Welche KI schreibt das beste Deutsch? Acht Sprachmodelle im Blindtest

Kurz gesagt: In unserem Blindtest mit acht Sprachmodellen und rund 270 Texten schreibt GPT-6.1 Sol von OpenAI das beste Deutsch – in jeder Bewertung, an der es teilnahm, auf Platz 1. Das beste Verhältnis aus Qualität und Preis hat GPT-6 Luna: immer in der Spitzengruppe, zu einem Bruchteil der Kosten. Der Schreibspezialist Hemmingway-1 und das neue Mistral Large 4 landeten auf den hinteren Plätzen. Hermes 3000 schreibt deshalb ab sofort standardmäßig mit GPT-6 Luna; für bezahlte Bücher steht zusätzlich GPT-6.1 Sol bereit. Stand: 16. Oktober 2026.

Welches Sprachmodell hinter einer Schreib-App steckt, merkt man nicht an einem einzelnen Satz. Man merkt es nach vierzig Seiten: wenn die Erzählerin plötzlich „ich“ sagt, obwohl das Buch in der dritten Person geschrieben ist. Wenn eine Figur eine Rampe hinunterläuft, die noch gar nicht heruntergelassen wurde. Wenn auf jeder dritten Seite jemand „mit dem Daumen über“ etwas streicht. Solche Fehler sind klein, aber sie kosten Zeit beim Überarbeiten – und sie entscheiden darüber, ob dir ein Schreibassistent Arbeit abnimmt oder neue macht.

Seit unserem letzten Vergleich im Sommer sind mehrere neue Modelle erschienen, einige davon deutlich günstiger. Und mit Hemmingway-1 gibt es ein Modell, das ausdrücklich dafür trainiert wurde, „wie ein Mensch zu schreiben“. Grund genug, noch einmal gründlich zu testen. Dieser Werkstattbericht erzählt, wie wir vorgegangen sind, was herauskam – und was wir daraus gemacht haben.

Die Kandidaten

Die Preise sind Listenpreise der Anbieter zum Stand des Tests. Wichtig: Viele dieser Modelle „denken“ vor dem Schreiben nach, und dieses Nachdenken wird wie Ausgabe bezahlt. Was ein Modell pro Seite wirklich kostet, zeigt erst die Messung – dazu unten mehr.

So haben wir getestet

Acht Aufgaben, sieben davon auf Deutsch. Eine Eröffnungsszene, ein Dialog mit unausgesprochenem Konflikt, eine Ortsbeschreibung, die Gefühle nur über Wahrnehmung zeigt. Dazu drei Aufgaben, die dem Schreiben in Hermes nahekommen: eine Szene aus einem Roman weiterschreiben – mit Figuren, bisherigem Verlauf und letztem Absatz –, den Einstieg in ein Sachbuchkapitel und den Anfang eines Romankapitels mit etwa 900 Wörtern und festen Vorgaben (personale Erzählerin, Präteritum, genau drei Fahrgäste, ein Anruf am Ende). Lange Texte sind wichtig: Grammatik- und Logikfehler häufen sich mit der Länge, kurze Proben verdecken sie. Die achte Aufgabe war ein Lektorat – ein Absatz mit elf eingebauten Fehlern von „garnicht“ bis „macht Sinn“ –, dazu eine englische Szene als Gegenprobe.

Blind bewertet, von mehreren Seiten. Jedes Modell schrieb jede Aufgabe mehrmals. Zwei KI-Bewerter aus verschiedenen Häusern – Claude Opus von Anthropic und GPT-5.5 von OpenAI – bekamen pro Aufgabe alle Texte ohne Modellnamen, in für jeden neu gemischter Reihenfolge, in der Rolle einer Verlagslektorin. Sie vergaben Punkte für Sprache, Stil und Aufgabentreue, mussten jeden Fehler wörtlich zitieren und ein Ranking abgeben. Zusätzlich haben wir die Texte als Blindlese-Seite aufbereitet und Claude und ChatGPT als freie Leser urteilen lassen.

Warum mehrere Bewerter? Weil jeder KI-Bewerter einen Verwandten im Feld hat: Claude Opus beurteilt auch Claude Haiku, ChatGPT auch die GPT-Modelle. Ein Ergebnis, das nur ein Bewerter sieht, ist verdächtig. Eines, das alle sehen, ist belastbar.

Und dann noch einmal von vorn. Die Spitzengruppe haben wir in einer zweiten Runde mit frischen Texten gegeneinander antreten lassen – drei neue Fassungen pro Aufgabe, die kein Bewerter je gesehen hatte. Dazu kam Mistral Large 4, das erst während des Tests als Vorschau erschien. Insgesamt sind rund 270 Texte entstanden.

Das Ergebnis

Die zweite Runde mit frischen Texten ist die aussagekräftigste. Ø Rang heißt: Platz unter den sechs Texten einer Aufgabe, gemittelt über alle Aufgaben (1 = bester). Die Punkte für Sprache, Stil und Aufgabentreue gehen von 1 bis 10.

In der ersten Runde mit allen Modellen lagen der bisherige Standard GPT-5.4 mini und die beiden Hemmingway-Varianten deutlich hinten – bei beiden Bewertern auf den Plätzen sechs bis acht von acht.

GPT-6.1 Sol gewinnt nicht knapp, sondern deutlich: in der ersten Runde 25 von 32 Urteilen, mit frischen Texten 38 von 48. Im freien Blindlesen durch Claude gewann es 13 von 16 Aufgaben; ChatGPT, das die Zuordnung zu dem Zeitpunkt bereits kannte, kam zum selben Ergebnis. Beim Weiterschreiben mit Buchkontext und bei den langen Kapiteln – also genau dort, wo ein Schreibassistent die meiste Arbeit leistet – fanden die Bewerter in seinen Texten nur Kleinigkeiten, keine Grammatikfehler und keine Logikbrüche. Claude Opus fasste zusammen, was Sol anders macht: Es erklärt fast nie Gefühle. Die Bedeutung liegt in einer Geste oder einem Gegenstand.

Als Kind hatte sie dort mit der Zirkelspitze Löcher gestochen, während ihre Mutter am Herd stand. Sieben, dann eine Lücke, dann drei. Ihr Daumen fand die Lücke sofort.

Jetzt hob er den Koffer über den Spalt zwischen Anleger und Fähre. Sie hielt die Luft an, bis beide Räder auf dem Deck standen.

GPT-6 Luna ist das Modell, über das sich alle Bewerter einig waren: in jeder Bewertung in der Spitzengruppe, nie schwach, ohne Sol fast immer auf Platz 1 – und das zu Kosten von weniger als einem Zehntel Cent pro Normseite.

Claude Haiku 5.5 schreibt starke kurze, atmosphärische Szenen – im Blindlesen durch Claude gewann es beide Eröffnungsszenen –, machte in langen deutschen Texten aber vereinzelt Grammatikfehler („die Maschine husteten“).

Gemini 4 Argon spaltete die Bewerter wie kein anderes Modell. Im Lektorat war es unschlagbar und gewann fast jedes Urteil. Beim literarischen Schreiben sah es Claude Opus in einer Runde vorn, ChatGPT dagegen auf dem letzten Platz – „handwerklich sauber, aber glatt“. Mit frischen Texten lag es hinter GPT-6.1 Sol und GPT-6 Luna.

Mistral Large 4, das neue Spitzenmodell des französischen Anbieters, erschien erst während unseres Tests als Vorschau. Wir haben es in der zweiten Runde nachgetragen. Es landete auf dem letzten Platz, ohne ein einziges gewonnenes Urteil. Die Bewerter bemängelten Logikbrüche – „Drei Tassen, wie früher“, obwohl nur zwei Personen am Tisch sitzen –, Klischees und Sätze, die erklären statt erzählen. Dazu denkt es sehr lange nach: im Mittel gut eine Minute pro Text. Weil es eine Vorschau-Version ist, schauen wir es uns bei der fertigen Fassung noch einmal an.

GPT-5.4 mini, unser bisheriger Standard, landete in jeder Bewertung in der unteren Hälfte. Es ist schnell, aber jedes neuere Modell im Feld schreibt besser – die meisten auch günstiger. Im langen Kapitel verfehlte es die Vorgaben: Einmal kamen mehr als die verlangten drei Fahrgäste vor, ein anderes Mal rief am Ende eine unbekannte Nummer an statt des Sohnes.

Der Schreibspezialist: Hemmingway-1

Auf Hemmingway-1 waren wir besonders gespannt. Das Modell basiert auf einem offenen 27-Milliarden-Parameter-Modell und wurde laut Anbieter speziell darauf trainiert, „zu schreiben wie ein Mensch“. Wir haben es in zwei Einstellungen getestet: mit voller Denkzeit (die Grundeinstellung) und mit verkürzter.

In unserem Test hat es nicht überzeugt. Beide Varianten belegten bei den Bewertern, die auf Handwerk und Vorgabentreue achteten, die hinteren Plätze, auf Deutsch wie auf Englisch. Im langen Kapitel schrieben beide je einmal in der Ich-Form, obwohl eine Erzählerin in der dritten Person verlangt war, und fielen mitten im Text vom Präteritum ins Präsens. Dazu kamen ungrammatische Sätze wie „Bis Mittag, wenn Glück.“ In der Grundeinstellung brauchte es im Schnitt 89 Sekunden pro Text, einmal fast vier Minuten für ein Kapitel.

Fair ist aber auch: Einzelne Sätze waren stark. „Die Bank hat noch die Form von zwei Menschen.“ ist ein Anfang, den kein anderes Modell so knapp gefunden hat. Und als ChatGPT die Texte ausdrücklich nur nach literarischer Eigenständigkeit bewertete, kam Hemmingway auf Platz 3. Das Modell hat Ausreißer nach oben – aber ein Schreibassistent muss vor allem verlässlich sein. Ein Text, der die Erzählperspektive deines Buchs ignoriert, ist für dich unbrauchbar, wie schön er auch klingt.

Was ein Modell wirklich kostet

Der Listenpreis sagt wenig. Was zählt, ist der Preis pro geschriebener Seite – inklusive des unsichtbaren Nachdenkens. Gemessen in unserem Test, pro Normseite (1.800 Zeichen):

Gerechnet mit den Listenpreisen oben und den in unserem Test gemessenen Tokens; Wartezeit als Median.

Zwei Beobachtungen: Hemmingway-1 und Mistral Large 4 sind pro Token nicht teuer, denken aber so lange nach, dass sie pro Seite zu den teuersten Modellen im Feld gehören. Und GPT-6.1 Sol kostet pro Seite rund sechzehnmal so viel wie GPT-6 Luna – bei weniger als einem Cent pro Seite ist das für ein einzelnes Buch trotzdem wenig.

Eine Marotte, die fast alle teilen

Beim Lesen der Texte fiel uns eine Gewohnheit auf, die fast alle Modelle teilen: Ihre Figuren streichen ständig mit dem Daumen über irgendetwas – über eine Tischkante, einen Fahrplan, eine Kaffeetasse, ein Display. In der frischen Runde enthielt jeder fünfte deutsche Text einen Daumen, bei GPT-6 Luna sogar mehr als jeder dritte. Einzeln ist das ein schönes, konkretes Detail. Über ein ganzes Buch verteilt wird es zur Masche.

Das ist ein guter Hinweis für alle, die mit KI schreiben: Achte beim Überarbeiten auf wiederkehrende Gesten und Bilder. Ein Modell, das in einem Kapitel überzeugt, wiederholt sich über zwanzig Kapitel hinweg oft mehr, als man beim ersten Lesen merkt.

Was wir daraus machen

• GPT-6 Luna ist ab sofort das Standardmodell zum Schreiben in Hermes 3000. Es schreibt besser als unser bisheriger Standard und ist günstiger.
• GPT-6.1 Sol steht für bezahlte Bücher bereit – für alle, die ein Buch gekauft haben oder eine Mitgliedschaft nutzen. Du wählst es in den KI-Einstellungen deines Buchs. Es schreibt das beste Deutsch in unserem Test, besonders beim Weiterschreiben und in langen Kapiteln.
• In der Modell-Arena kannst du Sol kostenlos ausprobieren. Dort schreiben bis zu vier Modelle nebeneinander denselben Satzanfang weiter, und du entscheidest selbst, was dir gefällt.
• Alle anderen Modelle bleiben wählbar – Claude Opus 4.5, das pro Seite ähnlich viel kostet wie Sol, ebenfalls für bezahlte Bücher. Geschmack ist beim Schreiben nicht verhandelbar, und manche Autorinnen mögen gerade den eigenwilligen Ton eines Modells.

Grenzen dieses Tests

Ein paar Dinge wollen wir offen sagen, damit niemand mehr hineinliest, als drinsteht. Die Bewertungen stammen von KI-Modellen, nicht von menschlichen Lektorinnen; wir haben deshalb mehrere Bewerter aus verschiedenen Häusern eingesetzt und die Spitzengruppe mit frischen Texten erneut antreten lassen. Die Aufgaben waren kurz bis mittellang und ohne vollständiges Manuskript – im echten Einsatz bekommt das Modell deutlich mehr Kontext. Preise ändern sich schnell; Gemini 4 Argon etwa kostet ab Dezember voraussichtlich das Doppelte. Und Geschmack bleibt Geschmack: Ein Modell, das in unserem Test hinten liegt, kann für deinen Stil genau richtig sein.

Häufig gestellte Fragen

Welche KI schreibt das beste Deutsch?

In unserem Blindtest im Oktober 2026 mit acht Modellen schrieb GPT-6.1 Sol von OpenAI das beste Deutsch – auf Platz 1 in jeder Bewertung, an der es teilnahm. Das beste Verhältnis aus Qualität und Preis hatte GPT-6 Luna.

Ist Hemmingway-1 gut zum Schreiben von Büchern auf Deutsch?

In unserem Test nicht: Es belegte bei Handwerk und Vorgabentreue die hinteren Plätze, wechselte ungefragt in die Ich-Form und ins Präsens und brauchte in der Grundeinstellung im Schnitt 89 Sekunden pro Text. Einzelne Sätze waren aber stark, und bei einer rein literarischen Bewertung kam es auf Platz 3.

Was kostet das Schreiben mit KI pro Seite?

In unserem Test kostete eine Normseite (1.800 Zeichen) mit GPT-6 Luna etwa 0,04 Cent, mit GPT-6.1 Sol etwa 0,6 Cent. Entscheidend ist der Preis pro Seite, nicht pro Token, weil viele Modelle vor dem Schreiben unsichtbar „nachdenken“ und das mitbezahlt wird.

Kann ich in Hermes 3000 das KI-Modell selbst wählen?

Ja. In den KI-Einstellungen jedes Buchs wählst du das Standardmodell; GPT-6 Luna ist voreingestellt, GPT-6.1 Sol ist für bezahlte Bücher verfügbar. In der Modell-Arena kannst du mehrere Modelle nebeneinander ausprobieren – auch Sol.

Selbst ausprobieren

Die Modell-Arena findest du in jedem Buch unter ⋮ → KI-Einstellungen. Gib einen Satzanfang aus deinem Manuskript ein, wähle bis zu vier Modelle – auch GPT-6.1 Sol – und lies die Fassungen nebeneinander. Welches Modell zu deinem Stil passt, merkst du nach zwei Absätzen. Bis 50 Normseiten ist Hermes 3000 kostenlos: Jetzt ausprobieren.