigenes Modell trainiert” als Antwort auf die Genauigkeitsfrage akzeptieren.

Wann es tatsächlich zählt

Es zählt, wenn Sie eine Deployment-Anforderung haben, die die API nicht erfüllt: Datenresidenz in einer Jurisdiktion, die der Provider nicht bedient, eine Air-Gapped- oder souveräne Installation, eine Latenzuntergrenze für eine Echtzeit-Oberfläche, oder ein Volumen, bei dem ein Faktor 8 bei den Stückkosten eine Budgetposition ist. In diesen Fällen hat ein Anbieter, der seine eigenen Gewichte kontrolliert, Optionen, die ein Wrapper nicht hat — und Sie sollten sie ausdrücklich einfordern.

Es zählt nicht für ein 40-köpfiges Team, das ein Tool für Vertragsprüfung oder Conversation Intelligence auswählt. Lassen Sie das Tool über Ihre letzten 20 Dokumente oder Calls laufen, bewerten Sie das Ergebnis gegen das, was Ihr Team produziert hätte, und kaufen Sie danach. Die Gewichte sind das Engineering-Problem des Anbieters. Zum größeren Muster, einen Agent von einem Feature-Bündel zu unterscheiden, siehe was einen AI-Agent für Ops ausmacht.