Agentrouter

Welcher KI-Coding-Agent lohnt sich für euer Team? Gemessen, nicht geraten.

Ich teste Agenten an euren echten Aufgaben. Ihr bekommt eine Empfehlung aus Bestehensquote, Kosten und Laufzeit. Wie das aussieht, zeigt mein eigener Test unten: 6 Kombinationen aus Agent und Modell, 20 Aufgaben, versteckte Tests.

Zum Rennen ↓

Das Rennen · 100 Läufe (6 × 10 + 4 × 10) · 08.11.2026

Gelb = bestanden · Rot = durchgefallen · Betrag = Kosten dieser Runde · Platz = Reihenfolge im Ziel, also Tempo · Zeit gerafft: 1 Sekunde echte Laufzeit ≈ 35 ms · Kosten: Abrechnung des Modellanbieters, Claude aus Tokens geschätzt

Die Erkenntnis

Gleiche Bestehensquote. Ein Achtel der Kosten.

In meinen 20 Testaufgaben: OpenCode mit DeepSeek V4.1 Flash gegen Claude Code mit Sonnet 5.5. Beide bestehen alles. DeepSeek kostet rund 87 % weniger und braucht dafür doppelt so lange. Ob das bei euch auch so ist, hängt an euren Aufgaben. Genau das misst der Check.

Euer Router.

Stellt ein, was eure Agenten im Monat erledigen. Gerechnet wird mit den echten Messwerten aus Runde 2.

Mischung
Was zählt mehr?

Empfehlung

Bestanden heißt bestanden.

Kein Agent bewertet sich selbst. Jede Aufgabe hat eine feste Prüfung.

  1. 01 · Code

    Versteckte Tests

    Der Agent bekommt kaputten Code und eine Spezifikation. Danach hole ich seine Datei und lasse Tests laufen, die er nie gesehen hat.

    Kaputter Code2/9
    Nach dem Fix9/9

    Fallen: kaufmännisch runden, Rabattstufen, Groß-/Kleinschreibung

  2. 02 · Daten

    Die Ausgabedatei zählt

    Unsaubere CSV mit Doppeln und gemischter Schreibweise rein, sauberes JSON raus. Geprüft wird die Datei, nicht die Antwort im Chat.

    { "dr. huber": 1349.90,
      "kaya, dr.": 1950.00,
      "praxis sonne": 10001.00 }
  3. 03 · Text

    Ein Richter, der nicht mitspielt

    Feste Regeln (Länge, keine Gedankenstriche, richtige Zahlen) plus ein Richtermodell, das selbst in keinem Vergleich antritt. Ab 7 von 10 gilt bestanden.

    0/10 · LinkedIn-Post im Stil von Klaus

Und dann hab ich die Idee selbst gegrillt.

Lohnt sich daraus ein Angebot? Drei unabhängige Prüfer, alle mit denselben Fakten. Ihr gemeinsames Ergebnis: Der Check lohnt sich nicht für jeden. Deshalb steht unten, für wen.

Der Markt · simuliert

16 KI-Personen als Entscheider

10 von 16

wollen kleiner einsteigen. Technisch starke Teams testen lieber selbst. Keine echten Befragten, sondern eine KI-Zielgruppensimulation: gut für Einwände, keine Marktprognose.

„Erst klein anfangen, dann den ROI sehen.“

Der Rat

4 simulierte Investoren-Perspektiven

6,4/10

Angebot, Nachfrage, Geld, Gründerzeit. Zwei Runden Streit. Urteil: erst in Kundenprojekten einsetzen, eigener Check nur gegen Vorkasse.

„Interessant bemerkt. Einen Käufer hat er noch nicht bemerkt.“

Der Gutachter

Ein zweites KI-Modell mit Websuche

3 Cent

So viel Unterschied je Aufgabe zwischen zwei Modellen. Ein Check für 2.000 € lohnt sich erst bei sehr vielen Aufgaben oder dort, wo billige Modelle wirklich scheitern.

Euer eigenes Rennen.

Einstieg · Vorprüfung

490 €

zzgl. MwSt. · Vorkasse

2 eurer Aufgaben, 2 Kombinationen, eure jetzige dabei. Ihr bekommt erste Messwerte und einen Testplan für den vollen Check. Bucht ihr ihn innerhalb von 30 Tagen, rechne ich die 490 € voll an.

Voller Check2.000 €zzgl. MwSt.

Vorher ein kurzes Gespräch, ob sich das für euch lohnt. Wenn nicht, sag ich euch das, und es kostet nichts.

Eignung klären

klaus@neher.ai