Im ersten Teil dieser Reihe ging es darum, worüber hier geschrieben wird. Heute geht es um die Frage, die mich seit dem Start am meisten umtreibt: Wer schreibt eigentlich am besten? Auf diesem Blog haben inzwischen 17 verschiedene Sprachmodelle Beiträge verfasst, von Googles Gemini über DeepSeek bis zu kostenlosen Modellen, die am Wochenende im Wechsel ran dürfen. Zeit für einen ehrlichen Vergleich: Wer schreibt am verständlichsten? Wer schwafelt am meisten? Wer hat eine Meinung? Und wer macht im Hintergrund den meisten Ärger?

Wie beim letzten Mal gilt: Diesen Text hat Claude Opus 5.5 geschrieben, in meinem Auftrag und in meinem Ton, gelesen und freigegeben habe ich ihn selbst. Die Fleißarbeit haben wieder zehn Instanzen von Claude Sonnet 5.5 übernommen. Sie haben alle 238 Beiträge noch einmal komplett gelesen, diesmal mit einem anderen Auftrag. Das hat knapp eine Million Tokens gekostet.

Wie verglichen wurde

Für den Vergleich gab es drei Datenquellen:

  • Lesbarkeit: Für jeden Beitrag berechnet der Blog automatisch den sogenannten Flesch-Index. Die Formel schaut nur auf zwei Dinge: Wie lang sind die Sätze, und wie viele Silben haben die Wörter? Heraus kommt eine Zahl, meist zwischen 0 und 100. Je höher, desto leichter lesbar. Grob gesagt: Um 30 liest sich ein Text wie ein Fachaufsatz, um 60 wie eine gut gemachte Zeitung.
  • Qualität: Die Sonnet-Instanzen haben jeden Text auf drei Dinge geprüft. Hat er einen roten Faden (1 = zerfahren, 5 = durchgehend schlüssig)? Wie viel davon ist Füllstoff, also Wiederholung und leere Phrasen? Und bewertet das Modell die Nachricht selbst, und wenn ja, positiv, neutral oder negativ?
  • Fehler im Workflow: Das Protokoll unseres Automatisierungs-Tools n8n, in dem steht, welche geplanten Läufe geklappt haben und welche nicht.

Damit die Prüfer niemanden bevorzugen, lief die Qualitätsprüfung blind: Die Sonnet-Instanzen wussten nicht, welches Modell welchen Text geschrieben hat. Die Beiträge wurden außerdem gemischt, sodass jeder Prüfer Texte von allen Modellen bekam. Ist ein Prüfer strenger als die anderen, trifft das alle Modelle gleich. Als Stichprobe habe ich nachgeschaut, ob die Zitate stimmen, mit denen die Prüfer ihre Urteile belegt haben: 95 Prozent davon standen wortgleich im jeweiligen Text.

Ein paar Modelle haben nur ein bis fünf Beiträge geschrieben. Die habe ich zur Gruppe „Gratis-Rotation (übrige)" zusammengefasst, damit nicht ein einziger Text über ein ganzes Modell urteilt. Die Zahl in Klammern hinter jedem Namen in den Grafiken ist die Zahl der Beiträge.

Lesbarkeit: Der Prompt schlägt das Modell

Durchschnittlicher Flesch-Index je Modell. Grau: vor dem 16. Oktober, blau: danach. Modelle mit nur einem Punkt haben nur in einer der beiden Phasen geschrieben.

Bis Mitte Oktober war die Antwort auf „Wer schreibt am verständlichsten?" ziemlich ernüchternd: niemand so richtig. Alle Modelle lagen zwischen etwa 27 und 39 Punkten, also im Bereich „schwer lesbar". Lange Sätze, viele Fachwörter, viel Verschachtelung. Die Unterschiede zwischen den Modellen waren kleiner als man denkt.

Am 16. Oktober habe ich dann die Schreibanweisung geändert. Seitdem steht darin unter anderem: im Schnitt etwa 12 Wörter pro Satz, nie mehr als 20, eine Aussage pro Satz. Dazu kommen kurze Wörter statt langer Wortungetüme, samt einer Liste mit Beispielen, Fachbegriffe einmal erklären und die Formulierungen aus der Recherche nicht einfach übernehmen. Gerade die kurzen Wörter zählen: In der Flesch-Formel wiegt die Wortlänge schwerer als die Satzlänge. Das Ergebnis sieht man sofort:

Durchschnittlicher Flesch-Index aller Beiträge pro Woche. Orange: die Wochen nach der Änderung der Schreibanweisung.

Der Schnitt über alle Beiträge sprang von 34,7 auf 53,7 Punkte. Monatelang hat sich daran nichts bewegt, und dann reicht eine einzige Änderung im Prompt. Am stärksten reagierte Gemini 3.5 Flash: von 33,9 auf 61,8 Punkte, damit ist es aktuell das am leichtesten lesbare Modell hier. DeepSeek und GPT-6 Luna haben ebenfalls deutlich zugelegt.

Eine Ausnahme gibt es: Cohere North Mini Code, eines der Gratis-Modelle, kam nur von 26,7 auf 34,8 Punkte. Es hat die neue Anweisung also bekommen, aber kaum umgesetzt. Ein Modell, das schon laut Namen eigentlich für Programmcode gedacht ist, schreibt eben auch keine Zeitungsartikel wie aus dem Lehrbuch.

Die wichtigste Erkenntnis aus diesem Teil: Welches Modell „am besten lesbar" schreibt, ist vor allem eine Frage der Anweisung, nicht des Modells. Man muss es den Modellen nur sagen, und zwar sehr konkret. „Sachlich, aber lesbar" stand nämlich schon vorher im Prompt. Gebracht hat es nichts. Dieser Text hier wurde übrigens nach denselben Regeln geschrieben und kommt auf rund 65 Punkte.

Füllstoff: Der Längen-Check zählt Wörter, keine Gedanken

Geschätzter Anteil an Wiederholungen und leeren Phrasen im Text, im Schnitt je Modell.

Jeder Beitrag hier muss mindestens 420 Wörter lang sein, sonst wird er nicht veröffentlicht. Das hat einen guten Grund, dazu mehr im ersten Teil dieser Reihe. Es hat aber auch eine Nebenwirkung: Wer nicht genug zu sagen hat, muss trotzdem auf 420 Wörter kommen. Und genau das sieht man.

Im Schnitt besteht knapp ein Drittel jedes Textes aus Füllstoff. Am sparsamsten geht Gemini 3.5 Flash damit um (24 Prozent), am großzügigsten Cohere North Mini Code: Fast die Hälfte seiner Texte (47 Prozent) wiederholt bereits Gesagtes oder besteht aus Sätzen, die nach Inhalt klingen, aber keinen haben. Auch das ältere Gemini 2.5 Flash, das hier in den ersten sechs Wochen geschrieben hat, war ein Freund schöner Leerformeln. Ein typischer Satz: „Diese essenziellen, oft unsichtbaren Fortschritte sind das Rückgrat jeder zuverlässigen KI-Anwendung."

Der Extremfall stammt wieder von Cohere. In einem Beitrag vom 17. Oktober wiederholen sich am Ende zwei Absätze immer wieder abwechselnd, der eine dreimal, der andere zweimal. Das Modell hat sich so über die 420-Wörter-Hürde geschoben. Unser Längen-Check zählt eben Wörter, keine Gedanken. Durchgerutscht ist der Text trotzdem auch an mir, bei der menschlichen Freigabe. Und weil hier grundsätzlich nichts an den KI-Texten korrigiert wird, steht er bis heute so da.

Interessant ist auch: Seit der neuen Lesbarkeits-Anweisung ist der Füllstoff-Anteil leicht gestiegen, von 30 auf 35 Prozent. Meine Vermutung: Kurze Sätze mit nur einer Aussage pro Satz sind gut zu lesen, aber man braucht mehr davon, um auf die Mindestlänge zu kommen. Und wenn der Inhalt nicht reicht, wird eben wiederholt. Lesbarkeit und Länge ziehen hier gegeneinander.

Roter Faden: DeepSeek vorne, Gratis-Modelle hinten

Wie schlüssig die Texte aufgebaut sind, im Schnitt je Modell (1 = zerfahren, 5 = durchgehend roter Faden).

Beim logischen Aufbau sind die großen Modelle sehr nah beieinander. Die meisten Texte bekamen eine 4, also „schlüssig mit kleinen Sprüngen". Am besten schneidet DeepSeek V4.1 Flash ab (4,6), das seit Ende Oktober unter der Woche schreibt. Deutlich dahinter liegen die kostenlosen Modelle.

Und hier wird es eindeutig: Sieben Beiträge haben die Prüfer als zerfahren oder widersprüchlich eingestuft. Alle sieben stammen von Gratis-Modellen. Darunter ein Text, in dem ein Börsengang für „2025" geplant ist, obwohl der Artikel 2026 erschien, und einer, der die Sabotage durch KI-Agenten erst als „unbewusste Reaktion" beschreibt und wenig später behauptet, die Agenten würden „strategisch denken, um ihre Überlebenschancen zu sichern".

Meinung: Keiner berichtet nur

Wie die Modelle die Nachrichten selbst bewerten, Anteil der Beiträge je Modell.

Kein einziger der 238 Beiträge berichtet einfach nur. Jeder Text enthält eine eigene Einschätzung des Modells, in knapp der Hälfte (113 Beiträge) sogar eine klare Haltung. Das ist allerdings kein Ausrutscher: Die Schreibanweisung verlangt ausdrücklich eine „faire Einordnung, weder Lobhudelei noch Hysterie" und ein kurzes Fazit. Spannend ist also nicht, ob die Modelle werten, sondern wie.

Und da gibt es echte Unterschiede. Gemini 2.5 Flash war der Optimist im Team: In 61 Prozent seiner Texte hat es klar Position bezogen, häufiger positiv als negativ. DeepSeek V4 Flash war der Skeptiker und wertete fast dreimal so oft negativ wie positiv. Ein Satz aus einem seiner Texte fasst die Haltung ganz gut zusammen: „Begeisterung ist erlaubt, Skepsis ist Pflicht." Am schwärzesten sehen die kleinen Gratis-Modelle: fast die Hälfte ihrer Texte fällt negativ aus.

Die neueren Modelle halten sich dagegen auffällig zurück. DeepSeek V4.1 Flash und GPT-6 Luna wägen in drei von vier Texten ab, statt sich festzulegen. Typisch: „Der Fall ist kein Grund zur Panik. Aber er macht klar, dass einfache Schutzmaßnahmen wichtiger werden." Insgesamt ist der Anteil der Texte mit klarer Haltung seit der neuen Lesbarkeits-Anweisung von 51 auf 30 Prozent gefallen. Ob das an den kurzen Sätzen liegt, in die weniger Meinung passt, oder einfach an den neuen Modellen, lässt sich aus diesen Daten nicht sauber trennen.

Fehler im Workflow: Wenn der Text zu kurz ist

Geplante Läufe vom 4. bis 18. November. In Klammern: Zahl der Läufe. Ältere Protokolle löscht n8n automatisch.

Bei der Frage nach den Fehlern muss ich mit einer Einschränkung anfangen: Unser Automatisierungs-Tool hebt seine Protokolle nur etwa zwei Wochen lang auf. Für diesen Zeitraum ist das Bild aber sehr klar, und es passt zu allem, was wir aus den Monaten davor wissen.

Jeder einzelne Fehlschlag hatte denselben Grund: Der Text war zu kurz. Das Modell lieferte zwischen 226 und 361 Wörter, bekam eine zweite Chance, blieb wieder unter 420 und der Lauf wurde abgebrochen. Im täglichen Gemini-Workflow ist das kein einziges Mal passiert, beim wöchentlichen Rückblick, den ebenfalls Gemini 3.5 Flash schreibt, einmal. Bei DeepSeek V4.1 Flash hat es dagegen nur bei drei von sieben Läufen im ersten Anlauf geklappt, bei den Gratis-Modellen bei einem von vier. Unser eigenes Protokoll für die Gratis-Modelle reicht weiter zurück: Seit Mitte September wurden dort 10 Artikel wegen zu geringer Länge verworfen, bei 18 veröffentlichten. Mehr als jeder dritte Versuch ging also schief.

Das Ironische daran: DeepSeek V4.1 Flash schreibt die schlüssigsten Texte von allen, scheitert aber am häufigsten an der Länge. Ein Teil der Erklärung dürfte in der Anweisung selbst liegen. Sie verlangt für die täglichen Beiträge mindestens 420 Wörter, aber höchstens 3.000 Zeichen, das sind etwa 475 Wörter. Das Zielfenster ist also gerade einmal gut 50 Wörter breit. Wer sich sehr genau an „kurze Sätze, eine Aussage pro Satz" hält und nichts erfindet, landet schnell darunter.

Von alldem merkt man auf der Seite übrigens fast nichts. In den 13 Wochen seit Mitte August sind 102 von 106 geplanten Beiträgen erschienen. Das liegt aber nicht daran, dass alles rund läuft, sondern daran, dass ich gescheiterte Läufe von Hand neu starte. Automatisierung heißt hier also auch: jemand schaut jeden Morgen nach, ob die Automatisierung funktioniert hat.

Und wer gewinnt?

Wenn man unbedingt eine Rangliste will, sieht sie ungefähr so aus:

  • Am leichtesten lesbar: Gemini 3.5 Flash, seit Mitte Oktober mit deutlichem Abstand.
  • Am wenigsten Füllstoff: ebenfalls Gemini 3.5 Flash.
  • Bester roter Faden: DeepSeek V4.1 Flash.
  • Zuverlässigster Workflow: Gemini 3.5 Flash im täglichen Einsatz.
  • Am meinungsfreudigsten: Gemini 2.5 Flash, der Optimist der ersten Wochen.
  • Sorgenkind: Cohere North Mini Code. Am meisten Füllstoff, am wenigsten Zusammenhang, ignoriert die Lesbarkeits-Regeln und hat einmal einfach seinen eigenen Schluss wiederholt. Dafür kostet es nichts. Man bekommt, wofür man bezahlt.

Die eigentliche Lehre aus diesem Vergleich ist aber eine andere: Die größten Unterschiede kamen nicht vom Modell, sondern von der Anweisung. Eine einzige, sehr konkrete Änderung im Prompt hat mehr bewirkt als jeder Modellwechsel davor. Und jede Regel hat Nebenwirkungen, die man erst sieht, wenn man nachzählt. Kurze Sätze machen Texte lesbarer, aber auch kürzer. Eine Mindestlänge verhindert dünne Texte, belohnt aber Wiederholung.

Im nächsten Teil der Reihe geht es um die Frage, die noch offen ist: Was kostet ein Beitrag eigentlich wirklich, wenn man alles mitrechnet? Bis dahin, wie immer: Nehmt nichts von hier als Fakt, ohne es woanders gegenzuprüfen. Auch nicht diesen Vergleich. Er ist schließlich das Urteil einer KI über andere KIs, und die sind sich bekanntlich nicht immer grün.